基于大数据的变结构BP神经网络反窃电技术研究

强浩 戴巧云 吴柯 杜健 殷新博 陈琛

摘要：随着经济的发展，人们对电力的需求逐渐增大，用户的窃电行为成为不容忽视的问题。基于大数据，开展了变结构BP神经网络窃电用户识别技术的研究：首先，根据用户所在线路参数、用户用电参数等建立用户用电评价指标体系;其次，基于不同线路用户的实际采集数据构建BP神经网络，实现对该用户的用电评价;最后，通过算例验证该方法能有效提高窃电疑似用户的识别效率。

关键词：大数据;BP神经网络;变结构;防窃电

人们对电力的需求随着时代与科技的进步而逐渐增加，电力生产同样也随着市场对电力的需求而不断发展。与此同时，用户的窃电行为成为不容忽视的问题，其每年都会导致电力生产部门蒙受巨大的经济损失。更为重要的是，窃电用户往往会通过破坏电力设施来进行窃电，在这种情况下，遭到破坏的电力设施除了直接造成电力生产部门的经济损失外，还很可能会由于电线外露等问题而导致触电事故以及电气火灾事故等的发生，从而造成人员伤亡事故和其他重大灾害事故等。

目前，为了识别窃电用户以便采取相关的措施，大多数电力生产部门采用的方法基本都是进行线路、用户用电数据的对比;然而，由于用户的用电数据海量且种类繁多，窃电手段也多样，传统比对方法不仅耗时耗力，且精准度也不高，尤其对于一些先进的窃电技术没有很好的识别手段，因而要识别疑似窃电用户是有很大难度的。[1-3]

人工神经网络是一种成熟的非线性分析工具，可以对于大量的现场数据利用其自学习功能进行在线训练，从而提高计算精度。[4]随着技术的发展，传统神经网络越来越多地应用于电力系统的各个方面，如：电力系统负荷预测、电力系统运行优化、电力系统保护与控制、电力系统故障定位和故障诊断、电力变压器状态监测、小电流接地系统综合智能选线等。[5-8]

本文主要通过构建BP神经网络进行窃电疑似用户的识别。首先，根据窃电方式、用户信息采集系统数据，建立用户用电评价指标体系;其次，根据实际检测线路及用户的具体参数构建BP神经网络，用来评价该用户的用电状态;最后，用算例验证该方法识别窃电用户的有效性。

1    用户用电评价指标体系

一旦有用户实施窃电行为，该线路的线损将变得不正常，此外，线路上其他参数及用户自身的用电参数也将有所变化。当然，用户用电参数的特征也和季节、所在台区及用户类型等因素相关;因此，建立用户用电评价指标体系，主要利用用电信息采集系统的数据，结合计量类型（发电、电网、用电等）、季节（春秋、冬、夏）、日电量、月电量、最大线损值、所在台区线损、三相不平衡率、功率因数以及用电类型（大、中、小）等，提取特征量，为进行用户用电行为数据挖掘分析奠定基础。

基于用电信息采集系统，确定了从月份、用户能效等级、月用电量、用表类型、所在台区线损、三相电压不平衡率、三相电流不平衡率、功率因数、单耗等九个方面对用户用电状态进行评价。用户用电评价体系如图1所示。

2    变结构BP神经网络反窃电方法

将图1中的九项指标作为BP神经网络的输入来进行窃电用户的识别，可以提高反窃电的工作效率和识别精度。但是，在实际电力线路中并不一定能获得图1中的各个参数，为此，本文提出了变结构BP神经网络窃电用户识别方法，其结构如图2所示。

虚线框内为方法的主要步骤：首先，分析输入的用户数据，获取评价指标内的相关参数，并根据实际可以获得的评价指标参数构建BP神经网络;然后，根据该神经网络进行用电用户的识别;最后，对于窃电疑似用户下发核查工单进行现场检查。显然，不同用户的可获取的评价指标参数不尽相同，从而导致构建的BP神经网络也具有不同的结构。

本文构建的BP神经网络为单输出多输入的三层网络，如图3所示。

5. 输出结果处理：提取用户的历史数据中表征是否存在竊电行为的数据作为输出数据，有三种可能的结果：0，1，2。0表示该用电用户基本没有窃电可能，窃电嫌疑系数几乎为0;1表示该用户用电信息非正常，存在窃电嫌疑，被列入观察范围之内;而2则表示该用户的用电数据存在极大问题，具有很大的窃电嫌疑，是重点观察对象。

3    算例验证

本文通过相关部门获取了用户用电相关数据，并用以验证所提出的基于大数据BP神经网络反窃电技术研究。神经网络的输入设定为所在台区线损、三相不平衡率、功率因数和单耗四个指标，具体数据如表1所示。

设置的BP网络学习速率为0.1，设训练的目标误差为0.001，而设该模型的训练次数为1 000。表1中前15行数据作为样本训练，后5行数据进行验证，结果如图4和图5所示。

从图5仿真结果可以看出，基于BP神经网络的防窃电检测模型的分类准确率非常高，所以运用BP神经网络进行防窃电具有很强的可行性。

4     结语

BP神经网络识别窃电用户相比于传统的线路数据对比方法，具有高效快速的特点。本文从大量的数据中选取合适的参数构建用户用电评价体系;根据实际用户可获得的数据构建变结构的三层BP神经网络模型，实现用户用电等级的评价;帮助电力公司识别窃电疑似用户，避免电力生产部门蒙受巨大的经济损失。最终数值仿真结果证实，本文提出的方法是可行有效的。

参考文献：

[1] 陈文瑛，陈雁，邱林，等.应用大数据技术的反窃电分析[J].电子测量与仪器学报，2016，30（10）：1558-1567.

[2] 霍尧. 基于用电信息采集的智能反窃电系统开发与应用[D].北京：华北电力大学，2014.

[3] 程超，张汉敬，景志敏，等.基于离群点算法和用电信息采集系统的反窃电研究[J].电力系统保护与控制，2015，43（17）：69-74.

[4] 徐学良.人工神经网络的发展及现状[J].微电子学， 2017， 47（2）：239-242.

[5] 向德军， 王彬， 郭文鑫，等. 基于人工神经网络的电力系统精细化安全运行规则[J]. 电力系统保护与控制， 2017， 45（18）：32-37.

[6] 刘永春， 刘志峰. 基于BP人工神经网络的发动机生产作业环境综合评价模型[J]. 合肥工业大学学报（自然科学版）， 2017， 40（10）：36-41，113.

[7] 朱立忠， 程楠. 人工神经网络的电网故障诊断[J]. 沈阳理工大学学报， 2017， 36（1）：102-106.

[8] 基于人工神经网络的短期电力负荷预测研究[D]. 杭州：浙江大学， 2017.