基于數據潛在規律挖掘的用戶側竊電智能監測技術優化

上官霞 張航

摘 要：提出基于數據潛在規律挖掘的用戶側竊電行為識別方法。在數據清洗的基礎上，利用拉格朗日插值法對缺失數據實施插值填補操作，利用最小-最大標準化方法對插值處理后的用電數據實施標準化處理。然后基于主成分分析設計用戶側用電數據潛在規律挖掘過程，將挖掘結果作為基于L0稀疏超圖半監督學習的竊電行為識別方法的識別樣本，識別用戶用電行為是否存在竊電行為。結果顯示：該方法可準確識別用戶側竊電行為，對多個用戶用電行為的識別結果符合實際。當正則化參數為0.85時，其對用戶側用電行為的識別結果最可靠。

關鍵詞：數據挖掘；潛在規律；用戶側；識別

中圖分類號：TP391

文獻標志碼：A

文章編號：1001-5922（2023）06-0150-05

Identification method of user side electricity stealing behavior based on data latent rule mining

SHANG Guanxia，ZHANG Hang

（State Grid Fujian Electric Power Co.，Ltd.，State Grid Fujian Communication Company Fuzhou，350001，China

）

Abstract：In order to accurately identify the behavior of stealing electricity from the user side，this study proposes a method of identifying the behavior of stealing electricity from the user side based on data mining.On the basis of data cleaning，Lagrange interpolation method is used to fill the missing data，and minimum-maximum standardization method is used to standardize the electricity consumption data after interpolation.Then，based on principal component analysis，the mining process of the potential rule of user side power consumption data is designed，and the mining results are used as the identification sample of the method based on L0 sparse hypergraph semi-supervised learning to identify whether the user's power consumption behavior is stealing.Experimental results show that this method can accurately identify the behavior of stealing electricity from the user side，and the recognition results of multiple users' behavior are in line with the reality.In the practical application of the method，when the regularization parameter is 0.85，the identification result of user side power consumption behavior is the most reliable.

Key words：data mining;latent law;user side;Identify

智能電網可以實時采集用戶的用電數據，并實時分析與處理。在此過程中，在電能傳輸、電能應用等程序中會產生大量的用戶側用電數據，針對漏電、竊電行為，電力企業會采取大數據、人工智能技術實現電力數據檢測與分析。在過去，電力企業主要通過稽查人員以現場排查的模式，檢查用戶側是否存在異常用電行為。此類方法在應用過程中，要求負責現場稽查的工作人員必須具備充足的先驗知識，且該過程費時費力，資源存在浪費情況。當稽查人員抵達現場排查時，用電異常行為或已存在，此時的竊電行為已產生不良后果［1］。

目前，用戶側竊電行為識別這一問題已有很多學者對此進行大量研究，如文獻［2］中使用局部離群點檢測技術，檢測低壓臺區用戶是否存在竊電行為，此方法可高精度檢測低壓臺區用戶的竊電行為；但局限于低壓臺區用戶，適用范圍較小。文獻［3］中使用實值深度置信網絡識別用戶竊電行為，此方法在應用過程中，需要對深度置信網絡進行多次訓練，此環節會耗費過多時間，導致竊電行為的識別實時性變差。文獻［4］中使用堆疊去相關自編碼器提取用戶側用電數據特征后，通過支持向量機分類用戶側用電數據特征是否存在異常，以此實現竊電行為識別。雖然此方法結構清晰，操作簡單，但支持向量機對大規模用電數據計算速度較慢，導致此方法時效性較差。

數據潛在規律挖掘屬于數據挖掘的核心技術，在電力領域屬于常用方法之一。使用此技術可以全面挖掘用戶側用電數據的潛在規律，實用性顯著。且通過有效、合理的用戶側竊電行為識別方法能夠優化智能用電系統的服務狀態，降低電力企業的損失程度，減少電力企業的運營成本，且能夠減少人力與物力的耗費量，最重要的是，可以實時監測智能電網用戶側是否存在異常用電模式，防止因為此問題而出現大范圍的用電故障。因此，結合研究背景與原有研究基礎，本文提出基于數據潛在規律挖掘的用戶側竊電行為識別方法，以期為用戶側竊電行為識別工作提供可應用方法。

4 實驗結果與分析

為了測試上述設計的基于數據潛在規律挖掘的用戶側竊電行為識別方法在實際工作中的應用效果，設計如下實驗過程。

在國家電網中隨機提取6個用電用戶的用電記錄，此記錄中的2個用戶在線下排查中被判斷成存在用戶側竊電行為，剩下的用戶不存在竊電行為，用戶1、用戶2屬于竊電用戶，用戶3～用戶6屬于正常用戶。在用戶側用電數據中，提取2位竊電用戶的用電數據趨勢，結果如圖2、圖3所示。在圖2、圖3中，考慮到每個用戶的用電量差異較大，所以，本方法將其用電量實施標準化處理，將用電量約束在0～1 kW·h。

從圖2、圖3可以看出，該竊電用戶的用電量以逐漸變少趨勢為主。其中，竊電用戶1在100～140 h存在缺失數據；竊電用戶2在40～100 h存在缺失數據。為此，使用本方法對其進行插補預處理，處理后結果如表1所示。

由表1可知，在應用本方法進行數據插補前，竊電用戶1在100～140 h存在缺失數據、竊電用戶2在40～100 h存在缺失數據，不利于其用電數據的整體分析，從而直接影響竊電行為的識別效果。本方法插補后，2位用戶的用電數據完整，用電數據補足，可保證用戶側竊電行為識別結果不會因數據缺失而出現嚴重的識別誤差。

為了判斷本方法對用戶側竊電行為的識別效果，在不標識用戶用電行為的前提下，直接使用本方法識別6位用戶用電行為，其對這6位用戶用電行為的識別結果如圖4所示。

從圖4可以看出，本方法認為用戶1與用戶2屬于竊電用戶，存在竊電行為，結合實際信息可知，本方法識別結果準確。

正則化參數（）具備調整用戶側竊電行為識別精度和超圖拉普拉斯正則項的作用。為此，本方法應用時，需要合理設置的數值，使用規范化互信息NMI指標測試在不同取值下，本方法對竊電行為的識別效果，測試結果如圖5所示。規范化互信息（NMI） 指標可體現用戶用電行為識別結果的可靠性，規范化互信息越接近于1，表示識別結果可靠性越顯著。

從圖5可以看出，當正則化參數的數值為0.85時，本方法對2個用戶竊電行為識別后，規范化互信息指標最高，此時竊電行為識別結果最可靠。

6 結語

（1）本方法插補前，竊電用戶1、用戶2的用電數據在不同時間段均存在缺失數據，不利于其用電行為的識別。本方法插補后，2位用戶的用電數據補足；

（2）基于6位用戶側用電數據之上，本方法認為用戶1與用戶2屬于竊電用戶；

（3）當正則化參數的數值為0.85時，本方法對2個用戶竊電行為識別后，規范化互信息指標最高。為此，本方法在實際應用中需要將正則化參數設為0.85。

【參考文獻】

［1］ 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.

［2］ 耿俊成，張小斐，周慶捷，等.基于局部離群點檢測的低壓臺區用戶竊電識別［J］.電網與清潔能源，2019，35（11）：30-36.

［3］ 張承智，肖先勇，鄭子萱.基于實值深度置信網絡的用戶側竊電行為檢測［J］.電網技術，2019，43（3）：1083-1091.

［4］ 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）：119-125.

［5］ 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.

［6］ 武超飛，孫沖，劉廈，等.基于改進FCM聚類的竊電行為檢測［J］.電力科學與技術學報，2021，36（6）：164-170.

［7］ 付青，匡文凱，薛陽，等.基于高斯核密度估計法的路燈竊電檢測方法［J］.電力系統及其自動化學報，2021，33（10）：18-23.

［8］ 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.

［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.

［10］ 趙云，肖勇，曾勇剛，等.一種相關性與聚類自適應融合技術竊電檢測方法［J］.南方電網技術，2021，15（9）：69-74.

［11］ 鄧高峰，趙震宇，王珺，等.基于改進自編碼器和隨機森林的竊電檢測方法［J］.中國測試，2020，46（7）：83-89.

［12］ 閆嵩琦.數據防泄漏技術的電網信息化安全控制研究［J］.粘接，2022，49（7）：137-140.

［13］ 陳向群，肖湘奇，黃瑞，等.配電網竊電檢測與預防策略［J］.湖南科技大學學報（自然科學版），2020，35（4）：56-66.