一种基于新型算法优化制造技术

本发明专利技术涉及窃电行为检测方法，特别是一种基于新型算法优化

【技术实现步骤摘要】
一种基于新型算法优化BP神经网络的窃电行为检测方法


[0001]本专利技术涉及窃电行为检测方法，特别是一种基于新型算法优化
BP
神经网络的窃电行为检测方法，属于电力电子控制

。

技术介绍

[0002]在窃电行为的研究中，神经网络算法的应用受到了广泛的关注和采纳
。
神经网络的思想源于
1943
年
McCulloch
和
Pitts
提出的神经元模型，也就是人们熟知的
MCP
神经元模型
。
神经网络的基本单元就是这种神经元模型，通过模拟生物神经元的工作方式，它们能够在处理复杂问题时实现高效学习和适应
。
[0003]其中，
BP(
反向传播
)
神经网络是一种多层前馈神经网络，其主要特征在于信号在网络中是前向传播的，而误差则是反向传播的
。BP
神经网络通过调整神经元之间的连接权重，逐渐改变网络的输出，使其尽可能地接近期望输出，从而实现学习和训练的目标
。
[0004]在窃电行为的研究中，神经网络算法的应用主要表现在两个方面
。
一方面，研究者利用双隐含层的神经网络模型提高了窃电行为的检测准确性
。
双隐含层的神经网络模型具有较强的函数逼近能力，能够准确地模拟出非线性的窃电行为
。
另一方面，研究者也尝试改进循环神经网络的检测方法
。
循环神经网络由于其内部含有自连接的隐含层神经元，可以处理序列数据，从而更好地识别窃电行为的时序模式
。
[0005]然而，尽管
BP
神经网络在窃电行为检测中表现出一定的优势，但由于其自身的局限性，如学习收敛速度慢
、
不能保证收敛到全局最小点等问题，使得其在准确识别窃电用户方面存在一定的误差
。
[0006]为了解决这些问题，研究者开始尝试使用多种算法优化
BP
神经网络
。
例如，有的研究使用了基于遗传算法优化的
BP
神经网络模型来检测窃电行为
。
遗传算法是一种搜索算法，通过模拟生物进化过程中的自然选择和遗传等机制，来在问题的可能解空间中搜索最优解
。
这种方法可以根据从用电信息采集系统中提取的样本数据进行模型的训练，并利用已知样本进行交叉验证，从而得到用户的窃电嫌疑因子，进一步分析出电力用户的用电状态
。
[0007]这些研究都表明，神经网络算法在窃电行为的检测和研究中具有巨大的应用潜力
。
然而，如何改进和优化这些算法，以提高窃电行为的检测准确性，仍是一个值得深入研究的问题
。

技术实现思路

[0008]针对现有技术的不足，本专利技术提供一种通过用电下降趋势指标
、
线损指标和告警类指标作为判断是否窃电的指标，选取部分窃电用户和非窃电用户数据对优化过的
BP
神经网络模型进行训练，最后得到的算法模型，可用于电力公司对用电用户是否窃电的筛查的一种基于新型算法优化
BP
神经网络的窃电行为检测方法
。
[0009]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0010]一种基于新型算法优化
BP
神经网络的窃电行为检测方法，包括如下步骤：
[0011]1)
初始化
BP
神经网络的权值和阈值；
[0012]2)
计算优化算法的决策变量长度，选取均方误差作为优化的目标函数；
[0013]3)
设置算法停止准则，使用算法优化神经网络的权值和阈值参数；
[0014]4)
将优化得到的权值和阈值参数赋给
BP
神经网络；
[0015]5)
优化后的
BP
神经网络训练与测试，与优化前的
BP
神经网络进行误差分析和精度对比
。
[0016]作为优选，数据选择和预处理过程：
[0017]与窃电行为相关的原始数据包括电负荷数据
、
电能电表数据
、
终端报警数据；这些数据反映了电力系统运行的实时状态和电力用户的用电情况，是识别窃电行为的重要依据；为了全面覆盖各种窃电方式，模型的训练样本应包含不同用电类别的所有窃电用户及部分正常用户；
[0018]需要注意的是，窃电用户的窃电开始和结束时间是反映其窃电行为的关键时间节点；在这些时间节点上，用电负荷和终端报警相关数据会出现特征性的变化，因此在选取样本数据时，必须包含关键时间节点前后一定范围的数据
。
[0019]作为优选，选取以下三个指标作为模型的输入
:
[0020]1)
用电下降趋势指标：通过统计连续
11
天
(
当天及前后各5天
)
内，当天电量比前一天减少的天数之和；递减的天数越多，表明存在窃电或者漏电的可能性越大；因为窃电行为会导致用电量的突然下降；
[0021]2)
线损指标：线路的线损率可以作为用户线损率的参考值；如果用户发生窃电行为，那么该用户的线损率会下降；但由于每天的用电量存在波动，所以不能只根据当天线损率的下降来判断是否存在窃电行为；
[0022]需要考虑接下来几天的线损率平均值，看其是否有明显的增长；如果线损率的增长率大于1％，那么就可能存在窃电行为；线损率的计算公式为：
[0023][0024]其中
s
l
为第
l
天的线路供电量，为线路上各个用户的总用电量；
[0025]3)
告警类指标：电力系统在运行中，如果发生异常情况，终端会发出报警信号；与窃电行为相关的终端报警主要有电压缺相
、
电压断相和电流反极性；
[0026]计算发生与窃电相关的终端报警的次数总和，作为告警类指标；告警类指标的数值越大，表明存在窃电行为的可能性越大
。
[0027]作为优选，数据处理包括，将网上的数据集包括所有窃电用户及部分正常用户的电量
、
告警及线损数据和该用户是否窃电的标识，按窃电评价指标进行处理，得到专家样本库，基于算法优化
BP
神经网络的映射原理，建立窃电与三个指标的之间的非线性映射关系，实现映射关系的逼近
。
[0028]作为优选，对得到的数据进行预处理，得到专家样本库
。
[0029]作为优选，将处理好后的数据划分为训练数据和测试数据
。
[0030]作为优选，确定
BP
神经网络的结构以及连接神经元的初始权值和阈值；设置新型算法中的最大迭代次数
、
种群规模等参数，并将上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于新型算法优化
BP
神经网络的窃电行为检测方法，其特征在于，包括如下步骤：
1)
初始化
BP
神经网络的权值和阈值；
2)
计算优化算法的决策变量长度，选取均方误差作为优化的目标函数；
3)
设置算法停止准则，使用算法优化神经网络的权值和阈值参数；
4)
将优化得到的权值和阈值参数赋给
BP
神经网络；
5)
优化后的
BP
神经网络训练与测试，与优化前的
BP
神经网络进行误差分析和精度对比
。2.
根据权利要求1所述的基于新型算法优化
BP
神经网络的窃电行为检测方法，其特征在于：数据选择和预处理过程：与窃电行为相关的原始数据包括电负荷数据
、
电能电表数据
、
终端报警数据；这些数据反映了电力系统运行的实时状态和电力用户的用电情况，是识别窃电行为的重要依据；为了全面覆盖各种窃电方式，模型的训练样本应包含不同用电类别的所有窃电用户及部分正常用户；需要注意的是，窃电用户的窃电开始和结束时间是反映其窃电行为的关键时间节点；在这些时间节点上，用电负荷和终端报警相关数据会出现特征性的变化，因此在选取样本数据时，必须包含关键时间节点前后一定范围的数据
。3.
根据权利要求2所述的基于新型算法优化
BP
神经网络的窃电行为检测方法，其特征在于：选取以下三个指标作为模型的输入
:1)
用电下降趋势指标：通过统计连续
11
天
(
当天及前后各5天
)
内，当天电量比前一天减少的天数之和；递减的天数越多，表明存在窃电或者漏电的可能性越大；因为窃电行为会导致用电量的突然下降；
2)
线损指标：线路的线损率可以作为用户线损率的参考值；如果用户发生窃电行为，那么该用户的线损率会下降；但由于每天的用电量存在波动，所以不能只根据当天线损率的下降来判断是否存在窃电行为；需要考虑接下来几天的线损率平均值，看其是否有明显的增长；如果线损率的增长率大于1％，那么就可能存在窃电行为；线损率的计算公式为：其中
s
l
为第...

【专利技术属性】
技术研发人员：石文秀，孔令稷，王鑫萌，李海奇，孔晶，张轲舜，仪孝光，孟旭，李付生，徐伟，赵承楠，黄付顺，陈思佳，田俊强，王慧茹，王新玲，张建军，仝庆跃，耿妍，段云峰，宋先鹏，张继凤，吴燕，
申请(专利权)人：国网山东省电力公司菏泽供电公司，
类型：发明
国别省市：