华北电力大学 赵文清，沈哲吉，等：基于深度学习的用户异常用电模式检测

（以下为本文主干内容，原文详见《电力自动化设备》2018年第38卷第9期）

基于深度学习的用户异常用电模式检测

赵文清，沈哲吉，李 刚

（华北电力大学 控制与计算机工程学院）

1

研究背景

近年来，非技术性损失会扰乱地区电网的正常调度，甚至会由于用户私自改接线路而引发安全事故，同时，非技术性损失也给电网带来巨大经济损失。但由于电力数据庞大并且数据场景复杂，传统的算法很难有效的处理这些数据。为解决这一问题，需要一种能够更加高效的训练模型，且能够准确识别数据特征的算法模型。

2

整体研究思路

首先使用Tensorflow深度学习框架，构建了一个用户异常用电模式检测模型。该模型主要由两部分组成，分别是由多个长短期记忆（LSTM）组成的特征提取网络和基于全连接网络（FCN）的多层特征匹配网络。特征提取网络实现从数据中提取数据特征，特征匹配网络实现数据特征的匹配。通过该模型，实现对于用户异常用电模式的检测。模型结构如图1所示。

图1 基于深度学习的用户异常用电模式检测模型

3

模型结构

3.1

特征提取模块

为提取数据中的特征数据，本文使用特征提取模块（FEM）进行特征提取。特征提取模块由多个长短期记忆块垂直连接组成，即上一个LSTM块的输出作为下一个LSTM块的输入。本文中使用3个LSTM块构成的特征提取模块。

3.2

特征提取网络结构

本文将输入的高纬度数据划分成为三个等大小的子数据x1，x2，和。其中，。在子集上，使用由10个特征提取模块所构建的结构递归神经网络，实现输入的高纬度数据的特征提取。

3.3

特征匹配网络

使用3.1节中特征提取网络所得到的特征数据，实现用户用电模式的特征匹配，进而完成数据类型的标注。为实现该目的，本文利用一个由三层全连接的隐含层组成的神经网络实现用户特征数据的匹配工作。

4

样例分析

为了验证所提模型的有效性，与其他非深度学习模型（支持向量机和BP神经网络）进行对比实验。该实验进行5次，取平均值。此外，该模型也与常规的多层LSTM所构成的深度学习模型进行对照实验。本文所提模型的准确率和漏警率指标如下：模型准确率为95.90%，漏警率为9.80%。

4.1

非深度学习模型对比

为验证本文所提模型的有效性，与非深度学习模型（支持向量机模型和BP神经网络模型）进行了对比实验。向量机和BP神经网络的准确率分别为81.06%和87.12%，漏警率分别为50.98%和66.67%。由此说明，本文所提模型相对于支持向量机和BP神经网络具有更好的性能。

4.2

深度学习模型对比

本文所提模型与常规的多层长短期记忆(Multiple LSTMs)模型进行了对照实验。多层长短期记忆模型的准确率为91.36%，低于本文模型的95.90%准确率。多层长短期记忆模型的漏警率为11.37%，高于本文模型的9.80%漏警率。此外，为了能够体现模型的鲁棒性，记录了两个模型在15000个训练周期中，在测试集上的准确率，如图2所示。

图2 2个模型准确率对比

5

结论

本文提出了一种基于深度学习的用户异常用电模式检测的模型。该模型能从实际的用户数据中检测得到用电模式存在异常的数据。所做工作如下：

a.利用Tensorflow框架，成功构建了一个基于深度学习的用户异常用电模式检测模型；

b.利用多个特征提取模块构建了基于结构递归神经网络的特征提取网络；

c.利用3层全连接神经网络构建了一个数据特征匹配的神经网络。

作者简介

赵文清

赵文清，女，山西朔州人，教授，博士，主要研究方向为人工智能与数据挖掘。

课题组团队简介

课题组团队主要结合研究电力系统和机器学习，在大数据时代背景下的，以一种更加智能的方式处理电力系统相关问题。主要研究方向为人工智能与数据挖掘。课题研究团队由1名教授，3名副教授以及4名讲师组成。

项目以及获奖情况：课题组负责5项国家自然科学基金项目和省级自然科学基金项目，发表多篇高水平论文，授权专利5项，软著8项。

引文信息

赵文清，沈哲吉，李刚. 基于深度学习的用户异常用电模式检测[J].电力自动化设备，2018,38（9）：34-38.

DOI：10.16081/j.issn.1006-6047.2018.09.006

ZHAO Wenqing, SHEN Zheji, LI Gang. Anomaly detection for power consumption pattern based on deep learning[J]. Electric Power Automation Equipment, 2018,38（9）：34-38.

欢迎个人转发至朋友圈分享

（媒体转载请在后台联系我们）

传承丨探索丨引领