張 昕，孫 莉，許高俊

（國網(wǎng)江蘇省電力有限公司營銷服務(wù)中心，江蘇南京 210019）

目前，安防設(shè)備已在我國普及使用，大部分用戶家里都安裝了用電監(jiān)控系統(tǒng)。對于大型商場、公園以及道路等場所，安裝了視頻監(jiān)控，工作人員只需要觀察監(jiān)控畫面，就能了解異常用電行為。然而，該方法容易造成視覺疲勞，耗費(fèi)大量人力。為此，提出了兩種檢測方法，分別是基于邏輯回歸的檢測方法和基于模糊聚類的檢測方法。其中，基于邏輯回歸的檢測方法通過構(gòu)建異常用電模型，就可以獲取面向全局的檢測數(shù)據(jù)，無需重新構(gòu)建全局?jǐn)?shù)據(jù)檢測模型，有效提高行為檢測效率[1]；基于模糊聚類的檢測方法直接從智能電表中提取異常用電特征，結(jié)合模糊聚類方法判斷數(shù)據(jù)類型[2]。然而，上述兩種方法在異常用電數(shù)據(jù)增加情況下，無法及時(shí)處理全部數(shù)據(jù)，導(dǎo)致用電行為檢測效果較差。為此，提出了基于深度森林算法的異常用電行為檢測方法。

1 異常用電行為采樣模型構(gòu)建

基于深度森林的異常用電特征采樣模型，如圖1所示。

圖1 異常用電特征采樣模型

由圖1可知，結(jié)合構(gòu)建的采樣模型，設(shè)異常用電行為的正例樣本數(shù)量為P個(gè)，負(fù)例樣本數(shù)量為Ni個(gè)[3]。采用深度森林算法，收集異常用電行為樣本，采樣步驟為：

步驟一：從負(fù)例樣本中隨機(jī)選取RNi個(gè)樣本，選取的數(shù)量與正例樣本數(shù)量基本一致。由異常用電行為的正例樣本數(shù)量P和個(gè)負(fù)例樣本共同組成訓(xùn)練子集

步驟二：用訓(xùn)練子集Si對決策樹進(jìn)行訓(xùn)練，重復(fù)步驟一獲取m個(gè)分類器。在檢測階段，基于分類器的投票結(jié)果來決定數(shù)據(jù)屬于正常用電行為還是異常用電行為[5]。

步驟三：用少量的正例和相似數(shù)目的負(fù)例組成訓(xùn)練子集，對決策樹模型進(jìn)行訓(xùn)練。

步驟四：再一次用訓(xùn)練子集構(gòu)造決策樹，利用決策樹構(gòu)造深度森林集成學(xué)習(xí)系統(tǒng)，輸出新樣本決策樹結(jié)果的平均值[6-7]。

步驟五：組合多次訓(xùn)練后的決策結(jié)果平均值，構(gòu)造決策模型，輸出結(jié)果。

2 異常用電行為檢測

結(jié)合深度森林算法，通過異常用電行為采樣模型能夠獲取目標(biāo)數(shù)據(jù)，由此設(shè)計(jì)基于深度森林算法的異常用電行為檢測流程，如圖2 所示。

圖2 異常用電行為檢測流程

2.1 原始樣本數(shù)據(jù)預(yù)處理

在對原始樣本數(shù)據(jù)進(jìn)行預(yù)處理的基礎(chǔ)上，排除不可避免的數(shù)據(jù)遺漏和顯著的離群點(diǎn)。

針對不顯著的漏失部分，用式（1）內(nèi)插法補(bǔ)全缺失值：

式（1）中，αi表示經(jīng)過預(yù)處理后的第i時(shí)刻數(shù)據(jù)；αi-1和αi+1分別表示第i-1 和i+1 時(shí)刻出現(xiàn)遺漏情況的補(bǔ)全值[8-9]。

針對顯著的漏失部分，用式（2）三西格瑪經(jīng)驗(yàn)法補(bǔ)全缺失值：

式（2）中，avg(α)表示預(yù)處理后數(shù)據(jù)的平均值；std(α)表示標(biāo)準(zhǔn)差。

2.2 異常用電行為特征量提取

通過補(bǔ)全原始樣本漏失部分?jǐn)?shù)據(jù)，可以獲取完整目標(biāo)數(shù)據(jù)，由此設(shè)計(jì)異常用電行為特征量提取流程：

步驟一：根據(jù)日、月、季三個(gè)時(shí)間段劃分異常用電行為特征，由此計(jì)算不同用戶在單位時(shí)間內(nèi)的用電標(biāo)準(zhǔn)差[10]。

步驟二：依據(jù)上述序列，可將異常用電趨勢分為三類，分別是變化趨勢、波動(dòng)趨勢和上升趨勢。

步驟三：建立一個(gè)數(shù)據(jù)集，包含每個(gè)用戶分為D個(gè)日、M個(gè)月、Q個(gè)季度的用電數(shù)據(jù)[11]。

步驟四：結(jié)合用電數(shù)據(jù)，確定用電量序列，分別是日用電量：xn={xnd,d=1,…,D}；月用電量：yn={ynm,m=1,…,M}；季度用電量：zn={znq,q=1,…,Q}。

步驟五：異常用電行為檢測方法提取的異常用電行為特征趨勢分別為：

統(tǒng)計(jì)上，標(biāo)準(zhǔn)差被用來評價(jià)序列中變化和波動(dòng)的程度，各指標(biāo)的差值越大，數(shù)值波動(dòng)越大[12]。用電量標(biāo)準(zhǔn)差Sstd是電力數(shù)據(jù)波動(dòng)趨勢的特征，表達(dá)式為：

式（3）中，xi表示離散系數(shù)；k表示月份/季度；ui表示設(shè)定時(shí)段內(nèi)的平均用電量。

②變動(dòng)趨勢

變動(dòng)趨勢特征是在用戶在使用功率特性時(shí)，將某一段時(shí)間內(nèi)的平均功率消耗與前一次鄰近時(shí)段的功率消耗進(jìn)行比較，這一差別反映了耗電量變化的速度[13]。

③升降趨勢

升降趨勢特性是指根據(jù)用戶連續(xù)數(shù)天的耗電量，預(yù)測下一段時(shí)間的耗電量，并與實(shí)際耗電量進(jìn)行比較，以確定下一段時(shí)間內(nèi)耗電量的可能性。

電力數(shù)據(jù)升降趨勢是簡單移動(dòng)總量的平均值，表達(dá)式為：

經(jīng)觀察MBM-7革蘭氏染色陽性，桿狀（圖1A）；菌落呈白色、表面光滑濕潤、中間凸起、邊緣整齊（圖1B），2.0～2.3 μm×2.1～2.5 μm。

按照各項(xiàng)目的時(shí)間序列，依次計(jì)算固定數(shù)量的項(xiàng)目，作為下一個(gè)預(yù)測值，由此獲取t時(shí)刻升降趨勢：

以式（5）為依據(jù)，如果tr＜0，則說明用電趨勢下降；如果tr＞0，則說明用電趨勢上升。

2.3 樣本訓(xùn)練

利用訓(xùn)練樣本進(jìn)行深度森林分類訓(xùn)練，通過使用不同大小的窗口生成不同粒度的特征向量，從而得到更加可靠的結(jié)果。樣本訓(xùn)練過程如下：

步驟一：使用不同大小滑窗掃描不同粒度，獲取粒度特征；然后與深度森林算法相結(jié)合，可以從異常用電行為采樣模型獲得目標(biāo)數(shù)據(jù)，將其與粒度相結(jié)合，獲取結(jié)合后的類向量；最后將類向量作為輸入向量，輸入到下一層[14]。

步驟二：通過k-fold 交叉驗(yàn)證，避免出現(xiàn)過擬合問題，由此產(chǎn)生訓(xùn)練樣本。具體驗(yàn)證為：將每個(gè)k-1類向量作為訓(xùn)練樣本，計(jì)算出這些類矢量的平均值，將計(jì)算結(jié)果輸入到下一層[15]。

步驟三：擴(kuò)充了級聯(lián)之后，可以在校驗(yàn)集中得到整個(gè)級聯(lián)的性能，由此完成樣本訓(xùn)練。

2.4 檢測異常用電嫌疑

為獲得表征異常程度的統(tǒng)一參數(shù)法公式，采用深度森林算法構(gòu)建異常用電量指數(shù)公式，如下所示：

式（6）中，β1表示異常用電；β2表示有異常用電嫌疑；β3表示正常用電；β(X)表示多特征融合的不確定部分。Ssc值越高，說明用戶異常用電可能性就越大，反之，則越低。

基于此，對異常用電嫌疑分類：

異常用電計(jì)量不規(guī)范，是指為了降低電費(fèi)而擅自拉電纜、改變計(jì)量方式等違法行為[16]。對供電企業(yè)而言，這是一種十分危險(xiǎn)的用電方式，詳細(xì)分類為：

1）欠壓異常用電

欠壓異常用電的主要原因是，使用者通過串聯(lián)電阻、開關(guān)的不良接觸行為改變線路連接狀態(tài)，由此出現(xiàn)竊電行為，引起線路故障。

2）欠流異常用電

欠流異常用電的主要原因是，使用者通過在計(jì)量回路中加限流電阻，改變了電流互感器的兩側(cè)轉(zhuǎn)化電流之間的比例，使回路短路，由此出現(xiàn)竊電行為，引起線路故障，達(dá)到電量使用減少的目的。

欠流異常用電的主要原因通過在計(jì)量電路中增加了限流電阻；改變電流互感器的CT 比；改變電流測量回路的正常接線方式；改變電流計(jì)量回路的正常接線方式，引起線路故障。

3）移相異常用電

移相異常用電功率異常主要是利用電容或電感對周圍電磁場和線圈產(chǎn)生影響，改變電壓與電流的相位關(guān)系，進(jìn)而導(dǎo)致用電行為異常。

3 實(shí)驗(yàn)分析

3.1 數(shù)據(jù)來源

以省電力公司用電信息采集系統(tǒng)采集到的用戶日常用電數(shù)據(jù)為例，驗(yàn)證提出的基于深度森林算法的異常用電行為檢測方法是否合理。選取的日期是2019-01-01 至2020-12-31，間隔15 min 采樣1 次數(shù)據(jù)，從采集的全部數(shù)據(jù)中，提取樣本共500 例，其中異常用電樣本為100 例，有異常用電嫌疑的樣本為200例，正常用電樣本為200 例。

3.2 實(shí)際數(shù)據(jù)分析

以某一用戶異常用電情況為例，確定分時(shí)電量數(shù)據(jù)變化，如圖3 所示。

圖3 異常用電情況下分時(shí)電量數(shù)據(jù)變化

如圖3 所示，某一用戶異常用電主要有四種模式，分別是model-1、model-2、model-3、model-4，這四種模式基本都是白天高用電量，晚上低用電量。其中model-1 表示一整天都處于高負(fù)荷工作狀態(tài)，model-2、model-3 表示除了中午電量有所回落后，其余時(shí)間均處于高負(fù)荷工作狀態(tài)，model-4 表示一整天都處于低負(fù)荷工作狀態(tài)，并且均低于其他模式的電量數(shù)據(jù)值。

3.3 實(shí)驗(yàn)結(jié)果與分析

結(jié)合實(shí)際分析數(shù)據(jù)，分別使用邏輯回歸、模糊聚類和基于深度森林算法方法檢測異常用電情況下分時(shí)電量數(shù)據(jù)，檢測結(jié)果如圖4 所示。

由圖4 可知，使用邏輯回歸檢測方法和模糊聚類檢測方法四種模式下的分時(shí)電量數(shù)據(jù)均與實(shí)際數(shù)據(jù)不一致，而使用深度森林算法的檢測方法四種模式下的分時(shí)電量數(shù)據(jù)均與實(shí)際數(shù)據(jù)一致。

圖4 三種方法異常用電數(shù)據(jù)檢測結(jié)果

為了進(jìn)一步驗(yàn)證該方法的有效性，以ROC 曲線驗(yàn)證指標(biāo)，其橫坐標(biāo)表示誤檢率，縱坐標(biāo)表示檢測率，三種方法的ROC 曲線驗(yàn)證結(jié)果如圖5 所示。

由圖5 可知，使用邏輯回歸檢測方法隨著誤檢率增加，異常用電行為檢測率隨之下降，當(dāng)誤檢率為20%時(shí)，檢測率為55%；使用模糊聚類檢測方法隨著誤檢率增加，異常用電行為檢測率隨之下降，當(dāng)誤檢率為20%時(shí)，檢測率為30%；使用深度森林算法的檢測方法隨著誤檢率增加，異常用電行為檢測率隨之下降，當(dāng)誤檢率為20%時(shí)，檢測率為5%，具有精準(zhǔn)檢測結(jié)果。

圖5 三種方法ROC曲線驗(yàn)證結(jié)果

4 結(jié)束語

該文提出的基于深度森林算法的異常用電行為檢測方法，通過構(gòu)建基于深度森林算法的檢測模型，提取特征量，結(jié)合深度森林算法對異常用電行為進(jìn)行分類。檢測數(shù)據(jù)，判斷使用者的耗電量模式是否正常，否則判斷為異常。后續(xù)應(yīng)從檢測準(zhǔn)確率、召回率兩個(gè)關(guān)鍵性指標(biāo)出發(fā)，進(jìn)行仿真實(shí)驗(yàn)分析，進(jìn)一步完善異常用電行為檢測模型。