基于LabVIEW實現BP神經網絡的反竊電系統研究

王磊， 崔寶華， 檀政， 周辛南， 杜躍

(1. 保定電力職業技術學院(國網冀北電力有限公司技能培訓中心), 河北， 保定 071051；2. 國網冀北電力有限公司， 北京 100032； 3. 國網冀北電力有限公司唐山供電公司， 河北， 唐山 063000)

0 引言

現如今電能已然成為各行各業應用最為廣泛的能源之首。伴隨對電能需求的增長，最嚴重的竊電行為已經擾亂了用電的安全性和企業長期有效的持續性發展。不法分子常常采取違規違紀的方法達到竊電的目的從中牟利。目前，我國電力企業仍然缺乏精準、有效的針對竊電行為的防范方法。竊電技術智能化的提升促使我們不得不對竊電行為做出有力的一擊。我們無法斷定竊電的地理位置、竊電的電量等，因此我們需在反竊電方法中擴展新的途徑。王慶寧等[1]、李丹丹等[2]分別設計2個反竊電系統，可拓展反竊電方法的有效途徑，但存在評估竊電行為準確率較低的問題，無法為電力企業查處竊電行為提供科學依據，反竊電效果較差。LabVIEW是美國National Instruments開發的一種圖形化編程[3]，它可節約系統設計時間與研發成本。針對傳統反竊電技術的弱點，設計基于LabVIEW實現BP神經網絡的反竊電系統，提升反竊電效果。

1 基于LabVIEW實現BP神經網絡的反竊電系統

依據LabVIEW開放式開發平臺，建立BP神經網絡的反竊電系統，其功能結構如圖1所示。數據輸入模塊是依據國家電網等數據庫的電量使用者的用電評估數據，并參考竊電行為發生的特殊性和供電企業對竊電懷疑參數所反饋的指標，構建反竊電評價指標體系。數據存儲模塊是通過excel表格技術存儲評價指標數據，并顯示在終端平臺上，便于電量使用者的查詢以及遺傳優化BP神經網絡模型的二次訓練。數據處理及分析模塊是利用遺傳優化BP神經網絡模型鎖定疑似竊電用戶，該模型的輸入是數據存儲模塊中的評價指標數據，并將得到的結果傳遞至用戶校驗模塊。用戶校驗模塊負責匯總使用者電量的以往數據，依據以往數據校驗鎖定的疑似竊電用戶，進一步明確該用戶是否存在竊電行為，保證反竊電系統的精準性[4]，將判斷結果傳遞至發送核查單模塊。發送核查單模塊負責發放竊電行為的審查記錄，以供有關部門的合法審查。

圖1 反竊電系統功能結構圖

1.1 反竊電評價指標體系

參考竊電行為發生的特殊性和供電企業對竊電懷疑參數所反饋的指標構建反竊電評價指標體系，如圖2所示。

圖2 評價指標體系

x1是用戶的日用電能，每年7月至10月、12月至次年的3月用電量最大，炎熱的夏天和寒冷的冬天需支配的各種大功率設備都需要不停地運轉耗電，憑借每年的用電量經驗及國家電網出具的電量單據，使用者都會對自身情況做出有效預估[5]。x2是當每個月或者每個季度的耗電量數據出來時，最大線損是發生竊電行為的重要標桿。x3是根據電力行業判斷，機械表的使用者發生竊電行為的概率遠遠大于電子表，因為機械表的構造及原理更有利于犯罪分子的操作，而電子表的構造和用途原理更為精密難以操控。x4代表使用者所在臺區的線損率，衡量此線損率時臺區范圍中存在竊電行為的可能性[6]。x5代表電壓的不正常情況，即欠壓情況的表達公式如下：

(1)

其中，三相電壓值是u。

x6代表出現異常時使用者存在竊電的可能性遠高于正常情況下的x6。正常使用者負載的x7無波動性，通常情況下無較大幅度變化情況。x8和使用者的月用電量相對應，在(x8×360)/月用電量<2時，代表使用者不存在竊電行為，反之，該使用者存在竊電行為[7]。

1.2 遺傳優化BP神經網絡模型

遺傳優化BP神經網絡模型存在優越的網絡近似性能，該模型的流程如圖3所示。

圖3 模型流程圖

具體步驟如下。

Step 1 獲取BP神經網絡層數與輸入向量數量等參數，設置網絡拓撲結構。

Step 2 預處理訓練樣本，得到遺傳算法的N，初始化種群參數，設計交叉與變異概率，這兩個值是不變的。

Step 3 輸出誤差E的公式如下：

(2)

其中，訓練樣本k的實際輸出是dk，期望輸出是ok。

構建適應度函數f，公式如下：

f=1/(E+1)

(3)

選擇符合f條件的個體當成父本。

Step 4 利用遺傳算法的遺傳操作處理父本，得到新的種群，以最大迭代次數或最小網絡誤差值為終止條件。

Step 5 選擇與f最大輸出值或最小誤差值相應的權值和閾值，展開網絡訓練[8]。

1.3 構建數學模型

由遺傳算法改進BP神經網絡的權值與閾值，數學模型的構建步驟如下。

Step 1 將反竊電評價指標體系作為數學模型的輸入向量。

Step 2 選取輸出向量，將使用者的竊電嫌疑因子與疑似竊電方式當成輸出向量。竊電嫌疑因子等級包含不存在竊電行為，記作0；存在竊電嫌疑，記作1；存在重大竊電嫌疑，記作2。疑似竊電方式包含不存在竊電方式，記作5；欠壓法竊電，記作6；欠流法竊電，記作7。

Step 3 預處理數據，歸一化處理即將輸入的評價指標數據，保證全部數據均存在同等的重要性，避免出現因輸入值太大導致神經元的輸出過滿情況[9]。歸一化后的數據區間是[0，1]，公式如下：

(4)

Step 4 確定隱含層節點數m，選擇合理的m會提升網絡性能，降低誤差率，避免出現局部最優現象，公式如下：

(5)

其中，輸入與輸出層的節點數分別為n與l，常數為α，1≤α≤10，數學模型有8個輸入，2個輸出。

Step 5 確定激活函數，將S型激活函數當成隱含層的激活函數，其特點僅有中部改變幅度較大，其余部分無明顯變化，同時存在不間斷的優勢；將線性激活函數當成輸出層的激活函數，擴展輸出范圍[10]。

1.4 反竊電系統的流程

LabVIEW的優勢是可以和眾多編程語言、應用程序相匹配，充分結合LabVIEW和MATLAB令使用者能夠在LabVIEW內運用MATLAB的超強計算能力。通過LabVIEW與MATLAB的混合編程，構造反竊電系統，系統流程如圖4所示。

圖4 系統流程圖

LabVIEW接收輸入的用戶反竊電評價指標體系數據，儲入數據庫內，并在運行頁面上展示數據，同時發送信號至MATLAB；MATLAB接收信號后，在數據庫內識別該用戶用電數據，通過遺傳優化BP神經網絡模型分析用戶的竊電行為，將計算結果存入Excel數據庫內，并反饋至LabVIEW；LabVIEW接收到反饋的結果后，將該結果呈現于運行頁面上，同時在數據庫內存入反饋結果[11-12]，利于使用者查詢以及模型的二次訓練。

2 實驗結果與分析

以某省國家電網為實驗對象，利用本文系統評估該國家電網是否存在竊電行為，在該電網內采集50組用電信息數據，將前40組數據作為訓練樣本，后10組數據作為測試參考。設計合理的交叉與變異概率，可提升本文系統評估竊電行為的精準性，通過實驗獲取這兩個概率，在后10組數據中隨機選取3組數據，測試本文系統在不同交叉與變異概率時評估這3組數據是否存在竊電行為的準確性，以后驗方差比值為評價評估竊電行為準確性的指標，該值與評估準確性成反比，一般后驗方差比值低于0.35時，則代表評估準確性較高，依據后驗方差比值為本文系統選擇最佳的兩個概率值，測試結果如圖5、圖6所示。

圖5 交叉概率測試結果

圖6 變異概率測試結果

根據圖5可知，3組數據的后驗方差比值隨交叉概率的增長呈先下降后增長的趨勢，當交叉概率為0.5時，3組數據的后驗方差比值均降至最低。實驗證明：交叉概率為0.5時，本文系統評估竊電行為的準確性最高。

根據圖6可知，隨著變異概率的提升，3組數據的后驗方差比值呈下降趨勢。當變異概率達到0.04時，3組數據的后驗方差比值降至最低；當變異概率超過0.04時，3組數據的后驗方差比值開始逐漸提升。實驗證明：變異概率為0.04時，本文系統評估竊電行為的準確性最高。

依據上述實驗為本文系統選取最佳的交叉與變異概率，利用本文系統評估后10組數據的竊電嫌疑因子與竊電方式的類別，選取2個系統作為本文系統的對比系統，分別來源于文獻[1]與文獻[2]的2個反竊電系統，評估結果如圖7、圖8所示。

圖7 竊電嫌疑因子類別評估結果

圖8 竊電方式類別評估結果

根據圖7可知，3個系統均能評估10組數據的竊電嫌疑因子，本文系統評估的竊電嫌疑因子類別與實際類別非常接近，差距較小，其余2個系統雖能評估竊電嫌疑因子的類別，但與實際類別差距較大。實驗證明：本文系統能夠精準評估竊電嫌疑因子，為竊電查處提供依據，重點觀察存在竊電行為的用戶，提升反竊電效果。

根據圖8可知，3個系統均能評估10組數據的竊電方式，本文系統評估的結果是這10組數據中存在兩組欠流法竊電方式，兩組欠壓法竊電方式，其余組均無竊電方式，與實際類別基本一致。其余2個系統評估結果與實際類別差距較大。實驗證明：本文系統能夠精準評估竊電方式類別，針對竊電方式制定相關策略，提升反竊電性能。

分析3個系統在訓練樣本數量不同時評估竊電嫌疑因子與竊電方式類別的后驗方差比值，測試3個系統的反竊電性能，測試結果如圖9、圖10所示。

圖9 評估竊電嫌疑因子類型的后驗方差比值

圖10 評估竊電方式類別的后驗方差比值

根據圖9可知，隨著訓練樣本數量的增加，3個系統的后驗方差比值均開始下降，本文系統呈線性趨勢下降，收斂速度較快，在樣本數量為10組時后驗方差比值以低于0.35，當樣本數量為15組時，已完成收斂，穩定在0.2左右；文獻[1]系統前期后驗方差比值下降幅度較為平緩，在樣本數量為25組時，后驗方差比值才低于0.35，此時也完成收斂，收斂速度較慢；文獻[2]系統前期后驗方差比值下降幅度較大，但后期下降幅度比較緩慢，在樣本數量為30時，后驗方差比值才低于0.35，此時也完成收斂，收斂速度較慢。實驗證明：在不同訓練樣本數量時，本文系統評估竊電嫌疑因子類型的后驗方差比值最低，且收斂速度最快，說明本文系統的性能最優。

根據圖10可知，樣本數量不斷增加，本文系統的后驗方差比值顯著低于其余2個系統，在樣本數量為20組時，已完成收斂，其余2個系統均在樣本數量為30組時才完成收斂。實驗證明：本文系統評估竊電方式類型的后驗方差比值最低，且收斂速度快，具備較優的竊電方式評估性能，有效提升系統的反竊電效果。

3 總結

為提升高壓反竊電工作效率，設計科學的反竊電異動審查方式，達到追繳電費、降低竊電犯罪率的目的，研究基于LabVIEW實現BP神經網絡的反竊電系統，精準評估竊電嫌疑因子與竊電方式，依據評估結果制定相關政策，提升反竊電效果，降低電網損失。本文所設計系統為電網展開竊電工作提供科學依據，具有重大意義。