應(yīng)用DBN深度學(xué)習(xí)算法的電能計(jì)量反竊電技術(shù)研究

劉巖 袁瑞銘 鄭思達(dá) 楊曉坤 王玉君

摘 要：針對(duì)竊電問(wèn)題嚴(yán)重阻礙建立公平、合理的用戶秩序的問(wèn)題，基于云計(jì)算的智能電網(wǎng)大數(shù)據(jù)處理平臺(tái)SP-PPP （smart power system big data processing platform in cloud environment，SP-DPP），提出了融合自適應(yīng)加權(quán)融合算法和深度置信網(wǎng)絡(luò)DBN（Deep Belief Networks，DBN）學(xué)習(xí)算法的反竊電系統(tǒng)，采用DBN逐層貪婪訓(xùn)練算法對(duì)大數(shù)據(jù)進(jìn)行處理，并利用雙層RBM結(jié)構(gòu)，構(gòu)建出DBN深度學(xué)習(xí)算法，對(duì)獲取的電能計(jì)量竊電信息進(jìn)行歸一化處理，將獲取的宏觀高緯度數(shù)據(jù)信息轉(zhuǎn)換為容易識(shí)別和計(jì)算的低緯度數(shù)據(jù)。實(shí)驗(yàn)表明，本研究的算法識(shí)別率高，穩(wěn)定性能好。

關(guān)鍵詞：竊電;SP-DPP;自適應(yīng)加權(quán)融合算法;深度置信網(wǎng)絡(luò);逐層貪婪訓(xùn)練算法

中圖分類號(hào)：TM561 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

Abstract：Aiming at the problem of electricity theft seriously hindering the establishment of a fair and reasonable user order，An anti-theft system that combines adaptive weighted fusion algorithm and deep belief network （Deep Belief Networks， DBN） learning algorithm is proposed based on Smart power system big data processing platform in cloud environment （SP-DPP），big data is processed by using DBN layer-by-layer greedy training algorithm， and a DBN deep learning algorithm is constructed by using the double-layer RBM structure， which can normalize the acquired electricity metering information and convert the acquired macro high-latitude data information into low-latitude data that is easy to identify and calculate. Tests show that the algorithm of this study has high recognition rate and good stability.

Key words：electricity theft; SP-DPP; adaptive weighted fusion algorithm; deep confidence network; layer-by-layer greedy training algorithm

竊電是指一些違法分子在供電或者用電期間，采用隱秘的盜竊手段非法使用電能，最終以很少的成本用電，或者無(wú)成本用電。在電力經(jīng)濟(jì)技術(shù)發(fā)展的不斷推動(dòng)下，各個(gè)行業(yè)都離不開(kāi)電能，在人們生活和企業(yè)生產(chǎn)過(guò)程中具有舉足輕重的作用。因此，如果存在竊電行為，不僅給配電公司帶來(lái)巨大的損失，也會(huì)由于竊電手段造成配電線路處于高危險(xiǎn)狀態(tài)，嚴(yán)重時(shí)，會(huì)導(dǎo)致漏電、失火，設(shè)置會(huì)危害人們的生命。因此，打擊竊電行為、防止竊電是建立公平、安全的用電行為的重要手段。

現(xiàn)有技術(shù)中，如文獻(xiàn)[1]雖然在表計(jì)及電路的原理上進(jìn)行了改進(jìn)，但是這手段仍舊是在改變電能表或者電能計(jì)量設(shè)備的硬件結(jié)構(gòu)形式來(lái)防止竊電，這種方式雖然在一定程度上避免了竊電行為，但很難及時(shí)獲取竊電信息，防竊效率不高[1]。文獻(xiàn)[2]通過(guò)載波異常情況來(lái)監(jiān)測(cè)竊電行為，雖然提高了竊電的警覺(jué)性，能夠及時(shí)獲取竊電信息，但是無(wú)法對(duì)獲取的數(shù)據(jù)進(jìn)行分類，識(shí)別性能差[2]。文獻(xiàn)[3]通過(guò)離群點(diǎn)算法實(shí)現(xiàn)竊電的遠(yuǎn)程監(jiān)控，通過(guò)距離分類判斷，甄別出竊電用戶，但是該方法并行計(jì)算性能差，計(jì)算出的范圍比較寬，容易存在分類誤差[3]。

1 反竊電系統(tǒng)模型的構(gòu)建

針對(duì)上文計(jì)算的不足，本研究提出深度置信網(wǎng)絡(luò)（Deep Belief Networks簡(jiǎn)稱DBN）學(xué)習(xí)算法，以實(shí)現(xiàn)電能計(jì)量的反竊電。文獻(xiàn)[4-5]雖然也利用DBN技術(shù)，但是其更多地是對(duì)可見(jiàn)層、多個(gè)隱藏層和輸出層等網(wǎng)絡(luò)節(jié)點(diǎn)的設(shè)置方面進(jìn)行的討論。在本研究設(shè)計(jì)中，采用了分布式網(wǎng)絡(luò)設(shè)計(jì)的模式，并在分布式網(wǎng)絡(luò)結(jié)構(gòu)加入自適應(yīng)加權(quán)融合算法模型，實(shí)現(xiàn)分布式DBN算法的融合，便于數(shù)據(jù)集中管理。其結(jié)構(gòu)示意圖如圖1所示。通過(guò)采用該架構(gòu)，不僅僅能夠保留竊電數(shù)據(jù)信息的原始特征特點(diǎn)，還能夠?qū)⒃紨?shù)據(jù)的高緯度特點(diǎn)轉(zhuǎn)換成低緯度信息，有利于用戶研究、分析，提高了竊電數(shù)據(jù)分類效率，靈活性能好，本系統(tǒng)采用了云計(jì)算，使得大量的數(shù)據(jù)在幾秒內(nèi)完成計(jì)算，提高了數(shù)據(jù)的處理效率。

本研究應(yīng)用了基于云計(jì)算的智能電網(wǎng)大數(shù)據(jù)處理平臺(tái)SP-DPP（smart power system big data processing platform in cloud environment）實(shí)現(xiàn)防竊電電能信息的管理，應(yīng)用DBN深度學(xué)習(xí)算法實(shí)現(xiàn)竊電信息學(xué)習(xí)、訓(xùn)練，通過(guò)自適應(yīng)加權(quán)融合算法模型對(duì)傳感器進(jìn)行融合，分布式DBN深度學(xué)習(xí)算法訓(xùn)練出的數(shù)據(jù)進(jìn)行融合，便于進(jìn)行數(shù)據(jù)管理[6-7]。

1.1 大數(shù)據(jù)平臺(tái)構(gòu)建

該系統(tǒng)融合了SP-DPP云平臺(tái)，該平臺(tái)可以兼容多種IT相關(guān)功能，滿足客戶的多種需要。通過(guò)登錄界面一鍵訪問(wèn)平臺(tái)。具有較強(qiáng)的存儲(chǔ)能力，該平臺(tái)能夠在電能表數(shù)據(jù)管理節(jié)點(diǎn)上調(diào)度，進(jìn)而實(shí)現(xiàn)大數(shù)據(jù)的處理和分配。在對(duì)SP-DPP云平臺(tái)的結(jié)構(gòu)進(jìn)行設(shè)置時(shí)，可以將其分為幾個(gè)比較重要的模塊。比如大數(shù)據(jù)存儲(chǔ)與管理模塊、任務(wù)分配與調(diào)度模塊、大數(shù)據(jù)執(zhí)行模塊和客戶端模塊等[8]，其架構(gòu)如圖2所示。用戶可以根據(jù)具體使用的需要，通過(guò)可擴(kuò)展模塊進(jìn)行擴(kuò)展使用。

1.2 數(shù)據(jù)融合算法

由于電能計(jì)量竊電數(shù)據(jù)來(lái)自多個(gè)傳感器設(shè)備，各個(gè)傳感器分布比較松散，需要對(duì)來(lái)自各個(gè)部位設(shè)置的數(shù)據(jù)信息進(jìn)行統(tǒng)一，以便更好地對(duì)獲取的數(shù)據(jù)集中進(jìn)行管理。因此，采用了自適應(yīng)加權(quán)融合算法，其算法模型如圖3所示。

在上述實(shí)驗(yàn)中，采用了4組不同的數(shù)據(jù)樣本，第一組數(shù)據(jù)的樣本數(shù)量為25萬(wàn)個(gè)，第二組數(shù)據(jù)的樣本數(shù)量為29萬(wàn)個(gè)，第三組數(shù)據(jù)的樣本數(shù)量為24萬(wàn)個(gè)，第四組數(shù)據(jù)樣本的數(shù)量為28萬(wàn)個(gè)。通過(guò)四組數(shù)據(jù)的驗(yàn)證，分別應(yīng)用文獻(xiàn)1、文獻(xiàn)2、文獻(xiàn)3以及貝葉斯模型作為對(duì)比分析，計(jì)算竊電信息識(shí)別率。由于這些算法均為成熟方法，其計(jì)算過(guò)程不再說(shuō)明。然后將這幾種方法與DBN深度學(xué)習(xí)算法模型進(jìn)行比較，對(duì)比竊電信息識(shí)別率，計(jì)算公式為：

竊電信息識(shí)別率=總樣本數(shù)量-識(shí)別數(shù)據(jù)量總樣本數(shù)據(jù)量×100%（9）

下面對(duì)這幾種算法的穩(wěn)定性進(jìn)行測(cè)試，現(xiàn)在對(duì)6天內(nèi)的數(shù)據(jù)進(jìn)行綜合評(píng)估，以觀測(cè)算法模型的穩(wěn)定性情況。所謂的穩(wěn)定性，是指在DBN深度學(xué)習(xí)算法模型在外界干擾信息影響下以及測(cè)量狀態(tài)不同情況下所表現(xiàn)出的一種穩(wěn)定性狀態(tài)[21-22]。這種狀態(tài)能夠反映測(cè)量特性隨時(shí)間的恒定程度。為了測(cè)量的方便，僅僅采用文獻(xiàn)3和貝葉斯模型進(jìn)行對(duì)比分析，對(duì)比曲線圖如圖5所示。

在圖5中，橫坐標(biāo)的單位為天，數(shù)據(jù)統(tǒng)計(jì)為6天的數(shù)據(jù)信息，縱坐標(biāo)表示穩(wěn)定度百分比，其單位為%，其中穩(wěn)定度的計(jì)算公式如下所示。

穩(wěn)定度%=最大測(cè)量值-最小測(cè)量值測(cè)試平均值×100%

因此，根據(jù)上述公式可以，計(jì)算出的數(shù)值越小，則表示穩(wěn)定度越好，計(jì)算出的數(shù)值越大，則表示穩(wěn)定度越差。根據(jù)6天的數(shù)據(jù)情況，DBN深度學(xué)習(xí)算法模型穩(wěn)定性能較好。相對(duì)于其他算法，訓(xùn)練較快，收斂時(shí)間較少，穩(wěn)定性能好，識(shí)別率高。

4 結(jié) 論

針對(duì)越來(lái)越嚴(yán)重的竊電現(xiàn)象，提出了新型的電能計(jì)量反竊電技術(shù)。設(shè)計(jì)出基于DBN深度學(xué)習(xí)算法模型的反竊電系統(tǒng)，并應(yīng)用了云計(jì)算的智能電網(wǎng)大數(shù)據(jù)處理平臺(tái)SP-DPP，實(shí)現(xiàn)數(shù)據(jù)的高容量存儲(chǔ)和高速處理，又應(yīng)用了數(shù)據(jù)融合算法，實(shí)現(xiàn)數(shù)據(jù)的快速處理，文中利用DBN深度學(xué)習(xí)算法模型構(gòu)建出多層神經(jīng)網(wǎng)絡(luò)模型，對(duì)接收到的諸如圖像、文本、語(yǔ)音等竊電數(shù)據(jù)信息進(jìn)行訓(xùn)練、學(xué)習(xí)。通過(guò)試驗(yàn)，本研究方案比文獻(xiàn)1、文獻(xiàn)2、文獻(xiàn)3以及貝葉斯模型的信息識(shí)別率較高，穩(wěn)定度也好。

參考文獻(xiàn)

[1]楊體. 對(duì)電能表防竊電的分析[J].電力自動(dòng)化設(shè)備，2002， 22（3）：84-85.

[2]青志明，張宏艷，龍漪瀾，等.基于載波異常監(jiān)測(cè)的竊電行為判斷方法[J].科學(xué)技術(shù)與工程，2018， 18（20）： 251-256.

[3]趙程超，張漢敬，景志敏，等.基于離群點(diǎn)算法和用電信息采集系統(tǒng)的反竊電研究[J].電力系統(tǒng)保護(hù)與控制，2015，43 （17）： 69-74.

[4]李丹丹，葛冰玉，黃文雯，等.DBN深度學(xué)習(xí)算法在反竊電系統(tǒng)中的應(yīng)用[J].電信科學(xué)， 2019， 5（2）： 119-123.

[5]李丹丹，葛冰玉，黃文雯，等.DBN深度學(xué)習(xí)算法在反竊電系統(tǒng)中的應(yīng)用研究[D].數(shù)字中國(guó) 能源互聯(lián)—2018電力行業(yè)信息化年會(huì)論文集[D].2018： 413.

[6]李新國(guó).基于深度學(xué)習(xí)的圖像分類及其在高光譜圖像中的應(yīng)用研究[J].南京航空航天大學(xué).2016， （3）：1-79.

[7]朱大立，金昊，吳荻，等. 基于數(shù)據(jù)流深度學(xué)習(xí)算法的Android惡意應(yīng)用檢測(cè)方法[J].信息安全學(xué)報(bào).2019（2）：57-72.

[8]李佳， 徐勝超. 基于云計(jì)算的智能電網(wǎng)大數(shù)據(jù)處理平臺(tái)[J].計(jì)算機(jī)工程與設(shè)計(jì)， 2018， 39（10）：81-87.

[9]吳文麗， 劉馨卉， 宋貴杰. 智能用電信息采集終端檢測(cè)裝置研究[J]. 自動(dòng)化與儀表， 2015， 30（10）：71-75.

[10]蔡之鑫. DBN和MDBoost2在入侵檢測(cè)中的應(yīng)用[J].計(jì)算機(jī)科學(xué)與技術(shù)， 2016（11）：1-65.

[11]李曉蕊. 基于DBN模型的鐵路異物侵限檢測(cè)算法研究[J]. 電子測(cè)量技術(shù)， 2018（12）：128-132.

[12]郜麗鵬， 李勇. 一種基于集成學(xué)習(xí)的DBN模型分類方法[J]. 哈爾濱商業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2019， 35（5）：75-79.

[13]張美娟. 基于深度學(xué)習(xí)的智能手機(jī)入侵檢測(cè)系統(tǒng)的研究[J].計(jì)算機(jī)科學(xué)與技術(shù)， 2016（1）：1-68.

[14]羅琳. 基于深度學(xué)習(xí)的語(yǔ)音情感識(shí)別方法的研究[J].信息與通信工程. 2016（3）：1-72.

[15]張?chǎng)?王文偉. 基于局部二值模式和深度學(xué)習(xí)的人臉識(shí)別[J].計(jì)算機(jī)應(yīng)用，2015，35（5）：1474-1478.

[16]楊佳駒. 基于MapReduce和深度學(xué)習(xí)的負(fù)荷分析與預(yù)測(cè)[J].電氣工程， 2016（3）：1-68.

[17]雷濤， 曠生玉， 楊玲，等. 基于深度學(xué)習(xí)的雷達(dá)輻射源型號(hào)識(shí)別方法[J]. 電子信息對(duì)抗技術(shù)， 2019， 34（4）：29-34.

[18]宋曉林， 王正杰， 等. 基于LabVIEW和Matlab綜合平臺(tái)的高精度多功能虛擬數(shù)字電能表的研究[J]. 陜西電力. 2015， 43（8）：24-26.

[19]郭婧， 徐中偉， 李麗梅. 基于TCSP的實(shí)時(shí)并發(fā)系統(tǒng)測(cè)試方法[J].高技術(shù)通訊.2015， 25（4）： 350-356.

[20]龍小強(qiáng)， 李捷， 陳彥如. 基于深度學(xué)習(xí)的城市軌道交通短時(shí)客流量預(yù)測(cè)[J]. 控制與決策，2019（8）：1589-1600.

[21]張文博，姬紅兵，王磊. 一種自適應(yīng)權(quán)值的多特征融合分類方法[J]. 系統(tǒng)工程與電子技術(shù)，2013， 35（6）：1133-1137.

[22]琚玉建，謝紹斌，張薇. 基于自適應(yīng)權(quán)值的數(shù)據(jù)報(bào)指紋特征識(shí)別與發(fā)現(xiàn)[J]. 計(jì)算機(jī)測(cè)量與控制，2014， 22（7）：2288-2290，2294.

[23]張文博，姬紅兵，王磊. 一種自適應(yīng)權(quán)值的多特征融合分類方法[J]. 系統(tǒng)工程與電子技術(shù)，2013， 35（6）：1133-1137.