基于TensorFlow深度學習框架的竊電分析研究

李莎

（1．長沙理工大學，湖南長沙410000；2．國網湖南省電力有限公司益陽供電分公司，湖南益陽413000）

1 技術介紹

Tensorflow框架是由Disebellef所研發的人工智能學習系統，該框架具有較強的可移植性和靈活性。目前，在深度學習框架中，該框架是具有代表性的，通過建立Tensorflow框架，進一步構建深入學習用電異常檢測模型，能夠實時檢測異常的用電數據。第二，結構遞歸神經網絡和LSTM結構，對于長短期記憶特征典型網絡的結構來說，是由一個或多個長短信息模塊構成，其包含4個部分，分別為輸入、輸出門、遺忘門以及長短期記憶單元。對于結構遞歸神經網絡是通過相似的多個神經網絡結構遞歸，進一步構造為復雜深度網絡，在2維平面中其結構是與樹類似的，一般來說，在遞歸時很容易產生權重指數消失，進而會使數據無法與結構遞歸神經網絡獲得對應聯系，而長短期記憶結構遞歸神經網絡能夠解決上述問題，同時，在機器翻譯以及基因分類等多個領域中獲得應用。

2 基于深度學習框架用戶竊電模式檢測模型

為能夠實現對異常用電模式的相關檢測，本研究提出可使用記憶深度學習框架用戶切電模式檢測模型，如圖1所示:

圖1 模式檢測模型圖

該模型是通過深度學習的方式，以找到用戶用電與用電數據之間的關系，進一步分析竊電用電數據。第一，數據源以及數據集。本研究數據源來源于某電力企業所采集數據采集數據頻率為每隔15分鐘，樣本是數據源的其中部分數據，對于某電表三相電流數據可構成一個數據維度，共288維，標簽數據為該企業現場檢查和專家分析結果。為確保數據的安全性，要求對所收集數據需經過脫敏分析，為能夠使數據與實際情況相接近，在訓練集中可降低異常數據比例為進一步檢測模型在確定數據分析的能力，在測試時可適當引入一些異常數據，第二，數據預處理，在數據設計時會出現一些錯誤或重復的數據，對此需要對所采集的數據進行預處理。本研究采用數據清洗以及歸一化處理，前者是刪除一些重復信息，進行缺失信息補充，糾正錯誤信息，如式1為數據歸一化處理公式。

特征提取網絡。為能夠實現特征數據的提取，可研究利用特征提取模塊，通過該模塊是由長期記憶模塊連接構成的，即由上一個短期記憶模塊輸出作為下一個模塊輸入，在具體使用過程中，要求構建模型需對高維數據進行處理，一般來說，特征之間關系包含于高維度數據，這些特征能夠反映數據特性，在大量數據中存在較多特征關系，這種情況下利于準確進行模型判斷，而大多數單一模塊很難從高度數據中提取多種類型特征和特征關系。為解決該問題的研究，可將所輸入的高維度數據分為三個大小基本一致的子數據，即X1、X2、X3，對于子數據可進行特征提取，共有10個模塊，可構建遞歸神經網絡進一步提取高維度數據特征，利用上述方法，能夠獲得特征數據，以實現用戶用電模式特征匹配，進一步標注數據類型，為實現這一項目的的研究，提出可使用由三層全連接隱含層所構成的神經網絡，以實現對用戶特征數據的匹配。在損失計算和梯度優化時，利用損失函數能夠準確計算目前模型損失偏差，通過函數計算基因負反饋調節，合理調整各參數，如式（2）為本研究所構建的損失函數公式。

在上述公式中實際分類標簽為yreal，分類結果為yclass，針對該損失函數，可采用適應性矩陣估計優化，以獲得最小化損失函數值，深度學習Tensorflow框模型實現反饋調節。

3 模型的評價分析

研究學者在模型結構評價過程中提出混淆矩陣，針對異常用例數據作為負類，對于正常用電數據可將其定義為正類，使用混淆矩陣來表示最終的分類結果。比如，通常利用行對應實際所屬類別，而列可對應對應分類器進行類別預測，在混淆矩陣下形成多樣化的評價指標，包括準確率，漏警率等指標，以實現模型結果評價，如下公式所示:

在該公式中，正常數據分類的正常數目為ntp，異常數據分類的異常數目為ntn，將正常數據分類為異常數目為nFp，將異常數據分類為正常的數目為nFN，準確率主要是指在測試樣本中，正確識別數目所占比例，如果準確率高，表明該模型所識別異常用電概率越低，在總異常數據中漏警率是指模型錯誤識別數據的比例，如果漏警的越低，表明利用該模型錯誤識別用戶模式為正常的概率越低。

4 具體實驗分析

為驗證本研究提出模型的有效性，將深度學習模型與非深度學習模型進行比較，共開展5次實驗，選取平均值為最終結果，除此之外，將將該模型與多層長短期記憶深度學習模型進行比較開展5次實驗，運行周期長達15000次。

4．1 實驗環境

本研究由某電力公司所提供數據樣本作為數據集，該樣本中涉及多個用戶兩個月內的三相電流有關數據，共計3860條，在其數據集中共含有309條異常用電數據，其中342條為正常數據，在訓練集中異常數據占8．28%。在測試集中有51條異常用電數據，81條正常數據，在測試集中異常數據占38．64%。基于深度學習，Tensorflow學習框架使用一臺計算機，其CPU為INrelE34核，內存為8G。測試集中部分異常數據如下表1所示:

表1 測試集中部分異常數據

4．2 實驗結果分析

相比支持向量基模型和BP神經網絡模型來說，本研究提出的基于深度TensorFlow學習模型具有良好性能。經過5000個周期運行之后，研究提出的模型以及基于多層長短期記憶學習模型，兩種模型準確率變化較小，認為上述兩個模型逐漸趨于穩定狀態，經過模型之后，相比基于多層長短期記憶學習模型來說，研究提出的模型準確率要高，在經過5000個周期之后，研究提出的模型相比基于多層長短期學習模型來說，準確率變化幅度要小，整體來看，本研究提出的基于深度Tensorflow框學習框架模型，其具有良好的魯棒性和準確性。

5 結束語

本研究提出基于深度學習以實現用戶異常數用電數據檢測模型，利用該模型能夠從用戶實際用電中獲取用電數據，基于深度學習框架進一步構建用戶竊電檢測模型，提取數據特征，構建結構遞歸神經網絡，通過三層全連接進一步構建數據特征匹配神經網絡，將本研究提出的模型與基于支持向量機模型以及BP神經網絡模型對比，通過實驗結果發現，相對來說具有良好的識別準確率和較低漏警率，可及時發現用戶模式的異常數據，準確性較高，除此之外，相比基于多層長短期記憶學習模型來說，本研究所提出的用戶竊電檢測模型，其具有魯棒性，準確性。后續需深入研究深度學習模型學習速度以壓縮檢測時間，能夠快速提取用戶日常用電信息，實現特征匹配優化，不斷滿足用電需求。