基于循环神经网络的异常用电数据检测方法

王婧骅，崔璨，张云飞，段玉玮，赵婉茹

（国网上海市电力公司，上海 200030）

随着电力网络覆盖范围的扩大，个别电量节点处会出现明显的异常耗电行为[1]，这也是导致异常用电数据出现的主要原因。为了构建更加稳定的电量供应环境，相关的异常用电数据检测方法引起了学者的关注。基于双向长短期记忆神经网络的异常用电数据检测方法可以针对不同配电节点处的电信号消耗量进行实时统计，但由于电量压差的存在，由异常用电数据造成的电能消耗过量情况并不能得到有效缓解[2]。

循环神经网络是以序列数据作为输入样本的递归型神经网络结构体系。在循环神经网络内部，输入样本的递归方向始终与序列数据的演进方向保持一致，且所有循环节点单元之间的连接关系都符合按键式原则[3]。与其他类型的网络结构相比，循环神经网络具有参数共享、信息完备、记忆能力强等多项应用优势，因此在排列非线性序列数据时，循环神经网络可以在保障信息参量传输完整性的同时，控制单元节点组织之间的递归关系[4]。在实际应用过程中，循环神经网络的构建需要门结构与数据信息序列的共同配合，前者负责对信息参量的传输能力进行判别，而后者则可以通过映射集合的方式，实现对网络信息参量的转存与处理。为此，该文设计基于循环神经网络的异常用电数据检测方法，并通过比对实验的方式，验证该方法的实际应用能力。

1 异常用电数据特征提取

针对异常用电数据特征的提取，以构建循环神经网络为基础，可以通过求解窃电系数指标的方式，得到准确的电量压差计算结果。

1.1 循环神经网络

对于电力系统而言，循环神经网络结构遵循由左至右的连接原则，在输入支路中，用电数据具有循环传输的能力，当数据样本所包含信息满足循环神经网络筛选原则时，已输入信息参量则可以借助传输支路流向下级显示节点；而当数据样本所包含信息不满足循环神经网络筛选原则时，已输入信息参量则会被再次反馈回输入节点[5]。完整的循环神经网络结构如图1 所示。

图1 循环神经网络结构

在传输用电数据的过程中，输入节点对于信息参量的录入并不会停止，但由于循环结构的存在，所有被录入信息都会暂时存储在节点组织中，当下级显示节点发出明显的传输指令时，这些数据信息参量才会经由传输通路进入下级显示支路[6]。

1.2 窃电系数

在电力系统环境中，窃电系数的取值越大，表示循环神经网络所需转运的异常用电数据参量越多。由于异常用电行为的发生并不受到电力网络覆盖面积的直接影响，因此在求解窃电系数时，还需对电量敏感度、点电荷强度两项参量的取值结果进行判别[7-8]。

电量敏感度常表示为χ，在存在异常用电行为的电力系统中，该项指标参量的取值属于(0,1] 的区间。点电荷强度常表示为w，规定当该项系数指标的取值等于“1”时，窃电系数参量才有可能取得最小值。

窃电系数求解表达式如下：

式中，qmin表示点电荷的最小带电量，qmax表示点电荷的最大带电量，δ表示异常用电数据的传输方向系数。电力系统环境中的用电数据信息不存在反向传输的可能，所需系数δ的取值恒大于零。

1.3 电量压差

电量压差指标决定了异常用电数据在电力系统中的传输能力。在已知窃电系数取值的前提下，电网主机可以根据电量压差的数值水平，判断异常用电数据的传输能力[9]。通常情况下，若电量压差大于零，则表示电网主机对于异常用电数据的处理能力较强，此时所得检测结果的可参考价值也就相对较强；反之，若电量压差小于零，则表示电网主机对于异常用电数据的处理能力较弱，此时所得检测结果也就不具备参考价值[10]。

设α表示电量信号参考系数，e表示基于循环神经网络的异常用电数据筛选系数，其取值范围为[1,E]，可将基于循环神经网络的电量压差表示为：

其中，re表示异常用电数据赋值，β表示电量信号选值系数，U表示电压数值，I表示电流数值。为保证电量压差始终大于零，在求解式（2）时，要求系数re也必须大于零，由此提取异常用电数据特征。

2 检测方法建模

在循环神经网络体系的支持下，按照异常数据样本集合建立、缺失数据填充、检测评价指标计算的处理流程，完成异常用电数据检测方法的设计与应用。

2.1 异常数据样本集合建立

异常数据样本集合是包含全部异常用电数据的信息空间，对于电网主机设备而言，在实施数据参量检测时，要求所有样本指标都必须来源于初始数据集合。随着异常用电数据存储量的增大，样本集合空间中承载的信息参量也会逐渐增大，但为避免错误检测行为的出现，在建立样本集合时，还需注重相关参量指标之间的数值配比关系[11-12]。

设p1,p2,…,pn表示n个不同的异常用电数据样本定义指标，且p1,p2,…,pn≥1 的不等式条件同时成立，φ表示异常数据样本集合中一个随机变量。

电力网络异常数据样本集合定义式为：

式中，λ表示基于循环神经网络的异常用电数据检测编码系数。由于异常数据样本集合必须适应电力网络的运行状态，所以在求解集合表达式时，φ系数取值结果不可能为零。

2.2 缺失数据填充

缺失数据填充处理能够将异常用电数据参量从检测信息序列中提取处理，并可以根据检测节点所处位置，补足异常用电数据信息的不完整部分，一方面确保循环神经网络可以获得足量的待提取信息，另一方面也可以避免数据参量堆积行为的出现[13-14]。进行缺失数据填充处理时，要求所选取信息标记系数必须属于异常数据样本集合P。

设v1、v2表示异常数据样本集合P中两个非零标记系数，且v1≠v2的不等式条件恒成立，m表示缺失数据定位系数，c表示填充指令的初始执行赋值条件，gm表示基于系数m的检测数据处理向量，gc表示基于赋值条件c的检测数据处理向量。

基于循环神经网络的异常用电缺失数据填充处理表达式为：

随着异常用电数据累积量的增大，循环神经网络内信息节点缺失量也会不断增大，此时为使所得数据检测结果能够准确反映出电力网络的规划特质，在求解缺失数据填充处理表达式时，应控制系数c的取值恒大于自然数“1”。

2.3 检测评价指标计算

检测评价指标决定了循环神经网络体系对于异常用电数据的检测与处理能力，在已知缺失数据填充处理原则的基础上，可以根据数据参量标注均值、信息指标识别量化差值等多项物理系数的取值结果，实现对评价指标的准确计算[15-16]。数据参量标注均值常表示为，信息指标识别量化差值常表示为ξ，在不考虑其他干扰条件的情况下，上述两项系数指标取值恒大于零。

检测评价指标计算表达式为：

其中，ϑ表示异常用电数据的循环传输次数。根据检测评价指标的计算结果，对异常用电数据进行处理，从而实现对电力网络实时电能消耗量的有效控制。

3 实验与结果分析

在电力网络中，由异常用电数据造成的电能消耗行为可以影响电量供应环境的稳定性水平。若确保已接入用电装置不会发生过载行为，则可认为由异常用电数据造成的电能消耗量越大，电力网络中电量信号的传输稳定性也就越差。

3.1 实验准备

实验所选取设备的具体型号及相关电量指标的数值如表1 所示。

表1 实验参数设置

基于表1 的参数设置，确定实验的具体执行流程如下：

步骤一：闭合电路管控开关，调节电信号触发器使得用电数据传输行为趋于稳定；

步骤二：利用基于循环神经网络的异常用电数据检测方法控制SCB-10 型变压器设备，选取已输出用电数据中的异常信息参量，记录在已选取异常用电数据作用下，电力网络电能消耗量数值的变化情况，将所得数据记为实验组变量；

步骤三：将电路及电网设备恢复至初始连接状态；

步骤四：利用基于双向长短期记忆神经网络的检测方法控制SCB-10 型变压器设备，重复步骤二的后半部分执行流程，将所得数据记为对照组变量；

步骤五：对比实验组、对照组变量数据，总结实验规律。

依据上述实验流程，将实验分为两部分进行：第一部分为记录异常用电数据顺向传输过程中，电能消耗量的数值变化情况；第二部分为记录异常用电数据逆向传输过程中，电能消耗量的数值变化情况。

3.2 实验结果分析

将基于循环神经网络的异常用电数据检测方法设定为实验组，将基于双向长短期记忆神经网络的配网电压异常数据检测方法设定为对照组，测试实验组、对照组异常用电数据检测过程中的电能。顺向传输和逆向传输的结果分别如图2、图3 所示。

图2 电能消耗量（顺向传输）

图3 电能消耗量（逆向传输）

分析图2 可知，随着实验时间的延长，实验组、对照组电能消耗量都呈现出不断上升的数值变化状态，然而对照组数值的单位上升幅度明显大于实验组。整个实验过程中，实验组电能消耗量最大值仅能达到2.0×108kW·h，而对照组最大值达到了2.9×108kW·h，高于实验组极值水平。

分析图3 可知，实验组、对照组电能消耗量随着实验时间的延长而上升，且由于异常用电数据逆向传输行为所造成的电能消耗量均值相较于顺向传输时略高。整个实验过程中，实验组电能消耗量最大值为3.2×108kW·h，低于对照组最大值3.8×108kW·h。

综上可知，循环神经网络检测方法的应用，可以有效解决由异常用电数据顺向传输行为、逆向传输行为造成的电能消耗量过大的问题。随着循环神经网络的应用，电能消耗量出现了明显减小的数值变化状态，符合构建稳定电量供应环境的实际应用需求。

4 结束语

异常用电数据检测方法在循环神经网络的支持下，通过准确求解窃电系数与电量压差的方式，建立完整的异常数据样本集合，根据缺失数据填充处理原则，得到检测评价指标的具体计算数值。所提出方法在循环神经网络体系的作用下，由异常用电数据造成的电能消耗过量问题得到了妥善解决，在构建稳定电量供应环境方面具有一定的促进作用。