Abnormal Electricity Consumption Detection Based on Hedge-Antagonism Mechanism and Graph Attention Network

WANG Weitao; ZHAO Jian; WANG Xiaoyu

doi:10.7500/AEPS20210804008

您当前的位置：

首页 >

文章列表页 >

Abnormal Electricity Consumption Detection Based on Hedge-Antagonism Mechanism and Graph Attention Network

Basic Research | 更新时间：2025-06-16

- Abnormal Electricity Consumption Detection Based on Hedge-Antagonism Mechanism and Graph Attention Network
- Automation of Electric Power Systems Vol. 46, Issue 22, Pages: 120-128(2022)
- 作者机构：
  
  上海电力大学电气工程学院，上海市 200090
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China(2020YFB1506804);National Natural Science Foundation of China(51907114)
- DOI：10.7500/AEPS20210804008
  CLC：
- Received：04 August 2021，
  
  Revised：2022-03-28，
  
  Published Online：22 June 2022，
  
  Published：25 November 2022
- 稿件说明：
移动端阅览
王炜韬,赵健,王小宇.基于对冲对抗机制与图注意力网络的异常用电检测[J].电力系统自动化,2022,46(22):120-128.

WANG Weitao,ZHAO Jian,WANG Xiaoyu.Abnormal Electricity Consumption Detection Based on Hedge-Antagonism Mechanism and Graph Attention Network[J].Automation of Electric Power Systems,2022,46(22):120-128.
王炜韬,赵健,王小宇.基于对冲对抗机制与图注意力网络的异常用电检测[J].电力系统自动化,2022,46(22):120-128. DOI： 10.7500/AEPS20210804008.

WANG Weitao,ZHAO Jian,WANG Xiaoyu.Abnormal Electricity Consumption Detection Based on Hedge-Antagonism Mechanism and Graph Attention Network[J].Automation of Electric Power Systems,2022,46(22):120-128. DOI： 10.7500/AEPS20210804008.

摘要

针对基于数据驱动的异常用电检测方法准确率不高的问题，提出一种基于配电网潮流约束的异常用电检测方法。首先，建立了基于卷积神经网络对冲反向传播网络的潮流计算模型与基于潮流方程约束的精度优化模型，实现在不完全依赖线路参数与拓扑情况下的准确潮流计算。其次，在对冲反向传播过程中加入改进对抗攻击算法形成对冲对抗机制，以电压计算值向测量值逼近为目标，实现在边界条件下功率回溯。再次，计算功率回溯值与量测值间的回溯距离并将其作为用电特征量，以加有异常累加器的图注意力网络作为分类器，实现异常回溯距离的辨识。最后，结合实际案例与仿真实验验证了所提方法的有效性。

Abstract

To solve the problem that data-driven abnormal electricity consumption detection method has low accuracy

an abnormal electricity consumption detection method is proposed based on the power flow constraints of distribution networks. First

a power flow calculation model based on convolutional neural network-hedge backpropagation (CNN-HBP) network and a precision optimization model based on power flow equation constraints are established to achieve accurate power flow calculation without entirely relying on line parameters and topology. Secondly

in the process of hedge backpropagation

an improved adversarial attacks algorithm is added to form the hedge-antagonism mechanism

aiming at the voltage calculation value approaching the measured value to achieve power backtracking under boundary conditions. Thirdly

the backtracking distance between the power backtracking value and the measured value is calculated as the characteristic quantity of electricity consumption and the graph attention network (GAT) with an abnormal accumulator is used as the classifier to realize the identification of the abnormal backtracking distance. Finally

the validity of the proposed method is verified by practical cases and simulation experiments.

关键词

Keywords

references

金晟，苏盛，薛阳，等 . 数据驱动窃电检测方法综述与低误报率研究展望［J］. 电力系统自动化， 2022 ， 46 （ 1 ）： 3 - 14 .

JIN Sheng ， SU Sheng ， XUE Yang ， et al . Review on data-driven based electricity theft detection method and research prospect for low false positive rate ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 1 ）： 3 - 14 .

刘增明 . 供电企业防窃电方法和对策的研究［D］. 北京：华北电力大学， 2013 .

LIU Zengming . Research on the anti power theft methods and strategies in power supply company ［D］. Beijing ： North China Electric Power University ， 2013 .

ANGELOS E W S ， SAAVEDRA O R ， CORTÉS O A C ， et al . Detection and identification of abnormalities in customer consumptions in power distribution systems ［J］. IEEE Transactions on Power Delivery ， 2011 ， 26 （ 4 ）： 2436 - 2442 .

唐冬来，刘友波，熊智临，等 . 基于时空关联矩阵的配电台区反窃电预警方法［J］. 电力系统自动化， 2020 ， 44 （ 19 ）： 168 - 176 .

TANG Donglai ， LIU Youbo ， XIONG Zhilin ， et al . Early warning method of electricity anti-theft in distribution station area based on spatiotemporal correlation matrix ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 19 ）： 168 - 176 .

田力，向敏 . 基于密度聚类技术的电力系统用电量异常分析算法［J］. 电力系统自动化， 2017 ， 41 （ 5 ）： 64 - 70 .

TIAN Li ， XIANG Min . Abnormal power consumption analysis based on density-based spatial clustering of applications with noise in power systems ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 5 ）： 64 - 70 .

ZHENG K D ， CHEN Q X ， WANG Y ， et al . A novel combined data-driven approach for electricity theft detection ［J］. IEEE Transactions on Industrial Informatics ， 2019 ， 15 （ 3 ）： 1809 - 1819 .

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 .

CHENG Chao ， ZHANG Hanjing ， JING Zhimin ， et al . Study on the anti-electricity stealing based on outlier algorithm and the electricity information acquisition system ［J］. Power System Protection and Control ， 2015 ， 43 （ 17 ）： 69 - 74 .

PASSOS L A ， OBA RAMOS C C ， RODRIGUES D ， et al . Unsupervised non-technical losses identification through optimum-path forest ［J］. Electric Power Systems Research ， 2016 ， 140 ： 413 - 423 .

许刚，谈元鹏，戴腾辉 . 稀疏随机森林下的用电侧异常行为模式检测［J］. 电网技术， 2017 ， 41 （ 6 ）： 1964 - 1973 .

XU Gang ， TAN Yuanpeng ， DAI Tenghui . Sparse random forest based abnormal behavior pattern detection of electric power user side ［J］. Power System Technology ， 2017 ， 41 （ 6 ）： 1964 - 1973 .

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 - 125 .

HU Tianyu ， GUO Qinglai ， SUN Hongbin . Nontechnical loss detection based on stacked uncorrelating autoencoder and support vector machine ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 119 - 125 .

NIZAR A H ， DONG Z Y ， WANG Y . Power utility nontechnical loss analysis with extreme learning machine method ［J］. IEEE Transactions on Power Systems ， 2008 ， 23 （ 3 ）： 946 - 955 .

陈钢，李德英，陈希祥 . 基于改进XGBoost模型的低误报率窃电检测方法［J］. 电力系统保护与控制， 2021 ， 49 （ 23 ）： 178 - 186 .

CHEN Gang ， LI Deying ， CHEN Xixiang . Detection method of electricity theft with low false alarm rate based on an XGBoost model ［J］. Power System Protection and Control ， 2021 ， 49 （ 23 ）： 178 - 186 .

杜章华，苏盛，刘正谊，等 . 基于生产经营状态识别的低误报率窃电检测二次筛查方法［J］. 电力系统自动化， 2021 ， 45 （ 2 ）： 97 - 104 .

DU Zhanghua ， SU Sheng ， LIU Zhengyi ， et al . Second inspection method for electricity theft detection with low false alarm rate based on identification of production and operation status ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 2 ）： 97 - 104 .

HE Y B ， MENDIS G J ， WEI J . Real-time detection of false data injection attacks in smart grid： a deep learning-based intelligent mechanism ［J］. IEEE Transactions on Smart Grid ， 2017 ， 8 （ 5 ）： 2505 - 2516 .

ARANHA NETO E A C ， COELHO J . Probabilistic methodology for technical and non-technical losses estimation in distribution system ［J］. Electric Power Systems Research ， 2013 ， 97 ： 93 - 99 .

LEITE J B ， MANTOVANI J R S . Detecting and locating non-technical losses in modern distribution networks ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 2 ）： 1023 - 1032 .

刘宽，王淳，尹发根，等 . 一种考虑PV节点的配电网三相线性潮流计算方法［J］. 中国电力， 2020 ， 53 （ 2 ）： 56 - 62 .

LIU Kuan ， WANG Chun ， YIN Fagen ， et al . A three-phase linear power flow calculation method for distribution networks considering PV nodes ［J］. Electric Power ， 2020 ， 53 （ 2 ）： 56 - 62 .

SAHOO D ， PHAM Q ， LU J ， et al . Online deep learning： learning deep neural networks on the fly ［EB/OL］. ［ 2017-11-10 ］. https：//arxiv.org/abs/1711.03705 https://arxiv.org/abs/1711.03705 .

张宇精，乔颖，鲁宗相，等 . 含高比例分布式电源接入的低感知度配电网电压控制方法［J］. 电网技术， 2019 ， 43 （ 5 ）： 1528 - 1535 .

ZHANG Yujing ， QIAO Ying ， LU Zongxiang ， et al . Voltage control for partially visible distribution networks with high DG penetration ［J］. Power System Technology ， 2019 ， 43 （ 5 ）： 1528 - 1535 .

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 .

DOU Jian ， LIU Xuan ， LU Jizhe ， et al . Research on electricity anti-stealing method based on power consumption information acquisition and big data ［J］. Electrical Measurement & Instrumentation ， 2018 ， 55 （ 21 ）： 43 - 49 .

李佳玮，王小君，和敬涵，等 . 基于图注意力网络的配电网故障定位方法［J］. 电网技术， 2021 ， 45 （ 6 ）： 2113 - 2121 .

LI Jiawei ， WANG Xiaojun ， HE Jinghan ， et al . Distribution network fault location based on graph attention network ［J］. Power System Technology ， 2021 ， 45 （ 6 ）： 2113 - 2121 .

VELIČKOVIĆ P ， CUCURULL G ， CASANOVA A ， et al . Graph attention networks ［EB/OL］. ［ 2017-10-30 ］. https：//arxiv.org/abs/1710.10903 https://arxiv.org/abs/1710.10903 ．

孙毅，李世豪，崔灿，等 . 基于高斯核函数改进的电力用户用电数据离群点检测方法［J］. 电网技术， 2018 ， 42 （ 5 ）： 1595 - 1606 .

SUN Yi ， LI Shihao ， CUI Can ， et al . Improved outlier detection method of power consumer data based on Gaussian kernel function ［J］. Power System Technology ， 2018 ， 42 （ 5 ）： 1595 - 1606 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Transient Model and Real-time Simulation Method for Power Electronic Switches Based on Connectionist Neural Networks

Dynamic Security Partitioning Assessment and Model Updating of Power System Based on Electrical Coordinates

基于单机模型扩展的直驱风电场通用等值模型构建方法

Transient Stability Assessment of Power Systems Based on Multi-scale Graph Attention Network

Related Author

Weitao WANG

Jian ZHAO

Xiaoyu WANG

WENG Haowen

WANG Can

PAN Xuewei

QI Hang

LI Changgang

Related Institution

School of Robotics and Advanced Manufacturing, Harbin Institute of Technology

Key Laboratory of Power System Intelligent Dispatch and Control, Ministry of Education (Shandong University)

School of Automation Science and Engineering, Xi’an Jiaotong University

National Key Laboratory of Grid Security (China Electric Power Research Institute)

⁰