基于神經架構搜索的智能電表竊電識別方法研究

摘 要：本文基于神經架構搜索技術，利用大規模智能電表數據進行訓練，自動判斷電流、電壓和功率特征，旨在提高竊電行為的準確識別度并降低誤報率。本文采用神經架構搜索算法構建的竊電識別模型，更精準地識別竊電行為。研究的最終目標在于加強供電公司對竊電行為的監測，提高打擊能力，保障電網安全、穩定地運行。該方法的應用十分廣泛，可推動智能電表技術的發展，為電力行業提供更高效的管理手段。

關鍵詞：神經架構搜索；智能電表；竊電行為

中圖分類號：TM 73 " " " " " " " " 文獻標志碼：A

傳統的竊電識別方法主要是人工檢測與統計分析，存在識別準確性低、易受人為因素影響等問題。為了提高竊電行為的識別效果，研究人員開始應用機器學習和深度學習技術。其中，基于神經架構搜索的智能電表竊電識別方法成為研究的熱點。

1 問題闡述

本文的主要目標是利用智能電表采集電力用戶的真實用電量數據，通過分析數據缺失信息，對竊電行為檢測模型進行優化與改良。為實現該目標，本文引入神經架構搜索算法。該算法能夠自動定義用電特征并計算竊電嫌疑度，從而將用戶分為高或低竊電嫌疑度組別。該算法通過測算用戶的竊電嫌疑度，判斷該用戶是否存在竊電行為。本文設竊電懷疑度為P。當P≥0.5時，表示該用戶竊電懷疑度高，其發生竊電行為的概率較大；當Plt;0.5時，表示該用戶竊電懷疑度低，通常情況下不存在竊電行為[1]。本文調取中國國家電網中的公開數據，總結了42373個用戶在1036天內的用電數據，并通過試驗分析，論證了基于該算法構建的切點識別模型的有效性。

2 數據輸入

本文將收集的數據轉化為m×n數據矩陣，其中n表示用戶數量，m表示時間節點數據，如公式（1）所示。

（1）

式中：Xn為第n個用戶的用電量數據序列。

本文中，n=42373，m=1029。考慮計算的簡便性，剔除最后7天的數據，以便將數據轉化為矩陣。在此基礎上，利用卷積神經網絡，將矩陣X轉變為數據張量，即X'（42373×147×7），最終得到Xi'（147×7）。將數列設定為7列，對應一周7天的用電周期，以便進行對比，如公式（2）所示。

（2）

3 基于神經架構搜索的竊電識別方法

隨著人工智能技術快速發展，作為深度學習中的一個新興領域，神經架構搜索被廣泛應用于眾多場景。竊電識別是電力系統中的關鍵問題，本文引入神經框架搜索對其進行優化，旨在提高檢測精確度和效率。

3.1 基于貝葉斯優化的神經架構搜索方法

在竊電識別的應用中，基于貝葉斯優化的神經架構搜索可以有效縮短模型搜索時間，快速定位到具有高精度識別能力的神經網絡結構[2]。本文將一個準確度較高的竊電識別神經網絡結構設定為F，成本函數設定為Cost（·），用電數據集D分為訓練集Dtrain和測試集Dval。假設存在一個最優神經網絡結構f*，如公式（3）、公式（4）所示。

f*=argminf∈FCost（f（θ*），Dval） （3）

θ*=argminθL（f（θ），Dtrain） （4）

式中：θ*為f的結構參數；F為覆蓋全部神經架構。

3.2 基于神經架構搜索的竊電識別模型

本文構建的竊電識別模型由卷積層、全連接層和輸出層組成。卷積層負責從輸入的電表數據中自動提取有用的局部特征。全連接層負責將這些特征進行整合，可將提取的多維特征向量壓縮為一個更低維度的特征空間，從而用于最終的分類或回歸任務[3]。輸出層負責對整合后的特征進行加權求和，并輸出一個表示竊電嫌疑度的數值。該層會使用Sigmoid或者Softmax作為激活函數，以便輸出1個0～1的概率值。

3.3 竊電檢測流程

需要收集足夠的電力使用數據，包括正常使用和竊電情況。數據需要經過清洗、歸一化和標注等預處理步驟，使其適用于后續的模型訓練。在此階段，本文應用神經框架搜索進行模型自動搜索。利用貝葉斯優化或其他策略，系統會自動評估并選擇最佳的神經網絡架構。選定最佳網絡架構后，使用標注的數據進行模型訓練。利用深度學習技術，模型會學習到竊電和正常用電間的區別。一旦模型訓練完成，就可以使用該模型對新的電力使用數據進行竊電識別[4]。

4 性能評估

4.1 數據集

本文將數據集導入竊電識別模型，去除數據中顯示為“Nan”的數據，剩余數據均為真實有效的用電數據。對有效數據進行預處理，最終得到竊電識別數據（見表1）。

4.2 數據預處理

不同用戶的用電量差異巨大，為避免出現甲用戶與乙用戶在單位時間內用電量下降比例不同，需要對過濾后的有效數據進行歸一化運算，將原始數據轉變為無綱數，如公式（5）所示。

（5）

式中：W為原始數據序列；W'為經過歸一化處理的數據序列。

4.3 驗證方法

本文引入多折交叉驗證模型。該模型適用于僅有一個預測目的場景，與本文研究的“預測用戶是否為竊電用戶”的目標一致。

4.4 性能指標

通常情況下，在一個大的供電區域中，有竊電行為的用戶數量極少，因此在利用用戶用電數據判斷竊電行為的過程中，正常用電數據與竊電用戶的用電數據比例差異懸殊，如果采用傳統的準確率比較，就容易出現誤差。其原因在于絕大用戶被判定為“非竊電用戶”，該判斷的準確率通常會超過90%，但該判斷結果無法準確反映本文設計的竊電識別算法的性能。因此，本文引入精準率評價指標、召回率評價指標以及綜合評價指數F1，將3項指標代入折交叉驗證法中，進而印證基于神經網絡搜索算法的竊電識別模型的有效性[5]。這3項指標的計算過程如公式（6）～公式（8）所示。

（6）

（7）

（8）

式中：Precision為精準評價指數；Recall為召回率評價指數；TP為“竊電用戶集”中被判定為竊電用戶的用戶數；EP為“正常用戶集”中被判定為竊電用戶的用戶數；FN為“竊電用戶集”中被判定為正常用戶的用戶數。

竊電檢測工作的核心是確保準確性和查全率。如果檢測方法不夠準確，可能會導致誤判，從而引發不必要的人力和物力投入，甚至可能侵害無辜消費者的權益。相反，如果檢測方法查全率低，可能會導致許多竊電行為逍遙法外，從而加劇電力公司的經濟損失。因此，本文引入F1分數作為評價指標。該指標是查全率（召回率）和查準率（精確率）的調和平均值。查全率反映了檢測方法查出所有竊電行為的能力，查準率則反映了被檢測出來的竊電行為中真實竊電行為的比例。F1分數綜合考慮了這2個方面，為相關研究人員提供了一個全面、準確的評估工具。通過不斷優化竊電檢測方法，提高F1分數，電力公司能更有效地打擊竊電行為，確保誠信和公平。

4.5 試驗結果

神經框架搜索算法竊電識別模型混淆矩陣見表2，其中TN為“正常用戶集”中被判定為正常用戶的用戶數量。分析表2中的數據可以發現，FN的280個用戶被劃入“竊電用戶集”的主要原因在于這部分用戶缺失值信息較少，該模型無法利用缺失值信息對其進行準確識別。被該模型識別為竊電用戶與非竊電用戶的電力用戶數量分布如圖1所示。

隨機從“使用原始數據”的簇和“使用特征提取”的簇中調取9位用戶的用電數據，并對該數據進行可視化轉化（如圖2所示）。

圖2中，橫軸為用電天數，縱軸為月數，其中黃色部分為“有數據缺失”的用電數據。分析圖2可以明顯看出，未被該模型識別為“竊電用戶”的缺失值很少，其平均數量僅為6；而被判定為“竊電用戶”的數據中，存在數據缺失的數據數量較多，平均為539個。由此可以證明，利用數據缺失信息能夠較準確地判斷用戶是否存在竊電行為。

需要注意的是，上述試驗采集數據的間隔為1天。如果用戶采用打開電表蓋子的方式進行竊電且“開蓋→修改數據”行為發生在一天之內，則模型不會讀取到該用戶存在數據缺失的問題。因此，如果僅使用缺失值信息來判斷用戶是否有竊電行為，則無法檢測出使用開蓋修改數據方式進行竊電活動的用戶。針對該問題，本文嘗試將開蓋數據與存在缺失值的數據進行融合，令該模型能夠覆蓋絕大多數竊電行為判斷場景。此外，對“正常用戶集”中被判斷為“竊電用戶”的81個用戶進行深入分析可知，產生誤判的主要原因如下。1）在采集數據過程中會有一定的數據包丟失概率，導致該用戶的用電數據不完整，進而導致模型判斷錯誤。2）集中器發生故障，導致用戶的用電數據丟失，被模型判斷為“竊電用戶”。

5 結論

本文采用基于神經架構搜索的方法對智能電表進行竊電識別，取得了一定成果。該成果揭示了在電能竊取行為中，基于神經架構搜索的模型具有較好的性能和高效的特征學習能力。在理論方面，本文深入挖掘了神經架構搜索的潛力，為智能電表竊電識別領域提供了新的思路和方法。自動搜索合適的神經網絡結構可以大幅減少人工設計模型的工作量，并能獲得更好的性能。在實際應用方面，基于神經架構搜索的智能電表竊電識別方法具有實際應用價值。準確識別電能竊取行為可以幫助電力公司及時發現非法竊電行為，有效降低電網安全風險和經濟損失。未來可以進一步優化搜索算法、提高效率，并結合硬件優化等技術進行應用。此外，本文使用的數據集也可以進一步擴充和完善，以提高模型的泛化能力和適用性，為電力系統的安全與管理做出更大貢獻。

參考文獻

[1]湯淵，吳裕宙，蘇盛，等.基于改進深度極限學習機的光伏擴容用戶識別方法[J].電力系統及其自動化學報，2022，35（11）：13-16.

[2]鄒念，張穎，蘇盛，等.基于小時尺度周期特征自編碼器的用戶竊電識別方法[J].電網技術，2023，47（6）：2558-2567.

[3]馮小峰，姚誠智，楊俊華.基于Stacking集成學習的竊電檢測研究[J].電測與儀表，2023，12（8）：10-12.

[4]劉文浩，馮玥，姜東良.基于AMI數據驅動的竊電用戶識別研究[J].制造業自動化，2022，44（11）：5-8.

[5]夏睿，高云鵬，朱彥卿，等.基于SE-CNN模型的竊電檢測方法研究[J].電力系統保護與控制，2022，50（20）：117-126.