[发明专利]一种基于横向对比特征和神经网络的隐蔽窃电检测方法

说明书

本发明提供一种基于横向对比特征和神经网络的隐蔽窃电检测方法，包括如下步骤，根据训练集中用户用电量l计算每个社区的用电量为L，基于所得L，提取社区中用户的横向对比特征v，利用神经网络中全连接层进行特征提取，根据横向对比特征v，提取全局特征，根据一维原始用电数据，提取全局特征；根据二维原始用电数据提取用电数据的局部特征；基于提取的用户特征利用串联的方式融合特征向量，输入到神经网络全连接层进行训练，得到用于区分正常用户和异常用户的分类器；基于分类器对测试集进行实时分类。该方法可以检测降低自身电表读数并增加邻居电表读数同时模仿正常消费模式的隐蔽攻击，从而提供一个有效的窃电检测系统保证电力系统安全可靠运行。

技术领域

本发明属于窃电检测领域，具体是涉及一种基于横向对比特征和混合深度神经网络的隐蔽窃电检测方法。

背景技术

随着高级计量基础设施(AMI)在居民社区中的普及，电力公司的供电效率、可持续性和可靠性得到了极大的提升。AMI在带来便利的同时也带来了安全风险。电力盗窃一直是电力公司密切关注的问题，它不仅给电力公司造成了巨额的经济损失，甚至给公共安全带来了严重威胁。根据最近的一项调查显示，在2014年，全球公用事业公司每年亏损高达960亿美元，其中电力盗窃为主要原因。恶意用户会通过物理攻击或网络攻击的方式入侵智能电表实施电力盗窃。因此，在广泛部署AMI的同时需要一个有效的窃电检测系统来保证电力系统安全可靠运行。

由于传统的检测方法依靠人工检测，非常费时和昂贵，因此基于电网数据的分析检测方法逐渐取代了传统的检测方法。现有基于电网数据的检测方法大致可以分为两类：基于一致性的方法和数据驱动的方法。基于一致性的方法利用额外的传感器或监控仪表来检测电力系统中的系统电压、电流等数据与潮流计算的一致性，但是安装大量的冗余设备会导致实施和维护成本过高，而数据驱动的方法在成本方面具有一定优势。数据驱动的方法利用机器学习来分析用户用电模式的异常，其中基于分类的算法因费用适中、准确率高而得到了广泛的应用。然而现在窃电检测技术仍存在许多挑战，一个主要的问题是研究所用数据集中攻击样本不足甚至不存在，目前研究中的大多数检测方法仅是基于一些简化的攻击方式来进行实验的。但是在实际应用中会存在许多更为复杂隐蔽的攻击方式，这些根据简化攻击所训练好的检测模型无法有效抵抗新型的隐蔽攻击。

发明内容

本发明的目的是提供一种基于横向对比特征和混合深度神经网络的隐蔽窃电检测方法，该方法可以检测降低自身电表读数并增加邻居电表读数同时模仿正常消费模式的隐蔽攻击，从而提供一个有效的窃电检测系统保证电力系统安全可靠运行。

为实现上述目的，本发明的技术方案是：一种基于横向对比特征和神经网络的隐蔽窃电检测方法，包括如下步骤，

步骤S1，根据训练集中用户用电量l计算每个社区的用电量为L，其中，L为社区用电量，l为社区中单个用户用电量，R为实数矩阵，n为用户个数，m为用电天数；

步骤S2，基于所述步骤S1所得L，提取社区中用户的横向对比特征v，该特征表达式为：

(1)

(2)

其中，l被分成K段，表示每段时间的序号,表示每个时间段的长度；