基于前饋神經(jīng)網(wǎng)絡(luò)的電力竊電行為識(shí)別方法

摘 要：當(dāng)前電力竊電行為識(shí)別機(jī)制的設(shè)定為內(nèi)容識(shí)別，誤識(shí)率較高，因此本文提出對(duì)基于前饋神經(jīng)網(wǎng)絡(luò)的電力竊電行為識(shí)別方法的設(shè)計(jì)。根據(jù)當(dāng)前識(shí)別需求，先進(jìn)行用電負(fù)荷數(shù)據(jù)處理及數(shù)據(jù)轉(zhuǎn)換，采用自適應(yīng)的方式，提高識(shí)別效率，建立自適應(yīng)識(shí)別機(jī)制。以此為基礎(chǔ)設(shè)計(jì)電力竊電行為前饋神經(jīng)網(wǎng)絡(luò)識(shí)別模型，采用動(dòng)態(tài)訓(xùn)練與追蹤監(jiān)測(cè)實(shí)現(xiàn)竊電識(shí)別。測(cè)試結(jié)果表明，與傳統(tǒng)濾波電力竊電行為識(shí)別方法、傳統(tǒng)改進(jìn)孤立森林算法電力竊電行為識(shí)別方法相比，本次所設(shè)計(jì)的前饋神經(jīng)網(wǎng)絡(luò)電力竊電行為識(shí)別方法得出的誤識(shí)率被控制在0.45%以下，這說(shuō)明結(jié)合前饋神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)的電力竊電行為識(shí)別方法更高效，具備更高的識(shí)別精準(zhǔn)度。

關(guān)鍵詞：前饋神經(jīng)網(wǎng)絡(luò)；電力把控；竊電行為；竊電定位；識(shí)別方法；遠(yuǎn)程感應(yīng)

中圖分類號(hào)：TP 311" " 文獻(xiàn)標(biāo)志碼：A

電力作為現(xiàn)代社會(huì)的重要能源，其供應(yīng)的穩(wěn)定與安全直接關(guān)系國(guó)計(jì)民生。然而，電力竊電行為的存在，不僅損害了電力企業(yè)的經(jīng)濟(jì)利益，而且也對(duì)電力系統(tǒng)的正常運(yùn)行構(gòu)成了嚴(yán)重威脅。為解決該問(wèn)題，相關(guān)人員設(shè)計(jì)了對(duì)應(yīng)的竊電行為識(shí)別方法。張永敏等[1]提出了傳統(tǒng)濾波電力竊電行為識(shí)別方法，結(jié)合電力處理濾波的變化，第一時(shí)間對(duì)異常位置進(jìn)行標(biāo)定和識(shí)別，且在特定的背景下，可識(shí)別范圍也會(huì)逐漸擴(kuò)大，識(shí)別的效果顯著。錢旭盛等[2]提出的傳統(tǒng)改進(jìn)孤立森林算法電力竊電行為識(shí)別方法則是利用改進(jìn)算法對(duì)異常竊電情況進(jìn)行周期性計(jì)算，放大處理異常時(shí)段或者區(qū)段，獲取最終的識(shí)別結(jié)果。上述的識(shí)別方法雖然可以實(shí)現(xiàn)預(yù)期的反竊電目標(biāo)，但是存在一定的缺陷，在復(fù)雜的背景條件下，導(dǎo)致最終得出的識(shí)別結(jié)果出現(xiàn)誤差。因此，提出對(duì)基于前饋神經(jīng)網(wǎng)絡(luò)的電力竊電行為識(shí)別方法的設(shè)計(jì)與實(shí)踐分析。前饋神經(jīng)網(wǎng)絡(luò)主要通過(guò)模擬人腦神經(jīng)元的連接和傳遞機(jī)制，學(xué)習(xí)并識(shí)別復(fù)雜的模式[3]。在電力竊電行為識(shí)別領(lǐng)域，前饋神經(jīng)網(wǎng)絡(luò)能夠通過(guò)學(xué)習(xí)大量電力數(shù)據(jù)，自動(dòng)提取竊電行為的特征，實(shí)現(xiàn)對(duì)竊電行為的快速、準(zhǔn)確識(shí)別。該方法不僅能夠提高識(shí)別效率、降低誤報(bào)率，而且還能實(shí)現(xiàn)對(duì)竊電行為的實(shí)時(shí)監(jiān)測(cè)和預(yù)警，為電力企業(yè)的管理和決策提供有力支持，輕松適應(yīng)不同場(chǎng)景和需求的電力竊電行為識(shí)別任務(wù)，具有重要價(jià)值[4]。

1 設(shè)計(jì)電力竊電行為前饋神經(jīng)網(wǎng)絡(luò)識(shí)別方法

1.1 用電負(fù)荷數(shù)據(jù)處理及數(shù)據(jù)轉(zhuǎn)換

通常情況下，用電負(fù)荷數(shù)據(jù)包括大量的電壓、電流、功率等原始信息，這些數(shù)據(jù)往往存在噪聲、異常值和不一致性，需要對(duì)其進(jìn)行預(yù)處理[5]。根據(jù)數(shù)據(jù)的實(shí)際狀態(tài)，先清洗處理數(shù)據(jù)，即去除重復(fù)、錯(cuò)誤或無(wú)效的數(shù)據(jù)。使用Trim函數(shù)對(duì)數(shù)據(jù)中的多余空格、重復(fù)空格進(jìn)行處理，如公式（1）所示。

F（x）=TRIM（B1，Bn） （1）

式中：F（x）為清除數(shù)據(jù)；B1、Bn為處理字符。

根據(jù)上述對(duì)數(shù)據(jù)的基礎(chǔ)清洗，再進(jìn)行同批次數(shù)據(jù)異常值的檢測(cè)，并計(jì)算異常值E，如公式（2）所示。

結(jié)合當(dāng)前測(cè)定，將異常值設(shè)定為數(shù)據(jù)的處理標(biāo)準(zhǔn)，整合之后確保數(shù)據(jù)的準(zhǔn)確性和完整性[6]。接下來(lái)，提取數(shù)據(jù)特征。根據(jù)竊電行為的特點(diǎn)，從原始數(shù)據(jù)中提取有意義的指標(biāo)，預(yù)設(shè)對(duì)應(yīng)的周期，針對(duì)各個(gè)周期數(shù)據(jù)信息的變化，測(cè)定數(shù)據(jù)的特征值P，如公式（3）所示。

式中：D為竊電可感應(yīng)區(qū)域；A為關(guān)聯(lián)點(diǎn)位；A和ε分別為初始數(shù)據(jù)均值和竊電后數(shù)據(jù)均值。

得出的特征值反映用戶用電行為的異常，并對(duì)其做出標(biāo)定[7]。通過(guò)結(jié)合異常值檢測(cè)和特征提取的結(jié)果，能夠更準(zhǔn)確地識(shí)別電力竊電行為，為后續(xù)的追蹤監(jiān)測(cè)和應(yīng)對(duì)措施提供有力支持。

其次，展開(kāi)數(shù)據(jù)標(biāo)準(zhǔn)化轉(zhuǎn)換。將處理后的數(shù)據(jù)調(diào)整到同一尺度上，消除不同特征之間的量綱差異，具體處理方式如圖1所示。

圖1主要是對(duì)數(shù)據(jù)轉(zhuǎn)換標(biāo)準(zhǔn)化處理結(jié)構(gòu)的設(shè)計(jì)與實(shí)踐分析，經(jīng)過(guò)處理和轉(zhuǎn)換的用電負(fù)荷數(shù)據(jù)將作為前饋神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)模型的訓(xùn)練和學(xué)習(xí)，實(shí)現(xiàn)對(duì)竊電行為的準(zhǔn)確識(shí)別。

1.2 建立自適應(yīng)識(shí)別機(jī)制

自適應(yīng)識(shí)別機(jī)制的核心在于實(shí)時(shí)監(jiān)測(cè)和反饋。通過(guò)實(shí)時(shí)收集和分析用電數(shù)據(jù)，機(jī)制能夠及時(shí)發(fā)現(xiàn)異常用電行為，并將這些信息反饋給模型。根據(jù)當(dāng)前電力竊電行為的實(shí)際情況，先設(shè)定自適應(yīng)的識(shí)別約束條件，具體如下所示。1）確保竊電行為識(shí)別的有效性。2）設(shè)定動(dòng)態(tài)化的竊電行為識(shí)別標(biāo)準(zhǔn)。3）設(shè)計(jì)反向竊電識(shí)別條件。4）構(gòu)建自適應(yīng)+層級(jí)識(shí)別目標(biāo)。

根據(jù)上述設(shè)計(jì)的自適應(yīng)識(shí)別約束條件，建立對(duì)應(yīng)的識(shí)別機(jī)制，根據(jù)識(shí)別范圍變化，考慮識(shí)別結(jié)構(gòu)的魯棒性和穩(wěn)定性，對(duì)預(yù)設(shè)的識(shí)別目標(biāo)進(jìn)行排序，按照竊電行為捕捉的數(shù)據(jù)，設(shè)計(jì)對(duì)應(yīng)的識(shí)別機(jī)制流程，如圖2所示。

圖2主要是對(duì)自適應(yīng)識(shí)別機(jī)制的設(shè)計(jì)。綜合上述的識(shí)別結(jié)構(gòu)，構(gòu)建對(duì)應(yīng)的識(shí)別機(jī)制，具體如下。1）第一階段—基礎(chǔ)識(shí)別。這部分與竊電捕捉和數(shù)據(jù)采集相關(guān)聯(lián)。記錄用戶的用電行為，對(duì)大量用電數(shù)據(jù)進(jìn)行模式識(shí)別和異常檢測(cè)，識(shí)別竊電行為的規(guī)律和特征，對(duì)竊電行為進(jìn)行快速定位和識(shí)別。2）第二階段—自適應(yīng)核驗(yàn)識(shí)別。針對(duì)采集的數(shù)據(jù)和信息，對(duì)竊電的線路進(jìn)行基礎(chǔ)性標(biāo)定，核驗(yàn)勘察計(jì)量設(shè)備和電線設(shè)備，進(jìn)一步判竊電行為并細(xì)化分析。3）第三階段—深層約束識(shí)別。對(duì)用戶日常進(jìn)行行為分析，建立對(duì)應(yīng)的約束識(shí)別條件，在不同的環(huán)境下，將捕捉的竊電行為劃分為多個(gè)層級(jí)，實(shí)現(xiàn)竊電識(shí)別的深層次驗(yàn)證。

結(jié)合以上設(shè)置的竊電行為識(shí)別機(jī)制，當(dāng)面對(duì)復(fù)雜多變的竊電行為時(shí)，可以有效應(yīng)對(duì)各種異常情況，輸出實(shí)時(shí)識(shí)別數(shù)據(jù)和信息，以待后續(xù)使用。

1.3 設(shè)計(jì)電力竊電行為前饋神經(jīng)網(wǎng)絡(luò)識(shí)別模型

當(dāng)設(shè)計(jì)模型時(shí)，需要確定神經(jīng)網(wǎng)絡(luò)的層數(shù)和每層的神經(jīng)元數(shù)量。通常要根據(jù)問(wèn)題的復(fù)雜性和數(shù)據(jù)的規(guī)模來(lái)設(shè)定。較深的網(wǎng)絡(luò)結(jié)構(gòu)可能具有更強(qiáng)的學(xué)習(xí)能力，但也可能導(dǎo)致過(guò)擬合。因此，設(shè)計(jì)模型時(shí)需要在學(xué)習(xí)能力和泛化能力之間找到平衡。首先，設(shè)定應(yīng)用數(shù)值，見(jiàn)表1。

表1主要是對(duì)建模輔助指標(biāo)與數(shù)值的設(shè)定。在此基礎(chǔ)上，考慮提取特征的變化，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理和轉(zhuǎn)換來(lái)實(shí)現(xiàn)，利用特征進(jìn)行引導(dǎo)，對(duì)竊電行為進(jìn)行多維識(shí)別，結(jié)合前饋神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)模型的處理原理，如圖3所示。

圖3主要是對(duì)電力竊電行為前饋神經(jīng)網(wǎng)絡(luò)識(shí)別模型原理進(jìn)行設(shè)計(jì)與實(shí)踐分析。在此基礎(chǔ)上，通過(guò)測(cè)定各個(gè)周期電量波動(dòng)、負(fù)荷曲線變化等特征來(lái)進(jìn)一步反映用戶的用電行為。結(jié)合前饋推進(jìn)的原理，按照預(yù)設(shè)的內(nèi)容分層排列所設(shè)定的識(shí)別目標(biāo)，形成前饋神經(jīng)識(shí)別結(jié)構(gòu)。過(guò)程中通過(guò)接收前一層的輸出并將其輸出給下一層的形式對(duì)識(shí)別目標(biāo)進(jìn)行處理，各層之間不存在識(shí)別反饋。接下來(lái)，選擇合適的優(yōu)化算法構(gòu)建模型，得到竊電行為前饋神經(jīng)網(wǎng)絡(luò)識(shí)別輸出結(jié)果C，如公式（4）所示。

C=πI?ξ?（I-1）PI-1+aI （4）

式中：πI為單元識(shí)別區(qū)域的前饋信息；I為凈輸入值；ξ為活性值；PI-1為前一層輸入竊電識(shí)別值；aI為竊電識(shí)別偏置值。

結(jié)合當(dāng)前測(cè)定，對(duì)最終得出的測(cè)試結(jié)果進(jìn)行對(duì)比研究。同時(shí)，為了防止過(guò)擬合，采用正則化技術(shù)進(jìn)行模型的訓(xùn)練優(yōu)化，不斷增強(qiáng)模型的泛化能力。

1.4 動(dòng)態(tài)訓(xùn)練與追蹤監(jiān)測(cè)實(shí)現(xiàn)竊電識(shí)別

動(dòng)態(tài)訓(xùn)練是指模型能夠根據(jù)實(shí)時(shí)數(shù)據(jù)的變化進(jìn)行持續(xù)學(xué)習(xí)和優(yōu)化。由于竊電手段和技術(shù)不斷更新，電力數(shù)據(jù)也會(huì)隨之發(fā)生變化。建立動(dòng)態(tài)化的訓(xùn)練模式，促使模型不斷適應(yīng)新的數(shù)據(jù)分布和竊電模式，提高識(shí)別準(zhǔn)確率。而追蹤監(jiān)測(cè)則是實(shí)時(shí)監(jiān)控和分析電力數(shù)據(jù)，在持續(xù)性的監(jiān)測(cè)過(guò)程中，平臺(tái)和設(shè)備能夠精準(zhǔn)地鎖定并追蹤潛在的竊電行力。通過(guò)實(shí)時(shí)監(jiān)測(cè)用電負(fù)荷、電量變化等關(guān)鍵指標(biāo)進(jìn)行瞬時(shí)標(biāo)定，幫助管理人員及時(shí)發(fā)現(xiàn)異常用電模式，同時(shí)觸發(fā)預(yù)警機(jī)制，最終結(jié)合歷史數(shù)據(jù)和模型預(yù)測(cè)結(jié)果進(jìn)行綜合分析和判斷，以確保識(shí)別的準(zhǔn)確性和可靠性。但是需要注意的是，當(dāng)前在持續(xù)追蹤的同時(shí)，需要關(guān)聯(lián)一個(gè)完整的數(shù)據(jù)處理和分析系統(tǒng)。將其輸入前饋神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練和識(shí)別，生成可視化的識(shí)別報(bào)告，以便用戶能夠直觀地了解竊電情況并采取相應(yīng)措施。

2 方法測(cè)試

首先，結(jié)合前饋神經(jīng)網(wǎng)絡(luò)，對(duì)電力竊電行為識(shí)別方法實(shí)際應(yīng)用效果進(jìn)行分析與驗(yàn)證研究，考慮最終測(cè)試結(jié)果的真實(shí)與可靠，選定對(duì)比的方式展開(kāi)分析，以Q電力供應(yīng)區(qū)域作為測(cè)試的目標(biāo)對(duì)象，設(shè)定傳統(tǒng)濾波電力竊電行為識(shí)別方法、傳統(tǒng)改進(jìn)孤立森林算法電力竊電行為識(shí)別方法以及此次所設(shè)計(jì)的前饋神經(jīng)網(wǎng)絡(luò)電力竊電行為識(shí)別方法。其次，通過(guò)平臺(tái)采集基礎(chǔ)應(yīng)用數(shù)據(jù)和信息，匯總后待后續(xù)使用。最后，進(jìn)行初始測(cè)試環(huán)境的設(shè)定。

2.1 測(cè)試基礎(chǔ)部署與準(zhǔn)備

結(jié)合前饋神經(jīng)網(wǎng)絡(luò)技術(shù)，設(shè)定與搭建Q電力供應(yīng)區(qū)域電力竊電行為識(shí)別方法測(cè)試環(huán)境。采用MATLAB平臺(tái)作為測(cè)試的基礎(chǔ)支撐桿背景，采集居民用戶數(shù)據(jù)作為分析資料，將測(cè)試識(shí)別的區(qū)域劃分為4個(gè)，每一個(gè)區(qū)域設(shè)置對(duì)應(yīng)的監(jiān)測(cè)節(jié)點(diǎn)，節(jié)點(diǎn)之間互相搭接，形成具體的識(shí)別結(jié)構(gòu)。設(shè)置迭代次數(shù)為120，交叉概率為0.8，變異概率0.04。預(yù)設(shè)測(cè)試指標(biāo)參數(shù)，見(jiàn)表2。

表2主要是對(duì)Q電力供應(yīng)區(qū)域電力竊電行為識(shí)別參數(shù)的設(shè)定。在此基礎(chǔ)上，在測(cè)試的范圍內(nèi)標(biāo)定感應(yīng)裝置，作為硬件的識(shí)別支撐，實(shí)現(xiàn)對(duì)測(cè)試環(huán)境的搭建。

2.2 測(cè)試過(guò)程與結(jié)果實(shí)踐驗(yàn)證

完成上述測(cè)試環(huán)境的搭建后，對(duì)數(shù)據(jù)進(jìn)行處理，以提升數(shù)據(jù)質(zhì)量，進(jìn)而強(qiáng)化后續(xù)測(cè)試結(jié)果的準(zhǔn)確性。利用公式（1）進(jìn)行數(shù)據(jù)清洗，確保數(shù)據(jù)準(zhǔn)確性和一致性，為后續(xù)分析提供堅(jiān)實(shí)基礎(chǔ)。根據(jù)公式（2）精確計(jì)算異常值，以識(shí)別顯著偏離正常模式的數(shù)據(jù)點(diǎn)，這些異?？赡茉从诟`電或其他因素。為準(zhǔn)確識(shí)別竊電行為，應(yīng)用公式（3）提取與竊電行為高度相關(guān)的特征值，以有效反映用戶用電行為的異常，作為判定竊電的重要依據(jù)。建立自適應(yīng)識(shí)別機(jī)制，通過(guò)實(shí)時(shí)監(jiān)測(cè)用電數(shù)據(jù)，設(shè)定識(shí)別約束條件，分階段實(shí)施基礎(chǔ)識(shí)別、自適應(yīng)核驗(yàn)識(shí)別和深層約束識(shí)別，以有效應(yīng)對(duì)復(fù)雜多變的竊電行為。

利用前饋神經(jīng)網(wǎng)絡(luò)，對(duì)電力竊電行為識(shí)別方法進(jìn)行測(cè)試分析。首先，在當(dāng)前測(cè)試程序中導(dǎo)入4組輔助測(cè)試的識(shí)別干擾指令，內(nèi)容各不相同，因此，對(duì)應(yīng)的識(shí)別干擾難度也存在差異，這樣的形式可以保證識(shí)別結(jié)果的精準(zhǔn)度。隨后，在程序中對(duì)預(yù)設(shè)的20起竊電行為進(jìn)行模擬執(zhí)行，通過(guò)公式（4）計(jì)算竊電行為前饋神經(jīng)網(wǎng)絡(luò)識(shí)別輸出結(jié)果，并在存在干擾的情況下，第一時(shí)間標(biāo)定竊電位置，同時(shí)鎖定對(duì)應(yīng)的竊電行為類型，計(jì)算誤識(shí)率，如公式（5）所示。

式中：K為誤識(shí)率；Q為識(shí)別范圍；Z為定向標(biāo)定區(qū)域；v為重疊誤時(shí)率；E為異常值。

結(jié)合上述測(cè)定，對(duì)最終得出的結(jié)果進(jìn)行分析，見(jiàn)表3。

由表3可知，與傳統(tǒng)濾波電力竊電行為識(shí)別方法、傳統(tǒng)改進(jìn)孤立森林算法電力竊電行為識(shí)別方法相比，本次所設(shè)計(jì)的前饋神經(jīng)網(wǎng)絡(luò)電力竊電行為識(shí)別方法得出的誤識(shí)率被控制在0.45%以下，這說(shuō)明結(jié)合前饋神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的電力竊電行為識(shí)別方法更高效、更具體，識(shí)別精準(zhǔn)度可以把控。

3 結(jié)語(yǔ)

綜上所述，在基于前饋神經(jīng)網(wǎng)絡(luò)的電力竊電行為識(shí)別方法的輔助與支持下，所設(shè)計(jì)的竊電行為識(shí)別方法不僅能夠顯著提升電力竊電行為的識(shí)別準(zhǔn)確率，而且還能大幅減少人工巡檢的工作量和成本，為電力企業(yè)的安全穩(wěn)定運(yùn)行提供了有力保障。與此同時(shí)，前饋神經(jīng)網(wǎng)絡(luò)還可以深度優(yōu)化電網(wǎng)異常情況的捕捉速度和效率，通過(guò)不斷優(yōu)化的算法模型來(lái)提升識(shí)別性能和效率，從而更好地滿足電力行業(yè)的實(shí)際需求。

參考文獻(xiàn)

[1]張永敏，劉勝男，易玲，等.基于濾波的電力計(jì)量系統(tǒng)分流竊電行為動(dòng)態(tài)識(shí)別方法[J].機(jī)械設(shè)計(jì)與制造工程，2024，53（3）：129-132.

[2]錢旭盛，朱萌，翟千惠，等.基于改進(jìn)孤立森林算法的異常用電行為識(shí)別方法[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2023，45（6）：601-606.

[3]呂呈.基于用電行為挖掘的低壓臺(tái)區(qū)竊電識(shí)別方法[J].自動(dòng)化應(yīng)用，2023，64（19）：149-151.

[4]梁允鋒.基于深度學(xué)習(xí)的三相電能計(jì)量系統(tǒng)竊電行為識(shí)別方法[J].電氣技術(shù)與經(jīng)濟(jì)，2023（4）：124-127.

[5]鄧博雅，高志平，張平康，等.基于相似性搜索的異常用電行為識(shí)別方法[J].自動(dòng)化技術(shù)與應(yīng)用，2023，42（3）：63-66.

[6]韓建富，肖春，宋小兵，等.基于GA-BP神經(jīng)網(wǎng)絡(luò)的能源互聯(lián)網(wǎng)竊電行為識(shí)別方法[J].電氣傳動(dòng)，2022，52（14）：38-44.

[7]劉洋，賀超群.基于高維隨機(jī)矩陣的異常用電行為識(shí)別方法[J].集成電路應(yīng)用，2022，39（2）：258-259.