基于深度混合注意力网络的窃电检测

彭军; 李琪林; 周尧; 袁钟; 彭德中; 刘益志

doi:10.16527/j.issn.1003-6954.20240217

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 >

基于深度混合注意力网络的窃电检测

电力运检技术 | 更新时间：2026-02-13

- 基于深度混合注意力网络的窃电检测
- 基于深度混合注意力网络的窃电检测
- 四川电力技术 2024年第2期页码：99-106
- 作者机构：
  
  1. 国网四川省电力公司营销服务中心
  2. 四川大学计算机学院
- 作者简介：
- 基金信息：
  
  国网四川省电力公司科技项目“基于认知计算的异常用电行为智能分析技术研究”(521997230015)
- DOI：10.16527/j.issn.1003-6954.20240217
  中图分类号： TM73;TP18
- 纸质出版：2024
- 稿件说明：
移动端阅览
彭军, 李琪林, 周尧, 等. 基于深度混合注意力网络的窃电检测[J]. 四川电力技术, 2024,(2):99-106.

彭军, 李琪林, 周尧, et al. 基于深度混合注意力网络的窃电检测[J]. 2024, (2): 99-106.
彭军, 李琪林, 周尧, 等. 基于深度混合注意力网络的窃电检测[J]. 四川电力技术, 2024,(2):99-106. DOI： 10.16527/j.issn.1003-6954.20240217.

彭军, 李琪林, 周尧, et al. 基于深度混合注意力网络的窃电检测[J]. 2024, (2): 99-106. DOI： 10.16527/j.issn.1003-6954.20240217.

摘要

窃电检测旨在识别和检测非法或未经授权的电力使用行为。在智能电网技术高速发展的背景下，如何实现准确的窃电行为检测，是学术界和工业界广泛关注的一个重要问题。针对已有方法依赖人工特征设计以及低层特征提取能力不足的问题，提出了一种基于深度混合注意力网络的窃电检测方法，将通道注意力和自相关注意力机制相结合，在不同层次和空间范围内捕捉数据中的时间依赖性和周期性等复杂特征。所提模型在低层使用通道注意力网络来增强低层特征的表达能力，在中间层使用自相关注意力来捕捉全局上下文信息，并利用自监督方法来学习注意力参数，从而提取出更具表达力和判别力的特征表示。在中国国家电网数据集上进行实验所获得的结果表明，所提出的方法在AUC以及F1等性能指标上取得了更好的效果。

Abstract

关键词

Keywords

references

Nawaz Asif,Ali Tariq,Mustafa Ghulam,Rehman Saif Ur,Rashid Muhammad Rizwan.A novel technique for detecting electricity theft in secure smart grids using CNN and XG-boost[J].Intelligent Systems with Applications,2023.

Yifan Huang,Qifeng Xu.Electricity theft detection based on stacked sparse denoising autoencoder[J].International Journal of Electrical Power and Energy Systems,2021.

Ismail Muhammad,Shaaban Mostafa F.,Naidu Mahesh,Serpedin Erchin.Deep Learning Detection of Electricity Theft Cyber-attacks in Renewable Distributed Generation[J].IEEE Transactions on Smart Grid,2020.

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.

Nontechnical Loss Detection for Metered Customers in Power Utility Using Support Vector Machines[J].IEEE Transactions on Power Delivery,2010.

Nizar A. H.,Dong Z. Y.,Wang Y..Power Utility Nontechnical Loss Analysis With Extreme Learning Machine Method[J].IEEE Transactions on Power Systems: A Publication of the Power Engineering Society,2008.

万磊,江锐,黄文杰,卢涛,刘威.四阶段端到端的用户异常用电模式检测网络[J].中南民族大学学报(自然科学版),2023(01).

吴林峰,安大炜,翁亚利,甘小辉.基于决策树的远程窃电行为识别系统设计[J].自动化应用,2022(10).

张昕,孙莉,许高俊.基于深度森林算法的异常用电行为检测方法[J].电子设计工程,2022(19).

沈嘉怡.AMI环境下基于深度学习的异常用电监测方法[J].自动化与仪器仪表,2022(05).

吴蕊,张安勤,田秀霞,张挺.基于改进K-means的电力数据异常检测算法[J].华东师范大学学报(自然科学版),2020(04).

赵文清,沈哲吉,李刚.基于深度学习的用户异常用电模式检测[J].电力自动化设备,2018(09).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于卫星授时的配电自动化终端精准动作技术研究综述

多模态大模型在电力领域的应用综述