DBN深度學習算法在反竊電系統(tǒng)中的應用價值

沈鑫 惠曉雨 潘楠* 錢俊兵 郭曉玨

（1.云南電網(wǎng)有限責任公司計量中心 云南省昆明市 650051 2.昆明理工大學民航與航空學院 云南省昆明市 650500）

（3.昆明智淵測控科技有限公司 云南省昆明市 650500）

隨著我國各項事業(yè)和社會經(jīng)濟的飛速發(fā)展，各行各業(yè)中對于電力這一基本組成要素的實際需求量也隨之不斷增大，電力行業(yè)在我國國民經(jīng)濟中也扮演著十分重要的角色。供電企業(yè)作為我國基礎(chǔ)山野的重要組成部分，在諸多領(lǐng)域中都得到了良好的發(fā)展，現(xiàn)代化的信息技術(shù)、通信領(lǐng)域、信息化建設(shè)等方面都離不開電力企業(yè)的鼎力支持。但是在發(fā)展的過程中，也遇到了一個非常嚴重的問題，如在針對實際用電量的管理方式上比較落后、用戶竊電現(xiàn)象普遍等問題。甚至有部分用戶為了可以節(jié)省電力費用，利用電力系統(tǒng)或管理上的漏洞，有針對性的竊電，給電力企業(yè)帶來了非常大的經(jīng)濟損失。為了能夠徹底解決這種竊電行為，也圍繞著如何強化電能的實際計量準確性技術(shù)方面進行了必要的改革，但是隨著現(xiàn)代社會諸多技術(shù)的不斷發(fā)展，反竊電技術(shù)也應該緊跟時代發(fā)展的腳步，及時更新反竊電技術(shù)。電力行業(yè)也依據(jù)自己多年的反竊電經(jīng)驗，對相關(guān)硬件進行反竊電手段和相關(guān)措施，并沒有教好的軟件系統(tǒng)為其提供技術(shù)上的支持，使得其在管理效率和工作效率上非常低?；诖朔N現(xiàn)狀，電力企業(yè)應該積極的使用與大數(shù)據(jù)掛鉤的相關(guān)信息處理技術(shù)。而基于DBN 深度學習算法就在反竊電系統(tǒng)中發(fā)揮著重要的應用價值。

1 DBN的結(jié)構(gòu)與學習算法

DBN 也被叫做深度置信網(wǎng)絡(luò)，這一模型是由多個RBM 疊加在一起的，其也由可見層、諸多隱藏層和輸出層組成的，如圖1。

此種被叫做DBN 的深度學習算法，具體是指通過一個叫做RBM 的訓練方法來高校的完成DBN 深度學習算法的計量目的，其主要使用的深度學習方法為對結(jié)構(gòu)中每一層數(shù)據(jù)組成進行訓練的方法。

2 基于DBN算法的反竊電模型

這種基于DBN 深度學習算法在諸多現(xiàn)代化的領(lǐng)域中不僅得到了非常廣泛的應用，也取得了令人矚目的效果。雖然如此，但是將這種算法實際應用在電力系統(tǒng)的反竊電領(lǐng)域中，還是第一次，也沒有教好的經(jīng)驗和辦法作為參考和借鑒。想要將此種DBN 深度學習算法教好的應用在反竊電相關(guān)領(lǐng)域中，在實際的設(shè)計思路上可以將相關(guān)已經(jīng)處理完成的數(shù)據(jù)作為實際訓練和學習數(shù)據(jù)及實際測試的相關(guān)處理，且利用在訓練中形成的相關(guān)數(shù)據(jù)來訓練此DBN 模型，并以此模型為主對相關(guān)竊電數(shù)據(jù)進行輸入和驗證，從而得到DBN 深度學習算法在反竊電系統(tǒng)中對于分類上的準確性，其運行的方式如圖2。

將DBN 深度學習算法實際應用在反竊電系統(tǒng)中：

圖1：DBN 模型機構(gòu)

圖2：基于DBN 算法的反竊電流程

（1）要做的就是要準備相關(guān)用電數(shù)據(jù)。利用已經(jīng)掌握的用電用戶的實際用電數(shù)據(jù)和用電信息及相關(guān)竊電數(shù)據(jù)，進行對原始的處理，并將其分為訓練數(shù)據(jù)和測試數(shù)據(jù)兩個大部分。

（2）就是根據(jù)上述中隊數(shù)據(jù)進行DBN 模型的建設(shè)。在實際模型的建設(shè)中實際使用實驗分析的方法來進一步確定DBN 模型的相關(guān)參數(shù)情況，進而為其制定一個最佳的網(wǎng)絡(luò)組成結(jié)構(gòu)。在這樣的過程匯總一共有三個部分是需要重點確認的，分別為模型輸入層的實際節(jié)點的數(shù)量、隱含層的數(shù)量和每個隱含層中的實際節(jié)點數(shù)量。在有關(guān)DBN 的深度學習算法中，有關(guān)權(quán)重的更新問題是非常關(guān)鍵的，其也有兩種方法可以采用，一種就是利用實驗的辦法來確定模型權(quán)重的數(shù)值，另一種則是使用討論的辦法類更新模型的權(quán)重。在實際使用中是需要將二者之間的差異進行比較的，以選擇最優(yōu)的辦法進行；除此之外，也是可以根據(jù)所在系統(tǒng)的實際用電數(shù)據(jù)和用電信息來選擇使用哪一種辦法的。在這樣的深度學習算法中其實也涉及到了諸多方面的數(shù)據(jù)和信息及算法，例如學習率、算法的常量數(shù)值等等，此類參數(shù)對于后期的結(jié)果也是有著非常大的影響的，所以在實際選擇這些參數(shù)的時候，也要有針對性的進行深入的研究。并通過以上的方式來建立一個基于DBN 的算法的反竊電模型。

表1：DBN 的第二隱含層的節(jié)點數(shù)對于最終分類結(jié)果的影響

（3）就是要構(gòu)建一個DBN 深度學習算法與扼梯度法深度融合的結(jié)構(gòu)模型。DBN 深度學習算法在實際的深度學習過程中，是會受到來自算法的限制，也會受到數(shù)據(jù)數(shù)量大等多方面的影響，實際的訓練速度是非常慢的。所以，為了可以切實加快深度學習的速度，在實際測算中可以為其添加一個和網(wǎng)絡(luò)權(quán)重相關(guān)的函數(shù)，并以此來表示實際的輸出和目標輸出之間的誤差，并使用扼梯度這種算法來調(diào)整和更新權(quán)重的矩陣，以最終得到其最小的誤差數(shù)值，我們也可以理解為將DBN 深度學習算法和扼梯度算法深度融合而構(gòu)建的一個反竊電模型。

（4）需要進行模型數(shù)據(jù)測試解雇的對比。也可以理解為對于相同的數(shù)據(jù)，其中包括訓練數(shù)據(jù)和測試數(shù)據(jù)，利用有標準參數(shù)和標準模型對去進行測試，并將此結(jié)果與DBN 的模型的結(jié)果進行比較。并深入的分析DBN 深度學習算法在反竊電系統(tǒng)中針對竊電用戶和非竊電用戶的實際判別能力。

3 實驗效果分析

在實際的實驗中，會將相關(guān)用戶名稱、用戶的真實ID、用電日期、邏輯上的地址等等多個不相干的因素放置在輸入層中，并將實驗當前的實際用電數(shù)量、峰值、谷值、累計的用電數(shù)量、峰值、谷值、實驗當天的氣溫峰值、氣溫谷值等輸入到DBN 的模型中。

根據(jù)相關(guān)測試數(shù)據(jù)顯示，當基于DBN 深度學習算法模型的隱含層節(jié)點數(shù)是16 的時候，該模型對于竊電情況的數(shù)據(jù)和信息分析是比較準確的。然后，因為其也會出現(xiàn)含有兩層的隱含層的實際情況，根據(jù)此種情況將此模型的輸入節(jié)點數(shù)量設(shè)置為8，第一層的神經(jīng)元的個數(shù)為16，并將第二層的神經(jīng)元個數(shù)在3-20 之間進行變化。根據(jù)結(jié)果顯示，在第二個隱含層的實際幾點數(shù)量為8 的時候，其分類的準確度是最好的，所以，應該將DBN 的第二個隱含層的節(jié)點數(shù)設(shè)定為8，如表1。

為了能夠切實證明此算法和其他方法相比是否有更好的表現(xiàn)，在實際實驗中，采取了使用一樣的訓練數(shù)據(jù)和測試數(shù)據(jù)的基礎(chǔ)上，將神經(jīng)網(wǎng)絡(luò)方法和樸素貝葉斯分類方法、決策樹分類方法、邏輯回歸的分類方法，在實際的反竊電相關(guān)問題中在分類準確性方面進行了比較。

4 結(jié)束語

通過上述的分析和總結(jié)，我們知道，將基于DBN 深度學習算法的相關(guān)數(shù)據(jù)測試模型是可以實際應用到反竊電系統(tǒng)中的，并在實際分類問題上是非常有優(yōu)勢的，并根據(jù)相關(guān)結(jié)果最終確定了基于DBN 深度學習算法在反竊電系統(tǒng)中模型的實際構(gòu)建模式，即為輸入層的實際節(jié)點數(shù)為6，隱含層的實際節(jié)點數(shù)為2。其中第一隱含層的神經(jīng)元為16 個，第二層的神經(jīng)元數(shù)量為8；輸出層的神經(jīng)元為1 個。由此可見，此種DBN 深度學習算法與其他需要進行相關(guān)數(shù)據(jù)挖掘的算法相比較，DBN 深度學習算法在相關(guān)反竊電系統(tǒng)中的應用是非常有優(yōu)勢的通過對DBN 深度學習的算法在模型上的研究，相信在未來的發(fā)展中，電力系統(tǒng)一定會非常大規(guī)模的使用此種深度學習算法，并將其應用到反竊電相關(guān)問題中，在為電網(wǎng)的相關(guān)部門減少反竊電的成本的同時，有效提升電力系統(tǒng)的相關(guān)服務能力。