基于图转换和混合卷积神经网络的窃电检测方法

周赣; 华济民; 李铭钧; 付佳佳; 黄莉

doi:10.7500/AEPS20210831006

您当前的位置：

首页 >

文章列表页 >

基于图转换和混合卷积神经网络的窃电检测方法

学术研究 | 更新时间：2025-06-16

- 基于图转换和混合卷积神经网络的窃电检测方法
- Electricity Theft Detection Method Based on Graph Transformation and Hybrid Convolutional Neural Network
- 电力系统自动化 2022年46卷第19期页码：78-86
- 作者机构：
  
  1.东南大学电气工程学院，江苏省南京市 210096
  2.广东电网有限责任公司，广东省广州市 510600
- 作者简介：
  
  周赣(1978—)，男，通信作者，博士，副教授，博士生导师，主要研究方向：高性能计算在电力系统中的应用、智能配用电技术。E-mail：zhougan2002@seu.edu.cn
  华济民(1996—)，女，硕士研究生，主要研究方向：人工智能在电力系统中的应用。E-mail：huajimin@seu.edu.cn
  李铭钧(1965—)，男，硕士，高级工程师，主要研究方向：电力通信、高速电力线载波通信及5G通信在电网中的应用。E-mail：minwell@126.com
- 基金信息：
  
  广东省重点领域研发计划资助项目(2020B0101130023)
- DOI：10.7500/AEPS20210831006
  中图分类号：
- 收稿日期：2021-08-31，
  
  修回日期：2021-12-21，
  
  网络出版日期：2022-03-15，
  
  纸质出版日期：2022-10-10
- 稿件说明：
移动端阅览
周赣,华济民,李铭钧等.基于图转换和混合卷积神经网络的窃电检测方法[J].电力系统自动化,2022,46(19):78-86.

ZHOU Gan,HUA Jimin,LI Mingjun,et al.Electricity Theft Detection Method Based on Graph Transformation and Hybrid Convolutional Neural Network[J].Automation of Electric Power Systems,2022,46(19):78-86.
周赣,华济民,李铭钧等.基于图转换和混合卷积神经网络的窃电检测方法[J].电力系统自动化,2022,46(19):78-86. DOI： 10.7500/AEPS20210831006.

ZHOU Gan,HUA Jimin,LI Mingjun,et al.Electricity Theft Detection Method Based on Graph Transformation and Hybrid Convolutional Neural Network[J].Automation of Electric Power Systems,2022,46(19):78-86. DOI： 10.7500/AEPS20210831006.

摘要

传统的窃电检测方法大多基于一维用电序列数据构建模型，同时单一的分类模型往往限制了电力用户行为规律的深层挖掘。为进一步提高窃电行为的检出率，提出一种基于图转换和混合卷积神经网络的窃电检测方法。首先，为了更好地捕捉用户窃电前后的用电周期性特征差异，引入基于格拉姆角和场的图转换方法

实现用电数据的二维化。然后，针对不同维度的输入形式，利用混合卷积神经网络同步提取原始一维序列数据的全局特征以及二维图像数据保留的时序相关性特征。实际算例结果表明，所提模型的受试者工作特性曲线下面积、查全率以及F1分数3项指标相比于随机森林、宽而深卷积神经网络等模型取得了有效的提升。

Abstract

Traditional electricity theft detection methods mostly build models based on one-dimensional power consumption data sequence

and a single classification model usually limits the deep mining of the law of electricity users’ behavior. In order to further improve the detection rate of electricity theft behavior

a novel electricity theft detection method based on the graph transformation and hybrid convolutional neural network is proposed. First

in order to better capture the difference in the periodic characteristics of electricity consumption before and after electricity theft behavior of users

the Gramian angular summation field image transformation method is introduced to realize the two-dimensional transformation of the electricity consumption data. Then

according to different dimensional forms of input

the hybrid convolutional neural network is applied to synchronously extract the global features of the original one-dimensional sequence data and the temporal correlation features retained by the two-dimensional image data. Actual case results show that the three performance indicators of the proposed model

i.e. area under the receiver operation characteristic curve

recall

and F1-score

have been effectively improved compared with the models such as random forest and wide & deep convolutional neural network.

关键词

Keywords

references

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 .

陈启鑫，郑可迪，康重庆，等 . 异常用电的检测方法：评述与展望［J］. 电力系统自动化， 2018 ， 42 （ 17 ）： 189 - 199 .

CHEN Qixin ， ZHENG Kedi ， KANG Chongqing ， et al . Detection methods of abnormal electricity consumption behaviors： review and prospect ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 17 ）： 189 - 199 .

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 （增刊1 ）： 75 - 80 .

CAI Jiahui ， WANG Kun ， DONG Kang ， et al . Power user stealing detection based on DenseNet and random forest ［J］. Journal of Computer Applications ， 2021 ， 41 （ Supplement 1 ）： 75 - 80 .

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 .

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 .

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 .

WANG Qingning ， ZHANG Donghui ， SUN Xiangde ， et al . Research and application of electricity anti-stealing system based on GA-BP neural network ［J］. Electrical Measurement & Instrumentation ， 2018 ， 55 （ 11 ）： 35 - 40 .

PEREIRA L A M ， AFONSO L C S ， PAPA J P ， et al . Multilayer perceptron neural networks training through charged system search and its Application for non-technical losses detection ［C］// 2013 IEEE PES Conference on Innovative Smart Grid Technologies ， April 15-17 ， 2013 ， Sao Paulo， Brazil ： 1 - 6 .

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 .

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 ： 1 - 9 .

PUNMIYA R ， CHOE S . Energy theft detection using gradient boosting theft detector with feature engineering-based preprocessing ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 2 ）： 2326 - 2329 .

游文霞，申坤，杨楠，等 . 基于AdaBoost集成学习的窃电检测研究［J］. 电力系统保护与控制， 2020 ， 48 （ 19 ）： 151 - 159 .

YOU Wenxia ， SHEN Kun ， YANG Nan ， et al . Research on electricity theft detection based on AdaBoost ensemble learning ［J］. Power System Protection and Control ， 2020 ， 48 （ 19 ）： 151 - 159 .

BUZAU M M ， TEJEDOR-AGUILERA J ， CRUZ-ROMERO P ， et al . Hybrid deep neural networks for detection of non-technical losses in electricity smart meters ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 2 ）： 1254 - 1263 .

HU W J ， YANG Y ， WANG J B ， et al . Understanding electricity-theft behavior via multi-source data ［C］// Proceedings of the Web Conference 2020 ， April 20 ， 2020， New York ， USA ： 264 - 2274 .

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 .

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 .

WANG Z ， OATES T . Encoding time series as images for visual inspection and classification using tiled convolutional neural networks ［C］// Workshops at the Twenty-ninth AAAI Conference on Artificial Intelligence ， January 25-30 ， 2015 ， Austin， USA ： 40 - 46 .

程文傲，徐明，高金峰 . 小电流接地系统单相接地故障选线空间域图像生成及融合方法［J］. 电力自动化设备， 2021 ， 41 （ 7 ）： 97 - 103 .

CHENG Wenao ， XU Ming ， GAO Jinfeng . Spatial domain image generation and fusion method of single-phase grounding fault line selection for small current grounding system ［J］. Electric Power Automation Equipment ， 2021 ， 41 （ 7 ）： 97 - 103 .

SEZER O B ， OZBAYOGLU A M . Algorithmic financial trading with deep convolutional neural networks： time series to image conversion approach ［J］. Applied Soft Computing ， 2018 ， 70 ： 525 - 538 .

HU T Y ， GUO Q L ， SHEN X W ， et al . Utilizing unlabeled data to detect electricity fraud in AMI： a semisupervised deep learning approach ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2019 ， 30 （ 11 ）： 3287 - 3299 .

SILVA D F ， DE SOUZA V M A ， BATISTA G E A P A . Time series classification using compression distance of recurrence plots ［C］// 2013 IEEE 13th International Conference on Data Mining ， December 7-10 ， 2013 ， Dallas， USA ： 687 - 696 .

ZHAO M H ， ZHONG S S ， FU X Y ， et al . Deep residual shrinkage networks for fault diagnosis ［J］. IEEE Transactions on Industrial Informatics ， 2020 ， 16 （ 7 ）： 4681 - 4690 .

何成兵，王润泽，张霄翔 . 基于改进一维卷积神经网络的汽轮发电机组轴系扭振模态参数辨识［J］. 中国电机工程学报， 2020 ， 40 （增刊1 ）： 195 - 203 .

HE Chengbing ， WANG Runze ， ZHANG Xiaoxiang . Modal parameters identification of torsional vibration of turbogenerator shafting based on improved one-dimensional convolution neural network ［J］. Proceedings of the CSEE ， 2020 ， 40 （ Supplement 1 ）： 195 - 203 .

高昆仑，杨帅，刘思言，等 . 基于一维卷积神经网络的电力系统暂态稳定评估［J］. 电力系统自动化， 2019 ， 43 （ 12 ）： 18 - 26 .

GAO Kunlun ， YANG Shuai ， LIU Siyan ， et al . Transient stability assessment for power system based on one-dimensional convolutional neural network ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 12 ）： 18 - 26 .

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 ， June 27-30 ， 2016 ， Las Vegas， USA ： 770 - 778 .

HUANG J ， LING C X . Using AUC and accuracy in evaluating learning algorithms ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2005 ， 17 （ 3 ）： 299 - 310 .

DAVIS J ， GOADRICH M . The relationship between Precision-Recall and ROC curves ［C］// Proceedings of the 23rd International Conference on Machine Learning ， June 25-29 ， 2006 ， Pittspurgh， USA ： 233 - 240 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

服务大型粮食基地生产保供的农场配电网优化调度策略

基于Lissajous轨迹的电能质量扰动边-云协同高效辨识框架

基于时空图注意力网络的超短期区域负荷预测

考虑时空完整性的新型电力系统运行断面图生成与特征提取