王磊， 崔宝华， 檀政， 周辛南， 杜跃
(1. 保定电力职业技术学院(国网冀北电力有限公司技能培训中心), 河北， 保定 071051；
2. 国网冀北电力有限公司， 北京 100032；
3. 国网冀北电力有限公司唐山供电公司， 河北， 唐山 063000)
现如今电能已然成为各行各业应用最为广泛的能源之首。伴随对电能需求的增长，最严重的窃电行为已经扰乱了用电的安全性和企业长期有效的持续性发展。不法分子常常采取违规违纪的方法达到窃电的目的从中牟利。目前，我国电力企业仍然缺乏精准、有效的针对窃电行为的防范方法。窃电技术智能化的提升促使我们不得不对窃电行为做出有力的一击。我们无法断定窃电的地理位置、窃电的电量等，因此我们需在反窃电方法中扩展新的途径。王庆宁等[1]、李丹丹等[2]分别设计2个反窃电系统，可拓展反窃电方法的有效途径，但存在评估窃电行为准确率较低的问题，无法为电力企业查处窃电行为提供科学依据，反窃电效果较差。LabVIEW是美国National Instruments开发的一种图形化编程[3]，它可节约系统设计时间与研发成本。针对传统反窃电技术的弱点，设计基于LabVIEW实现BP神经网络的反窃电系统，提升反窃电效果。
依据LabVIEW开放式开发平台，建立BP神经网络的反窃电系统，其功能结构如图1所示。数据输入模块是依据国家电网等数据库的电量使用者的用电评估数据，并参考窃电行为发生的特殊性和供电企业对窃电怀疑参数所反馈的指标，构建反窃电评价指标体系。数据存储模块是通过excel表格技术存储评价指标数据，并显示在终端平台上，便于电量使用者的查询以及遗传优化BP神经网络模型的二次训练。数据处理及分析模块是利用遗传优化BP神经网络模型锁定疑似窃电用户，该模型的输入是数据存储模块中的评价指标数据，并将得到的结果传递至用户校验模块。用户校验模块负责汇总使用者电量的以往数据，依据以往数据校验锁定的疑似窃电用户，进一步明确该用户是否存在窃电行为，保证反窃电系统的精准性[4]，将判断结果传递至发送核查单模块。发送核查单模块负责发放窃电行为的审查记录，以供有关部门的合法审查。
图1 反窃电系统功能结构图
1.1 反窃电评价指标体系
参考窃电行为发生的特殊性和供电企业对窃电怀疑参数所反馈的指标构建反窃电评价指标体系，如图2所示。
图2 评价指标体系
x1是用户的日用电能，每年7月至10月、12月至次年的3月用电量最大，炎热的夏天和寒冷的冬天需支配的各种大功率设备都需要不停地运转耗电，凭借每年的用电量经验及国家电网出具的电量单据，使用者都会对自身情况做出有效预估[5]。x2是当每个月或者每个季度的耗电量数据出来时，最大线损是发生窃电行为的重要标杆。x3是根据电力行业判断，机械表的使用者发生窃电行为的概率远远大于电子表，因为机械表的构造及原理更有利于犯罪分子的操作，而电子表的构造和用途原理更为精密难以操控。x4代表使用者所在台区的线损率，衡量此线损率时台区范围中存在窃电行为的可能性[6]。x5代表电压的不正常情况，即欠压情况的表达公式如下：
(1)
其中，三相电压值是u。
x6代表出现异常时使用者存在窃电的可能性远高于正常情况下的x6。正常使用者负载的x7无波动性，通常情况下无较大幅度变化情况。x8和使用者的月用电量相对应，在(x8×360)/月用电量<2时，代表使用者不存在窃电行为，反之，该使用者存在窃电行为[7]。
1.2 遗传优化BP神经网络模型
遗传优化BP神经网络模型存在优越的网络近似性能，该模型的流程如图3所示。
图3 模型流程图
具体步骤如下。
Step 1 获取BP神经网络层数与输入向量数量等参数，设置网络拓扑结构。
Step 2 预处理训练样本，得到遗传算法的N，初始化种群参数，设计交叉与变异概率，这两个值是不变的。
Step 3 输出误差E的公式如下：
(2)
其中，训练样本k的实际输出是dk，期望输出是ok。
构建适应度函数f，公式如下：
f=1/(E+1)
(3)
选择符合f条件的个体当成父本。
Step 4 利用遗传算法的遗传操作处理父本，得到新的种群，以最大迭代次数或最小网络误差值为终止条件。
Step 5 选择与f最大输出值或最小误差值相应的权值和阈值，展开网络训练[8]。
1.3 构建数学模型
由遗传算法改进BP神经网络的权值与阈值，数学模型的构建步骤如下。
Step 1 将反窃电评价指标体系作为数学模型的输入向量。
Step 2 选取输出向量，将使用者的窃电嫌疑因子与疑似窃电方式当成输出向量。窃电嫌疑因子等级包含不存在窃电行为，记作0；
存在窃电嫌疑，记作1；
存在重大窃电嫌疑，记作2。疑似窃电方式包含不存在窃电方式，记作5；
欠压法窃电，记作6；
欠流法窃电，记作7。
Step 3 预处理数据，归一化处理即将输入的评价指标数据，保证全部数据均存在同等的重要性，避免出现因输入值太大导致神经元的输出过满情况[9]。归一化后的数据区间是[0，1]，公式如下：
(4)
Step 4 确定隐含层节点数m，选择合理的m会提升网络性能，降低误差率，避免出现局部最优现象，公式如下：
(5)
其中，输入与输出层的节点数分别为n与l，常数为α，1≤α≤10，数学模型有8个输入，2个输出。
Step 5 确定激活函数，将S型激活函数当成隐含层的激活函数，其特点仅有中部改变幅度较大，其余部分无明显变化，同时存在不间断的优势；
将线性激活函数当成输出层的激活函数，扩展输出范围[10]。
1.4 反窃电系统的流程
LabVIEW的优势是可以和众多编程语言、应用程序相匹配，充分结合LabVIEW和MATLAB令使用者能够在LabVIEW内运用MATLAB的超强计算能力。通过LabVIEW与MATLAB的混合编程，构造反窃电系统，系统流程如图4所示。
图4 系统流程图
LabVIEW接收输入的用户反窃电评价指标体系数据，储入数据库内，并在运行页面上展示数据，同时发送信号至MATLAB；
MATLAB接收信号后，在数据库内识别该用户用电数据，通过遗传优化BP神经网络模型分析用户的窃电行为，将计算结果存入Excel数据库内，并反馈至LabVIEW；
LabVIEW接收到反馈的结果后，将该结果呈现于运行页面上，同时在数据库内存入反馈结果[11-12]，利于使用者查询以及模型的二次训练。
以某省国家电网为实验对象，利用本文系统评估该国家电网是否存在窃电行为，在该电网内采集50组用电信息数据，将前40组数据作为训练样本，后10组数据作为测试参考。设计合理的交叉与变异概率，可提升本文系统评估窃电行为的精准性，通过实验获取这两个概率，在后10组数据中随机选取3组数据，测试本文系统在不同交叉与变异概率时评估这3组数据是否存在窃电行为的准确性，以后验方差比值为评价评估窃电行为准确性的指标，该值与评估准确性成反比，一般后验方差比值低于0.35时，则代表评估准确性较高，依据后验方差比值为本文系统选择最佳的两个概率值，测试结果如图5、图6所示。
图5 交叉概率测试结果
图6 变异概率测试结果
根据图5可知，3组数据的后验方差比值随交叉概率的增长呈先下降后增长的趋势，当交叉概率为0.5时，3组数据的后验方差比值均降至最低。实验证明：交叉概率为0.5时，本文系统评估窃电行为的准确性最高。
根据图6可知，随着变异概率的提升，3组数据的后验方差比值呈下降趋势。当变异概率达到0.04时，3组数据的后验方差比值降至最低；
当变异概率超过0.04时，3组数据的后验方差比值开始逐渐提升。实验证明：变异概率为0.04时，本文系统评估窃电行为的准确性最高。
依据上述实验为本文系统选取最佳的交叉与变异概率，利用本文系统评估后10组数据的窃电嫌疑因子与窃电方式的类别，选取2个系统作为本文系统的对比系统，分别来源于文献[1]与文献[2]的2个反窃电系统，评估结果如图7、图8所示。
图7 窃电嫌疑因子类别评估结果
图8 窃电方式类别评估结果
根据图7可知，3个系统均能评估10组数据的窃电嫌疑因子，本文系统评估的窃电嫌疑因子类别与实际类别非常接近，差距较小，其余2个系统虽能评估窃电嫌疑因子的类别，但与实际类别差距较大。实验证明：本文系统能够精准评估窃电嫌疑因子，为窃电查处提供依据，重点观察存在窃电行为的用户，提升反窃电效果。
根据图8可知，3个系统均能评估10组数据的窃电方式，本文系统评估的结果是这10组数据中存在两组欠流法窃电方式，两组欠压法窃电方式，其余组均无窃电方式，与实际类别基本一致。其余2个系统评估结果与实际类别差距较大。实验证明：本文系统能够精准评估窃电方式类别，针对窃电方式制定相关策略，提升反窃电性能。
分析3个系统在训练样本数量不同时评估窃电嫌疑因子与窃电方式类别的后验方差比值，测试3个系统的反窃电性能，测试结果如图9、图10所示。
图9 评估窃电嫌疑因子类型的后验方差比值
图10 评估窃电方式类别的后验方差比值
根据图9可知，随着训练样本数量的增加，3个系统的后验方差比值均开始下降，本文系统呈线性趋势下降，收敛速度较快，在样本数量为10组时后验方差比值以低于0.35，当样本数量为15组时，已完成收敛，稳定在0.2左右；
文献[1]系统前期后验方差比值下降幅度较为平缓，在样本数量为25组时，后验方差比值才低于0.35，此时也完成收敛，收敛速度较慢；
文献[2]系统前期后验方差比值下降幅度较大，但后期下降幅度比较缓慢，在样本数量为30时，后验方差比值才低于0.35，此时也完成收敛，收敛速度较慢。实验证明：在不同训练样本数量时，本文系统评估窃电嫌疑因子类型的后验方差比值最低，且收敛速度最快，说明本文系统的性能最优。
根据图10可知，样本数量不断增加，本文系统的后验方差比值显著低于其余2个系统，在样本数量为20组时，已完成收敛，其余2个系统均在样本数量为30组时才完成收敛。实验证明：本文系统评估窃电方式类型的后验方差比值最低，且收敛速度快，具备较优的窃电方式评估性能，有效提升系统的反窃电效果。
为提升高压反窃电工作效率，设计科学的反窃电异动审查方式，达到追缴电费、降低窃电犯罪率的目的，研究基于LabVIEW实现BP神经网络的反窃电系统，精准评估窃电嫌疑因子与窃电方式，依据评估结果制定相关政策，提升反窃电效果，降低电网损失。本文所设计系统为电网展开窃电工作提供科学依据，具有重大意义。
猜你喜欢验方类别使用者验方拾珍中国民间疗法(2021年14期)2021-08-30验方拾珍中国民间疗法(2021年8期)2021-07-22验方拾珍中国民间疗法(2021年4期)2021-06-09验方拾珍中国民间疗法(2021年2期)2021-05-22新型拼插休闲椅，让人与人的距离更近好日子(2018年5期)2018-05-30壮字喃字同形字的三种类别及简要分析民族古籍研究(2018年1期)2018-05-21抓拍神器中国新闻周刊(2016年33期)2016-10-27服务类别新校长(2016年8期)2016-01-10多类别复合资源的空间匹配浙江大学学报（工学版）(2015年1期)2015-03-01中医类别全科医师培养模式的探讨中国中医药现代远程教育(2014年16期)2014-03-01