打开文本图片集

摘要：针对传统用户防窃电监测方法存在窃电行为查全率低、数据传输时延较长等问题，本文提出一种基于神经网络的公变台区用户防窃电监测方法。对公变台区用户窃电特征进行分析，给出防窃电技术的定义;使用自组织特征的映射网络对历史用电数据进行分类，针对每一类用户用电数据创建一个BP神经网络，并对其并展开训练，实现公变台区用户防窃电监测。实验结果表明，数据量为500GB时，本文方法在用户防窃电监测过程中数据传输时延为25.8ms，用户防窃电监测查全率最高可达99.36%，表明本文方法具有较高的用户防窃电监测效果。

关键词：自组织特征;映射网络;防窃电;神经网络

1.引言

在“智慧城市”建设发展的过程中，智能电网发挥着不可替代的作用[1]。源于电力计量装置数量众多，大部分通过互联网相连接的状况，给不法分子以可乘之机，他们通过欺骗软件与硬件对电网计量系统进行侵入，利用系统的漏洞进行电力窃取行为，这对于普通消费者以及国营民生成来说都是伤害性行为[2]。对电力系统进行电力窃取所造成的危害十分严重，尤其是在线路功率较低的电力分配地区，会对地区内的其他正常用电活动造成伤害，例如电力需求较高的工厂生产活动等，同时对于电力分配设备来说也是一种伤害，严重的可能导致危害人身安全的事故发生。另外电力窃取行为对于盗窃人员来说也存在着较大的安全隐患，近年来因为电力窃取行为导致的触电以及火灾事故频发不断，从全局整体利益来看，电力窃取所获取的些许个人利益实不可取。通过对事故的调查与分析，电力窃取行为长期存在，屡见不鲜，因此对电力的使用进行科学计量，同时对电力盗取进行管理和惩罚。当前主流的窃电方式，无法单纯的从电表上直接查找窃电用户，以往的查处经验与理论也无法施展，供电企业的查处因此受限，从而使得电力能源被窃取的现象越来越多。相关学者对此进行了研究，取得了一定的进展。

张宇帆等人提出一种基于特征提取的窃电监测方法[3]，通过支持向量机方法获取用户窃电行为特征，通过层次分析法实现用户窃电类型分类，根据深度卷积生成对抗网络实现窃电监测，此方法能够降低用户窃电行为检测算法的计算复杂度，提升窃电监测效率，但是监测查全率不佳。乔立春提出一种基于大数据分析的窃电行为智能在线监测方法[4]，通过数据挖掘方法获取窃电用户特征，根据决策树分类进行窃电用户属性分类，依据大数据分析技术实现窃电行为智能在线监测，此方法能够提升窃电行为查全率，但是窃电监测用时较长。

针对以上方法，本文提出一种基于神经网络的公变台区用户防窃电监测方法，有效提升公变台区用户防窃电监测效果。

2.方法

2.1  窃电特征分析

通过对异常用电行为原因的分析可知，现阶段的异常用电行为，主要是各类不法分子，通过欠压、欠流、移相等不同的手段，来影响电压、电流、功率因素等参量，用来达到减少电能计量表计数的目的，从而逃避或者减少电费的交纳[5]。由此可知，异常用电行为必然会影响计量装置工作状态，从而导致相应用户的用电特征量异于正常用户[6]。从观察的角度来说，本文异常用电特征量按照时间和空间分成两大类。

（1）空间异常特征量指的是电压、电流、功率因数等，在异常用电行为发生的瞬间，就会在局部立马发生改变的一些用电参量;

（2）时间异常特征量是指有功功率、无功功率等，在异常用电发生时，不能立马观察到变化，一段时间以后，才逐渐显现出来的一些长期用电参量。空间异常用电特征和时间异常用电特征并不是项目独立的，而是彼此存在相互联系的。在异常用电行为发生时，空间和时间的异常用电特征都会同时呈现出来，二者的区别在于，空间异常用电特征反应较为灵敏和快速，时效性强，但是也存在一定的偶然性，而时间异常用电特征通过较长时间的累计，准确性较高。通过对两种不同的异常用电行为特征的分析对比，可以更为准确的判定异常用电行为。

2.2 防窃电技术

防窃电技术主要是想办法来有效地查处这些窃电行为并对其进行严惩，保证可以有效地防范窃电行为的出现。鉴于窃电方法与手段的多样性，为了可以有效地防范窃电行为，当前常用的反窃电技术主要包括如下几类：

（1）有效管理用户以及考核表计，保证电能计量装置以及相关的回路保持良好的完整性，切不可出现计量事故问题，尤其是针对可能存在窃电嫌疑或者本身犯有偷窃电前科的用户时要相应地加装防窃电智能电表箱，保证可以尽量杜绝潜在的窃电行为。

（2）通过运用供配电网理论准确计算线损，之后结合计算结果来找出最适宜的运行方式以及有效改造供配电网的方案，使其对配电网系统电压与无功功率进行有效管理，同时也要注意强化用户无功补偿管理，力求借助有效的管理方式来保持无功就地平衡状态。

（3）应用专门的电表箱或计量箱，防范窃电人员直接接触计量设备，并且计量箱本身要保持牢固性和结实性的同时，还要具备防撬、加封等功能。

（4）基于具备防伪和防撬的全新封印方式方法，有效地防范窃电人员对电表箱造成的私自拆卸或破坏，这样可以有效地防范接线改变或电表扩差等方式所造成的窃电问题。

3.公变台区用户防窃电监测技术

神经网络发展到现今，由于其学习能力强、能够并行处理、容错性高等特点，已经成为一种比较成熟的拟合或分类的分析工具，在电力系统中大量运用[7]。而BP网络是现在应用最广的神经网络类型。在异常用电行为检测应用方面，有两种BP网络模型的构建方式：

（1）先做负荷预测，再进行判断

首先用使用自组织特征的映射网络对历史用电数据进行分类，再对每一类用户用电数据创建一个BP神经网络并对其展开训练，最后再用该BP神经网络判断用户是否存在异常用电行为，最后求取判定值与实际值的差值，如果差值过大，就可将该用户列为异常用电用户。

（2）神经网络直接分类预测

将处理好的用户用电特征数据作为算法模型的输入，结果输出为实际的异常用电结果（异常用电为 1，否则为 0），不断训练 BP 网络，最后将检测数据投放到训练好的算法模型中，用以判断是否有异常用电嫌疑[8]。本文采用以上第二种方式建立防窃电模型。并采用三层 BP 神经网络，神经网络结构如图 1所示。

通过求得的值来反馈公变台区用户防窃电监测效果，就此实现公变台区用户防窃电监测。

3.实验

3.1实验环境

基于神经网络的公变台区用户防窃电监测方法使用的实验环境是台式计算机和 Jetson TX2 微型计算机。台式计算机的具体硬件配置是 Intel Xeon （R） CPU E5-1650V4 处理器和 GTX 2080Ti GPU，具有 62.8GB 的内存和 64 位的 Linux 操作系统平台。Jetson TX2 微型计算机的具体硬件配置是双核 NVIDIA CPU Cortex-A57处理器和 256 核 NVIDIA pascal TM GPU，具有 8GB 内存和 64 位的 Linux 操作系统平台。实验的软件采用 Pycharm，在 Pycharm 中利用高级编程语言 Python 实现算法设计。

3.2 数据集描述

本文中所采用数据是X市某地区 3745 户用户的6个月用电在线监测的数据集，其中有 56 户经过现场工作人员确定并标记为窃电用户。在线监测数据集每小时采集一次，每天采集 24 个点的数据，为保证用电用户隐私，客户名称已去掉。采集的信息主要包括正向有功、无功总电能，反向有功有功、无功总电能，三相电压、电流、有功功率和功率因数等电参量。本次实验样本总数为 30527个，将样本总数的70%划分为训练集，30%划分为测试集，训练集中正常样本 20283 个，异常样本 1086个，测试集中正常样本 8752 个，异常样本 406 个。经过数据预处理阶段，整理出有价值的数据，再根据窃电行为特征指标：三相电压不平衡率，额定电压偏移度，三相电流不平衡率，功率因数等特征数据作为输入变量，之后再把基于神经网络的公变台区用户防窃电监测方法用于防窃电监测。

3.3 实验指标

为了验证公变台区用户防窃电监测方法的效果，本实验采用神经网络方法的运行时间与数据的传输时延来进行评估，其中数据的传输时延是根据传输数据量和传输速率之间的比值来确定。用公式可以表示为：

其中，表示传输时延，表示传输数据量，表示网络中的传输速率。

在实际的防窃电监测样本中，真正的被监测出来的比例被定义为查全率，其表达式为：

上式中，表示实际被监测到窃电行为，表示未被监测到窃电行为。

3.4实验结果

为了验证本文方法的用户防窃电监测效果，采用验证文献[3]方法、文献[4]方法以及本文方法进行的传输时延验证，得到结果如表1所示。

分析表1可知，当数据量为100GB时，文献[3]方法在用户防窃电监测过程中数据传输时延为187.8ms，文献[4]方法在用户防窃电监测过程中数据传输时延为159.2ms，本文方法在用户防窃电监测过程中数据传输时延为12.5ms;当数据量为500GB时，文献[3]方法在用户防窃电监测过程中数据传输时延为297.2ms，文献[4]方法在用户防窃电监测过程中数据传输时延为296.3ms，本文方法在用户防窃电监测过程中数据传输时延为25.8ms;本文方法的数据传输时延远远低于其他方法，表明本文方法在进行用户防窃电监测的效率较高。

为了验证本文方法的用户防窃电监测有效性，采用验证文献[3]方法、文献[4]方法以及本文方法进行的查全率验证，得到结果如表2所示。

分析表2可知，不同方法下用户防窃电监测查全率存在差异。当迭代次数为100次时，文献[3]方法的用户防窃电监测查全率为76.53%，文献[4]方法的用户防窃电监测查全率为69.21%，本文方法的用户防窃电监测查全率为98.21%;当迭代次数为600次时，文献[3]方法的用户防窃电监测查全率为86.16%，文献[4]方法的用户防窃电监测查全率为85.18%，本文方法的用户防窃电监测查全率为98.34%;本文方法始终具有较高的用户防窃电监测查全率，表明本文方法具有较好的用户防窃电监测效果。

4.结论

论文提出一种基于神经网络的公变台区用户防窃电监测方法。使用自组织特征的映射网络对历史用电数据进行分类，再对每一类用户用电数据创建一个BP神经网络，并对其并展开训练，最后通过神经网络实现分类公变台区用户防窃电监测。当数据量为500GB时，本文方法在用户防窃电监测过程中数据传输时延为25.8ms，表明本文方法在进行用户防窃电监测的效率较高。当迭代次数为600次时，本文方法的用户防窃电监测查全率为98.34%;表明本文方法具有较高的用户防窃电监测效果。

参考文献

[1]熊德智，柳青，郑小平，温和，杨茂涛.基于电力物联网的智能防窃电计量箱设计[J].自动化与仪表，2020，35（08）：72-76.

[2]李欣雪，龙小丽，张宇豪.配电系统防窃电馈线控制器设计[J].现代工业经济和信息化，2021，11（06）：62-64.

[3]张宇帆，艾芊，李昭昱，肖斐，饶渝泽.基于特征提取的面向边缘数据中心的窃电监测[J].电力系统自动化，2020，44（09）：128-134.

[4]乔立春.基于大数据分析的窃电行为智能在线监测应用研究[J].宁夏电力，2020（02）：25-27+63.

[5]陈永健.基于距离离群点数据挖掘技术的防窃电算法研究[J].龙岩学院学报，2021，39（02）：15-20.

[6]叶方彬，陈政波，何清源，夏庆安，陆之文.浅谈基于大数据分析的营销稽查防窃电分析预警体系建设[J].机电信息，2020（35）：130-131.

[7]许伟强.基于大数据分析的营销稽查防窃电分析预警应用[J].通信电源技术，2020，37（06）：79-82.

[8]李先怀，李君，许健.基于暂态电流突变特性的窃电检测研究[J].大众用电，2020，35（05）：30-32.

[9]何立强，隋政澔，杜峰.基于关联度分析的防窃电模型研究[J].东北电力技术，2021，42（04）：29-31+45.

[10]张晓新，王奇超，林峰，于宝胜.窄带物联网在专变用户防窃电应用中的研究[J].电子器件，2021，44（01）：178-181.