一种窃电检测方法及系统与流程

本发明涉及窃电检测，并且更具体地，涉及一种窃电检测方法及系统。

背景技术：

1、智能电网的发展应用为减少电网系统存在的电能损失和合理平衡分配电能需求提出了更高的要求。电网中的电能损失包括技术性损失和非技术性损失。

2、技术性损失是指在电能生产、传输和分配过程中的正常电能损失，非技术性损失主要是由用户窃电造成的，它主要包括物理攻击、硬件攻击和网络攻击三种方式，随着智能电表的普及，用户难以进行私自改表的物理窃电，网络攻击等新型窃电方式逐步被采用。

3、用户窃电不仅会对电网公司带来经济损失，也会破坏正常用户用电交易的公平性，更会对电网的电能调度分配，电网运行安全产生不利影响。

技术实现思路

1、针对上述问题，本发明提出了一种窃电检测方法，包括：

2、获取电网的窃电检测数据集，根据所述窃电检测数据集，生成样本数据；

3、使用lstm网络对所述样本数据的一维时序特征进行提取，使用深度残差卷积神经网络对所述样本数据的周期特征进行提取；

4、使用提取到的所述样本数据的一维时序特征及周期特征，对窃电检测网络进行训练，构建窃电检测网络模型；

5、使用窃电检测网络模型，对目标电网的窃电行为进行检测。

6、可选的，根据所述窃电检测数据集，生成样本数据，包括：

7、对所述窃电检测数据集进行不平衡处理，对不平衡处理后的窃电检测数据集中的正常用电数据和异常用电数据进行对比，得到所述正常用电数据和异常用电数据的周期数据特征，根据所述周期数据特征，对正常用电数据和异常用电数据进行划分，得到正常用电数据和异常用电数据的样本数据。

8、可选的，方法还包括：

9、对得到样本数据进行归一化处理。

10、可选的，使用提取到的所述样本数据的一维时序特征及周期特征，对窃电检测网络进行训练，构建窃电检测网络模型，包括：

11、使用窃电检测网络，对提取到的所述样本数据的一维时序特征及周期特征进行拼接，得到所述样本数据的输出特征张量，并以所述输出特征张量对所述窃电检测网络进行训练，以得到窃电检测网络模型。

12、可选的，窃电检测网络模型，如下：

13、

14、

15、

16、

17、

18、其中，ntp、ntn、nfp和nfn分别为预测结果中真阳性、真阴性、假阳性和假阴性样本数量，yk为正确检测到的前k个窃电用户的数量，r为前n个标签中的窃电用户的数量，ki为第i个窃电用户的位置，pacc为窃电检测准确率，ptpr为窃电检测真阳性率，ptpr为窃电检测假阳性率，p@k为正确检测到前k个窃电用户的精确率，map@n为前n个标签中p@k的平均精度，ki为第i个窃电用户的位置，p@ki为正确检测到前ki个窃电用户的精度，map为平均精度，n为标签数量，p为窃电检测查准率。

19、再一方面，本发明还提出了一种窃电检测系统，包括：

20、样本生成单元，用于获取电网的窃电检测数据集，根据所述窃电检测数据集，生成样本数据；

21、特征提取单元，用于使用lstm网络对所述样本数据的一维时序特征进行提取，使用深度残差卷积神经网络对所述样本数据的周期特征进行提取；

22、模型搭建单元，用于使用提取到的所述样本数据的一维时序特征及周期特征，对窃电检测网络进行训练，构建窃电检测网络模型；

23、检测单元，用于使用窃电检测网络模型，对目标电网的窃电行为进行检测。

24、可选的，样本生成单元根据所述窃电检测数据集，生成样本数据，包括：

25、对所述窃电检测数据集进行不平衡处理，对不平衡处理后的窃电检测数据集中的正常用电数据和异常用电数据进行对比，得到所述正常用电数据和异常用电数据的周期数据特征，根据所述周期数据特征，对正常用电数据和异常用电数据进行划分，得到正常用电数据和异常用电数据的样本数据。

26、可选的，样本生成单元还用于：

27、对得到样本数据进行归一化处理。

28、可选的，模型搭建单元使用提取到的所述样本数据的一维时序特征及周期特征，对窃电检测网络进行训练，构建窃电检测网络模型，包括：

29、使用窃电检测网络，对提取到的所述样本数据的一维时序特征及周期特征进行拼接，得到所述样本数据的输出特征张量，并以所述输出特征张量对所述窃电检测网络进行训练，以得到窃电检测网络模型。

30、可选的，窃电检测网络模型，如下：

31、

32、

33、

34、

35、

36、其中，ntp、ntn、nfp和nfn分别为预测结果中真阳性、真阴性、假阳性和假阴性样本数量，yk为正确检测到的前k个窃电用户的数量，r为前n个标签中的窃电用户的数量，ki为第i个窃电用户的位置，pacc为窃电检测准确率，ptpr为窃电检测真阳性率，pfpr为窃电检测假阳性率，p@k为正确检测到前k个窃电用户的精确率，map@n为前n个标签中p@k的平均精度，ki为第i个窃电用户的位置，p@ki为正确检测到前ki个窃电用户的精度，map为平均精度，n为标签数量，p为窃电检测查准率。

37、再一方面，本发明还提供了一种计算设备，包括：一个或多个处理器；

38、处理器，用于执行一个或多个程序；

39、当所述一个或多个程序被所述一个或多个处理器执行时，实现如上述所述的方法。

40、再一方面，本发明还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如上述所述的方法。

41、与现有技术相比，本发明的有益效果为：

42、本发明提出了一种窃电检测方法，包括：获取电网的窃电检测数据集，根据所述窃电检测数据集，生成样本数据；使用lstm网络对所述样本数据的一维时序特征进行提取，使用深度残差卷积神经网络对所述样本数据的周期特征进行提取；使用提取到的所述样本数据的一维时序特征及周期特征，对窃电检测网络进行训练，构建窃电检测网络模型；使用窃电检测网络模型，对目标电网的窃电行为进行检测。本发明使用窃电检测网络模型为基础进行检测，计算成本低，精度较高，能有效的对电网的窃电行为进行检测。

技术特征：

1.一种窃电检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述窃电检测数据集，生成样本数据，包括：

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

4.根据权利要求1所述的方法，其特征在于，所述使用提取到的所述样本数据的一维时序特征及周期特征，对窃电检测网络进行训练，构建窃电检测网络模型，包括：

5.根据权利要求1所述的方法，其特征在于，所述窃电检测网络模型，如下：

6.一种窃电检测系统，其特征在于，包括：

7.根据权利要求6所述的系统，其特征在于，所述样本生成单元根据所述窃电检测数据集，生成样本数据，包括：

8.根据权利要求7所述的系统，其特征在于，所述样本生成单元还用于：

9.根据权利要求6所述的系统，其特征在于，所述模型搭建单元使用提取到的所述样本数据的一维时序特征及周期特征，对窃电检测网络进行训练，构建窃电检测网络模型，包括：

10.根据权利要求6所述的系统，其特征在于，所述窃电检测网络模型，如下：

11.一种计算机设备，其特征在于，包括：

12.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1-5中任一所述的方法。

技术总结本发明公开了一种窃电检测方法及系统，属于窃电检测技术领域。本发明，包括：获取电网的窃电检测数据集，根据所述窃电检测数据集，生成样本数据；使用LSTM网络对所述样本数据的一维时序特征进行提取，使用深度残差卷积神经网络对所述样本数据的周期特征进行提取；使用提取到的所述样本数据的一维时序特征及周期特征，对窃电检测网络进行训练，构建窃电检测网络模型；使用窃电检测网络模型，对目标电网的窃电行为进行检测。本发明使用窃电检测网络模型为基础进行检测，计算成本低，精度较高，能有效的对电网的窃电行为进行检测。技术研发人员：熊素琴,李扬,邹和平,郜波,成达,李求洋,陈祉如,高天予,郭建宁,赵越,李禹凡,李龙涛,陈思禹,许佳佳,杨巍,赵立涛,孙南南受保护的技术使用者：中国电力科学研究院有限公司技术研发日：技术公布日：2024/9/2