Graph Neural Network-based Electricity Theft Detection Method Incorporating Industry Characteristics

LIU Yujia; YU Tao; WANG Ziyao; NIU Haiqing; ZENG Shanghong; ZHAN Fuzhi

doi:10.20204/j.sp.2026.04015

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

Graph Neural Network-based Electricity Theft Detection Method Incorporating Industry Characteristics

更新时间：2026-04-20

- Graph Neural Network-based Electricity Theft Detection Method Incorporating Industry Characteristics
- Vol. 54, Issue 4, Pages: 119-127(2026)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.20204/j.sp.2026.04015
  CLC：
- Published：2026
- 稿件说明：
移动端阅览
刘雨佳,余涛,王梓耀,牛海清,曾尚鸿,詹富智.基于行业特性的图神经网络窃电检测方法[J].智慧电力,2026,54(4):119-127.

doi:10.20204/j.sp.2026.04015
刘雨佳,余涛,王梓耀,牛海清,曾尚鸿,詹富智.基于行业特性的图神经网络窃电检测方法[J].智慧电力,2026,54(4):119-127. DOI： 10.20204/j.sp.2026.04015.

doi:10.20204/j.sp.2026.04015 DOI：

摘要

窃电检测技术对于识别窃电行为、减少经济损失及保障电网安全稳定运行至关重要。针对现有方法忽视行业差异导致检测模型难以适应不同行业用电负荷特性的问题，提出一种基于行业特性的图神经网络（GNN）窃电检测方法。该方法依据行业特性深入挖掘用户用电行为并提取特征，构建具有行业特性的窃电特征集，进而结合用户间的关联关系构建图结构数据，将其输入到可学习聚合的双层图神经网络中，通过消息-聚合-更新模块进行窃电用户检测。算例分析表明，所提方法在准确率、召回率和误报率等方面均优于对比模型，通过消融实验进一步验证了行业特性特征提取和可学习聚合机制是提升窃电检测性能的关键。

Abstract

Electricity theft detection technology is of great importance for identifying theft behaviors

reducing economic losses

and ensuring the safe and stable operation of power grids. To address the issue that existing methods overlook industry differences

leading to difficulties in adapting detection models to the load characteristics of various industries

this paper proposes an electricity theft detection method based on industry characteristics using graph neural networks (GNNs). The method deeply mines user electricity consumption behaviors based on industry characteristics

extracts relevant features

and constructs an electricity theft feature set incorporating industry-specific attributes. It then builds graph-structured data by integrating user correlations and inputs this data into a dual-layer graph neural network with learnable aggregation. Subsequently

electricity theft users are detected through a message-aggregation-update module. Case study analysis demonstrates that the proposed method outperforms comparison models in terms of accuracy

recall

and false positive rate. Ablation experiments further verify that industry characteristic feature extraction and the learnable aggregation mechanism are key to improving electricity theft detection performance.

关键词

Keywords

references

赖健，许志浩，康兵，等. 基于ISSA-SVC的配电网高损台区窃电检测方法研究 [J ] .电力系统保护与控制，2024，52（12）：104-112.

陈静，王铭海，刘煜寒，等. 基于Transformer与单分类支持向量机的窃电时间识别方法 [J ] .电网技术，2025，49（5）：2109-2118.

陈敏，张逸，邹阳，等. 基于稳健回归和卷积神经网络的中压窃电类型检测方法 [J ] .电网技术，2024，48（11）：4729-4738.

金晟，苏盛，薛阳，等. 数据驱动窃电检测方法综述与低误报率研究展望 [J ] . 电力系统自动化，2022，46（1）：3-14.

XIA X，XIAO Y，LIANG W，et al. Detection methods in smart meters for electricity thefts：A survey [J ] . Proceedings of the IEEE，2022，110（2）：273-319.

张津铭，赵健，唐维溢，等. 动态拓扑下基于终端数据挖掘的配电网异常节点检测 [J ] .智慧电力，2024，52（7）：1-9.

王路遥，龚钢军，陆俊，等. 配电网量测数据动态联邦学习框架、自适应隐私保护模型和边缘侧贡献度评估 [J ] .中国电机工程学报，2026，46（3）：942-956.

李立浧，蔡泽祥，唐文虎，等. 透明电网理论框架与关键技术 [J ] . 中国工程科学，2022，24（4）：32-43.

吴佐平，王宏岩，张千福，等. 基于改进TimeGAN数据增强的用户窃电识别研究 [J ] .电气传动，2026，56（1）：75-81.

蔡梓文，赵云，陆煜锌，等. 基于变分自编码器的多源数据融合窃电检测方法 [J ] .电力系统保护与控制，2025，53（4）：176-187.

刘建锋，梅智聪，刘梦琪，等. 基于改进旋转森林算法的窃电检测研究 [J ] .电力科学与技术学报，2024，39（1）：93-104.

SHI J，GAO Y，GU D，et al. A novel approach to detect electricity theft based on conv-attentional Transformer Neural Network [J ] . International Journal of Electrical Power & Energy Systems，2023，145：289-303.

吴若冰，路辉，朱昱坤，等. 基于多时间尺度深度学习的窃电用户检测方法研究 [J ] . 电测与仪表，2024，61（12）：178-184.

李云峰，高云鹏，张蓬鹤，等. 多目标优化时域卷积神经网络的窃电行为高准确检测算法 [J ] . 电网技术，2024，48（8）：3449-3458.

李国成，陆俊，王赟，等. 基于Bagging二次加权集成的孤立森林窃电检测算法 [J ] . 电力系统自动化，2022，46（2）：92-100.

袁铭敏，姚鹏，易欣，等. 基于稀疏自编码器SAE和优化RUSBoost的窃电检测 [J ] .计算机应用与软件，2025，42（05）：62-71.

MISHRA A K，DAS B. A novel density based clustering approach for electricity theft detection [J ] . IEEE Transactions on Industry Applications，2025，61（4）：5537-5548.

宋晓林，张佳元，崔超奕，等. 基于用电信息采集数据的低压台区异常线损诊断新方法 [J ] .电测与仪表，2024，61（6）：209-217.

陈锦涛，张逸，张良羽，等. 基于用电数据挖掘的企业环保异常识别 [J ] .电力建设，2025，46（2）：74-87.

郑真，马晔晖，黄一楠. 基于电力大数据挖掘的异常用电用户识别模型研究 [J ] .自动化技术与应用，2025，44（5）：99-102，154.

郭耀扬，张利，郝颖，等. 基于分行业用电特性与多因素影响的区域级短期用电负荷曲线预测 [J ] .电力系统保护与控制，2025，53（13）：82-92.

叶强，陈吴晓，姜志筠，等. 面向夏季高温的多城市行业级负荷画像与降温负荷测算 [J ] .全球能源互联网，2024，7（1）：25-36.

马尚，卫志农，黄蔓云，等. 基于智能电表数据的低压配电网拓扑与线路参数联合辨识 [J ] .电力系统自动化，2024，48（2）：60-70.

王伟峰，叶方彬，陈徐笛，等. 基于威布尔分布的智能电表时钟电池可靠性分析 [J ] .智慧电力，2024，52（1）：73-78，86.

付青，匡文凯，薛阳，等. 基于高斯核密度估计法的路灯窃电检测方法 [J ] . 电力系统及其自动化学报，2021，33（10）：18-23.

游文霞，梁皓，杨楠，等. 基于重采样和混合集成学习的不平衡窃电检测 [J ] .电网技术，2024，48（2）：730-742.

邓瑞麒，黄国政，黄亮浩，等. 基于特征挖掘的低压台区窃电行为识别研究 [J ] .自动化仪表，2024，45（10）：22-27.

李子凯，岳宝强，杨波，等. 基于时频域多维特征提取的用户异常用电行为检测 [J ] .电网与清洁能源，2025，41（5）：58-67.

孔祥玉，马玉莹，赵鑫，等. 基于多阶段递推数据分析的低压台区窃电检测方法 [J ] .中国电机工程学报，2024，44（15）：5921-5934.

卢峰. 考虑需求响应潜力和持续响应需求的负荷管理中心调度策略优化 [D ] . 杭州：浙江大学，2023.

牛东晓，杜若芸，赵焰佩，等. 基于多模态因素与用户分类的区域短期负荷可解释预测方法 [J ] .智慧电力，2026，54（1）：110-117.

杜章华，苏盛，刘正谊，等. 基于生产经营状态识别的低误报率窃电检测二次筛查方法 [J ] . 电力系统自动化，2021，45（2）：97-104.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

PCA Based Transient Feature Extraction in Power System

A Novel Feature Extraction Method for WAMS Data Based on Panel Data

Scheme for Electricity Theft Detection Based on SMOTE and XGBoost

Fault Diagnosis and Classification of Microgrid Based on Wavelet Feature Extraction and Deep Learning

Power Quality Disturbance Recognition Method Based on Multi-layer Feature Fusion Attention Network

Related Author

WANG Yi-fei

WANG Ya-jun

SHAO Ya-ning

YU Ting

SHAO Cheng-ping

MA Zhi-hao

TANG Fei

ZHANG Naiping

Related Institution

Central China Power Grid Dispatching Center

School of Electrical Engineering， Wuhan University

School of Computer and Science and Technology，Shanghai University of Electric Power

（School of Electrical and Information Engineering， Beihua University，，）

1. Electric Power Research Institute of Yunnan Power Grid Co.， Ltd.

AI问答

⁰