國網(wǎng)鄭州供電公司 燕躍豪 鮑 薇

針對目前電力系統(tǒng)竊電趨勢不容樂觀的現(xiàn)象，急需提升大數(shù)據(jù)反竊電水準，構建反竊電的智能識別模型，進而實現(xiàn)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(jīng)網(wǎng)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(xiàn)基于用電信息采集大數(shù)據(jù)分析的反竊電智能識別。

隨著科技的不斷發(fā)展，竊電手段愈發(fā)隱蔽，竊電量也越來越大，對我國電力行業(yè)造成了嚴重不利影響。根據(jù)相關調(diào)查數(shù)據(jù)，每年我國由竊電而損失的經(jīng)濟已經(jīng)超過200億元人民幣，對我國經(jīng)濟的發(fā)展產(chǎn)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(jīng)網(wǎng)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(wǎng)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(jīng)網(wǎng)絡（BiLSTM）的滑動窗方法

1.1 長短時記憶神經(jīng)網(wǎng)絡（LSTM）基本原理

長短時記憶網(wǎng)絡(Long Short Term Memory Network，LSTM)，是一種改進之后的循環(huán)神經(jīng)網(wǎng)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(wǎng)絡模塊形式

LSTM是一種類RNN結(jié)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(wǎng)絡層。

圖2 LSTM網(wǎng)絡模塊形式

在每個記憶單元(圖中A)中包括細胞狀態(tài)(Ct)，遺忘門，輸入門和輸出門。這些門結(jié)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(tài)。遺忘門控制遺忘上一層細胞狀態(tài)的內(nèi)容，根據(jù)上一序列的ht-1和本序列的Xt為輸入，通過Sigmoid激活函數(shù)，得到上一層細胞狀態(tài)內(nèi)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(jīng)元狀態(tài)；輸出門要基于神經(jīng)元狀態(tài)保存的內(nèi)容來確定輸出什么內(nèi)容，即選擇性的輸出神經(jīng)元狀態(tài)保存的內(nèi)容。

1.2 基于雙向長短時記憶神經(jīng)網(wǎng)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(jié)果會更加準確。因此本項目采用雙向長短時記憶網(wǎng)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(shù)據(jù)，輸入的窗口長度設置為13（連續(xù)13天的日電量數(shù)據(jù)），網(wǎng)絡結(jié)構如圖3所示。可以看到前向?qū)雍头聪驅(qū)庸餐B接著輸出層，其中包含了6個共享權值w1-w6。

圖3 BiLSTM網(wǎng)絡結(jié)構

使用神經(jīng)網(wǎng)絡訓練模型需要大量的帶標簽數(shù)據(jù)，給數(shù)據(jù)添加準確的標簽是本項目的一個重點；另外神經(jīng)網(wǎng)絡的超參數(shù)對結(jié)果的影響較大，因此神經(jīng)網(wǎng)絡的搭建與超參數(shù)的設置是本項目的另一個重點。

2 反竊電系統(tǒng)數(shù)學模型

2.1 數(shù)據(jù)選取

從營銷系統(tǒng)和計量自動化系統(tǒng)中抽取以下數(shù)據(jù)：

（1）從營銷系統(tǒng)抽取用戶基本信息數(shù)據(jù)；

（2）從計量自動化系統(tǒng)采集實時負荷數(shù)據(jù)和終端報警信息。

2.2 研究內(nèi)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(shù)據(jù)集構建方法；

（2）結(jié)合低壓用戶用電信息采集數(shù)據(jù)特征，研究基于雙向長短時記憶神經(jīng)網(wǎng)絡（BiLSTM）的滑動窗數(shù)據(jù)處理算法，研究竊電識別模型的參數(shù)優(yōu)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(tǒng)中提取歷史竊電低壓用戶相關信息，對數(shù)據(jù)進行清洗，構建竊電識別模型的專家樣本數(shù)據(jù)集，提取數(shù)據(jù)特征。

（2）結(jié)合低壓用戶用電信息采集數(shù)據(jù)特征，基于雙向長短時記憶神經(jīng)網(wǎng)絡與輸入數(shù)據(jù)窗口化提取方法，使用Matlab創(chuàng)建雙向長短時記憶網(wǎng)絡，網(wǎng)絡的隱含單元個數(shù)設置為100，求解器設置為adam，訓練輪數(shù)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(yè)大用戶的三項有功功率數(shù)據(jù)

表2 專家樣本數(shù)據(jù)

（3）將竊電用戶原始用電數(shù)據(jù)導入Matlab中，提取用戶編號、數(shù)據(jù)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(shù)據(jù)預處理完成后對數(shù)據(jù)進行窗口劃分，將連續(xù)13天[T-6,T+6]的電量數(shù)據(jù)作為神經(jīng)網(wǎng)絡的一個輸入，第T天的竊電狀態(tài)（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(jīng)過預處理的數(shù)據(jù)對模型進行訓練并對模型超參數(shù)進行調(diào)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(yōu)化算法對超參數(shù)進行優(yōu)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(shù)據(jù)，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(shù)據(jù)形式如表1所示。

首先對網(wǎng)絡樣本輸入數(shù)據(jù)進行數(shù)據(jù)處理，并將處理后的數(shù)據(jù)作為輸入數(shù)據(jù)，其中選擇竊電嫌疑系數(shù)作為輸出數(shù)據(jù)?；贛atlb建立基于雙向長短時記憶神經(jīng)網(wǎng)絡（BiLSTM）的滑動窗模型，選定Sigmoid函數(shù)作為激活函數(shù)。

基于數(shù)據(jù)變換，得到新的評價指標來表征竊電行為所具有的規(guī)律，經(jīng)過數(shù)據(jù)處理后的專家樣本數(shù)據(jù)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(jié)合低壓用戶用電信息采集數(shù)據(jù)特征，基于雙向長短時記憶神經(jīng)網(wǎng)絡與輸入數(shù)據(jù)窗口化提取方法，使用Matlab創(chuàng)建雙向長短時記憶網(wǎng)絡，網(wǎng)絡的隱含單元個數(shù)設置為100，求解器設置為adam，訓練輪數(shù)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(jié)束語：本文基于用電信息采集系統(tǒng)的用戶用電數(shù)據(jù)，采用基于雙向長短時記憶神經(jīng)網(wǎng)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(xiàn)反竊電的智能識別。通過實例分析，利用歷史用戶用電數(shù)據(jù)，將用戶用電信息導入訓練好的模型進行分析，實現(xiàn)基于用電信息采集大數(shù)據(jù)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(shù)據(jù)時代下的反竊電智能識別問題提供了參考。