基于变分自编码器的多源数据融合窃电检测方法

• Published in: 电力系统保护与控制 Vol. 53; no. 4; pp. 176 - 187
• Main Authors: 蔡梓文, 赵云, 陆煜锌, 顾莲墙, 陈康, 高云鹏
• Format: Journal Article
• Language: Chinese
• Published: 南方电网科学研究院有限责任公司,广东 广州 510530%湖南大学电气与信息工程学院,湖南 长沙 410082 2025
• Subjects: improved time-domain convolutional network; 注意力机制; multi-source data fusion; electricity theft behavior identification; 窃电行为判别; attention mechanism; 多源数据融合; 变分自编码器; variational autoencoder; 改进时域卷积网络
• ISSN: 1674-3415
• DOI: 10.19783/j.cnki.pspc.240259

针对当前窃电检测仅使用单一用电负荷难以捕捉复杂窃电特征,导致窃电检测发生误判,存在误检率高和准确率低下等问题,提出一种融合用电负荷、环境温度、时间以及对应台区相位线损的新型窃电检测方法.首先构建多维度特征提取变分自编码器(variational autoencoder for multi-dimensional feature extraction,MF-VAE)来提取用户用电行为的多维度特征.然后,基于注意力时序卷积网络(attention temporal convolutional networks,ATCN)建立判别模型,再通过膨胀卷积和因果卷积获取多维度窃电行为特征的时序关系.同时,引入卷积注意力模块分配各维度特征的注意力权重,以提高模型的表现和泛化能力.最后采用Softmax分类器完成对多源数据中潜在窃电行为的准确识别.实验结果表明,用该方法提取的窃电行为特征更加丰富和多元化,能够有效降低窃电检测误检率并提高窃电行为判别准确率.