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(wù)中心（計(jì)量中心）智能電氣量測與應(yīng)用技術(shù)湖南省重點(diǎn)實(shí)驗(yàn)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(shí)施竊電行為損害電力公司的權(quán)益，為電力公司帶來了巨大的經(jīng)濟(jì)損失，同時(shí)也帶來了一定的安全隱患。隨著科學(xué)技術(shù)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(diǎn)更加隱秘，竊電過程更為復(fù)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(xué)者對此展開了相關(guān)的研究。以往提出的基于時(shí)空關(guān)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(shù)對智能電表的高頻率數(shù)據(jù)進(jìn)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(jìn)行了預(yù)估，該診斷方法改變了傳統(tǒng)人工調(diào)查的竊電方式，實(shí)現(xiàn)了對低壓臺區(qū)竊電用戶的準(zhǔn)確認(rèn)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(jìn)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(shí)空分布特征，統(tǒng)計(jì)了竊電用戶的竊電開始時(shí)間、終止時(shí)間、用電容量等竊電信息，對其進(jìn)行了綜合診斷，但是該方法診斷精準(zhǔn)性過低。

為了解決以上問題，該文提出了基于DBN 深度學(xué)習(xí)算法的低壓臺區(qū)反竊電診斷方法，通過實(shí)驗(yàn)進(jìn)行了驗(yàn)證。

1 低壓臺區(qū)反竊電數(shù)據(jù)挖掘

為了實(shí)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(jìn)行挖掘。利用數(shù)據(jù)挖掘技術(shù)分析竊電用戶竊電的交流頻率，進(jìn)行電壓融合分析，采用電源融合方法對交流頻率負(fù)荷進(jìn)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(shí)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(fù)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(shí)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(guān)聯(lián)性，由兩者之間表現(xiàn)出的關(guān)聯(lián)性對反竊電數(shù)據(jù)的差異性進(jìn)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(kuò)頻序列與母線差異性結(jié)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(jìn)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(shí)間、電流等相關(guān)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(gòu)建反竊電診斷模型。在建立低壓臺區(qū)反竊電診斷模型時(shí)，采用了DBN 深度學(xué)習(xí)算法，該算法通過一個(gè)RBM（受限玻爾茲曼機(jī)）的訓(xùn)練使DBN 進(jìn)行學(xué)習(xí)，通過自下而上進(jìn)行每一層的訓(xùn)練，使DBN 對輸入的每個(gè)數(shù)據(jù)都能夠進(jìn)行很好的學(xué)習(xí)與訓(xùn)練[8]。

該文將DBN 深度學(xué)習(xí)算法應(yīng)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(xùn)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(xùn)練數(shù)據(jù)集建立反竊電訓(xùn)練診斷模型，最后將樣本診斷模型與訓(xùn)練診斷模型進(jìn)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(xué)習(xí)算法對挖掘出的反竊電數(shù)據(jù)進(jìn)行預(yù)處理，分成樣本數(shù)據(jù)集與訓(xùn)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(diǎn)內(nèi)，對比不同層中節(jié)點(diǎn)的數(shù)量，找出數(shù)量最少的節(jié)點(diǎn)，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(diǎn)數(shù)量；γ表示節(jié)點(diǎn)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(shí)現(xiàn)反竊電樣本數(shù)據(jù)集的診斷[13-14]。

采用DBN 深度學(xué)習(xí)算法對訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，訓(xùn)練數(shù)據(jù)集中反竊電數(shù)據(jù)量較大，導(dǎo)致DBN 深度學(xué)習(xí)算法的訓(xùn)練速度較慢，會使反竊電訓(xùn)練診斷模型出現(xiàn)誤差，因此需要在模型中增加一個(gè)訓(xùn)練系數(shù)，以消除誤差，建立的反竊電訓(xùn)練診斷模型如下：

式中，Ya表示訓(xùn)練診斷模型的參數(shù)；a表示訓(xùn)練系數(shù)；Δsa表示反竊電訓(xùn)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(xùn)練診斷模型進(jìn)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(shí)現(xiàn)反竊電診斷。

以上建立的基于DBN 深度學(xué)習(xí)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(bǔ)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(luò)中斷、設(shè)備故障等原因會導(dǎo)致部分反竊電數(shù)據(jù)的缺失，影響反竊電診斷的進(jìn)行，因此需要對反竊電數(shù)據(jù)進(jìn)行清洗補(bǔ)正，清洗補(bǔ)正的方法為線性差值法，利用DBN 深度學(xué)習(xí)算法對清洗補(bǔ)正的反竊電數(shù)據(jù)進(jìn)行差值運(yùn)算，計(jì)算出反竊電數(shù)據(jù)的缺失值，計(jì)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(bǔ)正權(quán)值；h1表示預(yù)估的反竊電電量。根據(jù)得出的缺失值可實(shí)現(xiàn)反竊電數(shù)據(jù)的清洗補(bǔ)正。

其次，對低壓臺區(qū)的竊電風(fēng)險(xiǎn)進(jìn)行辨識。低壓臺區(qū)中的低壓用戶在竊電時(shí)，會導(dǎo)致線損升高，在判斷低壓臺區(qū)內(nèi)的竊電情況時(shí)，可通過檢測低壓臺區(qū)內(nèi)的線損變化范圍來實(shí)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(dāng)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(biāo)準(zhǔn)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(dāng)?shù)蛪号_區(qū)內(nèi)出現(xiàn)竊電行為時(shí)，會導(dǎo)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(shí)主要進(jìn)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(jìn)行估算。竊電量的估算可保證反竊電診斷的順利進(jìn)行，竊電用戶竊電量的多少主要取決于竊電時(shí)間與竊電功率，竊電用戶電表異常電壓的起始時(shí)間即為竊電時(shí)間，竊電量的計(jì)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(shí)間。通過以上的診斷過程可實(shí)現(xiàn)低壓臺區(qū)反竊電的診斷[16]。

3 實(shí)驗(yàn)研究

為了檢測該文提出的基于DBN 深度學(xué)習(xí)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(shí)空關(guān)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(jìn)行實(shí)驗(yàn)對比。

首先辨識分析用戶的竊電嫌疑，對某供電公司的4 個(gè)臺區(qū)進(jìn)行供電分析，每個(gè)臺區(qū)共有12 個(gè)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(yīng)每個(gè)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(gè)臺區(qū)用戶的線損波動率進(jìn)行實(shí)驗(yàn)，得到的對比結(jié)果如下。

臺區(qū)1 的竊電用戶線損判定結(jié)果如圖2 所示。

圖2 臺區(qū)1的竊電用戶線損判定結(jié)果

臺區(qū)2 的竊電用戶線損判定結(jié)果如圖3 所示。

圖3 臺區(qū)2的竊電用戶線損判定結(jié)果

臺區(qū)3 的竊電用戶線損判定結(jié)果如圖4 所示。

圖4 臺區(qū)3的竊電用戶線損判定結(jié)果

由圖2-4 可知，該文提出的基于DBN 深度學(xué)習(xí)算法的低壓臺區(qū)反竊電診斷方法在對三個(gè)臺區(qū)進(jìn)行診斷的過程中，都能精準(zhǔn)地確定出用電用戶中出現(xiàn)竊電的用戶，在三次計(jì)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(shí)現(xiàn)精確檢測。

4 結(jié)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(jì)算過程復(fù)雜等問題，該文提出了基于DBN深度學(xué)習(xí)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(shí)驗(yàn)研究驗(yàn)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(jìn)電網(wǎng)的快速發(fā)展。該文設(shè)計(jì)的反竊電診斷模型可能在某些地區(qū)適應(yīng)性不強(qiáng)，有待進(jìn)一步研究。