基于DBN 深度學習算法的低壓臺區(qū)反竊電診斷

任盛，周志飛，卜龍敏，劉文婕，王藝錂

（國網(wǎng)湖南省電力有限公司供電服務中心（計量中心）智能電氣量測與應用技術湖南省重點實驗室，湖南 長沙 410004）

在電網(wǎng)覆蓋率不斷上升的背景下，居民的用電量逐漸增加，一些不法分子實施竊電行為損害電力公司的權益，為電力公司帶來了巨大的經(jīng)濟損失，同時也帶來了一定的安全隱患。隨著科學技術的不斷發(fā)展，不法分子的竊電手段已逐漸科技化，由傳統(tǒng)的分壓、分流發(fā)展成高頻干擾器非侵入式竊電等，尤其在低壓臺區(qū)，竊電的地點更加隱秘，竊電過程更為復雜，給電力公司的反竊電診斷工作帶來了極大的挑戰(zhàn)。

為此，國內(nèi)的許多專家學者對此展開了相關的研究。以往提出的基于時空關聯(lián)矩陣的低壓臺區(qū)反竊電診斷方法[1]，通過大數(shù)據(jù)挖掘技術對智能電表的高頻率數(shù)據(jù)進行了挖掘，通過挖掘出的高頻率數(shù)據(jù)建立了診斷模型，在診斷模型中對用戶竊電量進行了預估，該診斷方法改變了傳統(tǒng)人工調(diào)查的竊電方式，實現(xiàn)了對低壓臺區(qū)竊電用戶的準確認定與反竊電手段的診斷，但該方法對竊電用戶的竊電行為沒有進行具體分辨，診斷效率較差?；诖髷?shù)據(jù)挖掘的反竊電診斷識別定位方法[2]分析了竊電用戶的時空分布特征，統(tǒng)計了竊電用戶的竊電開始時間、終止時間、用電容量等竊電信息，對其進行了綜合診斷，但是該方法診斷精準性過低。

為了解決以上問題，該文提出了基于DBN 深度學習算法的低壓臺區(qū)反竊電診斷方法，通過實驗進行了驗證。

1 低壓臺區(qū)反竊電數(shù)據(jù)挖掘

為了實現(xiàn)對低壓臺區(qū)反竊電的診斷，首先需要對低壓臺區(qū)反竊電數(shù)據(jù)進行挖掘。利用數(shù)據(jù)挖掘技術分析竊電用戶竊電的交流頻率，進行電壓融合分析，采用電源融合方法對交流頻率負荷進行管理，由此獲得的反竊電數(shù)據(jù)參數(shù)模型為：

式中，xn(t)表示在t竊電時刻的竊電交流頻率；pi表示輸電配電網(wǎng)電壓分布參數(shù)；gi表示直流微電網(wǎng)負荷參數(shù)；i表示輸電配電網(wǎng)電流；di表示輸電配電網(wǎng)的母線電容；n(t)表示竊電用戶n在t時刻的竊電數(shù)據(jù)量[3]。

通過該反竊電數(shù)據(jù)參數(shù)模型分析竊電用戶竊電的有功功率變化，利用電網(wǎng)內(nèi)電源辨識診斷輸電配電網(wǎng)的母線差異性，獲得三相交流電流與交直流母線的關聯(lián)性，由兩者之間表現(xiàn)出的關聯(lián)性對反竊電數(shù)據(jù)的差異性進行判斷與識別，得到反竊電直流輸出功率的分布情況，將直流微電網(wǎng)反竊電擴頻序列與母線差異性結合起來，可得出反竊電數(shù)據(jù)的模糊度參數(shù)，將母線電容與反竊電相角差進行數(shù)據(jù)融合，融合后的低壓臺區(qū)反竊電數(shù)據(jù)為：

式中，yi表示挖掘出的低壓臺區(qū)反竊電數(shù)據(jù)；gi1表示反竊電數(shù)據(jù)變化值；m1表示直流微電網(wǎng)的輸出功率變化值；gi2表示反竊電交流側(cè)電壓；m2表示反竊電數(shù)據(jù)的模糊度參數(shù)[4-5]。

在均衡分配下，通過挖掘出的低壓臺區(qū)反竊電數(shù)據(jù)，可獲得竊電用戶竊電量以及竊電時間、電流等相關竊電信息，通過這些竊電信息以及反竊電數(shù)據(jù)可建立低壓臺區(qū)反竊電診斷模型[6-7]。

2 低壓臺區(qū)反竊電診斷

通過以上挖掘的低壓臺區(qū)反竊電數(shù)據(jù)構建反竊電診斷模型。在建立低壓臺區(qū)反竊電診斷模型時，采用了DBN 深度學習算法，該算法通過一個RBM（受限玻爾茲曼機）的訓練使DBN 進行學習，通過自下而上進行每一層的訓練，使DBN 對輸入的每個數(shù)據(jù)都能夠進行很好的學習與訓練[8]。

該文將DBN 深度學習算法應用在反竊電診斷模型中，主要將挖掘出的反竊電數(shù)據(jù)分為樣本數(shù)據(jù)集與訓練數(shù)據(jù)集，利用樣本數(shù)據(jù)集建立反竊電樣本診斷模型，采用訓練數(shù)據(jù)集建立反竊電訓練診斷模型，最后將樣本診斷模型與訓練診斷模型進行融合，形成低壓臺區(qū)反竊電診斷模型[9-12]。

首先建立低壓臺區(qū)反竊電樣本診斷模型。利用DBN 深度學習算法對挖掘出的反竊電數(shù)據(jù)進行預處理，分成樣本數(shù)據(jù)集與訓練數(shù)據(jù)集。樣本數(shù)據(jù)集內(nèi)含有輸入層、隱含層與輸出層，每層中均含有數(shù)量不等的反竊電樣本數(shù)據(jù)，在這些反竊電樣本數(shù)據(jù)中含有一定數(shù)量的無效數(shù)據(jù)，無效數(shù)據(jù)會影響反竊電樣本診斷模型的建立，因此需要先將其剔除出去。無效反竊電數(shù)據(jù)通常存在于輸入層、隱含層、輸出層中數(shù)量最少的節(jié)點內(nèi)，對比不同層中節(jié)點的數(shù)量，找出數(shù)量最少的節(jié)點，將其中的無效數(shù)據(jù)剔除即可。根據(jù)剩下的反竊電樣本數(shù)據(jù)集建立的反竊電樣本診斷模型為：

式中，Xε表示反竊電樣本診斷模型的系數(shù)；j表示節(jié)點數(shù)量；γ表示節(jié)點的總數(shù)量；Ak表示在輸入層上的反竊電樣本數(shù)據(jù)；Br表示在隱含層上的反竊電樣本數(shù)據(jù)；Rj表示在輸出層上的反竊電樣本數(shù)據(jù)；通過該模型可實現(xiàn)反竊電樣本數(shù)據(jù)集的診斷[13-14]。

采用DBN 深度學習算法對訓練數(shù)據(jù)集進行訓練，訓練數(shù)據(jù)集中反竊電數(shù)據(jù)量較大，導致DBN 深度學習算法的訓練速度較慢，會使反竊電訓練診斷模型出現(xiàn)誤差，因此需要在模型中增加一個訓練系數(shù)，以消除誤差，建立的反竊電訓練診斷模型如下：

式中，Ya表示訓練診斷模型的參數(shù)；a表示訓練系數(shù)；Δsa表示反竊電訓練數(shù)據(jù)[15]。

最后將建立的反竊電樣本診斷模型與反竊電訓練診斷模型進行融合處理，形成的低壓臺區(qū)反竊電診斷模型為：

式中，δ表示融合后的模型系數(shù)；l表示反竊電診斷常數(shù)。通過該低壓臺區(qū)反竊電診斷模型，可以實現(xiàn)反竊電診斷。

以上建立的基于DBN 深度學習算法的低壓臺區(qū)反竊電診斷模型，其診斷過程如圖1 所示。

圖1 低壓臺區(qū)反竊電診斷過程

首先，清洗補正反竊電數(shù)據(jù)。反竊電數(shù)據(jù)在傳輸過程中由于網(wǎng)絡中斷、設備故障等原因會導致部分反竊電數(shù)據(jù)的缺失，影響反竊電診斷的進行，因此需要對反竊電數(shù)據(jù)進行清洗補正，清洗補正的方法為線性差值法，利用DBN 深度學習算法對清洗補正的反竊電數(shù)據(jù)進行差值運算，計算出反竊電數(shù)據(jù)的缺失值，計算公式如下：

式中，W表示反竊電數(shù)據(jù)的缺失值；λ表示缺失系數(shù)；q1表示反竊電數(shù)據(jù)的清洗補正權值；h1表示預估的反竊電電量。根據(jù)得出的缺失值可實現(xiàn)反竊電數(shù)據(jù)的清洗補正。

其次，對低壓臺區(qū)的竊電風險進行辨識。低壓臺區(qū)中的低壓用戶在竊電時，會導致線損升高，在判斷低壓臺區(qū)內(nèi)的竊電情況時，可通過檢測低壓臺區(qū)內(nèi)的線損變化范圍來實現(xiàn)，在竊電行為發(fā)生前，記錄低壓臺區(qū)內(nèi)線損的數(shù)值，當竊電行為發(fā)生后，記錄臺區(qū)內(nèi)線損的數(shù)值，如果線損的變化范圍超過標準數(shù)值，根據(jù)超出的線損數(shù)值大小分析低壓臺區(qū)內(nèi)的竊電情況。

再次，分析低壓臺區(qū)內(nèi)用戶的竊電行為。當?shù)蛪号_區(qū)內(nèi)出現(xiàn)竊電行為時，會導致竊電用戶以及鄰戶的電表電流下降，電壓、額定功率、電壓等均將發(fā)生異常，因此需要分析用戶的竊電行為，在分析竊電行為時主要進行空間維度的辨識，在空間維度辨識方面，主要監(jiān)測低壓臺區(qū)內(nèi)低壓戶表的電壓值，根據(jù)戶表電壓的變化情況分析竊電行為。

最后，對竊電量進行估算。竊電量的估算可保證反竊電診斷的順利進行，竊電用戶竊電量的多少主要取決于竊電時間與竊電功率，竊電用戶電表異常電壓的起始時間即為竊電時間，竊電量的計算公式為：

式中，G表示低壓用戶的竊電量；P1表示竊電用戶竊電功率；T1表示竊電用戶的竊電時間。通過以上的診斷過程可實現(xiàn)低壓臺區(qū)反竊電的診斷[16]。

3 實驗研究

為了檢測該文提出的基于DBN 深度學習算法的低壓臺區(qū)反竊電診斷方法的有效性，選用該文提出的方法與傳統(tǒng)的基于時空關聯(lián)矩陣的低壓臺區(qū)反竊電診斷方法和基于大數(shù)據(jù)挖掘的低壓臺區(qū)反竊電診斷方法進行實驗對比。

首先辨識分析用戶的竊電嫌疑，對某供電公司的4 個臺區(qū)進行供電分析，每個臺區(qū)共有12 個用戶。

綜合分析已經(jīng)獲得的低壓用戶表，根據(jù)電壓、電流和功率等多種因素，確定線損波動率閾值為13，超過線損波動率閾值則為竊電用戶，對應每個臺區(qū)可知，臺區(qū)1 的竊電用戶為5，臺區(qū)2 的竊電用戶為7，臺區(qū)3 的竊電用戶為6，記錄竊電用戶分別為K15、K27、K36、K44，分別使用三種方法對三個臺區(qū)用戶的線損波動率進行實驗，得到的對比結果如下。

臺區(qū)1 的竊電用戶線損判定結果如圖2 所示。

圖2 臺區(qū)1的竊電用戶線損判定結果

臺區(qū)2 的竊電用戶線損判定結果如圖3 所示。

圖3 臺區(qū)2的竊電用戶線損判定結果

臺區(qū)3 的竊電用戶線損判定結果如圖4 所示。

圖4 臺區(qū)3的竊電用戶線損判定結果

由圖2-4 可知，該文提出的基于DBN 深度學習算法的低壓臺區(qū)反竊電診斷方法在對三個臺區(qū)進行診斷的過程中，都能精準地確定出用電用戶中出現(xiàn)竊電的用戶，在三次計算中，該文提出的方法都能確定出線損值超出閾值的用戶，即K15、K27、K36、K44，實現(xiàn)精確檢測。

4 結束語

針對傳統(tǒng)低壓臺區(qū)反竊電診斷方法存在的診斷精度低、計算過程復雜等問題，該文提出了基于DBN深度學習算法的低壓臺區(qū)反竊電診斷方法。挖掘反竊電數(shù)據(jù)，通過實驗研究驗證了該文診斷方法的性能較好，使反竊電工作更加高效、規(guī)范，可以有效遏制各種反竊電行為，促進電網(wǎng)的快速發(fā)展。該文設計的反竊電診斷模型可能在某些地區(qū)適應性不強，有待進一步研究。