基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的用戶防竊電研究

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，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，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)所說的竊電。竊電從電力計(jì)量開始就一直存在，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)致這種方法無效。

無論是哪種竊電方法，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。基于電網(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)建立竊電檢測模型

1.1 粒子群算法

粒子群算法（Particle Swarm Optimization，PSO）來源于鳥類覓食過程的模擬和研究。它的基本思想是通過群體之間的協(xié)作和信息共享來尋找最優(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)如果選擇過大的話，容易讓神經(jīng)網(wǎng)絡(luò)發(fā)生震蕩，不能收斂，過小則會(huì)讓神經(jīng)網(wǎng)絡(luò)收斂速度過慢。

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)和長處，近年來，越來越多的學(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-方差困境來考慮，S卩：模型如果特征個(gè)數(shù)過少，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)練出來的模型有較大的偏差，如果特征過多，但沒有足夠的數(shù)據(jù)支撐模型，可能會(huì)導(dǎo)致模型過度依賴訓(xùn)練樣本而無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展評(píng)估預(yù)測，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)于一家正常用戶來說，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)過多的話，神經(jīng)網(wǎng)絡(luò)會(huì)過分依賴數(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)行分類預(yù)測，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)過多的話，神經(jīng)網(wǎng)絡(luò)會(huì)過分依賴數(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)生過竊電事件，通過分析竊電數(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190次訓(xùn)練后才穩(wěn)定下來。經(jīng)過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)。

測試數(shù)據(jù)集測試后得到的結(jié)果如表2所示。

通過建立PSO-BP神經(jīng)網(wǎng)絡(luò)，該模型的仿真預(yù)測結(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，可以直接說明利用神經(jīng)網(wǎng)絡(luò)預(yù)測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。