基于生成对抗网络的窃电检测方法

doi:10.16628/j.cnki.2095-8188.2022.10.014

电器与能效管理技术 ›› 2022, Vol. 0 ›› Issue (10): 81-86.doi: 10.16628/j.cnki.2095-8188.2022.10.014

• 检测与试验 • 上一篇

基于生成对抗网络的窃电检测方法

朱月尧¹, 魏星琦², 张宸宇³

1.国网江苏省电力有限公司淮安供电分公司, 江苏淮安 223002
2.国网江苏省电力有限公司, 江苏南京 210003
3.国网江苏省电力有限公司电力科学研究院, 江苏南京 211103

收稿日期:2022-08-12 出版日期:2022-10-30 发布日期:2023-01-04
作者简介:朱月尧(1990—),男,工程师,主要从事电能质量监测与控制研究。|魏星琦(1990—),男,工程师,主要从事电力系统分析与控制研究。|张宸宇(1989—),男,高级工程师,博士,主要从事智能保护及变电站综合自动化研究。

Power Theft Detection Method Based on Generative Adversarial Networks

ZHU Yueyao¹, WEI Xingqi², ZHANG Chenyu³

1. Huai’an Power Supply Branch of State Grid Jiangsu Electric Power Co.,Ltd., Huai’an 223002, China
2. State Grid Jiangsu Electric Power Co., Ltd., Nanjing 210003, China
3. State Grid Jiangsu Electric Power Co., Ltd.Research Institute, Nanjing 211103, China

Received:2022-08-12 Online:2022-10-30 Published:2023-01-04

摘要/Abstract

摘要：

针对智能电网背景下的窃电数据不平衡问题,提出了一种基于生成对抗网络(GAN)的窃电检测方法。生成器负责生成近似于真实的虚假样本去欺骗判别器,判别器负责区分真实样本和生成样本,通过二者的对抗训练来提高生成器的生成能力和判别器的判别能力,进而提高窃电检测的正确率与抗干扰能力。算例结果验证了所提算法的准确性和优越性。

关键词: 数据不平衡, 生成对抗网络, 窃电检测, 生成器, 判别器

Abstract:

To address the imbalance problem of power theft data in the context of the smart grid,a method of power theft detection based on generative adversarial networks (GAN) is proposed.The generator is responsible for generating false samples to deceive the discriminator,and the discriminator is responsible for distinguishing the real samples from the generated samples.The generation ability of the generator and the discrimination ability of the discriminator can be imporved through the adversarial training of the two,thus the accuracy and anti-interference ability of power theft detection can be improved.The accuracy and superiority of the proposed algorithm are validated by the example results.

Key words: data imbalance, generative adversarial networks(GAN), power theft detection, generator, discriminator

中图分类号:

TM721

朱月尧, 魏星琦, 张宸宇. 基于生成对抗网络的窃电检测方法[J]. 电器与能效管理技术, 2022, 0(10): 81-86.

ZHU Yueyao, WEI Xingqi, ZHANG Chenyu. Power Theft Detection Method Based on Generative Adversarial Networks[J]. LOW VOLTAGE APPARATUS, 2022, 0(10): 81-86.

图/表 8

图1

图2

表1

表2

表3

图3

表4

表5

参考文献 26

[1]	李延真, 郭英雷, 彭博, 等. 基于多时间尺度状态估计的配电网实时态势预测[J]. 电力工程技术, 2020, 39(2):127-134.
[2]	陈梦恺, 付保川, 吴征天, 等. 微电网中博弈问题及其发展动向[J]. 电器与能效管理技术, 2021(1):1-8.
[3]	徐青山. 人工智能在电力系统中的技术研究与应用[J]. 电力工程技术, 2019, 38(5):1.
[4]	王蕊, 俞凌枫, 朱斌, 等. 大数据和机器学习技术在电缆运维中的应用研究[J]. 电器与能效管理技术, 2020(12):114-118.
[5]	李宁, 张伟, 郭泽林, 等. 基于多分类机器学习模型的智能电表故障预测[J]. 电器与能效管理技术, 2022(2):6-11.
[6]	JINDAL A, DUA A, KAUR K, et al. Decision tree and SVM-based data analytics for theft detection in smart grid[J]. IEEE Transactions on Industrial Informatics, 2016, 12(3):1005-1016. doi: 10.1109/TII.2016.2543145
[7]	简富俊, 曹敏, 王磊, 等. 基于SVM的AMI环境下用电异常检测研究[J]. 电测与仪表, 2014, 51(6):64-69.
[8]	严勤, 邓高峰, 胡涛, 等. 基于深度循环神经网络的异常用电检测方法[J]. 中国测试, 2021, 47(7):99-104.
[9]	游文霞, 申坤, 杨楠, 等. 基于AdaBoost集成学习的窃电检测研究[J]. 电力系统保护与控制, 2020, 48(19):151-159.
[10]	张海生, 曹喆, 杨昌海, 等. 基于AdaBoost-DT算法的电力市场串谋行为识别研究[J]. 电力工程技术, 2020, 39(2):152-158.
[11]	HE H, GARCIA E A. Learning from imbalanced data[J]. IEEE Transactions on Knowledge & Data Engineering, 2009, 21(9):1263-1284.
[12]	ZHU L, LU C, DONG Z Y, et al. Imbalance learning machine based power system short-term voltage stability assessment[J]. IEEE Transactions on Industrial Informatics, 2017, 13(5):2533-2543. doi: 10.1109/TII.2017.2696534
[13]	吴少雷, 肖坚红, 张波, 等. 基于阻抗分析的居民用户异常用电研判模型研究[J]. 电器与能效管理技术, 2019(3):30-34,67.
[14]	裘星, 尹仕红, 张之涵, 等. 基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法[J]. 电器与能效管理技术, 2022(3):23-29,38.
[15]	王德文, 杨凯华. 基于生成式对抗网络的窃电检测数据生成方法[J]. 电网技术, 2020, 44(2):775-782.
[16]	MOTLAGH O, FOLIENTE G, GROZEV G. Knowledge-mining the Australian smart grid smart city data:A statistical-neural approach to demand-response analysis[M].Planning Support Systems and Smart Cities. Springer,Cham, 2015:189-207.
[17]	JOKAR P, ARIANPOO N, LEUNG V C M. Electricity theft detection in AMI using customers’ consumption patterns[J]. IEEE Transactions on Smart Grid, 2015, 7(1):216-226. doi: 10.1109/TSG.2015.2425222
[18]	陈晓榕, 江岳文. 基于DCGAN的风速场景建模方法优越性研究[J]. 电器与能效管理技术, 2019(21):74-82.
[19]	罗会兰, 敖阳, 袁璞. 一种生成对抗网络用于图像修复的方法[J]. 电子学报, 2020, 48(10):1891-1898. doi: 10.3969/j.issn.0372-2112.2020.10.003
[20]	杨懿男, 齐林海, 王红, 等. 基于生成对抗网络的小样本数据生成技术研究[J]. 电力建设, 2019, 40(5):71-77. doi: 10.3969/j.issn.1000-7229.2019.05.009
[21]	刘云鹏, 许自强, 和家慧, 等. 基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强技术[J]. 电网技术, 2020, 44(4):1505-1513.
[22]	周林勇, 谢晓尧, 刘志杰, 等. 基于ACGAN的图像识别算法[J]. 计算机工程, 2019, 45(10):246-252,259.
[23]	CHEN Y, TAO J, WANG J, et al. The novel sensor network structure for classification processing based on the machine learning method of the ACGAN[J]. Sensors, 2019, 19(14):3145. doi: 10.3390/s19143145
[24]	刘群, 陈锻生. 采用ACGAN及多特征融合的高光谱遥感图像分类[J]. 华侨大学学报(自然科学版), 2019, 40(1):113-120.
[25]	HUAGN X, SHI L, SUYKENS J A K. Support vector machine classifier with pinball loss[J]. IEEE transactions on pattern analysis and machine intelligence, 2013, 36(5):984-997. doi: 10.1109/TPAMI.2013.178
[26]	GOMES E, PEREIRA L. PB-NILM:Pinball guided deep non-intrusive load monitoring[J]. IEEE Access, 2020, 8:48386-48398. doi: 10.1109/ACCESS.2020.2978513

网络层类型	维度	参数
嵌入层	(40×1,1)→(40×1)
全连接层	(40×1)→ (7×24×64)
转置卷积层1	(7×24×64)→ (7×24×32)	卷积核维度:2×3 步长:1 滤波器数量:16 激活函数:Sigmoid
转置卷积层2	(7×24×32)→ (7×24×16)	卷积核维度:2×3 步长:1 滤波器数量:1 激活函数:Sigmoid
输出层	(7×24×16) → (7×24)

网络层类型	维度	参数
输入层	(7×24)→(7×24×1)
卷积层1	(7×24×1)→ (4×12×32)	卷积核维度∶2×3 步长∶2 滤波器数量∶16 激活函数∶Sigmoid
Dropout层 (0.25)	(4×12×32)→ (4×12×64)
卷积层2	(4×12×64)→ (2×6×22)	卷积核维度∶2×3 步长∶2 滤波器数量∶32 激活函数∶Sigmoid
Dropout层 (0.25)	(2×6×22)→ (2×6×11)
Flatten层	(2×6×11)→ (500×1)
输出层1	1	激活函数∶Softmax
输出层2	2×1	激活函数∶Softmax

项目	训练集数据/个	测试集数据/个
用户数量	6 180	1 545
正常用电行为矩阵	61 800	15 450
异常用电行为矩阵	10 300	2 575
正常与异常用电比例	6∶1	6∶1

预测值	真实值
预测值	正类	负类
正类	TP	FN
负类	FP	TN

窃电检测算法	A/%	R/%	P/%	Q/%
文献[7]所提算法	78.6	76.5	75.6	76.5
文献[8]所提算法	86.4	79.3	78.1	75.3
SMOTE+文献[7] 所提算法	81.4	79.1	78.3	76.3
SMOTE+文献[8] 所提算法	86.1	81.2	80.5	81.3
本文所提算法	95.3	91.5	92.2	91.7

基于生成对抗网络的窃电检测方法

Power Theft Detection Method Based on Generative Adversarial Networks

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 26

相关文章 1

编辑推荐

Metrics

本文评价