DBN深度學習算法在反竊電系統中的應用價值

沈鑫 惠曉雨 潘楠* 錢俊兵 郭曉玨

（1.云南電網有限責任公司計量中心 云南省昆明市 650051 2.昆明理工大學民航與航空學院 云南省昆明市 650500）

（3.昆明智淵測控科技有限公司 云南省昆明市 650500）

隨著我國各項事業和社會經濟的飛速發展，各行各業中對于電力這一基本組成要素的實際需求量也隨之不斷增大，電力行業在我國國民經濟中也扮演著十分重要的角色。供電企業作為我國基礎山野的重要組成部分，在諸多領域中都得到了良好的發展，現代化的信息技術、通信領域、信息化建設等方面都離不開電力企業的鼎力支持。但是在發展的過程中，也遇到了一個非常嚴重的問題，如在針對實際用電量的管理方式上比較落后、用戶竊電現象普遍等問題。甚至有部分用戶為了可以節省電力費用，利用電力系統或管理上的漏洞，有針對性的竊電，給電力企業帶來了非常大的經濟損失。為了能夠徹底解決這種竊電行為，也圍繞著如何強化電能的實際計量準確性技術方面進行了必要的改革，但是隨著現代社會諸多技術的不斷發展，反竊電技術也應該緊跟時代發展的腳步，及時更新反竊電技術。電力行業也依據自己多年的反竊電經驗，對相關硬件進行反竊電手段和相關措施，并沒有教好的軟件系統為其提供技術上的支持，使得其在管理效率和工作效率上非常低。基于此種現狀，電力企業應該積極的使用與大數據掛鉤的相關信息處理技術。而基于DBN 深度學習算法就在反竊電系統中發揮著重要的應用價值。

1 DBN的結構與學習算法

DBN 也被叫做深度置信網絡，這一模型是由多個RBM 疊加在一起的，其也由可見層、諸多隱藏層和輸出層組成的，如圖1。

此種被叫做DBN 的深度學習算法，具體是指通過一個叫做RBM 的訓練方法來高校的完成DBN 深度學習算法的計量目的，其主要使用的深度學習方法為對結構中每一層數據組成進行訓練的方法。

2 基于DBN算法的反竊電模型

這種基于DBN 深度學習算法在諸多現代化的領域中不僅得到了非常廣泛的應用，也取得了令人矚目的效果。雖然如此，但是將這種算法實際應用在電力系統的反竊電領域中，還是第一次，也沒有教好的經驗和辦法作為參考和借鑒。想要將此種DBN 深度學習算法教好的應用在反竊電相關領域中，在實際的設計思路上可以將相關已經處理完成的數據作為實際訓練和學習數據及實際測試的相關處理，且利用在訓練中形成的相關數據來訓練此DBN 模型，并以此模型為主對相關竊電數據進行輸入和驗證，從而得到DBN 深度學習算法在反竊電系統中對于分類上的準確性，其運行的方式如圖2。

將DBN 深度學習算法實際應用在反竊電系統中：

圖1：DBN 模型機構

圖2：基于DBN 算法的反竊電流程

（1）要做的就是要準備相關用電數據。利用已經掌握的用電用戶的實際用電數據和用電信息及相關竊電數據，進行對原始的處理，并將其分為訓練數據和測試數據兩個大部分。

（2）就是根據上述中隊數據進行DBN 模型的建設。在實際模型的建設中實際使用實驗分析的方法來進一步確定DBN 模型的相關參數情況，進而為其制定一個最佳的網絡組成結構。在這樣的過程匯總一共有三個部分是需要重點確認的，分別為模型輸入層的實際節點的數量、隱含層的數量和每個隱含層中的實際節點數量。在有關DBN 的深度學習算法中，有關權重的更新問題是非常關鍵的，其也有兩種方法可以采用，一種就是利用實驗的辦法來確定模型權重的數值，另一種則是使用討論的辦法類更新模型的權重。在實際使用中是需要將二者之間的差異進行比較的，以選擇最優的辦法進行；除此之外，也是可以根據所在系統的實際用電數據和用電信息來選擇使用哪一種辦法的。在這樣的深度學習算法中其實也涉及到了諸多方面的數據和信息及算法，例如學習率、算法的常量數值等等，此類參數對于后期的結果也是有著非常大的影響的，所以在實際選擇這些參數的時候，也要有針對性的進行深入的研究。并通過以上的方式來建立一個基于DBN 的算法的反竊電模型。

表1：DBN 的第二隱含層的節點數對于最終分類結果的影響

（3）就是要構建一個DBN 深度學習算法與扼梯度法深度融合的結構模型。DBN 深度學習算法在實際的深度學習過程中，是會受到來自算法的限制，也會受到數據數量大等多方面的影響，實際的訓練速度是非常慢的。所以，為了可以切實加快深度學習的速度，在實際測算中可以為其添加一個和網絡權重相關的函數，并以此來表示實際的輸出和目標輸出之間的誤差，并使用扼梯度這種算法來調整和更新權重的矩陣，以最終得到其最小的誤差數值，我們也可以理解為將DBN 深度學習算法和扼梯度算法深度融合而構建的一個反竊電模型。

（4）需要進行模型數據測試解雇的對比。也可以理解為對于相同的數據，其中包括訓練數據和測試數據，利用有標準參數和標準模型對去進行測試，并將此結果與DBN 的模型的結果進行比較。并深入的分析DBN 深度學習算法在反竊電系統中針對竊電用戶和非竊電用戶的實際判別能力。

3 實驗效果分析

在實際的實驗中，會將相關用戶名稱、用戶的真實ID、用電日期、邏輯上的地址等等多個不相干的因素放置在輸入層中，并將實驗當前的實際用電數量、峰值、谷值、累計的用電數量、峰值、谷值、實驗當天的氣溫峰值、氣溫谷值等輸入到DBN 的模型中。

根據相關測試數據顯示，當基于DBN 深度學習算法模型的隱含層節點數是16 的時候，該模型對于竊電情況的數據和信息分析是比較準確的。然后，因為其也會出現含有兩層的隱含層的實際情況，根據此種情況將此模型的輸入節點數量設置為8，第一層的神經元的個數為16，并將第二層的神經元個數在3-20 之間進行變化。根據結果顯示，在第二個隱含層的實際幾點數量為8 的時候，其分類的準確度是最好的，所以，應該將DBN 的第二個隱含層的節點數設定為8，如表1。

為了能夠切實證明此算法和其他方法相比是否有更好的表現，在實際實驗中，采取了使用一樣的訓練數據和測試數據的基礎上，將神經網絡方法和樸素貝葉斯分類方法、決策樹分類方法、邏輯回歸的分類方法，在實際的反竊電相關問題中在分類準確性方面進行了比較。

4 結束語

通過上述的分析和總結，我們知道，將基于DBN 深度學習算法的相關數據測試模型是可以實際應用到反竊電系統中的，并在實際分類問題上是非常有優勢的，并根據相關結果最終確定了基于DBN 深度學習算法在反竊電系統中模型的實際構建模式，即為輸入層的實際節點數為6，隱含層的實際節點數為2。其中第一隱含層的神經元為16 個，第二層的神經元數量為8；輸出層的神經元為1 個。由此可見，此種DBN 深度學習算法與其他需要進行相關數據挖掘的算法相比較，DBN 深度學習算法在相關反竊電系統中的應用是非常有優勢的通過對DBN 深度學習的算法在模型上的研究，相信在未來的發展中，電力系統一定會非常大規模的使用此種深度學習算法，并將其應用到反竊電相關問題中，在為電網的相關部門減少反竊電的成本的同時，有效提升電力系統的相關服務能力。