任關(guān)友 王昕 李英娜 李川

摘要：電能的準(zhǔn)確計(jì)量是電力企業(yè)生產(chǎn)經(jīng)營(yíng)管理及電網(wǎng)經(jīng)濟(jì)穩(wěn)定運(yùn)行的重要環(huán)節(jié)，計(jì)量準(zhǔn)確性及質(zhì)量可靠性直接影響用戶的經(jīng)濟(jì)利益和社會(huì)能源利用率。如何準(zhǔn)確分辨因用戶行為導(dǎo)致的計(jì)量異常是一個(gè)有待解決的技術(shù)難題。近年來(lái)，因智能電能表的推廣及用電信息采集系統(tǒng)建設(shè)的全面完善，電網(wǎng)公司積累了海量用戶用電數(shù)據(jù)，基于此，本文提出一種基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法對(duì)用戶用電行為進(jìn)行檢測(cè)，實(shí)驗(yàn)表明該方法具有較高的可行性和可靠性，可以進(jìn)行推廣。

關(guān)鍵字：防竊電；數(shù)據(jù)挖掘；粒子群算法；神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.1003-6970.2017.08.043

引言

電能計(jì)量異常主要是指電能計(jì)量設(shè)備不能準(zhǔn)確記錄和反映出用戶的真實(shí)用電情況，從而造成電網(wǎng)公司或者用戶經(jīng)濟(jì)損失。電能計(jì)量設(shè)備故障又可以分為設(shè)備本身故障和人為導(dǎo)致的設(shè)備故障。設(shè)備本身故障即設(shè)備內(nèi)部某個(gè)或某些元件發(fā)生故障從而導(dǎo)致電能不能準(zhǔn)確計(jì)量，人為導(dǎo)致的故障即以人的意志通過(guò)更改電能表內(nèi)部的某些元件導(dǎo)致設(shè)備計(jì)量誤差增大。后者以人的意志對(duì)設(shè)備的更改即是電力行業(yè)所說(shuō)的竊電。竊電從電力計(jì)量開(kāi)始就一直存在，并且隨著計(jì)量器具的發(fā)展而改進(jìn)，竊電對(duì)電網(wǎng)公司每年造成巨大的經(jīng)濟(jì)損失。由于竊電導(dǎo)致計(jì)量設(shè)備發(fā)生損壞，給用戶用電造成巨大的安全隱患，并且由于用戶竊電導(dǎo)致的電力安全事故嚴(yán)重影響了社會(huì)穩(wěn)定性。如何對(duì)竊電行為有效的回應(yīng)，成為電網(wǎng)公司不得不面對(duì)的問(wèn)題。

現(xiàn)在常有的竊電方式有（1）欠壓法（2）欠流法（3）擴(kuò)差法（4）無(wú)表法（5）移相法，針對(duì)這五種竊電方法，現(xiàn)有的防竊電方式有（1）改進(jìn)電表和使用帶防竊電功能的表箱（2）—次側(cè)、二次側(cè)計(jì)量數(shù)據(jù)比對(duì)（3）基于網(wǎng)絡(luò)守恒發(fā)現(xiàn)存在可疑的用戶（4）用戶舉報(bào)及稽查人員檢查。在實(shí)際的生產(chǎn)工作中，我們發(fā)現(xiàn)用戶竊電方式存在趨向于高科技化，上述的幾種方法都不能有效的發(fā)現(xiàn)存在可疑的用戶。其中，帶防竊電功能的表箱由于安裝電表需要進(jìn)線到表箱內(nèi)部，所以使得表箱并不能完全密封，在面對(duì)強(qiáng)磁、高頻等竊電行為并不能完全保護(hù)電表；一二側(cè)對(duì)比需要我們單獨(dú)開(kāi)發(fā)新的設(shè)備，并且這種設(shè)備一次只能針對(duì)一戶用戶進(jìn)行檢查，效率低且花費(fèi)大，并且如果竊電用戶發(fā)現(xiàn)一次側(cè)加裝了設(shè)備，很可能在安裝設(shè)備的這段時(shí)間不會(huì)發(fā)生竊電行為，從而導(dǎo)致這種方法無(wú)效。

無(wú)論是哪種竊電方法，最終都會(huì)反映在計(jì)量數(shù)據(jù)上，而數(shù)據(jù)是真實(shí)的?；陔娋W(wǎng)公司積累的大量用戶用電數(shù)據(jù)，本文提出一種基于粒子群算法改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法，運(yùn)用粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行優(yōu)化，通過(guò)分析用戶的用電數(shù)據(jù)，綜合考慮用戶用電行為特征，從而發(fā)現(xiàn)異常用戶，并對(duì)這些用戶做重點(diǎn)的檢查和防范。

1 基于粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建立竊電檢測(cè)模型

1.1 粒子群算法

粒子群算法（Particle Swarm Optimization，PSO）來(lái)源于鳥(niǎo)類(lèi)覓食過(guò)程的模擬和研究。它的基本思想是通過(guò)群體之間的協(xié)作和信息共享來(lái)尋找最優(yōu)解。

粒子群算法具有記憶特點(diǎn)，可以動(dòng)態(tài)跟蹤當(dāng)前的搜索狀態(tài)，調(diào)整搜索策略。

設(shè)有n個(gè)粒子組成的群體，在維度為q的空間內(nèi)搜索，每個(gè)粒子表示為，每個(gè)粒子所處的位置為，每個(gè)粒子的速度為在搜索過(guò)程中，需要記錄每個(gè)粒子的搜索到的歷史最優(yōu)值pfst=和全局最優(yōu)值。每個(gè)粒子的速度和位置更新如下：

其中，為第次迭代時(shí)，粒子i在d維上的速度，為次迭代時(shí)，粒子在維上的位置，為保持原來(lái)速度的系數(shù)，即慣性權(quán)重，q是粒子跟蹤自己最優(yōu)的權(quán)重系數(shù)，通常設(shè)置為2，是跟蹤全局最優(yōu)的權(quán)重系數(shù)，通常設(shè)置為2。和是間的隨機(jī)數(shù)，是對(duì)位置更新的時(shí)候，在速度前面加的一個(gè)系數(shù)，即為約束因子，通常設(shè)置為。

1.2 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN）是對(duì)生物機(jī)理的抽象合成，其基本成分是神經(jīng)元。在生物神經(jīng)網(wǎng)絡(luò)中，每個(gè)神經(jīng)元與其他神經(jīng)元相連接，當(dāng)它興奮時(shí)，便會(huì)向其他神經(jīng)元發(fā)送化學(xué)物質(zhì)，從而改變其他神經(jīng)元的狀態(tài)，人工神經(jīng)網(wǎng)絡(luò)便是基于此構(gòu)成。眾多神經(jīng)元組成的單元經(jīng)過(guò)帶有權(quán)值的連接弧相連便構(gòu)成了神經(jīng)網(wǎng)絡(luò)。一個(gè)實(shí)例通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，該網(wǎng)絡(luò)能夠以某種方式表達(dá)輸入與輸出之間的關(guān)系，我們就認(rèn)為這個(gè)神經(jīng)網(wǎng)絡(luò)是對(duì)該實(shí)例的抽象表達(dá)m。

誤差反向傳播（BP）神經(jīng)網(wǎng)絡(luò)是近些年運(yùn)用的最普遍的，學(xué)習(xí)機(jī)制分為正向傳播和反向誤差回饋。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成，三層之間的神經(jīng)元由帶權(quán)值的連接弧構(gòu)成，層與層之間相互關(guān)聯(lián)，神經(jīng)網(wǎng)絡(luò)正向傳播后計(jì)算學(xué)習(xí)誤差，根據(jù)學(xué)習(xí)誤差對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行反向誤差調(diào)整，整個(gè)過(guò)程循環(huán)迭代，直到誤差達(dá)到相應(yīng)要求。BP神經(jīng)網(wǎng)絡(luò)由于強(qiáng)大的非線性映射能力和強(qiáng)大的泛化、容錯(cuò)能力而被廣泛使用，但是由于誤差回饋過(guò)程基于梯度下降的搜索算法，使得神經(jīng)網(wǎng)絡(luò)可能會(huì)陷人局部極小值從而得到的不是全局最小值，并且，如果神經(jīng)算法學(xué)習(xí)速率等參數(shù)如果選擇過(guò)大的話，容易讓神經(jīng)網(wǎng)絡(luò)發(fā)生震蕩，不能收斂，過(guò)小則會(huì)讓神經(jīng)網(wǎng)絡(luò)收斂速度過(guò)慢。

2 基于粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建立竊電檢測(cè)模型

人工神經(jīng)網(wǎng)絡(luò)算法（ANN）和粒子群算法各有其特點(diǎn)和長(zhǎng)處，近年來(lái)，越來(lái)越多的學(xué)者嘗試將兩者的優(yōu)點(diǎn)相結(jié)合，使得系統(tǒng)既具有粒子群算法全局搜索能力，又具有神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力及逼近任意非線性函數(shù)能力。目前常有的做法包括融合算法、PSO-ANN算法、ANN-PSO算法等。本文采取的做法為先建立BP神經(jīng)網(wǎng)絡(luò)，在誤差回饋過(guò)程中采用PSO算法對(duì)權(quán)值進(jìn)行優(yōu)化，使得神經(jīng)網(wǎng)絡(luò)收斂的更快并且是全局最優(yōu)解。POS-BP算法流程如圖1所示：

2.1 反竊電指標(biāo)確定

對(duì)所使用特征個(gè)數(shù)的討論，可以采用偏差-方差困境來(lái)考慮，S卩：模型如果特征個(gè)數(shù)過(guò)少，模型不夠復(fù)雜會(huì)導(dǎo)致不能捕捉特征的基本關(guān)系從而訓(xùn)練出來(lái)的模型有較大的偏差，如果特征過(guò)多，但沒(méi)有足夠的數(shù)據(jù)支撐模型，可能會(huì)導(dǎo)致模型過(guò)度依賴訓(xùn)練樣本而無(wú)法將模型泛化到更多數(shù)據(jù)以至于具有較高的方差。并且隨著特征的增加，我們?yōu)榱藴?zhǔn)確泛化模型所需要的數(shù)據(jù)量也需要呈指數(shù)的增加。所以，在擬合優(yōu)度與簡(jiǎn)單性之間，需要某種折中，即要考慮好為實(shí)現(xiàn)擬合優(yōu)度所需的特征個(gè)數(shù)。本次研究只針對(duì)10KV高壓專(zhuān)變用戶進(jìn)行，不針對(duì)其他電壓等級(jí)用戶。綜合分析云南某地計(jì)量中心提供的用戶用電數(shù)據(jù)并考慮10KV高壓專(zhuān)變用戶用電特征、竊電情況等特點(diǎn)，我們將數(shù)據(jù)分成峰時(shí)、平時(shí)、谷時(shí)三個(gè)時(shí)間段，擬從峰值有功功率、平值有功功率、谷值有功功率、功率因數(shù)、三相電壓不平衡率、三相電流不平衡率、是否為節(jié)假日等七個(gè)方面對(duì)目標(biāo)嫌疑用戶竊電嫌疑開(kāi)展評(píng)估預(yù)測(cè)，如果評(píng)估的竊電嫌疑愈大，就表明用戶竊電的可能性越高。圖2為反竊電評(píng)價(jià)指標(biāo)體系：

其中，三相電壓不平衡率和三相電流不平衡率分別是反映用電過(guò)程中電壓和電流的波動(dòng)情況，在三相供電系統(tǒng)中，電壓和電流基本保持平衡。當(dāng)電壓（流）不為0時(shí)，三相電壓（流）不平衡率的計(jì)算方式為三相電壓（流）的最大值與最小值之差比上最小值。對(duì)于一家正常用戶來(lái)說(shuō)，功率因數(shù)會(huì)是一個(gè)相對(duì)穩(wěn)定值，因此其平均功率因數(shù)相應(yīng)也應(yīng)該是一個(gè)相對(duì)穩(wěn)定值，而且與電量使用時(shí)間無(wú)關(guān)。所以我們也將功率因數(shù)作為一個(gè)主要的參考依據(jù)。

2.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理一般包括三個(gè)過(guò)程，分別是：數(shù)據(jù)篩選、數(shù)據(jù)變換和特征縮放[1（）]。數(shù)據(jù)篩選即篩選出我們需要的某一列或者多列數(shù)據(jù)；數(shù)據(jù)變化即當(dāng)某個(gè)變量不是直接存在需要經(jīng)過(guò)某種變換才能得到；特征縮放即數(shù)據(jù)標(biāo)準(zhǔn)化，數(shù)據(jù)標(biāo)準(zhǔn)化在模型訓(xùn)練中極為重要，比如說(shuō)電壓的值一般在220V，電流有時(shí)候可能才為2A，當(dāng)我們計(jì)算電流和電壓的合計(jì)時(shí)，結(jié)果就是電壓幾乎會(huì)完全主導(dǎo)答案，但是我們計(jì)算初衷可能是希望兩個(gè)特征能夠得到同等的重視，數(shù)據(jù)標(biāo)準(zhǔn)化使得這些特征跨越的范圍具有可比性而且特征能包含相同的信息，只是所使用的單位不同。標(biāo)準(zhǔn)化后的值通常為（M之間。數(shù)據(jù)標(biāo)準(zhǔn)化采用公式3：

其中，Xmax為本指標(biāo)數(shù)值中的最大值，為本指標(biāo)數(shù)值中的最小值，為第個(gè)輸入數(shù)據(jù)。

2.3 BP網(wǎng)絡(luò)模型設(shè)計(jì)

三層BP網(wǎng)絡(luò)能夠模擬復(fù)雜非線性的輸入輸出關(guān)系。所以采用三層BP網(wǎng)絡(luò)作為防竊電模型預(yù)測(cè)用戶竊電嫌疑。在模型的設(shè)計(jì)中，輸入層我們采用3.1節(jié)介紹的特征值；隱含層節(jié)點(diǎn)的選擇對(duì)神經(jīng)網(wǎng)絡(luò)很關(guān)鍵，如果節(jié)點(diǎn)數(shù)過(guò)少，模型可能不能完全表達(dá)出數(shù)據(jù)的含義，節(jié)點(diǎn)數(shù)過(guò)多的話，神經(jīng)網(wǎng)絡(luò)會(huì)過(guò)分依賴數(shù)據(jù)而變得具有較高的方差、容錯(cuò)性能降低，并且收斂速度也很慢，本次研究采取神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)經(jīng)驗(yàn)公式4：

其中，n為輸入層節(jié)點(diǎn)數(shù)，a為1?10中間的某一常數(shù)。輸出層的設(shè)計(jì)中，我們采用直接用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)預(yù)測(cè)，即：直接將用戶歷史用電數(shù)據(jù)作為輸入，將實(shí)際竊電結(jié)果是否竊電或作

3.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇

因?yàn)閿?shù)據(jù)量較少，所以單隱含層神經(jīng)網(wǎng)絡(luò)已經(jīng)能滿足我們的需求，所以在本次試驗(yàn)中我們只使用單隱含層。隱含層節(jié)點(diǎn)數(shù)量的選擇對(duì)神經(jīng)網(wǎng)絡(luò)很關(guān)鍵，如果節(jié)點(diǎn)數(shù)過(guò)少，模型可能不能完全表達(dá)出數(shù)據(jù)的含義，節(jié)點(diǎn)數(shù)過(guò)多的話，神經(jīng)網(wǎng)絡(luò)會(huì)過(guò)分依賴數(shù)據(jù)而變得具有較高的方差、容錯(cuò)性能降低，并且收斂速度也很慢，綜合考慮輸入輸出節(jié)點(diǎn)數(shù)以及樣本數(shù)目，經(jīng)反復(fù)試驗(yàn)實(shí)測(cè)比較，確定當(dāng)隱含層節(jié)點(diǎn)為10的時(shí)候效果最好。由此，確定神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為8-10-1。所以一共有個(gè)權(quán)值，即粒子的維度為90維，適應(yīng)度函數(shù)為輸出均方誤差，其表達(dá)如下：

為期望目標(biāo)輸出，對(duì)BP網(wǎng)絡(luò)進(jìn)行不斷訓(xùn)練，當(dāng)模型訓(xùn)練到滿足精度要求時(shí)，將需要檢驗(yàn)的數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)，直接輸出判斷值（竊電嫌疑）。

3 案例分析

本次試驗(yàn)數(shù)據(jù)選自云南某用戶2015年1月到2016年6月共計(jì)18個(gè)月的完整用電數(shù)據(jù)，其中該用戶在2015年1月、2015年5月發(fā)生過(guò)竊電事件，通過(guò)分析竊電數(shù)據(jù)，發(fā)現(xiàn)在竊電時(shí)間段用戶數(shù)據(jù)存在較大異常，二相電壓、電流不平衡率也存在異常。3.1數(shù)據(jù)準(zhǔn)備將選定的8個(gè)輸入向量進(jìn)行數(shù)據(jù)變化、數(shù)據(jù)標(biāo)準(zhǔn)化處理，結(jié)果如表1所示。其中，功率因數(shù)是取用戶該天功率因數(shù)平均值，在竊電和節(jié)假日欄中，0表示否，1表示是。在本次試驗(yàn)中，共有樣本544條。標(biāo)準(zhǔn)化后的數(shù)據(jù)如下表1所示：

其中，為訓(xùn)練集樣本數(shù)，為實(shí)際的值，為網(wǎng)絡(luò)預(yù)測(cè)得到的值。

3.3 實(shí)驗(yàn)結(jié)果

為了作對(duì)比分析，本次試驗(yàn)將普通BP神經(jīng)網(wǎng)絡(luò)和基于PSO優(yōu)化的神經(jīng)網(wǎng)絡(luò)進(jìn)行了對(duì)比分析。兩種算法的準(zhǔn)確率收斂速度見(jiàn)圖3，從圖中可以發(fā)現(xiàn)，PSO優(yōu)化的神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)140次訓(xùn)練后準(zhǔn)確率已經(jīng)穩(wěn)定，普通BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)190次訓(xùn)練后才穩(wěn)定下來(lái)。經(jīng)過(guò)PSO優(yōu)化的神經(jīng)網(wǎng)絡(luò)效率要高于普通的BP神經(jīng)網(wǎng)絡(luò)。

測(cè)試數(shù)據(jù)集測(cè)試后得到的結(jié)果如表2所示。

通過(guò)建立PSO-BP神經(jīng)網(wǎng)絡(luò)，該模型的仿真預(yù)測(cè)結(jié)果與實(shí)際值和BP神經(jīng)網(wǎng)絡(luò)相比，不僅具有比較高的正確率，而且絕對(duì)誤差要比BP神經(jīng)網(wǎng)絡(luò)略小，可以直接說(shuō)明利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)竊電嫌疑具有很高的可行性及可靠性。

4 結(jié)論

在用電信息采集系統(tǒng)功能尚不完善之前，電力公司不能及時(shí)、準(zhǔn)確的掌握用戶的用電情況，用電檢查工作也只是停留在人工抽檢，這種方式實(shí)行起來(lái)效率低、難度大并且很難準(zhǔn)確的發(fā)現(xiàn)存在用電異常的用戶。本文提出一種基于粒子群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法，從實(shí)驗(yàn)比對(duì)和驗(yàn)證結(jié)果看，基于優(yōu)化的神經(jīng)網(wǎng)絡(luò)能更快的收斂并且準(zhǔn)確性也相對(duì)精準(zhǔn)。該方法為防竊電工作提供了新的思路。