应用DBN深度学习算法的电能计量反窃电技术研究

2021-01-06刘岩袁瑞铭郑思达杨晓坤王玉君

计算技术与自动化 2021年4期

关键词：窃电

刘岩袁瑞铭郑思达杨晓坤王玉君

摘要：针对窃电问题严重阻碍建立公平、合理的用户秩序的问题，基于云计算的智能电网大数据处理平台SP-PPP （smart power system big data processing platform in cloud environment，SP-DPP），提出了融合自適应加权融合算法和深度置信网络DBN（Deep Belief Networks，DBN）学习算法的反窃电系统，采用DBN逐层贪婪训练算法对大数据进行处理，并利用双层RBM结构，构建出DBN深度学习算法，对获取的电能计量窃电信息进行归一化处理，将获取的宏观高纬度数据信息转换为容易识别和计算的低纬度数据。实验表明，本研究的算法识别率高，稳定性能好。

关键词：窃电;SP-DPP;自适应加权融合算法;深度置信网络;逐层贪婪训练算法

中图分类号：TM561 文献标识码：A

Abstract：Aiming at the problem of electricity theft seriously hindering the establishment of a fair and reasonable user order，An anti-theft system that combines adaptive weighted fusion algorithm and deep belief network （Deep Belief Networks， DBN） learning algorithm is proposed based on Smart power system big data processing platform in cloud environment （SP-DPP），big data is processed by using DBN layer-by-layer greedy training algorithm， and a DBN deep learning algorithm is constructed by using the double-layer RBM structure， which can normalize the acquired electricity metering information and convert the acquired macro high-latitude data information into low-latitude data that is easy to identify and calculate. Tests show that the algorithm of this study has high recognition rate and good stability.

Key words：electricity theft; SP-DPP; adaptive weighted fusion algorithm; deep confidence network; layer-by-layer greedy training algorithm

窃电是指一些违法分子在供电或者用电期间，采用隐秘的盗窃手段非法使用电能，最终以很少的成本用电，或者无成本用电。在电力经济技术发展的不断推动下，各个行业都离不开电能，在人们生活和企业生产过程中具有举足轻重的作用。因此，如果存在窃电行为，不仅给配电公司带来巨大的损失，也会由于窃电手段造成配电线路处于高危险状态，严重时，会导致漏电、失火，设置会危害人们的生命。因此，打击窃电行为、防止窃电是建立公平、安全的用电行为的重要手段。

现有技术中，如文献[1]虽然在表计及电路的原理上进行了改进，但是这手段仍旧是在改变电能表或者电能计量设备的硬件结构形式来防止窃电，这种方式虽然在一定程度上避免了窃电行为，但很难及时获取窃电信息，防窃效率不高[1]。文献[2]通过载波异常情况来监测窃电行为，虽然提高了窃电的警觉性，能够及时获取窃电信息，但是无法对获取的数据进行分类，识别性能差[2]。文献[3]通过离群点算法实现窃电的远程监控，通过距离分类判断，甄别出窃电用户，但是该方法并行计算性能差，计算出的范围比较宽，容易存在分类误差[3]。

1 反窃电系统模型的构建

针对上文计算的不足，本研究提出深度置信网络（Deep Belief Networks简称DBN）学习算法，以实现电能计量的反窃电。文献[4-5]虽然也利用DBN技术，但是其更多地是对可见层、多个隐藏层和输出层等网络节点的设置方面进行的讨论。在本研究设计中，采用了分布式网络设计的模式，并在分布式网络结构加入自适应加权融合算法模型，实现分布式DBN算法的融合，便于数据集中管理。其结构示意图如图1所示。通过采用该架构，不仅仅能够保留窃电数据信息的原始特征特点，还能够将原始数据的高纬度特点转换成低纬度信息，有利于用户研究、分析，提高了窃电数据分类效率，灵活性能好，本系统采用了云计算，使得大量的数据在几秒内完成计算，提高了数据的处理效率。

本研究应用了基于云计算的智能电网大数据处理平台SP-DPP（smart power system big data processing platform in cloud environment）实现防窃电电能信息的管理，应用DBN深度学习算法实现窃电信息学习、训练，通过自适应加权融合算法模型对传感器进行融合，分布式DBN深度学习算法训练出的数据进行融合，便于进行数据管理[6-7]。

1.1 大数据平台构建

该系统融合了SP-DPP云平台，该平台可以兼容多种IT相关功能，满足客户的多种需要。通过登录界面一键访问平台。具有较强的存储能力，该平台能够在电能表数据管理节点上调度，进而实现大数据的处理和分配。在对SP-DPP云平台的结构进行设置时，可以将其分为几个比较重要的模块。比如大数据存储与管理模块、任务分配与调度模块、大数据执行模块和客户端模块等[8]，其架构如图2所示。用户可以根据具体使用的需要，通过可扩展模块进行扩展使用。

1.2 数据融合算法

由于电能计量窃电数据来自多个传感器设备，各个传感器分布比较松散，需要对来自各个部位设置的数据信息进行统一，以便更好地对获取的数据集中进行管理。因此，采用了自适应加权融合算法，其算法模型如图3所示。

在上述实验中，采用了4组不同的数据样本，第一组数据的样本数量为25万个，第二组数据的样本数量为29万个，第三组数据的样本数量为24万个，第四组数据样本的数量为28万个。通过四组数据的验证，分别应用文献1、文献2、文献3以及贝叶斯模型作为对比分析，计算窃电信息识别率。由于这些算法均为成熟方法，其计算过程不再说明。然后将这几种方法与DBN深度学习算法模型进行比较，对比窃电信息识别率，计算公式为：

窃电信息识别率=总样本数量-识别数据量总样本数据量×100%（9）

下面对这几种算法的稳定性进行测试，现在对6天内的数据进行综合评估，以观测算法模型的稳定性情况。所谓的稳定性，是指在DBN深度学习算法模型在外界干扰信息影响下以及测量状态不同情况下所表现出的一种稳定性状态[21-22]。这种状态能够反映测量特性随时间的恒定程度。为了测量的方便，仅仅采用文献3和贝叶斯模型进行对比分析，对比曲线图如图5所示。

在图5中，横坐标的单位为天，数据统计为6天的数据信息，纵坐標表示稳定度百分比，其单位为%，其中稳定度的计算公式如下所示。

稳定度%=最大测量值-最小测量值测试平均值×100%

因此，根据上述公式可以，计算出的数值越小，则表示稳定度越好，计算出的数值越大，则表示稳定度越差。根据6天的数据情况，DBN深度学习算法模型稳定性能较好。相对于其他算法，训练较快，收敛时间较少，稳定性能好，识别率高。

4 结论

针对越来越严重的窃电现象，提出了新型的电能计量反窃电技术。设计出基于DBN深度学习算法模型的反窃电系统，并应用了云计算的智能电网大数据处理平台SP-DPP，实现数据的高容量存储和高速处理，又应用了数据融合算法，实现数据的快速处理，文中利用DBN深度学习算法模型构建出多层神经网络模型，对接收到的诸如图像、文本、语音等窃电数据信息进行训练、学习。通过试验，本研究方案比文献1、文献2、文献3以及贝叶斯模型的信息识别率较高，稳定度也好。

参考文献

[1]杨体. 对电能表防窃电的分析[J].电力自动化设备，2002， 22（3）：84-85.

[2]青志明，张宏艳，龙漪澜，等.基于载波异常监测的窃电行为判断方法[J].科学技术与工程，2018， 18（20）： 251-256.

[3]赵程超，张汉敬，景志敏，等.基于离群点算法和用电信息采集系统的反窃电研究[J].电力系统保护与控制，2015，43 （17）： 69-74.

[4]李丹丹，葛冰玉，黄文雯，等.DBN深度学习算法在反窃电系统中的应用[J].电信科学， 2019， 5（2）： 119-123.

[5]李丹丹，葛冰玉，黄文雯，等.DBN深度学习算法在反窃电系统中的应用研究[D].数字中国能源互联—2018电力行业信息化年会论文集[D].2018： 413.

[6]李新国.基于深度学习的图像分类及其在高光谱图像中的应用研究[J].南京航空航天大学.2016，（3）：1-79.

[7]朱大立，金昊，吴荻，等. 基于数据流深度学习算法的Android恶意应用检测方法[J].信息安全学报.2019（2）：57-72.

[8]李佳，徐胜超. 基于云计算的智能电网大数据处理平台[J].计算机工程与设计， 2018， 39（10）：81-87.

[9]吴文丽，刘馨卉，宋贵杰. 智能用电信息采集终端检测装置研究[J]. 自动化与仪表， 2015， 30（10）：71-75.

[10]蔡之鑫. DBN和MDBoost2在入侵检测中的应用[J].计算机科学与技术， 2016（11）：1-65.

[11]李晓蕊. 基于DBN模型的铁路异物侵限检测算法研究[J]. 电子测量技术， 2018（12）：128-132.