劉 康，劉 鑫，張蓬鶴，薛 陽，李 彬，4，蘇 盛

（1. 智能電網(wǎng)運行與控制湖南省重點實驗室（長沙理工大學），湖南省 長沙市 410114；

2. 國網(wǎng)湖南省供電服務中心（計量中心），湖南省 長沙市 410114；3. 中國電力科學研究院有限公司，北京市 100180；4. 湖南城市學院機械與電氣工程學院，湖南省 益陽市 413000）

0 引言

電力用戶竊電是供電企業(yè)面臨的共性問題［1］。近年來，智能電表得到普及應用，數(shù)據(jù)驅(qū)動竊電檢測方法在其采集的海量數(shù)據(jù)基礎上發(fā)展迅猛［2］。由于現(xiàn)場稽查需要消耗大量人力和物力，降低誤報率是竊電檢測所要突破的關(guān)鍵瓶頸。供電企業(yè)基于長期實踐經(jīng)驗總結(jié)建設的同期線損管理系統(tǒng)，極大地方便了高損臺區(qū)/線路的竊電檢測。以此為基礎，學術(shù)界和工業(yè)界通過引入臺區(qū)/線路中異常用戶與線損關(guān)聯(lián)關(guān)系的增量信息［3-4］，有力地推進了面向高損線路/臺區(qū)的低誤報率竊電檢測技術(shù)應用。需要指出的是，工程實際中在非高損線路中也存在竊電用戶，由于線損沒有明顯異常表現(xiàn)，難以應用前述方法。

目前竊電檢測研究可分為3 種類型:基于博弈論、基于系統(tǒng)狀態(tài)和基于知識與數(shù)據(jù)混合驅(qū)動［5-7］。基于博弈論的檢測方法難以確定參與者的效用函數(shù)及博弈策略［8］?；谙到y(tǒng)狀態(tài)估計的竊電檢測要求實時完整準確地掌握網(wǎng)絡拓撲、線路參數(shù)以及線變戶表關(guān)系，且需要附加投資［9］。早期的數(shù)據(jù)驅(qū)動竊電檢測方法多假設竊電用戶用電量會出現(xiàn)異常跌落，針對性設計特征指標進行異常檢測［10-11］。但根據(jù)日電量跌落來判斷異常，容易和某些正常用戶的用電行為混疊，造成較高的誤報率，難以滿足工程應用要求［12-13］。以竊電用戶用電量跌落為前提將日電量作為輸入數(shù)據(jù)，盡管能采用自編碼等方式自動提取特征，但本身蘊含的信息不足以可靠區(qū)分異常用戶和其他類型的正常用戶。文獻［14］分析了大量竊電用戶的負荷曲線，提出竊電用戶的負荷曲線形態(tài)可能具有相似性，并以此為出發(fā)點基于曲線形態(tài)的相似性來識別竊電用戶。本文通過比對實際竊電用戶與該文所列竊電用戶的負荷曲線，發(fā)現(xiàn)在曲線形態(tài)上表現(xiàn)為用電量尖峰特征。由于這些特征局限在局部點位，簡單采用曲線形態(tài)的相似性可能難以準確捕捉局部細節(jié)特征，但這些特征潛藏于單一用戶數(shù)據(jù)中而不依賴關(guān)聯(lián)線損數(shù)據(jù)，可以為后續(xù)研究竊電檢測新機理提供的竊電檢測方法提供指引。

深度學習領(lǐng)域?qū)μ卣魈崛∫延猩钊胙芯浚?5］，其中自編碼器（autoencoder，AE）因具備強大的特征提取能力被廣泛應用于降維、表示學習和信息檢索中［16］。文獻［12-13］均利用AE 訓練大量竊電樣本來提煉特征指標，再結(jié)合分類方法識別異常用戶，可取得較高的準確率。然而實際中大量竊電樣本難以全面獲取，且自編碼未考慮用戶用電數(shù)據(jù)中的時序性，小時級局部特征由于存續(xù)時間短，難以可靠提取，容易造成誤報。

本文基于部分竊電用戶在小時級用電上存在異常特征這一先驗知識，從數(shù)據(jù)與知識混合驅(qū)動思路出發(fā)，提出基于負荷尖峰特征長短期記憶（long short-term memory，LSTM）-AE 的用戶竊電識別方法。將具備時序記憶能力的LSTM 單元作為AE 的神經(jīng)元，在AE 的基礎上增強了模型對長時間序列的處理能力，使其能捕捉用電序列之間的長期依賴關(guān)系；根據(jù)用戶歷史負荷數(shù)據(jù)學習其潛在的用電規(guī)律，并自動提取其特征的內(nèi)在聯(lián)系；隨后重構(gòu)輸入得到擬合值，采用擬合值與真實值的均方誤差設定自適應預警閾值來識別異常尖峰時段。該方法考慮了用戶負荷的時序特性，無需大量竊電樣本訓練模型，根據(jù)待檢用戶歷史負荷序列自適應提取特征即可診斷異常。最后，通過仿真算例和專變用戶實際數(shù)據(jù)驗證了所提方法的可行性和有效性。

1 竊電場景分析

1.1 典型竊電用戶曲線形態(tài)表征

在工程實踐中，用戶采集系統(tǒng)中竊電用戶的標注存在著獲取難、數(shù)據(jù)集類別不平衡、樣本干擾等問題［14］，給企業(yè)人員的分析排查工作帶來一定的困難。若能根據(jù)已知竊電用戶曲線形態(tài)進行合理的特征提取，分析其特征產(chǎn)生背后隱藏的規(guī)律，有可能利用這一特點挖掘其中的特征項來識別異常。

將現(xiàn)場確認典型竊電用戶的小時尺度用電曲線形態(tài)繪制在圖1 中，由圖中虛線部分可見其具有以下2 種形態(tài)表征:

1）如圖1（a）和（b）所示的日用電量驟降或持續(xù)跌落趨勢，但此時容易與其他類型的電量下降混淆導致誤判。對此，文獻［17］提出了基于負荷特征的生產(chǎn)經(jīng)營狀態(tài)識別方法，識別低電量驟降是用戶用電異常還是正常的低電量生產(chǎn)經(jīng)營導致的電量驟降。

2）另一種是圖1（c）和（d）所示的小時電量尖峰異常， “用電量尖峰”的形態(tài)表征是持續(xù)竊電用戶在未竊電時間段的小時尺度電量尖峰［14］。用戶竊電時，負荷尖峰被大幅壓縮，而在未竊電時會表現(xiàn)出明顯高于竊電時段的負荷尖峰，此“用電量尖峰”為該用戶實際最大負荷。

圖1 4 種典型竊電用戶Fig.1 Four typical users with electricity theft actions

正常專變用戶或大用戶因為生產(chǎn)狀態(tài)的正常切換也會有類似的用電量尖峰，但因用戶大功率電器設備投用組合和用電行為模式固定［17］，其用電量尖峰具有時序規(guī)律性。持續(xù)竊電用戶的用電量尖峰為小時尺度特性，基于日負荷形態(tài)的相似性檢測異常容易遮蔽局部特征的作用，因此本文以竊電用戶數(shù)據(jù)在小時尺度上隱含的差異為導向，利用LSTMAE 模型來識別用戶是否存在異常用電行為。

1.2 用戶用電周期性分析

由于竊電行為一般通過繞過電表、篡改電表讀數(shù)或入侵電表來實現(xiàn)，從而導致計量數(shù)據(jù)出現(xiàn)異常的用電曲線形態(tài)。對1.1 節(jié)數(shù)據(jù)集中用戶用電數(shù)據(jù)進行分析。其包含200 個用戶180 d 內(nèi)的用電量數(shù)據(jù)。用戶日電量數(shù)據(jù)隨其負載波動，難以捕捉區(qū)分竊電用戶和正常用戶的關(guān)鍵特征，分時數(shù)據(jù)的數(shù)據(jù)采集頻率高，隱含用戶更多用電信息［10］。取典型竊電專變用戶及正常專變用戶以小時為單位繪制日用電量數(shù)據(jù)，如圖2 所示。

圖2 典型竊電用戶和正常用戶的日負荷曲線Fig.2 Daily load curves of typical users with electricity theft actions and normal users

由圖2（a）可知，正常專變用戶的負荷曲線具有周期性，在每天的09:00 和14:00 達到高峰，在夜間23:00 至第2 天的07:00 進入低谷。實際上，對整個數(shù)據(jù)集分析也有類似的結(jié)果，本文僅展示整個數(shù)據(jù)集中的一個用戶數(shù)據(jù)。分析6 個月的小時用電數(shù)據(jù)可以發(fā)現(xiàn)，大多數(shù)正常專變用戶的用電規(guī)律均存在一定的時序周期性，且1.1 節(jié)指出的“用電量尖峰”特征存在隱含的周期規(guī)律。相比之下，圖2（b）所示典型專變竊電用戶有5 d（即第1、2、3、5、7 天）的小時電量呈周期性波動。白天10:00—17:00 處于負荷高峰，其余時間負荷平穩(wěn)運行。但第4 天和第7 天的小時電量不符合其周期，第6 天的小時電量一直處于高負荷狀態(tài)，且明顯高于其他天周期性用電的負荷高峰。

為更深入分析正常專變用戶的周期性與竊電專變用戶的非周期性，對小時用電數(shù)據(jù)作相關(guān)性分析，如圖3 所示，其中分別展示了正常專變用戶和竊電專變用戶按日的小時電量皮爾遜相關(guān)系數(shù)（Pearson correlation coefficient，PCC）。

圖3 正常及竊電專變用戶的PCC 圖Fig.3 PCC diagrams of normal users and specialtransformer users with electricity theft actions

由圖3（a）可見，正常專變用戶的小時用電數(shù)據(jù)具有很強的相關(guān)性，即PCC 值絕大多數(shù)大于0.86（PCC 值越接近1，說明相關(guān)性越強［18］）。但圖3（b）竊電專變用戶所示異常的第4、6 天的小時數(shù)據(jù)與其他天之間的相關(guān)性較低（即PCC 值小于0.7），第1、2、3、5、7 天的小時數(shù)據(jù)之間相關(guān)性較強。

通過對正常及竊電專變用戶小時用電數(shù)據(jù)的統(tǒng)計分析，發(fā)現(xiàn)竊電用戶小時用電數(shù)據(jù)與正常用戶相比，異常時段通常不具有時序周期性。同時文獻［10］中對用電數(shù)據(jù)的分析工作也證實了該統(tǒng)計結(jié)果。但僅根據(jù)統(tǒng)計分析進行判斷容易誤報。當專變用戶竊電時，其在未竊電時段的用電量尖峰相較其他時段的用戶量尖峰不具備時序周期性。因此，本文利用LSTM-AE 模型捕捉用戶歷史用電數(shù)據(jù)點之間的長期依賴關(guān)系，學習其負荷曲線中潛在的用電規(guī)律并自動提取特征的內(nèi)在聯(lián)系，從而達到區(qū)分異常和正常用戶的目的。

2 LSTM-AE 模型及算法原理

2.1 LSTM

為解決循環(huán)神經(jīng)網(wǎng)絡的長期依賴問題，Hochreiter 等人提出了LSTM 網(wǎng)絡，以挖掘時間序列中的隱含規(guī)律［19］。其循環(huán)單元結(jié)構(gòu)示意圖如圖4所示，LSTM 主要改進在以下兩個方面［20-21］。

圖4 LSTM 網(wǎng)絡循環(huán)單元結(jié)構(gòu)示意圖Fig.4 Schematic diagram of loop unit structure of LSTM network

1）引入門控機制來調(diào)控信息傳遞路徑，從而實現(xiàn)記憶信息的選擇性傳遞。遺忘門（記作ft）控制上一時刻的內(nèi)部狀態(tài)ct?1來選擇性丟棄記憶單元中的信息，其計算公式如下:

式 中:Wf和bf分 別 為 遺 忘 門 權(quán) 重 和 偏 置；σ(?)表 示sigmiod 激活函數(shù)；[ht?1，xt]表示行數(shù)相等的矩陣或向量進行列合并。

輸入門（記作it）控制當前時刻的候選狀態(tài)c?t來更新記憶單元中的信息，其計算公式如下:

式中:Wi和bi分別為輸入門的權(quán)重和偏置；Wc和bc分別為更新值的權(quán)重和偏置；tanh(?)表示雙曲正切激活函數(shù)。

結(jié)合ft、it、上一個記憶單元狀態(tài)ct?1和候選狀態(tài)來共同決定和更新記憶單元ct，其更新公式如下:

式中:“*”表示點乘。

輸出門（記作ot）通過sigmoid 層來控制當前時刻的內(nèi)部狀態(tài)ct中將哪些信息輸出給外部狀態(tài)ht，其計算公式如下:

式中:Wo和bo分別為輸出門的權(quán)重和偏置。

2）引入了新的內(nèi)部狀態(tài)專門進行線性的循環(huán)信息傳遞［22］，同時（非線性地）輸出信息給隱藏層的外部狀態(tài)。其內(nèi)部狀態(tài)ct通過以下公式計算:

式中:⊙為向量元素乘積；ct?1為上一時刻的記憶單元。

在每個時刻t，LSTM 網(wǎng)絡的內(nèi)部狀態(tài)ct記錄了到當前時刻為止的輸入用戶小時用電數(shù)據(jù)的歷史信息。因此，通過LSTM 循環(huán)單元，LSTM-AE 模型可以學習到用戶分時數(shù)據(jù)中隱含的用電周期規(guī)律［23］。

2.2 AE

將具備時序記憶能力的LSTM 單元作為AE 的神經(jīng)元，其AE 是采用無監(jiān)督的學習方式，在異常檢測、數(shù)據(jù)去噪、電網(wǎng)設備故障診斷等領(lǐng)域應用廣泛［24］，其結(jié)構(gòu)如圖5 所示。假設采集的用戶k分時用電數(shù)據(jù)為Xk=[x1，x2，…，xn]，xi∈RD，其中D表示輸入維度，n為樣本長度。AE 將輸入數(shù)據(jù)X映射到特征空間，從而得到每個樣本的編碼Z=[z1，z2，…，zn]，zi∈ZM，其中，M表示特征空間中樣本的維數(shù)。zi的表達式如式（9）所示。然后，再將Z映射到輸出層得到重構(gòu)的用戶分時數(shù)據(jù)為X?k=[x?1，x?2，…，x?n]，x?i∈RD。x?i表達式如式（10）所示。

圖5 AE 的結(jié)構(gòu)Fig.5 Structure of AE

式中:w（1）、w（2）、b（1）和b（2）為網(wǎng)絡參數(shù)（權(quán)重和偏執(zhí)）；f(·)為 激 活 函 數(shù)，如sigmoid、swish、rectified linear unit 等；運算符“·”表示向量內(nèi)積。

AE 的訓練目標是盡可能在重構(gòu)輸入時使重構(gòu)錯誤最小化［25］。定義其重構(gòu)誤差L如式（11）所示。

式中:λ為正則化項系數(shù)；W為AE 模型的參數(shù)，用于防止模型過擬合；N為樣本總數(shù)。

2.3 自適應閾值設定

當單個待檢專變用戶分時數(shù)據(jù)經(jīng)LSTM-AE 模型訓練的重構(gòu)誤差L趨于穩(wěn)定后，根據(jù)得到的擬合值X?k與用戶輸入數(shù)據(jù)Xk實際值計算均方誤差（mean squared error，MSE）［26］，計算公式如下:

式 中:yi和y?i分 別 為 實 際 值 向 量 和 擬 合 值 向 量；ξ表示MSE。

專變用戶雖然用電行為模式具有固定模式，但其負載波動是一個動態(tài)的非平穩(wěn)過程，分時用電數(shù)據(jù)的MSE 也處于動態(tài)變化中。為了有效辨別正常及竊電專變用戶的MSE，需要設定能隨不同用戶不同經(jīng)營狀態(tài)［17］下隨MSE 自適應變化的閾值。

考慮到專變用戶分時用電數(shù)據(jù)的非平穩(wěn)性，MSE 含有異常值且具有一定波動性，本文自適應閾值設定方法如式（14）所示，與傳統(tǒng)方法不同之處在于其不僅是基于標準差計算得到，還考慮了MSE 含有的異常值因素。因?qū)Ｗ冇脩舴謺r用電數(shù)據(jù)具有周期性，故MSE 在區(qū)間內(nèi)窄幅波動，對應的標準差σ也較小。因此，如果單純基于3σ原則設置閾值，閾值會非常接近均值，容易導致較高的誤報率。

式中:ε為MSE 的平均變化率；ym為第m個MSE；n為 樣 本 長 度；ξˉ為MSE 的 均 值；η表 示 預 警 閾 值；k取3。

專變用戶竊電后，1.1 節(jié)統(tǒng)計特征異常用電量尖峰時段會破壞MSE 的分布特性，使對應時段MSE值超過預警閾值，可判斷該用戶存在竊電嫌疑，并提供其異常時段信息便于現(xiàn)場稽查。結(jié)合式（14）得到用戶異常判定準則為:

2.4 基于LSTM-AE 模型的檢測流程

以仿真算例專變用戶用電數(shù)據(jù)為例，識別單個待檢用戶是否竊電的整體流程示意如圖6 所示，具體說明如下。

圖6 整體檢驗流程圖Fig.6 Flow chart of overall inspection

1）用電量數(shù)據(jù)經(jīng)常包含由智能電表故障、測量數(shù)據(jù)傳輸不可靠、系統(tǒng)不定時維護和存儲問題造成的數(shù)據(jù)缺失或異常問題［27］。在本文中利用式（16）插值方法恢復缺失值:

式中:xi表示某小時的用電量值；NaN表示空值。

考慮到LSTM-AE 模型對不同數(shù)據(jù)的敏感性，需要對用電量數(shù)據(jù)進行歸一化處理。本文采用max-min 縮放方法對數(shù)據(jù)進行歸一化，如式（17）所示。

式中:max {Xk}為Xk中的最大值；min {Xk}為Xk中的最小值。

2）將數(shù)據(jù)預處理后的歷史用電數(shù)據(jù)輸入LSTM-AE 模型，利用LSTM 學習用戶負荷曲線潛在的用電規(guī)律，自動提取用電量尖峰特征；隨后在特征層重構(gòu)輸入，當重構(gòu)誤差趨于穩(wěn)定時結(jié)束訓練，得到擬合值。

3）計算擬合值與原序列的MSE，分析得到自適應預警閾值。最后，將待檢用戶MSE 超出預警閾值的用戶識別為竊電嫌疑用戶，并提供其異常尖峰時段信息。

3 算例分析

本文采用仿真數(shù)據(jù)模擬用戶竊電來驗證所提方法的可行性，然后再采用實際數(shù)據(jù)證明所提方法的可靠性。所用LSTM-AE 模型各組成部分如附錄A圖A1，其配置如表1 所示。

表1 LSTM-AE 模型配置Table 1 Configuration of LSTM-AE model

3.1 仿真數(shù)據(jù)測試算例

為驗證所提方法可行性，采用4 個行業(yè)30 個專變用戶的用電量數(shù)據(jù)為基礎進行分析。從中隨機抽取9 個用戶，根據(jù)文獻［27］所述方法模擬分時段竊電。與剩余21 個正常用戶一同采用本文所提方法進行竊電檢測。選取其中一個竊電用戶（定義為V1）和一個正常用戶（定義為V2）為例說明竊電檢測流程，其中用戶V1在整段中分別設置時長0.75、1.5、3 d 未竊電，呈現(xiàn)篩選用電異常的流程和效果。

采集用戶V1120 d 的逐小時用電數(shù)據(jù)。經(jīng)數(shù)據(jù)預處理后采用T=24 d 的滑窗方式（即分別取時間序列長度第1～24 h，第2～25 h，第3～26 h，…，第i～i+23 h 的時間窗形式，如圖7 所示）切片成含小時時序特征的時間序列X1，X2，…，Xn?23作為模型的輸入向量。

圖7 滑窗示意圖Fig.7 Sliding window diagram

將輸入向量輸入LSTM-AE 模型，當模型重構(gòu)誤差最小化后結(jié)束訓練輸出擬合值X?1，X?2，…，X?n?23，隨 后 根 據(jù) 擬 合 值 與 輸 入 向 量 計 算MSE 以及η。用戶V2同樣采用此檢測流程，得到用戶V1和V2的MSE 概率密度圖分布如附錄A 圖A2所示，將用戶小時用電量曲線與對應MSE 和閾值可視化，如圖8 所示。由圖8 和圖A2 分析可得出以下結(jié)論。

圖8 竊電與正常用戶LSTM-AE 仿真結(jié)果對比圖Fig.8 Comparison of LSTM-AE simulation results between users with electricity theft actions and normal users

1）用戶V1和用戶V2因具有固定的生產(chǎn)經(jīng)營模式，外在表現(xiàn)在小時用電量曲線形態(tài)上均存在周期性規(guī)律；正常用戶和竊電用戶的MSE 在概率密度分布上存在差異。

2）用戶V1分時竊電，整段時長中出現(xiàn)竊電時段和未竊電時段2 種狀態(tài)（其中因竊電特性，一般而言竊電時段占比較高），對應在曲線形態(tài)上的外在表征為具有周期性出現(xiàn)的用電量尖峰（非藍色框內(nèi)，簡記時段1）和相對顯著且極少出現(xiàn)的用電量尖峰（藍色框內(nèi)，簡記時段2）。LSTM-AE 模型學習了該用戶潛在的周期性用電規(guī)律，時段2 的擬合值符合時段1 的用電規(guī)律，從而其MSE 較大（相較整段的MSE而言可視為異常），超出預警閾值（按式（15）計算得η=0.009 8），故將用戶V1識別為竊電嫌疑用戶，在124～196 h、724～742 h、1 257～1 293 h 為 異 常 時段，其尖峰電量為其實際負載高峰電量，模型檢測結(jié)果與預設一致。

3）用 戶 V2的 MSE 均 小 于 預 警 閾 值（η=0.010 4），判定為正常用戶，與預設一致。從曲線形態(tài)上不難發(fā)現(xiàn)其正常用電量尖峰盡管在整個時段小幅度波動，但周期性地重復出現(xiàn)，實際上是由于用戶設備正常投入生產(chǎn)導致的負荷規(guī)律性起伏變化。而LSTM-AE 模型由于引入了LSTM，考慮了用戶小時用電數(shù)據(jù)的時序特征，故能夠最大可能地記憶其生產(chǎn)經(jīng)營狀態(tài)對應的用電曲線趨勢。

3.2 標簽數(shù)據(jù)測試算例

為進一步驗證所提方法的有效性，采用經(jīng)現(xiàn)場稽查確認竊電用戶的實際數(shù)據(jù)進行驗證。采集結(jié)構(gòu)行 業(yè) 竊 電 用 戶H1從2019 年6 月26 日 至2019 年10 月17 日以及正常用戶H2從2019 年2 月19 日至2019 年7 月15 日的小時電量。經(jīng)數(shù)據(jù)預處理后同樣采用T=24 d 滑窗方式得到輸入向量后依次輸入單獨的LSTM-AE 模型，得到的結(jié)果可視化如附錄A 圖A3 和圖A4 所示，進一步分析如下:

1）用 戶H1在1～343 h 的MSE 超 過 預 警 閾 值（η=0.022 3），判定該用戶為竊電嫌疑用戶?，F(xiàn)場稽查查證該用戶私下將某大功率設備繞表竊電，導致圖中非藍色框時段尖峰電量比藍色框時段低。藍色虛線內(nèi)MSE 較接近閾值，分析發(fā)現(xiàn)是由于其尖峰與藍色框非竊電時段尖峰相似導致。

2）用戶H2未超過預警閾值（η=0.015 7），判定為正常用戶，與實際結(jié)果一致。其在藍色虛線時段（1 182～1 206 h）的MSE 較大，接近預警閾值，從曲線形態(tài)上看不難發(fā)現(xiàn)是由于該時段用戶處于停產(chǎn)的生產(chǎn)經(jīng)營狀態(tài)所導致。

3）結(jié)合3.1 節(jié)仿真算例分析，若基于3σ原則設定閾值會導致圖8 中用戶V2誤判。而自適應閾值考慮了用戶分時數(shù)據(jù)的非平穩(wěn)波動導致的MSE 波動，相較于傳統(tǒng)方法，其能夠有效判別異常用戶，降低誤報率。

3.3 綜合評價結(jié)果及對比實驗

異常檢測往往采用混淆矩陣及其衍生指標來評價檢測效果。為綜合評價所提檢測模型和其他方法在本文場景下的性能，選用了分類方法中常用的評價指標:準確率αACC、命中率αTPR、誤檢率αFPR和測度。計算公式分別如下:

式中:TP為異常用戶被檢測為異常用戶的用戶數(shù)量；FP為正常用戶被檢測為異常用戶的用戶數(shù)量；FN為異常用戶被檢測為正常用戶的用戶數(shù)量；TN為正常用戶被檢測為正常用戶的用戶數(shù)量。

文獻［14］認為竊電用戶負荷曲線形態(tài)中隱含有竊電異常信息，并根據(jù)相似性來識別竊電嫌疑用戶。本文在其基礎上采用LSTM-AE 方法識別負荷曲線地局部特征，并將本文方法與基于AE 的方法及文獻［14］所提方法對3.1 節(jié)仿真算例數(shù)據(jù)進行測試計算，得到4 種檢測評價指標結(jié)果見表2。

表2 不同方法的評價結(jié)果Table 2 Evaluation results of different methods

表2 結(jié)果表明:

1）基于相似性檢索的異常檢測方法根據(jù)整個時段上的負荷曲線相似性識別異常，難以利用正常及竊電用戶在部分時間點位的細節(jié)特征識別異常，在準確率、命中率和誤報率上效果不彰，容易誤判。

2）AE 方法能夠提煉利用正常和異常用戶在小時尺度上的用電細節(jié)特征，和本文所提方法在準確度和命中率上相差不大。但由于未能有效提取短時局部特征，誤報率仍可達19.05%。

3）本文方法將AE 提煉的細節(jié)特征和LSTM 具有的時序記憶功能結(jié)合，在不借助關(guān)聯(lián)性線損增量信息條件下，僅利用用戶個體信息檢測專變用戶竊電即可達到優(yōu)異的檢測性能。各項指標均優(yōu)于對比方法，而對現(xiàn)場應用影響最突出的誤報率上表現(xiàn)尤佳。

綜上，本文所提方法在仿真設置場景下具有更好的適用性。

4 結(jié)語

針對非高損線路中竊電用戶不伴隨有線路高損、難以借助關(guān)聯(lián)線損增量信息降低竊電檢測誤報率的問題，提出了基于負荷尖峰特征LSTM-AE 的用戶竊電識別方法。

1）在既有文獻指引下，分析發(fā)現(xiàn)相當比例竊電用戶的用電曲線形態(tài)中均存在與正常用戶有別的用電量尖峰特征。

2）針對專變用戶具有固定生產(chǎn)模式的特點，分析了其分時用電數(shù)據(jù)的周期性及時序相關(guān)性，提出了基于LSTM-AE 的用戶竊電識別方法。

3）基于實際數(shù)據(jù)構(gòu)造的仿真算例進行了測試計算，測試結(jié)果驗證了所提方法的有效性。

4）與對比方法相比，本文所提方法綜合利用LSTM 功能和AE 的特征自動提取功能，提煉小時尺度用電異常特征，能可靠有效識別異常用戶。

需要指出的是，本文所提方法的局限性在于僅利用了用戶用電量數(shù)據(jù)，對長期等比例竊電用戶可能存在誤判。從工程應用需求出發(fā)，未來還需探索利用多源信息降低誤檢率。

附錄見本刊網(wǎng)絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡全文。