王玉豪 樊一辰 孫志航

【摘? 要】力竊漏電用戶自動(dòng)識(shí)別通過現(xiàn)有的電力計(jì)量自動(dòng)化系統(tǒng)能夠采集到各相電流、電壓、功率因數(shù)等用電負(fù)荷數(shù)據(jù)以及用電異常等終端報(bào)警信息。利用LM神經(jīng)網(wǎng)絡(luò)建立數(shù)據(jù)分析模型，來實(shí)時(shí)監(jiān)測竊漏電情況和發(fā)現(xiàn)計(jì)量裝置的故障。本項(xiàng)技術(shù)對(duì)人的依賴性低，抓竊查漏的目標(biāo)十分明確，有利于提高防竊漏電系統(tǒng)的效率和準(zhǔn)確性。且該技術(shù)無須進(jìn)入設(shè)備內(nèi)部，通過采集到的電負(fù)荷數(shù)據(jù)以及電異常等終端報(bào)警信息便可實(shí)現(xiàn)智能分析，具有簡單、經(jīng)濟(jì)、易于推廣與應(yīng)用等優(yōu)勢(shì)。但是，由于測量數(shù)據(jù)較為復(fù)雜并且數(shù)據(jù)量較大，所以利用數(shù)據(jù)挖掘來進(jìn)行電力竊漏電用戶自動(dòng)識(shí)別具有重要的意義。

【關(guān)鍵詞】電力;數(shù)據(jù)挖掘;LM神經(jīng)網(wǎng)絡(luò)

引言

傳統(tǒng)的防竊漏電方法主要通過定期巡檢、定期校驗(yàn)電表、用戶舉報(bào)竊電等手段來發(fā)現(xiàn)竊電或計(jì)量裝置故障。但這種方法對(duì)人的依賴性太強(qiáng)，抓竊查漏的目標(biāo)不明確。目前很多供電局主要通過營銷稽查人員、用電檢查人員和計(jì)量工作人員利用計(jì)量異常報(bào)警功能和電能量數(shù)據(jù)查詢功能開展用戶用電情況的在線監(jiān)控工作，通過采集電量異常、負(fù)荷異常、終端報(bào)警、主站報(bào)警、線損異常等信息，建立數(shù)據(jù)分析模型，來實(shí)時(shí)監(jiān)測竊漏電情況和發(fā)現(xiàn)計(jì)量裝置的故障。根據(jù)報(bào)警事件發(fā)生前后客戶計(jì)量點(diǎn)有關(guān)的電流、電壓、負(fù)荷數(shù)據(jù)情況等，構(gòu)建基于指標(biāo)加權(quán)的用電異常分析模型，實(shí)現(xiàn)檢查客戶是否存在竊電、違章用電及計(jì)量裝置故障等。

以上防竊漏電的診斷方法，雖然能獲得用電異常的某些信息，但由于終端誤報(bào)或漏報(bào)過多，無法達(dá)到真正快速精確定位竊漏電嫌疑用戶的目的，往往令稽查工作人員無所適從。而且在采用這種方法建模時(shí)，模型各輸入指標(biāo)權(quán)重的確定需要用專家的知識(shí)和經(jīng)驗(yàn)，具有很大的主觀性，存在明顯的缺陷，所以實(shí)施效果往往不盡如人意。

現(xiàn)有的電力計(jì)量自動(dòng)化系統(tǒng)能夠采集到各相電流、電壓、功率因數(shù)等用電負(fù)荷數(shù)據(jù)以及用電異常等終端報(bào)警信息。異常告警信息和用電負(fù)荷數(shù)據(jù)能夠反映用戶的用電情況，同時(shí)稽查工作人員也會(huì)通過在線稽查系統(tǒng)和現(xiàn)場稽查來查找出竊漏電用戶，并錄入系統(tǒng)。若能通過這些數(shù)據(jù)信息提取出竊漏電用戶的關(guān)鍵特征，構(gòu)建竊漏電用戶的識(shí)別模型，就能自動(dòng)檢查判斷用戶是否存在竊漏電行為。

1.模型分析

構(gòu)建專家樣本集和竊漏電用戶識(shí)別模型（LM神經(jīng)網(wǎng)絡(luò)和CART決策樹模型），并且對(duì)模型進(jìn)行分析，歸納優(yōu)缺點(diǎn)，則優(yōu)而用。良好的數(shù)據(jù)模型具有以下優(yōu)點(diǎn)：（1）能幫助我們快速查詢所需要的數(shù)據(jù)。（2）能極大地減少不必要的數(shù)據(jù)冗余，也能實(shí)現(xiàn)計(jì)算結(jié)果復(fù)用，極大地降低大數(shù)據(jù)系統(tǒng)中的存儲(chǔ)和計(jì)算成本。（3）能極大地改善用戶使用數(shù)據(jù)的體驗(yàn)，提高使用數(shù)據(jù)的效率。（4）能改善數(shù)據(jù)統(tǒng)計(jì)口徑的不一致性，減少計(jì)算錯(cuò)誤的可能。

據(jù)數(shù)據(jù)變換中的電量趨勢(shì)下降指標(biāo)、線損指標(biāo)和告警類指標(biāo)構(gòu)建樣本。電量下降趨勢(shì)指標(biāo)：若電量趨勢(shì)為不斷下降的，則認(rèn)為具有一定的竊電嫌疑。線損指標(biāo)：線路的線損率可作為用戶線損率的參考值，若用戶發(fā)生竊漏電，則當(dāng)天的線損率會(huì)下降，但由于用戶每天的用電量存在波動(dòng)，所以應(yīng)考慮前后幾天的線損率平均值。告警類指標(biāo)：與竊漏電相關(guān)的終端報(bào)警主要有電壓缺相、電壓斷相、電流反極性等。計(jì)算發(fā)生與竊漏電相關(guān)的終端報(bào)警的次數(shù)總和，作為告警類指標(biāo)。

2.模型建立

首先我們需要?jiǎng)澐譁y試樣本和訓(xùn)練樣本，隨機(jī)選取20%作為測試樣本，剩下的作為訓(xùn)練樣本。竊漏電用戶識(shí)別可通過構(gòu)建分類預(yù)測模型來實(shí)現(xiàn)，目前常用的模型有LM神經(jīng)網(wǎng)絡(luò)和CART決策樹。因?yàn)檫@兩個(gè)模型都有各自的優(yōu)缺點(diǎn)，所以我們分別建立模型并進(jìn)行竊漏電用戶識(shí)別，并從中選擇最優(yōu)的分類模型。構(gòu)建LM神經(jīng)網(wǎng)絡(luò)時(shí)輸入項(xiàng)包括電量趨勢(shì)下降指標(biāo)、線損類指標(biāo)和告警類指標(biāo)，輸出項(xiàng)為竊漏電標(biāo)識(shí)。

級(jí)聯(lián)相關(guān)神經(jīng)網(wǎng)絡(luò)是從一個(gè)小網(wǎng)絡(luò)開始，自動(dòng)訓(xùn)練和添加隱含單元，最終形成一個(gè)多層的結(jié)構(gòu)。級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)（Cascaded Neural Network，以下簡稱CNN），該模型由神經(jīng)網(wǎng)絡(luò)組成瀑布結(jié)構(gòu)。所有變量在輸入CNN之前都要被預(yù)處理程序標(biāo)準(zhǔn)化為[0，1]之間，同時(shí)，需通過最大相關(guān)性最小冗余（Maximum Relevance Minimum Redundancy，以下簡稱MRMR）法則的篩選。

CNN由神經(jīng)網(wǎng)絡(luò)1和神經(jīng)網(wǎng)絡(luò)2組成，兩個(gè)神經(jīng)網(wǎng)絡(luò)分別有不同的學(xué)習(xí)算法來預(yù)測，但具有相同的多層感知器結(jié)構(gòu)（Multi-Layer Perceptron， 以下簡稱MLP） ， MLP有足夠數(shù)量的隱藏神經(jīng)元，以至于能夠在期望的精度下近似任何連續(xù)的多元函數(shù)。此外，根據(jù)Kolmogorov定理， MLP有適當(dāng)數(shù)量的神經(jīng)元能夠使用一個(gè)隱藏層解決問題，因此，本模型中的兩個(gè)神經(jīng)網(wǎng)絡(luò)的MLP都具有一個(gè)隱藏層。

神經(jīng)網(wǎng)絡(luò)1會(huì)傳輸兩種結(jié)果值到神經(jīng)網(wǎng)絡(luò)2一種是經(jīng)過神經(jīng)網(wǎng)絡(luò)1訓(xùn)練獲得地可調(diào)參量，包括權(quán)重和偏差值，前文提到，兩個(gè)神經(jīng)網(wǎng)絡(luò)具有相同的MLP，因此，神經(jīng)網(wǎng)絡(luò)1獲得的權(quán)重和偏差值可以直接傳輸給神經(jīng)網(wǎng)絡(luò)2，從而使神經(jīng)網(wǎng)絡(luò)2的輸出目標(biāo)變量更加準(zhǔn)確;是神經(jīng)網(wǎng)絡(luò)1預(yù)測的目標(biāo)變量。神經(jīng)網(wǎng)絡(luò)1向神經(jīng)網(wǎng)絡(luò)2傳輸結(jié)果值，神經(jīng)網(wǎng)絡(luò)1的訓(xùn)練會(huì)終止，此時(shí)，神經(jīng)網(wǎng)絡(luò)2開始學(xué)習(xí)進(jìn)程，以此來取代以往模型中神經(jīng)網(wǎng)絡(luò)2隨機(jī)開始。除了神經(jīng)網(wǎng)絡(luò)1的結(jié)果值，一組隨機(jī)的可調(diào)參數(shù)初始值也將進(jìn)入到神經(jīng)網(wǎng)絡(luò)2的學(xué)習(xí)進(jìn)程中，從而保證神經(jīng)網(wǎng)絡(luò)2獲得更加全面的信息。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）是模擬生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理的一種數(shù)學(xué)模型。常用的分類與預(yù)測的人工神經(jīng)網(wǎng)絡(luò)算法有BP神經(jīng)網(wǎng)絡(luò)和LM神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，LM神經(jīng)網(wǎng)絡(luò)是基于梯度下降法和牛頓法結(jié)合的多層前饋網(wǎng)絡(luò)，LM神經(jīng)網(wǎng)絡(luò)迭代次數(shù)少，收斂速度快和精確度高。

3.模型求解

使用Keras庫為我們建立神經(jīng)網(wǎng)絡(luò)模型，設(shè)定LM神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為3，輸出節(jié)點(diǎn)數(shù)為2，隱層節(jié)點(diǎn)數(shù)為10，顯示間隔次數(shù)為25，最大循環(huán)次數(shù)為1000，目標(biāo)誤差為0.0，初始mu為0.001，mu增長比率為10，mu最大值為10'，最大校驗(yàn)失敗次數(shù)為6，最小誤差梯度1e-7。

根據(jù)得到的混淆矩陣，通過計(jì)算可得分類的準(zhǔn)確率約為91.2%，正常用戶被誤判為竊漏電用戶占正常用戶的2.1%，竊漏電用戶被誤判為正常用戶的占竊漏電用戶的3.8%。

4.結(jié)語

在線監(jiān)測用戶用電負(fù)荷及終端報(bào)警數(shù)據(jù)，手機(jī)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行補(bǔ)全等一系列的數(shù)據(jù)預(yù)處理，得到模型輸入數(shù)據(jù)。之后根據(jù)處理完成的數(shù)據(jù)構(gòu)建樣本和模型，利用構(gòu)建好的竊漏電用戶識(shí)別模型計(jì)算用戶的竊漏電診斷結(jié)果。通過LM神經(jīng)網(wǎng)絡(luò)得出結(jié)果，經(jīng)對(duì)比發(fā)現(xiàn)LM神經(jīng)網(wǎng)絡(luò)的ROC曲線下方的面積更大，故數(shù)據(jù)準(zhǔn)確率更高，評(píng)估更優(yōu)，作為預(yù)測模型更可靠并具有說服力。

參考文獻(xiàn)

[1]CART模型最早由Breiman等人提出，已經(jīng)在統(tǒng)計(jì)領(lǐng)域和數(shù)據(jù)挖掘技術(shù)中普遍使用.

[2]姜啟源， 謝金星， 葉俊. 數(shù)學(xué)模型[M]. 北京： 高等教育出版社， 2011.