小波神經網絡在反竊電系統中的應用研究

摘 要： 基于我國電力系統自動化水平較低，難以實現對竊電行為的精確跟蹤和反饋，將小波神經網絡與反竊電評價指標體系結合構建了竊電系統神經網絡模型。模型采用典型的輸入、隱含、輸出三層網絡結構，確定各層節點數分別為8個、7個、1個，為滿足竊電信息追蹤的非線性映射關系，采用連續可微的Sigmoid函數作為隱層節點激活函數，采用線性型激活函數作為輸出層激活函數。通過選取某一用戶一定時間段的用電信息進行仿真分析，結果表明：建立的竊電網絡模型獲得的竊電嫌疑系數與實際情況基本一致，輸入和輸出關系正確，能夠對竊電情況進行有效評價。

關鍵詞： 神經網絡; 防竊電; 竊電嫌疑系數

中圖分類號： TP 311文獻標志碼： A

Research on the Application of Wavelet Neural Network in Anti-stealing System

XU Changle

（College of Science and Technology， North China Electric Power University， Baoding， HeBei 233100， China）

Abstract： Based on the low automation level of power system in China， it is difficult to track and feedback the behavior of power theft accurately. In this paper， a neural network model of anti-stealing system is constructed by combining wavelet neural network with anti-stealing evaluation index system. The model adopts the typical input， implicit and output three-layer network structure， and determines that the numbers of nodes in these layers are 8， 7 and 1， respectively. In order to meet the nonlinear mapping relationship of power theft information tracking， the continuous differentiable Sigmoid function is used as the activation function of the hidden layer node， and the linear activation function is used as the activation function of the output layer. By selecting the power consumption information of a certain user for a certain period of time， simulation is carried out. The results show that the suspected coefficient of stealing electricity obtained by the network model established in this paper is basically consistent with the actual situation， and the relationship between input and output is correct， and it can be used to evaluate the situation of stealing electricity effectively.

Key words： neural network; electricity theft prevention; suspicion coefficient of electricity theft

0 引言

隨著時代科技的發展，人們對電力需求也在不斷提高，與此同時，由于用竊所帶來的經濟損失和用電安全問題已經成為一個不容忽視的話題[1-3]。為識別竊電用戶以便采取相應的措施，竊電技術不斷升級，但依然存在較大的局限性[4-6]，如通過計算電力線路線損來表征竊電現象，盡管能夠發現問題，但具體的竊電量多少，竊電位置等均不能判定[7-9]。采用傳統的線路、用戶用電量比較，不僅耗時耗力，且精度不高[10]。考慮到反竊電的關鍵是獲取竊電突變信號，根據竊電行為必然發生異常現象，通過異常信號追蹤來實現反竊電技信息化、智能化，縮小搜索范圍，提升工作效率[11-13]。基于此，本文以臺區線損、功能因數、三相不平衡等作為反竊電模型指標，建立模型評價體系，并將單項指標作為訓練樣本和神經網絡結構，選定激活函數對樣本對人工神經網絡，獲得嫌疑系數數最大的用戶用電情況，尋找竊電用戶屬性特征和判定規則。

1 用戶用電評價指標體系

根據竊電特點并考慮對竊電嫌疑系數的影響權重，建立用戶用電評價指標體系。主要利用用電信息采集系統采集數據，并結合發電、配電、用電類型，以及線損、三相不平衡率、功率因數和用電類型來提取特征量，進而為用電數據挖掘奠定基礎。本文在現有用電信息采集系統數據基礎上，從用電時間、臺區線損、用戶最大線損、功率因素、用電量、三相不平衡等7個方面對用戶用電狀態進行評估，如圖1所示。

上述評價指標，其中用戶最大線損是在配電線路上，當用戶為發生竊電現象時，則存在最大線損>統計線損>理論線損，當發生竊電現象時，則有統計線損>最大線損[14]。臺區線損，主要通過計算用戶線損率來判定該線損率下所屬用戶是否發生竊電現象。三相不平衡率，電壓的異常可用欠壓現象表示，利用三相不平衡率表征三相電壓的差異性。功率因數，對于用電正常用戶，其功率因數是一定的，與使用時間無關。當發生異常竊電現象則有可能造成功率因數突變。用電量則表征用戶在某一時間段內的用電量。

2 模型結構算法應用

2.1 結構體系

采用三層小波神經網絡作為評價模型，如圖2所示。

為模型的拓撲結構。其中輸

入量xp=（xp1，xp2，…，xpn）T，隱含層輸出量yp=（yp1，yp2，…ypm）T;bp為樣本輸出量。

界于輸入層和隱含層，隱含層與輸出層間權重系數分別為wjk（j=1，2，…，n;k=1，2，…，m）、w=（w1，w2，…wk，…wm）T;其中w輸出層第k個神經元權向量。網絡隱含層、輸出層樣本p輸出公式為（1）、式（2）。

上式中：

θk為隱含層節點閾值，ypk為隱含層樣本輸出;θ為輸出層節點偏置值，b′p為輸出層輸出。采用Sigmoid函數[15]來描述各節點輸出與輸入間非線性關系為式（3）。

定義樣本實際輸出b′p和期望輸出bp誤差函數為式（4）。

采用神經網絡學習的母的即在適當的訓練函數下保證E取得最小值的過程。神經網絡算法的具體流程如圖3所示。

2.2 模型建立

（1） 選定輸入向量。樣本各分量要反應反竊電嫌疑系數定量指標，而指標過少，難以描述竊電現在，指標過多則會增加系統負荷[16]。考慮到各指標的關聯性和交互性，在反竊電評價指標基礎上，選擇上述確定的7個評價指標作為網絡輸入指標。

指標的歸一化處理。在將樣本輸入網絡前，采用公式（5）對數據進行歸一化處理，限制樣本輸入值在[0，1]區間如式（5）。

式中：xi為輸入層數據;xmin、xmax為數據最小值和最大值。

（2） 設計訓練樣本。訓練樣本數隨網絡非線性映射關系復雜度而不斷增加。在確定訓練樣本時，通常根據網絡連接權總數的5-10倍的經驗規則確定。選定樣本要保證其均勻性和多樣性，避免網絡訓練出現震蕩[17]。

（3） 設計隱含層數。本文中由于竊電信號并非鋸齒波，因此采用一層隱含層設計方式。當確定隱含層結構后，采用試湊法來確定隱含層中的隱節點數，采用公式（6）確定節點初始值，如式（6）。

式中：m、n和l分別為隱含層、輸入層和輸出層節點數，α為常數。根據相關研究，隱含層m=7時的網絡誤差較小，因此，初步選定隱節點7，輸入層節點8，輸出節點1。

（4） 選取激活函數。Sigmoid型函數表現為一個中間波動，兩端平坦的變化形式，因而更接近神經信號輸出形式，且函數具備了非線性特性和可微分性，提高了網絡的映射能力，因此，在隱層節點通常采用連續可微的Sigmoid作為激活函數，輸出層采用線性型激活函數來避免輸出受限[18]。

3 實例仿真

以南方某中心城市2017年06月到2018年05月時間段某用戶用電數據為例，分析模型的實際應用價值。從相關歷史資料中查詢可得，該用戶在2018年02月開始竊電，竊電現象持續到2018年04月被處理后恢復正常。

首先對網絡樣本輸入數據進行歸一化處理，并將處理后的數據作為輸入數據，其中選擇竊電嫌疑系數作為輸出數據。如表1所示。

基于Matlab建立神經網絡三層體系結構，根據上節分析確定輸入層、隱含層、輸出層神經元節點數分別為8、7、1個。選定Sigmoid和Purelin函數作為隱含層和輸出層節點激活函數。

將用戶用電數據輸入網絡，進行學習訓練，采用迭代計算至滿足學習精度到10-6為止，得到輸入結果如表2所示。

可以看出，經過學習訓練的輸出值和用戶竊電實際值最大誤差為4.42%，訓練輸出平均誤差0.67%。竊電嫌疑系數保持在0.003 6—0.044 5間，可認為計算獲得的竊電嫌疑系數與實際情況基本一致，表明輸入和輸出關系正確，采用該類神經網絡和響應的輸入樣本能夠對竊電情況進行有效評價。

選擇發生竊電現象的數據作為測試樣本進行神經網絡測試，如表3所示。

可以看出，2018年2月—4月竊電嫌疑系數均在0.96以上，相當接近1，表明竊電可能性較大，應該作為重點排查對象。同時可以看出3個月的線損出現明顯波動突變，且表現為電流極性反現象，因此在實際反竊電中，對單個指標的分析也可作為重點，將單個指標和竊電嫌疑系數結合起來進行分析。如表3所示。

4 總結

（1） 基于竊電特征，將神經網絡與反竊電評價指標體系結合構建了竊電系統的三層神經網絡模型。選定隱節點7，輸入層節點8，輸出節點1，采用連續可微的Sigmoid函數作為隱層節點激活函數，為避免輸出受限，采用線性型激活函數作為輸出層激活函數。

（2） 通過實例驗證指出該竊電網絡模型獲得的竊電嫌疑系數與實際情況基本一致，輸入和輸出關系正確，能夠對竊電情況進行有效評價。

參考文獻

[1] 曾利瓊. 電力系統配電網反竊電技術的研究與應用[J]. 通訊世界，2014（24）：110-112.

[2] 張芬. 電力營銷反竊電技術和應用研究[J]. 電子制作，2015（1）：254-255.

[3] 霍堯. 智能反竊電技術研究與應用[J]. 電力需求側管理，2015，17（2）：52-55.

[4] 林志堅，姚偉智，黃朝凱，等. 基于用電行為分析的反竊電在線監測及智能診斷系統研究[J]. 新技術新工藝，2015（5）：137-140.

[5] 程超，張漢敬，景志敏，等. 基于離群點算法和用電信息采集系統的反竊電研究[J]. 電力系統保護與控制，2015，43（17）：69-74.

[6] 曹崢，楊鏡非，劉曉娜. BP神經網絡在反竊電系統中的研究與應用[J]. 水電能源科學，2011，29（9）：199-202.

[7] 丁曉. 用電檢查與反竊電智能信息平臺的設計與應用[J]. 電力需求側管理，2012，14（3）：49-52.

[8] 黃文科. 電力遠程智能管理信息系統應用于用電監測與反竊電系統的方案[J]. 供用電，2005（2）：60-62.

[9] 鄒欣榮，鄒新軍. 基于用電信息采集系統的反竊電應用研究[J]. 中國高新技術企業，2016（10）：51-52.

[10] 王全興，李思韜. 基于采集系統的反竊電技術分析及防范措施[J]. 電測與儀表，2016，53（7）：78-83.

[11] 陳文瑛，陳雁，邱林，等. 應用大數據技術的反竊電分析[J]. 電子測量與儀器學報，2016，30（10）：1558-1567.

[12] 王新霞，王珂，焦東翔，等. 基于正態分布離群點算法的反竊電研究[J]. 電氣應用，2017，36（7）：60-65.

[13] 肖凱. 分析用電監察中竊電與反竊電技術[J]. 電子技術與軟件工程，2017（20）：251.

[14] 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（S2）：177-178.

[15] 劉盛，朱翠艷. 應用數據挖掘技術構建反竊電管理系統的研究[J]. 中國電力，2017，50（10）：181-184.

[16] 劉衛新，尹文慶，潘霞，等. 聚類k-means算法在新疆反竊電工作中的應用[J]. 南昌大學學報（理科版），2017，41（5）：450-454.

[17] 侯磊，趙鳴. 高壓直接量測防竊電系統的技術與管理研究[J]. 供用電，2017，34（9）：76-80.

[18] 張文宇. 應用大數據技術的反竊電分析[J]. 工程建設與設計，2018（18）：67-68.

（收稿日期： 2019.08.19）

作者簡介：

許長樂（1989-），男，本科，工程師，研究方向：電力營銷、線損、計量、新能源的管理。