基于小波和長(zhǎng)短期記憶混合神經(jīng)網(wǎng)絡(luò)的電力用戶異常用電模式檢測(cè)

鄭貴林，謝耀

(武漢大學(xué) 電氣與自動(dòng)化學(xué)院，武漢 430072)

0 引 言

電力系統(tǒng)中，輸配電損失指輸配電網(wǎng)中未由電力用戶支付的電量。有兩種類型的損失：技術(shù)性損失和非技術(shù)性損失[1]。技術(shù)性損失是電力傳輸?shù)墓逃袚p耗，非技術(shù)性損失包括竊電、記錄異常和欺詐等。其中因竊電造成的非技術(shù)性損失在電網(wǎng)實(shí)際運(yùn)行中普遍存在[2]，部分國(guó)家的非技術(shù)性損失約占用電總量的12.5%～25%[3]。例如，印度、巴西和墨西哥的非技術(shù)性損失分別占其全國(guó)用電量的26.2%、16.85%和15.83%[4]。我國(guó)的非技術(shù)性損失相對(duì)較低，占全國(guó)用電總量的6.42%[4]，但我國(guó)電能需求總體龐大，且近年來用電量不斷攀升[5-6]。因此，竊電等異常用電模式檢測(cè)方法研究是降低輸配電損失、提高智能電網(wǎng)運(yùn)行效率的關(guān)鍵[7]。

近年來國(guó)內(nèi)外學(xué)者對(duì)于降低非技術(shù)性損失的問題，在異常用電檢測(cè)領(lǐng)域展開了廣泛的研究。文獻(xiàn)[4]使用基于C-means的模糊聚類方法尋找具有相似消費(fèi)特征的電力用戶，并利用模糊隸屬度矩陣和到聚類中心的歐氏距離進(jìn)行模糊分類。為了解決人工分類的問題，文獻(xiàn)[8]提出一種基于AMI系統(tǒng)中高頻率的負(fù)荷計(jì)量數(shù)據(jù)，采用One-class SVM模型建立用戶的正常行為模式分類器。文獻(xiàn)[9]通過將反竊電評(píng)價(jià)體系與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)建反竊電模型。上述檢測(cè)模型的實(shí)驗(yàn)仿真結(jié)果在異常用電模式分類方面均滿足檢測(cè)要求，但在特征提取及檢測(cè)閾值選取方面缺乏理論依據(jù)，且模型的檢測(cè)精度有待提高。

為更有效地從高維數(shù)據(jù)中提取數(shù)據(jù)特征從而解決特征匹配問題，文章提出一種基于小波和長(zhǎng)短期記憶混合神經(jīng)網(wǎng)絡(luò)的異常用電檢測(cè)的模型。模型主要由三部分組成：首先，提出異常用電模擬算法用于生成異常用電數(shù)據(jù)序列；然后，通過級(jí)聯(lián)長(zhǎng)短期記憶(Long Short-Term Memory，LSTM)網(wǎng)絡(luò)結(jié)構(gòu)從電力用戶用電數(shù)據(jù)中提取序列特征；最后，通過小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network，WNN)處理序列特征，實(shí)現(xiàn)序列特征到輸配電系統(tǒng)中電力用戶用電模式的映射。

1 相關(guān)網(wǎng)絡(luò)結(jié)構(gòu)

1.1 Recurrent Neural Network

循環(huán)神經(jīng)網(wǎng)絡(luò)(Current Neural Network，RNN)是由輸入層、隱含層及輸出層組成的全連接神經(jīng)網(wǎng)絡(luò)，圖1所示為RNN結(jié)構(gòu)展開示意圖。

圖1 RNN典型結(jié)構(gòu)

其中x為系統(tǒng)輸入；h為隱含層輸出，當(dāng)前時(shí)刻(t時(shí)刻)輸出ht由隱含層輸入經(jīng)權(quán)重矩陣和激活函數(shù)作用得到；o為系統(tǒng)輸出；L是損失估計(jì)；y是訓(xùn)練集中給出的真實(shí)值；U、V、W為權(quán)重矩陣，經(jīng)后續(xù)訓(xùn)練得到。

在t時(shí)刻：

h(t)=φ(Ux(t)+Wh(t-1)+b)

(1)

式中φ(·)為激活函數(shù)；b為偏置量。

t時(shí)刻的輸出：

o(t)=Vh(t)+c

(2)

式中c為偏置量，最終模型的預(yù)測(cè)輸出為y(t)；σ為激活函數(shù)：

y(t)=σ(o(t))

(3)

1.2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

LSTM網(wǎng)絡(luò)模型是深層RNN的改進(jìn)，通過在隱含層增加新的單元狀態(tài)進(jìn)行信息的傳遞，重新設(shè)計(jì)了計(jì)算節(jié)點(diǎn)，實(shí)現(xiàn)對(duì)遠(yuǎn)距離信息的有效控制，可以有效避免訓(xùn)練深度網(wǎng)絡(luò)過程中的梯度值異常增長(zhǎng)問題[10]。

LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。完整的LSTM網(wǎng)絡(luò)包括存儲(chǔ)歷史信息的記憶單元、控制當(dāng)前時(shí)刻輸入信息的“輸入門”、調(diào)整歷史信息輸入權(quán)重的“遺忘門”和控制當(dāng)前時(shí)刻輸出信息的“輸出門”。

圖2 LSTM結(jié)構(gòu)

LSTM網(wǎng)絡(luò)模型在t時(shí)刻含有3個(gè)輸入：當(dāng)前時(shí)刻網(wǎng)絡(luò)的外部輸入xt；前一時(shí)刻LSTM網(wǎng)絡(luò)隱含層輸出值ht-1；前一時(shí)刻單元狀態(tài)ct-1。LSTM網(wǎng)絡(luò)在t時(shí)刻含有2個(gè)輸出：當(dāng)前時(shí)刻LSTM網(wǎng)絡(luò)輸出值ht和當(dāng)前時(shí)刻單元狀態(tài)ct。

LSTM網(wǎng)絡(luò)模型通過3個(gè)控制開關(guān)實(shí)現(xiàn)對(duì)單元狀態(tài)c的有效控制：“遺忘門”實(shí)現(xiàn)對(duì)前一時(shí)刻長(zhǎng)期狀態(tài)ct-1的控制；“輸入門”實(shí)現(xiàn)對(duì)當(dāng)前時(shí)刻輸入信息的控制；“輸出門”實(shí)現(xiàn)對(duì)當(dāng)前時(shí)刻長(zhǎng)期狀態(tài)ct的控制。根據(jù)圖2，可以得到如下各門結(jié)構(gòu)的具體計(jì)算式：

當(dāng)前時(shí)刻“遺忘門”：

ft=σf(Wf[ht-1,xt]+bf)

(4)

式中Wf為“遺忘門”權(quán)重矩陣；[ht-1,xt]表示將2個(gè)向量拼接；bf為“遺忘門”偏置項(xiàng)；σf(·)為“遺忘門”激活函數(shù)。

當(dāng)前時(shí)刻“輸入門”：

it=σi(Wi[ht-1,xt]+bi)

(5)

式中Wi為“輸入門”權(quán)重矩陣；bi為“輸入門”偏置項(xiàng)；σi(·)為“輸入門”激活函數(shù)。

當(dāng)前輸入的單元狀態(tài)c′由前一時(shí)刻LSTM網(wǎng)絡(luò)輸出ht-1及當(dāng)前時(shí)刻輸入xt計(jì)算，公式為：

c′t=tanh(Wc[ht-1,xt]+bc)

(6)

式中Wc為單元狀態(tài)的權(quán)重矩陣；bc為偏置項(xiàng)；tanh為激活函數(shù)。

當(dāng)前時(shí)刻單元狀態(tài):

ct=ft×ct-1+it×c′t

(7)

式中符號(hào)“×”表示按元素乘。此時(shí)，LSTM網(wǎng)絡(luò)將當(dāng)前記憶c′t和長(zhǎng)期記憶ct-1相結(jié)合，形成新單元狀態(tài)ct。

當(dāng)前時(shí)刻“輸出門”ot受到長(zhǎng)期記憶對(duì)當(dāng)前輸出的影響，計(jì)算式為：

ot=σo(Wo[ht-1,xt]+bo)

(8)

式中Wo為“輸出門”權(quán)重矩陣；bo為“輸出門”偏置項(xiàng)；σo(·)為“輸出門”激活函數(shù)。

LSTM網(wǎng)絡(luò)最終輸出由“輸出門”和單元狀態(tài)共同確定，計(jì)算式為：

ht=ot×tanh(ct)

(9)

1.3 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

小波神經(jīng)網(wǎng)絡(luò)在數(shù)列數(shù)據(jù)分析領(lǐng)域應(yīng)用廣泛[11]。對(duì)一個(gè)多輸入多輸出映射f:Rm→Rq，其網(wǎng)絡(luò)方程的實(shí)現(xiàn)可表示為：

(10)

2 異常用電檢測(cè)模型

2.1 混合神經(jīng)網(wǎng)絡(luò)模型

在挖掘電力用戶用電數(shù)據(jù)，識(shí)別竊電等異常用電行為時(shí)，模型需要將高緯度用戶用電數(shù)據(jù)處理為序列特征，并映射到具體的用電模式。因此，分析用電數(shù)據(jù)的內(nèi)在聯(lián)系，從而提取用電信息特征是實(shí)現(xiàn)異常用電檢測(cè)的前提，這些聯(lián)系和特征能有效地反映數(shù)據(jù)的特性。LSTM在保留了RNN模型提取深層次特征能力的同時(shí)，解決了深層網(wǎng)絡(luò)訓(xùn)練過程中存在的梯度消失問題，在處理時(shí)間序列相關(guān)問題中具有明顯優(yōu)勢(shì)。WNN由于其容錯(cuò)性、抗干擾性和自適應(yīng)性強(qiáng)等優(yōu)點(diǎn)，被廣泛應(yīng)用于模式識(shí)別和信號(hào)分類問題。據(jù)此，文章提出混合神經(jīng)網(wǎng)絡(luò)模型用于解決異常用電模式檢測(cè)中的特征提取和模式映射的問題，模型結(jié)構(gòu)如圖3所示。周用電數(shù)據(jù)經(jīng)過多層特征提取網(wǎng)絡(luò)篩選出具有高序列相關(guān)性的序列特征，然后將提取的序列特征輸入到模式映射網(wǎng)絡(luò)中，實(shí)現(xiàn)異常用電檢測(cè)。

圖3 混合神經(jīng)網(wǎng)絡(luò)模型

文中使用如圖4所示的3層LSTM網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行特征提取。為了使提取的數(shù)據(jù)具有整體性，能較為完整地反映輸入數(shù)據(jù)特性，文章使用級(jí)聯(lián)LSTM逐漸壓縮特征數(shù)據(jù)的維度并維持特征間關(guān)系。

圖4 特征提取網(wǎng)絡(luò)結(jié)構(gòu)

圖4中x=[x1,x2,…,x336]表示輸入數(shù)據(jù)，共336維；h(j)t表示第j層t時(shí)刻的輸出，其中j的取值為1，2，3共三層，t的取值隨j的取值變化，即第1層：t取1，2，…，336，第2層：t取1，2，…，240，第3層：t取1，2，…，144；s=[s1,s2,…,s48]表示最后一層LSTM輸出的48維特征數(shù)據(jù)。

為了實(shí)現(xiàn)用戶用電模式的識(shí)別分類，文章使用WNN網(wǎng)絡(luò)構(gòu)建模式映射網(wǎng)絡(luò)，利用特征提取網(wǎng)絡(luò)提取到的序列特征數(shù)據(jù)，得到最終的結(jié)果。模式映射網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。圖中，s=[s1,s2,…,s48]表示特征提取網(wǎng)絡(luò)所得到的48維特征數(shù)據(jù)；lk,n表示第k層隱含層的第n個(gè)節(jié)點(diǎn)；y1，y2表示輸出層。

圖5 模式映射網(wǎng)絡(luò)結(jié)構(gòu)

文中使用交叉熵?fù)p失函數(shù)來計(jì)算當(dāng)前模型的損失偏差程度。損失函數(shù)公式如式(11)所示。

(11)

2.2 異常用電模擬算法

常見的異常用電模式表現(xiàn)為通過攻擊智能電表的通信接口、損壞智能電表的硬件結(jié)構(gòu)或者攻擊通信網(wǎng)絡(luò)篡改用電數(shù)據(jù)。用電數(shù)據(jù)可能被直接篡改為0或者被按照一定比例削減，也可能保持用電數(shù)據(jù)總量一定，對(duì)用電曲線進(jìn)行依峰。文章提出了如表1所示的異常用電模擬算法[13]。該算法對(duì)可能出現(xiàn)的異常用電模式給出確切的定義，共有6種模式。

在算法1中，xt代表正常用電數(shù)據(jù)在t時(shí)刻的值，x′t是異常值。考慮不同異常用電模式發(fā)生可能性，對(duì)于第1種和第5種異常用電模式，設(shè)其概率為0.1，對(duì)第2、3、4、6種異常用電模式，設(shè)其概率為0.2。

表1 異常用電模擬算法

2.3 異常用電檢測(cè)模型流程圖

文章提出的異常用電檢測(cè)整體模型流程圖如圖6所示。首先，根據(jù)電力用戶的不同數(shù)據(jù)集可分為家庭用電、商業(yè)用電、其他用電三個(gè)組別，每個(gè)組別均利用異常用電模擬算法生成異常用電數(shù)據(jù)，訓(xùn)練集和測(cè)試集按照7：3的比例劃分。然后，建立基于WNN和LSTM的混合神經(jīng)網(wǎng)絡(luò)模型，并且初始化網(wǎng)絡(luò)參數(shù)，利用Adam算法進(jìn)行優(yōu)化。最后將測(cè)試集數(shù)據(jù)作為訓(xùn)練后模型的輸入，得到分類結(jié)果，進(jìn)行效果評(píng)估。

圖6 異常用電檢測(cè)模型流程圖

3 實(shí)驗(yàn)結(jié)果

3.1 數(shù)據(jù)集

文章使用CER Smart Metering Project數(shù)據(jù)集驗(yàn)證所提模型[14]。該數(shù)據(jù)集由Electric Ireland 和Sustainable Energy Authority of Ireland(SEAI)于2012年發(fā)布，包含4 225個(gè)家庭用戶、485個(gè)商業(yè)用戶和1735個(gè)其他用戶，每個(gè)用戶有535天的連續(xù)用電記錄(半小時(shí)記錄一個(gè)點(diǎn))。三種用戶的日用電量分別如圖7～圖9所示。

圖7 家庭用戶日用電量圖

圖8 商業(yè)用戶日用電量圖

圖9 其他用戶日用電分布圖

從圖7～圖9中可以看出，不同組別的用電模式有很大區(qū)別，考慮到不同組別發(fā)生竊電的概率，每組隨機(jī)取20%(P(I)=20%)的樣本作為算法1的輸入生成異常用電數(shù)據(jù)。

在生成異常用電數(shù)據(jù)時(shí)，首先，選取535天時(shí)間段內(nèi)共6 445個(gè)電力用戶的歷史用電數(shù)據(jù)，以周為基準(zhǔn)，將用戶個(gè)體的數(shù)據(jù)分段儲(chǔ)存；然后，采用算法1對(duì)儲(chǔ)存數(shù)據(jù)逐段執(zhí)行，將所有數(shù)據(jù)匯總并隨機(jī)打亂；最后，將打亂后的整體數(shù)據(jù)按比例劃分為訓(xùn)練集和測(cè)試集用來對(duì)文章提出的異常用電檢測(cè)模型進(jìn)行訓(xùn)練和評(píng)估。

3.2 評(píng)價(jià)指標(biāo)

文章采用三個(gè)評(píng)價(jià)指標(biāo)。分別為誤檢率rFPR、檢出率rDR和貝葉斯檢出率rBDR，如式(12)所示。其中貝葉斯檢出率是對(duì)誤檢率和檢出率的綜合，充分考慮了異常用電發(fā)生的概率以及異常用電檢測(cè)帶來的成本。

(12)

式中NFP為預(yù)測(cè)類別為真，真實(shí)類別為假的樣本個(gè)數(shù)；NFN為預(yù)測(cè)類別為假，真實(shí)類別為真的樣本個(gè)數(shù)；NTP為預(yù)測(cè)類別為真，真實(shí)類別也為真的樣本個(gè)數(shù)；NTN為預(yù)測(cè)類別為假，真實(shí)類別也為假的樣本個(gè)數(shù)；P(I)為異常用電行為發(fā)生的概率。

3.3 結(jié)果對(duì)比

首先，考慮到文章提出模型本身的影響因素，算法整體性能對(duì)特征提取網(wǎng)絡(luò)中LSTM的層數(shù)設(shè)置非常敏感，網(wǎng)絡(luò)的層數(shù)過少對(duì)數(shù)據(jù)的抽象提取能力不足，網(wǎng)絡(luò)的層數(shù)過多會(huì)造成過擬合現(xiàn)象，同時(shí)隨著網(wǎng)絡(luò)層數(shù)的增加，模型的時(shí)間復(fù)雜度呈指數(shù)增長(zhǎng)，因此需要選取適當(dāng)?shù)腖STM網(wǎng)絡(luò)層數(shù)。分別取LSTM 的層數(shù)為1,2,3,4在相同數(shù)據(jù)集上實(shí)驗(yàn)，算法的性能如圖10、圖11所示。增加LSTM的層數(shù)，會(huì)使檢出率升高，但增加幅度會(huì)減小，同時(shí)誤檢率會(huì)降低，但是當(dāng)LSTM層數(shù)達(dá)到4層時(shí)誤檢率略微升高。實(shí)驗(yàn)結(jié)果說明，特征提取網(wǎng)絡(luò)中LSTM的層數(shù)取3層時(shí)，算法性能比較好。

圖10 特征提取網(wǎng)絡(luò)層數(shù)對(duì)算法檢出率的影響

圖11 特征提取網(wǎng)絡(luò)層數(shù)對(duì)算法誤檢率的影響

為了進(jìn)行效果評(píng)估，將文章提出的基于小波和長(zhǎng)短期記憶混合神經(jīng)網(wǎng)絡(luò)的異常用電檢測(cè)模型與傳統(tǒng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比實(shí)驗(yàn)。

(1)支持向量機(jī)[15]：根據(jù)電力用戶長(zhǎng)期用電情況，利用支持向量機(jī)作為分類器，完成不同用電模式的分類。

(2)分層神經(jīng)網(wǎng)絡(luò)[16]：采用分層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，以經(jīng)過分類器處理后的數(shù)據(jù)為輸入特征，實(shí)現(xiàn)非法用電用戶篩選。

(3)極限學(xué)習(xí)機(jī)[17]：根據(jù)電力用戶實(shí)時(shí)用電負(fù)荷數(shù)據(jù)，利用在線序列極限學(xué)習(xí)機(jī)作為異常識(shí)別模型，完成用戶異常用電行為監(jiān)測(cè)。該模型使用sigmoid激活函數(shù)和徑向基函數(shù)(RBF)。

(4)決策樹[18]：以月用電量為特征，選擇信息增益為序列篩選標(biāo)準(zhǔn)，結(jié)合決策樹模型實(shí)現(xiàn)用戶異常用電模式分類。

(5)模糊系統(tǒng)[19]：采用改進(jìn)的模糊系統(tǒng)，結(jié)合預(yù)選分類器，通過選取參數(shù)，建立模糊規(guī)則實(shí)現(xiàn)非技術(shù)性損失檢測(cè)。

表2展示了上述模型在測(cè)試集上的表現(xiàn)。

表2 不同異常用電檢測(cè)模型的效果

從表2中可以看出，文章所提模型與傳統(tǒng)網(wǎng)絡(luò)模型相比，具有更高的檢出率、更低的誤檢率和更高的貝葉斯檢出率。其中，與分層神經(jīng)網(wǎng)絡(luò)模型相比有相近的檢出率，但是在貝葉斯檢出率方面具有較大的優(yōu)勢(shì)，這是因?yàn)槲恼滤崮Ｐ驮谔卣魈崛》矫娉浞挚紤]了正常、異常樣本的特征，減小了過擬合問題。

4 結(jié)束語

為更有效地從高維數(shù)據(jù)中提取數(shù)據(jù)特征從而解決特征匹配問題，文章提出一種基于小波和長(zhǎng)短期記憶混合神經(jīng)網(wǎng)絡(luò)的異常用電檢測(cè)的模型。通過CER Smart Metering Project數(shù)據(jù)集實(shí)驗(yàn)，驗(yàn)證了文章提出的檢測(cè)模型與傳統(tǒng)網(wǎng)絡(luò)模型具有更好的效果。在后續(xù)工作中，將研究如何加快深度學(xué)習(xí)模型的學(xué)習(xí)速度，縮減模型生成所需的時(shí)間。