基于改進粒子群算法的前饋神經網絡識別用戶竊電行為

李秋紅

基于改進粒子群算法的前饋神經網絡識別用戶竊電行為

李秋紅

（山東農業工程學院，濟南 250100）

為減小用戶竊電行為對電網運營造成的負面影響、提高竊電巡檢能力和識別竊電用戶的準確率，提出基于改進粒子群算法（BFO-PSO）的前饋神經網絡模型用于識別用戶竊電行為。以某市近四年的用電數據為基礎，通過特征提取，得到四個對竊電行為影響較大的特征作為輸入樣本，構建基于BFO-PSO算法的前饋神經網絡識別模型，利用BFO-PSO計算BP神經網絡模型的最優權重值。對比BP神經網絡模型、基于遺傳算法的BP神經網絡模型及基于BFO-PSO的BP神經網絡模型識別結果發現，基于BFO-PSO的BP神經網絡模型能夠更好地識別出竊電用戶，識別準確率高達94%，訓練速度提升了5%，有望廣泛應用于竊電用戶識別中。

竊電；改進粒子群算法；前饋神經網絡；用戶識別

0 引言

隨著經濟飛速發展，人們的用電需求越來越高，出現一些不法分子實施竊電行為。全國每年因竊電造成的損失逾百億元，給電力系統的安全與穩定帶來極大隱患[1-2]。由于竊電手段繁多，且多發生在偏遠地區，人為排查耗時耗力，難以獲取確鑿證據。因此，當出現竊電行為時，能在復雜環境中進行準確定位獲得有力證據，對維護電力系統的穩定有重要意義。

借助電力計量設備獲取各相電流、電壓、功率因數等數據和一些異常警報信息，通過分析處理這些數據，提取竊電用戶的關鍵特征，構建竊電用戶識別模型，可判斷用戶是否有竊電行為[3]。文獻[4]通過用戶負荷曲線與特征曲線之間的相似度，篩選具有竊電嫌疑的用戶；文獻[5]基于傳遞熵密度聚類的方法，構建與線損電量的傳遞熵模型，再結合密度聚類算法，達到識別用戶竊電行為的目的。

竊電用戶識別模型的建立方法有多種，BP（back propagation）神經網絡模型因具有較好的非線性映射能力及容錯性，在建模及圖像識別領域得到了廣泛關注。但該模型所需訓練數據多，易陷入局部最優解，最終導致預測結果與實際值偏差較大[6]。為了提高BP神經網絡模型的收斂速度，引入粒子群優化算法（particle swarm optimization, PSO），但傳統粒子群算法與神經網絡模型結合時易出現局部最優解、計算精度不高等問題。細菌覓食優化算法（bacterial foraging optimization, BFO）除了具有與PSO相同的優點外，還具有較強的局部搜索能力。因此，將BFO與PSO相結合[7]，建立基于改進粒子群算法（BFO-PSO）的前饋神經網絡模型，通過數據處理確定模型訓練樣本，并合理設定模型初始化參數，可有效解決粒子群算法與神經網絡模型相結合時的局部收斂和收斂速度慢等問題。將該模型用于竊電用戶行為識別，可實現快速準確識別。

1 理論模型與算法

1.1 BP神經網絡模型

BP神經網絡模型是一種按誤差反向傳播訓練的前饋神經網絡模型，其以梯度下降法為思想，通過梯度搜索使模型的實際輸出值與期望輸出值的誤差方均差為最小。目前使用最多且最簡單的神經網絡模型由三層結構組成，即輸入層、輸出層和隱含層[8-9]。神經網絡模型拓撲結構如圖1所示，訓練過程如圖2所示。

圖1 神經網絡模型的拓撲結構

圖2 訓練過程

1.2 改進粒子群算法

假設搜索空間維度為，個不同的粒子構成種群，粒子在每次搜索過程中，按照式（1）和式（2）來自動更新速度和位置。

為解決PSO易陷入局部最優和收斂速度慢等問題，將標準PSO作為變異算子引入BFO中，去掉式（1）中第二部分，得到改進后的粒子速度和位置更新公式為

按式（3）和式（4）更新粒子菌群位置，計算出新的適應值。

2 基于改進粒子群算法的前饋神經網絡識別模型

由于用電負荷不能直接表征用戶的竊電行為，終端報警信息也存在不準確性。因此，在識別模型建立之前需要對采集到的原始數據進行處理。

2.1 數據清洗

對用戶用電量進行周期性分析后不難發現，正常用戶的用電量趨勢沒有太大波動，基本趨于平穩；而竊電用戶的用電量趨勢下降明顯。因此，可根據用戶電量趨勢變化來判斷正常用戶和竊電用戶。由于竊電用戶在全國用電用戶中居于少數，并且像醫院、學校、銀行等非居民類別的用戶不可能存在竊電行為，為獲取更為有效的竊電行為數據，在采集到的原始數據中需將不可能出現竊電行為的用戶用電量數據濾除。由于正常情況下節假日的用電量比工作日低，因此節假日的用電數據也需要濾除。

2.2 缺失值處理

在提取用戶用電量數據時，會存在部分數據缺失。為更好地建立模型，通過拉格朗日插值法插補缺失的數據[12]，用戶電量補全部分數據見表1。

表1 用戶電量補全部分數據

2.3 特征數據提取

通過計量儀表采集的數據，雖能表征竊電行為的某些規律，但作為模型的訓練樣本，其特征不清晰，需進行特征提取。利用逐步回歸法進行特征篩選，篩選出與竊電關聯度較高的指標因子，將這些因子構成數據集作為輸入樣本來反映竊電行為。竊電評價指標體系如圖3所示。

圖3 竊電評價指標體系

2.4 建立識別模型

本文給出一種改進粒子群算法（BFO-PSO），基于該算法建立竊電用戶識別模型。在樣本準備完成后，需要劃分測試樣本和訓練樣本，隨機選取20%的數據作為測試樣本，剩下的作為訓練樣本。模型輸入包括用電量下降趨勢、線損增長率、終端告警數和欠費次數。識別模型算法流程如圖4所示。

圖4 識別模型算法流程

1）初始化不變參數。

2）用隨機函數隨機確定每個粒子的速度和位置。

3）確定解空間，進行遷徙操作。

4）執行復制操作。

5）按式（5）執行趨向操作。

7）菌群尋找最優位置，并按式（3）和式（4）更新菌群位置，按式（6）計算菌群的適應值，與last比較，更新last。

8）判斷迭代次數是否滿足條件，滿足則將最優解輸入BP神經網絡模型進行訓練，不滿足則返回第3）步進行下一代集群處理。

由于竊電識別結果有竊電和正常兩種情況，屬于二分類問題，因此采用ROC（receiver operating characteristic）曲線和AUC（area under curve）作為竊電識別模型的評價指標。ROC曲線的橫軸為假正率（false positive rate, FPR），表示識別模型識別的正常樣本中含有竊電樣本數據的比例；縱軸為真正率（true positive rate, TPR），表示識別模型識別的正常樣本中實際正常樣本占所有正常樣本數據的比 例[13]。因此，TPR值越大，表示識別為正常數據中真正為正常數據的樣本越多；而FPR值越小，表示識別為正常樣本的數據中真正為竊電數據的樣本越少。所以，ROC曲線越趨于左上角，表示模型對用戶竊電行為識別的準確率就越高。

將ROC曲線與橫軸包圍的面積值定義為AUC，利用AUC的值能有效衡量模型的分類性能。對于竊電識別這一二分類問題，由于識別模型的預測能力必須要高于隨機猜測，通常AUC＞0.5，當AUC＞0.9時，表示識別模型具有非常高的預測能力。

3 算例仿真與分析

為了驗證基于改進粒子群算法的前饋神經網絡識別模型的識別能力，選取某市近四年用電數據中2 242個數據為算例樣本，與BP神經網絡模型和基于遺傳算法的BP神經網絡模型進行仿真對比。仿真時，BP神經網絡模型的隱含層設定9個節點，通過tansig和purelin函數分別激活隱含層和輸出層，設定迭代200次，最小誤差設為0.000 1，學習率為0.01；遺傳算法進化設為30代，種群規模為20，交叉選擇概率設為0.25，變異選擇概率設為0.15；粒子群算法進化設為30代，種群規模為20，學習因子1=2=1.5。

通過仿真建立BP神經網絡模型、基于遺傳算法的BP神經網絡模型和基于改進粒子群算法的BP神經網絡模型，得到訓練時間見表2。

從表2可以看出，基于改進粒子群算法的BP神經網絡模型訓練時間最短；與BP神經網絡模型相比，基于改進粒子群算法的BP神經網絡模型的訓練速度提升了5%。仿真得到三種模型的ROC曲線分別如圖5～圖7所示，識別結果對比見表3。

圖5 BP神經網絡模型ROC曲線

圖6 基于遺傳算法的BP神經網絡模型ROC曲線

圖7 基于改進粒子群算法的BP神經網絡模型ROC曲線

表3 識別結果對比

表3中，TP為正常用戶識別正確的數量，FP為正常用戶識別錯誤的數量，FN為竊電用戶識別錯誤的數量，TN為竊電用戶識別正確的數量。將表3中的識別結果代入式（7）～式（9）計算出識別率對比見表4。

表4 識別率對比

通過對比分析三種模型的ROC曲線可得，基于改進粒子群算法的BP神經網絡模型的ROC曲線更趨向于左上角，AUC值最大，分類識別性能優于其他兩種模型。三種模型均能識別出竊電用戶，但識別率不同。BP神經網絡模型的識別準確率為83%，誤判率為10.28%，漏判率為23.45%；基于遺傳算法的BP神經網絡模型的識別準確率僅為71%，低于另外兩種模型，誤判率為27.21%，漏判率為30.71%；基于改進粒子群算法的BP神經網絡模型的識別準確率為94%，誤判率為6.19%，漏判率為5.77%。仿真結果表明，基于改進粒子群算法的BP神經網絡模型識別準確率最高，漏判、誤判率最低，訓練時間最短，能更好地識別出竊電用戶。

4 結論

針對識別用戶竊電行為的問題，本文提出了一種基于改進粒子群算法的BP神經網絡模型。以某市近四年用電數據中2 242個樣本數據為例，仿真分析所提出模型的可行性及有效性。通過與BP神經網絡模型和基于遺傳算法的BP神經網絡模型進行對比，得出本文所提基于改進粒子群算法的BP神經網絡模型的識別準確率最高、誤判率和漏判率最低、訓練時間最短的結論。該模型可用于識別竊電用戶，為保障電力系統安全運行提供理論支撐。

[1] 張宇帆, 艾芊, 李昭昱, 等. 基于特征提取的面向邊緣數據中心的竊電監測[J]. 電力系統自動化, 2020, 44(9): 128-134.

[2] 雷怡琴, 孫兆龍, 葉志浩, 等. 電力系統負荷非侵入式監測方法研究[J]. 電工技術學報, 2021, 36(11): 2288-2297.

[3] 唐冬來, 劉友波, 熊智臨, 等. 基于時空關聯矩陣的配電臺區反竊電預警方法[J]. 電力系統自動化, 2020, 44(19): 168-176.

[4] 宋少杰, 張長勝, 李英娜, 等. 基于曲線相似度和集成學習的竊電識別[J]. 數據通信, 2022(3): 39-44.

[5] 劉康, 李彬, 薛陽, 等. 基于傳遞熵密度聚類的用戶竊電識別方法[J/OL]. 中國電機工程學報, 2022, https://kns.cnki.net/kcms/detail/11.2107.TM.20211203. 0323.003.html.

[6] 金晟, 蘇盛, 曹一家, 等. 基于格蘭杰歸因分析的高損臺區竊電檢測[J]. 電力系統自動化, 2020, 44(23): 78-86.

[7] 楊萍, 孫延明, 劉小龍, 等. 基于細菌覓食趨化算子的PSO算法[J]. 計算機應用研究, 2011, 28(10): 3640-3642.

[8] 徐揚, 張紫濤. 基于遺傳模擬退火算法改進BP神經網絡的中長期電力負荷預測[J]. 電氣技術, 2021, 22(9): 70-76.

[9] 聞楓, 荊凡勝, 李強, 等. 基于改進BP神經網絡的無線電能傳輸系統接收線圈參數優化[J]. 電工技術學報, 2021, 36(增刊2): 412-422.

[10] 楊尚君, 王社偉, 陶軍, 等. 基于混合細菌覓食算法的多目標優化方法[J]. 計算機仿真, 2012, 29(6): 218-222.

[11] 李濤, 方文田. 基于粒子群優化算法的金屬氧化物避雷器阻性電流計算方法研究[J]. 電氣技術, 2021, 22(11): 104-108.

[12] 趙莉, 孫娜, 李麗萍, 等. 拉格朗日插值法在數據清洗中的應用[J]. 遼寧工業大學學報(自然科學版), 2022, 42(2): 102-105, 117.

[13] 巢政, 溫蜜. 一種基于SMOTE和XGBoost的竊電檢測方案[J]. 智慧電力, 2020, 48(11): 97-102.

Feedforward neural network based on improved particle swarm optimization algorithm for identification of user electricity stealing behavior

LI Qiuhong

(Shandong Agriculture and Engineering University, Ji’nan 250100)

In order to reduce the negative impact of electricity theft on power grid operation, improve the ability of electricity theft inspection and the accuracy of identifying electricity theft users, a feedforward neural network model based on improved particle swarm optimization algorithm (BFO-PSO) is proposed. Based on the electricity consumption data of a city in recent four years, through feature extraction, four features that have a greater impact on electricity stealing behavior are obtained as input samples. A feedforward neural network recognition model based on BFO-PSO algorithm is constructed, and the optimal weight value of BP neural network model are calculated by using algorithm BFO-PSO. By comparing the recognition results of BP neural network model, the genetic algorithm based BP neural network model and the BFO-PSO based BP neural network model, it is found that the BP network model based on BFO-PSO can better identify the power stealing users. The recognition accuracy is as high as 94%, and the training speed is increased by 5%. It is expected to be widely used in the power stealing user recognition.

stealing electricity; improved particle swarm optimization; feedforward neural network; user identification

2022-07-04

2022-07-26

李秋紅（1990—），女，山東省臨清市人，碩士，助教，主要從事智能電器、電氣設備智能化方面的研究工作。