188宝金博页面版

第 46 卷 第 6 期 中 国 电 机 工 程 学 报 Vol.46 No.6 Mar. 20, 2026 2420 2026 年 3 月 20 日 Proceedings of the CSEE ©2026 Chin.Soc.for Elec.Eng. DOI：10.13334/j.0258-8013.pcsee.242310 文章编号：0258-8013 (2026) 06-2420-14 中图分类号：TM 71 文献标识码：A 一种利用轻量级多通道注意力融合网络的 窃电检测边缘计算方法 金涛，王万豪，黄钦瑜，刘宇龙 (福州大学电气工程与自动化学院，福建省 福州市 350108) Edge Computing Approach for Electricity Theft Detection Utilizing Lightweight Multi-channel Attention Fusion Network JIN Tao, WANG Wanhao, HUANG Qinyu, LIU Yulong (College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108, Fujian Province, China) ABSTRACT: The widespread deployment of smart meters results in vast amounts of electricity consumption data, which forms the foundation for data-driven electricity theft detection methods. However, as neural networks, commonly used detection models, increase in depth and width, the central cloud infrastructure suffers from significant computational burden. To minimize the number of parameters and reduce computational overhead, this paper introduces an edge computing approach for electricity theft detection utilizing a lightweight multi-channel attention fusion network. The proposed method uses the alternating direction method of multipliers (ADMM) to complete data matrices with missing values. Model training is conducted at the computing center, while edge computing devices detect data collected at the edge. The effectiveness of the proposed model is validated through ablation experiments and comparative studies under various missing data conditions. The results consistently demonstrate that the proposed method excels in all evaluation metrics, confirming its stability and effectiveness compared with other methods. Additionally, hardware experiments are conducted to validate the timeliness and effectiveness of the proposed method on edge devices. KEY WORDS: electricity theft detection; lightweight network; matrix completion; attention mechanism; edge computing 摘要：智能电表的大规模部署产生了海量的用电数据，为基于数据驱动的窃电检测方法提供了研究基础。神经网络作为一种常用的检测模型，随着网络深度和宽度的增加，中央云基础设施面临巨大的计算负担。为了减少参数量并降低计算负担，提出一种利用轻量级多通道注意力融合网络的窃电检 基金项目：国家自然科学基金项目(52377088)。 Project Supported by National Natural Science Foundation of China (52377088)。 测边缘计算方法。该方法利用交替方向乘子法修复具有缺失值的数据矩阵。模型训练在计算中心完成，而边缘计算设备则用于检测由边缘设备收集的数据。通过在各种缺失数据情况下进行的消融实验和比较研究，验证了所提模型的有效性。结果表明，所提方法在所有评估指标上都表现出卓越的性能，与其他方法相比，展示了其在稳定性和有效性方面的优势。此外，通过硬件实验验证了所提方法在边缘设备上的时效性和有效性。 关键词：窃电检测；轻量级网络；矩阵补全；注意力机制；边缘计算 0 引言 随着我国现代化建设的迅速发展，电力系统扮演着至关重要的角色。尽管新型电力系统带来了深远的技术和社会效益，但也暴露出各种问题 [1-4] 。一些用户操纵电表数据进行窃电，给电网带来了难以忽略的额外损耗。减少电力系统损耗是智能电网的主要目标之一，电力系统损耗通常包括技术损耗(technical loss，TL)和非技术损耗(non-technical loss，NTL) [5] ，其中，在 NTL 中，因窃电导致的损耗通常占据了主要部分。根据 Northeast Group 在 2017 年的一项调查中显示，窃电行为给 50 个参与调研的发展中国家造成经济损失达 647 亿美元/年[6-7] 。此外，福建省每年因窃电而产生的损失大约为1 亿元人民币 [8] 。如此巨大的经济损失引起了人们对窃电检测(electricity theft detection，ETD)方法的极大关注 [9] 。传统的窃电检测方法依赖于人工检查或视频监控，既耗时又费力 [10] 。因此，有必要提高数据驱动的窃电检测准确率。