基于BRB和LSTM網(wǎng)絡(luò)的電力大數(shù)據(jù)用電異常檢測(cè)方法

萬(wàn)磊，陳成，黃文杰，盧濤，劉威

(1.國(guó)網(wǎng)湖北省電力有限公司，武漢市 430077；2. 武漢工程大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，武漢市 430205；3.湖北華中電力科技開發(fā)有限責(zé)任公司，武漢市 430077)

0 引 言

近年來(lái)，隨著“智能電網(wǎng)”的興起和普及，其運(yùn)行中的輸配電損失受到越來(lái)越多的關(guān)注，而輸配電損失大致可分為技術(shù)性損失(technical loss, TL)和非技術(shù)性損失(non-technical loss, NTL)兩大類[1]。其中，嚴(yán)重的NTL，即用戶異常竊電行為，給電網(wǎng)行業(yè)帶來(lái)了巨大的經(jīng)濟(jì)損失。因此，如何從大量的電力數(shù)據(jù)中高效、快速地檢測(cè)出用戶的異常用電行為，以供電網(wǎng)人員決策，對(duì)提高經(jīng)濟(jì)效益、促進(jìn)電網(wǎng)的發(fā)展和進(jìn)步有著重要的研究意義。

在電力大數(shù)據(jù)中，對(duì)于NTL的異常檢測(cè)一直是該領(lǐng)域的熱點(diǎn)及難點(diǎn)問(wèn)題。目前針對(duì)電力大數(shù)據(jù)的NTL異常檢測(cè)方法大多基于數(shù)據(jù)驅(qū)動(dòng)的檢測(cè)方法，其中包括基于聚類的方法、基于深度學(xué)習(xí)的方法等。文獻(xiàn)[2]針對(duì)電力大數(shù)據(jù)流的異常檢測(cè)問(wèn)題，提出一種基于流式K-means的聚類算法，在優(yōu)化離線階段聚類算法的同時(shí)，提高算法對(duì)用戶用電異常行為的有效識(shí)別。文獻(xiàn)[3]在基于電量數(shù)據(jù)波動(dòng)系數(shù)特征的基礎(chǔ)上，提出一種基于樣本優(yōu)化選取的支持向量機(jī)竊電識(shí)別方法，該方法能夠有效識(shí)別用戶的竊電行為，具有一定的實(shí)用性。文獻(xiàn)[4]提出了一種集合廣度和深度的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)來(lái)完成對(duì)電力大數(shù)據(jù)中用戶竊電行為的有效檢測(cè)。其中基于二維用電數(shù)據(jù)，深度的CNN分量可以準(zhǔn)確識(shí)別竊電的非周期性和正常用電的周期性；而基于一維的用電數(shù)據(jù)，廣度的CNN分量可以有效捕獲該數(shù)據(jù)的全局特征。

上述算法雖然能夠較好地完成對(duì)NTL的異常檢測(cè)，但是這些方法都需要大量的用戶用電量數(shù)據(jù)樣本作為支撐，特別是對(duì)于基于深度學(xué)習(xí)的方法來(lái)說(shuō)，對(duì)于正負(fù)樣本集的標(biāo)定是異常檢測(cè)準(zhǔn)確率的關(guān)鍵。尤其對(duì)于有監(jiān)督學(xué)習(xí)來(lái)說(shuō)，好的數(shù)據(jù)標(biāo)定，即故障數(shù)據(jù)樣本與正常數(shù)據(jù)樣本的正確標(biāo)定，可以約束網(wǎng)絡(luò)更加有效地提取故障樣本的特征，從而提高網(wǎng)絡(luò)的檢測(cè)準(zhǔn)確率。然而，在實(shí)際的應(yīng)用中，對(duì)于數(shù)據(jù)的標(biāo)定通常采用人工標(biāo)定的方法，不僅耗時(shí)且成本高昂。因此，為了提高數(shù)據(jù)標(biāo)定的效率，本文首先將置信規(guī)則推理(belief rule-based，BRB)方法引入到對(duì)電力大數(shù)據(jù)的異常檢測(cè)中，提出一種基于用戶用電量波動(dòng)特征和用電曲線異常特征的置信規(guī)則推理的方法來(lái)檢測(cè)用戶用電量是否異常，自動(dòng)快速地獲取可信度高、魯棒性強(qiáng)的正負(fù)樣本集。接著，以此樣本集為基礎(chǔ)，采用長(zhǎng)短記憶網(wǎng)絡(luò)模型(long short-term memory, LSTM)網(wǎng)絡(luò)來(lái)有效提取NTL異常特征，最終完成對(duì)用戶用電行為異常的檢測(cè)。

1 異常特征選取

用戶異常用電行為是一個(gè)時(shí)效性問(wèn)題，通常會(huì)在某一時(shí)段內(nèi)完成對(duì)電量的竊取。因此，本文所提到的異常特征，通常指的是一段時(shí)間內(nèi)的有效特征，而特征的選取是NTL異常檢測(cè)成功的關(guān)鍵?；诖?，本文首先選取的特征為用戶用電量波動(dòng)信息指標(biāo)。另外，考慮到用戶可能在不改變用電總量的情況下，對(duì)用電曲線的峰值進(jìn)行篡改，故本文選取的另一個(gè)特征為用戶的曲線異常特征，通常稱之為毛刺[5]。

1.1 用戶用電量波動(dòng)特征分析

對(duì)一定時(shí)間范圍內(nèi)的用戶用電量進(jìn)行分析，采用傳統(tǒng)的平均值或方差等指標(biāo)無(wú)法反映時(shí)間段內(nèi)的電量波動(dòng)情況，故無(wú)法表征當(dāng)前數(shù)據(jù)異常信息。因此，為了更加有效地反映用電數(shù)據(jù)特征，本文選取電量波動(dòng)系數(shù)CV來(lái)分析統(tǒng)計(jì)時(shí)間范圍內(nèi)的用電量數(shù)據(jù)異常波動(dòng)，其定義[3]為：

(1)

1.2 用戶用電量曲線異常特征分析

為了描述用電曲線被移峰的異常特征，本文引入毛刺特征。毛刺指的是將電表的讀數(shù)繪制成曲線后出現(xiàn)的向上的尖峰[5]，其中毛刺寬度是最直觀的衡量異常數(shù)量的一個(gè)標(biāo)量，在這里毛刺寬度指的是其周圍邊界值對(duì)應(yīng)的時(shí)間的差值。用戶異常用電曲線如圖1所示，圖中曲線為某用戶一個(gè)月的用電量情況，其數(shù)據(jù)來(lái)源于文獻(xiàn)[4]。從圖中可以看到，該用戶在1月19日到1月22日的用電量曲線出現(xiàn)了一個(gè)毛刺，且曲線的上下波動(dòng)幅度較大，因此，有理由認(rèn)為此時(shí)間段的用電量異常。然而，在智能電網(wǎng)的實(shí)際運(yùn)行過(guò)程中，通常類似的異常數(shù)量較多，但是毛刺寬度較少。因此，單個(gè)毛刺寬度不足以表征數(shù)據(jù)的異常性，本文采用毛刺寬度總和M來(lái)表征用電曲線異常的特性，其定義為：

圖1 用戶異常用電曲線Fig.1 Abnormal power consumption curve

(2)

式中：di和dj分別代表周圍邊界值對(duì)應(yīng)時(shí)間的下界節(jié)點(diǎn)和上界節(jié)點(diǎn)，其中n>m,i>j。

2 基于BRB的NTL異常數(shù)據(jù)標(biāo)定方法

2.1 前提屬性輸入轉(zhuǎn)換

對(duì)一個(gè)前提屬性值進(jìn)行輸入轉(zhuǎn)換，首先自定義轉(zhuǎn)換規(guī)則，然后按照規(guī)則將該值轉(zhuǎn)換成不同的置信度，最后將這些置信度再分配給各前提屬性以作為決策時(shí)的參考值。一個(gè)前提屬性Bi的輸入值通過(guò)以下公式來(lái)進(jìn)行轉(zhuǎn)換[7]：

S(Bi,αi)={(lim,βim),m=1,…,mi},
i∈{1,…,N}

(3)

本文選取電量波動(dòng)系數(shù)CV和毛刺寬度總和M作為BRB系統(tǒng)的前提屬性，從國(guó)家電網(wǎng)公司獲取歷史用電量數(shù)據(jù)[4]來(lái)計(jì)算輸入值CV和M，同時(shí)將這些輸入值轉(zhuǎn)換為相應(yīng)的前提屬性參考值的隸屬度[6-7]。一般地，當(dāng)0

因此，上述輸入轉(zhuǎn)換的過(guò)程為：

(4)

(5)

從上面的轉(zhuǎn)換過(guò)程可以看出，為了完成前提屬性的輸入轉(zhuǎn)換，之前還需要對(duì)其進(jìn)行參考值的確定。假設(shè)兩個(gè)前提屬性參考值的分布為：CV= {(Big,0.8),(Normal,0.15), (Small,-0.5)}；M= {(Large,15),(Normal,5), (Small,3)}。結(jié)合式(3)和(4)，對(duì)于一個(gè)樣本數(shù)據(jù)，CV=0.5，M=8，則該樣本的CV隸屬于{(Big,0.8),(Normal,0.15), (Small,-0.5)}的程度為(0.538 5，0.461 5，0)，即MR=(0.8-0.5)/(0.8-0.15)=0.461 5，HR=1-0.461 5，LR=0；同理該樣本的M隸屬于{(Large,15),(Normal,5), (Small,3)}的程度為(0.300，0.700，0)。

2.2 激活權(quán)重計(jì)算

在得到上述置信分布后，需要激活所有規(guī)則下前置屬性的權(quán)重，只有這樣所得到的結(jié)果才具有可信度。通常，對(duì)于第k條規(guī)則下的激活權(quán)重ωk的計(jì)算可以用以下公式來(lái)獲取[7]：

(6)

2.3 NTL異常性結(jié)果輸出

本文采用ER[8]算法來(lái)集合所有置信規(guī)則下的前提屬性輸入值，以此獲取針對(duì)用戶用電量NTL結(jié)果屬性中每一個(gè)參考值的信任程度。該算法所產(chǎn)生的輸出結(jié)果如公式(7)所示：

O(X)=S(Bj)={(Cj,χj),j=1,…,N}

(7)

式中：χj代表參考值Cj的最終置信度，計(jì)算公式如(8)所示。

(8)

式中：χjk代表第k條規(guī)則中第j個(gè)等級(jí)的置信度。

本文中，選取的輸出結(jié)果分布分別是NTL異常、電量正常，且將NTL異常的數(shù)據(jù)標(biāo)定為0，電量正常的數(shù)據(jù)標(biāo)定為1。綜上所述，本文所提數(shù)據(jù)標(biāo)定方法的總體流程如圖2所示。

圖2 總體流程Fig.2 Overall flow chart

3 基于LSTM網(wǎng)絡(luò)的NTL異常檢測(cè)方法

3.1 LSTM網(wǎng)絡(luò)

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在處理長(zhǎng)時(shí)間序列時(shí)，容易產(chǎn)生梯度消失的問(wèn)題，比如循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks，RNN)[9]。為了解決這個(gè)問(wèn)題，提出了LSTM[10]。它主要是在RNN的隱藏層中加入了元件單元和三個(gè)控制門，即輸入門、遺忘門和輸出門，其結(jié)構(gòu)如圖3所示。其中，輸入門的主要作用為更新元件單元中的信息，遺忘門的主要作用為過(guò)濾或保留元件單元中上一時(shí)刻的信息，輸出門主要負(fù)責(zé)控制信息的流出，而元件主要負(fù)責(zé)存儲(chǔ)網(wǎng)絡(luò)先前時(shí)刻的信息。

圖3中，Z代表神經(jīng)元的加權(quán)和，其中t為當(dāng)前網(wǎng)絡(luò)的時(shí)刻，下標(biāo)l、c、y和o分別代表輸入門、元件

圖3 LSTM結(jié)構(gòu)Fig.3 Structure of LSTM

(9)

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

3.2 基于BRB和LSTM的NTL異常檢測(cè)方法

正是因?yàn)樵贚STM網(wǎng)絡(luò)中，加入了三個(gè)控制門和元件單元，從而使得該網(wǎng)絡(luò)對(duì)特征信息具有很好的記憶功能，解決梯度消失問(wèn)題的同時(shí)提高了網(wǎng)絡(luò)的穩(wěn)定性。該網(wǎng)絡(luò)不僅適用于處理長(zhǎng)時(shí)間序列問(wèn)題，而且在故障的檢測(cè)和識(shí)別方面取得了不少成果。文獻(xiàn)[11]提出了一種基于主成分分析(principal components analysis, PCA)和LSTM網(wǎng)絡(luò)的海底觀測(cè)網(wǎng)電力系統(tǒng)供電海纜的故障定位方法，該方法利用PCA強(qiáng)大的數(shù)據(jù)特征提取功能，結(jié)合LSTM來(lái)有效捕獲多源數(shù)據(jù)的時(shí)間特征，從而建立電力系統(tǒng)故障特征與電氣參數(shù)之間的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)海纜故障的精確定位。文獻(xiàn)[12]提出了一種基于LSTM網(wǎng)絡(luò)的短期交通預(yù)測(cè)智能系統(tǒng)，與其他傳統(tǒng)的預(yù)測(cè)模型不同，該文提出的LSTM網(wǎng)絡(luò)通過(guò)一個(gè)由許多存儲(chǔ)單元組成的二維網(wǎng)絡(luò)來(lái)考慮交通系統(tǒng)中的時(shí)空相關(guān)性，從而提高預(yù)測(cè)的準(zhǔn)確性。文獻(xiàn)[13]提出了一種基于LSTM遞歸神經(jīng)網(wǎng)絡(luò)和常用測(cè)量信號(hào)的檢測(cè)方法，來(lái)實(shí)現(xiàn)對(duì)鐵路軌道電路故障的檢測(cè)與識(shí)別。實(shí)驗(yàn)結(jié)果表明，與卷積網(wǎng)絡(luò)相比，LSTM網(wǎng)絡(luò)體系結(jié)構(gòu)更適合于用來(lái)對(duì)時(shí)間序列的故障進(jìn)行檢測(cè)與識(shí)別。

然而上述方法雖然能夠在一定程度上提高模型對(duì)故障的檢測(cè)率，但是它們普遍存在的一個(gè)問(wèn)題是沒(méi)有對(duì)數(shù)據(jù)樣本進(jìn)行相應(yīng)的自動(dòng)標(biāo)定處理，不能為模型提供穩(wěn)定可靠的訓(xùn)練樣本，從而導(dǎo)致模型訓(xùn)練不充分，降低了網(wǎng)絡(luò)的普適性。因此，本文借助BRB系統(tǒng)強(qiáng)大的決策能力和LSTM網(wǎng)絡(luò)對(duì)時(shí)間序列故障檢測(cè)的優(yōu)勢(shì)，提出一種基于BRB和LSTM網(wǎng)絡(luò)的NTL檢測(cè)方法，該網(wǎng)絡(luò)的訓(xùn)練建立在BRB標(biāo)定數(shù)據(jù)的基礎(chǔ)上，提供魯棒性更好的訓(xùn)練樣本的同時(shí)，提高網(wǎng)絡(luò)的普適性和檢測(cè)的準(zhǔn)確性。其整體流程如圖4所示。

如圖4所示，本文所提檢測(cè)方法的主要步驟為：

圖4 基于BRB和LSTM網(wǎng)絡(luò)的NTL異常用電檢測(cè)總體流程Fig.4 Overall flow chart of NTL abnormal power consumption detection based on BRB and LSTM network

1)通過(guò)BRB模型對(duì)真實(shí)用電量數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)定，其標(biāo)定的類別為NTL異常用電和正常用電，從而分組得到訓(xùn)練集和測(cè)試集；

2)建立兩個(gè)LSTM子網(wǎng)絡(luò)分別處理異常用電序列和正常用電序列，并根據(jù)LSTM的輸入維度，將訓(xùn)練集和測(cè)試集以時(shí)間序列為單位進(jìn)行分割，作為網(wǎng)絡(luò)的輸入，以獲取故障特征；

3)為了得到最終的NTL異常用電檢測(cè)結(jié)果，本文采用Softmax回歸分類模型來(lái)對(duì)LSTM子網(wǎng)絡(luò)的輸出特征進(jìn)行分類。

注意，圖4中的LSTM單元代表的是LSTM的網(wǎng)絡(luò)基本結(jié)構(gòu)。特別地，在步驟2)中，之所以設(shè)計(jì)兩個(gè)LSTM子網(wǎng)絡(luò)，是為了增強(qiáng)模型對(duì)不同樣本數(shù)據(jù)提取特征的能力，從而為Softmax分類器提供魯棒性更強(qiáng)的類別信息，提高其對(duì)用電異常類別的檢測(cè)準(zhǔn)確率。其中，Softmax回歸模型的損失函數(shù)為：

(18)

4 實(shí)驗(yàn)結(jié)果

4.1 實(shí)驗(yàn)數(shù)據(jù)及參數(shù)設(shè)定

本文采用國(guó)家電網(wǎng)公司發(fā)布的真實(shí)用電量數(shù)據(jù)[4]，該數(shù)據(jù)集包含1 035天內(nèi)(2014年1月1日至2016年10月31日)42 372個(gè)用電客戶的用電量數(shù)據(jù)，并且國(guó)家電網(wǎng)公司公布了這個(gè)數(shù)據(jù)集中包含有3 615個(gè)偷電者，異常用戶比例接近9%。本文選取其中1 000個(gè)用戶在2014年1—12月的實(shí)際用電數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集，如表1所示。同時(shí)，選取100個(gè)用戶在2015—2016年間的無(wú)標(biāo)簽實(shí)際用電數(shù)據(jù)作為網(wǎng)絡(luò)的測(cè)試集。另外，為了驗(yàn)證BRB模型的性能，本文選取2015年1—12月某一電表的數(shù)據(jù)為測(cè)試標(biāo)定樣本集，如表2所示。

表1 用電訓(xùn)練樣本集Table 1 Training sample set of electric power consumption kW·h

表2 用電測(cè)試樣本集Table 2 Test sample set of electric power consumption

對(duì)于圖4中帶有Softmax分類器的LSTM檢測(cè)模型，本文選取的輸入時(shí)間步長(zhǎng)為20，輸入步長(zhǎng)為15，每批次樣本數(shù)量為32，學(xué)習(xí)率設(shè)置為0.001，采用自適應(yīng)矩估計(jì)(adaptive moment estimation，ADAM)[14]的優(yōu)化方法。

4.2 數(shù)據(jù)預(yù)處理

在進(jìn)行BRB訓(xùn)練之前，為了進(jìn)一步減少數(shù)據(jù)樣本的差異性，提高模型的診斷效率，首先需要對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理。本文采用最大-最小尺度法來(lái)歸一化樣本數(shù)據(jù)，即：

(19)

式中：v(xi)表示歸一化之后的樣本數(shù)據(jù)；xi代表任意一個(gè)樣本值；X為總體數(shù)據(jù)樣本；min(X)代表樣本集的最小值；max(X)代表樣本集的最大值。當(dāng)數(shù)據(jù)歸一化后，接下來(lái)根據(jù)式(1)和式(2)對(duì)樣本數(shù)據(jù)進(jìn)行特征提取，分別為測(cè)試樣本數(shù)據(jù)的電量波動(dòng)系數(shù)CV和毛刺寬度總和M，如圖5和圖6所示。

圖5 測(cè)試樣本每月電量波動(dòng)系數(shù)Fig.5 Monthly power fluctuation coefficient of test samples

圖6 測(cè)試樣本每月毛刺寬度系數(shù) Fig.6 Monthly burr width coefficient of test sample

4.3 方法驗(yàn)證

4.3.1 異常用電數(shù)據(jù)標(biāo)定

結(jié)合圖5和圖6可得，該電表的電量波動(dòng)系數(shù)CV在3月份和9月份明顯比其他月份大，同時(shí)其在當(dāng)月的毛刺寬度總和系數(shù)M也相對(duì)較高，因此，可以初步判定該用戶存在竊電行為。然而，該電表在4月、7月和8月的電量波動(dòng)系數(shù)也相對(duì)較高，但是各自月份中的毛刺寬度總和系數(shù)又相對(duì)較小，這就無(wú)法判斷該用戶是否存在竊電行為。因此，僅采用本文所提的用電量異常特征，不足以判斷用戶是否存在竊電行為。為了驗(yàn)證本文所提方法的有效性，首先根據(jù)式(4)和式(5)將訓(xùn)練樣本數(shù)據(jù)進(jìn)行輸入轉(zhuǎn)換；接著，結(jié)合式(6)—(8)，訓(xùn)練BRB系統(tǒng)；最后，將測(cè)試樣本數(shù)據(jù)的用電量異常特征輸入轉(zhuǎn)換到系統(tǒng)中，得到的最終置信規(guī)則庫(kù)如表3所示。

表3 訓(xùn)練后的置信規(guī)則庫(kù)Table 3 Confidence-rule base after training

表3中的置信度結(jié)果反映了測(cè)試樣本在圖5和圖6中的特征值與真實(shí)用電行為之間的因果關(guān)系，能夠準(zhǔn)確地標(biāo)定出異常用電數(shù)據(jù)。比如，圖5和圖6中3月份的電量波動(dòng)系數(shù)和毛刺寬度總和系數(shù)都很高，對(duì)應(yīng)于表3中的規(guī)則1，其含義是：在當(dāng)前時(shí)間范圍內(nèi)，電量波動(dòng)系數(shù)較大(Big)，毛刺寬度總和系數(shù)也較大(Large)，其確定的NTL異常的置信度為98.32%，用電量正常的置信度為1.68%，且該條規(guī)則的可信度為1，即100%相信在此規(guī)則下所預(yù)測(cè)的異常結(jié)果。對(duì)于4月份用戶的用電行為診斷同樣可以采用這種方法來(lái)解釋：該時(shí)間范圍內(nèi)，電量波動(dòng)系數(shù)較大(Big)，毛刺寬度總和系數(shù)正常(Normal)，其確定的NTL異常的置信度為88.69%，用電量正常的置信度為11.31%，且90%相信在此規(guī)則下所預(yù)測(cè)的異常結(jié)果。因此，本文所提的用電量波動(dòng)系數(shù)CV和毛刺寬度總和M，結(jié)合BRB方法來(lái)進(jìn)行異常用電量數(shù)據(jù)的標(biāo)定具有較高的可靠性，同時(shí)可以大大提高數(shù)據(jù)標(biāo)定效率。

4.3.2 NTL異常用電檢測(cè)結(jié)果對(duì)比

為了進(jìn)一步驗(yàn)證本文所提方法的有效性，將本文方法與其他先進(jìn)的基于數(shù)據(jù)驅(qū)動(dòng)的網(wǎng)絡(luò)檢測(cè)方法進(jìn)行比較，其中包括稀疏自動(dòng)編碼器(sparse auto encoder，SAE)[15]、RNN[16]、深度信念網(wǎng)絡(luò)(deep belief network，DBN)[17]、反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural networks，BPNN)[18]等。另外，在對(duì)比實(shí)驗(yàn)中，本文也進(jìn)行一些消融實(shí)驗(yàn)驗(yàn)證，比如不采用BRB模型，只采用LSTM+Softmax分類器等。另外，本文采用K層交叉檢驗(yàn)(K-fold cross validation，K-CV)方法來(lái)評(píng)估各網(wǎng)絡(luò)的性能，其中K在本文中設(shè)置為6。實(shí)驗(yàn)中，對(duì)每個(gè)模型進(jìn)行15次的重復(fù)性實(shí)驗(yàn)，取平均準(zhǔn)確率為各模型的NTL異常用電檢測(cè)準(zhǔn)確率。實(shí)驗(yàn)結(jié)果如表4所示。

表4 本文所提方法與其他方法的檢測(cè)準(zhǔn)確率對(duì)比Table 4 Accuracy of the proposed method compared with other methods

從表4中可以看到，本文所提方法(BRB+LSTM2)相較于其他的方法，具有最高的準(zhǔn)確率(92.56%)，緊隨其后的是BRB+LSTM1(88.74%)、LSTM(86.62%)、DBN(85.16%)、RNN(82.48%)、SAE(76.39%)和BPNN(74.53%)。特別地，相較于LSTM，本文方法在加入BRB模型后，其準(zhǔn)確率提高了5.94%；并且相較于只采用一個(gè)LSTM網(wǎng)絡(luò)結(jié)構(gòu)的檢測(cè)率(88.74%)，采用兩個(gè)LSTM網(wǎng)絡(luò)將準(zhǔn)確率提高了3.82%。由此可見本文所提的基于BRB的數(shù)據(jù)標(biāo)定方法能夠提供更加魯棒的正負(fù)樣本訓(xùn)練集，從而較好地提升網(wǎng)絡(luò)對(duì)于NTL異常用電的檢測(cè)準(zhǔn)確率。最后，本文以2016年上半年數(shù)據(jù)作為測(cè)試集，對(duì)本文所提方法進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果如表5所示，可以看到其準(zhǔn)確率維持在90%以上，從而驗(yàn)證了本文所提的基于BRB和LSTM網(wǎng)絡(luò)的用電異常檢測(cè)模型在檢測(cè)用戶的NTL異常用電上是有效的。

表5 2016年上半年國(guó)家電網(wǎng)公司用戶用電數(shù)據(jù)[4]異常檢測(cè)實(shí)驗(yàn)結(jié)果Table 5 Experimental results of abnormality detection of power consumption data of state grid users in the first half of 2016[4]

5 結(jié) 論

針對(duì)智能輸配電損失中的NTL異常檢測(cè)困難，本文在原始用電量數(shù)據(jù)的基礎(chǔ)上，提出一種以電量波動(dòng)系數(shù)和毛刺寬度總和特征相結(jié)合的用戶異常用電行為檢測(cè)方法，同時(shí)首次在電力用電異常檢測(cè)上采用BRB方法來(lái)量化上述特征，以此來(lái)自動(dòng)標(biāo)定正負(fù)樣本集，為網(wǎng)絡(luò)的訓(xùn)練提供真實(shí)可靠、魯棒性高的有標(biāo)簽數(shù)據(jù)訓(xùn)練集。接著，以此為基礎(chǔ)，本文又提出了采用LSTM+Softmax分類器的異常用電檢測(cè)網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果表明，基于BRB和LSTM的網(wǎng)絡(luò)檢測(cè)模型具有很好的魯棒性，能夠較準(zhǔn)確地診斷出NTL異常情況，且具有很好的泛化功能，為電力大數(shù)據(jù)中用戶用電行為的分析與決策提供了一種新思路。