小波神经网络在反窃电系统中的应用研究

小波神经网络在反窃电系统中的应用研究

王仁康 罗长娟

国网青海省电力公司海西供电公司 青海海西格尔木 816000

摘要：随着人工神经网络在计算机科学、自动控制和人工智能等领域都获得了广泛的应用，同时也为查出潜在用电用户窃电行为提供了一种新的方法。利用改进后小波神经网络在非线性映射领域的独特优势，基于窃电用户用电数据信息构建反窃电指标评价体系，再通过在反窃电实例应用的对比分析来验证方法的有效性和优越性。

关键词：小波神经网络；反窃电系统；应用研究

引言

改进后的小波神经网络模型在反窃电系统评价中的测试结果误差最小，模型的输出结果与期望输出的真实值是最接近的，本反窃电系统评价模型及方法具有良好的适用性和优越性。

1、小波神经网络的相关概述

小波神经网络（Wavelet Neural Network， WNN）是在小波分析研究获得突破的基础上提出的一种人工神经网络。 “小波神经网络”的应用：（1）在影像处理方面，可以用于影像压缩、分类、识别与诊断，去污等。在医学成像方面的减少B超、CT、核磁共振成像的时间，提高解析度等。（2）在信号分析中的应用也十分广泛。它可以用于边界的处理与滤波、时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺度边缘侦测等。（3）在工程技术等方面的应用。包括电脑视觉、电脑图形学、曲线设计、湍流、远端宇宙的研究与生物医学方面。

2、小波神经网络在反窃电系统中的应用研究

2.1反窃电功能

（1）分析负荷数据。可以分析日峰谷和日最大负荷比，有效查询负荷曲线的详细信息。（2）分析电量信息。使用该功能可以分析峰谷、突变和日电量同比，从而使用电情况得到有效获取。（3）分析电流和电压。使用该功能可使查询电流曲线、电压三相不平衡率、电流三相不平衡率、电压合格率和电压曲线变得更加快速，有效分析了零电流和零电压的详细情况。（4）分析线损情况。使用该功能可依托信息分析数据，实现对每日线损情况的有效获知。

2.2反窃电评价指标体系

反窃电指标评价体系是根据用户窃电特点及对用户用电影响负荷因素进行分析，并提取能够对窃电嫌疑系数产生影响的指标的特征量组成的。用户用电信息采集系统的数据量庞大、数据结构关系复杂，通过对目前多种窃电方式的分析，本文选用日用电量、线损率、功率数、台区线损、合同容量比、三相不平衡率等指标构建指标评价体系。

2.3基于BP神经网络的反窃电模型

BP（BackPropagation）算法输入样本从输入层向输出层传递的过程中需要经过各种隐层的处理，这是信号正向传播的特点，而误差的反向传播阶段是指实际输出和输出层的期望输出不一致。信号的正向传播与信号反向传播两个过程构成了BP算法的学习。当期望输出和实际输出的误差进入隐层输入层后，经过层层反转，再进入各层的每一个单元，从而能够得到每一层单元的误差信号，根据这个误差信号去修正每个单元的权值。

针对反窃电评价建立BP神经网络模型，必须在已确定的用电用户状态评价指标体系中，使用用电信息采集系统获得的样本数据来学习训练，在此学习训练的基础上，交叉验证已知的窃电样本，能够进一步优化评价指标模型，获取用电用户的窃电概率，最后据此划分不同的用户信用等级；将输入数据进行归一化处理，归一化区间选取[0，2]，数值0表示无窃电嫌疑，数值1表示一般窃电嫌疑，数值2表示重大窃电嫌疑；对模型进行训练，在训练过程中可以调节影响训练效果的输入、含层函数、输出层函数、训练算法、归一化区间、隐含层个数、学习速率、最小目标误差和最大训练次数。训练达到预期目标后结束，得到最终预测模型，用来预测是否窃电。

2.4处理程序

（1）智能监测与在线监测有机结合。以现场采集的所有信息为基础，对停电、缺相、电流失流、电压失压等相关因素进行科学的分析，从而使电能计量正常，防止窃电情况。（2）从多维角度进行分析。以某个流程的相关信息为基础，对其开展有效的辅助分析，从而使该流程的所有事件实现准确的判断。（3）关联分析。对用户的数据采集情况、接线方式、计量信息、终端资产档案、电能表、用户档案和用户信息等情况进行认真分析，使用户的用电情况得到准确的体现，同时有效分析一次侧功率差和二次侧功率差。（4）智能诊断。对用户归档的异常处理程序和异常信息进行详细的分析，同时对线路线损率和台区线损情况进行有效的结合，实现对窃电问题的准确定位，从而使用电管理更加的科学、规范。

3、小波神经网络在反窃电系统中的实例仿真

选取某个有过窃电经历的用户用电数据为例，构建窃电评价体系。从相关历史资料中查询可得，自2018年08月到2019年04月期间，该户在2019年01月开始窃电，窃电现象持续到2019年03月被处理后恢复正常。首先对网络样本输入数据进行归一化处理，并将处理后的数据作为输入数据，其中选择窃电嫌疑系数作为输出数据。基于Matlab建立神经网络三层体系结构，确定输入层、隐含层、输出层神经元节点数分别为8、7、1个。选定Sigmoid和Purelin函数作为隐含层和输出层节点激活函数，将用户用电数据输入网络，进行训练，采用迭代计算至满足学习精度到10－6为止，得到输入结果如表1所示。可以看出，经过学习训练的输出值和用户窃电实际值最大误差为4.42％，训练输出平均误差0.67％。窃电嫌疑系数保持在0.0036-0.0445之间，计算获得的窃电嫌系数与实际情况基本一致，表明输入和输出关系正确，采用该类神经网络和响应的输入样本能够对窃电情况进行有评价。选择发生窃电现象的数据作为测试样本进行神经网络测试，如表1所示。

表1网络测定结果

从表1可看出，该户2018年8月至12月正常期间，窃电嫌疑系数均在0.05以下，表明无窃电嫌疑，自2019年1月窃电以后，窃电嫌疑系数相当接近1，表明窃电可能性较大，应该作为重点排查对象。从同期线损系统中得知窃电期间线损率明显波动突变，存在电流分流的窃电迹象。再次在有过窃电经历的某个专变用户数据验证，发现与实际情况相符，由此得知该模型可用于反窃电数据分析中。

结束语

基于小波神经网络的反窃电系统，能够快速、准确地识别疑似窃电用户，大大提高反窃电工作的效率，并为窃电工作提供有力的证据，有着积极的意义。

参考文献

[1]王庆宁,张东辉,孙香德,沈杨,许湘莲.基于GA-BP神经网络的反窃电系统研究与应用[J].电测与仪表,2018,55(11):35-40