小波神經(jīng)網(wǎng)絡(luò)在反竊電系統(tǒng)中的應(yīng)用研究

摘 要： 基于我國(guó)電力系統(tǒng)自動(dòng)化水平較低，難以實(shí)現(xiàn)對(duì)竊電行為的精確跟蹤和反饋，將小波神經(jīng)網(wǎng)絡(luò)與反竊電評(píng)價(jià)指標(biāo)體系結(jié)合構(gòu)建了竊電系統(tǒng)神經(jīng)網(wǎng)絡(luò)模型。模型采用典型的輸入、隱含、輸出三層網(wǎng)絡(luò)結(jié)構(gòu)，確定各層節(jié)點(diǎn)數(shù)分別為8個(gè)、7個(gè)、1個(gè)，為滿足竊電信息追蹤的非線性映射關(guān)系，采用連續(xù)可微的Sigmoid函數(shù)作為隱層節(jié)點(diǎn)激活函數(shù)，采用線性型激活函數(shù)作為輸出層激活函數(shù)。通過選取某一用戶一定時(shí)間段的用電信息進(jìn)行仿真分析，結(jié)果表明：建立的竊電網(wǎng)絡(luò)模型獲得的竊電嫌疑系數(shù)與實(shí)際情況基本一致，輸入和輸出關(guān)系正確，能夠?qū)Ω`電情況進(jìn)行有效評(píng)價(jià)。

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò); 防竊電; 竊電嫌疑系數(shù)

中圖分類號(hào)： TP 311文獻(xiàn)標(biāo)志碼： A

Research on the Application of Wavelet Neural Network in Anti-stealing System

XU Changle

（College of Science and Technology， North China Electric Power University， Baoding， HeBei 233100， China）

Abstract： Based on the low automation level of power system in China， it is difficult to track and feedback the behavior of power theft accurately. In this paper， a neural network model of anti-stealing system is constructed by combining wavelet neural network with anti-stealing evaluation index system. The model adopts the typical input， implicit and output three-layer network structure， and determines that the numbers of nodes in these layers are 8， 7 and 1， respectively. In order to meet the nonlinear mapping relationship of power theft information tracking， the continuous differentiable Sigmoid function is used as the activation function of the hidden layer node， and the linear activation function is used as the activation function of the output layer. By selecting the power consumption information of a certain user for a certain period of time， simulation is carried out. The results show that the suspected coefficient of stealing electricity obtained by the network model established in this paper is basically consistent with the actual situation， and the relationship between input and output is correct， and it can be used to evaluate the situation of stealing electricity effectively.

Key words： neural network; electricity theft prevention; suspicion coefficient of electricity theft

0 引言

隨著時(shí)代科技的發(fā)展，人們對(duì)電力需求也在不斷提高，與此同時(shí)，由于用竊所帶來的經(jīng)濟(jì)損失和用電安全問題已經(jīng)成為一個(gè)不容忽視的話題[1-3]。為識(shí)別竊電用戶以便采取相應(yīng)的措施，竊電技術(shù)不斷升級(jí)，但依然存在較大的局限性[4-6]，如通過計(jì)算電力線路線損來表征竊電現(xiàn)象，盡管能夠發(fā)現(xiàn)問題，但具體的竊電量多少，竊電位置等均不能判定[7-9]。采用傳統(tǒng)的線路、用戶用電量比較，不僅耗時(shí)耗力，且精度不高[10]。考慮到反竊電的關(guān)鍵是獲取竊電突變信號(hào)，根據(jù)竊電行為必然發(fā)生異常現(xiàn)象，通過異常信號(hào)追蹤來實(shí)現(xiàn)反竊電技信息化、智能化，縮小搜索范圍，提升工作效率[11-13]。基于此，本文以臺(tái)區(qū)線損、功能因數(shù)、三相不平衡等作為反竊電模型指標(biāo)，建立模型評(píng)價(jià)體系，并將單項(xiàng)指標(biāo)作為訓(xùn)練樣本和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，選定激活函數(shù)對(duì)樣本對(duì)人工神經(jīng)網(wǎng)絡(luò)，獲得嫌疑系數(shù)數(shù)最大的用戶用電情況，尋找竊電用戶屬性特征和判定規(guī)則。

1 用戶用電評(píng)價(jià)指標(biāo)體系

根據(jù)竊電特點(diǎn)并考慮對(duì)竊電嫌疑系數(shù)的影響權(quán)重，建立用戶用電評(píng)價(jià)指標(biāo)體系。主要利用用電信息采集系統(tǒng)采集數(shù)據(jù)，并結(jié)合發(fā)電、配電、用電類型，以及線損、三相不平衡率、功率因數(shù)和用電類型來提取特征量，進(jìn)而為用電數(shù)據(jù)挖掘奠定基礎(chǔ)。本文在現(xiàn)有用電信息采集系統(tǒng)數(shù)據(jù)基礎(chǔ)上，從用電時(shí)間、臺(tái)區(qū)線損、用戶最大線損、功率因素、用電量、三相不平衡等7個(gè)方面對(duì)用戶用電狀態(tài)進(jìn)行評(píng)估，如圖1所示。

上述評(píng)價(jià)指標(biāo)，其中用戶最大線損是在配電線路上，當(dāng)用戶為發(fā)生竊電現(xiàn)象時(shí)，則存在最大線損>統(tǒng)計(jì)線損>理論線損，當(dāng)發(fā)生竊電現(xiàn)象時(shí)，則有統(tǒng)計(jì)線損>最大線損[14]。臺(tái)區(qū)線損，主要通過計(jì)算用戶線損率來判定該線損率下所屬用戶是否發(fā)生竊電現(xiàn)象。三相不平衡率，電壓的異常可用欠壓現(xiàn)象表示，利用三相不平衡率表征三相電壓的差異性。功率因數(shù)，對(duì)于用電正常用戶，其功率因數(shù)是一定的，與使用時(shí)間無關(guān)。當(dāng)發(fā)生異常竊電現(xiàn)象則有可能造成功率因數(shù)突變。用電量則表征用戶在某一時(shí)間段內(nèi)的用電量。

2 模型結(jié)構(gòu)算法應(yīng)用

2.1 結(jié)構(gòu)體系

采用三層小波神經(jīng)網(wǎng)絡(luò)作為評(píng)價(jià)模型，如圖2所示。

為模型的拓?fù)浣Y(jié)構(gòu)。其中輸

入量xp=（xp1，xp2，…，xpn）T，隱含層輸出量yp=（yp1，yp2，…ypm）T;bp為樣本輸出量。

界于輸入層和隱含層，隱含層與輸出層間權(quán)重系數(shù)分別為wjk（j=1，2，…，n;k=1，2，…，m）、w=（w1，w2，…wk，…wm）T;其中w輸出層第k個(gè)神經(jīng)元權(quán)向量。網(wǎng)絡(luò)隱含層、輸出層樣本p輸出公式為（1）、式（2）。

上式中：

θk為隱含層節(jié)點(diǎn)閾值，ypk為隱含層樣本輸出;θ為輸出層節(jié)點(diǎn)偏置值，b′p為輸出層輸出。采用Sigmoid函數(shù)[15]來描述各節(jié)點(diǎn)輸出與輸入間非線性關(guān)系為式（3）。

定義樣本實(shí)際輸出b′p和期望輸出bp誤差函數(shù)為式（4）。

采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的母的即在適當(dāng)?shù)挠?xùn)練函數(shù)下保證E取得最小值的過程。神經(jīng)網(wǎng)絡(luò)算法的具體流程如圖3所示。

2.2 模型建立

（1） 選定輸入向量。樣本各分量要反應(yīng)反竊電嫌疑系數(shù)定量指標(biāo)，而指標(biāo)過少，難以描述竊電現(xiàn)在，指標(biāo)過多則會(huì)增加系統(tǒng)負(fù)荷[16]。考慮到各指標(biāo)的關(guān)聯(lián)性和交互性，在反竊電評(píng)價(jià)指標(biāo)基礎(chǔ)上，選擇上述確定的7個(gè)評(píng)價(jià)指標(biāo)作為網(wǎng)絡(luò)輸入指標(biāo)。

指標(biāo)的歸一化處理。在將樣本輸入網(wǎng)絡(luò)前，采用公式（5）對(duì)數(shù)據(jù)進(jìn)行歸一化處理，限制樣本輸入值在[0，1]區(qū)間如式（5）。

式中：xi為輸入層數(shù)據(jù);xmin、xmax為數(shù)據(jù)最小值和最大值。

（2） 設(shè)計(jì)訓(xùn)練樣本。訓(xùn)練樣本數(shù)隨網(wǎng)絡(luò)非線性映射關(guān)系復(fù)雜度而不斷增加。在確定訓(xùn)練樣本時(shí)，通常根據(jù)網(wǎng)絡(luò)連接權(quán)總數(shù)的5-10倍的經(jīng)驗(yàn)規(guī)則確定。選定樣本要保證其均勻性和多樣性，避免網(wǎng)絡(luò)訓(xùn)練出現(xiàn)震蕩[17]。

（3） 設(shè)計(jì)隱含層數(shù)。本文中由于竊電信號(hào)并非鋸齒波，因此采用一層隱含層設(shè)計(jì)方式。當(dāng)確定隱含層結(jié)構(gòu)后，采用試湊法來確定隱含層中的隱節(jié)點(diǎn)數(shù)，采用公式（6）確定節(jié)點(diǎn)初始值，如式（6）。

式中：m、n和l分別為隱含層、輸入層和輸出層節(jié)點(diǎn)數(shù)，α為常數(shù)。根據(jù)相關(guān)研究，隱含層m=7時(shí)的網(wǎng)絡(luò)誤差較小，因此，初步選定隱節(jié)點(diǎn)7，輸入層節(jié)點(diǎn)8，輸出節(jié)點(diǎn)1。

（4） 選取激活函數(shù)。Sigmoid型函數(shù)表現(xiàn)為一個(gè)中間波動(dòng)，兩端平坦的變化形式，因而更接近神經(jīng)信號(hào)輸出形式，且函數(shù)具備了非線性特性和可微分性，提高了網(wǎng)絡(luò)的映射能力，因此，在隱層節(jié)點(diǎn)通常采用連續(xù)可微的Sigmoid作為激活函數(shù)，輸出層采用線性型激活函數(shù)來避免輸出受限[18]。

3 實(shí)例仿真

以南方某中心城市2017年06月到2018年05月時(shí)間段某用戶用電數(shù)據(jù)為例，分析模型的實(shí)際應(yīng)用價(jià)值。從相關(guān)歷史資料中查詢可得，該用戶在2018年02月開始竊電，竊電現(xiàn)象持續(xù)到2018年04月被處理后恢復(fù)正常。

首先對(duì)網(wǎng)絡(luò)樣本輸入數(shù)據(jù)進(jìn)行歸一化處理，并將處理后的數(shù)據(jù)作為輸入數(shù)據(jù)，其中選擇竊電嫌疑系數(shù)作為輸出數(shù)據(jù)。如表1所示。

基于Matlab建立神經(jīng)網(wǎng)絡(luò)三層體系結(jié)構(gòu)，根據(jù)上節(jié)分析確定輸入層、隱含層、輸出層神經(jīng)元節(jié)點(diǎn)數(shù)分別為8、7、1個(gè)。選定Sigmoid和Purelin函數(shù)作為隱含層和輸出層節(jié)點(diǎn)激活函數(shù)。

將用戶用電數(shù)據(jù)輸入網(wǎng)絡(luò)，進(jìn)行學(xué)習(xí)訓(xùn)練，采用迭代計(jì)算至滿足學(xué)習(xí)精度到10-6為止，得到輸入結(jié)果如表2所示。

可以看出，經(jīng)過學(xué)習(xí)訓(xùn)練的輸出值和用戶竊電實(shí)際值最大誤差為4.42%，訓(xùn)練輸出平均誤差0.67%。竊電嫌疑系數(shù)保持在0.003 6—0.044 5間，可認(rèn)為計(jì)算獲得的竊電嫌疑系數(shù)與實(shí)際情況基本一致，表明輸入和輸出關(guān)系正確，采用該類神經(jīng)網(wǎng)絡(luò)和響應(yīng)的輸入樣本能夠?qū)Ω`電情況進(jìn)行有效評(píng)價(jià)。

選擇發(fā)生竊電現(xiàn)象的數(shù)據(jù)作為測(cè)試樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)測(cè)試，如表3所示。

可以看出，2018年2月—4月竊電嫌疑系數(shù)均在0.96以上，相當(dāng)接近1，表明竊電可能性較大，應(yīng)該作為重點(diǎn)排查對(duì)象。同時(shí)可以看出3個(gè)月的線損出現(xiàn)明顯波動(dòng)突變，且表現(xiàn)為電流極性反現(xiàn)象，因此在實(shí)際反竊電中，對(duì)單個(gè)指標(biāo)的分析也可作為重點(diǎn)，將單個(gè)指標(biāo)和竊電嫌疑系數(shù)結(jié)合起來進(jìn)行分析。如表3所示。

4 總結(jié)

（1） 基于竊電特征，將神經(jīng)網(wǎng)絡(luò)與反竊電評(píng)價(jià)指標(biāo)體系結(jié)合構(gòu)建了竊電系統(tǒng)的三層神經(jīng)網(wǎng)絡(luò)模型。選定隱節(jié)點(diǎn)7，輸入層節(jié)點(diǎn)8，輸出節(jié)點(diǎn)1，采用連續(xù)可微的Sigmoid函數(shù)作為隱層節(jié)點(diǎn)激活函數(shù)，為避免輸出受限，采用線性型激活函數(shù)作為輸出層激活函數(shù)。

（2） 通過實(shí)例驗(yàn)證指出該竊電網(wǎng)絡(luò)模型獲得的竊電嫌疑系數(shù)與實(shí)際情況基本一致，輸入和輸出關(guān)系正確，能夠?qū)Ω`電情況進(jìn)行有效評(píng)價(jià)。

參考文獻(xiàn)

[1] 曾利瓊. 電力系統(tǒng)配電網(wǎng)反竊電技術(shù)的研究與應(yīng)用[J]. 通訊世界，2014（24）：110-112.

[2] 張芬. 電力營(yíng)銷反竊電技術(shù)和應(yīng)用研究[J]. 電子制作，2015（1）：254-255.

[3] 霍堯. 智能反竊電技術(shù)研究與應(yīng)用[J]. 電力需求側(cè)管理，2015，17（2）：52-55.

[4] 林志堅(jiān)，姚偉智，黃朝凱，等. 基于用電行為分析的反竊電在線監(jiān)測(cè)及智能診斷系統(tǒng)研究[J]. 新技術(shù)新工藝，2015（5）：137-140.

[5] 程超，張漢敬，景志敏，等. 基于離群點(diǎn)算法和用電信息采集系統(tǒng)的反竊電研究[J]. 電力系統(tǒng)保護(hù)與控制，2015，43（17）：69-74.

[6] 曹崢，楊鏡非，劉曉娜. BP神經(jīng)網(wǎng)絡(luò)在反竊電系統(tǒng)中的研究與應(yīng)用[J]. 水電能源科學(xué)，2011，29（9）：199-202.

[7] 丁曉. 用電檢查與反竊電智能信息平臺(tái)的設(shè)計(jì)與應(yīng)用[J]. 電力需求側(cè)管理，2012，14（3）：49-52.

[8] 黃文科. 電力遠(yuǎn)程智能管理信息系統(tǒng)應(yīng)用于用電監(jiān)測(cè)與反竊電系統(tǒng)的方案[J]. 供用電，2005（2）：60-62.

[9] 鄒欣榮，鄒新軍. 基于用電信息采集系統(tǒng)的反竊電應(yīng)用研究[J]. 中國(guó)高新技術(shù)企業(yè)，2016（10）：51-52.

[10] 王全興，李思韜. 基于采集系統(tǒng)的反竊電技術(shù)分析及防范措施[J]. 電測(cè)與儀表，2016，53（7）：78-83.

[11] 陳文瑛，陳雁，邱林，等. 應(yīng)用大數(shù)據(jù)技術(shù)的反竊電分析[J]. 電子測(cè)量與儀器學(xué)報(bào)，2016，30（10）：1558-1567.

[12] 王新霞，王珂，焦東翔，等. 基于正態(tài)分布離群點(diǎn)算法的反竊電研究[J]. 電氣應(yīng)用，2017，36（7）：60-65.

[13] 肖凱. 分析用電監(jiān)察中竊電與反竊電技術(shù)[J]. 電子技術(shù)與軟件工程，2017（20）：251.

[14] 王玨昕，孟宇，殷樹剛，等. 用電信息采集系統(tǒng)反竊電功能現(xiàn)狀及發(fā)展趨勢(shì)[J]. 電網(wǎng)技術(shù)，2008，32（S2）：177-178.

[15] 劉盛，朱翠艷. 應(yīng)用數(shù)據(jù)挖掘技術(shù)構(gòu)建反竊電管理系統(tǒng)的研究[J]. 中國(guó)電力，2017，50（10）：181-184.

[16] 劉衛(wèi)新，尹文慶，潘霞，等. 聚類k-means算法在新疆反竊電工作中的應(yīng)用[J]. 南昌大學(xué)學(xué)報(bào)（理科版），2017，41（5）：450-454.

[17] 侯磊，趙鳴. 高壓直接量測(cè)防竊電系統(tǒng)的技術(shù)與管理研究[J]. 供用電，2017，34（9）：76-80.

[18] 張文宇. 應(yīng)用大數(shù)據(jù)技術(shù)的反竊電分析[J]. 工程建設(shè)與設(shè)計(jì)，2018（18）：67-68.

（收稿日期： 2019.08.19）

作者簡(jiǎn)介：

許長(zhǎng)樂（1989-），男，本科，工程師，研究方向：電力營(yíng)銷、線損、計(jì)量、新能源的管理。