基于信息检索及深度学习的电网非技术损耗检测方法研究

常英贤　孙盼　樊静雨　邵志敏

摘要：针对目前电力非技术检测存在数据纬度高、不均衡等缺陷导致检测性能较低的问题，提出了一种基于信息检索及深度学习的电力系统非技术损耗检测模型。首先，为提高数据多样性，将电力数据进行二维编码。其次，提出了一种基于注意机制的电力二维数据特征提取网络，从而提取电力二维数据深层特征，并将这些特征转换为文本特征。最后，基于文本相似性度量，检索特定异常数据，从而提高电力系统非技术损耗检测精度。实验阶段，以中国某电力公司提供的电力客户数据集为例，与DenseNet121、InceptionV2、InceptionV3、MobileNet、ResNet50等模型进行性能对比。结果表明，所提特征提取网络在递归图中性能最优，前10平均精度为0.1898，前10平均召回率为0.0128。仿真结果进一步验证了所提模型对电力系统安全管理及稳定运行提供了一定借鉴作用。

关键字：电力系统；非技术损耗；特征提取；二维编码；卷积神经网络

中图分类号：TP393文献标志码：A文章编号：1001-2443（2023）06-0520-06

引言

随着网络、大数据、物联网、通信技术［1-3］的不断发展，电力系统每时每刻都在不停的接收新的信息。为此，可对这些海量数据进行分析，从而推动电力系统服务质量提升。

一般情况下，电力系统中存在两种类型的损耗［4］：技术损耗和非技术损耗。技术损耗是由线路、变压器和其他设备中的电阻元件加热引起的损耗；非技术损耗主要由窃电、电表故障或计费错误引起。目前，电力系统非技术损耗检测中的应用主要有两种方案：基于数据统计［5］的方法和基于机器学习［6-8］的方法。统计方法的实施相对简单，但一个重要缺点是只能判断低压站发生了窃电，无法准确定位非法用户。如果要确定可疑用户，需要手动逐个检查该区域的所有用户，效率较低，对检测过程中检测人员的素质提出了更高的要求。文献［9］提出了一种新型的密集卷积神经网络和随机森林模型，实现了电力用户窃电行为的检测。文献［7］提出了一种基于SDAE和双模型联合训练的低压用户窃电检测方法。尽管机器学习方法在图像、信号等领域取得了良好的效果，但在NTL领域中实际使用时仍存在许多不足。首先，机器学习方法仅能针对特定问题，模型扩展性有限。其次，输入特征的质量对检测效果具有重要影响，然而特征的选取目前还仍未达成共识。

为改善上述问题，本文提出力一种基于信息检索（Information retrieval，IR）机制的电力非技术损耗检测方法。该方法卷积神经网络（Convolutional neural network，CNN）从客户用电量数据中提取相关特征，然后将这些深层特征编码为文本特征。使用已知窃电客户的电力消耗数据作为查询，最终检索出其他可疑的非技术损耗行为。

1 模型介绍

本节对基于信息检索方法的非技术性损失检测相关理论及系统框架进行介绍。

1.1 信息检索技术

5 结论

本文建立了一种配电网网络攻击检测模型，可基于信息检索、电力二维数据特征提取网络有效检测电力中非技术损失，从而提高电力系统网络攻击检测能力。该模型为电力系统安全管理及稳定运行提供了一定借鉴作用。

未来可对模型参数的优化配置和规模进行研究，从而进一步降低系统运行成本。

参考文献

［1］ 毛龙灿，杨南.基于大数据背景的皮革人才培养优化研究［J］.中国皮革，2021，50（9）：38-41.

［2］ 杨涛.互联网时代下皮革行业电商物流体系研究分析［J］.中国皮革，2021，50（8）：82-85.

［3］ 钟建栩，余少锋，廖崇阳，等.基于云计算的电力设备智能监测系统［J］.云南师范大学学报（自然科学版），2022，42（3）：37-41.

［4］ 杨军亭，张自强，马振祺，等.基于智能预警的一体化配电网窃电风险预防分析［J］.信息技术，2021（12）：55-59.

［5］ 陈曦，宋纯贺，王天然.大范围低压供电区电力消费及窃电规律研究［J］.太原理工大学学报，2022，53（1）：71-79.

［6］ 肖丁，张玙璠，纪厚业.基于多头注意力机制的用户窃电行为检测［J］.计算机科学，2022，49（1）：140-145.

［7］ 招景明，唐捷，潘峰，等.基于SDAE和双模型联合训练的低压用户窃电检测方法［J］.电测与仪表，2021，58（12）：161-168.

［8］ 林振智，崔雪原，金伟超，等.用户侧窃电检测关键技术［J］.电力系统自动化，2022，46（5）：188-199.

［9］ 蔡嘉辉，王琨，董康，等.基于DenseNet和随机森林的电力用户窃电检测［J］.计算机应用，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

（責任编辑：马乃玉）

收稿日期：2022-09-21

基金项目：电力物联网移动应用安全分析关键技术研究项目（520626220019）.

作者简介：常英贤（1980—），男，山东济宁市人，高级工程师，主要研究方向：数据管理，大数据应用，企业数字化，双碳.

引用格式：常英贤，孙盼，樊静雨，等.基于信息检索及深度学习的电网非技术损耗检测方法研究［J］.安徽师范大学学报（自然科学版），2023，46（6）：520-525