基于大数据架构的BP神经网络的用户用电评价与反窃电技术

陆方洲

（河北工业大学）

0 引言

人工神经网络是智能化技术应用的基本内容之一，其能够通过学习功能的发挥来对海量数据进行在线训练，以反馈纠错能力来提升计算精度，帮助相关对象获得海量数据中的最优解。在电网运行中，神经网络已经能够满足电力系统负荷预测、故障定位以及电力设施运行状态监测等方面的要求。对基于大数据架构的BP神经网络用户用电评价与反窃电技术行为进行分析，对提升电网的安全运行水平具有积极的意义。

1 用户用电监测评价系统

1.1 BP神经网络结构设计

结合电网的实际运行情况，对用户用电行为进行评价，应建立在对实际用电行为的科学分类与实时监测基础上。这种评价的科学性和实施性强调评价系统设计应用的算法效率。BP神经网络能够以较快的训练速度来解决一般的模式分类问题，对用户用电评价系统的设计，可以考虑采用BP神经网络结构。

具体而言，BP神经网络在用户用电评价系统中发挥作用，主要依靠BP神经网络的联想记忆和预测能力。建立BP神经网络系统模型，通常需要经历建模、初始化、训练以及应用四个基本的过程，如图1所示。其中，训练过程是能够建立BP神经网络联想记忆和预测能力的主要环节［1］。结合图1所示的神经网络算法流程，发现确定隐含层是设计BP神经网络应用场景的难点，在实际设计中需要考虑隐含层的特殊性，以实验数据的训练和测试来确定。

图1 系统神经网络算法流程

1.2 用户行为监测与评价系统

在明确BP神经网络结构设计原理与基本流程的前提下，应结合针对电网用户用电行为进行监测的具体要求，设计用户行为监测系统。用户行为监测系统结构应包括数据采集终端以及上位机应用软件两个主要的部分，软件部分应以用户行为识别系统和用户行为数据监控平台为主要表现形式。

用户用电行为监测系统的基本工作流程如图2所示，在数据采集终端基于奈奎斯特采样定律的速率原理采集电路中电流数据、监控区域环境数据并进行处理的基础上，判断分析电路中是否存在负载使用行为变化的情况［2］。对分析中存在发生用电行为变化的电流数据，进行差分处理和快速傅里叶变换，用以提取电流特征值。对检测到的环境数据存在变化的情况，则可以直接对其进行格式化处理。

图2 用电行为监测系统工作流程

在依靠用电行为监测系统获取用户用电行为的前提下，可以依靠数据信息的分析归纳总结用户用电特征，基于监测结果，围绕电压不平衡率、电流不平衡率、额定电压偏离度、功率因数不平衡率、合同容量、用电量离散系数、线损率以及相位角等指标来构建针对用户用电状态的评价体系［3］。这些指标能够反映出不同角度电网运行的实际情况，因而能够将其作为判断用户是否存在窃电行为的主要依据。

1.3 BP用电行为监测系统终端平台

用户用电行为监测与评价系统的构建，还应考虑BP用电行为监测系统终端平台的设计与应用效果。基于不同的应用场景，监测系统平台的呈现效果和具体功能与运行流程也存在一定差异。例如，在公寓用电行为统计中，监测系统应能够通过采集和监测多个房间的用电数据，明确每个房间的用电器使用情况以及电路负荷情况。基于这一目的，应强调在系统显示界面体现出一个楼层用电行为的监控界面，主要以监控区域的房间平面分布图为主要结构，让每个受监测的房间对应一个图标控件，而图标空间的下方则能够自动显示该房间的实时电路总负荷［4］。这一过程中，监测系统也应能够设定每个监测房间的电路负荷，以此来保障电路的运行安全。当电路中接入违禁负载或出现异常变化情况时，系统能够自动对相应的房间图标控件以标红或标黄来达到警示监控人员的目的。

2 基于大数据架构的BP神经网络的反窃电技术分析

对用户用电行为进行评价是判断用户是否存在窃电行为的主要依据。BP神经网络本身是基于处理海量数据信息要求而发挥作用的，在应用大数据架构的前提下，可以从用户用电行为评价的角度探讨如何应用反窃电技术来保障电网整体的运行安全，也能够实现对用户用电行为的规范和约束。基于此，在对反窃电技术进行分析时，主要可以从以下几个方面来入手。

2.1 构建反窃电模型

在基于大数据架构和BP神经网络来构建反窃电模型时，需要确定用户异常用电行为的评价指标。结合电网运行的实际情况，发现用户用电特征量发生变化时，通常代表其存在异常用电行为。通过对电压、电流不平衡率、功率因数等特征量的分析，可以从异常用户用电行为中筛选出存在窃电行为的情况。为保证用户行为分析评价的准确性，实际选择的用于分析的用电特征量不宜过少，也不宜过多［5］。本文在分析时，可以直接依据设计的用户用电行为监测评价系统指标来获取相应的特征量。

在将获得的监测评价的数据进行预处理后，就可以通过构建反窃电模型的方式，实现对用户窃电行为的深入分析与判断评价。具体而言，在基于BP神经网络原理的基础上，应选择好实际应用的评价指标作为神经网络的输入。考虑实际电力线路运行中，参数间容易存在大量重叠信息，在构建模型时，可以发挥BP神经网络的作用，以建立“特征提取-异常检测-窃电判断”为基本结构的窃电模型。这一过程主要依靠PCA来提取用户特征参量，并对相应的数据进行降维处理。其算法结构如图3所示。

图3 神经网络算法结构

为实现对电网运行中产生的大量数据的科学分析与评价，本文在建立反窃电模型时，主要应用具有多输入单输入三层的BP神经网络作为对用户用电行为进行评价的主要模型结构。考虑在大数据架构的前提下，实现对海量数据信息的高效准确处理，选择应用PCA来进行特征提取。首先需要应用MATLAB来建立三层神经网络结构，然后分别确定模型输入层、隐含层和输出层的神经元节点，选择Sigmoid作为隐含层的激活函数，以ReIU作为输出层的节点函数。最后在此基础上，设置网络学习精度为10－6，迭代次数为1000次，在启动训练后，要求能够通过不断的迭代训练来指导函数满足相关的学习精度要求，这样就可以得到更贴近于实际的输入非线性映射关系。

这一标准的算法在实际应用中，需要在确定合理科学的评价指标后，对用户用电数据信息进行预处理，然后通过PCA特征提取获得神经网络的输入值。在权重阈值初始化后，明确给定神经网络的输入向量和输出目标，在求取隐含层和输出层的输出值后，对目标输出和预期输出的误差进行比较分析，结果满足相应的要求即可结束这一算法流程。当比较分析的结果不满足相关要求时，则需要在修改权值和阈值后，再次求取隐含层和输出层的输出值，进而对目标输出和预期输出的误差进行比较。

具体而言，在BP神经网络算法流程中，输入信息需要先经过正向传播，再经过误差的反向传播，这两个传播过程是不断循环往复的。只有误差达到具体要求时，算法才会自动停止。考虑到隐含层的特殊性，在正向传播过程中，假设f1为隐含层的传输函数，f2为输出层的传输函数，则隐含层节点的输出oi可以用公式（1）来表示：

而输出层的节点输出yk表示为：

在反向传播中，假设让训练样本数据以P＝（x1，x2，…，xn），期望输出为，将输入第P个样本得到的实际输出为（j＝1，2，…，m），则可以整理得到第P个样本的误差，表示为：

基于此，可以计算出P个样本的总误差。这一过程需要将训练的样本数据输入到BP神经网络后，通过信息流的正向传播来求出隐含层的输出以及输出层的输出值，在计算出真实输出与目标输出的差值后，在反向传播过程中，对输出层开始到第一个隐藏层进行计算，以减小误差为目的，对整个BP神经网络的连接权重进行调整。在达到训练精度要求后，可以停止训练。

在此基础上，主要应用激活函数来对神经网络中每一个节点输入与输出间存在的非线性关系进行描述。最后依据输出收敛准则来计算出应用神经网络产生的总误差函数。在Sigmoid型函数部分，主要基于公式（4）来表示节点输入与输出间存在的非线性关系：

而在ReIU函数部分，则主要作为输出层节点函数，表示为：

在此基础上，定义输出收敛准则，在将m个样本的实际输出设为b′p的前提下，其与期望输出bp额总误差函数可以表示为：

基于这一原理，通过样本学习训练的方式来构建反窃电模型，可以将其看作为选定适当的训练函数，确保在训练过程中获得的总误差函数极小的过程。

2.2 用户异常用电行为检测

将基于BP神经网络的反窃电模型应用到实际的电网运行当中，实现对用户窃电行为的检测，对提升电网的运行安全和效率具有重要的意义。为验证反窃电模型的应用效果，主要通过实验分析的方式，选取实际生活中的用户用电数据作为研究对象，基于以上涉及到的用户用电行为评价指标，应用反窃电模型来进行学习训练，获得窃电评价指标的相应系数。

（1）实验中主要选取3400个用户用电数据作为实验样本，在事先对这些用电数据进行检测时，发现其中58户存在窃电行为。基于这一前提，在3400个用户数据中随机选取342户正常用户和58户异常用户构成实验研究样本，按照4∶1的比例将其分为训练样本和测试样本。重点从电压不平衡率、电流不平衡率、额定电压偏离度、功率因数不平衡率、合同容量、用电量离散系数、线损率以及相位角8个指标入手，对用电数据进行归一化处理和评价。

（2）在PCA处理环节，首先对数据进行归一化处理，设定取值范围为［0，1］，可以获得部分归一化后的用户用电数据。在对这些归一化后的数据进行PCA处理后，可以将获得的数据作为反窃电评价指标，将其带入到BP神经网络算法中，作为神经网络的输入变量。在此基础上，可以明确对用户窃电行为进行判断和分类的主要依据，即当用户窃电系数在［0.8，1.0）时，属于重大窃电行为，当用户窃电系数在［0.6，0.8）时，属于一般窃电行为，当用户窃电系数在［0，0.6）时，属于无窃电行为。

（3）在获得8个基本指标的相应数据之后，需要对这些评价指标进行主成分的分析。再去除用户用电数据中的重叠部分后，基于降低数据维度的目的，设定x1，x2，…，xn为训练样本，则可以依据此来构建样本的观测值数据矩阵。

在经过指标提取和降维处理后，可以获得如表1所示的窃电指标主成分和贡献率。

表1 窃电指标主成分与贡献率（前5）

基于这一结果进行进一步分析，就可以确认具体的窃电评价指标系数。

（4）在验证结果分析阶段，如表2所示，依据获得的样本训练测试结果，分析发现在训练样本当中，有50个样本数据被判定为存在重大窃电嫌疑。在将验证结果与实际监测结果进行对比之后发现，其中部分用户虽被判定为重大窃电嫌疑，但实际并未发生窃电行为；部分用户虽被判定为一般嫌疑人，但实际发生了窃电行为。

表2 用户窃电行为人测试嫌疑系数结果（部分）

在考虑相关检测结果之后发现，应用BP神经网络获得的样本数据判定准确率为96.8%。结合表2中的样本窃电数据检测结果，除被误判的1个测试样本用户窃电系数为0.6275外，其余样本窃电嫌疑系数均超过0.95。而两个非窃电行为的嫌疑系数相对而言并不高。

由此可以验证，应用BP神经网络算法，能够在一定程度上保证用户确定嫌疑人分析结果的准确性和科学性，而以PCA实现信息提取的方式，能够简化实际对用户用电数据信息进行计算的流程，能够满足现阶段供电公司对于海量数据分析的需求，因而具有可行性，可以将该算法应用于供电网络的运行当中。

3 结束语

综上所述，BP神经网络的应用，能够有效提升针对用户用电行为数据信息计算的精度，从而有效发挥电网监督的功能和要求，并通过对窃电行为的用电状态评价与监测来保障电网的安全运行。这一过程主要可以通过构建用户用电评价与监测系统体系来实现，在用户用电产生海量数据的情况下，基于BP神经网络来构建围绕大数据架构的评价和监测系统，能够满足电网运行和促进电网建设发展的要求。