基于粒子群优化神经网络算法用户防窃电研究.docVIP

基于粒子群优化神经网络算法用户防窃电研究 　　摘要：电能的准确计量是电力企业生产经营管理及电网经济稳定运行的重要环节，计量准确性及质量可靠性直接影响用户的经济利益和社会能源利用率。如何准确分辨因用户行为导致的计量异常是一个有待解决的技术难题。近年来，因智能电能表的推广及用电信息采集系统建设的全面完善，电网公司积累了海量用户用电数据，基于此，本文提出一种基于粒子群优化的神经网络算法对用户用电行为进行检测，实验表明该方法具有较高的可行性和可靠性，可以进行推广。 　　关键字：防窃电；数据挖掘；粒子群算法；神经网络 　　中图分类号：TP393 文献标识码：A DOI：10.3969/j.issn.1003-6970.2017.08.043 　　引言 　　电能计量异常主要是指电能计量设备不能准确记录和反映出用户的真实用电情况，从而造成电网公司或者用户经济损失。电能计量设备故障又可以分为设备本身故障和人为导致的设备故障。设备本身故障即设备内部某个或某些元件发生故障从而导致电能不能准确计量，人为导致的故障即以人的意志通过更改电能表内部的某些元件导致设备计量误差增大。后者以人的意志对设备的更改即是电力行业所说的窃电。窃电从电力计量开始就一直存在，并且随着计量器具的发展而改进，窃电对电网公司每年造成巨大的经济损失。由于窃电导致计量设备发生损坏，给用户用电造成巨大的安全隐患，并且由于用户窃电导致的电力安全事故严重影响了社会稳定性。如何对窃电行为有效的回应，成为电网公司不得不面对的问题。 　　现在常有的窃电方式有（1）欠压法（2）欠流法（3）扩差法（4）无表法（5）移相法，针对这五种窃电方法，现有的防窃电方式有（1）改进电表和使用带防窃电功能的表箱（2）―次侧、二次侧计量数据比对（3）基于网络守恒发现存在可疑的用户（4）用户举报及稽查人员检查。在实际的生产工作中，我们发现用户窃电方式存在趋向于高科技化，上述的几种方法都不能有效的发现存在可疑的用户。其中，带防窃电功能的表箱由于安装电表需要进线到表箱内部，所以使得表箱并不能完全密封，在面对强磁、高频等窃电行为并不能完全保护电表；一二侧对比需要我??单独开发新的设备，并且这种设备一次只能针对一户用户进行检查，效率低且花费大，并且如果窃电用户发现一次侧加装了设备，很可能在安装设备的这段时间不会发生窃电行为，从而导致这种方法无效。 　　无论是哪种窃电方法，最终都会反映在计量数据上，而数据是真实的。基于电网公司积累的大量用户用电数据，本文提出一种基于粒子群算法改进的神经网络算法，运用粒子群算法对神经网络权值进行优化，通过分析用户的用电数据，综合考虑用户用电行为特征，从而发现异常用户，并对这些用户做重点的检查和防范。 　　1 基于粒子群算法优化的BP神经网络建立窃电检测模型 　　1.1 粒子群算法 　　粒子群算法（Particle Swarm Optimization，PSO）来源于鸟类觅食过程的模拟和研究。它的基本思想是通过群体之间的协作和信息共享来寻找最优解。 　　粒子群算法具有记忆特点，可以动态跟踪当前的搜索状态，调整搜索策略。 　　设有n个粒子组成的群体，在维度为q的空间内搜索，每个粒子表示为，每个粒子所处的位置为，每个粒子的速度为在搜索过程中，需要记录每个粒子的搜索到的历史最优值pfst=和全局最优值。每个粒子的速度和位置更新如下： 　　其中，为第次迭代时，粒子i在d维上的速度，为次迭代时，粒子在维上的位置，为保持原来速度的系数，即惯性权重，q是粒子跟踪自己最优的权重系数，通常设置为2，是跟踪全局最优的权重系数，通常设置为2。和是间的随机数，是对位置更新的时候，在速度前面加的一个系数，即为约束因子，通常设置为。 　　1.2 神经网络 　　人工神经网络（ANN）是对生物机理的抽象合成，其基本成分是神经元。在生物神经网络中，每个神经元与其他神经元相连接，当它兴奋时，便会向其他神经元发送化学物质，从而改变其他神经元的状态，人工神经网络便是基于此构成。众多神经元组成的单元经过带有权值的连接弧相连便构成了神经网络。一个实例通过神经网络进行训练后，该网络能够以某种方式表达输入与输出之间的关系，我们就认为这个神经网络是对该实例的抽象表达m。 　　误差反向传播（BP）神经网络是近些年运用的最普遍的，学习机制分为正向传播和反向误差回馈。BP神经网络由输入层、隐含层、输出层组成，三层之间的神经元由带权值的连接弧构成，层与层之间相互关联，神经网络正向传播后计算学习误差，根据学习误差对神经网络进行反向误差调整，整个过程循环迭代，直到误差达到相应要求。BP神经网络由于强大的非线性映射能力和强大的泛化、容错能力而被广泛使用，但是由于误差回馈过程基于梯度下降的搜索算法，使得神经网络可能会陷人局部极