基于残差网络和深度可分离卷积增强自注意力机制的窃电识别

摘要

窃电行为严重危害着电力设备和人身安全,并造成重大经济损失.对窃电行为实现准确识别是供电企业降损增效的一项重要工作.在残差网络(residual network, ResNet)结构的基础上,将二维卷积神经网络与深度可分离卷积增强的自注意力(depthwise separable convolution enhanced self attention,DSCAttention)机制相结合并构建模型,用于提升窃电用户的正确分类.此外,由于窃电数据常存在缺失值、异常值和正负样本不平衡的问题,故采用补零法、分位数变换和分层拆分法对以上问题分别处理.在真实窃电数据集上进行了大量实验,实验结果表明,所提模型的AUC指标达到了91.92%, MAP@100指标达到了98.58%, MAP@200指标达到了96.77%.与其他窃电分类模型相比,所提模型在窃电分类任务上亦有很好的表现,可以在窃电智能化识别中推广使用.

关键词

残差网络 / 卷积增强 / 自注意力机制 / 深度可分离卷积 / 窃电识别