生成对抗网络与胶囊网络协同优化的窃电检测方法.pdfVIP

ComputerScienceandApplication计算机科学与应用,2025,15(4),335-344

PublishedOnlineApril2025inHans./journal/csa

/10.12677/csa.2025.154106

生成对抗网络与胶囊网络协同优化的窃电检测

方法

*

刘毅宁，白玉

沈阳航空航天大学电子信息工程学院，辽宁沈阳

收稿日期：2025年3月20日；录用日期：2025年4月20日；发布日期：2025年4月27日

摘要

在现代智能电网系统中，窃电是导致经济损失的主要因素。然而，现有窃电检测方法面临数据量不足

的问题，尤其在窃电样本稀缺的情况下，检测器往往会偏向大多数类，从而降低窃电样本的检测精度。

为了解决这一问题，本文提出一种在小样本条件下基于深度学习的窃电检测方法(CapsGAN)。该方法

融合胶囊网络与卷积神经网络。卷积神经网络用于提取用电数据中的局部浅层特征，识别基本的用电

模式，而胶囊网络通过动态路由机制对这些特征进行整合，进一步构建更深层次的高级特征，最终实

现对窃电行为的精准识别。同时为了进一步解决数据不平衡问题，本文还引入了一种基于生成对抗网

络的三方结构模型，该模型结合了鉴别器、生成器和分类器，并引入了决策边界约束。生成器与分类

器通过协同训练，共同生成窃电检测中的异常样本，逐步扩展少数类的决策边界，从而有效缓解窃电

样本的类别不平衡问题。通过在中国国家电网公司提供的真实数据集上的实验，结果充分验证了该方

法的有效性和准确性。

关键词

深度学习，窃电检测，生成对抗网络，胶囊网络，卷积神经网络

CollaborativeOptimizationofGenerative

AdversarialNetworksandCapsule

NetworksforElectricityTheft

Detection

*

YiningLiu,YuBai

CollegeofElectronicandInformationEngineering,ShenyangAerospaceUniversity,ShenyangLiaoning

*通讯作者。

文章引用:刘毅宁,白玉.生成对抗网络与胶囊网络协同优化的窃电检测方法[J].计算机科学与应用,2025,15(4):

335-344.DOI:10.12677/csa.2025.154106

刘毅宁，白玉

Received:Mar.20th,2025;accepted:Apr.20th,2025;published:Apr.27th,2025

Abstract

Inmodernsmartgridsystems,electricitytheftisamajorcauseofeconomiclosses.However,exist-

ingelectricitytheftdetectionmethodsfacetheproblemofinsufficientdata,especiallywhentheft

samplesarescarce.Insuchcases,detectorstendtobebiasedtowardthemajorityclass,leadingto

areductioninthedetectionaccuracyoftheftsamples.Toaddressthisissue,thispaperproposesa

deeplearning-basedelectricitytheftdetectionmethodundersmallsampleconditions(CapsGAN),

whichintegratesCapsuleNetworks(CapsNet)andConvolutionalNeuralNetworks(CNNs).I