基于深度學習的線損異常診斷系統研究

張恒超 ，沈秋英 ，沈 杰 ，李蘇芙 ，范 彪 ，王 琨 ，蔡嘉輝 ，呂自貴

（1. 國網江蘇省電力有限公司蘇州供電分公司，江蘇 蘇州 215004; 2. 江南大學機械工程學院，江蘇 無錫 214122; 3. 江蘇集萃智能制造技術研究所有限公司，江蘇 南京 210000）

0 引言

引發線損異常的因素復雜多變，高效迅捷的分析、定位并解決線損異常的技術難度大，不能妥善處理則會降低臺區運行的經濟性和穩定性[1-2]。現有的用電檢查技術主要采用人工輔以部分設備作業的現場檢測方式，但往往成本高效率低，準確率難以保證，開發一種高效、精準的竊電偵測技術對提升電網的穩定性與安全性起著重要的促進作用。

臺區線損異常處理方法有：系統診斷、人工研判、現場排查、采集排查、竊電及違約用電排查和常態運行監控。眾多研究人員對臺區線損異常處理進行了研究，施文[3]等人探究了臺區線損的形成原因，提出了具體問題的解決方法，然而在對如何進行閉環線損治理上并未提出見解。邢毓卿[4]等人通過專家系統建立臺區線損診斷模型，實現了對臺區線損的異常原因的分析，但在線損異常診斷模型的準確性上還可以有進一步提升。

其中，竊電作為線損異常的重要因素，給電力行業造成了巨大損失[5]。在美國，每年因電力盜竊造成的損失數以億計。傳統的竊電檢測方法成本過高，為解決這個困境，亟須研究一種迅速、精確的竊電檢測方法。近年來，深度學習作為實現人工智能的關鍵技術在多個領域中迅猛發展。本文依托海量的電力數據，提出了基于DenseNet 算法的檢測模型。臺區線損異常包括關口計量裝置故障、竊電、用戶計量裝置異常、戶變關系異常等問題，采用經驗知識的方法進行判斷[6-7]。

所開發的系統軟件包含用電采集失敗查詢模塊、任意或連續日期線損臺區查詢模塊、竊電檢測模塊、計量系統診斷模塊、戶變關系錯誤診斷模塊。從數據分析、線損異常診斷、閉環管理方面，實現全方位的線損診斷與管控。

1 系統功能結構設計

本系統以C#和python 作為主要的開發語言。經了解，電網業務人員和客戶端多選用Windows 系統作為操作系統，而WinForm 框架能夠為開發者提供多元美觀的窗體控件，開發效率高且操作簡單，且開發界面可以達到良好的可視化效果。據此，本文的系統開發將在Windows 窗體的基礎上，使用框架WinForm，利用C#編程語言完成。以國家電網某供電公司所提供的線損相關歷史用電數據為數據來源，按照電力行業的現行標準和規范，實現供電公司要求的功能，設計開發出的線損異常診斷系統的功能結構圖如圖1 所示，由臺區線損異常診斷模塊和閉環管理模塊兩個模塊組成。

圖1 功能結構圖

線損異常臺區查詢模塊由統計線損率考核閾值設置、單日線損異常臺區查詢以及多日線損異常臺區查詢3 個部分組成。該模塊的實現是基于目前收集到的臺區線損與電力歷史數據，在設定好并將上述數據經過相應的邏輯算法運算后，搜索并篩選出單日或多日內的臺區線損異常信息，將這些臺區線損異常信息加以存儲。

閉環管理模塊的主要功能是將診斷出的線損異常狀況通過電腦客戶端或者手機App 及時發送給檢修人員，以提升電力維修工作的效率。

2 基于深度學習的竊電檢測模型訓練與應用

為了彌補當前常見竊電診斷方式的不足，首先在用戶用電數據的基礎上分析用戶的用電行為，提出一種基于DenseNet-RF 的竊電檢測算法，利用供電企業提供的大量電力數據進行模型訓練，將訓練得到的模型與常見的用戶竊電模型作比較，驗證提出的竊電檢測模型預測是否準確，并對除此之外的導致線損異常的原因與其相對應的線損異常情況進行分析，得到其它不同的線損異常原因，提出相應的線損異常檢測方法，最終形成完整的線損異常診斷流程。

2.1 數據預處理

在電網業務場景中，很難獲得學術上的標準數據集。從國家電網某供電公司收集到用電竊電數據正反樣本數量比約為10∶1，以用戶每15 min 的采集頻率記錄用電量情況作為數據來源。數據集包含臺區用戶每日用電量、合同容量以及作為標簽的用戶狀態。將正類1 作為竊電用戶，負類0 作為正常用戶。大量的客戶用電數據，為本文研究竊電檢測提供了可靠的數據保障。

不平衡的數據集會引發過擬合的問題，導致預測結果向樣本占比大的類別偏移，使得模型的泛化能力弱化。為解決這個問題，首先采用文獻提出的樣本生成方法生成更多的竊電數據，同時采用SMOTE 算法平衡數據集當中的正常用電樣本數量和疑似竊電樣本數量。

此外，為加快網絡收斂，對用電數據作歸一化處理。

式中：max(e)、min(e)分別為樣本最大值和最小值；et為總體樣本里某一值。

通過數據預處理得到同等數量的正常樣本和竊電樣本共10 000 個。每次訓練時，隨機抽取其中的8 000 個樣本數據為訓練集，其中的2 000 個樣本數據為測試集。

2.2 DenseNet 算法

DenseNet 是由黃高博士等設計的一種網絡結構，由Dense Block 和Transition Layer 兩個單元組成。其中，Dense Block 的各層與之后的各層密集連接，2 個Dense Block 之間通過Transition Layer 連接[8]，設Dense Block 中有i層特征圖層，第i層的輸出記作Xi，第i層的非線性映射記作Hi，Dense Block中包含的密集連接數目為i×(i+1)/2 ，

式中：Xi=H([Xi-1,Xi-2,···,X1,X0]) 為將第0 層至第i層的輸出根據通道數作合并級聯，H() 得到圖層經過批量標準化（batch normalization， BN）、激活函數（rectified linear unit， RELU)、卷積操作（convolution，Conv）等操作以后的輸出。通過合并級聯可以把卷積操作得到的特征數據合并，在進行訓練時提高初始特征，進而提升圖層使用率和模型分析的精度。層與層間通過Concatenation 連接，Dense Block 結構如圖2 所示。

圖2 Dense Block 示意圖

2.3 基于DenseNet 的竊電檢測模型訓練流程

竊電檢測模型訓練基本流程為：首先通過DenseNet 網絡，從智能電測指示儀表數據集中獲取得到用戶的電能特性，接著再利用RF 算法使用所獲得的特性參數訓練分類器，然后通過網格搜索算法對特性參數進行優選，由此實現了對隨機森林分類器的最優預測選擇，進而找出疑似竊電行為。模型的輸入為實際用戶用電數據，而輸出則為疑似竊電用戶。模型訓練流程圖如圖3 所示，其中帶訓練網絡的配置信息如表1 所示，其中k代表特征圖層的增長速率。

表1 DenseNet 及CNN 網絡參數配置信息表

圖3 模型訓練流程圖

竊電檢測模型訓練的具體實現流程如下。

數據預處理：利用SMOTE 算法，保證得到同樣數量的正常樣本和竊電樣本，共計12 096 個。對全部樣本數據作了歸一化處理，隨機抽取其中的10 000 個數據樣本為訓練集，抽取其中的2 096 個數據樣本為測試集。所有用戶電力能耗矩陣的維數均為534 × 48。

配置網絡模型：分別通過RF、XGBoost（extreme gradient boosting）和梯度提升樹（gradient boosting decision tree，GBDT）等機器學習算法來訓練用戶竊電檢測模型，根據表1 中的配置參數訓練WDNet、自定義CNN、DenseNet 等用戶竊電檢測模型。

訓練過程：利用矩陣變換，讓用戶電力能耗矩陣適應于各種算法的特征輸入，包括訓練機器學習模型時調用scikit-learn 中的算法函數，通過網格搜索算法確定最佳參數，最終輸出相應的模型；自定義CNN 的訓練過程中首先將矩陣增維至1 × 534 ×48，接著再進行網絡構建，最終通過全連接層完成分類，將分類結果通過向量的歸一化分析后在Softmax 層輸出具體類別。分別構建DenseNet-121、DenseNet-169 和DenseNet-201（k=32）三種網絡，為更好地適應DenseNet 網絡的輸入尺寸，需要先把輸入的用戶電力能耗矩陣維數變換為1 × 178 × 144，在構建模型前應當先做一次卷積操作以提取圖層特征，做一次池化操作對圖層尺寸進行壓縮，接著按照表1 中的配置參數構造Dense Block 和Transition Layer 兩個部分。其中，Dense Block 的作用主要是促進信息的特征重用，在Transition Layer 中，1 × 1卷積層的作用主要是降低矩陣維數，2 × 2 平均池化層的作用主要是壓縮圖層尺寸，以減少網絡參數，經過池化操作以后，在全連接層中對圖層信息完成分類，接著再在Softmax 層中做向量歸一化，最后輸出特定類別。每個算法函數將生成k個特征圖，k為輸入層通道數。在這一步中，更改不同超參數k，以比較不同DenseNet 模型的優劣。

存儲訓練結果，選擇最優模型：向訓練得到的各模型中輸入事先準備好的測試集并得到訓練結果，比較不同模型生成的分類結果以及測試集標注的真實標簽是否對應，以此評判該模型的優劣，選擇最優的DenseNet 模型。

融合模型：在上一步模型訓練中，得到最優DenseNet 以后，修改優化模型參數，接著利用隨機森林算法對圖層特征進行二次訓練，最終獲得DenseNet-RF 模型。

診斷疑似竊電用戶：從輸出的分類結果中，能夠判斷用戶是否存在竊電嫌疑。其中，竊電檢測模型以智能電測指示儀表數據為輸入，以疑似竊電用戶為輸出。

2.4 模型訓練與分類準確率比較

為驗證DenseNet 模型的可靠性，使用數據集對竊電檢測模型開展了分析。測試設備配置為Windows 10，CPU 為AMD Ryzen 5 1400，顯卡為RTX 2070，總內存8 GB；采用tensorflow 深度學習框架和scikitlearn 機器學習框架進行研究。DenseNet 和CNN 模型通過多輪訓練獲得，其訓練過程如圖4(a)(b)(c)所示。另外本文還比較了其他常用的機器學習算法，包括支持向量機（SVM），隨機森林（Random Forest，RF），梯度增強決策樹（GBDT）和邏輯回歸（LR），其訓練結果能夠通過調用scikit-learn 的庫函數讀出，訓練結果表2 所示。

表2 算法的參數配置與測試集準確率

圖4 訓練過程曲線

根據以上結果，可得結論如下：在時間成本方面，相較于普通CNN 算法，DenseNet-121 網絡模型的迭代次數最少，模型收斂也更快，相應的模型訓練所需時間更少；在模型準確度方面，DenseNet-121 網絡模型相較于普通CNN、RF、GBDT、LR和SVM 等機器學習算法在測試集中分類準確率明顯更高，在測試集中準確率達到95.18%，由此可見DenseNet 模型用于檢測用戶是否存在竊電行為表現出良好的準確性。

2.5 模型的部署與應用

將通過tensorflow 訓練好的模型以H5 格式保存，利用flask 部署模型，可以在系統軟件中調用該模型進行預測。模型部署應用流程圖如圖5 所示。

圖5 模型部署應用流程圖

3 基于經驗知識的臺區線損異常原因診斷

臺區線損異常原因包括用電采集失敗、計量系統問題、竊電、戶變關系錯誤等，在本系統中采用不同的模塊來實現各類功能。

3.1 用電采集失敗查詢模塊

該模塊包括近期、長期采集失敗查詢與任意或連續日期線損異常臺區查詢。近期、長期采集失敗查詢是根據線損率、用戶參與率以及可參照線損率來進行邏輯判斷。如圖6 所示為近期、長期采集失敗查詢的具體判斷流程，a表示線損率閾值下限，b表示線損率閾值上限。

圖6 GIGWOBP 預測值

任意或連續日期線損臺區查詢模塊包括歷史日期內任意兩日都存在線損異常臺區查詢與連續多日的線損的異常臺區查詢，將查詢的日期范圍和閾值輸入即可實現查詢，并可將持續線損的臺區以不同的命名方式存入數據庫中，并在列表中顯示。任意或連續日期線損臺區的分析過程如圖7 所示。當日的線損異常臺區信息表記為allLoss，持續線損數據表記為ChiX，持續負損數據表記為ChiF，持續高損數據表記為ChiG。

圖7 任意或連續日期線損臺區查詢模塊流程圖

3.2 基于經驗知識的診斷模塊

3.2.1 關口計量裝置故障診斷模塊

根據當日線損異常臺區信息表，可以查詢到存在線損異常的臺區信息，向計量系統問題診斷模塊中導入臺區主變當日的電流曲線數據，包含日期、點數、相序和每15 min 采集的電流數據等。可通過以下方法實現對計量系統問題進行有效判斷，具體過程如下。

根據技術人員提供的經驗知識：任意電流相中存在連續時刻電流值為0 時，即可判定為疑似關口連片未合或互感器故障。

臺區總表中任意一相電流值高出另外兩相的成倍數關系時，即可判定為疑似臺區關口表互感器變比錯誤。

3.2.2 用戶計量裝置異常診斷模塊

在持續高損數據表中，可以查詢到系統內上傳的所有歷史線損持續高損的臺區信息。在此模塊中導入臺區主變的供電損失數據。

根據技術人員提供的經驗知識：當連續多日線損率高于預設定閾值同時結合合格標簽均為不合格時，即可判定線損異常原因為疑似用戶計量裝置異常或疑似戶變關系異常。

4 基于MQTT 協議的線損異常閉環管理系統

MQTT 是一種采用二進制消息的發送/訂閱編程方式的即時通信技術，也是一種基于輕量級的訂閱/發送方式的消息發送物聯網傳輸方式[9]。MQTTnet是一種基于MQTT 通信協議的分布式數據庫。本軟件在MQTT 服務端軟件的基礎上，開發了一款桌面級的MQTT 客戶端，應用一款名為mqtt_client 的安卓軟件，通過花生殼內網穿透軟件實現用戶手機客戶端消息的訂閱和發布，可實現電腦和手機的線損異常原因的閉環接收與反饋。

5 應用效果

本文從江蘇省蘇州市國家電網抽取了6000 條數據導入到線損異常診斷系統，設定閾值5%，查出189 條單日線損異常數據，65 條多日線損異常數據。其中經系統監測判定23 條數據存在竊電嫌疑。經人員現場查驗，該23 戶存在竊電行為。

6 結論

本文通過分析多種線損異常情況，結合某電網公司的線損相關歷史數據，提出了一種基于深度學習的線損異常原因診斷系統的研究方案，訓練了基于DenseNet 的竊電檢測模型，同時比較了現有常用機器學習算法的竊電檢測效果并完成了模型的系統部署。實驗結果表明，基于DenseNet 的竊電檢測模型準確性較高。另外，本文提出了基于經驗知識的線損異常診斷方案，配套開發了相應的診斷模塊以及基于開源庫的線損異常閉環管理模塊。本文所研究的方法對多方面的線損異常原因進行診斷，目標降低臺區線損異常狀況分析的時間成本，提高監測與治理的工作效率，幫助構建智能化的電網環境。