基于遺傳算法優化BP神經網絡的竊電分析

許均星，李 川，李英娜

（昆明理工大學 信息工程與自動化學院，云南 昆明 650500）

基于遺傳算法優化BP神經網絡的竊電分析

許均星，李 川，李英娜

（昆明理工大學 信息工程與自動化學院，云南 昆明 650500）

目前我國存在著嚴重的竊電現象，竊電手段繁多而且隱蔽，這使得工作人員的反竊電工作越來越難。基于供電企業能夠采集用戶用電數據，本文通過選取用戶的相關歷史數據進行處理和分析。根據對竊電數據特性的分析研究，挑選出月用電量、臺區線損值、最大線損值、功率因素、三相不平衡率、合同容量比六個電氣參量作為竊電數據的分析指標，采用遺傳算法優化BP神經網絡算法構建竊電分析模型，對指標樣本數據進行分析，得到用戶的竊電嫌疑系數，篩選出用電情況異常用戶。本方法能夠較方便、全面、智能的分析用戶的用電情況，為供電企業實施反竊電工作指明了大致的方向，簡化了反竊電的許多工作。

竊電；遺傳算法；BP神經網絡；數據分析

0 引言

現今許多用電用戶通過各種各樣的高科技手段來達到竊電的目的，這給電力企業帶來了許多麻煩，阻礙了電力公司電力規劃工作的進行[1]，大量電能的流失給國家經濟帶來了巨大損失[2]，據統計每年有超過十億千瓦時的電量因用戶竊電而損失。另外，這幾年來有25%傷亡和火災用電事故是因用電用戶不規范用電引發線路出現問題造成的，給社會安定和諧帶來了許多麻煩。因此，供電公司應該加大力度進行反竊電工作，如今用戶的用電數據可以通過較成熟的用電信息采集系統集中采集[3-4]。那么通過什么方式更加全面、智能、方便、準確的對用戶用電歷史數據進行分析，找出用電異常用戶，成為一個具有極大現實意義的研究課題。本文以電網中影響計量電量的電氣參量作為研究對象，篩選出月用電量、所在臺區線損、最大線損值、功率因數、三項不平衡率和合同容量比六個電氣參量作為分析竊電特性的指標，引入遺傳算法優化的神經網絡算法建立用戶竊電分析模型，得到用戶竊電嫌疑系數。對于竊電嫌疑系數高的用戶，視為可能存在竊電的用戶，可派遣工作人員到現場稽查。根據現場的實踐操作，該方法具有現實意義，大大減少了反竊電的工作量，方便了工作人員。

1 竊電方式分析

電量和功率是成正比的關系，單相的有功功率為[5]：

式中，Uφ是相電壓；Iφ是相電流；cosφ為功率因數。

三相三線二元件有功功率為：

由上述公式可知電流I、電壓U、功率因數cosφ三個要素和用戶用電時間的乘積決定了電能表所計量的用電量，因此，改變電流、電壓和功率因數中的任何一個要素都能夠使得電能表所計量的用電量數據出錯，成功的實現竊電的目的。另外，用戶可以通過改變電能表的內部結構和電能表自身設定的一些參數來使得電能表計量出誤，也能夠實現竊電。

欠壓法、欠流法、無表法、移相法和擴差法是現如今最主要的五種竊電方式[6-7]?，F實使用過程中，用電用戶并不會單獨使用其中的某一方法，通常會將其中的幾種方法相結合使得他們的竊電手段相當隱秘，再加上竊電方式和一些高科技技術的結合使得竊電方式不僅繁多而且不易被發現，這些阻礙了供電公司反竊電工作的進行。

2 研究理論

2.1 BP 神經網絡理論

圖1是BP神經網絡[8-9]的結構拓撲圖，BP神經網絡將輸入變量通過激勵函數和不斷調整每層連接的權閾值最終非線性映射到輸出變量，為了使網絡的輸出變量與期望相一致，BP神經網絡的學習一般需要多次的重復訓練，使得到的誤差值趨向于零，最終達到零[10]。BP神經網絡是一種根據誤差方向傳播訓練的多層前饋網絡。

圖1 BP 網絡結構拓撲圖Fig.1 Topological graph of BP network structure

BP神經網絡算法的實現過程[11-12]：假設X = ( xij)是一個樣本輸入矩陣(i=1,2,…,n;j= 1,2,…,p)，樣本輸入矩陣的每一行數據表示一組輸入樣本，每一組輸入樣本會對應一組輸出樣本，所有輸入樣本對應的實際輸出樣本為 Y =[y1, y2,… ,yn]T，每一列看作為樣本的一個指標，那么輸入層的輸入樣本 I1即為X。

如果網絡的隱含層含有m個神經元，權值矩陣W = ( wij)(i = 1 ,2,… ,m; j = 1,2,… , p)，閾值矩陣 B = [b1,b2,… ,bm]T，那么隱含層的輸入：

其中，1onesn×表示1×n元素全部為1的矩陣。隱含層激勵函數的選取為單極S型函數，其表達式為：

那么可以得到隱含層的輸出為： O2= f( I2)。輸出層的輸入：

因為傳遞函數是線性函數，所以對于輸出層的輸出可以認為 O3= I3。為了得到各層之間的連接權閾值的調整量，使用鏈式微分法則來計算，計算得到的結果為：

其中， o nesn×1表示 n ×1元素全部為 1的矩陣。由公式（2）可知 f ′(x ) = f( x) [1 - f( x)]，隱含層間的權閾值調整量進一步計算為：

根據公式（4）~（7）可以發現，因為BP算法選取的初始權閾值決定了從第二次到第n次調整權閾值時的權閾值，所以初始權閾值的選取決定了BP網絡訓練的準確度，如果初始權閾值的選取不當，就極有可能使網絡在訓練的過程中出現收斂速度慢且容易陷入局部最優解的陷進中去的情況，所以BP網絡訓練結果的好壞是跟初始權閾值的選取有很大關系的。

2.2 GA 優化BP神經網絡

遺傳算法[13]（Genetic Algorithm，GA），也被稱為進化算法，它是一種受生物的進化過程啟迪而提出的啟發式全局搜索算法。參考生物進化論，遺傳算法將需要解決的問題模擬成生物進化的過程，通過選擇、交叉、變異來產生下一代的解，通過計算個體的適應度，將適應度低的個體淘汰掉，增多適應度高的個體，經過n個的迭代找出適應度函數值最優的個體解。由于遺傳算法是一種啟發式全局搜索算法能夠找出全局的最優解，這一特性正好可以彌補 BP神經網絡容易陷入局部最優解的缺陷，所以本文使用遺傳算法來優化 BP神經網絡建立竊電分析模型，來提高模型預測結果的準確度。

通過以下幾個步驟來實現遺傳算法優化 BP神經網絡[14]：

（1）編碼與種群的初始化

使用遺傳算法的前提是將問題的解編碼成字符串的形式，采用二進制編碼這種最簡單的編碼方式，將問題的解編碼成二進制串結構數據的形式，不同組合的串結構數據構成了不同的點。隨機產生N個初始串結構數據，每一個穿結構數據代表一個個體，這N個個體構成了一個種群，算法以這個種群作為初始種群開始進化。

（2）適應度評估。

適應度表明了個體解的優劣性，將預測結果輸出與實際結果輸出之間的均方誤差作為個體適應度評估值，計算公式為：

式中，n為樣本輸入的數量；iy為網絡的預測結果；io為實際結果，mse表示均方誤差函數。

（3）選擇操作

遺傳算法的選擇是通過選擇一些適應性強的個體來繁衍下一代，本文采用一種“比例選擇”選擇策略，假設種群的個體總數為N，那么個體i的適應度值為：式中k為系數。

（4）交叉操作

本文采用單點交叉方式使染色體間交換其中的部分基因。

（5）變異操作

將染色體的某個基因進行變異，對于二進制編碼的個體而言，具體的操作方式就是將1變成0或0變成1。

（6）將遺傳算法搜索到的最優權閾值帶到 BP神經網絡中訓練，遺傳算法優化 BP算法的流程圖如下圖2所示。

2.3 GA - BP網絡竊電預測模型

2.3.1 模型的建立

用電用戶通過各種手段改變電能計量的相關參數，從而達到少繳電費的目的。本文根據能夠影響電能表計量的電氣參量和電能表計量出錯給一些電氣參量帶來的變化，選取了月用電量、所在臺區線損、最大線損值、功率因數、三相不平衡率和合同容量比這六個電氣參量構成竊電評價指標系統，構建GA - BP神經網絡竊電分析模型，將竊電評價指標的樣本數據作為模型的輸入樣本，以用戶竊電嫌疑系數作為輸出變量，用竊電嫌疑系數表現用戶用電情況，1表示用電情況異常，0表示用電情況正常。

2.3.2 模型的訓練

在對模型進行訓練之前，需要對竊電指標數據進行預處理來生成數據樣本，由數據樣本劃分訓練集和測試集，通過遺傳算法搜索全局最優解作為網絡初始權閾值，具體分為以下幾個步驟來完成[15]：

（1）數據預處理

首先需要對電力計量數據進行關于竊電評價指標的計算，得到各個評價指標的數據，然后為了消除各指標數據之間的數量級與量綱差異，通過公式：

對各個竊電評價指標系統數據進行歸一化處理，將各個竊電評價指標數據歸一化至區間[,]a b上，這里x′表示歸一化后的數據，x表示各指標的原始數據，maxx 表示各指標數據的最大值，minx 表示各指標數據的最小值，本文采取[0,1]歸一化處理。

（2）劃分訓練集與測試集樣本

實驗數據來源于云南省某供電公司，數據為低壓非居民用戶數據，選取2012年8月該地區的56名用戶的數據作為研究對象。這56名用戶中，編號第25、26、27名的用戶存在竊電現象，其他均未出現竊電現象。對研究對象的數據進行相關計算并歸一化處理，處理后的數據樣本如下表1所示，本文隨機選取56組數據中46組數據作為訓練集，剩下的10組數據作為測試集。

（3）遺傳算法尋優

本文使用北卡羅來納大學遺傳算法優化工具箱，遺傳算法具體參數的選取為：種群規模為500，遺傳算法最大迭代次數為100，選擇概率為0.9，交叉概率為0.5，變異概率為0.09。在算法迭代的過程中，種群個體的最佳適應度與平均適應度變化如圖3所示。

由圖3可以看出，在模型剛開始迭代的時候，種群個體的適應度值離最優適應度較遠，個體適應度值大幅度上升，到了模型迭代的后期，由于模型的不斷收斂，種群個體適應度值越來越靠近最優適應度。

完成上述的工作后，可以得到遺傳算法搜索到的全局最優初始權閾值，將初始權閾值帶入到網絡中對BP網絡進行訓練。設定BP網絡的訓練參數：輸入層的神經元個數為6個，隱含層的神經元個數為9個，輸出層的神經元個數為1個，選取單極S型函數作為傳遞函數，選取梯度下降的 BP訓練算法函數traingd作為訓練函數，最大訓練次數為2000次，學習速率為0.1，學習最小均方差目標為0.003。

2.3.3 模型的測試

經過訓練測試，優化后的 BP神經網絡可以準確預測訓練集竊電嫌疑系數，但這預測結果可能是由于網絡優化后處于過擬合狀態下產生的，所以需要將測試樣本數據帶入模型，通過測試結果與實際結果對比來驗證模型的準確性。導入測試集數據對模型進行驗證，預測結果如圖4所示。

從圖4可以看出，經遺傳算法優化后的BP神經網絡的預測結果比未優化的 BP神經網絡預測結果會更加貼近于真實的用戶竊電嫌疑系數，但兩者的預測結果精度都不是很理想，這主要可能由于以下原因導致的：①由于訓練樣本的數量不夠多，網絡并不能實現對特征數據波動趨勢的充分學習；②竊電嫌疑的評價指標體系存在缺陷，影響電能表計量的因素有許多。所以供電公司在進行反竊電工作時，可以利用本文建立的模型對用戶的用電情況做一個大致的判斷，得到用戶用電情況的大致信息，可以減少工作人員的工作量。

圖2 遺傳算法優化BP網絡流程圖Fig.2 Optimization of BP network flow chart based on genetic algorithm

表1 歸一化后樣本數據表Tab.1 Normalized sample data table

圖3 適應度變化圖Fig.3 Fitness change diagram

3 結束語

本文首先利用具有全局優化能力的遺傳算法來搜索一組良好的 BP網絡初始權閾值，然后根據竊電數據特征，選取了基于月用電量、所在臺區線損、功率因數、三相不平衡率、最大線損值、合同容量比作為竊電評價指標系統，構建了遺傳算法優化的BP神經網絡模型，將評價指標的數據作為輸入變量，以用戶竊電嫌疑系數作為輸出變量。最后經過模型對測試集的預測結果與實際結果的對比分析，證實了經遺傳算法優化后的 BP神經網絡在對用戶用電情況的預測結果上有一定的提高。

本文建立的 GA-BP竊電分析模型雖然可以實現對用戶竊電嫌疑系數的大致預測，但無法做到對用戶是否竊電的精確預測。這主要是因為訓練數據集過少，竊電嫌疑評價指標系統并不能完全概括用戶竊電的手段帶來的影響。所以，本文所建立的模型只能幫助反竊電工作人員反映用戶大致的用電情況，給工作人員指引方向，減少工作人員的工作量。

圖4 BP與GA - BP模型測試結果圖Fig.4 BP and GA - BP model test result chart

[1] 趙兵, 呂英杰, 鄒和平. 一種新型防竊電裝置的設計[J].電力系統保護與監控, 2009, 37(23): 116-119.Zhao Bing, Lv YingJie, Zou HePing. Design of a new type of anti-theft device[J]. Power system protection and monitoring,2009, 37(23): 116-119.

[2] 王玨昕, 孟宇, 殷樹剛, 等. 用電信息采集系統反竊電功能現狀及發展趨勢[J]. 電網技術, 2008, 32(增刊2): 177-178.Wang YuXin, Meng Yu, Yin ShuGang, et al. The status quo and development trend of the anti-theft function of electricity information acquisition system[J]. Power grid technology,2008, 32 (supplement 2): 177-178.

[3] 牟龍華, 朱國鋒, 朱吉然. 基于智能電網的智能用戶端設計[J]. 電力系統保護與控制, 2010, 38(21): 53-56.Mou LongHua, Zhu GuoFeng, Zhu JiRan. Intelligent client design based on smart grid[J]. Power system protection and control, 2010, 38 (21): 53-56.

[4] 高強, 張保航, 谷海青. 用戶端電能管理系統的研究現狀與發展趨勢[J]. 電力系統保護與控制, 2012, 40(7): 148-155.Gao Qiang, Zhang BaoHang, Gu HaiQing. Current research status and development trend of client power management system[J]. Protection and control of power system, 2014,40(7): 148-155.

[5] 曹崢, 等. 反竊電系統的研究與應用[D]. 上海交通大學, 2011.Cao Zheng, et al. Research and application of anti-theft system[D]. Shanghai jiaotong university, 2011.

[6] 陳樂培. 智能計量監控在反竊電工作中的應用[J]. 城市建設理論研究, 2013(9): 1-3.Chen Le Pei. Application of intelligent metering monitoring in anti-theft work[J]. Research on urban construction theory,2013(9): 1-3.

[7] 戴俊峰. 電能表錯接線遠程診斷系統[D]. 北京: 北京交通大學, 2006.Dai JunFeng. Remote diagnosis system of power meter wrong wiring[D]. Beijing: Beijing jiaotong university, 2006.

[8] CHEN Q, HUANG K M, YANG X Q, et al. A BP neural network realization in the measurement of material permittivity[J]. Journal of Software, 2011, 66: 1089-1095.

[9] MEN H, ZHANG J, ZHANG L H. Intelligent recognition for microbiologically influenced corrosion based on hilberthuang transform and BP neural network[J]. Journal of Computers, 2012, 7(9): 2 283-2 291.

[10] ZHANG H S, XU D P, ZHANG Y. Boundedness and convergence of split-complex back -propagation algorithm with momentum and penalty[J]. Neural Processing Letters, 2014,39(3): 297-307.

[11] 張敏, 徐啟華. 基于改進BP的神經網絡模型參考自適應控制[J]. 軟件, 2015, 36(7): 118-123.Zhang Min, Xu QiHua. Neural network model reference adaptive control[J]. software based on improved BP, 2015,36(7): 118-123.

[12] 王宏濤, 孫劍偉. 基于BP神經網絡和SVM的分類方法研究[J]. 軟件, 2015, 36(11): 96-99.Wang HongTao, Sun JianWei. Research on classification methods based on BP neural network and[J]. software SVM,2015, 36(11): 96-99.

[13] 薄鈞戈, 蘇紅旗. 一種基于遺傳算法的排課方法研究[J].軟件, 2014, 35(1): 43-45.Bo JunGe, Su HongQi. A class scheduling method based on genetic algorithm[J]. software, 2014, 35(1): 43-45.

[14] 聶敬云, 李春青, 李威威, 等. 關于遺傳算法優化的最小二乘支持向量機在MBR仿真預測中的研究[J]. 軟件, 2015,36(5): 40-44.Nie JingYun, Li ChunQing, Li WeiWei, et al. Research on least squares support vector machine optimized by genetic algorithm in MBR simulation and prediction[J]. software,2015, 36(5): 40-44.

[15] 黃宏運, 朱家明, 李詩爭. 基于遺傳算法優化的BP神經網絡在股指預測中的應用研究[J]. 云南大學學報: 自然科學版, 2017, 39(3): 350-355.Huang hongyun, Zhu jiaming, Li shizheng. Research on the application of BP neural network based on genetic algorithm optimization in stock index prediction[J]. Journal of yunnan university: natural science edition, 2017, 39(3): 350-355.

Power Stealing Analysis Based on Genetic Algorithm Optimized BP Neural Network

XU Jun-xing, LI Chuan, LI Ying-na
(Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China)

At present, there is a serious theft phenomenon in our country, and the theft of electricity is various and hidden, which makes it more and more difficult for the staff to work against the theft of electricity. Based on the ability of power supply enterprises to collect user data, this paper deals with and analyzes relevant historical data of users.According to the analysis and study the characteristics of the power data, choose here electricity consumption,area line loss value, maximum line loss, power factor, three-phase imbalance rate, contractual capacity than six electrical parameters as power data analysis indicators,The genetic algorithm is used to optimize the BP neural network algorithm to construct the model of the electric theft analysis, analyze the data of the indicators and obtain the user's suspicion coefficient, and screen out the abnormal users of the electricity situation.This method can be convenient,comprehensive and intelligent to analyze the electricity situation of the users, which indicates the general direction of the anti-theft work for the power supply enterprises, and simplifies many work of the anti-theft electricity.

Electricity-stolen; Genetic algorithm; BP neural network; Data analysi

TP183

A

10.3969/j.issn.1003-6970.2017.11.003

本文著錄格式：許均星，李川，李英娜. 基于遺傳算法優化BP神經網絡的竊電分析[J]. 軟件，2017，38（11）：18-23

國家自然科學基金(51567013)

許均星(1993-)，男，碩士研究生，研究方向：電網能量與電氣參量分析；李川(1971-)，男，教授，研究方向：光纖傳感研究；李英娜(1974-)，女，副教授，研究方向：傳感網組建與信息集成和智能分析。