基于遞歸小波神經網絡的敏感臺區反竊電監測方法

李驍 趙曦 王兆軍 任大為 劉麗君 劉志美

摘 要：當前敏感臺區反竊電監測方法在面對連續監測狀況時，監測數據中含有大量噪聲數據和無用數據，導致對竊電行為的診斷依據不足，為解決該問題，提出基于遞歸小波神經網絡的敏感臺區反竊電監測方法。利用A/D采集電路和互感器采集用戶用電數據，通過數據預處理剔除噪聲數據和無用數據，同時使數據歸一化。在此基礎上，提取用電數據特征，并從電流、電壓、功率因數、電量四個方面確定竊電行為判別指標，將數據與特征值輸入至遞歸小波神經網絡中，結合判別指標輸出精準的竊電行為判別結果，實現敏感臺區反竊電監測。實驗結果表明，研究方法能夠準確捕捉到功率因數的變化，竊電行為判別時間短，敏感臺區反竊電監測效果更優。

關鍵詞：遞歸小波神經網絡;敏感臺區;反竊電監測;判別指標;數據歸一化

中圖分類號：TM73 ? ? ?文獻標識碼：A

Abstract：The current anti-electric theft monitoring methods in sensitive stations face continuous monitoring conditions， and the monitoring data contains a large amount of noise data and useless data， resulting in insufficient diagnosis basis for electric theft behavior. To solve this problem， a recursive wavelet neural network is proposed. Anti-theft monitoring method in sensitive station area. Use A/D acquisition circuit and transformer to collect user electricity data， remove noise data and useless data through data preprocessing， and normalize the data at the same time. On this basis， the characteristics of electricity consumption data are extracted， and the identification indicators of electricity theft behavior are determined from four aspects of current， voltage， power factor， and electricity. The data and feature values are input into the recursive wavelet neural network， and the identification indicators are combined to output accurate. The result of discrimination of electricity theft conducts anti-electricity theft monitoring in sensitive stations. The experimental results show that the research method can accurately capture the power factor changes， the time for discriminating power theft behavior is short， and the anti-power theft monitoring effect is better in the sensitive area.

Key words：recursive wavelet neural network; sensitive station area; anti stealing monitoring; discrimination index; data normalization

近幾年，違規用電行為越來越多，并且逐漸向著多樣化、隱藏化方向發展，現場檢查存在人力不足、行動盲目，執行力差等問題，造成了嚴重的社會不良影響[1-2]。對此，有學者研究出了相關的敏感臺區反竊電監測方法，通過對臺區用戶數據采集和智能分析，降低并確定查竊范圍，極大地提高了查處竊電行為的效率[3-4]。當前使用的敏感臺區反竊電監測方法多數是基于用電信息采集大數據的監測方法或基于動態模擬技術的監測方法[5]。基于用電信息采集大數據的監測方法需要大量人力才能維持工作的正常進行，在監測中容易受到工作人員主觀因素的影響，導致監測結果不準確;基于動態模擬技術的監測方法主要通過模擬現實生活的方法，找出竊電用戶的行為規律，進而達到反竊電監測的目的[6]。但是以上監測方法在面對連續監測狀況情況下，采集到的數據中存在大量的噪聲數據和無用數據，導致竊電行為的診斷依據不足[7]。針對這一情況，設計基于遞歸小波神經網絡的敏感臺區反竊電監測方法。

1 敏感臺區反竊電監測方法設計

1.1 用電數據采集

竊電行為會引起供電系統中的電量等參數發生變化，只有采集供電系統電量相關參數，才能準確捕捉到竊電行為發生時刻與數據異常波動。在數據采集過程中，考慮數據實時性的需求，使用A/D采集電路，通過設置采樣頻率、輸入電壓等參數實現敏感臺區用電數據的采集[8]。

采集電路中主要通過A/D轉換芯片AD7606來采集數據[9]。AD7606芯片中包括8個采樣通道，在多通道采樣過程中不需要CLK時鐘信號，節省芯片數量，降低經濟成本[10]。其中，引腳3、4、5是采樣模式引腳，控制這三個引腳的邏輯輸入就可以調節AD的采樣倍數，在實際使用過程中，可根據實際需求調節采樣倍數[11]。在設計中，要考慮到實際的采樣速率需求，最大程度地節省接口資源，由控制器輸出邏輯1來控制引腳8，再將將引腳9和引腳10連接在一起，保證兩個轉換電路轉換同時進行。設計的電壓采樣調理電路和電流采樣調理電路如下所示。

采集到的用電數據中主要包括電流信號和電壓信號，使用電流互感器及電壓互感器獲取線路中的電流及電壓信號，實現電能計量及負荷信號的連續性測量，以應對竊電行為的變化[12]。針對電壓互感器和電流互感器設計信號調理電路，在互感器的后端輸出一個小電流信號，通過調節取樣電阻的大小控制輸出端的電壓值，將輸出電壓送入A/D采集電路中，讀取相應的電壓和電流值[13]。

1.2 數據預處理

在提取用電數據特征之前，需要去除采集到的數據中的噪聲數據和無關數據。由于數據序列的中值對噪聲數據和無關數據的靈敏度遠遠小于序列的平均值，采用中值數據絕對偏差的決策濾波器剔除噪聲數據和無關數據[14]。在當前時刻t，建立一個寬度為a（奇數）的移動窗口：

通過上述過程獲得最終的竊電行為診斷結果，實現敏感臺區反竊電監測。

2 實驗設計

2.1 實驗數據

在實驗數據準備過程中，抽取某市供電局電能計量系統中509個居民用戶三個月的用電負荷數據，數據采集時間間隔為15 min。在數據抽取完成后，將數據記錄中出現連續10個以上負荷值為0或缺失，再者數據中所有負荷值都一樣的情況，將這些異常數據剔除掉。對數據進行剔除處理后，對部分缺失的數據進行填充處理，對每個用戶的負荷曲線數據采用加權平均值的方法獲取用戶的典型日負荷曲線，計算監測時間段的用戶負荷曲線與其日負荷曲線之間的匹配度，篩選出27個疑似竊電用戶，經過歸一化處理后部分數據顯示如表1所示。

基于上述的實驗數據樣本，使用基于用電信息采集大數據的監測方法、基于動態模擬技術的監測方法以及研究方法對上述的竊電用戶行為進行判定，獲取反竊電監測結果。

2.2 實驗結果分析

2.2.1 總功率因數變化

使用不同的監測方法計算出用戶數據的總功率因數變化并分析，用戶總功率因數變化如表2所示。

觀察表中數據，傳統的兩種監測方法在各個時間段內的變化沒有明顯的異常的情況，所提方法在21：00～06：00時間段內監測到用電異常，功率因數也出現不穩定。結合監測曲線結果，說明所提的基于遞歸小波神經網絡的敏感臺區反竊電監測方法能夠準確地監測出竊電行為，并且判定依據更完整。

2.2.2 判別時間

在此基礎上，比較不同方法的敏感臺區竊電行為的判別時間，判別時間越短，效率越高。三種方法的判別時間比較結果如圖3所示。

分析圖3可知，與兩種傳統方法相比，研究方法對于敏感臺區竊電行為的判別時間始終在0.25 s以下，說明該方法能夠快速判別敏感臺區竊電行為。

2.2.3 反竊電監測效果

使用第三方軟件輸出不同的反竊電監測方法實驗結果，具體結果如圖4所示。

在實驗中選擇的數據均為竊電用戶數據，監測的結果應顯示出用戶數據曲線與高壓側數據曲線存在一定的偏離，通過對比觀察發現圖4（a）和圖4（b）中兩條曲線并沒有明顯偏離，只有圖4（c）中顯示出嚴重的偏離，說明研究方法對于敏感臺區反竊電監測的效果更好，具有實際應用價值。

3 結 論

為判定敏感臺區用戶竊電行為，引入遞歸小波神經網絡，設計敏感臺區反竊電監測方法。通過實驗數據采集、數據預處理、用電數據特征提取、確定竊電行為判別指標、診斷用戶竊電行為實現敏感臺區反竊電監測。實驗結果表明，該方法監測效果更好，驗證了該方法的可行性。但是方法中仍存在著一些不足之處，對采集數據的劃分力度不夠，難以面對竊電手段的大幅度變化，因此需要對敏感臺區反竊電監測方法的研究仍需深化。

參考文獻

[1]李丹丹，葛冰玉，黃文雯，等.DBN深度學習算法在反竊電系統中的應用[J].電信科學，2019，35（2）：113-117.

[2]李端超，王松，黃太貴，等.基于大數據平臺的電網線損與竊電預警分析關鍵技術[J].電力系統保護與控制，2018，46（5）：143-151.

[3]青志明，張宏艷，龍漪瀾，等.基于載波異常監測的竊電行為判斷方法[J].科學技術與工程，2018，18（20）：246-251.

[4]王德文，楊凱華.基于生成式對抗網絡的竊電檢測數據生成方法[J].電網技術，2020，44（2）：775-782.

[5]竇健，劉宣，盧繼哲，等.基于用電信息采集大數據的防竊電方法研究[J].電測與儀表，2018，55（21）：43-49.

[6]章夢哲， 徐文忠， 周亞靜，等. 一種基于動態模擬技術的新型智能反竊電仿真裝置的研究與開發[J]. 科學家， 2016， 4（9）：47-48.

[7]王慶寧，張東輝，孫香德，等.基于GA-BP神經網絡的反竊電系統研究與應用[J].電測與儀表，2018，55（11）：35-40.

[8]胡天宇，郭慶來，孫宏斌.基于堆疊去相關自編碼器和支持向量機的竊電檢測[J].電力系統自動化，2019，43（1）：119-127.

[9]史玉良，榮以平，朱偉義.基于用電特征分析的竊電行為識別方法[J].計算機研究與發展，2018，55（8）：1599-1608.

[10]嚴宇平，蕭展輝，吳珣，等.基于風險的竊電事件持續時長預測[J].科技通報，2019，35（11）：113-117.

[11]趙文清，沈哲吉，李剛.基于深度學習的用戶異常用電模式檢測[J].電力自動化設備，2018，38（9）：34-38.

[12]朱永燦，黃新波，張冠軍，等.輸電線路在線監測設備供電電源應用分析[J].高壓電器，2018，54（7）：231-236.

[13]曲禾笛，李堅，張志豪，等.服務于用電設備的快速辨識邊沿檢測方法研究[J].中國電機工程學報，2018，38（15）：4566-4575+4657.

[14]孫毅，崔燦，張璐，等.智能用電非侵入式負荷監測系統研究[J].電力科學與技術學報，2019，34（2）：155-160.

[15]馬立新，徐聰.基于SOM神經網絡的電網諧波源檢測與定位研究[J].控制工程，2018，25（5）：709-715.