劉 松

（1.國(guó)網(wǎng)江西省電力有限公司鷹潭供電分公司，江西鷹潭 335000；2.上海電力大學(xué)，上海 200090）

0 引言

目前，少數(shù)電力用戶受經(jīng)濟(jì)利益驅(qū)使，竊電現(xiàn)象屢有發(fā)生。隨著科學(xué)技術(shù)的快速發(fā)展，通過高科技手段進(jìn)行竊電和違約用電的行為越來越多。這些技術(shù)手段不但隱蔽性強(qiáng)，而且查處困難?，F(xiàn)階段查處違約用電、反竊電的主要方法是安排人員進(jìn)行現(xiàn)場(chǎng)巡視排查，通過儀表應(yīng)景設(shè)備進(jìn)行排查。傳統(tǒng)反竊電偵查方法普遍耗時(shí)耗力，并且準(zhǔn)確性偏低?，F(xiàn)有的反竊電系統(tǒng)，由于接入數(shù)據(jù)源少，分析模型單一，不具備自學(xué)習(xí)功能，造成研判角度單一，無法適應(yīng)針對(duì)性重點(diǎn)排查要求。為解決準(zhǔn)確判斷違約用電與竊電的技術(shù)難題，文中運(yùn)用經(jīng)驗(yàn)學(xué)習(xí)、標(biāo)簽庫、知識(shí)圖譜等技術(shù)，構(gòu)建針對(duì)專變、一般工商業(yè)和居民的違約用電與竊電分析模型，可準(zhǔn)確定位違約用電和有效查處竊電行為，輔助用電稽查人員利用智能化手段開展用電治理。

1 總體設(shè)計(jì)

該算法的目標(biāo)是建立經(jīng)驗(yàn)算法和分類算法，構(gòu)建違約用電與竊電分析模型；通過各類模型訓(xùn)練、驗(yàn)證和完善，優(yōu)化模型的計(jì)算效率，提升模型分析的準(zhǔn)確性、及時(shí)性和可靠性；實(shí)現(xiàn)違約用電、竊電的處理流程與經(jīng)驗(yàn)算法、分類算法相互驗(yàn)證、自我提升；若異常未消除，系統(tǒng)自動(dòng)重新納入訓(xùn)練，更新分析模型，實(shí)現(xiàn)自學(xué)習(xí)和自優(yōu)化的功能。

1.1 建立基于多源數(shù)據(jù)融合的用戶標(biāo)簽庫

以用電信息采集系統(tǒng)的數(shù)據(jù)為基礎(chǔ)，結(jié)合營(yíng)銷系統(tǒng)用戶檔案、發(fā)行電量與電費(fèi)，構(gòu)建違約用電與竊電分析數(shù)據(jù)源，開展三方面工作[1]：一是建立海量數(shù)據(jù)存儲(chǔ)與計(jì)算平臺(tái)。由于違約用電和竊電分析涉及對(duì)用戶進(jìn)行多維度、全方位、深層次的分析，運(yùn)用分布式存儲(chǔ)與并行計(jì)算技術(shù)，對(duì)檔案、負(fù)荷、電量和事件等數(shù)據(jù)進(jìn)行處理；二是數(shù)據(jù)預(yù)處理。建立數(shù)據(jù)清洗規(guī)則，完善計(jì)量在線監(jiān)測(cè)模型，按照業(yè)務(wù)分析的需求開展數(shù)據(jù)處理和歸集工作；三是建立全省用戶的標(biāo)簽庫。根據(jù)不同用戶類別的用電屬性、異常狀態(tài)、用電特性、負(fù)荷特征與變化趨勢(shì)等，構(gòu)建全省專線、專公變、低壓工商業(yè)、分布式電源和居民的標(biāo)簽庫，滿足數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的需求。

1.2 建立機(jī)器學(xué)習(xí)構(gòu)建違約用電與竊電分析模型

針對(duì)專線、專變和低壓工商業(yè)及居民的用電特征、違約用電與竊電行為方式及對(duì)負(fù)荷、電量的影響，結(jié)合營(yíng)銷系統(tǒng)違約用電與竊電查處流程、計(jì)量在線監(jiān)測(cè)、國(guó)家企業(yè)征信信息和用戶標(biāo)簽信息，運(yùn)用決策樹、邏輯回歸（Logistic regression）和支持向量機(jī)（SVM）等多種經(jīng)驗(yàn)學(xué)習(xí)算法，及分類器組裝方法（Bagging和Boosting）構(gòu)建專線與專變違約用電分析模型、專變竊電分析模型、低壓工商業(yè)與居民竊電分析模型，通過樣本數(shù)據(jù)對(duì)各類模型進(jìn)行訓(xùn)練、驗(yàn)證和完善，及壓力測(cè)試優(yōu)化模型的計(jì)算效率，從而提升模型分析的準(zhǔn)確性、及時(shí)性和可靠性，滿足在用電信息采集系統(tǒng)大數(shù)據(jù)平臺(tái)上在線分析運(yùn)行的要求。

1.3 通過查處結(jié)果與經(jīng)驗(yàn)學(xué)習(xí)不斷地訓(xùn)練、完善和提高

通過違約用電與竊電模型分析的疑似用戶進(jìn)入待辦事項(xiàng)進(jìn)行觀察，如果在設(shè)定的一段時(shí)間內(nèi)，相關(guān)異?，F(xiàn)象沒有消除，則直接進(jìn)入異常處理流程，處理結(jié)束歸檔后，系統(tǒng)從二方面進(jìn)行工作：一是監(jiān)控異常實(shí)際處理情況。如果一周內(nèi)疑似用戶的異常現(xiàn)象是否再次發(fā)生，如果再次發(fā)生，則重新進(jìn)入異常監(jiān)控與處理環(huán)節(jié)；二是針對(duì)處理結(jié)果優(yōu)化分析模型。根據(jù)異常處理結(jié)果及重復(fù)發(fā)生處理結(jié)果，系統(tǒng)自動(dòng)將分析不準(zhǔn)確的用戶重新納入模型進(jìn)行訓(xùn)練，訓(xùn)練后自動(dòng)更新分析模型，實(shí)現(xiàn)機(jī)器自學(xué)習(xí)和模型自優(yōu)化功能。

1.4 研發(fā)用戶違約用電與竊電分析處理軟件

基于HPLC 高頻采集、計(jì)量在線監(jiān)測(cè)和用戶用電多維度統(tǒng)計(jì)的數(shù)據(jù)，運(yùn)用分布式存儲(chǔ)與并行計(jì)算框架、微服務(wù)和機(jī)器學(xué)習(xí)等技術(shù)，在用采大數(shù)據(jù)平臺(tái)開發(fā)用戶違約用電與竊電智能分析軟件，具備五方面功能：一是數(shù)據(jù)集成與預(yù)處理模塊。實(shí)現(xiàn)用電信息采集系統(tǒng)內(nèi)部和外部數(shù)據(jù)接入，按分析需求進(jìn)行清洗、存儲(chǔ)、統(tǒng)計(jì)和歸集；二是開發(fā)違約用電與竊電分析模塊。包括專線和專變用戶違約用電分析模塊，專變與三相工商業(yè)用戶竊電分析模塊，低壓用戶竊電分析模型；三是異常工單管理模塊。包括待辦事項(xiàng)工單、異常處理工單、處理結(jié)果監(jiān)控、異常處理結(jié)果統(tǒng)計(jì)分析等功能，形成多分析維度、多時(shí)間尺度、多異常類型的違約用電與竊電的統(tǒng)計(jì)分析模塊，多樣化對(duì)比展示；四是分析模型自學(xué)習(xí)模塊。根據(jù)異常處理的結(jié)果及一周內(nèi)的系統(tǒng)自驗(yàn)證的情況，針對(duì)分析不準(zhǔn)確的用戶重新進(jìn)行訓(xùn)練和驗(yàn)證及模型更新功能；五是開展全景展現(xiàn)模塊。基于知識(shí)圖譜、單線圖和電網(wǎng)GIS開發(fā)違約用電與竊電全景展現(xiàn)模塊，輔助操作員精準(zhǔn)定位異常用戶，進(jìn)行快速處理和排查。

2 分析模型原理

為做好違約用電與竊電有關(guān)的數(shù)據(jù)分析與預(yù)測(cè)工作，基于歷史數(shù)據(jù)和訓(xùn)練內(nèi)容形成知識(shí)庫，結(jié)合經(jīng)驗(yàn)學(xué)習(xí)實(shí)現(xiàn)模型的優(yōu)化，形成適應(yīng)業(yè)務(wù)發(fā)展的數(shù)據(jù)分析模型，知識(shí)庫需要包括知識(shí)名稱、知識(shí)類別、知識(shí)內(nèi)容等最終形成違約用電與竊電知識(shí)庫，滿足運(yùn)用知識(shí)圖譜展現(xiàn)違約用電與竊電用戶的信息，并為以后竊電工作提供參考依據(jù)。違約用電與竊電知識(shí)庫管理包括：知識(shí)編輯、知識(shí)審核和知識(shí)展示三大功能?；诖髷?shù)據(jù)、經(jīng)驗(yàn)學(xué)習(xí)技術(shù)建設(shè)的違約用電與竊電智能分析分為三步。

2.1 違約用電與竊電分析影響因素的降維方法

基于違約用電與竊電都會(huì)涉及失壓、失流、斷缺相、電能表開蓋、電能表停走等異常，及對(duì)應(yīng)不同維度負(fù)荷、電量的變化，通過對(duì)影響因素梳理，基于PCA、LDA、LLE 等數(shù)據(jù)降維方法的研究理論線損影響因素降維方法。對(duì)違約用電與竊電的影響因素多種多樣，考慮到影響因素關(guān)聯(lián)程度各有不同、回歸模型的性能，對(duì)其進(jìn)行降維處理，LLE 是一種非線性降維算法，它能夠使降維后的數(shù)據(jù)較好地保持原有流形結(jié)構(gòu)[2]，降維算法的思路可概括為：

1）對(duì)局部近臨點(diǎn)的選取。對(duì)于從電力公司獲取的停電故障數(shù)據(jù)集：

利用樣本點(diǎn)之間的在高維空間的距離尋找每個(gè)樣本點(diǎn)di對(duì)應(yīng)的n個(gè)近臨點(diǎn)。

2）計(jì)算樣本點(diǎn)的局部重建權(quán)值，即：

式中：dij（j=1，2，…，n）為di的j個(gè)近臨點(diǎn)；wij是di和dij之間的權(quán)值。

3）利用權(quán)值矩陣W降維，得到低維嵌入Y。即：

式中，M=(I-W)T(I-W)。使Lagrange 乘子法，取M的值最小的d個(gè)非零特征值所對(duì)應(yīng)的特征向量作為低維坐標(biāo)Y。通常最小特征值幾乎為零，因此取2～（d+1）間的特征值所對(duì)應(yīng)的特征向量作為輸出結(jié)果。

2.2 基于K-mean聚類方法的違約用電與竊電用戶分類方法研究

基于K-mean聚類方法研究違約用電與竊電用戶的分類方法，構(gòu)建不同類別用戶的分類指標(biāo)，并進(jìn)行專變、專線用戶與臺(tái)區(qū)（低壓用戶把臺(tái)區(qū)作為一個(gè)參考因素）分類。K-Means算法以歐式距離作為相似度測(cè)度，采用誤差平方和準(zhǔn)則函數(shù)作為聚類準(zhǔn)則函數(shù)。該算法分為4 個(gè)步驟：

1）初始化：確定類別數(shù)目k和初始聚類中心點(diǎn)。

2）類劃分：按照式（4）計(jì)算N個(gè)樣本和k個(gè)初始中心點(diǎn)的距離，按照距離大小將N個(gè)樣本分配給最近的中心點(diǎn)，形成k個(gè)聚類。

3）聚類中心點(diǎn)求解：計(jì)算每類中所有對(duì)象的平均值，并以此作為k個(gè)聚類新的聚類中心。

4）收斂判斷：用式（5）判斷是否收斂。

2.3 基于多元線性回歸的違約用電與竊電分析模型研究

針對(duì)違約用電與各類竊電分析模型分類預(yù)測(cè)，分別應(yīng)用多元線性回歸、支持向量回歸機(jī)等回歸方法進(jìn)行疑似率求解模型的構(gòu)建，并結(jié)合計(jì)量在線監(jiān)測(cè)的異常關(guān)聯(lián)負(fù)荷、電量的變化，及時(shí)排查并進(jìn)行疑似率計(jì)算。基于粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法的支持向量回歸機(jī)（Support Vector Regression，SVR）的配電網(wǎng)理論線損計(jì)算方法，SVR 是支持向量機(jī)的一個(gè)子類，其特點(diǎn)是最終輸出函數(shù)為線性函數(shù)，因而廣泛應(yīng)用于函數(shù)擬合、預(yù)測(cè)問題等領(lǐng)域。PSO 是一種優(yōu)秀的群智能優(yōu)化算法，具有收斂速度快、尋優(yōu)能力強(qiáng)等特點(diǎn)[3]。在SVR-PSO 訓(xùn)練過程中，利用粒子群算法動(dòng)態(tài)地搜索支持向量回歸機(jī)的最優(yōu)訓(xùn)練參數(shù)，提高SVR-PSO 的計(jì)算精度。

如圖1所示，在SVR-PSO 訓(xùn)練過程中，通過向支持向量回歸機(jī)SVR 輸入訓(xùn)練樣本集和PSO 訓(xùn)練參數(shù)。通過訓(xùn)練，并輸入測(cè)試樣本集形成臨時(shí)預(yù)測(cè)模型，輸出預(yù)測(cè)結(jié)果，計(jì)算f值，當(dāng)未達(dá)到閾值進(jìn)行PSO迭代，修正PSO 上一次訓(xùn)練參數(shù)。繼續(xù)PSO 訓(xùn)練直到f值滿足閾值，形成最終預(yù)測(cè)模型。

圖1 SVR-PSO工作流程

3 相關(guān)算法優(yōu)化

為解決違約用電和竊電數(shù)據(jù)中的樣本平衡性問題、稀疏矩陣問題，從以下幾個(gè)方面對(duì)相關(guān)算法進(jìn)行優(yōu)化：

1）解決樣本平衡性問題，即采樣問題。從豐富類別的樣本中隨機(jī)選取和竊電用戶相同數(shù)目的樣本，以平衡數(shù)據(jù)集。模型訓(xùn)練過程中反復(fù)從未經(jīng)訓(xùn)練的樣本集中抽取，以能夠識(shí)別更多的樣本數(shù)據(jù)特征。此過程優(yōu)勢(shì)有兩點(diǎn)，其一，解決樣本平衡性問題；其二，增強(qiáng)模型的魯棒性[4]。

2）解決稀疏矩陣問題。采用CNN 模型中池化層來解決該問題。池化（Pooling）實(shí)際上是一種形式的降采樣。其中“最大池化（Max pooling）”是最為常見的一種非線性池化函數(shù)，如圖2所示。

圖2 池化過程

它將輸入數(shù)據(jù)劃分為若干個(gè)矩形區(qū)域，對(duì)每個(gè)子區(qū)域輸出最大值。直覺上，這種機(jī)制能夠有效的原因在于：在發(fā)現(xiàn)一個(gè)特征之后，它的精確位置遠(yuǎn)不及它和其他特征的相對(duì)位置的關(guān)系重要。池化層會(huì)不斷地減小數(shù)據(jù)的空間大小，因此參數(shù)的數(shù)量和計(jì)算量也會(huì)下降，這在一定程度上也控制了過擬合。其優(yōu)勢(shì)在于三點(diǎn)：其一，特征不變形，池化操作是模型更加關(guān)注是否存在某些特征而不是特征具體的位置；其二，特征降維，池化相當(dāng)于在空間范圍內(nèi)做了維度約減，從而使模型可以抽取更加廣范圍的特征。同時(shí)減小了下一層的輸入大小，進(jìn)而減少計(jì)算量和參數(shù)個(gè)數(shù)。其三，在一定程度上防止過擬合，更方便優(yōu)化。

3）通過對(duì)CNN 模型的損失函數(shù)進(jìn)行優(yōu)化，將交叉熵?fù)p失函數(shù)及自定義損失函數(shù)二者之和作為模型訓(xùn)練最終損失函數(shù)。經(jīng)過反復(fù)訓(xùn)練，根據(jù)最終分類結(jié)果概率，再結(jié)合相關(guān)業(yè)務(wù)知識(shí)進(jìn)行判定。若出現(xiàn)用電行為可疑，則將其竊電概率映射為較大概率。

4）自學(xué)習(xí)能力的構(gòu)建。從竊電用戶的數(shù)據(jù)特點(diǎn)以及卷積神經(jīng)網(wǎng)絡(luò)的局部連接、權(quán)值共享、下采樣等優(yōu)勢(shì)，利用卷積神經(jīng)網(wǎng)絡(luò)分別針對(duì)專變、低壓用戶（380 V、220 V）構(gòu)建反竊電模型，具體卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 反竊電模型組織結(jié)構(gòu)圖

反竊電模型每一層都有多個(gè)Feature Map，每一個(gè)Feature Map 中均含有多個(gè)神經(jīng)元，輸入通過一種過濾器作用，提取輸入的一種特征，得到一個(gè)不同的Feature Map，其中卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練中相關(guān)參數(shù)分別為學(xué)習(xí)率為0.01、批次大小為30、訓(xùn)練次數(shù)為5000次；損失函數(shù)為交叉熵?fù)p失函數(shù)以及自定義損失函數(shù)之和；神經(jīng)元激勵(lì)函數(shù)選取relu，選取隨機(jī)梯度下降法；最后通過激活函數(shù)softmax輸出最終分類結(jié)果，反復(fù)訓(xùn)練，選取最優(yōu)分類模型。

針對(duì)低壓用戶竊電分析建立臺(tái)區(qū)線損與用戶用電關(guān)聯(lián)分析模型，分析哪些用戶在用電時(shí)候，臺(tái)區(qū)線損處于合理范圍，且不用電的時(shí)候，臺(tái)區(qū)線損屬于高損，結(jié)果卷積神經(jīng)網(wǎng)絡(luò)分析這些用戶竊電置信度，輔助開展現(xiàn)場(chǎng)精益排查。

4 實(shí)施效果

通過該項(xiàng)目的實(shí)施，提升了對(duì)反竊電用戶的監(jiān)測(cè)水平，提高了反竊電工作準(zhǔn)確性，為電量電費(fèi)追補(bǔ)提供有力的技術(shù)手段，為追補(bǔ)電費(fèi)提供技術(shù)保證，大幅度提高了反竊電稽查工作效率，有效地提高公司整體經(jīng)濟(jì)效益。在近1 年的使用過程中，反竊電工單派發(fā)率99%，違約用電工單派發(fā)率99%，反竊電反饋及時(shí)率99%，違約用電工單反饋及時(shí)率99%，征信系統(tǒng)推送率99.5%。完成基于知識(shí)圖譜的違約用電與竊電智能分析、全景可視化軟件一套，集成在用電信息采集系統(tǒng)中，成果在江西公司11 地市97 縣開展應(yīng)用，已查獲違約用電與竊電案例28 件。

5 結(jié)語

違約用電與竊電的多維度智能分析經(jīng)驗(yàn)算法和分類算法解決了從海量數(shù)據(jù)中快速甄別定位竊電用戶，對(duì)用戶竊電時(shí)間、竊電方式、竊電地點(diǎn)進(jìn)行準(zhǔn)確的定位，大大提高了防竊電的技術(shù)水平和竊電處理的效率，同時(shí)降低財(cái)務(wù)成本、物資成本、人力成本；提升了監(jiān)測(cè)水平和反竊電工作的準(zhǔn)確性，為電量電費(fèi)追補(bǔ)提供有力的技術(shù)手段和技術(shù)保證，大幅度提高反竊電稽查工作效率，有效提高電力公司整體經(jīng)濟(jì)效益?？蓮V泛應(yīng)用于各電力公司準(zhǔn)確判斷、定位電力專線用戶、專公變用戶、低壓工商業(yè)用戶和居民用戶違約用電及竊電的情況。