基于自编码神经网络和随机森林的窃电识别算法

闫西慧，周敬召，李岩，张爱伟

(国网石家庄供电公司，河北 石家庄 050000)

我国电力公司每年的窃电损失约200亿元，给电力市场经济秩序和电网安全运行带来极大影响[1-3]。窃电类型主要为欠压窃电和欠流窃电[4]，窃电手段具有很多种，且难以人为发现，人为排查耗时耗力且难以收集有效地窃电证据。因此，智能有效的窃电识别方法对电力行业维护电力系统稳定性有重要意义。

通过电表采集的原始电量数据提取窃电特征指标，建立窃电分类器模型以识别是否存在窃电。常见的窃电特征提取法中的自编码神经网络(autoencoder neural network，AENN)具有强大的特征提取能力[5]。智能电网下量测体系的完善促进了基于数据驱动或者特征工程的窃电方法的研究。基于物理拓扑网络启发或数据挖掘的窃电框架具有良好的窃电识别性能[6-9]。梯度提升树(gradient boosting decision tree，GBDT)等集成算法可应用于窃电数据的特征工程预处理，以提高检测性能和时间复杂度[10]，或进行窃电检测[11]。

目前常见的窃电检测算法为异常点检测算法、各种架构的神经网络、各种聚类算法(比如支持向量机)和大数据算法等[12-17]。局部离群因子、局部密度因子、核密度估计、基于相对密度的离群值检测和基于距离的离群点检测等算法能较好地识别窃电异常值[18-19]。神经网络算法在窃电辨识应用中较为广泛，通过不同优化算法改进的神经网络用于提取或优化窃电特征，可以准确识别窃电行为数据的不同特性[20-22]。深度神经网络比传统神经网络具有更强的特征提取能力，但基于此方法进一步识别窃电实施方式的研究较少。……