基于注意力嵌入轻量级卷积神经网络的异常用电行为实时诊断研究

为解决大容量及灵活负荷切换带来的用户用电行为监测分析难题，研究人员开展异常用电行为诊断研究。提出 MDFC 预处理法和 ALCNN11 网络，其准确率达 99.81%，较 VGG16 省时 42.25%，为电网高效监测提供新方案。

　　

随着可再生能源大规模接入电网，用户用电行为日益多样化、智能化，大容量负荷与灵活负荷的频繁投切，给用电行为的监测与分析带来挑战。异常用电行为与正常行为的差异极为细微，传统检测方法难以有效提取用户用电特征，基于无监督聚类和监督分类的现有方法，或无法区分用户群体行为特征的潜在变异性，或存在信息丢失、计算冗余等问题，导致检测准确率低、耗时久。在此背景下，开展高效的异常用电行为诊断方法研究迫在眉睫。

国内研究人员针对上述问题，开展了基于注意力嵌入轻量级卷积神经网络的异常用电行为实时诊断研究。研究成果发表在《Expert Systems with Applications》，为电网精准监测用户用电行为提供了重要技术支撑。

研究人员采用的主要关键技术方法包括：一是提出多方向移动与快速裁剪（MDFC）预处理方法，通过将原始负荷曲线向八个方向移动，增加有用数据的像素覆盖，去除图像空白部分，强化数据集的信息表征；二是构建注意力嵌入轻量级卷积神经网络 - 11（ALCNN11），该网络由卷积层、池化层、批量归一化层和类残差注意力块组成，利用 1×1 和 3×3 卷积核减少参数并提取特征，引入注意力机制聚焦关键信息。

实时诊断流程与网络架构

研究提出的异常用电行为诊断流程为：电表监测居民实时负荷获取数据集，由电力运营商设置标签判定用电行为正常或异常。ALCNN11 网络架构包含 11 个卷积层、5 个池化层和 2 个注意力模块，通过类残差注意力块使网络聚焦图像关键信息，忽略非重要信息，在减少计算量的同时保证网络深度。

实验对比与结果分析

在 Intel (R) Core (TM) i5-10210U CPU、32GB RAM 的 PC 环境下，利用 MATLAB 2021b 的深度网络设计器进行实验。以 9000 样本为例，70% 用于训练，30% 用于验证，将 ALCNN11 与 Google’s inception Net、VGG16 等六种统一时间尺度网络对比。结果显示，ALCNN11 准确率最高，达 99.81%，且较 VGG16 耗时减少 42.25%，验证了其在准确性和效率上的优势。

研究结论与意义

研究提出的 MDFC 预处理方法显著提升了数据质量，使 Google’s inception 网络准确率从 50% 提升至 98.81%；ALCNN11 网络通过轻量化设计与注意力机制结合，在保证高准确率的同时大幅缩短训练时间，突破了传统网络参数多、计算耗时的局限。该研究为电网实时监测异常用电行为提供了高效解决方案，有助于避免窃电等非法行为，推动严格电网管理框架建设，对优化电力市场管理、提升能源利用效率具有重要意义。研究表明，针对特定分类问题优化网络结构，结合注意力机制聚焦关键信息，是提升神经网络性能的有效路径，为后续智能电网领域的深度学习应用提供了新方向。