适应于能源互联网云边环境下用户窃电行为智能检测方法

本发明涉及电力领域，具体涉及一种在能源互联网云边环境下的用户窃电行为智能检测方法。

背景技术：

1、非技术损失(ntl)由et造成的定义是欺骗性使用电力，以降低电力公用事业的成本[1]。窃电(et)被认为是输配电网络中的主要ntl。统计数据显示，全球et的直接经济损失已达893亿美元[2]。传统上，et是通过物理攻击在消费领域实施的，包括：窃听线路或篡改仪表。

2、能源互联网作为智能电网发展的下一步，可以加强电力系统的供需联系，有助于电力交易系统的整合，提高供电系统的稳定性和效率[3]。一方面，能源互联网的云边缘计算框架为海量、多源数据处理提供了高效、智能的解决方案。另一方面，先进计量基础设施(ami)是能源互联网中必不可少的智能传感技术，它能够以细粒度的时间间隔定期报告电力消耗情况。然而，欺诈用户可以使用数字工具或网络攻击篡改智能电表数据，使能源互联网的安全成为一个挑战。ntl诈骗目标的准确定位和及时处理对于保证电力系统的稳定和避免财产损失具有重要意义。在云侧和边缘侧资源的合理配置下，提供可靠、高效的et检测解决方案。

3、目前为止，基于深度学习的方法在监测et攻击方面得到了广泛的研究和发展，因为它们具有从电力消费数据提取到重要高维特征的优越能力[4-6]。然而，当前阶段，较少有发明聚焦如何有效处理真实世界et检测中面临的et数据与正常数据之间的不成比例问题。这将严重影响基于深度学习的et检测模型的准确性。此外，训练有效深度学习模型的方法主要是通过分析大量数据以找到因变量与自变量之间的一些数学模式或关系。然而，在实际et检测场景中经常出现异常值、错误和缺失数据的问题可能导致基于深度学习的模型学习缓慢或特征分析结果不佳。最后，能源互联网的建设实现了负荷侧信息的海量采集，有利于对用户用电行为进行高效、深入的分析[7]，支持对欺诈用户更快、更准确的定位。然而，目前对能源互联网云边缘环境下的et检测研究还很缺乏。与传统的集中式决策模式不同，构建在云边缘环境下的et检测模型希望采用云与边缘之间高效信息交互和资源分配的原则。例如，数据采集、接收控制信号、执行任务一般由边缘端设备承担，而算法的主要计算过程仍由云端承担[8]。因此，合理设计云边缘环境下的信息交互和资源分配过程是云侧协同et检测系统的关键技术难点。

4、参考文献

5、[1]kong j,jiang w,tian q,jiang m,liu t,razavi r,et al.anomalydetection based on joint spatio-temporal learning for building electricityconsumption.appl energy 2023；334:120635.

6、[2]razavi r,gharipour a,fleury m,akpan ij.a practical feature-engineering framework for electricity theft detection in smart grids.applenergy 2019；238:481–94.

7、[3]jokar p,arianpoo n,leung vcm.electricity theft detection in amiusing customers’consumption patterns.ieee trans smart grid 2016；7:216–26.

8、[4]liu y,hu s.cyberthreat analysis and detection for energy theft insocial networking of smart homes.ieee trans comput soc syst 2015；2:148–58.

9、[5]zheng z,yang y,niu x,dai hn,zhou y.wide and deep convolutionalneural networks for electricity-theft detection to secure smart grids.ieeetrans ind informatics,2018；14:1606–15.

10、[6]buzau mm,tejedor-aguilera j,cruz-romero p,gómez-expósito a.hybriddeep neural networks for detection of non-technical losses in electricitysmart meters.ieee trans power syst,2020；35:1254–63.

11、[7]yu w,zhu w,liu g,kan b,zhao t,liu h.cluster-based best matchscanning for large-scale missing data imputation.proc-2017 3rd int conf bigdata comput commun bigcom 2017 2017；13:232–8.

12、[8]luo j,huang j,li h.a case study of conditional deep convolutionalgenerative adversarial networks in machine fault diagnosis.j intell manuf2021；32:407–25.

13、[9]x.kong,x.zhao,c.liu,q.li,d.l.dong,and y.li,“electricity theftdetection in low-voltage stations based on similarity measure and dt-ksvm,”int.j.electr.power energy syst.,vol.125,no.august 2020,2021,doi:10.1016/j.ijepes.2020.106544.

14、[10]m.zanetti,e.jamhour,m.pellenz,m.penna,v.zambenedetti,andi.chueiri,“a tunable fraud detection system for advanced meteringinfrastructure using short-lived patterns,”ieee trans.smart grid,vol.10,no.1,pp.830–840,2019,doi:10.1109/tsg.2017.2753738.

技术实现思路

1、本发明的目的是考虑现有用户窃电检测分析方法中存在的不足，提出了适应于能源互联网云边环境下的用户窃电智能检测方法，该方法能够实现能源互联网云边资源的合理分配与利用，减小实际正常用户数据与窃电用户数据不平衡问题对检测精度的影响，从而实现云边协同下用户窃电行为的高效准确识别，详见下文描述：

2、一种适应于能源互联网云边环境下用户窃电行为智能检测方法，所述方法包括：

3、当获取到所有用户电力消费数据曲线时，加载历史的原始电力消费数据曲线；

4、对原始电力消费数据进行低质量数据处理；

5、将处理后的电力消费数据上传至数据库，并将这些电力消费数据进行归一化处理并上传至云端设备；

6、调用的eid模型并执行窃电检测；传输窃电检测结果到边缘端设备。

7、其中，所述对原始电力消费数据进行低质量数据处理为：

8、当用户获取了所有的电力消费数据，选择并裁剪所需处理的电力消费数据；

9、利用“3-sigma”方法检测电力消费数据中的异常值；利用mknni方法补全电力消费曲线中的异常值；

10、输出处理后的电力消费数据曲线。

11、其中，所述调用的eid模型并执行窃电检测为：

12、1)当获得所有的历史电力消费数据与模型信息时，解析eid模型和gru-macgans模型的信息；获取所有历史电力消费数据并进行归一化处理；

13、2)判断是否重构数据生成模型，如果是，则执行步骤3)，如果否，则执行步骤4)；

14、3)获取gru-macgans的模型超参数，训练并保存gru-macgans模型；

15、4)调用gru-macgans模型以1：1的比例生成多类型窃电曲线，并判断是否需要初始化高效的窃电检测模(eid)模型，如果是，执行步骤6)，如果否，执行步骤5)；

16、5)获取eid模型并基于gru-macgans模型初始化eid模型参数；

17、6)训练并保存eid模型。

18、其中，所述获取gru-macgans的模型由生成器、辨别器与分类器三部分组成，生成器由1维门循环单元层、全连接层共同构成；辨别器和分类器由1维卷积、1维双向门循环单元层、自注意机制层、全连接层共同构成。

19、本发明的有益效果如下：

20、1、本发明提出了一种能够检测和预防窃电行为的智能检测方法，有效解决了能源互联网中窃电问题带来的安全挑战，通过该方法，可以准确定位和及时处理非技术损失(ntl)欺诈目标，保证电力系统的稳定性，避免财产损失；

21、2、本发明引入了改进的数据处理算法，包括基于灰色关联分析的改进k近邻补全(mknni)算法，以去除异常值和错误数据，并补全离群值和缺失值；这有助于提高基于深度学习的et检测模型的准确性，并解决真实世界et检测中et数据与正常数据不成比例的问题；

22、3、本发明引入了利用gru-macgans(生成对抗网络)来充分解决实际台区场景中面临的窃电样本与正常样本间的数据不平衡问题，确保在et检测中数据的特征信息可以被模型充分利用，并提高检测模型的性能和效果；

23、4、高效的云边缘协同架构et检测方案：本发明提出了能源互联网云边环境下et检测系统的典型服务场景，利用云计算层和边缘计算层之间的高效信息交互和资源分配原则，首次构建了高效的云边缘协同et检测方案；该方案能够充分考虑边缘计算层、云计算层的功能与特点，提高了et模型在能源互联网环境下整体性能与可用性；

24、5、本发明支持高效、深入的用户用电行为分析：指出能源互联网的建设实现了负荷侧信息的海量采集，有利于对用户用电行为进行高效、深入的分析；这将支持更快、更准确地定位欺诈用户，并为电力系统的管理和维护提供重要的参考依据。