引言
电力工业在国民经济中扮演着重要的基础性产业的角色，电费的及时收回是确保电力发展的必要条件。但目前我国窃电现象仍普遍存在，且窃电行为变得更加复杂化、智能化，传统的反窃电手段无法有效辨识出用电用户的窃电行为，供电线路的线损率居高不下，我国电力企业每年因窃电产生的损失高达200多亿，严重影响了社会供用电的正常秩序。因此，对用户用电状态进行有效的评估，从而开展高效的反窃电工作，对于降低电力企业经济损失、保证电能的合理供用及电力发展的稳步进行具有重要的意义。传统的反窃电手段主要是围绕如何加强电能计量装置技术改造，但随着窃电技术的更新，传统的反窃电手段难以满足当前电力公司反窃电工作的需求，窃电检测和分析需要提高信息化程度，充分利用用户用电大数据信息来构建大数据反窃电模型。随着人工神经网络的快速发展，神经网络在计算机科学、自动控制和人工智能等各个领域都获得了广泛的应用，人工神经网络为用电用户窃电行为的检测提供了一种新的方法。
1指标评价体系的建立
用户用电状态指标评价体系是通过对用户用电影响因素进行分析，提取能够反映用户用电状态的特征量构建的。用电信息采集系统中数据结构关系复杂、数据量庞大，通过分析多种窃电方式和用户信息采集系统采集的各种数据，对用户窃电嫌疑因子进行评价预测。在指标评价体系中，月用电量、用表类型、线损率、三相电压不平衡率、三相电流不平衡率、功率因数和事件记录是用户用电信息的基本数据类型，可直接获得。除此之外，还有月份、用户能效等级和单耗等扩充指标也被纳入评价体系。
2小波神经网络在反窃电系统中的应用
2.1反窃电系统的搭建
基于LabVIEW2010进行反窃电系统的设计，研究数据存储方案，开发规范、统一的数据接口。（1）数据输入：主要包含用户用电评价指标相关参数，数据来源于用电用户和电网公司。（2）数据存储：采用Excel数据库管理系统存储输入与输出数据，将读取的Excel目标文件的输入数据显示在软件平台的界面上，以便用户查询及BP神经网络再次训练。（3）数据处理及分析：用BP神经网络模型对用户输入数据进行评估和分析；将归一化计算后的数据再经过BP神经网络算法进行处理，即通过输入层、隐含层和输出层三层之间层层映射，由层与层之间的权值矩阵进行调整，输出各层的结果；进行用户信用等级划分，分为0、1、2，初步确定疑似窃电用户；最后将输出的数据单独显示在软件界面上。（4）用户校验：结合用户特征参数和横向数据对比进行校验，对已经锁定的疑似窃电用户进行校验，进一步锁定窃电用户，确保反窃电智能研究平台输出结果的准确性。（5）下发核查单：针对锁定的窃电用户下发核查名单，以便供电局核查。
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、用表类型、线损率、用户能效等级、功率因数、所在台区线损、合同容量比、月份、三相不平衡率等指标构建指标评价体系。（1）日用电量。客户的日用电量一般具有一定的规律性，如客户各季度的用电量从大到小排序一般为夏季、冬季、春季、秋季，工业用户的日用电量在一周中一般为周一至周五更高，而居民用户的用电量一般为周末更高。因此对于每个客户而言，其日用电量均具有一定的规律性，当客户日用电量出现反常时即为用电无规律的异常表现。（2）用表类型。根据电力行业多年的运行经验表明，用户安装机械表时的窃电难度要比安装电子表时更低，发生窃电的几率也更大。（3）用户最大线损率。最大线损率是用户窃电现象的重要考核标准，考核的核心思想为：当配电线路上未发生用户窃电时，最大线损值>统计线损值>理论线损值，而如果出现统计线损值>最大线损值的情况，则表明该线路上用户窃电现象。（4）用户能效等级。用户能效等级表明了用电用户的生产节能水平，根据相关国家标准，用户能效等级一般分为5级，并对应不同的指标取值。（5）功率因数。用户负载的功率因数一般为一相对稳定的数值，其大小与电量使用时间无关，一般不会出现突升突降的情况。（6）所在台区线损。用户所在台区的线损率、台区用户数和台区用电量在一定程度上能够反映所在台区的线损程度及窃电用户分布的比例情况。（7）合同容量比。用户申请的合同容量与其月用电量间存在一定的对应关系，且此对应关系因用户的不同而具有一定的差异性，当用户用电量违背此对应关系后则表明其有发生窃电的可能性。（8）月份。月份主要反映的是温度对用户用电的影响，冬夏季度的用电量要高于春秋季度。
2.3实例仿真
以某中心城市２０１７年０６月到２０１８年０５月时间段某用户用电数据为例，分析模型的实际应用价值。从相关历史资料中查询可得，该用户在２０１８年０２月开始窃电，窃电现象持续到２０１８年０４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，根据上节分析确定输入层、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，进行学习训练，采用迭代计算至满足学习精度到１０－６为止。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０．００３ ６—０．０４４ ５间，可认为计算获得的窃电嫌疑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效评价。
结语
根据用户用电数据信息提取用电状态指标，构建反窃电指标评价体系，并将改进后的小波神经网络应用于反窃电系统数学模型，从而获得反应用户用电状态的窃电嫌疑因子和窃电方式。通过与其它神经网络模型在反窃电实例的对比分析，结果表明：改进后的小波神经网络模型经训练样本训练后达到的误差最小，且训练时收敛的速度也较快。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模型及方法具有良好的适用性和优越性。本研究成果可为电力公司反窃电工作的完善提供有效的理论参考和技术支持。
参考文献
［1］吴健，林国强，王晓慧，等.基于神经网络算法的用户窃电行为检测模型研究［J］.电力信息与通信技术，2017（12）：40-44.
［2］曹峥.反窃电系统的研究与应用［D］.上海：上海交通大学，2011.
