基于神经架构搜索的智能电表窃电识别方法研究

摘 要：本文基于神经架构搜索技术，利用大规模智能电表数据进行训练，自动判断电流、电压和功率特征，旨在提高窃电行为的准确识别度并降低误报率。本文采用神经架构搜索算法构建的窃电识别模型，更精准地识别窃电行为。研究的最终目标在于加强供电公司对窃电行为的监测，提高打击能力，保障电网安全、稳定地运行。该方法的应用十分广泛，可推动智能电表技术的发展，为电力行业提供更高效的管理手段。

关键词：神经架构搜索；智能电表；窃电行为

中图分类号：TM 73 " " " " " " " " 文献标志码：A

传统的窃电识别方法主要是人工检测与统计分析，存在识别准确性低、易受人为因素影响等问题。为了提高窃电行为的识别效果，研究人员开始应用机器学习和深度学习技术。其中，基于神经架构搜索的智能电表窃电识别方法成为研究的热点。

1 问题阐述

本文的主要目标是利用智能电表采集电力用户的真实用电量数据，通过分析数据缺失信息，对窃电行为检测模型进行优化与改良。为实现该目标，本文引入神经架构搜索算法。该算法能够自动定义用电特征并计算窃电嫌疑度，从而将用户分为高或低窃电嫌疑度组别。该算法通过测算用户的窃电嫌疑度，判断该用户是否存在窃电行为。本文设窃电怀疑度为P。当P≥0.5时，表示该用户窃电怀疑度高，其发生窃电行为的概率较大；当Plt;0.5时，表示该用户窃电怀疑度低，通常情况下不存在窃电行为[1]。本文调取中国国家电网中的公开数据，总结了42373个用户在1036天内的用电数据，并通过试验分析，论证了基于该算法构建的切点识别模型的有效性。

2 数据输入

本文将收集的数据转化为m×n数据矩阵，其中n表示用户数量，m表示时间节点数据，如公式（1）所示。

（1）

式中：Xn为第n个用户的用电量数据序列。

本文中，n=42373，m=1029。考虑计算的简便性，剔除最后7天的数据，以便将数据转化为矩阵。在此基础上，利用卷积神经网络，将矩阵X转变为数据张量，即X'（42373×147×7），最终得到Xi'（147×7）。将数列设定为7列，对应一周7天的用电周期，以便进行对比，如公式（2）所示。

（2）

3 基于神经架构搜索的窃电识别方法

随着人工智能技术快速发展，作为深度学习中的一个新兴领域，神经架构搜索被广泛应用于众多场景。窃电识别是电力系统中的关键问题，本文引入神经框架搜索对其进行优化，旨在提高检测精确度和效率。

3.1 基于贝叶斯优化的神经架构搜索方法

在窃电识别的应用中，基于贝叶斯优化的神经架构搜索可以有效缩短模型搜索时间，快速定位到具有高精度识别能力的神经网络结构[2]。本文将一个准确度较高的窃电识别神经网络结构设定为F，成本函数设定为Cost（·），用电数据集D分为训练集Dtrain和测试集Dval。假设存在一个最优神经网络结构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*为f的结构参数；F为覆盖全部神经架构。

3.2 基于神经架构搜索的窃电识别模型

本文构建的窃电识别模型由卷积层、全连接层和输出层组成。卷积层负责从输入的电表数据中自动提取有用的局部特征。全连接层负责将这些特征进行整合，可将提取的多维特征向量压缩为一个更低维度的特征空间，从而用于最终的分类或回归任务[3]。输出层负责对整合后的特征进行加权求和，并输出一个表示窃电嫌疑度的数值。该层会使用Sigmoid或者Softmax作为激活函数，以便输出1个0～1的概率值。

3.3 窃电检测流程

需要收集足够的电力使用数据，包括正常使用和窃电情况。数据需要经过清洗、归一化和标注等预处理步骤，使其适用于后续的模型训练。在此阶段，本文应用神经框架搜索进行模型自动搜索。利用贝叶斯优化或其他策略，系统会自动评估并选择最佳的神经网络架构。选定最佳网络架构后，使用标注的数据进行模型训练。利用深度学习技术，模型会学习到窃电和正常用电间的区别。一旦模型训练完成，就可以使用该模型对新的电力使用数据进行窃电识别[4]。

4 性能评估

4.1 数据集

本文将数据集导入窃电识别模型，去除数据中显示为“Nan”的数据，剩余数据均为真实有效的用电数据。对有效数据进行预处理，最终得到窃电识别数据（见表1）。

4.2 数据预处理

不同用户的用电量差异巨大，为避免出现甲用户与乙用户在单位时间内用电量下降比例不同，需要对过滤后的有效数据进行归一化运算，将原始数据转变为无纲数，如公式（5）所示。

（5）

式中：W为原始数据序列；W'为经过归一化处理的数据序列。

4.3 验证方法

本文引入多折交叉验证模型。该模型适用于仅有一个预测目的场景，与本文研究的“预测用户是否为窃电用户”的目标一致。

4.4 性能指标

通常情况下，在一个大的供电区域中，有窃电行为的用户数量极少，因此在利用用户用电数据判断窃电行为的过程中，正常用电数据与窃电用户的用电数据比例差异悬殊，如果采用传统的准确率比较，就容易出现误差。其原因在于绝大用户被判定为“非窃电用户”，该判断的准确率通常会超过90%，但该判断结果无法准确反映本文设计的窃电识别算法的性能。因此，本文引入精准率评价指标、召回率评价指标以及综合评价指数F1，将3项指标代入折交叉验证法中，进而印证基于神经网络搜索算法的窃电识别模型的有效性[5]。这3项指标的计算过程如公式（6）～公式（8）所示。

（6）

（7）

（8）

式中：Precision为精准评价指数；Recall为召回率评价指数；TP为“窃电用户集”中被判定为窃电用户的用户数；EP为“正常用户集”中被判定为窃电用户的用户数；FN为“窃电用户集”中被判定为正常用户的用户数。

窃电检测工作的核心是确保准确性和查全率。如果检测方法不够准确，可能会导致误判，从而引发不必要的人力和物力投入，甚至可能侵害无辜消费者的权益。相反，如果检测方法查全率低，可能会导致许多窃电行为逍遥法外，从而加剧电力公司的经济损失。因此，本文引入F1分数作为评价指标。该指标是查全率（召回率）和查准率（精确率）的调和平均值。查全率反映了检测方法查出所有窃电行为的能力，查准率则反映了被检测出来的窃电行为中真实窃电行为的比例。F1分数综合考虑了这2个方面，为相关研究人员提供了一个全面、准确的评估工具。通过不断优化窃电检测方法，提高F1分数，电力公司能更有效地打击窃电行为，确保诚信和公平。

4.5 试验结果

神经框架搜索算法窃电识别模型混淆矩阵见表2，其中TN为“正常用户集”中被判定为正常用户的用户数量。分析表2中的数据可以发现，FN的280个用户被划入“窃电用户集”的主要原因在于这部分用户缺失值信息较少，该模型无法利用缺失值信息对其进行准确识别。被该模型识别为窃电用户与非窃电用户的电力用户数量分布如图1所示。

随机从“使用原始数据”的簇和“使用特征提取”的簇中调取9位用户的用电数据，并对该数据进行可视化转化（如图2所示）。

图2中，横轴为用电天数，纵轴为月数，其中黄色部分为“有数据缺失”的用电数据。分析图2可以明显看出，未被该模型识别为“窃电用户”的缺失值很少，其平均数量仅为6；而被判定为“窃电用户”的数据中，存在数据缺失的数据数量较多，平均为539个。由此可以证明，利用数据缺失信息能够较准确地判断用户是否存在窃电行为。

需要注意的是，上述试验采集数据的间隔为1天。如果用户采用打开电表盖子的方式进行窃电且“开盖→修改数据”行为发生在一天之内，则模型不会读取到该用户存在数据缺失的问题。因此，如果仅使用缺失值信息来判断用户是否有窃电行为，则无法检测出使用开盖修改数据方式进行窃电活动的用户。针对该问题，本文尝试将开盖数据与存在缺失值的数据进行融合，令该模型能够覆盖绝大多数窃电行为判断场景。此外，对“正常用户集”中被判断为“窃电用户”的81个用户进行深入分析可知，产生误判的主要原因如下。1）在采集数据过程中会有一定的数据包丢失概率，导致该用户的用电数据不完整，进而导致模型判断错误。2）集中器发生故障，导致用户的用电数据丢失，被模型判断为“窃电用户”。

5 结论

本文采用基于神经架构搜索的方法对智能电表进行窃电识别，取得了一定成果。该成果揭示了在电能窃取行为中，基于神经架构搜索的模型具有较好的性能和高效的特征学习能力。在理论方面，本文深入挖掘了神经架构搜索的潜力，为智能电表窃电识别领域提供了新的思路和方法。自动搜索合适的神经网络结构可以大幅减少人工设计模型的工作量，并能获得更好的性能。在实际应用方面，基于神经架构搜索的智能电表窃电识别方法具有实际应用价值。准确识别电能窃取行为可以帮助电力公司及时发现非法窃电行为，有效降低电网安全风险和经济损失。未来可以进一步优化搜索算法、提高效率，并结合硬件优化等技术进行应用。此外，本文使用的数据集也可以进一步扩充和完善，以提高模型的泛化能力和适用性，为电力系统的安全与管理做出更大贡献。

参考文献

[1]汤渊，吴裕宙，苏盛，等.基于改进深度极限学习机的光伏扩容用户识别方法[J].电力系统及其自动化学报，2022，35（11）：13-16.

[2]邹念，张颖，苏盛，等.基于小时尺度周期特征自编码器的用户窃电识别方法[J].电网技术，2023，47（6）：2558-2567.

[3]冯小峰，姚诚智，杨俊华.基于Stacking集成学习的窃电检测研究[J].电测与仪表，2023，12（8）：10-12.

[4]刘文浩，冯玥，姜东良.基于AMI数据驱动的窃电用户识别研究[J].制造业自动化，2022，44（11）：5-8.

[5]夏睿，高云鹏，朱彦卿，等.基于SE-CNN模型的窃电检测方法研究[J].电力系统保护与控制，2022，50（20）：117-126.