论文部分内容阅读
【摘 要】力窃漏电用户自动识别通过现有的电力计量自动化系统能够采集到各相电流、电压、功率因数等用电负荷数据以及用电异常等终端报警信息。利用LM神經网络建立数据分析模型,来实时监测窃漏电情况和发现计量装置的故障。本项技术对人的依赖性低,抓窃查漏的目标十分明确,有利于提高防窃漏电系统的效率和准确性。且该技术无须进入设备内部,通过采集到的电负荷数据以及电异常等终端报警信息便可实现智能分析,具有简单、经济、易于推广与应用等优势。但是,由于测量数据较为复杂并且数据量较大,所以利用数据挖掘来进行电力窃漏电用户自动识别具有重要的意义。
【关键词】电力;数据挖掘;LM神经网络
引言
传统的防窃漏电方法主要通过定期巡检、定期校验电表、用户举报窃电等手段来发现窃电或计量装置故障。但这种方法对人的依赖性太强,抓窃查漏的目标不明确。目前很多供电局主要通过营销稽查人员、用电检查人员和计量工作人员利用计量异常报警功能和电能量数据查询功能开展用户用电情况的在线监控工作,通过采集电量异常、负荷异常、终端报警、主站报警、线损异常等信息,建立数据分析模型,来实时监测窃漏电情况和发现计量装置的故障。根据报警事件发生前后客户计量点有关的电流、电压、负荷数据情况等,构建基于指标加权的用电异常分析模型,实现检查客户是否存在窃电、违章用电及计量装置故障等。
以上防窃漏电的诊断方法,虽然能获得用电异常的某些信息,但由于终端误报或漏报过多,无法达到真正快速精确定位窃漏电嫌疑用户的目的,往往令稽查工作人员无所适从。而且在采用这种方法建模时,模型各输入指标权重的确定需要用专家的知识和经验,具有很大的主观性,存在明显的缺陷,所以实施效果往往不尽如人意。
现有的电力计量自动化系统能够采集到各相电流、电压、功率因数等用电负荷数据以及用电异常等终端报警信息。异常告警信息和用电负荷数据能够反映用户的用电情况,同时稽查工作人员也会通过在线稽查系统和现场稽查来查找出窃漏电用户,并录入系统。若能通过这些数据信息提取出窃漏电用户的关键特征,构建窃漏电用户的识别模型,就能自动检查判断用户是否存在窃漏电行为。
1.模型分析
构建专家样本集和窃漏电用户识别模型(LM神经网络和CART决策树模型),并且对模型进行分析,归纳优缺点,则优而用。良好的数据模型具有以下优点:(1)能帮助我们快速查询所需要的数据。(2)能极大地减少不必要的数据冗余,也能实现计算结果复用,极大地降低大数据系统中的存储和计算成本。(3)能极大地改善用户使用数据的体验,提高使用数据的效率。(4)能改善数据统计口径的不一致性,减少计算错误的可能。
据数据变换中的电量趋势下降指标、线损指标和告警类指标构建样本。电量下降趋势指标:若电量趋势为不断下降的,则认为具有一定的窃电嫌疑。线损指标:线路的线损率可作为用户线损率的参考值,若用户发生窃漏电,则当天的线损率会下降,但由于用户每天的用电量存在波动,所以应考虑前后几天的线损率平均值。告警类指标:与窃漏电相关的终端报警主要有电压缺相、电压断相、电流反极性等。计算发生与窃漏电相关的终端报警的次数总和,作为告警类指标。
2.模型建立
首先我们需要划分测试样本和训练样本,随机选取20%作为测试样本,剩下的作为训练样本。窃漏电用户识别可通过构建分类预测模型来实现,目前常用的模型有LM神经网络和CART决策树。因为这两个模型都有各自的优缺点,所以我们分别建立模型并进行窃漏电用户识别,并从中选择最优的分类模型。构建LM神经网络时输入项包括电量趋势下降指标、线损类指标和告警类指标,输出项为窃漏电标识。
级联相关神经网络是从一个小网络开始,自动训练和添加隐含单元,最终形成一个多层的结构。级联神经网络(Cascaded Neural Network,以下简称CNN),该模型由神经网络组成瀑布结构。所有变量在输入CNN之前都要被预处理程序标准化为[0,1]之间,同时,需通过最大相关性最小冗余(Maximum Relevance Minimum Redundancy,以下简称MRMR)法则的筛选。
CNN由神经网络1和神经网络2组成,两个神经网络分别有不同的学习算法来预测,但具有相同的多层感知器结构(Multi-Layer Perceptron, 以下简称MLP) , MLP有足够数量的隐藏神经元,以至于能够在期望的精度下近似任何连续的多元函数。此外,根据Kolmogorov定理, MLP有适当数量的神经元能够使用一个隐藏层解决问题,因此,本模型中的两个神经网络的MLP都具有一个隐藏层。
神经网络1会传输两种结果值到神经网络2一种是经过神经网络1训练获得地可调参量,包括权重和偏差值,前文提到,两个神经网络具有相同的MLP,因此,神经网络1获得的权重和偏差值可以直接传输给神经网络2,从而使神经网络2的输出目标变量更加准确;是神经网络1预测的目标变量。神经网络1向神经网络2传输结果值,神经网络1的训练会终止,此时,神经网络2开始学习进程,以此来取代以往模型中神经网络2随机开始。除了神经网络1的结果值,一组随机的可调参数初始值也将进入到神经网络2的学习进程中,从而保证神经网络2获得更加全面的信息。
人工神经网络(Artificial Neural Networks,ANN)是模拟生物神经网络进行信息处理的一种数学模型。常用的分类与预测的人工神经网络算法有BP神经网络和LM神经网络。BP神经网络是一种按误差逆向传播算法训练的多层前馈网络,LM神经网络是基于梯度下降法和牛顿法结合的多层前馈网络,LM神经网络迭代次数少,收敛速度快和精确度高。
3.模型求解
使用Keras库为我们建立神经网络模型,设定LM神经网络的输入节点数为3,输出节点数为2,隐层节点数为10,显示间隔次数为25,最大循环次数为1000,目标误差为0.0,初始mu为0.001,mu增长比率为10,mu最大值为10',最大校验失败次数为6,最小误差梯度1e-7。
根据得到的混淆矩阵,通过计算可得分类的准确率约为91.2%,正常用户被误判为窃漏电用户占正常用户的2.1%,窃漏电用户被误判为正常用户的占窃漏电用户的3.8%。
4.结语
在线监测用户用电负荷及终端报警数据,手机数据,对数据进行补全等一系列的数据预处理,得到模型输入数据。之后根据处理完成的数据构建样本和模型,利用构建好的窃漏电用户识别模型计算用户的窃漏电诊断结果。通过LM神经网络得出结果,经对比发现LM神经网络的ROC曲线下方的面积更大,故数据准确率更高,评估更优,作为预测模型更可靠并具有说服力。
参考文献
[1]CART模型最早由Breiman等人提出,已经在统计领域和数据挖掘技术中普遍使用.
[2]姜启源, 谢金星, 叶俊. 数学模型[M]. 北京: 高等教育出版社, 2011.
【关键词】电力;数据挖掘;LM神经网络
引言
传统的防窃漏电方法主要通过定期巡检、定期校验电表、用户举报窃电等手段来发现窃电或计量装置故障。但这种方法对人的依赖性太强,抓窃查漏的目标不明确。目前很多供电局主要通过营销稽查人员、用电检查人员和计量工作人员利用计量异常报警功能和电能量数据查询功能开展用户用电情况的在线监控工作,通过采集电量异常、负荷异常、终端报警、主站报警、线损异常等信息,建立数据分析模型,来实时监测窃漏电情况和发现计量装置的故障。根据报警事件发生前后客户计量点有关的电流、电压、负荷数据情况等,构建基于指标加权的用电异常分析模型,实现检查客户是否存在窃电、违章用电及计量装置故障等。
以上防窃漏电的诊断方法,虽然能获得用电异常的某些信息,但由于终端误报或漏报过多,无法达到真正快速精确定位窃漏电嫌疑用户的目的,往往令稽查工作人员无所适从。而且在采用这种方法建模时,模型各输入指标权重的确定需要用专家的知识和经验,具有很大的主观性,存在明显的缺陷,所以实施效果往往不尽如人意。
现有的电力计量自动化系统能够采集到各相电流、电压、功率因数等用电负荷数据以及用电异常等终端报警信息。异常告警信息和用电负荷数据能够反映用户的用电情况,同时稽查工作人员也会通过在线稽查系统和现场稽查来查找出窃漏电用户,并录入系统。若能通过这些数据信息提取出窃漏电用户的关键特征,构建窃漏电用户的识别模型,就能自动检查判断用户是否存在窃漏电行为。
1.模型分析
构建专家样本集和窃漏电用户识别模型(LM神经网络和CART决策树模型),并且对模型进行分析,归纳优缺点,则优而用。良好的数据模型具有以下优点:(1)能帮助我们快速查询所需要的数据。(2)能极大地减少不必要的数据冗余,也能实现计算结果复用,极大地降低大数据系统中的存储和计算成本。(3)能极大地改善用户使用数据的体验,提高使用数据的效率。(4)能改善数据统计口径的不一致性,减少计算错误的可能。
据数据变换中的电量趋势下降指标、线损指标和告警类指标构建样本。电量下降趋势指标:若电量趋势为不断下降的,则认为具有一定的窃电嫌疑。线损指标:线路的线损率可作为用户线损率的参考值,若用户发生窃漏电,则当天的线损率会下降,但由于用户每天的用电量存在波动,所以应考虑前后几天的线损率平均值。告警类指标:与窃漏电相关的终端报警主要有电压缺相、电压断相、电流反极性等。计算发生与窃漏电相关的终端报警的次数总和,作为告警类指标。
2.模型建立
首先我们需要划分测试样本和训练样本,随机选取20%作为测试样本,剩下的作为训练样本。窃漏电用户识别可通过构建分类预测模型来实现,目前常用的模型有LM神经网络和CART决策树。因为这两个模型都有各自的优缺点,所以我们分别建立模型并进行窃漏电用户识别,并从中选择最优的分类模型。构建LM神经网络时输入项包括电量趋势下降指标、线损类指标和告警类指标,输出项为窃漏电标识。
级联相关神经网络是从一个小网络开始,自动训练和添加隐含单元,最终形成一个多层的结构。级联神经网络(Cascaded Neural Network,以下简称CNN),该模型由神经网络组成瀑布结构。所有变量在输入CNN之前都要被预处理程序标准化为[0,1]之间,同时,需通过最大相关性最小冗余(Maximum Relevance Minimum Redundancy,以下简称MRMR)法则的筛选。
CNN由神经网络1和神经网络2组成,两个神经网络分别有不同的学习算法来预测,但具有相同的多层感知器结构(Multi-Layer Perceptron, 以下简称MLP) , MLP有足够数量的隐藏神经元,以至于能够在期望的精度下近似任何连续的多元函数。此外,根据Kolmogorov定理, MLP有适当数量的神经元能够使用一个隐藏层解决问题,因此,本模型中的两个神经网络的MLP都具有一个隐藏层。
神经网络1会传输两种结果值到神经网络2一种是经过神经网络1训练获得地可调参量,包括权重和偏差值,前文提到,两个神经网络具有相同的MLP,因此,神经网络1获得的权重和偏差值可以直接传输给神经网络2,从而使神经网络2的输出目标变量更加准确;是神经网络1预测的目标变量。神经网络1向神经网络2传输结果值,神经网络1的训练会终止,此时,神经网络2开始学习进程,以此来取代以往模型中神经网络2随机开始。除了神经网络1的结果值,一组随机的可调参数初始值也将进入到神经网络2的学习进程中,从而保证神经网络2获得更加全面的信息。
人工神经网络(Artificial Neural Networks,ANN)是模拟生物神经网络进行信息处理的一种数学模型。常用的分类与预测的人工神经网络算法有BP神经网络和LM神经网络。BP神经网络是一种按误差逆向传播算法训练的多层前馈网络,LM神经网络是基于梯度下降法和牛顿法结合的多层前馈网络,LM神经网络迭代次数少,收敛速度快和精确度高。
3.模型求解
使用Keras库为我们建立神经网络模型,设定LM神经网络的输入节点数为3,输出节点数为2,隐层节点数为10,显示间隔次数为25,最大循环次数为1000,目标误差为0.0,初始mu为0.001,mu增长比率为10,mu最大值为10',最大校验失败次数为6,最小误差梯度1e-7。
根据得到的混淆矩阵,通过计算可得分类的准确率约为91.2%,正常用户被误判为窃漏电用户占正常用户的2.1%,窃漏电用户被误判为正常用户的占窃漏电用户的3.8%。
4.结语
在线监测用户用电负荷及终端报警数据,手机数据,对数据进行补全等一系列的数据预处理,得到模型输入数据。之后根据处理完成的数据构建样本和模型,利用构建好的窃漏电用户识别模型计算用户的窃漏电诊断结果。通过LM神经网络得出结果,经对比发现LM神经网络的ROC曲线下方的面积更大,故数据准确率更高,评估更优,作为预测模型更可靠并具有说服力。
参考文献
[1]CART模型最早由Breiman等人提出,已经在统计领域和数据挖掘技术中普遍使用.
[2]姜启源, 谢金星, 叶俊. 数学模型[M]. 北京: 高等教育出版社, 2011.