基于信息檢索及深度學習的電網非技術損耗檢測方法研究

常英賢　孫盼　樊靜雨　邵志敏

摘要：針對目前電力非技術檢測存在數據緯度高、不均衡等缺陷導致檢測性能較低的問題，提出了一種基于信息檢索及深度學習的電力系統非技術損耗檢測模型。首先，為提高數據多樣性，將電力數據進行二維編碼。其次，提出了一種基于注意機制的電力二維數據特征提取網絡，從而提取電力二維數據深層特征，并將這些特征轉換為文本特征。最后，基于文本相似性度量，檢索特定異常數據，從而提高電力系統非技術損耗檢測精度。實驗階段，以中國某電力公司提供的電力客戶數據集為例，與DenseNet121、InceptionV2、InceptionV3、MobileNet、ResNet50等模型進行性能對比。結果表明，所提特征提取網絡在遞歸圖中性能最優，前10平均精度為0.1898，前10平均召回率為0.0128。仿真結果進一步驗證了所提模型對電力系統安全管理及穩定運行提供了一定借鑒作用。

關鍵字：電力系統；非技術損耗；特征提取；二維編碼；卷積神經網絡

中圖分類號：TP393文獻標志碼：A文章編號：1001-2443（2023）06-0520-06

引言

隨著網絡、大數據、物聯網、通信技術［1-3］的不斷發展，電力系統每時每刻都在不停的接收新的信息。為此，可對這些海量數據進行分析，從而推動電力系統服務質量提升。

一般情況下，電力系統中存在兩種類型的損耗［4］：技術損耗和非技術損耗。技術損耗是由線路、變壓器和其他設備中的電阻元件加熱引起的損耗；非技術損耗主要由竊電、電表故障或計費錯誤引起。目前，電力系統非技術損耗檢測中的應用主要有兩種方案：基于數據統計［5］的方法和基于機器學習［6-8］的方法。統計方法的實施相對簡單，但一個重要缺點是只能判斷低壓站發生了竊電，無法準確定位非法用戶。如果要確定可疑用戶，需要手動逐個檢查該區域的所有用戶，效率較低，對檢測過程中檢測人員的素質提出了更高的要求。文獻［9］提出了一種新型的密集卷積神經網絡和隨機森林模型，實現了電力用戶竊電行為的檢測。文獻［7］提出了一種基于SDAE和雙模型聯合訓練的低壓用戶竊電檢測方法。盡管機器學習方法在圖像、信號等領域取得了良好的效果，但在NTL領域中實際使用時仍存在許多不足。首先，機器學習方法僅能針對特定問題，模型擴展性有限。其次，輸入特征的質量對檢測效果具有重要影響，然而特征的選取目前還仍未達成共識。

為改善上述問題，本文提出力一種基于信息檢索（Information retrieval，IR）機制的電力非技術損耗檢測方法。該方法卷積神經網絡（Convolutional neural network，CNN）從客戶用電量數據中提取相關特征，然后將這些深層特征編碼為文本特征。使用已知竊電客戶的電力消耗數據作為查詢，最終檢索出其他可疑的非技術損耗行為。

1 模型介紹

本節對基于信息檢索方法的非技術性損失檢測相關理論及系統框架進行介紹。

1.1 信息檢索技術

5 結論

本文建立了一種配電網網絡攻擊檢測模型，可基于信息檢索、電力二維數據特征提取網絡有效檢測電力中非技術損失，從而提高電力系統網絡攻擊檢測能力。該模型為電力系統安全管理及穩定運行提供了一定借鑒作用。

未來可對模型參數的優化配置和規模進行研究，從而進一步降低系統運行成本。

參考文獻

［1］ 毛龍燦，楊南.基于大數據背景的皮革人才培養優化研究［J］.中國皮革，2021，50（9）：38-41.

［2］ 楊濤.互聯網時代下皮革行業電商物流體系研究分析［J］.中國皮革，2021，50（8）：82-85.

［3］ 鐘建栩，余少鋒，廖崇陽，等.基于云計算的電力設備智能監測系統［J］.云南師范大學學報（自然科學版），2022，42（3）：37-41.

［4］ 楊軍亭，張自強，馬振祺，等.基于智能預警的一體化配電網竊電風險預防分析［J］.信息技術，2021（12）：55-59.

［5］ 陳曦，宋純賀，王天然.大范圍低壓供電區電力消費及竊電規律研究［J］.太原理工大學學報，2022，53（1）：71-79.

［6］ 肖丁，張玙璠，紀厚業.基于多頭注意力機制的用戶竊電行為檢測［J］.計算機科學，2022，49（1）：140-145.

［7］ 招景明，唐捷，潘峰，等.基于SDAE和雙模型聯合訓練的低壓用戶竊電檢測方法［J］.電測與儀表，2021，58（12）：161-168.

［8］ 林振智，崔雪原，金偉超，等.用戶側竊電檢測關鍵技術［J］.電力系統自動化，2022，46（5）：188-199.

［9］ 蔡嘉輝，王琨，董康，等.基于DenseNet和隨機森林的電力用戶竊電檢測［J］.計算機應用，2021，41（S1）：75-80.

Research on Power Grid Non-Technical Loss Detection Method Based on Information Retrieval and Deep Learning

CHANG Ying-xian 1， SUN Pan 2， FAN Jing-yu 1， SHAO Zhi-min 1

（1.State Grid Shandong Electric Power Company， Jinan 250001， China；2.Beijing CLP Puhua Information Technology Co.， LTD.， Beijing 100192， China）

Abstract： A Power system non-technical loss detection model based on information retrieval and deep learning is proposed to cope with the problem of low detection performance caused by high data latitude and imbalance in current power non-technical detection. Firstly， in order to improve the diversity of data， the power data is encoded in two dimensions. Secondly， a power 2D data feature extraction network based on attention mechanism is proposed to extract the deep features of power 2D data and convert these features into text features. Finally， based on the text similarity measure， specific abnormal data are retrieved， so as to improve the accuracy of power system non-technical loss detection. In the experimental stage， taking the power customer data set provided by a Chinese power company as an example， the performance is compared with DenseNet121， InceptionV2， InceptionV3， MobileNet， ResNet50 and other models. The results show that the performance of the proposed feature extraction network is the best in the recursive graph. The average accuracy of the top 10 is 0.1898 and the average recall rate of the top 10 is 0.0128. The simulation results further verify that the proposed model provides a certain reference for power system security management and stable operation.

Key words： power system; non technical losses; feature extraction; two dimensional coding; convolutional neural network

（責任編輯：馬乃玉）

收稿日期：2022-09-21

基金項目：電力物聯網移動應用安全分析關鍵技術研究項目（520626220019）.

作者簡介：常英賢（1980—），男，山東濟寧市人，高級工程師，主要研究方向：數據管理，大數據應用，企業數字化，雙碳.

引用格式：常英賢，孫盼，樊靜雨，等.基于信息檢索及深度學習的電網非技術損耗檢測方法研究［J］.安徽師范大學學報（自然科學版），2023，46（6）：520-525