Weakly-correlated Measurement Anomaly Recognition of Low-voltage Distribution Network Based on Neural Network with Variable Weights

JIN Yangxin; XU Yongjin; WANG Jinrong

doi:10.7500/AEPS20241117002

您当前的位置：

首页 >

文章列表页 >

Weakly-correlated Measurement Anomaly Recognition of Low-voltage Distribution Network Based on Neural Network with Variable Weights

Engineering Application | 更新时间：2026-02-28

- Weakly-correlated Measurement Anomaly Recognition of Low-voltage Distribution Network Based on Neural Network with Variable Weights
- Automation of Electric Power Systems Vol. 49, Issue 22, Pages: 198-207(2025)
- 作者机构：
  
  国网浙江省电力有限公司营销服务中心（计量中心），浙江省杭州市 310000
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China(2023YFC3807100)
- DOI：10.7500/AEPS20241117002
  CLC：
- Received：17 November 2024，
  
  Revised：2025-03-17，
  
  Online First：15 October 2025，
  
  Published：25 November 2025
- 稿件说明：
移动端阅览
金阳忻,徐永进,汪金荣.基于变权值神经网络的低压配电网弱关联型计量异常识别[J].电力系统自动化,2025,49(22):198-207.

JIN Yangxin,XU Yongjin,WANG Jinrong.Weakly-correlated Measurement Anomaly Recognition of Low-voltage Distribution Network Based on Neural Network with Variable Weights[J].Automation of Electric Power Systems,2025,49(22):198-207.
金阳忻,徐永进,汪金荣.基于变权值神经网络的低压配电网弱关联型计量异常识别[J].电力系统自动化,2025,49(22):198-207. DOI： 10.7500/AEPS20241117002.

JIN Yangxin,XU Yongjin,WANG Jinrong.Weakly-correlated Measurement Anomaly Recognition of Low-voltage Distribution Network Based on Neural Network with Variable Weights[J].Automation of Electric Power Systems,2025,49(22):198-207. DOI： 10.7500/AEPS20241117002.

摘要

电能表作为低压配电网重要的数据源，其计量异常的治理关系到电力交易的公平性。因此，以电能表功率、电压冻结值及部分档案信息作为输入，设计了一种基于变权值神经网络的低压配电网线损弱关联型计量异常识别模型。该模型的主体部分是用于推算计量异常指数的残差神经网络。首先，针对输入信息不完备引起的精度退化，提出了神经网络变权值算法，即不再认为网络权值训练后均保持恒定，转而将其中一部分视作若干本征权值叠加而成的可变权值层。然后，利用无法直接作为网络输入的节点间关联状态，通过分维度的合成密度矩阵合并计算叠加系数，显著提升了模型准确度。最后，将增广样本集用于训练和测试，对比验证了变权值残差神经网络识别模型的有效性，再将该模型试点应用于中国浙江省某市电网高损台区治理，进一步检验了其在实际工况中的检测效果。

Abstract

The electric energy meter

as an important data source in the low-voltage distribution network

plays a crucial role in ensuring the fairness of electricity transactions through the management of measurement anomalies. Therefore

a model of weakly-correlated measurement anomaly recognition of line loss based on neural network with variable weights is designed

whose inputs are freezing values of power and voltage on the electric energy meter

as well as partial archival information. The main part of the model is the residual neural network to calculate the measurement anomaly index. First

aimed at the accuracy degradation caused by insufficient input information

a neural network algorithm with variable weights is proposed

in which the network weights are no longer considered to remain constant after training

instead

some of them are regarded as variable weight layers formed by the superposition of several eigenstate weights. Then

through the node correlation state that is not able to be directly used as network input

the superimposing coefficients are calculated via composite density matrices with dimensions

which significantly improves the model accuracy. Finally

by using the augmented sample set for training and testing

the validity of the residual neural network recognition model with variable weights is comparatively verified. Furthermore

the model is tested and applied to the control of a high-loss distribution station area in a city in Zhejiang Province of China to confirm its detection effect in actual working conditions.

关键词

Keywords

references

葛得辉，华定忠，王齐，等 . 基于虚拟回路阻抗的低压台区异常工况分析方法［J］. 电力系统自动化， 2022 ， 46 （ 13 ）： 104 - 111 .

GE Dehui ， HUA Dingzhong ， WANG Qi ， et al . Analysis method for abnormal operation condition in low-voltage distribution station area based on virtual circuit impedance ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 13 ）： 104 - 111 .

JOKAR P ， ARIANPOO N ， LEUNG V C M . Electricity theft detection in AMI using customers’ consumption patterns ［J］. IEEE Transactions on Smart Grid ， 2016 ， 7 （ 1 ）： 216 - 226 .

SHARMA R ， JOSHI A M ， SAHU C ， et al . Detection of false data injection in smart grid using PCA based unsupervised learning ［J］. Electrical Engineering ， 2023 ， 105 （ 4 ）： 2383 - 2396 .

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 .

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 .

刘康，李彬，薛阳，等 . 基于传递熵密度聚类的用户窃电识别方法［J］. 中国电机工程学报， 2022 ， 42 （ 20 ）： 7535 - 7546 .

LIU Kang ， LI Bin ， XUE Yang ， et al . User electric theft detection method based on transfer entropy density clustering ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 20 ）： 7535 - 7546 .

ZANETTI M ， JAMHOUR E ， PELLENZ M ， et al . A tunable fraud detection system for advanced metering infrastructure using short-lived patterns ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 1 ）： 830 - 840 .

金晟，苏盛，曹一家，等 . 基于格兰杰归因分析的高损台区窃电检测［J］. 电力系统自动化， 2020 ， 44 （ 23 ）： 82 - 89 .

JIN Sheng ， SU Sheng ， CAO Yijia ， et al . Electricity-theft detection for high-loss distribution area based on granger causality analysis ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 23 ）： 82 - 89 .

杨挺，徐嘉成，叶芷杉，等 . 基于最优变换关联因子和优化平移分裂法的窃电检测［J］. 电网技术， 2023 ， 47 （ 9 ）： 3913 - 3923 .

YANG Ting ， XU Jiacheng ， YE Zhishan ， et al . Electricity theft detection based on optimal transform correlation factor and optimized translation splitting method ［J］. Power System Technology ， 2023 ， 47 （ 9 ）： 3913 - 3923 .

殷涛，薛阳，杨艺宁，等 . 基于向量自回归模型的高损线路窃电检测［J］. 中国电机工程学报， 2022 ， 42 （ 3 ）： 1015 - 1023 .

YIN Tao ， XUE Yang ， YANG Yining ， et al . Electricity theft detection of high-loss line with vector autoregression ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 3 ）： 1015 - 1023 .

AMIN S ， SCHWARTZ G A ， CARDENAS A A ， et al . Game-theoretic models of electricity theft detection in smart utility networks： providing new capabilities with advanced metering infrastructure ［J］. IEEE Control Systems Magazine ， 2015 ， 35 （ 1 ）： 66 - 81 .

CÁRDENAS A A ， AMIN S ， SCHWARTZ G ， et al . A game theory model for electricity theft detection and privacy-aware control in AMI systems ［C］// 2012 50th Annual Allerton Conference on Communication， Control， and Computing （Allerton）， October 1-5 ， 2012 ， Monticello， USA ： 1830 - 1837 .

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 .

LIN Zhenzhi ， CUI Xueyuan ， JIN Weichao ， et al . Key technologies of electricity theft detection at consumer side ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 5 ）： 188 - 199 .

HUANG S C ， LO Y L ， LU C N . Non-technical loss detection using state estimation and analysis of variance ［J］. IEEE Transactions on Power Systems ， 2013 ， 28 （ 3 ）： 2959 - 2966 .

KRISHNA V B ， GUNTER C A ， SANDERS W H . Evaluating detectors on optimal attack vectors that enable electricity theft and DER fraud ［J］. IEEE Journal of Selected Topics in Signal Processing ， 2018 ， 12 （ 4 ）： 790 - 805 .

栾文鹏，王兵，周宁，等 . 基于量测数据的低压配电网精确建模［J］. 电网技术， 2015 ， 39 （ 11 ）： 3141 - 3146 .

LUAN Wenpeng ， WANG Bing ， ZHOU Ning ， et al . Modeling of LV distribution network based on metering data ［J］. Power System Technology ， 2015 ， 39 （ 11 ）： 3141 - 3146 .

覃华勤，梁叶，钱奇，等 . 基于典型窃电用户相似性检索的窃电行为检测方法［J］. 电力系统自动化， 2022 ， 46 （ 6 ）： 58 - 65 .

QIN Huaqin ， LIANG Ye ， QIAN Qi ， et al . Detection method of electricity theft behavior based on retrieval of similarity of typical users with electricity theft ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 6 ）： 58 - 65 .

NAGI J ， YAP K S ， TIONG S K ， et al . Nontechnical loss detection for metered customers in power utility using support vector machines ［J］. IEEE Transactions on Power Delivery ， 2010 ， 25 （ 2 ）： 1162 - 1171 .

ZHENG Z B ， YANG Y T ， NIU X D ， et al . Wide and deep convolutional neural networks for electricity-theft detection to secure smart grids ［J］. IEEE Transactions on Industrial Informatics ， 2018 ， 14 （ 4 ）： 1606 - 1615 .

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 - 2565 .

ZOU Nian ， ZHANG Ying ， SU Sheng ， et al . User electric theft detection method based on hour scale periodic feature LSTM-transformer ［J］. Power System Technology ， 2023 ， 47 （ 6 ）： 2558 - 2565 .

卿柏元，陈珏羽，李金瑾，等 . 基于CNN-LG模型的窃电行为检测方法研究［J］. 湖南大学学报（自然科学版）， 2022 ， 49 （ 8 ）： 138 - 148 .

QING Boyuan ， CHEN Jueyu ， LI Jinjin ， et al . Research on detection method of electricity theft behavior based on CNN-LG model ［J］. Journal of Hunan University （Natural Sciences）， 2022 ， 49 （ 8 ）： 138 - 148 .

游文霞，申坤，杨楠，等 . 基于Bagging异质集成学习的窃电检测［J］. 电力系统自动化， 2021 ， 45 （ 2 ）： 105 - 113 .

YOU Wenxia ， SHEN Kun ， YANG Nan ， et al . Electricity theft detection based on Bagging heterogeneous ensemble learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 2 ）： 105 - 113 .

YAN Z Z ， WEN H . Electricity theft detection base on extreme gradient boosting in AMI ［J］. IEEE Transactions on Instrumentation and Measurement ， 2021 ， 70 ： 2504909 .

电测量设备（交流）特殊要求第21部分：静止式有功电能表： GB/T 17215.321—2021 ［S］. 北京：中国标准出版社， 2021 .

Electricity metering equipment （AC）： particular requirements： Part 21： static meters for active energy： GB/T 17215 . 321—2021 ［S］. Beijing ： Standards Press of China ， 2021 .

单相智能电能表技术规范： DL/T 1487—2015 ［S］. 北京：中国电力出版社， 2015 .

Technical specification for single phase smart electricity meters ： DL/T 1487—2015 ［S］. Beijing ： China Electric Power Press ， 2015 .

金阳忻，徐永进，黄小琼 . 基于卷积神经网络的电能表测得值置信区间研究［J］. 中国电机工程学报， 2021 ， 41 （ 19 ）： 6630 - 6641 .

JIN Yangxin ， XU Yongjin ， HUANG Xiaoqiong . Confidence coefficient calculation model of the energy meter measurement based on convolutional neural network ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 19 ）： 6630 - 6641 .

郑智聪，王红，齐林海 . 基于深度学习模型融合的电压暂降源识别方法［J］. 中国电机工程学报， 2019 ， 39 （ 1 ）： 97 - 104 .

ZHENG Zhicong ， WANG Hong ， QI Linhai . Recognition method of voltage sag sources based on deep learning models’ fusion ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 1 ）： 97 - 104 .

HE K M ， ZHANG X Y ， REN S Q ， et al . Deep residual learning for image recognition ［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， June 27-30 ， 2016 ， Las Vegas， USA ： 770 - 778 .

SHAFIQ M ， GU Z Q . Deep residual learning for image recognition： a survey ［J］. Applied Sciences ， 2022 ， 12 （ 18 ）： 8972 .

金阳忻 . 基于模糊神经网络的电能表误差超差风险预测模型［J］. 电网技术， 2019 ， 43 （ 6 ）： 1962 - 1968 .

JIN Yangxin . Electrical power meter error overproof calculation model based on fuzzy neural network ［J］. Power System Technology ， 2019 ， 43 （ 6 ）： 1962 - 1968 .

DAN FORESEE F ， HAGAN M T . Gauss-Newton approximation to Bayesian learning ［C］// Proceedings of International Conference on Neural Networks （ICNN’97）， June 12-12 ， 1997 ， Houston， USA ： 1930 - 1935 .

IOFFE S ， SZEGEDY C . Batch normalization： accelerating deep network training by reducing internal covariate shift ［C］// 32nd International Conference on Machine Learning： ICML 2015 ， July 6-11 ， 2015 ， Lile， France .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

High-dimensional Risk Assessment Method for Distribution Network Based on Dual-sparse Polynomial Chaos Expansion

Charging Load Forecasting Method for Electric Vehicles Considering Dynamic Reconfiguration of Distribution Networks

Adaptive Search Algorithm for Security Regions in Distribution Network Considering Uncertainties of Wind and Photovoltaic Output

Decision-making Method of Risk Emergency Coordination for Urban Distribution and Drainage Networks Considering Spatio-Temporal Nonuniformity of Rainstorms

Related Author

JIN Yangxin

XU Yongjin

WANG Jinrong

HUANG Yu

LI Zhongxing

YUE Dong

HU Songlin

WANG Yi

Related Institution

Institute of Advanced Technology for Carbon Neutrality, Nanjing University of Posts and Telecommunications

State Grid Electric Power Research Institute (NARI Group Corporation)

College of Electrical Engineering, Sichuan University

Economic Research Institute of State Grid Sichuan Electric Power Company

College of Electrical Engineering, Shanghai University of Electric Power

⁰