基于递归小波神经网络的敏感台区反窃电监测方法

李骁 赵曦 王兆军 任大为 刘丽君 刘志美

摘 要：当前敏感台区反窃电监测方法在面对连续监测状况时，监测数据中含有大量噪声数据和无用数据，导致对窃电行为的诊断依据不足，为解决该问题，提出基于递归小波神经网络的敏感台区反窃电监测方法。利用A/D采集电路和互感器采集用户用电数据，通过数据预处理剔除噪声数据和无用数据，同时使数据归一化。在此基础上，提取用电数据特征，并从电流、电压、功率因数、电量四个方面确定窃电行为判别指标，将数据与特征值输入至递归小波神经网络中，结合判别指标输出精准的窃电行为判别结果，实现敏感台区反窃电监测。实验结果表明，研究方法能够准确捕捉到功率因数的变化，窃电行为判别时间短，敏感台区反窃电监测效果更优。

关键词：递归小波神经网络;敏感台区;反窃电监测;判别指标;数据归一化

中图分类号：TM73      文献标识码：A

Abstract：The current anti-electric theft monitoring methods in sensitive stations face continuous monitoring conditions， and the monitoring data contains a large amount of noise data and useless data， resulting in insufficient diagnosis basis for electric theft behavior. To solve this problem， a recursive wavelet neural network is proposed. Anti-theft monitoring method in sensitive station area. Use A/D acquisition circuit and transformer to collect user electricity data， remove noise data and useless data through data preprocessing， and normalize the data at the same time. On this basis， the characteristics of electricity consumption data are extracted， and the identification indicators of electricity theft behavior are determined from four aspects of current， voltage， power factor， and electricity. The data and feature values are input into the recursive wavelet neural network， and the identification indicators are combined to output accurate. The result of discrimination of electricity theft conducts anti-electricity theft monitoring in sensitive stations. The experimental results show that the research method can accurately capture the power factor changes， the time for discriminating power theft behavior is short， and the anti-power theft monitoring effect is better in the sensitive area.

Key words：recursive wavelet neural network; sensitive station area; anti stealing monitoring; discrimination index; data normalization

近几年，违规用电行为越来越多，并且逐渐向着多样化、隐藏化方向发展，现场检查存在人力不足、行动盲目，执行力差等问题，造成了严重的社会不良影响[1-2]。对此，有学者研究出了相关的敏感台区反窃电监测方法，通过对台区用户数据采集和智能分析，降低并确定查窃范围，极大地提高了查处窃电行为的效率[3-4]。当前使用的敏感台区反窃电监测方法多数是基于用电信息采集大数据的监测方法或基于动态模拟技术的监测方法[5]。基于用电信息采集大数据的监测方法需要大量人力才能维持工作的正常进行，在监测中容易受到工作人员主观因素的影响，导致监测结果不准确;基于动态模拟技术的监测方法主要通过模拟现实生活的方法，找出窃电用户的行为规律，进而达到反窃电监测的目的[6]。但是以上监测方法在面对连续监测状况情况下，采集到的数据中存在大量的噪声数据和无用数据，导致窃电行为的诊断依据不足[7]。针对这一情况，设计基于递归小波神经网络的敏感台区反窃电监测方法。

1 敏感台区反窃电监测方法设计

1.1 用电数据采集

窃电行為会引起供电系统中的电量等参数发生变化，只有采集供电系统电量相关参数，才能准确捕捉到窃电行为发生时刻与数据异常波动。在数据采集过程中，考虑数据实时性的需求，使用A/D采集电路，通过设置采样频率、输入电压等参数实现敏感台区用电数据的采集[8]。

采集电路中主要通过A/D转换芯片AD7606来采集数据[9]。AD7606芯片中包括8个采样通道，在多通道采样过程中不需要CLK时钟信号，节省芯片数量，降低经济成本[10]。其中，引脚3、4、5是采样模式引脚，控制这三个引脚的逻辑输入就可以调节AD的采样倍数，在实际使用过程中，可根据实际需求调节采样倍数[11]。在设计中，要考虑到实际的采样速率需求，最大程度地节省接口资源，由控制器输出逻辑1来控制引脚8，再将将引脚9和引脚10连接在一起，保证两个转换电路转换同时进行。设计的电压采样调理电路和电流采样调理电路如下所示。

采集到的用电数据中主要包括电流信号和电压信号，使用电流互感器及电压互感器获取线路中的电流及电压信号，实现电能计量及负荷信号的连续性测量，以应对窃电行为的变化[12]。针对电压互感器和电流互感器设计信号调理电路，在互感器的后端输出一个小电流信号，通过调节取样电阻的大小控制输出端的电压值，将输出电压送入A/D采集电路中，读取相应的电压和电流值[13]。

1.2 数据预处理

在提取用电数据特征之前，需要去除采集到的数据中的噪声数据和无关数据。由于数据序列的中值对噪声数据和无关数据的灵敏度远远小于序列的平均值，采用中值数据绝对偏差的决策滤波器剔除噪声数据和无关数据[14]。在当前时刻t，建立一个宽度为a（奇数）的移动窗口：

通过上述过程获得最终的窃电行为诊断结果，实现敏感台区反窃电监测。

2 实验设计

2.1 实验数据

在实验数据准备过程中，抽取某市供电局电能计量系统中509个居民用户三个月的用电负荷数据，数据采集时间间隔为15 min。在数据抽取完成后，将数据记录中出现连续10个以上负荷值为0或缺失，再者数据中所有负荷值都一样的情况，将这些异常数据剔除掉。对数据进行剔除处理后，对部分缺失的数据进行填充处理，对每个用户的负荷曲线数据采用加权平均值的方法获取用户的典型日负荷曲线，计算监测时间段的用户负荷曲线与其日负荷曲线之间的匹配度，筛选出27个疑似窃电用户，经过归一化处理后部分数据显示如表1所示。

基于上述的实验数据样本，使用基于用电信息采集大数据的监测方法、基于动态模拟技术的监测方法以及研究方法对上述的窃电用户行为进行判定，获取反窃电监测结果。

2.2 实验结果分析

2.2.1 总功率因数变化

使用不同的监测方法计算出用户数据的总功率因数变化并分析，用户总功率因数变化如表2所示。

观察表中数据，传统的两种监测方法在各个时间段内的变化没有明显的异常的情况，所提方法在21：00～06：00时间段内监测到用电异常，功率因数也出现不稳定。结合监测曲线结果，说明所提的基于递归小波神经网络的敏感台区反窃电监测方法能够准确地监测出窃电行为，并且判定依据更完整。

2.2.2 判别时间

在此基础上，比较不同方法的敏感台区窃电行为的判别时间，判别时间越短，效率越高。三种方法的判别时间比较结果如图3所示。

分析图3可知，与两种传统方法相比，研究方法对于敏感台区窃电行为的判别时间始终在0.25 s以下，说明该方法能够快速判别敏感台区窃电行为。

2.2.3 反窃电监测效果

使用第三方软件输出不同的反窃电监测方法实验结果，具体结果如图4所示。

在实验中选择的数据均为窃电用户数据，监测的结果应显示出用户数据曲线与高压侧数据曲线存在一定的偏离，通过对比观察发现图4（a）和图4（b）中两条曲线并没有明显偏离，只有图4（c）中显示出严重的偏离，说明研究方法对于敏感台区反窃电监测的效果更好，具有实际应用价值。

3 结 论

为判定敏感台区用户窃电行为，引入递归小波神经网络，设计敏感台区反窃电监测方法。通过实验数据采集、数据预处理、用电数据特征提取、确定窃电行为判别指标、诊断用户窃电行为实现敏感台区反窃电监测。实验结果表明，该方法监测效果更好，验证了该方法的可行性。但是方法中仍存在着一些不足之处，对采集数据的划分力度不够，难以面对窃电手段的大幅度变化，因此需要对敏感台区反窃电监测方法的研究仍需深化。

参考文献

[1]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，2019，35（2）：113-117.

[2]李端超，王松，黄太贵，等.基于大数据平台的电网线损与窃电预警分析关键技术[J].电力系统保护与控制，2018，46（5）：143-151.

[3]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）：246-251.

[4]王德文，杨凯华.基于生成式对抗网络的窃电检测数据生成方法[J].电网技术，2020，44（2）：775-782.

[5]窦健，刘宣，卢继哲，等.基于用电信息采集大数据的防窃电方法研究[J].电测与仪表，2018，55（21）：43-49.

[6]章梦哲， 徐文忠， 周亚静，等. 一种基于动态模拟技术的新型智能反窃电仿真装置的研究与开发[J]. 科学家， 2016， 4（9）：47-48.

[7]王庆宁，张东辉，孙香德，等.基于GA-BP神经网络的反窃电系统研究与应用[J].电测与仪表，2018，55（11）：35-40.

[8]胡天宇，郭庆来，孙宏斌.基于堆叠去相关自编码器和支持向量机的窃电检测[J].电力系统自动化，2019，43（1）：119-127.

[9]史玉良，荣以平，朱伟义.基于用电特征分析的窃电行为识别方法[J].计算机研究与发展，2018，55（8）：1599-1608.

[10]严宇平，萧展辉，吴珣，等.基于风险的窃电事件持续时长预测[J].科技通报，2019，35（11）：113-117.

[11]趙文清，沈哲吉，李刚.基于深度学习的用户异常用电模式检测[J].电力自动化设备，2018，38（9）：34-38.

[12]朱永灿，黄新波，张冠军，等.输电线路在线监测设备供电电源应用分析[J].高压电器，2018，54（7）：231-236.

[13]曲禾笛，李坚，张志豪，等.服务于用电设备的快速辨识边沿检测方法研究[J].中国电机工程学报，2018，38（15）：4566-4575+4657.

[14]孙毅，崔灿，张璐，等.智能用电非侵入式负荷监测系统研究[J].电力科学与技术学报，2019，34（2）：155-160.

[15]马立新，徐聪.基于SOM神经网络的电网谐波源检测与定位研究[J].控制工程，2018，25（5）：709-715.