用電信息采集大數據分析的反竊電智能識別技術

國網鄭州供電公司 燕躍豪 鮑 薇

針對目前電力系統竊電趨勢不容樂觀的現象，急需提升大數據反竊電水準，構建反竊電的智能識別模型，進而實現對不同竊電事件的精準分類與預測。面對如此嚴峻的形勢，本文采用基于雙向長短時記憶神經網絡（BiLSTM）的滑動窗方法對用戶日電量的變化特征進行提取分析，識別異常用電行為。將用戶用電信息導入訓練好的模型進行分析，實現基于用電信息采集大數據分析的反竊電智能識別。

隨著科技的不斷發展，竊電手段愈發隱蔽，竊電量也越來越大，對我國電力行業造成了嚴重不利影響。根據相關調查數據，每年我國由竊電而損失的經濟已經超過200億元人民幣，對我國經濟的發展產生了難以估計的不良影響，急需相應有效的反竊電方法。

本項目采用基于雙向長短時記憶神經網絡（BiLSTM）的滑動窗方法對用戶日電量的變化特征進行提取分析，智能識別異常用電行為。只需將用戶用電信息導入訓練好的模型進行分析，電網工作人員就可以有針對性的對疑似竊電用戶進行排查，提高反竊電工作效率。

1 基于雙向長短時記憶神經網絡（BiLSTM）的滑動窗方法

1.1 長短時記憶神經網絡（LSTM）基本原理

長短時記憶網絡(Long Short Term Memory Network，LSTM)，是一種改進之后的循環神經網絡(RNN)，在解決和預測長時間序列的問題中都有很好的運用，如圖1、圖2所示。

圖1 RNN網絡模塊形式

LSTM是一種類RNN結構，但與其又有些不同，LSTM有四個以非常特殊方式進行交互的網絡層。

圖2 LSTM網絡模塊形式

在每個記憶單元(圖中A)中包括細胞狀態(Ct)，遺忘門，輸入門和輸出門。這些門結構能讓信息選擇性通過，用來去除或者增加信息到細胞狀態。遺忘門控制遺忘上一層細胞狀態的內容，根據上一序列的ht-1和本序列的Xt為輸入，通過Sigmoid激活函數，得到上一層細胞狀態內容哪些需要去除，哪些需要保留；輸入門處理當前序列位置的輸入，確定需要更新的信息，去更新神經元狀態；輸出門要基于神經元狀態保存的內容來確定輸出什么內容，即選擇性的輸出神經元狀態保存的內容。

1.2 基于雙向長短時記憶神經網絡（BiLSTM）的滑動窗方法

若要判斷用戶某天的用電行為是否存在異常，對該日前后各一周的電量趨勢進行分析，得出的結果會更加準確。因此本項目采用雙向長短時記憶網絡作為反竊電判斷的基本分類模型，采用滑動窗口的方式輸入數據，輸入的窗口長度設置為13（連續13天的日電量數據），網絡結構如圖3所示。可以看到前向層和反向層共同連接著輸出層，其中包含了6個共享權值w1-w6。

圖3 BiLSTM網絡結構

使用神經網絡訓練模型需要大量的帶標簽數據，給數據添加準確的標簽是本項目的一個重點；另外神經網絡的超參數對結果的影響較大，因此神經網絡的搭建與超參數的設置是本項目的另一個重點。

2 反竊電系統數學模型

2.1 數據選取

從營銷系統和計量自動化系統中抽取以下數據：

（1）從營銷系統抽取用戶基本信息數據；

（2）從計量自動化系統采集實時負荷數據和終端報警信息。

2.2 研究內容

（1）基于歷史竊電用戶相關信息，研究竊電識別模型的專家樣本數據集構建方法；

（2）結合低壓用戶用電信息采集數據特征，研究基于雙向長短時記憶神經網絡（BiLSTM）的滑動窗數據處理算法，研究竊電識別模型的參數優化方法，構建低壓用戶竊電診斷分類模型。

2.3 實施方案

（1）從系統中提取歷史竊電低壓用戶相關信息，對數據進行清洗，構建竊電識別模型的專家樣本數據集，提取數據特征。

（2）結合低壓用戶用電信息采集數據特征，基于雙向長短時記憶神經網絡與輸入數據窗口化提取方法，使用Matlab創建雙向長短時記憶網絡，網絡的隱含單元個數設置為100，求解器設置為adam，訓練輪數設置為250輪，梯度閾值設置為1，初始學習率設置為0.01，在訓練125輪后通過乘以因子0.2來降低學習率。

表1 某企業大用戶的三項有功功率數據

表2 專家樣本數據

（3）將竊電用戶原始用電數據導入Matlab中，提取用戶編號、數據日期與總電量信息，然后計算出用戶日電量，對于缺失值及采集的首日電量填充為0。數據預處理完成后對數據進行窗口劃分，將連續13天[T-6,T+6]的電量數據作為神經網絡的一個輸入，第T天的竊電狀態（0或1）作為輸出。對于信息采集的首尾日，使用0對首尾日的窗口進行填充。

（4）使用經過預處理的數據對模型進行訓練并對模型超參數進行調整，以提高模型精度。

（5）對模型進行測試，并采用采用貝葉斯優化算法對超參數進行優化，完善模型，提高識別精度。

3 實例分析

本案例輸入文件為某中心城市某低壓用戶的用電數據，時間為2018年1月1日-2019年7月16日，同時包含每天是否有竊電情況的標志。20180101天的數據形式如表1所示。

首先對網絡樣本輸入數據進行數據處理，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。基于Matlb建立基于雙向長短時記憶神經網絡（BiLSTM）的滑動窗模型，選定Sigmoid函數作為激活函數。

基于數據變換，得到新的評價指標來表征竊電行為所具有的規律，經過數據處理后的專家樣本數據如表2所示。

對專家樣本隨機選取25%作為測試樣本，剩下的75%作為訓練樣本。結合低壓用戶用電信息采集數據特征，基于雙向長短時記憶神經網絡與輸入數據窗口化提取方法，使用Matlab創建雙向長短時記憶網絡，網絡的隱含單元個數設置為100，求解器設置為adam，訓練輪數設置為250輪，梯度閾值設置為1，初始學習率設置為0.01，在訓練125輪后通過乘以因子0.2來降低學習率。訓練樣本建模的混淆矩陣，如圖4所示。

圖4 訓練樣本構建BiLSTM的混淆矩陣

分類準確率為97.9%，正常用電日被誤判為竊電日的占正常用電日的0.5%，竊電日被誤判為正常用電日的占竊電日的1.6%。

結束語：本文基于用電信息采集系統的用戶用電數據，采用基于雙向長短時記憶神經網絡（BiLSTM）的滑動窗方法對用戶日電量的變化特征進行提取分析，實現反竊電的智能識別。通過實例分析，利用歷史用戶用電數據，將用戶用電信息導入訓練好的模型進行分析，實現基于用電信息采集大數據分析的反竊電智能識別，驗證了本文反竊電模型的有效性，為解決大數據時代下的反竊電智能識別問題提供了參考。