DBN深度学习算法在反窃电系统中的应用价值

沈鑫 惠晓雨 潘楠* 钱俊兵 郭晓珏

（1.云南电网有限责任公司计量中心 云南省昆明市 650051 2.昆明理工大学民航与航空学院 云南省昆明市 650500）

（3.昆明智渊测控科技有限公司 云南省昆明市 650500）

随着我国各项事业和社会经济的飞速发展，各行各业中对于电力这一基本组成要素的实际需求量也随之不断增大，电力行业在我国国民经济中也扮演着十分重要的角色。供电企业作为我国基础山野的重要组成部分，在诸多领域中都得到了良好的发展，现代化的信息技术、通信领域、信息化建设等方面都离不开电力企业的鼎力支持。但是在发展的过程中，也遇到了一个非常严重的问题，如在针对实际用电量的管理方式上比较落后、用户窃电现象普遍等问题。甚至有部分用户为了可以节省电力费用，利用电力系统或管理上的漏洞，有针对性的窃电，给电力企业带来了非常大的经济损失。为了能够彻底解决这种窃电行为，也围绕着如何强化电能的实际计量准确性技术方面进行了必要的改革，但是随着现代社会诸多技术的不断发展，反窃电技术也应该紧跟时代发展的脚步，及时更新反窃电技术。电力行业也依据自己多年的反窃电经验，对相关硬件进行反窃电手段和相关措施，并没有教好的软件系统为其提供技术上的支持，使得其在管理效率和工作效率上非常低。基于此种现状，电力企业应该积极的使用与大数据挂钩的相关信息处理技术。而基于DBN 深度学习算法就在反窃电系统中发挥着重要的应用价值。

1 DBN的结构与学习算法

DBN 也被叫做深度置信网络，这一模型是由多个RBM 叠加在一起的，其也由可见层、诸多隐藏层和输出层组成的，如图1。

此种被叫做DBN 的深度学习算法，具体是指通过一个叫做RBM 的训练方法来高校的完成DBN 深度学习算法的计量目的，其主要使用的深度学习方法为对结构中每一层数据组成进行训练的方法。

2 基于DBN算法的反窃电模型

这种基于DBN 深度学习算法在诸多现代化的领域中不仅得到了非常广泛的应用，也取得了令人瞩目的效果。虽然如此，但是将这种算法实际应用在电力系统的反窃电领域中，还是第一次，也没有教好的经验和办法作为参考和借鉴。想要将此种DBN 深度学习算法教好的应用在反窃电相关领域中，在实际的设计思路上可以将相关已经处理完成的数据作为实际训练和学习数据及实际测试的相关处理，且利用在训练中形成的相关数据来训练此DBN 模型，并以此模型为主对相关窃电数据进行输入和验证，从而得到DBN 深度学习算法在反窃电系统中对于分类上的准确性，其运行的方式如图2。

将DBN 深度学习算法实际应用在反窃电系统中：

图1：DBN 模型机构

图2：基于DBN 算法的反窃电流程

（1）要做的就是要准备相关用电数据。利用已经掌握的用电用户的实际用电数据和用电信息及相关窃电数据，进行对原始的处理，并将其分为训练数据和测试数据两个大部分。

（2）就是根据上述中队数据进行DBN 模型的建设。在实际模型的建设中实际使用实验分析的方法来进一步确定DBN 模型的相关参数情况，进而为其制定一个最佳的网络组成结构。在这样的过程汇总一共有三个部分是需要重点确认的，分别为模型输入层的实际节点的数量、隐含层的数量和每个隐含层中的实际节点数量。在有关DBN 的深度学习算法中，有关权重的更新问题是非常关键的，其也有两种方法可以采用，一种就是利用实验的办法来确定模型权重的数值，另一种则是使用讨论的办法类更新模型的权重。在实际使用中是需要将二者之间的差异进行比较的，以选择最优的办法进行；除此之外，也是可以根据所在系统的实际用电数据和用电信息来选择使用哪一种办法的。在这样的深度学习算法中其实也涉及到了诸多方面的数据和信息及算法，例如学习率、算法的常量数值等等，此类参数对于后期的结果也是有着非常大的影响的，所以在实际选择这些参数的时候，也要有针对性的进行深入的研究。并通过以上的方式来建立一个基于DBN 的算法的反窃电模型。

表1：DBN 的第二隐含层的节点数对于最终分类结果的影响

（3）就是要构建一个DBN 深度学习算法与扼梯度法深度融合的结构模型。DBN 深度学习算法在实际的深度学习过程中，是会受到来自算法的限制，也会受到数据数量大等多方面的影响，实际的训练速度是非常慢的。所以，为了可以切实加快深度学习的速度，在实际测算中可以为其添加一个和网络权重相关的函数，并以此来表示实际的输出和目标输出之间的误差，并使用扼梯度这种算法来调整和更新权重的矩阵，以最终得到其最小的误差数值，我们也可以理解为将DBN 深度学习算法和扼梯度算法深度融合而构建的一个反窃电模型。

（4）需要进行模型数据测试解雇的对比。也可以理解为对于相同的数据，其中包括训练数据和测试数据，利用有标准参数和标准模型对去进行测试，并将此结果与DBN 的模型的结果进行比较。并深入的分析DBN 深度学习算法在反窃电系统中针对窃电用户和非窃电用户的实际判别能力。

3 实验效果分析

在实际的实验中，会将相关用户名称、用户的真实ID、用电日期、逻辑上的地址等等多个不相干的因素放置在输入层中，并将实验当前的实际用电数量、峰值、谷值、累计的用电数量、峰值、谷值、实验当天的气温峰值、气温谷值等输入到DBN 的模型中。

根据相关测试数据显示，当基于DBN 深度学习算法模型的隐含层节点数是16 的时候，该模型对于窃电情况的数据和信息分析是比较准确的。然后，因为其也会出现含有两层的隐含层的实际情况，根据此种情况将此模型的输入节点数量设置为8，第一层的神经元的个数为16，并将第二层的神经元个数在3-20 之间进行变化。根据结果显示，在第二个隐含层的实际几点数量为8 的时候，其分类的准确度是最好的，所以，应该将DBN 的第二个隐含层的节点数设定为8，如表1。

为了能够切实证明此算法和其他方法相比是否有更好的表现，在实际实验中，采取了使用一样的训练数据和测试数据的基础上，将神经网络方法和朴素贝叶斯分类方法、决策树分类方法、逻辑回归的分类方法，在实际的反窃电相关问题中在分类准确性方面进行了比较。

4 结束语

通过上述的分析和总结，我们知道，将基于DBN 深度学习算法的相关数据测试模型是可以实际应用到反窃电系统中的，并在实际分类问题上是非常有优势的，并根据相关结果最终确定了基于DBN 深度学习算法在反窃电系统中模型的实际构建模式，即为输入层的实际节点数为6，隐含层的实际节点数为2。其中第一隐含层的神经元为16 个，第二层的神经元数量为8；输出层的神经元为1 个。由此可见，此种DBN 深度学习算法与其他需要进行相关数据挖掘的算法相比较，DBN 深度学习算法在相关反窃电系统中的应用是非常有优势的通过对DBN 深度学习的算法在模型上的研究，相信在未来的发展中，电力系统一定会非常大规模的使用此种深度学习算法，并将其应用到反窃电相关问题中，在为电网的相关部门减少反窃电的成本的同时，有效提升电力系统的相关服务能力。