基于时频域多维特征提取的用户异常用电行为检测

李子凯; 岳宝强; 杨波; 周忠堂; 王春宝; 焦润海

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于时频域多维特征提取的用户异常用电行为检测

智能电网 | 更新时间：2025-11-08

- 基于时频域多维特征提取的用户异常用电行为检测
- 暂无标题
- 电网与清洁能源 2025年第5期页码：58-67
- 作者机构：
  
  1. 国网山东省电力公司临沂供电公司
  2. 华北电力大学控制与计算机工程学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目（62373150）;国家电网有限公司科技项目（520607220003）~~
- DOI：
  中图分类号： TM73;TP18
- 纸质出版：2025
- 稿件说明：
移动端阅览
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,(5):58-67.
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,(5):58-67. DOI：

DOI：

摘要

传统的窃电检测方法大多直接在原始功率序列上构建模型，且没有同时考虑长时序列中的周期依赖关系以及周期之间的局部关联特征，限制了电力用户行为规律的深层挖掘。提出了一种综合采用时频模态融合和多尺度特征提取的高精度窃电检测模型。采用经验模态分解方法，将原始信号分解为多个本征模态信号和一个残差信号，依据模糊熵值与皮尔逊相关系数找到同时包含局部信息与原始信号信息较多的模态，并将选择的模态信号与原信号进行拼接，这样既可以提升模型的维度，又能放大窃电用户与正常用户的局部差异；将拼接好的数据先输入卷积神经网络进行局部特征提取，并从提取到的特征输入多头自注意力机制神经网络模型中提取全局特征，从而实现多尺度特征提取，以增强模型提取特征的适应性。在公开数据集上的实验结果表明，所提模型的F1值达到了76.71%、召回率达到了87.99%、曲线下面积（area under the curve

AUC）值达到了93.11%，相比于现有方法均取得了明显提升。

Abstract

关键词

Keywords

references

Zheng Sifan,Gao Yunpeng,Gu Dexi,Shi Junhao,Chen Kang,Li Yunfeng.Electricity theft recognition and time period detection considering based on multi-task learning[J].International Journal of Electrical Power and Energy Systems,2024.

Qi Ruobin,Li Qingqing,Luo Zhirui,Zheng Jun,Shao Sihua.Deep semi-supervised electricity theft detection in AMI for sustainable and secure smart grids[J].Sustainable Energy, Grids and Networks,2023.

Peng Yanlin,Yang Yining,Xu Yuejie,Xue Yang,Song Runan,Kang Jinping,Zhao Haisen.Electricity Theft Detection in AMI Based on Clustering and Local Outlier Factor[J].IEEE ACCESS,2021.

Md. Nazmul Hasan,Rafia Nishat Toma,Abdullah-Al Nahid,M M Manjurul Islam,Jong-Myon Kim.Electricity Theft Detection in Smart Grid Systems: A CNN-LSTM Based Approach[J].Energies,2019.

Zheng Zibin,Yang Yatao,Niu Xiangdong,Dai Hong Ning,Zhou Yuren.Wide and Deep Convolutional Neural Networks for Electricity-Theft Detection to Secure Smart Grids[J].IEEE Transactions on Industrial Informatics,2018.

赖健,许志浩,康兵,王宗耀,丁贵立,袁小翠.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(12).

孙晨宇,张树东.基于CEEMDAN与LSTM-Attention的股市预测模型[J].计算机应用与软件,2023(12).

刘展,包琰洋,李大字.基于重采样降噪与主成分分析的宽卷积深度神经网络风机故障诊断方法[J].发电技术,2023(06).

杨坚,赵洁,汤义勤,蒋旭,唐佳杰,张怀勋.基于序列分解的母线负荷降噪预测方法[J].浙江电力,2023(12).

张伟,陈凤龙,李强.基于CEEMD特征提取和优化RF分类的Vienna整流器故障诊断[J].东北电力大学学报,2023(06).

李锦煜,刘锐剑,周朝阳,栗楠,唐方成.我国能源安全形势技术分析[J].电力工程技术,2023(06).

陈小娣,王俊雄,安韵竹,吴玉涛,杨浩瀚.基于改进经验模态分解的泄漏电流去噪方法[J].电力科学与技术学报,2023(06).

刘舒,姚尚坤,周敏,朱峰,田书欣,肖文渊.基于ICEEMDAN-TA-LSTM模型的主动配电网短期运行态势预测[J].电力科学与技术学报,2023(06).

杨子建,赵璐,王越超,陈思远,孙广涛,朱琪,陈哲,闫佳佳.计及厂用电不平衡状态感知与碳减排的多能源储能优化配置模型[J].可再生能源,2023(11).

尹子康,林忠伟,吕广华,李东泽.基于数据驱动的风电机组变桨系统故障诊断与健康状态预测研究[J].东北电力大学学报,2023(05).

斯建东,汤义勤,赵文浩.基于改进FPN与SVM的树障检测方法[J].浙江电力,2023(09).

林昱奂,郝方舟,李柏新,黄波.配电网运行异常数据识别方法[J].中国电力,2023(09).

朱润泽,王德军.基于LSTM神经网络的光伏系统功率预测[J].电力科技与环保,2023(03).

李双伟,付慧,史明明,王靓,费骏韬,缪惠宇.基于堆叠稀疏自编码器和深度森林的窃电检测模型[J].供用电,2023(05).

邹念,魏梅芳,苏盛,郑应俊,周文晴.基于水电关联信息的零电量低压用户窃电检测[J].中国电力,2023(12).

韩平平,陈思远,张楠,吴红斌,仇茹嘉,张征凯.考虑分布式光伏的低压台区线损异常辨识方法[J].电力系统保护与控制,2023(08).

王增平,林一峰,王彤,郑博文.电力系统继电保护与安全控制面临的挑战与应对措施[J].电力系统保护与控制,2023(06).

黄悦华,陈照源,陈庆,张磊,刘恒冲,张家瑞.基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法[J].电力建设,2023(01).

陶华,庄友谊,戴欢.基于卷积神经网络的居民用电异常检测方法[J].科学技术创新,2022(34).

张丽娟,保富.基于改进SVM的电力用户异常用电行为检测方法研究[J].电测与仪表,2022(12).

阙华坤,冯小峰,刘盼龙,郭文翀,李健,曾伟良,范竞敏.Grassberger熵随机森林在窃电行为检测的应用[J].计算机科学,2022(S1).

周赣,华济民,李铭钧,付佳佳,黄莉.基于图转换和混合卷积神经网络的窃电检测方法[J].电力系统自动化,2022(19).

刘康,李彬,薛阳,杨艺宁,徐英辉,刘爱国,苏盛.基于传递熵密度聚类的用户窃电识别方法[J].中国电机工程学报,2022(20).

武超飞,孙冲,刘厦,付文杰,陶鹏,石振刚,张林浩.基于改进FCM聚类的窃电行为检测[J].电力科学与技术学报,2021(06).

高昂,郑建勇,梅飞,沙浩源,裘星,解洋,李轩,郭梦蕾,李丹奇.基于三元组孪生网络的窃电检测算法[J].中国电机工程学报,2022(11).

金晟,苏盛,薛阳,杨艺宁,刘厦,曹一家.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(01).

施雨松,徐青山,郑建.基于特征选择与增量学习的非侵入式电动自行车充电辨识方法[J].电力系统自动化,2021(07).

严勤,邓高峰,胡涛,胡志强,马建.基于深度循环神经网络的异常用电检测方法[J].中国测试,2021(07).

郑思达,梁琪琳,彭鑫霞,张威,王皓.基于模糊聚类的异常用电行为识别研究[J].电测与仪表,2020(19).

浏览量

139

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于VMD-IBWO-BiLSTM的短期风电功率预测

基于多源气象数据的光伏功率预测深度学习架构

基于HBA-GRU的水电站大坝变形监控模型研究

一种改进型YOLOv4输电线路防外破检测方法

基于多时间尺度卷积神经网络的煤改电用户负荷识别方法研究