基于遞歸小波神經(jīng)網(wǎng)絡(luò)的敏感臺區(qū)反竊電監(jiān)測方法

李驍 趙曦 王兆軍 任大為 劉麗君 劉志美

摘 要：當(dāng)前敏感臺區(qū)反竊電監(jiān)測方法在面對連續(xù)監(jiān)測狀況時，監(jiān)測數(shù)據(jù)中含有大量噪聲數(shù)據(jù)和無用數(shù)據(jù)，導(dǎo)致對竊電行為的診斷依據(jù)不足，為解決該問題，提出基于遞歸小波神經(jīng)網(wǎng)絡(luò)的敏感臺區(qū)反竊電監(jiān)測方法。利用A/D采集電路和互感器采集用戶用電數(shù)據(jù)，通過數(shù)據(jù)預(yù)處理剔除噪聲數(shù)據(jù)和無用數(shù)據(jù)，同時使數(shù)據(jù)歸一化。在此基礎(chǔ)上，提取用電數(shù)據(jù)特征，并從電流、電壓、功率因數(shù)、電量四個方面確定竊電行為判別指標(biāo)，將數(shù)據(jù)與特征值輸入至遞歸小波神經(jīng)網(wǎng)絡(luò)中，結(jié)合判別指標(biāo)輸出精準(zhǔn)的竊電行為判別結(jié)果，實現(xiàn)敏感臺區(qū)反竊電監(jiān)測。實驗結(jié)果表明，研究方法能夠準(zhǔn)確捕捉到功率因數(shù)的變化，竊電行為判別時間短，敏感臺區(qū)反竊電監(jiān)測效果更優(yōu)。

關(guān)鍵詞：遞歸小波神經(jīng)網(wǎng)絡(luò);敏感臺區(qū);反竊電監(jiān)測;判別指標(biāo);數(shù)據(jù)歸一化

中圖分類號：TM73 ? ? ?文獻標(biāo)識碼：A

Abstract：The current anti-electric theft monitoring methods in sensitive stations face continuous monitoring conditions， and the monitoring data contains a large amount of noise data and useless data， resulting in insufficient diagnosis basis for electric theft behavior. To solve this problem， a recursive wavelet neural network is proposed. Anti-theft monitoring method in sensitive station area. Use A/D acquisition circuit and transformer to collect user electricity data， remove noise data and useless data through data preprocessing， and normalize the data at the same time. On this basis， the characteristics of electricity consumption data are extracted， and the identification indicators of electricity theft behavior are determined from four aspects of current， voltage， power factor， and electricity. The data and feature values are input into the recursive wavelet neural network， and the identification indicators are combined to output accurate. The result of discrimination of electricity theft conducts anti-electricity theft monitoring in sensitive stations. The experimental results show that the research method can accurately capture the power factor changes， the time for discriminating power theft behavior is short， and the anti-power theft monitoring effect is better in the sensitive area.

Key words：recursive wavelet neural network; sensitive station area; anti stealing monitoring; discrimination index; data normalization

近幾年，違規(guī)用電行為越來越多，并且逐漸向著多樣化、隱藏化方向發(fā)展，現(xiàn)場檢查存在人力不足、行動盲目，執(zhí)行力差等問題，造成了嚴(yán)重的社會不良影響[1-2]。對此，有學(xué)者研究出了相關(guān)的敏感臺區(qū)反竊電監(jiān)測方法，通過對臺區(qū)用戶數(shù)據(jù)采集和智能分析，降低并確定查竊范圍，極大地提高了查處竊電行為的效率[3-4]。當(dāng)前使用的敏感臺區(qū)反竊電監(jiān)測方法多數(shù)是基于用電信息采集大數(shù)據(jù)的監(jiān)測方法或基于動態(tài)模擬技術(shù)的監(jiān)測方法[5]?；谟秒娦畔⒉杉髷?shù)據(jù)的監(jiān)測方法需要大量人力才能維持工作的正常進行，在監(jiān)測中容易受到工作人員主觀因素的影響，導(dǎo)致監(jiān)測結(jié)果不準(zhǔn)確;基于動態(tài)模擬技術(shù)的監(jiān)測方法主要通過模擬現(xiàn)實生活的方法，找出竊電用戶的行為規(guī)律，進而達到反竊電監(jiān)測的目的[6]。但是以上監(jiān)測方法在面對連續(xù)監(jiān)測狀況情況下，采集到的數(shù)據(jù)中存在大量的噪聲數(shù)據(jù)和無用數(shù)據(jù)，導(dǎo)致竊電行為的診斷依據(jù)不足[7]。針對這一情況，設(shè)計基于遞歸小波神經(jīng)網(wǎng)絡(luò)的敏感臺區(qū)反竊電監(jiān)測方法。

1 敏感臺區(qū)反竊電監(jiān)測方法設(shè)計

1.1 用電數(shù)據(jù)采集

竊電行為會引起供電系統(tǒng)中的電量等參數(shù)發(fā)生變化，只有采集供電系統(tǒng)電量相關(guān)參數(shù)，才能準(zhǔn)確捕捉到竊電行為發(fā)生時刻與數(shù)據(jù)異常波動。在數(shù)據(jù)采集過程中，考慮數(shù)據(jù)實時性的需求，使用A/D采集電路，通過設(shè)置采樣頻率、輸入電壓等參數(shù)實現(xiàn)敏感臺區(qū)用電數(shù)據(jù)的采集[8]。

采集電路中主要通過A/D轉(zhuǎn)換芯片AD7606來采集數(shù)據(jù)[9]。AD7606芯片中包括8個采樣通道，在多通道采樣過程中不需要CLK時鐘信號，節(jié)省芯片數(shù)量，降低經(jīng)濟成本[10]。其中，引腳3、4、5是采樣模式引腳，控制這三個引腳的邏輯輸入就可以調(diào)節(jié)AD的采樣倍數(shù)，在實際使用過程中，可根據(jù)實際需求調(diào)節(jié)采樣倍數(shù)[11]。在設(shè)計中，要考慮到實際的采樣速率需求，最大程度地節(jié)省接口資源，由控制器輸出邏輯1來控制引腳8，再將將引腳9和引腳10連接在一起，保證兩個轉(zhuǎn)換電路轉(zhuǎn)換同時進行。設(shè)計的電壓采樣調(diào)理電路和電流采樣調(diào)理電路如下所示。

采集到的用電數(shù)據(jù)中主要包括電流信號和電壓信號，使用電流互感器及電壓互感器獲取線路中的電流及電壓信號，實現(xiàn)電能計量及負(fù)荷信號的連續(xù)性測量，以應(yīng)對竊電行為的變化[12]。針對電壓互感器和電流互感器設(shè)計信號調(diào)理電路，在互感器的后端輸出一個小電流信號，通過調(diào)節(jié)取樣電阻的大小控制輸出端的電壓值，將輸出電壓送入A/D采集電路中，讀取相應(yīng)的電壓和電流值[13]。

1.2 數(shù)據(jù)預(yù)處理

在提取用電數(shù)據(jù)特征之前，需要去除采集到的數(shù)據(jù)中的噪聲數(shù)據(jù)和無關(guān)數(shù)據(jù)。由于數(shù)據(jù)序列的中值對噪聲數(shù)據(jù)和無關(guān)數(shù)據(jù)的靈敏度遠(yuǎn)遠(yuǎn)小于序列的平均值，采用中值數(shù)據(jù)絕對偏差的決策濾波器剔除噪聲數(shù)據(jù)和無關(guān)數(shù)據(jù)[14]。在當(dāng)前時刻t，建立一個寬度為a（奇數(shù)）的移動窗口：

通過上述過程獲得最終的竊電行為診斷結(jié)果，實現(xiàn)敏感臺區(qū)反竊電監(jiān)測。

2 實驗設(shè)計

2.1 實驗數(shù)據(jù)

在實驗數(shù)據(jù)準(zhǔn)備過程中，抽取某市供電局電能計量系統(tǒng)中509個居民用戶三個月的用電負(fù)荷數(shù)據(jù)，數(shù)據(jù)采集時間間隔為15 min。在數(shù)據(jù)抽取完成后，將數(shù)據(jù)記錄中出現(xiàn)連續(xù)10個以上負(fù)荷值為0或缺失，再者數(shù)據(jù)中所有負(fù)荷值都一樣的情況，將這些異常數(shù)據(jù)剔除掉。對數(shù)據(jù)進行剔除處理后，對部分缺失的數(shù)據(jù)進行填充處理，對每個用戶的負(fù)荷曲線數(shù)據(jù)采用加權(quán)平均值的方法獲取用戶的典型日負(fù)荷曲線，計算監(jiān)測時間段的用戶負(fù)荷曲線與其日負(fù)荷曲線之間的匹配度，篩選出27個疑似竊電用戶，經(jīng)過歸一化處理后部分?jǐn)?shù)據(jù)顯示如表1所示。

基于上述的實驗數(shù)據(jù)樣本，使用基于用電信息采集大數(shù)據(jù)的監(jiān)測方法、基于動態(tài)模擬技術(shù)的監(jiān)測方法以及研究方法對上述的竊電用戶行為進行判定，獲取反竊電監(jiān)測結(jié)果。

2.2 實驗結(jié)果分析

2.2.1 總功率因數(shù)變化

使用不同的監(jiān)測方法計算出用戶數(shù)據(jù)的總功率因數(shù)變化并分析，用戶總功率因數(shù)變化如表2所示。

觀察表中數(shù)據(jù)，傳統(tǒng)的兩種監(jiān)測方法在各個時間段內(nèi)的變化沒有明顯的異常的情況，所提方法在21：00～06：00時間段內(nèi)監(jiān)測到用電異常，功率因數(shù)也出現(xiàn)不穩(wěn)定。結(jié)合監(jiān)測曲線結(jié)果，說明所提的基于遞歸小波神經(jīng)網(wǎng)絡(luò)的敏感臺區(qū)反竊電監(jiān)測方法能夠準(zhǔn)確地監(jiān)測出竊電行為，并且判定依據(jù)更完整。

2.2.2 判別時間

在此基礎(chǔ)上，比較不同方法的敏感臺區(qū)竊電行為的判別時間，判別時間越短，效率越高。三種方法的判別時間比較結(jié)果如圖3所示。

分析圖3可知，與兩種傳統(tǒng)方法相比，研究方法對于敏感臺區(qū)竊電行為的判別時間始終在0.25 s以下，說明該方法能夠快速判別敏感臺區(qū)竊電行為。

2.2.3 反竊電監(jiān)測效果

使用第三方軟件輸出不同的反竊電監(jiān)測方法實驗結(jié)果，具體結(jié)果如圖4所示。

在實驗中選擇的數(shù)據(jù)均為竊電用戶數(shù)據(jù)，監(jiān)測的結(jié)果應(yīng)顯示出用戶數(shù)據(jù)曲線與高壓側(cè)數(shù)據(jù)曲線存在一定的偏離，通過對比觀察發(fā)現(xiàn)圖4（a）和圖4（b）中兩條曲線并沒有明顯偏離，只有圖4（c）中顯示出嚴(yán)重的偏離，說明研究方法對于敏感臺區(qū)反竊電監(jiān)測的效果更好，具有實際應(yīng)用價值。

3 結(jié) 論

為判定敏感臺區(qū)用戶竊電行為，引入遞歸小波神經(jīng)網(wǎng)絡(luò)，設(shè)計敏感臺區(qū)反竊電監(jiān)測方法。通過實驗數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、用電數(shù)據(jù)特征提取、確定竊電行為判別指標(biāo)、診斷用戶竊電行為實現(xiàn)敏感臺區(qū)反竊電監(jiān)測。實驗結(jié)果表明，該方法監(jiān)測效果更好，驗證了該方法的可行性。但是方法中仍存在著一些不足之處，對采集數(shù)據(jù)的劃分力度不夠，難以面對竊電手段的大幅度變化，因此需要對敏感臺區(qū)反竊電監(jiān)測方法的研究仍需深化。

參考文獻

[1]李丹丹，葛冰玉，黃文雯，等.DBN深度學(xué)習(xí)算法在反竊電系統(tǒng)中的應(yīng)用[J].電信科學(xué)，2019，35（2）：113-117.

[2]李端超，王松，黃太貴，等.基于大數(shù)據(jù)平臺的電網(wǎng)線損與竊電預(yù)警分析關(guān)鍵技術(shù)[J].電力系統(tǒng)保護與控制，2018，46（5）：143-151.

[3]青志明，張宏艷，龍漪瀾，等.基于載波異常監(jiān)測的竊電行為判斷方法[J].科學(xué)技術(shù)與工程，2018，18（20）：246-251.

[4]王德文，楊凱華.基于生成式對抗網(wǎng)絡(luò)的竊電檢測數(shù)據(jù)生成方法[J].電網(wǎng)技術(shù)，2020，44（2）：775-782.

[5]竇健，劉宣，盧繼哲，等.基于用電信息采集大數(shù)據(jù)的防竊電方法研究[J].電測與儀表，2018，55（21）：43-49.

[6]章夢哲， 徐文忠， 周亞靜，等. 一種基于動態(tài)模擬技術(shù)的新型智能反竊電仿真裝置的研究與開發(fā)[J]. 科學(xué)家， 2016， 4（9）：47-48.

[7]王慶寧，張東輝，孫香德，等.基于GA-BP神經(jīng)網(wǎng)絡(luò)的反竊電系統(tǒng)研究與應(yīng)用[J].電測與儀表，2018，55（11）：35-40.

[8]胡天宇，郭慶來，孫宏斌.基于堆疊去相關(guān)自編碼器和支持向量機的竊電檢測[J].電力系統(tǒng)自動化，2019，43（1）：119-127.

[9]史玉良，榮以平，朱偉義.基于用電特征分析的竊電行為識別方法[J].計算機研究與發(fā)展，2018，55（8）：1599-1608.

[10]嚴(yán)宇平，蕭展輝，吳珣，等.基于風(fēng)險的竊電事件持續(xù)時長預(yù)測[J].科技通報，2019，35（11）：113-117.

[11]趙文清，沈哲吉，李剛.基于深度學(xué)習(xí)的用戶異常用電模式檢測[J].電力自動化設(shè)備，2018，38（9）：34-38.

[12]朱永燦，黃新波，張冠軍，等.輸電線路在線監(jiān)測設(shè)備供電電源應(yīng)用分析[J].高壓電器，2018，54（7）：231-236.

[13]曲禾笛，李堅，張志豪，等.服務(wù)于用電設(shè)備的快速辨識邊沿檢測方法研究[J].中國電機工程學(xué)報，2018，38（15）：4566-4575+4657.

[14]孫毅，崔燦，張璐，等.智能用電非侵入式負(fù)荷監(jiān)測系統(tǒng)研究[J].電力科學(xué)與技術(shù)學(xué)報，2019，34（2）：155-160.

[15]馬立新，徐聰.基于SOM神經(jīng)網(wǎng)絡(luò)的電網(wǎng)諧波源檢測與定位研究[J].控制工程，2018，25（5）：709-715.