2021年第43卷第1期第4页
电气传动自动化Vol.43,No.l ELECTRIC DRIVE AUTOMATION2021,43(1):4-6
文章编号：1005—7277(2021)01—0004—03
基于TensorFlow深度学习框架的窃电分析研究
李莎“
(1.长沙理工大学，湖南长沙410000;2.国网湖南省电力有限公司益阳供电分公司，湖南益阳413000)
摘要：目前，对于电力用户异常用电的问题为研究，提出基于深度学习用户异常用电模式检测相关模型，同时借助Tensorflow框架，进一步构建多层特征匹配网络以及特征提取网络。长短期记忆特征提取网络，能够从大量时间序列中获取不同序列特征，对于全连接网络多层特征匹配网络，研究学者提出，利用所提取特征数据，以完成异常用电数据的相关检测。通过实际研究发现，相比非深度学习检测模型来说，研究基于深度Tensorflow学习框架模型，能够有效完成异常用电模式的检测工作，除此之外，相比多层长短期记忆特征提取，目前来说，所提取的模型鲁棒性和准确性较好'
关键词：TensorFlow深度学习”框架；窃电分析
中图分类号：TP181文献标识码：A
Rearch on Electric Theft Analysis Bad on Tensorflow Deep Learning Framework
LI Sha1'2
(1.Changsha University/Technology.,Changsha410000,China+ 2.Yi.ang Power Supply Branch
of State Grid Hunan Electric Power Co.,Ltd.,Yiyang413000,China) Abstract:In order to solve the problem of abnormal power consumption of clients,a relevant model of abnormal power consumption pattern detection bad on deep learning is propod.Meanwhile,the multi-layer feature matching network and feature extraction network are further built with the help of TensorFlow framework.Long and short-term memory feature extraction network can obtain different quence features from a large number of time ries.For full-connection network multi-layer feature matching network,rearchers propo to complete correlation detection of abnormal power consumption data by using the extracted feature data.Through field rearch,it is found that compared with the non-deep learning detection model,the deep Tensorflow learning framework model can effectively implement the detection of abnormal power consumption patterns.In addition, compared with the feature extraction of multi-layer long and short-term memory,the prent extracted model has better r
obustness and accuracy.
Key words:TensorFlow deep learning+framework+Analysis of electricity stealing
1技术介绍
以阳光为话题的作文Tensorflow框架是由Dibellef所研发的人工智能学习系统，该框架具有较强的可移植性和灵活性。目前，在深度学习框架中，该框架是具有代表性的，通过建立Tensorflow框架，进一步构建深入学习用电异常检测模型，能够实时检测异常的用电数据。第二，结构递归神经网络和LSTM结构，对于长短期记忆特征典型网络的结构来说，是由一个或多个长短信息模块构成，其包含4个部分，分别为输入、输岀门、遗忘门长短期记忆单元。对于结构递归神经网络是通过相似的多个神经网络结构递归，进一步构为复杂深度网络，在2中结构是的，一，在递归时
数，进数据结构递归神经网络对系，长短期结构递归神
2021年第1期李莎基于TensorFlow深度学习框架的窃电分析研究•5-
经网络能够解决上述问题，同时，在机器翻译以及
基因分类等多个领域中获得应用。
2基于深度学习框架用户窃电模式检测模型
为能够实现对异常用电模式的相关检测，本
和平鸽研究提岀可使用记忆深度学习框架用户切电模式
检测模型，如图1所示：
I数据]
乔迁请柬[^据‘
|训练数据集参数
调整划分
[数v珂
I特征提取网络I
,,I*~~=!~;—
I多层特征匹配网络I
~I损失计算与梯度优化I~L 'I
I用户用电模式检测模型
模
盂兰型
准音乐加盟
确
度
参数测
调整试
1测试娄攵据集
图1模式检测模型图
该模型是通过深度学习的方式，以找到用户用电与用电数据之间的关系，进一步分析窃电用电数据。第一，数据源以及数据集。本研究数据源电所数据数据为
隔15分钟，样本是数据源的其中部分数据，对于某电表三相电流数据可构成一个数据维度，共288维，标签数据为该企业现场检查和专家分析结果。为确保数据的安全性，要求对所收集数据需经过分析，为能够使数据与实相，在
中可异常数据为进一检测模型在数据分析的能，在测时可一异常数据，第二，数据预处理，在数据设计时会岀现一些的数据，对对所的数据进预处理。本研究采用数据清洗以及归一化处理，前者是删除一些重复信息，进行缺失信息补充，纠正错误信息，如式1为数据归一化处理公式。
-mean(x)
max(x)-min(x)
1特征提取网络。为能够实现特征数据的提取，可研究用提模，通过该模是记忆模成的，上一个记忆模
梦到大水岀作为下一个模块输入，在具体使用过程中，要求模型对数据进，一，菏泽艺术学校
之间关系包含于高维度数据，这些特征能够反映数据特性，在大量数据中存在较多特征关系，这种情况下利于准确进行模型判断，而大多数单一模块很难从高度数据中提取多种类型特征和特征关系。为解决该问题的研究，可将所输入的高维度数据分为三个大小基本一致的子数据，即X1、X2、X3，对于子数据可进行特征提取，共有1。个模块，可构建
递归神经网络进一步提取高维度数据特征，利用上述方法，能够获得特征数据，以实现用户用电模式特征匹配，进一步标注数据类型，为实现这一项目的的研究，提岀可使用由三层隐含层所构成的神经网络，以实现对用户特征数据的匹配。在损失计算和梯度优化时，利用损失函数能够准确计算目前模型损失偏差，通过函数计算基因负反馈调节，合理调整各参数，如式(2)为本研究所构建的损失函数公式。
floss=-mean[ln(yQ]⑵在上述式中实分类为y real，分类结果为，针对该损失函数，可采用适应性矩阵估计优化，以获得最小化损失函数值，深度学习Tensorflow 框模型实现反馈调节。
compliment
3模型的评价分析
研究学者在模型结构评价过程中提岀混淆矩阵，针对异常用例数据作为负类，对于正常用电数据可将其定义为正类，使用混淆矩阵来表示最终的分类结果。比如，通常利用行对应实际所属类别，而列可对应对应分类器进行类别预测，在混淆矩阵下形成多样化的评价指标，包括准确率，漏警率等指标，
以实现模型结果评价，如下公式所示:
^TP+(TN
jMetrid=\3/
(TP+(T>+(FP+(FN
皿2=^^⑷
(tn+(fn
在该式中，常数据分类的常数目为
•6•电气传动自动化2021年第1期
ntp，异常数据分类的异常数目为ntn，将正常数据分类为异常数目为nFp，将异常数据分类为正常的数目为nF)，准确率主要是指在测试样本中，正确识别数目所占比例，如果准确率高，表明该模型所识别异常用电概率越低，在总异常数据中漏警率是指模型错误识别数据的比例，如果漏警的越低，表明利用该模型错误识别用户模式为正常的概率越低。
4具体实验分析
为验证本研究提岀模型的有效性，将深度学习模型与非深度学习模型进行比较，共开展5次实验，选取平均值为最终结果，除此之外，将将该模型与多层长短期记忆深度学习模型进行比较开展5次实验，运行周期长达15000次。
4.1实验环境
本研究电所提数据样本为数据集，该样本中涉及多个用户两个月内的三相电流有关数据，共计3860条，在其数据集中共含有309条异常用电数据，其中342条为正常数据，在训练集中异常数据占8.28%。在测试集中有51条异常用电数据,81条正常数据，在测试集中异常数据占38.64%。基于深度学习,Tensorflow学习框架使用一台计算机，其CPU为INrelE34核，内存为8G。测试中分异常数据如表1所
表1测试集中部分异常数据
用户2020.2.32020.2.42020.2.5是否异常
A4720.104736.804747.38否
B408.41408.41408.52是
C751.07741.45741.82是
D3091.413097.193104.42否
E0.020.020.02否
4.2实验结果分析
相比支持向量基模型和BP神经网络模型来说，本研究提岀的基于深度TensorFlow学习模型具有良好性能。经过5000个周期运行之后，研究提岀的模型以及基于多层长短期记忆学习模型，两种模型准确率较，为两个模型
稳定状态，经过模型之后，相比基于多层长短期记忆学习模型来说，研究提岀的模型准确率要高，在经过5000个周期之后，研究提岀的模型相比基于多层长学习模型，准确率度要，
看，本研究提岀的基于深度Tensorflow框学习框架模型，其具有良好的鲁棒性和准确性。
5结束语
本研究提岀深度学习实用户异常数用电数据测模型，利用该模型用户实
用电中取用电数据，深度学习进用户电测模型，提取数据，结构递归神经网络，通过三层全连接进一步构建数据特征匹配神经网络，将本研究提岀的模型与基于支持向量机模型以及BP神经网络模型对比，通过实验结果发现，相对来说具有良好的识别准确率和较低漏警率，可及时发现用户模式的异常数据，准确性较高，除此之外，相比基于多层长短期记忆学习模型，本研究所提岀的用户电测模型，其具有鲁棒性，准确性。后续需深入研究深度学习模型学习度测，提取用户常用电，实，用电需求。
参考文献：
[1]袁文翠，孔雪.基于TensorFlow深度学习框架的卷积神经
网络研究[J].微型电脑应用，2018,34(2)：29-32. [2]王中荣，魏福祥，刘亚芹，闫珂.电分析化学法在重金属离
子检测中的应用[J].河北工业科技,2015,32(1)：55-63.
[3]杨跃龙.交流电动机的节能与效率特性[J].湘潭机电高
等专科学校学报，1996(2)：33-35.
[4]刘国宏，丁喜波.串联谐振三电平Boost电路的研究[J].
电气传动,2020,50(9)：115-117.
作者简介：
李莎(1993-)，女，湖南益阳人，硕士在读，助理工程师。
收稿日期：2020-11-03
