基于多特征融合的竊電識別算法研究?

鄧明斌 徐志淼 鄧志飛 張 卓 遲艷杰

（廣州供電局有限公司 廣州 510620）

基于多特征融合的竊電識別算法研究?

鄧明斌 徐志淼 鄧志飛 張 卓 遲艷杰

（廣州供電局有限公司 廣州 510620）

針對目前專變大用戶竊電手法多樣化，而傳統的防竊電技術可行性較低。基于國內外研究現狀，提出一套基于多特征融合的異常用電智能分析模型的實施方案。通過對異常用電的表現行為進行特征提取，基于每個特征采用機器學習方法學習用電異常的判決閾值，針對每一個具體特征均進行了獨立的異常檢測后，采用多特征融合的方法對獨立的檢測結果進行融合，獲得綜合的結果。將該結果通過異常指數分析模型計算異常指數，最后通過異常閾值篩選出異常用電戶。通過該方法，基本能夠做到將用電行為異常的竊電用戶篩選出來。

用電行為；特征提取；多特征融合；竊電識別

1 引言

反竊電一直是供電企業關注的問題。特別是針對專變大用戶，由于其用電量普遍較大，當發生竊電行為時，電量損失極為嚴重［1～2］。隨著科技的發展，竊電行為更直接導致用電行為異常的表現形式多種多樣。由此可見，不同的竊電手段會表現出完全不同的電氣特征和行為特征，如果僅采用單一特征模型進行異常行為的檢測必將會產生較大偏差，難以決策。

因此，通過綜合分析目前竊電行為的多樣化及其表現特征的差異性，將建立一種基于多特征融合的異常用電智能分析模型。圖1給出了基于多特征融合的異常用電分析模型組成。根據不同竊電手段可能導致的不同電氣特征和行為特征進行獨立檢測評估，然后采用特征融合算法將獨立評估結果進行融合，形成最終的評估結果，并基于綜合評估結果展開異常用電行為的檢測與定位［3～4］。

圖1 基于多特征融合的異常用電分析模型

2 反竊電異常特征

根據竊電行為和用戶竊電特點，并參考供電行業同行對專變用戶的竊電嫌疑系數產生影響的指標，擬從電氣特征和用電行為特征對用戶進行竊電嫌疑檢測。用電行為特征主要有日用電量離散系數、用戶/行業月用電量離散系數比［5］，各項特征具體描述如下［6～7］：

1）額定電壓偏離度。由于用戶電壓總能保持平穩，當采集的電壓數據發生大幅向下波動，必然產生用電異常。因此，采集的電壓數據與報裝的額定電壓的偏離程度，可以較好地體現用電異常的程度。

2）電壓不平衡度。三相電壓不平衡率指三相電壓間的差異，其可以反映出電壓欠壓現象，電壓不平衡度計算式為［8］

式中，avedev為三相電壓的平均絕對偏差；mean為三相電壓的平均值。電壓不平衡度越低，表明電壓異常的概率越低，反之越高。

3）電流不平衡度。類比于電壓的不平衡度，三相電流的不平衡率能夠很好地反映電流的欠流現象，計算式如下：

4）電流相關系數。電流相關系數主要考察三條相線上負載同步工作的程度，用電異常的三相電流數據的運行軌跡差異較大，各相線上測量到的電流數據的相關性減弱。因此，電流相關性數值越大，表明電流異常的概率越低，反之電流異常的概率越高。

5）日用電量離散系數。該特征主要觀察用電戶用電行為的長期一致性，如果用電行為穩定，則波動率在一個較小的幅度內波動，否則將出現劇烈波動。日用電量波動率主要由日用電量標準差和均值進行計算，具體計算式如下：

正常用戶的日用電行為應保持平穩，日用電量離散度系數具有較小的波動率，反之則具有較大的波動率。

6）用戶/行業月用電量離散系數比。

正常用戶/行業月電量離散度系數比較穩定、規律，而且值相對較小。相反異常用戶/行業月電量離散度系數則變化很明顯，波動較大，而且值相對偏高。

對于每一種特征，特征閾值的設定需要通過對歷史正常用戶和竊電用戶的用電數據采用數據挖掘中的聚類分析技術，針對每一項特征都進行聚類分析（具體采用基于歐氏距離的K-means），得出各項特征的正常類、嫌疑類和異常類三類，并繼續用機器學習技術對各項特征的上述三類分別進行學習，學習出各類判決閾值。

3 基于多特征融合的用電模型

通過定義多種用電特征，并分別提供了各項用電特征的計算公式與異常檢測算法，得到每個特征在檢測周期內的判決結果。由于多種用電特征為獨立的評估結果，需要進行多特征融合，形成最終的評估結果，并基于綜合評估結果展開異常用電行為的檢測與定位。因此，基于廣泛應用于智能決策、專家系統以及工業控制領域的證據理論，設計了用電異常行為檢測的多特征融合算法。

基于多特征融合模型的訓練框架為概率分布，因此需要將各個特征依據各自的判決閾值轉化為對應的正常、嫌疑、異常的概率分布。假設檢測周期為一天，特征1、特征2、特征3為每一個小時對應一個特征，特征4、特征5、特征6為每一天對應一個特征，因此需要通過不同的方法將每個特征的判決結果轉化為對應的概率分布。

針對特征1、特征2、特征3，通過判別閾值分別判別每小時每個特征屬于正常類、嫌疑類還是異常類，并統計檢測周期內的每個特征屬于N（正常）、N（嫌疑）、N（異常）的小時數，按照式（5）即可將每個特征轉換為對應概率分布。

針對特征4、特征5、特征6，通過判別閾值分別得到每天每個特征屬于正常類、嫌疑類還是異常類，按照反距離加權法即可將每個特征轉換為對應概率分布，具體計算如式（6）所示。

其中，d（正常）、d（嫌疑）、d（異常）分別為特征訓練閾值時聚類的正常，嫌疑異常中心點的距離。

將用電行為是否異常視為需要判決的問題，用電特征異常檢測算法的輸出所有可能結果的集合為正常、嫌疑、異常三部分，該集合即為一個用電異常辨識框架。由于m(?)=0，m（正常）+m（嫌疑）+m（異常）=1，因此完全符合證據理論的模型條件。多特征融合算法描述如下［9～10］：

1）首先將所有用電戶的用電行為均劃分為三類，即｛正常，嫌疑，異常｝，將此組合作為多特征融合算法的用電異常識別框架；

2）基于用電異常識別框架，借助用電特征異常檢測算法輸出的每一個用電戶的每一項用電特征的屬于正常、嫌疑、異常的概率分布，即m（正常）、m（嫌疑）、m（異常），將它們組成一個用電異常可信度分配；

3）對于每一個用電戶的多項用電特征，借助用電特征異常檢測算法就可以獲得多個對應的用電異常可信度分配；

4）由于多項用電特征的用電異常可信度分配在統一的用電異常識別框架內，即可以用改進的D-S合并法則完成多項特征的用電異常可信度分配完成合并，具體的合并如下：

（1）對n個用電特征，每個用電特征正常、嫌疑、異常的概率分布為{m(A1)，m(A2)，m(A3)}，設特征i和j的沖突大小為kij，則：

（2）定義k為n個特征集中每對特征沖突總和的平均，它反映了證據兩兩之間的沖突程度，定義ε為特征的可信度，其計算公式為ε=e-k；當證據之間的沖突增大時，證據的可信度將降低。

（3）定義 p(A)和q(A)分別對應n個特征的乘積、平均值具體計算如下：

（4）設歸一化常數：

新的合成公式如下：

經過上述多特征融合算法步驟后，輸出的m（正常）、m（嫌疑）、m（異常）、m(x)，即為多個用電特征異常檢測結果的融合評估結果，其中m(x)為不確定百分比。但該結果無法直接用于判斷用電戶的用電行為異常程度。

需要采用用電行為異常指數算法對多特征融合結果進行評估。用電異常指數：

異常用電指數的數值越高表明用戶的用電行為異常程度越高，竊電的可能性越高；反之，則越低。通過對正常用戶和竊電用戶的歷史數據評估得到的用電異常指數，采用Kmeans算法進行聚類分析，將所有歷史綜合評估聚為兩類正常與異常，設定竊電閾值。

4 案例分析

以廣州市2016年10月17日這一天20個專變大用戶的用電數據為例，分析多特征融合算法對于異常用電行為分析的檢測效果。將這20個專變用戶的用電數據分別進行特征提取，基于訓練閾值判決，然后將各個特征的判決結果基于多特征進行融合，得到融合后正常、嫌疑、異常、不確定的百分比，最后按照異常指數算法將融合的結果轉化為異常指數。具體融合結果如表1所示。

通過對歷史正常用戶和異常用戶綜合評估，采用Kmeans算法進行聚類分析，確定異常指數的判決閾值為0.45，依據該閾值可判斷在20個用戶中，有6個用戶是竊電用戶，14個用戶是正常用戶。通過對比正常用戶和異常用戶該天基于多特征融合的結果，正常用戶的正常百分比遠大于嫌疑和不確定百分比，異常百分比極小，而異常用戶的正常百分比較小，異常和不確定百分比偏大。對比用戶的用電行為異常指數，用戶用電行為越正常，用電異常指數越趨近于0；當用戶用電行為出現異常時，則異常指數越趨近于1。

表1 廣州市部分專變大用戶基于多特征融合的用電行為分析表

因此，基于多特征融合算法能夠較好地篩選出用電行為異常的用戶，最終通過現場檢查、鎖定查獲竊電戶。

5 結語

基于多特征融合的異常用電智能分析模型的實施方案，通過對異常用電的表現進行特征提取，基于每個特征采用機器學習方法學習用電異常的判決閾值，針對每一個具體特征均進行了獨立的異常檢測。不同于常規的加權求和方法，而是采用多特征融合的方法對獨立的檢測結果進行融合，獲得綜合的、便于理解的評估結果。當然在實際的應用中，還需要對經現場確認存在竊電行為，或存在誤報的用電數據分析結果反饋至分析模型，對各類閾值進行不對的訓練和優化，使分析模型不斷提高精度，且穩定工作。

總而言之，綜合運用基于多特征融合的異常用電模型分析，能夠將符合上述特征的竊電用戶及時準確地篩選出來，更好地維護正常的供用電秩序。

［1］蔡淞，魯帥.基于多特征融合的人臉識別研究［J］.計算機應用與軟件，2015，32（12）：140-144.CAI Song，LU Shuai.The face recognition based on multi-feature fusion［J］.Computer Applications and Soft?ware，2015，32（12）：140-144.

［2］戰揚.融合紋理特征和形狀特征的醫學圖像分類方法［J］.信息技術，2013（6）：44-46.ZHAN Yang.The medical image classification method of fusion texture features and shape features［J］.Information Technology，2013（6）：44-46.

［3］王大偉，陳定榮，何亦征.面向目標識別的多特征圖像融合技術綜述［J］.航空電子技術，2011，42（2）：6-12.WANG Dawei，CHEN Dingrong，HE Yizheng.A Survey of Feature-level Image Fusion Based on Target Recognition［J］.Avionics Technology，2011，42（2）：6-12.

［4］戴雯惠.一種基于多特征融合的彩色圖像檢索方法［J］.電腦與信息技術，2011，19（5）：15-17.DAI Wenhui.A color image retrieval method based on multi feature fusion［J］.Computer and Information Tech?nology，2011，19（5）：15-17.

［5］楊麗召.基于多特征融合的行為識別算法研究［D］.成都：電子科技大學，2013：16-17.YANG Lizhao.Research on behavior recognition algorithm based on multi feature fusion［D］.Chengdu：University of Electronic Science and Technology，2013：16-17.

［6］劉濤，楊勁鋒，闕華坤，等.自適應的竊漏電診斷方法研究及應用［J］.電氣自動化，2014（2）：60-62.LIU Tao，YANG Jinfeng，QUE Huakun，et al.Study and Application of a Self-adaptive D iagnosis Method for Elec?tricity Stealing and Leakage［J］.Electrical Automation，2014（2）：60-62.

［7］譚致遠.基于用電行為分析的在線用電異常及風險監測系統的設計與實現［D］.廣州：華南理工大學，2015：23-24.TAN Zhiyuan.The design and implementation of the on?line power consumption anomaly and risk monitoring sys?tem based on the analysis of the use of electricity［D］.Guangzhou：South China University of Technology，2015：23-24.

［8］黃朝凱，林銳濤，姚偉智，等.基于準實時數據的反竊電在線監測及診斷分析模型的研究［J］.電子設計工程，2015，23（14）：155-157.HUANG Chaokai，LIN Ruitao，YAO Weizhi，et al.The re?search of expert decision system of online anti-electricity stealing monitoring based on analysis of electrical behav?iors［J］.Electronic Design Engineering，2015，23（14）：155-157.

［9］張良，劉曉勝，戚佳金，等.一種低壓電力線通信改進分級蟻群路由算法［J］.電工技術學報，2014，29（2）：318-323.ZHANG Liang，LIU Xiaosheng，QI Jiajin，et al.Study of Improved Hierarchical Ant Colony Routing Algorithm for Low-Voltage Power Line Communication［J］.Transactions of China Electrotechnical Society，2014，29（2）：318-323.

［10］劉博，劉曉勝，徐殿國.基于新距離測度的電能質量測量數據壓縮算法［J］.電工技術學報，2013，28（9）：129-136.LIU Bo，LIU Xiaosheng，XU Dianguo.Power Quality Measuring Data Compression Based on New Distance Measurement［J］.Transactions of China Electrotechnical Society，2013，28（9）：129-136.

Study on Stealing Recognition Model Based on Multi Feature Fusion

DENG Mingbin XU ZhimiaoDENG ZhifeiZHANG ZhuoCHI Yanjie
（Guangzhou Power Supply Bureau Co.，Ltd.，Guangzhou 510620）

For the present situation，the stealing power methods of specialized users are various.At the same time，the feasi?bility of traditional anti-stealing power measures is low.A scheme of abnormal electricity intelligent analysis model based on multi-feature fusion is provided for this phenomenon.This scheme extracts the features of abnormal power performance and then judge the feature with threshold which is trained by machine learning methods.By fusing the judged result of each feature with the multi-feature fusion，the result can be transformed to abnormal exponent for screening of abnormal based on abnormal threshold.By this method，abnormal electricity users will be screened out basically.

electrical behavior，feature extraction，feature fusion，stealing recognition

Class Number TP391

TP391

10.3969/j.issn.1672-9722.2017.12.016

2017年6月4日，

2017年7月16日

鄧明斌，男，碩士，工程師，研究方向：營銷稽查與反竊電技術。徐志淼，男，碩士，助理工程師，研究方向：營銷稽查與反竊電技術。鄧志飛，男，助理工程師，研究方向：營銷現場檢查工作。張卓，女，碩士，工程師，研究方向：營銷現場檢查工作。遲艷杰，女，助理工程師，研究方向：營銷稽查工作、大數據分析和反竊電技術。