基于负荷尖峰特征LSTM自编码器的窃电识别方法

刘康; 刘鑫; 张蓬鹤; 薛阳; 李彬; 苏盛

doi:10.7500/AEPS20220517006

您当前的位置：

首页 >

文章列表页 >

基于负荷尖峰特征LSTM自编码器的窃电识别方法

学术研究 | 更新时间：2025-06-16

- 基于负荷尖峰特征LSTM自编码器的窃电识别方法
- Identification Method of Electricity Theft Based on Long Short-term Memory Autoencoder with Load Peak Features
- 电力系统自动化 2023年47卷第2期页码：96-104
- 作者机构：
  
  1.智能电网运行与控制湖南省重点实验室(长沙理工大学),湖南省长沙市 410114
  2.国网湖南省供电服务中心(计量中心),湖南省长沙市 410114
  3.中国电力科学研究院有限公司,北京市 100180
  4.湖南城市学院机械与电气工程学院,湖南省益阳市 413000
- 作者简介：
  
  刘康(1996—)，男，硕士研究生，主要研究方向：电力系统反窃电。E-mail：sssliukang888888@163.com
  刘鑫(1981—)，男，高级工程师，主要研究方向:电力系统反窃电监控。E-mail：2521428828@qq.com
  张蓬鹤(1978—)，女，博士，教授级高级工程师，主要研究方向：电能计量及仪器仪表检测技术。E-mail：zhangpenghe@epri.sgcc.com.cn
  苏盛(1975—)，男，通信作者，博士，教授，博士生导师，主要研究方向：电力气象灾害分析、电力系统网络安全防护和大数据技术应用。E-mail：eessheng@163.com
- 基金信息：
  
  国家自然科学基金资助项目(51777015);湖南省教育厅重点项目(19A011);湖南省教育厅科研项目(19C0349)
- DOI：10.7500/AEPS20220517006
  中图分类号：
- 收稿：2022-05-17，
  
  修回：2022-08-16，
  
  网络出版：2022-11-15，
  
  纸质出版：2023-01-25
- 稿件说明：
移动端阅览
刘康,刘鑫,张蓬鹤等.基于负荷尖峰特征LSTM自编码器的窃电识别方法[J].电力系统自动化,2023,47(2):96-104.

LIU Kang,LIU Xin,ZHANG Penghe,et al.Identification Method of Electricity Theft Based on Long Short-term Memory Autoencoder with Load Peak Features[J].Automation of Electric Power Systems,2023,47(2):96-104.
刘康,刘鑫,张蓬鹤等.基于负荷尖峰特征LSTM自编码器的窃电识别方法[J].电力系统自动化,2023,47(2):96-104. DOI： 10.7500/AEPS20220517006.

LIU Kang,LIU Xin,ZHANG Penghe,et al.Identification Method of Electricity Theft Based on Long Short-term Memory Autoencoder with Load Peak Features[J].Automation of Electric Power Systems,2023,47(2):96-104. DOI： 10.7500/AEPS20220517006.

摘要

近年来，面向高损线路的窃电检测方法得到大面积工程应用，对降低窃电检测误报率和推动数据驱动窃电检测的工程应用起到了重要作用。但如何准确检出非高损线路的专变窃电用户，仍是亟待解决的难题。基于实践经验中部分窃电用户存在用电量异常尖峰这一特点，提出基于负荷尖峰特征长短期记忆（LSTM）自编码器的用户窃电识别方法。首先，分析典型窃电用户曲线形态

提炼了区分正常及窃电用户的用电量尖峰特征。然后，结合该特征和用户分时数据周期性规律，构建LSTM自编码模型重构输入得到拟合值，基于拟合值与真实值的均方误差设定自适应阈值，从而识别窃电嫌疑用户并提供具体预警尖峰时段。最后，应用实际专变用户用电数据进行算例分析，结果表明所提方法在准确率、命中率和误报率上均优于对比方法。

Abstract

In recent years

electricity theft detection methods for high-loss lines have been applied in a large area of engineering

which plays an important role in reducing the false alarm rate of electricity theft detection and promoting the engineering application of data-driven electricity theft detection. However

it is still a difficult problem to accurately detect the special transformer users of non-high-loss lines. Based on the characteristic that some users who steal electricity have abnormal power consumption peaks in the practical experience

a method of identifying users with electricity theft actions based on long short-term memory (LSTM) autoencoder (AE) with load peak features is proposed. First

the peak characteristics of power consumption that distinguish normal users and users with electricity theft actions are extracted by analyzing the curves of typical users with electricity theft actions. Then

the LSTM-AE model is constructed to reconstruct the input and obtain the fitting value by combining this feature and the periodic law of user time-sharing data. The adaptive threshold is set based on the mean square error between the fitting value and the real value

so as to identify the suspected users of electricity theft and provide specific warning peak time. Finally

an example is used to analyze the actual power consumption data of special transformer users. The results show that the proposed method is superior to the comparison method in terms of accuracy

hit rate and false alarm rate.

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 .

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 .

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 - 198 .

CHEN Qixin ， ZHENG Kedi ， KANG Chongqing ， et al . Detection method of abnormal electricity consumption： comment and prospect ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 17 ）： 189 - 198 .

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 .

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 - 1024 .

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 - 1024 .

薛阳，张蓬鹤，杨艺宁，等 . 基于线损协方差分析的群体性固定比例窃电行为检测方法［J/OL］. 电力系统自动化［ 2022-05-10 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20220322.1322.004.html http://kns.cnki.net/kcms/detail/32.1180.TP.20220322.1322.004.html .

XUE Yang ， ZHANG Penghe ， YANG Yining ， et al . Detection met-hod for group fixed-ratio electricity theft based on covariance analysis of line loss ［J/OL］. Automation of Power Systems ［ 2022-05-10 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20220322.1322.004.html http://kns.cnki.net/kcms/detail/32.1180.TP.20220322.1322.004.html .

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/OL］. 中国电机工程学报［ 2022-04-03 ］. http：//kns.cnki.net/kcms/detail/11.2107.TM.20211203.0323.003.html http://kns.cnki.net/kcms/detail/11.2107.TM.20211203.0323.003.html .

LIU Kang ， LI Bin ， XUE Yang ， et al . User electric theft detection method based on transfer entropy density clustering ［J/OL］. Proceedings of the CSEE ［ 2022-04-03 ］. http：//kns.cnki.net/kcms/detail/11.2107.TM.20211203.0323.003.html http://kns.cnki.net/kcms/detail/11.2107.TM.20211203.0323.003.html .

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

RAGGI L ， TRINDADE F ， CUNHA V ， et al . Non-technical loss identification by using data analytics and customer smart meters ［J］. IEEE Transactions on Smart Grid ， 2020 ， 35 （ 6 ）： 2700 - 2909 .

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 .

LIN G Y ， FENG X F ， GUO W C ， et al . Electricity theft detection based on stacked autoencoder and the undersampling and resampling based random forest algorithm ［J］. IEEE Access ， 2021 ， 9 ： 124044 - 124058 .

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 （ 11 ）： 119 - 125 .

ASLAM Z ， AHMED F ， ALMOGREN A ， et al . An attention guided semi-supervised learning mechanism to detect electricity frauds in the distribution systems ［J］. IEEE Access ， 2020 ， 8 ： 221767 - 221782 .

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 similarity retrieval of typical electricity theft user ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 6 ）： 58 - 65 .

GOODFELLOW I ， BENGIO Y ， COURVILLE A ， et al . Deep learning ［M］. Cambridge， UK ： MIT Press ， 2016 .

BOURLARD H ， KAMP Y . Autoassociation by multilayer perceptions and singular value decomposition ［J］. Biological Cybernetics ， 1988 ， 59 （ 4/5 ）： 291 - 294 .

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 .

WILCOX R R . Introduction to robust estimation and hypothesis testing ［M］. New York， USA ： Academic ， 2011 .

HOCHREITER ， SCHMIDHUBER S ， JURGEN . Long short-term memory ［J］. Neural Computation ， 1997 ， 9 （ 8 ）： 1735 - 1780 .

李彬，彭曙蓉，彭君哲，等 . 基于深度学习分位数回归模型的风电功率概率密度预测［J］. 电力自动化设备， 2018 ， 38 （ 9 ）： 15 - 20 .

LI Bin ， PENG Shurong ， Peng Junzhe ， et al . Wind power probability density forecasting based on deep learning quantile regression model ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 9 ）： 15 - 20 .

姚亮宇 . 基于LSTM模型改进的实际交通流预测模型的研究与实现［D］. 南京：南京邮电大学， 2021 .

YAO Liangyu . Research and implementation of real traffic flow forecast model improved based on LSTM model ［D］. Nanjing ： Nanjing University of Posts and Telecommunications ， 2021 .

张晋霞 . 基于LSTM网络的短期风力发电功率预测模型研究［D］. 北京：北京工业大学， 2019 .

ZHANG Jinxia . Research on short-term wind power prediction model based on LSTM network ［D］. Beijing ： Beijing University of Technology ， 2019 .

庞传军，余建明，冯长有，等 . 基于LSTM自动编码器的电力负荷聚类建模及特性分析［J］. 电力系统自动化， 2020 ， 44 （ 23 ）： 57 - 63 .

PANG Chuanjun ， YU Jianming ， FENG Changyou ， et al . Clustering modeling and characteristic analysis of power load based on long-short-term memory auto-encoder ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 23 ）： 57 - 63 .

柳青秀，马红占，褚学宁，等 . 基于长短时记忆-自编码神经网络的风电机组性能评估及异常检测［J］. 计算机集成制造系统， 2019 ， 25 （ 12 ）： 3209 - 3219 .

LIU Qingxiu ， MA Hongzhan ， CHU Xuening ， et al . Performance assessment and anomaly detection of wind turbine based on long short time memory-auto encoder neural network ［J］. Computer Integrated Manufacturing Systems ， 2019 ， 25 （ 12 ）： 3209 - 3219 .

赵洪山，刘辉海，刘宏杨，等 . 基于堆叠自编码网络的风电机组发电机状态监测与故障诊断［J］. 电力系统自动化， 2018 ， 42 （ 11 ）： 102 - 108 .

ZHAO Hongshan ， LIU Huihai ， LIU Hongyang ， et al . Condition monitoring and fault diagnosis of wind turbine generator based on stacked autoencoder network ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 11 ）： 102 - 108 .

赵洪山，闫西慧，王桂兰，等 . 应用深度自编码网络和XGBoost的风电机组发电机故障诊断［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 81 - 86 .

ZHAO Hongshan ， YAN Xihui ， WANG Guilan ， et al . Wind turbine generator fault diagnosis based on deep self-coding network and XGBoost ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 81 - 86 .

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 .

张承智，肖先勇，郑子萱 . 基于实值深度置信网络的用户侧窃电行为检测［J］. 电网技术， 2019 ， 43 （ 3 ）： 1083 - 1091 .

ZHANG Chengzhi ， XIAO Xianyong ， ZHENG Zixuan . Electricity theft detection for customers in power utility based on real-valued deep belief network ［J］. Power System Technology ， 2019 ， 43 （ 3 ）： 1083 - 1091 .

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

基于联结神经网络的电力电子开关暂态模型及实时仿真方法

基于电气坐标的电力系统动态安全分区评估及模型更新

基于迁移学习和自编码器的极端天气自适应短期风电功率预测

基于单机模型扩展的直驱风电场通用等值模型构建方法