DBN深度学习算法在反窃电系统中的应用

doi:10.11959/j.issn.1000-0801.2019038

电信科学 ›› 2019, Vol. 35 ›› Issue (2): 113-117.doi: 10.11959/j.issn.1000-0801.2019038

DBN深度学习算法在反窃电系统中的应用

李丹丹,葛冰玉,黄文雯,谢磊,钱升起

国家电网有限公司信息通信分公司，北京 100761

修回日期:2019-01-08 出版日期:2019-02-01 发布日期:2019-02-23
作者简介:李丹丹（1990- ），女，国家电网有限公司信息通信分公司工程师，主要从事电力数据库方面的研究工作。|葛冰玉（1990- ），女，国家电网有限公司信息通信分公司工程师，主要从事电力通信信息安全方面的研究工作。|黄文雯（1989- ），女，国家电网有限公司信息通信分公司工程师，主要从事云计算方面的研究工作。|谢磊（1989- ），男，国家电网有限公司信息通信分公司工程师，主要从事信息系统应用层运维方面的研究工作。|钱升起（1991- ），男，国家电网有限公司信息通信分公司工程师，主要从事电力通信方面的研究工作。

Application of DBN deep learning algorithm in anti stealing electricity system

Dandan LI,Bingyu GE,Wenwen HUANG,Lei XIE,Shengqi QIAN

State Grid Information ＆Telecommunication Co.,Ltd.,Beijing 100761,China

Revised:2019-01-08 Online:2019-02-01 Published:2019-02-23

摘要/Abstract

摘要：

随着经济的发展，电力需求逐渐增大，但由于电力系统在电量自动化的技术方面相对落后，窃电现象屡禁不止。传统的反窃电手段一般都围绕加强电能计量装置进行技术改造，管理效率较低，而深度学习的目的是利用构建多层神经网络模型的方法来学习图像、文本、语音等数据的潜在特征，在分类问题上有很好的效果，在众多复杂领域成功应用的深度学习算法为解决反窃电问题提供了新的有效途径。主要介绍了DBN的结构与学习算法和基于DBN算法的反窃电模型，最后进行了实验，对结果进行了分析。

关键词: 深度学习, 反窃电系统, DBN

Abstract:

With the development of economy,the electric power demand increases gradually,but because of the relative backwardness in the automation of electricity,the phenomenon of electric stealing is common.But the traditional anti electric stealing means generally centered around how to strengthen the technical transformation of the electric energy metering device,and the management efficiency is low.The purpose of deep learning is to use the method of constructing the multi-layer neural network model.To learn the potential features of image,text,voice and other data,it also has good effect on the classification problem.The successful application of the deep learning algorithm in many complex fields provides a new effective way to solve the problem of anti stealing electricity.The structure and learning algorithm of DBN and the anti-stealing model based on DBN algorithm was mainly introduced.Finally,experiments were carried out and the results were analyzed.

Key words: deep learning, anti stealing electricity system, deep belief network

中图分类号:

TM76

李丹丹,葛冰玉,黄文雯,谢磊,钱升起. DBN深度学习算法在反窃电系统中的应用[J]. 电信科学, 2019, 35(2): 113-117.

Dandan LI,Bingyu GE,Wenwen HUANG,Lei XIE,Shengqi QIAN. Application of DBN deep learning algorithm in anti stealing electricity system[J]. Telecommunications Science, 2019, 35(2): 113-117.

图/表 4

参考文献 11

[1]	张燕 . 非线性系统的神经网络预测控制研究[D]. 天津:南开大学, 2004.
	ZHANG Y . Research on neural network predictive control for nonlinear systems[D]. Tianjin:Nankai University, 2004.
[2]	王巍娟 . 基于隐层改进的 BP 网络在织物染色配色中的应用研究[D]. 青岛:青岛大学, 2009.
	WANG W J . Application research of improved BP network based on hidden layer in fabric dyeing and color matching[D]. Qingdao:Qingdao University, 2009.
[3]	WANG Z D , WANG B H , YAN T ,et al. A distributed optical fiber monitoring system for anti-stealing of oil pipelines[J]. Journal of Daqing Petroleum Institute, 2008(4):20.
[4]	杨新佳 . 基于神经网络的教学质量评价模型研究[D]. 西安:西安科技大学, 2011.
	YANG X J . Research on teaching quality evaluation model based on neural network[D]. Xi’an:Xi’an University of Science and Technology, 2011.
[5]	黄丹, 黄伯元 . 人工神经网络及其在医疗卫生中的应用[J]. 卫生职业教育, 2005,24(4): 118-119.
	HUANG D , HUANG B Y . Artificial neural network and its application in medical and health care[J]. Health Vocational Education, 2005,24(4): 118-119.
[6]	王映乔 . 基于神经网络的汇率预测及系统设计[D]. 成都:西南财经大学, 2007.
	WANG Y Q . Exchange rate prediction and system design based on neural network[D]. Chengdu:Southwestern University of Finance and Economics, 2007.
[7]	周开利, 康耀红 . 神经网络模型及其 MATLAB 仿真程序设计[M]. 北京: 清华大学出版社, 2005.
	ZHOU K L , KANG Y H . Neural network model and MATLAB simulation program design[M]. Beijing: Tsinghua University PressPress, 2005.
[8]	SAHU S , SHANDILYA S K . A comprehensive survey on intrusion detection in MANET[J]. International Journal of Information Technology and Knowledge Management, 2010,2(2): 305-310.
[9]	卢伟伟 . Web文本信息过滤方法研究[D]. 武汉:华中科技大学, 2007.
	LU W W . Web text information filtering method research[D]. Wuhan:Huazhong University of Science and Technology, 2007.
[10]	潘晓 . 基于神经网络的相机标定[D]. 西安:西安科技大学, 2010.
	PAN X . Camera calibration based on neural network[D]. Xi’an:Xi’an University of Science and Technology, 2010.
[11]	张怡 . 基于深度学习的电力系统扰动后频率预测[D]. 济南:山东大学, 2018.
	ZHANG Y . Deep learning based frequency prediction after power system disturbance[D]. Jinan:Shandong University, 2018.

隐含层节点个数	分类准确性
4	90.2%
8	98.6%
12	88%
16	87%
20	86.4%

项目		测试精度
项目	False	True	总体
DBN算法	98.88%	84.54%	98.60%
BP神经网络分类	99.87%	38.14%	98.68%
朴素贝叶斯分类	99.32%	49.09%	98.19%
决策树分类	91.64%	39.18%	88.36%
逻辑回归分类	97.03%	30.93%	97.65%

[1]	卢敏, 胡娟, 张先超, 丁伟健, 乐光学. 基于用户多特征融合的个性化推荐模型[J]. 电信科学, 2023, 39(5): 101-115.
[2]	诸葛斌, 尹正虎, 斯文学, 颜蕾, 董黎刚, 蒋献. 基于学生知识追踪的多指标习题推荐算法[J]. 电信科学, 2022, 38(9): 129-143.
[3]	周杰, Esono Mikue Bernardo Esono, 王学英, 周惠婷, 罗宏. 基于SLM-PTS算法融合的NC-OFDM峰均比优化[J]. 电信科学, 2022, 38(7): 63-74.
[4]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[5]	申情, 郭文宾, 楼俊钢, 余强国. 考虑多层次潜在特征的个性化推荐模型[J]. 电信科学, 2022, 38(2): 71-83.
[6]	陈志宏, 王明晓. 计算机视觉在智慧安防中的应用[J]. 电信科学, 2021, 37(8): 142-147.
[7]	唐博恒, 柴鑫刚. 基于云边协同的计算机视觉推理机制[J]. 电信科学, 2021, 37(5): 72-81.
[8]	孙姝君, 彭盛亮, 姚育东, 杨喜. 基于深度学习的调制识别综述[J]. 电信科学, 2021, 37(5): 82-90.
[9]	彭双, 王晓东, 彭宗举, 陈芬. 基于深度学习的快速QTMT划分[J]. 电信科学, 2021, 37(4): 73-81.
[10]	胡道允, 齐进, 陆钱春, 李锋, 房红强. 基于深度学习的流量工程算法研究与应用[J]. 电信科学, 2021, 37(2): 107-114.
[11]	张捷, 杨丽花, 王增浩, 呼博, 聂倩. 一种新型的基于深度学习的时变信道预测方法[J]. 电信科学, 2021, 37(1): 39-47.
[12]	李远宁,宁柏锋,董召杰. 电网机巡图像分析框架与深度学习方法[J]. 电信科学, 2020, 36(8): 167-174.
[13]	张婷婷,章坚武,郭春生,陈华华,周迪,王延松,徐爱华. 基于深度学习的图像目标检测算法综述[J]. 电信科学, 2020, 36(7): 92-106.
[14]	郭锐,冉凡春. 基于卷积神经网络的极化码译码算法[J]. 电信科学, 2020, 36(6): 119-124.
[15]	汪少敏,王铮,任华. 利用深度学习融合模型提升文本内容安全的研究[J]. 电信科学, 2020, 36(5): 25-30.

DBN深度学习算法在反窃电系统中的应用

Application of DBN deep learning algorithm in anti stealing electricity system

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 11

相关文章 15

Metrics

推荐阅读 0