0 引言

近些年,竊電行為屢禁不止,竊電手法也趨向智能化、隱蔽化。除了在供電設(shè)施上擅自接線用電,繞越用電計(jì)量裝置用電,偽造或者開(kāi)啟加封的用電計(jì)量裝置封印用電,故意損壞用電計(jì)量裝置,還會(huì)使用倒表器、移相方式、有線遠(yuǎn)方控制和無(wú)線遙控等智能型竊電^[1]。而反竊電工作仍然以人為經(jīng)驗(yàn)為主,反竊電采用的方法包括逐相檢查法、力矩法、鉗形表法等,反竊電技術(shù)裝備有待提高。被動(dòng)式查證易疏漏,滲透率低;主動(dòng)巡查命中率低,效率低下,反竊電技術(shù)亟待取得突破^[2]。

竊電檢測(cè)和分析需要提高信息化程度,充分利用用電大數(shù)據(jù)^[3],挖掘用戶用電習(xí)慣,基于機(jī)器學(xué)習(xí)算法,結(jié)合鑒別經(jīng)驗(yàn)規(guī)則,構(gòu)建大數(shù)據(jù)反竊電模型,并逐步建立用戶竊電行為檢測(cè)和分析系統(tǒng),分析竊電用戶特征,準(zhǔn)確識(shí)別高竊電嫌疑的用戶^[4-7],從而為電力企業(yè)提供智能化的分析策略,為反竊電管理的完善提供有效的技術(shù)支持^[8-9]。進(jìn)一步,維護(hù)正常的供用電秩序,保證用電安全,保障正常用電用戶和電力企業(yè)的利益。

本文主要貢獻(xiàn)在于利用用電數(shù)據(jù)和相關(guān)電力數(shù)據(jù)集,構(gòu)建竊電風(fēng)險(xiǎn)等級(jí)模型,設(shè)計(jì)用戶竊電行為檢測(cè)系統(tǒng)。首先,介紹所采用的神經(jīng)網(wǎng)絡(luò)框架及模型構(gòu)建方法;其次,介紹特征工程和數(shù)據(jù)預(yù)處理采用的方法;最后,在真實(shí)數(shù)據(jù)集上驗(yàn)證模型的有效性以及完善其可擴(kuò)展性。

 1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的基礎(chǔ),作為經(jīng)典的機(jī)器學(xué)習(xí)框架,已在諸多領(lǐng)域的大數(shù)據(jù)應(yīng)用中取得了廣泛應(yīng)用^[10]。

1.1 神經(jīng)元與多層網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡(jiǎn)單單元組成的廣泛并行互連的網(wǎng)絡(luò),能夠模擬生物神經(jīng)系統(tǒng)的交互和學(xué)習(xí)過(guò)程。

元神經(jīng)網(wǎng)絡(luò)中的功能神經(jīng)元,接收到來(lái)自其他神經(jīng)元的輸入信號(hào)x_i(i=1,2,…n),通過(guò)帶權(quán)重w_i(i=1,2,…n)的連接進(jìn)行傳遞,神經(jīng)接收到的總輸入值將與其閾值θ比較,然后通過(guò)“激活函數(shù)”（Sigmoid函數(shù)、logistic 函數(shù)等）處理以產(chǎn)生輸出y。

權(quán)重和閾值可以通過(guò)學(xué)習(xí)得到。功能神經(jīng)元模型如圖1所示。

圖1 功能神經(jīng)元模型Fig.1 Functional neuron model

要解決非線性可分問(wèn)題,需疊加單層感知器,常見(jiàn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為“多層前饋神經(jīng)網(wǎng)絡(luò)”,包含輸入層、輸出層以及之間的一層或多層的隱藏層^[11]。

1.2 誤差逆?zhèn)鞑ニ惴?/span>

誤差逆?zhèn)鞑ィ╡rror Back Paopagation,BP）算法是訓(xùn)練神經(jīng)網(wǎng)絡(luò)的迭代學(xué)習(xí)算法,采用隨機(jī)梯度下降進(jìn)行參數(shù)尋優(yōu),其算法如下。

 （1）

則網(wǎng)絡(luò)在此樣本上的均方誤差為：

 （3）

單隱藏層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意如圖2所示。

圖2 單隱藏層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.2 Single hidden layer feedforward neural network structure

 2 竊電風(fēng)險(xiǎn)等級(jí)模型

2.1 數(shù)據(jù)輸入與特征提取

模型初始訓(xùn)練的數(shù)據(jù)集來(lái)自于湖州部分地區(qū)2016年第四季度的用戶用電數(shù)據(jù),采集于21 623個(gè)低壓用戶戶號(hào)和17 779個(gè)專變用戶戶號(hào),其中包含646個(gè)已查驗(yàn)確認(rèn)的低壓竊電用戶。

根據(jù)竊電特點(diǎn)及其受竊電行為影響的計(jì)量指標(biāo),專變用戶主要從瞬時(shí)電壓、瞬時(shí)電流、三相不平衡、日用電量、月最大需量等方面提取模型特征,低壓用戶主要從日用電量、用電量變化、尖峰平谷時(shí)期用電量、所在臺(tái)區(qū)線損、線損變化等方面提取模型基本特征,從而全面刻畫(huà)用戶用電模式和規(guī)律,及其對(duì)電網(wǎng)產(chǎn)生的影響^[13]。

主要特征和對(duì)輸入數(shù)據(jù)的預(yù)處理如下：

1）用電量時(shí)間序列：一階差分觀測(cè)期內(nèi)的電表讀數(shù),獲取日用電總量和尖峰平谷各時(shí)間段用電量的時(shí)間序列數(shù)據(jù)。圖3是該時(shí)間序列數(shù)據(jù)的可視化,綠色代表的是正常用戶,紅色代表竊電用戶,可以看到竊電用戶和正常用戶用電時(shí)段的差異性。

2）平均電表讀數(shù)：對(duì)觀測(cè)期內(nèi)用戶電表讀數(shù)統(tǒng)計(jì)值取均值,作為用電基數(shù)輸入。

3）月最大需量：觀測(cè)期內(nèi)各月用戶電量最大需量。另外,提取月最大需量與實(shí)際用電量差異值
特征。

4）所在臺(tái)區(qū)線損：用戶所在臺(tái)區(qū)的線損率、臺(tái)區(qū)用戶數(shù)、臺(tái)區(qū)用電量,反映所在臺(tái)區(qū)線損程度和竊電用戶分布的比例。

5）電壓三相不平衡：根據(jù)IEEE Std 12-2004的定義,由三相相電壓值V_a、V_b、V_c及其均值V_pavg計(jì)算三相電壓不平衡度^[10]：

 （5）

數(shù)據(jù)清洗過(guò)程中,對(duì)超過(guò)20%用電量數(shù)據(jù)存在異常值的用戶進(jìn)行剔除。用均值填充剩余數(shù)據(jù)集中用電量缺失值,對(duì)于異常值點(diǎn)以臨近處均值擬合。

根據(jù)均值µ和方差σ對(duì)特征值進(jìn)行z-Score的標(biāo)準(zhǔn)化：

 （7）

Sigmoid函數(shù)具備求導(dǎo)的很好的性質(zhì)計(jì)算梯度,

Fig.4 ROC graph of MLP model " style="box-sizing: border-box; color: rgb(43, 43, 43); text-decoration-line: none;">圖4 MLP模型ROC曲線Fig.4 ROC graph of MLP model

ROC空間將偽陽(yáng)性率（False Positive Rate,FPR）定義為X軸,真陽(yáng)性率（True Positive Rate,TPR）定義為Y軸,因此曲線距離左上角越近,證明分類(lèi)器效果越好。同樣,AUC（Area under the Curve of ROC）也用來(lái)對(duì)模型的效果進(jìn)行評(píng)估,其值為ROC曲線所覆蓋的區(qū)域面積,AUC越大,模型整體性能越好。該竊電用戶檢測(cè)模型平均AUC達(dá)到0.85,反映了其良好的分類(lèi)效果和健壯性。

對(duì)模型的輸出進(jìn)行變換,按竊電嫌疑（用戶被分類(lèi)為竊電用戶的可能性）劃分竊電風(fēng)險(xiǎn)等級(jí)。竊電嫌疑值高于0.8的為高可疑用戶,作為排查重點(diǎn),0.6~0.8為中度可疑用戶,0.6以下為低可疑用戶,其中的高可疑用戶是重點(diǎn)關(guān)注和排查的對(duì)象。

利用湖州部分地區(qū)2017年第二季度的來(lái)自
34 520個(gè)用戶的真實(shí)用電數(shù)據(jù),輸入模型查詢高嫌疑值的竊電用戶。經(jīng)過(guò)實(shí)際檢查,模型返回的高可疑竊電用戶命中率達(dá)到0.75,驗(yàn)證了檢測(cè)模型的有效性。

通過(guò)現(xiàn)場(chǎng)操作人員的確認(rèn)和分析,對(duì)未命中用戶的誤判異常指標(biāo)記錄,結(jié)合正向反饋的數(shù)據(jù),對(duì)模型進(jìn)行增量訓(xùn)練。

2.4 模型的應(yīng)用

基于機(jī)器學(xué)習(xí)的算法和歷史用電數(shù)據(jù)訓(xùn)練竊電風(fēng)險(xiǎn)等級(jí)模型,作為竊電用戶識(shí)別系統(tǒng)的計(jì)算核心支撐,構(gòu)成用戶竊電行為檢測(cè)系統(tǒng)的核心模塊。用戶竊電行為檢測(cè)系統(tǒng)架構(gòu)如圖5所示。竊電用戶識(shí)別系統(tǒng)提供Web查詢界面給竊電排查人員,基于最新電力數(shù)據(jù)返回預(yù)測(cè)結(jié)果。人為排查和判定的反饋結(jié)果以及偷竊電指標(biāo),觸發(fā)模型的增量訓(xùn)練和自學(xué)習(xí)過(guò)程,定時(shí)更新模型^[15-17]。

圖5 用戶竊電行為檢測(cè)系統(tǒng)架構(gòu)Fig.5 Electric filching detection system architecture

 3 展望

現(xiàn)階段基于神經(jīng)網(wǎng)絡(luò)的用戶竊電檢測(cè)與分析,模型的分類(lèi)能力和準(zhǔn)確率、召回率均有待提高,下一步將加入隨機(jī)森林、梯度提升樹(shù)等算法模型模塊,利用模型集成提升學(xué)習(xí)能力^[18]。數(shù)據(jù)集的連續(xù)有效保障用戶竊電等級(jí)模型的泛化能力和精準(zhǔn)程度。數(shù)據(jù)倉(cāng)庫(kù)正在構(gòu)建,數(shù)據(jù)存儲(chǔ)和查找的效率需要進(jìn)一步提高。對(duì)竊電用戶的查處和標(biāo)記需要增加各項(xiàng)指標(biāo)的記錄,如竊電起止時(shí)間、竊電方式、竊電量等,數(shù)據(jù)質(zhì)量的提高將進(jìn)一步促進(jìn)模型的優(yōu)化。

 4 結(jié)語(yǔ)

傳統(tǒng)的反竊電技術(shù)工作量大、滲透率低,本文基于用戶用電數(shù)據(jù)和相關(guān)電力數(shù)據(jù)提取特征指標(biāo),利用BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)竊電風(fēng)險(xiǎn)等級(jí)監(jiān)測(cè)模型,模型在湖州市真實(shí)數(shù)據(jù)實(shí)例驗(yàn)證上展現(xiàn)了高準(zhǔn)確率和命中率,較以往隨機(jī)排查、經(jīng)驗(yàn)規(guī)則,以更高的科學(xué)性和實(shí)用性提升了反竊電技術(shù)的信息化和智
能化。