基于LabVIEW實現BP神經網絡的反竊電系統設計

薛宇飛 王心澤 俞鑫 吳柯 強浩

摘要：針對傳統的反竊電手段識別竊電情況困難的現狀，通過分析反竊電評價體系，建立基于BP神經網絡的反竊電模型，研究基于LabVIEW軟件完成反竊電系統的軟件設計。通過比對數據信息對系統進行了功能測試，驗證軟件可用于電力竊電嫌疑分析，有利于提高反竊電工作效率。

關鍵詞：LabVIEW;BP神經網絡;Matlab;反竊電

0 ? ?引言

隨著經濟的發展，對電的需求量不斷增大，竊電問題也變得越來越突出。目前的竊電行為呈現專業化、隱蔽性的特點，竊電技術向智能化轉變。傳統的反竊電手段已不能準確、及時地發現竊電行為，無法滿足精益化管理要求。本文設計的基于BP神經網絡的反竊電系統可以對用電用戶進行多方面的分析，以縮小搜索范圍，提高反竊電工作效率[1-3]。

LabVIEW是美國NI公司推出的一種圖形化的編程語言，它的圖形化編程具有直觀、簡便、快速、易于開發和維護等優點。它無需任何文本程序代碼，而是把復雜、繁瑣的語言編程簡化成圖形，用線條把各種圖形連接起來[4]。

本文設計的反竊電系統克服了現有反竊電技術的不足，為電力管理人員提供友好的人機交互界面，具有良好的顯示性。系統依靠LabVIEW軟件的優勢，基于BP神經網絡算法，結合電力行業的反竊電經驗以及電能盜竊的特點，根據電網歷史數據建立，可以在電力線路沒有出現硬件損壞的情況下，根據電網數據平臺采集的用戶用電數據初步判斷用戶的用電狀態，預測用戶竊電行為。

1 ? ?基于BP神經網絡的反竊電模型

BP（Back Propagation）神經網絡，被認為是按誤差逆傳播算法訓練的多層前饋網絡。BP神經網絡是一種非常普遍的神經網絡算法，它擁有較強的自我學習、自我適應以及自我組織的能力，也擁有計算與分布式存儲的能力[5-6]。BP算法流程圖如圖1所示，輸入樣本從輸入層向輸出層傳遞的過程中需要經過各種隱層的處理，這是信號正向傳播的特點，而誤差的反向傳播階段是指實際輸出和輸出層的期望輸出不一致。信號的正向傳播與信號反向傳播兩個過程構成了BP算法的學習。當期望輸出和實際輸出的誤差進入隱層輸入層后，經過層層反轉，再進入各層的每一個單元，從而能夠得到每一層單元的誤差信號，然后憑借這個誤差信號去修正每個單元的權值。

針對反竊電評價建立BP神經網絡模型，必須在已確定的用電用戶狀態評價指標體系中，使用用電信息采集系統獲得的樣本數據來學習訓練，在此學習訓練的基礎上，交叉驗證已知的竊電樣本，能夠進一步優化評價指標模型，獲取用電用戶的竊電概率，最后據此劃分不同的用戶信用等級;將輸入數據進行歸一化處理，歸一化區間選取[0，2]，數值0表示無竊電嫌疑，數值1表示一般竊電嫌疑，數值2表示重大竊電嫌疑;對模型進行訓練，在訓練過程中可以調節影響訓練效果的輸入、隱含層函數、輸出層函數、訓練算法、歸一化區間、隱含層個數、學習速率、最小目標誤差和最大訓練次數;訓練達到預期目標后結束，得到最終預測模型，用來預測是否竊電。

基于BP神經網絡的反竊電模型如圖2所示。

2 ? ?基于LabVIEW實現反竊電系統設計

2.1 ? ?反竊電系統的搭建

基于LabVIEW 2010進行反竊電系統的設計，研究數據存儲方案，開發規范、統一的數據接口[7]。

反竊電系統的功能模塊如圖3所示。

（1）數據輸入：主要包含用戶用電評價指標相關參數，數據來源于用電用戶和電網公司。

（2）數據存儲：采用Excel數據庫管理系統存儲輸入與輸出數據，將讀取的Excel目標文件的輸入數據顯示在軟件平臺的界面上，以便用戶查詢及BP神經網絡再次訓練。

（3）數據處理及分析：用BP神經網絡模型對用戶輸入數據進行評估和分析;將歸一化計算后的數據再經過BP神經網絡算法進行處理，即通過輸入層、隱含層和輸出層三層之間層層映射，由層與層之間的權值矩陣進行調整，輸出各層的結果;進行用戶信用等級劃分，分為0、1、2，初步確定疑似竊電用戶;最后將輸出的數據單獨顯示在軟件界面上。

（4）用戶校驗：結合用戶特征參數和橫向數據對比進行校驗，對已經鎖定的疑似竊電用戶進行校驗，進一步鎖定竊電用戶，確保反竊電智能研究平臺輸出結果的準確性。

（5）下發核查單：針對鎖定的竊電用戶下發核查名單，以便供電局核查。

2.2 ? ?基于LabVIEW搭建反竊電系統

作為一個開放式開發平臺，LabVIEW提供了與多種編程語言和應用程序的接口，通過LabVIEW強大的外部接口，可以實現LabVIEW與Matlab的混合編程，從而互相取長補短，充分發揮兩者的優勢，也為快速開發功能強大的智能化虛擬儀器提供了新的方法[7-8]。本文即用到Matlab Script節點實現Matlab的調用，通過這種方式，用戶可以在LabVIEW中使用Matlab強大的數值運算功能[9-10]。

利用Matlab 2010和LabVIEW 2010軟件的靈活組合，建立反竊電系統。系統主要流程如圖4所示，其主要界面如圖5所示。

（1）用戶數據輸入：LabVIEW接收用戶輸入數據并存儲到數據庫中，同時將數據顯示在軟件運行界面上，并給Matlab發送信號。

（2）戶數據處理：Matlab收到信號，從數據庫中讀取用戶用電信息數據，運用BP神經網絡對用戶竊電結果進行判別，運算完成后將結果存儲到Excel數據庫中，同時告知LabVIEW運算完成。

（3）運算結果顯示：LabVIEW接收到Matlab返還的運算結果，并將結果顯示在軟件運行界面上并存儲在數據庫中，以便用戶查詢和BP神經網絡再次訓練。0表示沒有竊電，1表示可能竊電，2表示竊電嚴重。

3 ? ?仿真結果及分析

本文是基于BP神經網絡的反竊電模型，該模型的輸入參數為以下九個：單耗、功率因數、三相電流不平衡率、三相電壓不平衡率、所在臺區線損、用表類型、月份、用戶能效等級以及月用電量。本文搜集了20組某省國家電網的用電信息數據，如表1所示，利用前15個數據進行訓練學習，后5個數據用作測試參考。

分析這些數據的特征，分為三個等級，分別為0、1、2。其中，0表示該用電用戶基本沒有竊電可能，竊電嫌疑系數幾乎為0;1表示該用戶用電信息非正常，存在竊電嫌疑，被列入觀察范圍之內;2表示該用戶的用電數據存在極大的問題，具有很大的竊電嫌疑，是重點觀察對象。

4 ? ?結語

該反竊電系統的應用，有利于形成一套標準的高壓反竊電工作法，規范高壓反竊電異動核查反饋流程，提升竊電查處工作效率，實現追補電費、打擊竊電犯罪行為的終極目標，為追補電網損失電量提供了堅實依據。通過關聯分析線路電流突變量、用戶負荷突變時間段以及線損突變時間段的數據，可以得到精確的未計量電流、竊電時間。基于LabVIEW實現BP神經網絡的反竊電系統，能夠快速、準確地識別疑似竊電用戶，大大提高反竊電工作的效率，并為竊電工作提供有力的證據，有著積極的意義。

[參考文獻]

[1] 畢麗梅.竊電的種類及反竊電方法的探討[J].低碳世界，2016（20）：35-36.

[2] 劉水，劉強，周奇，等.基于用戶信息采集的智能反竊電監控技術[J].江西電力，2017，41（8）：17-19.

[3] 吳微.神經網絡計算[M].北京：高等教育出版社，2003.

[4] 楊樂平，李海濤，趙勇，等.LabVIEW高級程序設計[M].北京：清華大學出版社，2003.

[5] 楊建剛.人工神經網絡實用教程[M].杭州：浙江大學出版社，2001.

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

[7] 劉君華.基于LabVIEW的虛擬儀器設計[M].北京：電子工業出版社，2003.

[8] 戴敬.LabVIEW基礎教程[M].北京：國防工業出版社，2002.

[9] 蔡清華，楊世錫，羅錫梁.BP神經網絡在LabVIEW中的實現及應用[J].現代機械，2006（2）：6-7.

[10] 陳金平.LabVIEW與Matlab接口的方法[J].自動化儀表，2004，25（3）：53-54.

收稿日期：2020-07-27

作者簡介：薛宇飛（1999—），男，江蘇常州人，研究方向：電氣工程及其自動化。

通信作者：強浩（1976—），男，江蘇無錫人，博士，副教授，研究方向：無線電能傳輸、電動汽車與電網互動技術。