基于大數據架構的BP神經網絡的用戶用電評價與反竊電技術

陸方洲

（河北工業大學）

0 引言

人工神經網絡是智能化技術應用的基本內容之一，其能夠通過學習功能的發揮來對海量數據進行在線訓練，以反饋糾錯能力來提升計算精度，幫助相關對象獲得海量數據中的最優解。在電網運行中，神經網絡已經能夠滿足電力系統負荷預測、故障定位以及電力設施運行狀態監測等方面的要求。對基于大數據架構的BP神經網絡用戶用電評價與反竊電技術行為進行分析，對提升電網的安全運行水平具有積極的意義。

1 用戶用電監測評價系統

1.1 BP神經網絡結構設計

結合電網的實際運行情況，對用戶用電行為進行評價，應建立在對實際用電行為的科學分類與實時監測基礎上。這種評價的科學性和實施性強調評價系統設計應用的算法效率。BP神經網絡能夠以較快的訓練速度來解決一般的模式分類問題，對用戶用電評價系統的設計，可以考慮采用BP神經網絡結構。

具體而言，BP神經網絡在用戶用電評價系統中發揮作用，主要依靠BP神經網絡的聯想記憶和預測能力。建立BP神經網絡系統模型，通常需要經歷建模、初始化、訓練以及應用四個基本的過程，如圖1所示。其中，訓練過程是能夠建立BP神經網絡聯想記憶和預測能力的主要環節［1］。結合圖1所示的神經網絡算法流程，發現確定隱含層是設計BP神經網絡應用場景的難點，在實際設計中需要考慮隱含層的特殊性，以實驗數據的訓練和測試來確定。

圖1 系統神經網絡算法流程

1.2 用戶行為監測與評價系統

在明確BP神經網絡結構設計原理與基本流程的前提下，應結合針對電網用戶用電行為進行監測的具體要求，設計用戶行為監測系統。用戶行為監測系統結構應包括數據采集終端以及上位機應用軟件兩個主要的部分，軟件部分應以用戶行為識別系統和用戶行為數據監控平臺為主要表現形式。

用戶用電行為監測系統的基本工作流程如圖2所示，在數據采集終端基于奈奎斯特采樣定律的速率原理采集電路中電流數據、監控區域環境數據并進行處理的基礎上，判斷分析電路中是否存在負載使用行為變化的情況［2］。對分析中存在發生用電行為變化的電流數據，進行差分處理和快速傅里葉變換，用以提取電流特征值。對檢測到的環境數據存在變化的情況，則可以直接對其進行格式化處理。

圖2 用電行為監測系統工作流程

在依靠用電行為監測系統獲取用戶用電行為的前提下，可以依靠數據信息的分析歸納總結用戶用電特征，基于監測結果，圍繞電壓不平衡率、電流不平衡率、額定電壓偏離度、功率因數不平衡率、合同容量、用電量離散系數、線損率以及相位角等指標來構建針對用戶用電狀態的評價體系［3］。這些指標能夠反映出不同角度電網運行的實際情況，因而能夠將其作為判斷用戶是否存在竊電行為的主要依據。

1.3 BP用電行為監測系統終端平臺

用戶用電行為監測與評價系統的構建，還應考慮BP用電行為監測系統終端平臺的設計與應用效果。基于不同的應用場景，監測系統平臺的呈現效果和具體功能與運行流程也存在一定差異。例如，在公寓用電行為統計中，監測系統應能夠通過采集和監測多個房間的用電數據，明確每個房間的用電器使用情況以及電路負荷情況。基于這一目的，應強調在系統顯示界面體現出一個樓層用電行為的監控界面，主要以監控區域的房間平面分布圖為主要結構，讓每個受監測的房間對應一個圖標控件，而圖標空間的下方則能夠自動顯示該房間的實時電路總負荷［4］。這一過程中，監測系統也應能夠設定每個監測房間的電路負荷，以此來保障電路的運行安全。當電路中接入違禁負載或出現異常變化情況時，系統能夠自動對相應的房間圖標控件以標紅或標黃來達到警示監控人員的目的。

2 基于大數據架構的BP神經網絡的反竊電技術分析

對用戶用電行為進行評價是判斷用戶是否存在竊電行為的主要依據。BP神經網絡本身是基于處理海量數據信息要求而發揮作用的，在應用大數據架構的前提下，可以從用戶用電行為評價的角度探討如何應用反竊電技術來保障電網整體的運行安全，也能夠實現對用戶用電行為的規范和約束。基于此，在對反竊電技術進行分析時，主要可以從以下幾個方面來入手。

2.1 構建反竊電模型

在基于大數據架構和BP神經網絡來構建反竊電模型時，需要確定用戶異常用電行為的評價指標。結合電網運行的實際情況，發現用戶用電特征量發生變化時，通常代表其存在異常用電行為。通過對電壓、電流不平衡率、功率因數等特征量的分析，可以從異常用戶用電行為中篩選出存在竊電行為的情況。為保證用戶行為分析評價的準確性，實際選擇的用于分析的用電特征量不宜過少，也不宜過多［5］。本文在分析時，可以直接依據設計的用戶用電行為監測評價系統指標來獲取相應的特征量。

在將獲得的監測評價的數據進行預處理后，就可以通過構建反竊電模型的方式，實現對用戶竊電行為的深入分析與判斷評價。具體而言，在基于BP神經網絡原理的基礎上，應選擇好實際應用的評價指標作為神經網絡的輸入。考慮實際電力線路運行中，參數間容易存在大量重疊信息，在構建模型時，可以發揮BP神經網絡的作用，以建立“特征提取-異常檢測-竊電判斷”為基本結構的竊電模型。這一過程主要依靠PCA來提取用戶特征參量，并對相應的數據進行降維處理。其算法結構如圖3所示。

圖3 神經網絡算法結構

為實現對電網運行中產生的大量數據的科學分析與評價，本文在建立反竊電模型時，主要應用具有多輸入單輸入三層的BP神經網絡作為對用戶用電行為進行評價的主要模型結構。考慮在大數據架構的前提下，實現對海量數據信息的高效準確處理，選擇應用PCA來進行特征提取。首先需要應用MATLAB來建立三層神經網絡結構，然后分別確定模型輸入層、隱含層和輸出層的神經元節點，選擇Sigmoid作為隱含層的激活函數，以ReIU作為輸出層的節點函數。最后在此基礎上，設置網絡學習精度為10－6，迭代次數為1000次，在啟動訓練后，要求能夠通過不斷的迭代訓練來指導函數滿足相關的學習精度要求，這樣就可以得到更貼近于實際的輸入非線性映射關系。

這一標準的算法在實際應用中，需要在確定合理科學的評價指標后，對用戶用電數據信息進行預處理，然后通過PCA特征提取獲得神經網絡的輸入值。在權重閾值初始化后，明確給定神經網絡的輸入向量和輸出目標，在求取隱含層和輸出層的輸出值后，對目標輸出和預期輸出的誤差進行比較分析，結果滿足相應的要求即可結束這一算法流程。當比較分析的結果不滿足相關要求時，則需要在修改權值和閾值后，再次求取隱含層和輸出層的輸出值，進而對目標輸出和預期輸出的誤差進行比較。

具體而言，在BP神經網絡算法流程中，輸入信息需要先經過正向傳播，再經過誤差的反向傳播，這兩個傳播過程是不斷循環往復的。只有誤差達到具體要求時，算法才會自動停止。考慮到隱含層的特殊性，在正向傳播過程中，假設f1為隱含層的傳輸函數，f2為輸出層的傳輸函數，則隱含層節點的輸出oi可以用公式（1）來表示：

而輸出層的節點輸出yk表示為：

在反向傳播中，假設讓訓練樣本數據以P＝（x1，x2，…，xn），期望輸出為，將輸入第P個樣本得到的實際輸出為（j＝1，2，…，m），則可以整理得到第P個樣本的誤差，表示為：

基于此，可以計算出P個樣本的總誤差。這一過程需要將訓練的樣本數據輸入到BP神經網絡后，通過信息流的正向傳播來求出隱含層的輸出以及輸出層的輸出值，在計算出真實輸出與目標輸出的差值后，在反向傳播過程中，對輸出層開始到第一個隱藏層進行計算，以減小誤差為目的，對整個BP神經網絡的連接權重進行調整。在達到訓練精度要求后，可以停止訓練。

在此基礎上，主要應用激活函數來對神經網絡中每一個節點輸入與輸出間存在的非線性關系進行描述。最后依據輸出收斂準則來計算出應用神經網絡產生的總誤差函數。在Sigmoid型函數部分，主要基于公式（4）來表示節點輸入與輸出間存在的非線性關系：

而在ReIU函數部分，則主要作為輸出層節點函數，表示為：

在此基礎上，定義輸出收斂準則，在將m個樣本的實際輸出設為b′p的前提下，其與期望輸出bp額總誤差函數可以表示為：

基于這一原理，通過樣本學習訓練的方式來構建反竊電模型，可以將其看作為選定適當的訓練函數，確保在訓練過程中獲得的總誤差函數極小的過程。

2.2 用戶異常用電行為檢測

將基于BP神經網絡的反竊電模型應用到實際的電網運行當中，實現對用戶竊電行為的檢測，對提升電網的運行安全和效率具有重要的意義。為驗證反竊電模型的應用效果，主要通過實驗分析的方式，選取實際生活中的用戶用電數據作為研究對象，基于以上涉及到的用戶用電行為評價指標，應用反竊電模型來進行學習訓練，獲得竊電評價指標的相應系數。

（1）實驗中主要選取3400個用戶用電數據作為實驗樣本，在事先對這些用電數據進行檢測時，發現其中58戶存在竊電行為。基于這一前提，在3400個用戶數據中隨機選取342戶正常用戶和58戶異常用戶構成實驗研究樣本，按照4∶1的比例將其分為訓練樣本和測試樣本。重點從電壓不平衡率、電流不平衡率、額定電壓偏離度、功率因數不平衡率、合同容量、用電量離散系數、線損率以及相位角8個指標入手，對用電數據進行歸一化處理和評價。

（2）在PCA處理環節，首先對數據進行歸一化處理，設定取值范圍為［0，1］，可以獲得部分歸一化后的用戶用電數據。在對這些歸一化后的數據進行PCA處理后，可以將獲得的數據作為反竊電評價指標，將其帶入到BP神經網絡算法中，作為神經網絡的輸入變量。在此基礎上，可以明確對用戶竊電行為進行判斷和分類的主要依據，即當用戶竊電系數在［0.8，1.0）時，屬于重大竊電行為，當用戶竊電系數在［0.6，0.8）時，屬于一般竊電行為，當用戶竊電系數在［0，0.6）時，屬于無竊電行為。

（3）在獲得8個基本指標的相應數據之后，需要對這些評價指標進行主成分的分析。再去除用戶用電數據中的重疊部分后，基于降低數據維度的目的，設定x1，x2，…，xn為訓練樣本，則可以依據此來構建樣本的觀測值數據矩陣。

在經過指標提取和降維處理后，可以獲得如表1所示的竊電指標主成分和貢獻率。

表1 竊電指標主成分與貢獻率（前5）

基于這一結果進行進一步分析，就可以確認具體的竊電評價指標系數。

（4）在驗證結果分析階段，如表2所示，依據獲得的樣本訓練測試結果，分析發現在訓練樣本當中，有50個樣本數據被判定為存在重大竊電嫌疑。在將驗證結果與實際監測結果進行對比之后發現，其中部分用戶雖被判定為重大竊電嫌疑，但實際并未發生竊電行為；部分用戶雖被判定為一般嫌疑人，但實際發生了竊電行為。

表2 用戶竊電行為人測試嫌疑系數結果（部分）

在考慮相關檢測結果之后發現，應用BP神經網絡獲得的樣本數據判定準確率為96.8%。結合表2中的樣本竊電數據檢測結果，除被誤判的1個測試樣本用戶竊電系數為0.6275外，其余樣本竊電嫌疑系數均超過0.95。而兩個非竊電行為的嫌疑系數相對而言并不高。

由此可以驗證，應用BP神經網絡算法，能夠在一定程度上保證用戶確定嫌疑人分析結果的準確性和科學性，而以PCA實現信息提取的方式，能夠簡化實際對用戶用電數據信息進行計算的流程，能夠滿足現階段供電公司對于海量數據分析的需求，因而具有可行性，可以將該算法應用于供電網絡的運行當中。

3 結束語

綜上所述，BP神經網絡的應用，能夠有效提升針對用戶用電行為數據信息計算的精度，從而有效發揮電網監督的功能和要求，并通過對竊電行為的用電狀態評價與監測來保障電網的安全運行。這一過程主要可以通過構建用戶用電評價與監測系統體系來實現，在用戶用電產生海量數據的情況下，基于BP神經網絡來構建圍繞大數據架構的評價和監測系統，能夠滿足電網運行和促進電網建設發展的要求。