基于粒子群優化神經網絡算法的用戶防竊電研究

任關友 王昕 李英娜 李川

摘要：電能的準確計量是電力企業生產經營管理及電網經濟穩定運行的重要環節，計量準確性及質量可靠性直接影響用戶的經濟利益和社會能源利用率。如何準確分辨因用戶行為導致的計量異常是一個有待解決的技術難題。近年來，因智能電能表的推廣及用電信息采集系統建設的全面完善，電網公司積累了海量用戶用電數據，基于此，本文提出一種基于粒子群優化的神經網絡算法對用戶用電行為進行檢測，實驗表明該方法具有較高的可行性和可靠性，可以進行推廣。

關鍵字：防竊電；數據挖掘；粒子群算法；神經網絡

中圖分類號：TP393 文獻標識碼：A DOI：10.3969/j.issn.1003-6970.2017.08.043

引言

電能計量異常主要是指電能計量設備不能準確記錄和反映出用戶的真實用電情況，從而造成電網公司或者用戶經濟損失。電能計量設備故障又可以分為設備本身故障和人為導致的設備故障。設備本身故障即設備內部某個或某些元件發生故障從而導致電能不能準確計量，人為導致的故障即以人的意志通過更改電能表內部的某些元件導致設備計量誤差增大。后者以人的意志對設備的更改即是電力行業所說的竊電。竊電從電力計量開始就一直存在，并且隨著計量器具的發展而改進，竊電對電網公司每年造成巨大的經濟損失。由于竊電導致計量設備發生損壞，給用戶用電造成巨大的安全隱患，并且由于用戶竊電導致的電力安全事故嚴重影響了社會穩定性。如何對竊電行為有效的回應，成為電網公司不得不面對的問題。

現在常有的竊電方式有（1）欠壓法（2）欠流法（3）擴差法（4）無表法（5）移相法，針對這五種竊電方法，現有的防竊電方式有（1）改進電表和使用帶防竊電功能的表箱（2）—次側、二次側計量數據比對（3）基于網絡守恒發現存在可疑的用戶（4）用戶舉報及稽查人員檢查。在實際的生產工作中，我們發現用戶竊電方式存在趨向于高科技化，上述的幾種方法都不能有效的發現存在可疑的用戶。其中，帶防竊電功能的表箱由于安裝電表需要進線到表箱內部，所以使得表箱并不能完全密封，在面對強磁、高頻等竊電行為并不能完全保護電表；一二側對比需要我們單獨開發新的設備，并且這種設備一次只能針對一戶用戶進行檢查，效率低且花費大，并且如果竊電用戶發現一次側加裝了設備，很可能在安裝設備的這段時間不會發生竊電行為，從而導致這種方法無效。

無論是哪種竊電方法，最終都會反映在計量數據上，而數據是真實的。基于電網公司積累的大量用戶用電數據，本文提出一種基于粒子群算法改進的神經網絡算法，運用粒子群算法對神經網絡權值進行優化，通過分析用戶的用電數據，綜合考慮用戶用電行為特征，從而發現異常用戶，并對這些用戶做重點的檢查和防范。

1 基于粒子群算法優化的BP神經網絡建立竊電檢測模型

1.1 粒子群算法

粒子群算法（Particle Swarm Optimization，PSO）來源于鳥類覓食過程的模擬和研究。它的基本思想是通過群體之間的協作和信息共享來尋找最優解。

粒子群算法具有記憶特點，可以動態跟蹤當前的搜索狀態，調整搜索策略。

設有n個粒子組成的群體，在維度為q的空間內搜索，每個粒子表示為，每個粒子所處的位置為，每個粒子的速度為在搜索過程中，需要記錄每個粒子的搜索到的歷史最優值pfst=和全局最優值。每個粒子的速度和位置更新如下：

其中，為第次迭代時，粒子i在d維上的速度，為次迭代時，粒子在維上的位置，為保持原來速度的系數，即慣性權重，q是粒子跟蹤自己最優的權重系數，通常設置為2，是跟蹤全局最優的權重系數，通常設置為2。和是間的隨機數，是對位置更新的時候，在速度前面加的一個系數，即為約束因子，通常設置為。

1.2 神經網絡

人工神經網絡（ANN）是對生物機理的抽象合成，其基本成分是神經元。在生物神經網絡中，每個神經元與其他神經元相連接，當它興奮時，便會向其他神經元發送化學物質，從而改變其他神經元的狀態，人工神經網絡便是基于此構成。眾多神經元組成的單元經過帶有權值的連接弧相連便構成了神經網絡。一個實例通過神經網絡進行訓練后，該網絡能夠以某種方式表達輸入與輸出之間的關系，我們就認為這個神經網絡是對該實例的抽象表達m。

誤差反向傳播（BP）神經網絡是近些年運用的最普遍的，學習機制分為正向傳播和反向誤差回饋。BP神經網絡由輸入層、隱含層、輸出層組成，三層之間的神經元由帶權值的連接弧構成，層與層之間相互關聯，神經網絡正向傳播后計算學習誤差，根據學習誤差對神經網絡進行反向誤差調整，整個過程循環迭代，直到誤差達到相應要求。BP神經網絡由于強大的非線性映射能力和強大的泛化、容錯能力而被廣泛使用，但是由于誤差回饋過程基于梯度下降的搜索算法，使得神經網絡可能會陷人局部極小值從而得到的不是全局最小值，并且，如果神經算法學習速率等參數如果選擇過大的話，容易讓神經網絡發生震蕩，不能收斂，過小則會讓神經網絡收斂速度過慢。

2 基于粒子群算法優化的BP神經網絡建立竊電檢測模型

人工神經網絡算法（ANN）和粒子群算法各有其特點和長處，近年來，越來越多的學者嘗試將兩者的優點相結合，使得系統既具有粒子群算法全局搜索能力，又具有神經網絡強大的學習能力及逼近任意非線性函數能力。目前常有的做法包括融合算法、PSO-ANN算法、ANN-PSO算法等。本文采取的做法為先建立BP神經網絡，在誤差回饋過程中采用PSO算法對權值進行優化，使得神經網絡收斂的更快并且是全局最優解。POS-BP算法流程如圖1所示：

2.1 反竊電指標確定

對所使用特征個數的討論，可以采用偏差-方差困境來考慮，S卩：模型如果特征個數過少，模型不夠復雜會導致不能捕捉特征的基本關系從而訓練出來的模型有較大的偏差，如果特征過多，但沒有足夠的數據支撐模型，可能會導致模型過度依賴訓練樣本而無法將模型泛化到更多數據以至于具有較高的方差。并且隨著特征的增加，我們為了準確泛化模型所需要的數據量也需要呈指數的增加。所以，在擬合優度與簡單性之間，需要某種折中，即要考慮好為實現擬合優度所需的特征個數。本次研究只針對10KV高壓專變用戶進行，不針對其他電壓等級用戶。綜合分析云南某地計量中心提供的用戶用電數據并考慮10KV高壓專變用戶用電特征、竊電情況等特點，我們將數據分成峰時、平時、谷時三個時間段，擬從峰值有功功率、平值有功功率、谷值有功功率、功率因數、三相電壓不平衡率、三相電流不平衡率、是否為節假日等七個方面對目標嫌疑用戶竊電嫌疑開展評估預測，如果評估的竊電嫌疑愈大，就表明用戶竊電的可能性越高。圖2為反竊電評價指標體系：

其中，三相電壓不平衡率和三相電流不平衡率分別是反映用電過程中電壓和電流的波動情況，在三相供電系統中，電壓和電流基本保持平衡。當電壓（流）不為0時，三相電壓（流）不平衡率的計算方式為三相電壓（流）的最大值與最小值之差比上最小值。對于一家正常用戶來說，功率因數會是一個相對穩定值，因此其平均功率因數相應也應該是一個相對穩定值，而且與電量使用時間無關。所以我們也將功率因數作為一個主要的參考依據。

2.2 數據預處理

數據預處理一般包括三個過程，分別是：數據篩選、數據變換和特征縮放[1（）]。數據篩選即篩選出我們需要的某一列或者多列數據；數據變化即當某個變量不是直接存在需要經過某種變換才能得到；特征縮放即數據標準化，數據標準化在模型訓練中極為重要，比如說電壓的值一般在220V，電流有時候可能才為2A，當我們計算電流和電壓的合計時，結果就是電壓幾乎會完全主導答案，但是我們計算初衷可能是希望兩個特征能夠得到同等的重視，數據標準化使得這些特征跨越的范圍具有可比性而且特征能包含相同的信息，只是所使用的單位不同。標準化后的值通常為（M之間。數據標準化采用公式3：

其中，Xmax為本指標數值中的最大值，為本指標數值中的最小值，為第個輸入數據。

2.3 BP網絡模型設計

三層BP網絡能夠模擬復雜非線性的輸入輸出關系。所以采用三層BP網絡作為防竊電模型預測用戶竊電嫌疑。在模型的設計中，輸入層我們采用3.1節介紹的特征值；隱含層節點的選擇對神經網絡很關鍵，如果節點數過少，模型可能不能完全表達出數據的含義，節點數過多的話，神經網絡會過分依賴數據而變得具有較高的方差、容錯性能降低，并且收斂速度也很慢，本次研究采取神經網絡隱含層節點經驗公式4：

其中，n為輸入層節點數，a為1?10中間的某一常數。輸出層的設計中，我們采用直接用神經網絡進行分類預測，即：直接將用戶歷史用電數據作為輸入，將實際竊電結果是否竊電或作

3.2 神經網絡結構選擇

因為數據量較少，所以單隱含層神經網絡已經能滿足我們的需求，所以在本次試驗中我們只使用單隱含層。隱含層節點數量的選擇對神經網絡很關鍵，如果節點數過少，模型可能不能完全表達出數據的含義，節點數過多的話，神經網絡會過分依賴數據而變得具有較高的方差、容錯性能降低，并且收斂速度也很慢，綜合考慮輸入輸出節點數以及樣本數目，經反復試驗實測比較，確定當隱含層節點為10的時候效果最好。由此，確定神經網絡拓撲結構為8-10-1。所以一共有個權值，即粒子的維度為90維，適應度函數為輸出均方誤差，其表達如下：

為期望目標輸出，對BP網絡進行不斷訓練，當模型訓練到滿足精度要求時，將需要檢驗的數據輸入到訓練好的網絡，直接輸出判斷值（竊電嫌疑）。

3 案例分析

本次試驗數據選自云南某用戶2015年1月到2016年6月共計18個月的完整用電數據，其中該用戶在2015年1月、2015年5月發生過竊電事件，通過分析竊電數據，發現在竊電時間段用戶數據存在較大異常，二相電壓、電流不平衡率也存在異常。3.1數據準備將選定的8個輸入向量進行數據變化、數據標準化處理，結果如表1所示。其中，功率因數是取用戶該天功率因數平均值，在竊電和節假日欄中，0表示否，1表示是。在本次試驗中，共有樣本544條。標準化后的數據如下表1所示：

其中，為訓練集樣本數，為實際的值，為網絡預測得到的值。

3.3 實驗結果

為了作對比分析，本次試驗將普通BP神經網絡和基于PSO優化的神經網絡進行了對比分析。兩種算法的準確率收斂速度見圖3，從圖中可以發現，PSO優化的神經網絡經過140次訓練后準確率已經穩定，普通BP神經網絡經過190次訓練后才穩定下來。經過PSO優化的神經網絡效率要高于普通的BP神經網絡。

測試數據集測試后得到的結果如表2所示。

通過建立PSO-BP神經網絡，該模型的仿真預測結果與實際值和BP神經網絡相比，不僅具有比較高的正確率，而且絕對誤差要比BP神經網絡略小，可以直接說明利用神經網絡預測竊電嫌疑具有很高的可行性及可靠性。

4 結論

在用電信息采集系統功能尚不完善之前，電力公司不能及時、準確的掌握用戶的用電情況，用電檢查工作也只是停留在人工抽檢，這種方式實行起來效率低、難度大并且很難準確的發現存在用電異常的用戶。本文提出一種基于粒子群算法優化的神經網絡算法，從實驗比對和驗證結果看，基于優化的神經網絡能更快的收斂并且準確性也相對精準。該方法為防竊電工作提供了新的思路。