Automatic Identification Algorithm for Power Theft and Leakage Users Based on Deep Feature Mining

WANG Xin-yun; LI Yuan

doi:10.3969/j.issn.2096-6091.2024.03.003

您当前的位置：

首页 >

文章列表页 >

Automatic Identification Algorithm for Power Theft and Leakage Users Based on Deep Feature Mining

RESEARCH PAPER | 更新时间：2025-04-08

- Automatic Identification Algorithm for Power Theft and Leakage Users Based on Deep Feature Mining
- New Generation of Information Technology Vol. 7, Issue 3, Pages: 11-17(2024)
- 作者机构：
  
  1.惠州工程职业学院信息工程学院，广东惠州 516023
  2.北京云子元创科技有限公司，北京 101312
- 作者简介：
- 基金信息：
- DOI：10.3969/j.issn.2096-6091.2024.03.003
  CLC： TM732;TP393.09
- Published：25 March 2024
- 稿件说明：
移动端阅览
王新云, 李媛. 基于深度特征挖掘的电力窃漏电用户自动识别算法[J]. 新一代信息技术, 2024, 7(3): 11-17

WANG Xin-yun, LI Yuan. Automatic Identification Algorithm for Power Theft and Leakage Users Based on Deep Feature Mining[J]. New Generation of Information Technology, 2024, 7(3): 11-17
王新云, 李媛. 基于深度特征挖掘的电力窃漏电用户自动识别算法[J]. 新一代信息技术, 2024, 7(3): 11-17 DOI： 10.3969/j.issn.2096-6091.2024.03.003.

WANG Xin-yun, LI Yuan. Automatic Identification Algorithm for Power Theft and Leakage Users Based on Deep Feature Mining[J]. New Generation of Information Technology, 2024, 7(3): 11-17 DOI： 10.3969/j.issn.2096-6091.2024.03.003.

摘要

本研究聚焦于电力窃漏电用户的自动识别，提出一种创新算法。通过深度特征挖掘技术，提取电力数据中的电量趋势、线损及告警类等关键特征，构建多维度特征体系。运用卷积神经网络（convolutional neural networks）对特征进行学习，建立窃漏电用户识别模型。针对表前窃电行为，采用非参数统计方法分析历史与监测数据特征值分布，动态确定预警阈值。经国家电网真实用户数据集验证，该算法准确率达90%以上，召回率超85%，具备高准确性与实用性，适用于各类电力数据监测系统，如无线抄表系统，能有效提升电力企业反窃电能力，维护供电秩序与电网安全。

Abstract

This study focuses on the automatic identification of power theft and leakage users

and proposes an innovative algorithm. By using deep feature mining techniques

key features such as electricity trend

line loss

and alarm types are extracted from power data to construct a multidimensional feature system. Using CNN (Convolutional Neural Networks) to learn features and establish a theft and leakage user recognition model. For the theft of electricity in front of the meter

non parametric statistical methods are used to analyze the distribution of characteristic values of historical and monitoring data

and dynamically determine the warning threshold. Verified by the real user dataset of State Grid Corporation of China

the algorithm has an accuracy rate of over 90% and a recall rate of over 85%. It has high accuracy and practicality

and is suitable for various power data monitoring systems

such as wireless meter reading systems. It can effectively improve the anti theft ability of power enterprises

maintain power supply order and grid safety.

关键词

Keywords

references

张祥钦 , 李昕 . 基于深度学习的窃电检测方法综述 [J ] . 辽宁工业大学学报(自然科学版) , 2023 , 43 ( 5 ): 296 - 302, 318 .

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 ( 10 ): 81 - 86 .

严春满 , 王铖 . 卷积神经网络模型发展及应用 [J ] . 计算机科学与探索 , 2021 , 15 ( 1 ): 27 - 46 .

王立则 , 谢东 , 周立峰 , 等 . 基于Attention机制和ResNet的CNN-BiLSTM短期电力负荷预测模型研究 [J ] . 南华大学学报(自然科学版) , 2023 , 37 ( 1 ): 33 - 39, 86 .

方娜 , 李俊晓 , 陈浩 , 等 . 基于CNN-GRU-MLR的多频组合短期电力负荷预测 [J ] . 计算机仿真 , 2023 , 40 ( 1 ): 118 - 124 .

张伟 , 张潇 , 冯磊 , 等 . 采用值守作业机器人进行短期电力负荷预测方法与应用 [J ] . 机械设计与研究 , 2022 , 38 ( 6 ): 29 - 33 .

吉兴全 , 陈金硕 , 张玉敏 , 等 . 基于CNN-SVM的配电网故障分类研究 [J ] . 智慧电力 , 2022 , 50 ( 1 ): 94 - 100 .

葛岳军 , 刘瑞 , 马立骏 , 等 . 基于CNN-LSTM模型的电力盗窃行为识别技术研究 [J ] . 供用电 , 2022 , 39 ( 9 ): 61 - 67 .

邓海刚 , 王传旭 , 李成伟 , 等 . 深度学习框架下群组行为识别算法综述 [J ] . 电子学报 , 2022 , 50 ( 8 ): 2018 - 2036 .

DENG H G , WANG C X , LI C W , et al . Summarization of group activity recognition algorithms based on deep learning frame [J ] . Acta Electronica Sinica , 2022 , 50 ( 8 ): 2018 - 2036 . (in Chinese) .

夏睿 , 高云鹏 , 朱彦卿 , 等 . 基于SE-CNN模型的窃电检测方法研究 [J ] . 电力系统保护与控制 , 2022 , 50 ( 20 ): 117 - 126 .

段志尚 , 冉懿 , 吕笃良 , 等 . 基于残差网络和深度可分离卷积增强自注意力机制的窃电识别 [J ] . 华东师范大学学报(自然科学版) , 2023 ( 5 ): 193 - 204 .

成跃宇 , 成国锋 . 基于混合神经网络的配电网用户窃电检测方法 [J ] . 浙江电力 , 2023 , 42 ( 11 ): 96 - 103 .

赵艳龙 , 柏维 , 雷江平 , 等 . 基于MTF维度提升和残差网络的窃电识别方法 [J ] . 电工电能新技术 , 2024 , 43 ( 8 ): 78 - 86 .

邓海刚 , 王传旭 , 李成伟 , 等 . 深度学习框架下群组行为识别算法综述 [J ] . 电子学报 , 2022 , 50 ( 8 ): 2018 - 2036 .

DENG H G , WANG C X , LI C W , et al . Summarization of group activity recognition algorithms based on deep learning frame [J ] . Acta Electronica Sinica , 2022 , 50 ( 8 ): 2018 - 2036 . (in Chinese)

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

No data

Related Author

No data

Related Institution

No data

⁰