本发明一实施例中，所述确定反窃电神经网络模型的方法为机器学习 中的监督学习法。
[0038]为实现上述目的，本发明还提供了一种基于机器学习的反窃电预测装置，所述装 置包括：
[0039] 样本数据获取单元，用于获取学习样本数据和预测样本数据；其中，所述学习样本 数据包括：窃电特征因子、用户编号、电压等级、行业类别和所属线路，所述预测样本数据包 括：窃电特征因子、用户编号、电压等级、行业类别和所属线路；
[0040] 预处理单元，用于对所述学习样本数据和所述预测样本数据进行预处理；
[0041] 反窃电神经网络模型确定单元，用于对预处理后的学习样本数据确定反窃电神经 网络模型；
[0042] 窃电嫌疑系数获取单元，用于将所述预测样本数据作为所述反窃电神经网络模型 的输入量，运行所述反窃电神经网络模型，输出每个用户的窃电嫌疑系数；
[0043]预测单元，用于根据所述窃电嫌疑系数预测窃电嫌疑户。
[0044]可选的，在本发明一实施例中，所述装置还包括：
[0045]优化单元，用于利用预测结果对应地窃电特征因子、用户编号、电压等级、行业类 别和所属线路重新确定反窃电神经网络模型，对所述反窃电神经网络模型的参数进行优 化。
[0046] 可选的，在本发明一实施例中，所述样本数据获取单元获得的窃电特征因子包括： 产品单耗、行业趋同率、告警事件发生情况、相位角、用电量、用户线损率、三相电压不平衡 率、功率因数和合同容量比率。
[0047] 可选的，在本发明一实施例中，所述反窃电神经网络模型确定单元确定的反窃电 神经网络模型的结构为：九个输入节点数、单隐层结构、一个输出节点数、隐层的节点数为 八个，作用函数为非线性S型函数。
[0048] 上述技术方案具有如下有益效果：本发明的技术方案抛开以往传统的反窃电的手 段方法，将机器学习的思想应用于电力行业的反窃电分析，基于BP神经网络纯数学模型， 从大量数字中进行分析，具备自行学习的特征，且本方法具有自我修正的能力，在反窃电工 作上，可谓独树一帜。
[0049] 另，本发明的技术方案可以使供电企业对窃电的预防工作由被动追踪改为变主动 预警，提高了反窃电工作的工作效率和技术水平，为反窃电工作开辟了新的途径，也为避免 电网企业遭受巨额经济损失提供了有效的手段。
【附图说明】
[0050] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
[0051] 图1为本发明提出的一种基于机器学习的反窃电预测方法流程图之一；
[0052] 图2为本发明提出的一种基于机器学习的反窃电预测方法流程图之二；
[0053] 图3为本发明提出的一种基于机器学习的反窃电预测装置框图之一；
[0054] 图4为本发明提出的一种基于机器学习的反窃电预测装置框图之二；
[0055] 图5为本实施例的基于机器学习的反窃电预测流程图；
[0056] 图6为本实施例的反窃电神经网络模型的机器学习原理图。
【具体实施方式】
[0057] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0058] 本技术方案的工作原理为：从用电信息采集系统、SG186营销业务应用系统等中 获取到以上窃电特征因子的历史数据，通过挖掘该组指标与用电户窃电嫌疑系数间科学规 律，生成合理的专家样本库，通过BP神经网络模型的构建，让神经网络对其因子与用电户 窃电嫌疑系数间复杂的非线性规律进行记忆，使神经网络就成为一个无限逼近该复杂特殊 映射的黑盒，最终达到预测窃电嫌疑户的效果。
[0059] 如图1所示，为本发明提出的一种基于机器学习的反窃电预测方法流程图。所述 方法包括：
[0060] 步骤101):获取学习样本数据和预测样本数据；其中，所述学习样本数据包括：窃 电特征因子、用户编号、电压等级、行业类别和所属线路，所述预测样本数据包括：窃电特征 因子、用户编号、电压等级、行业类别和所属线路；
[0061] 步骤102):对所述学习样本数据和所述预测样本数据进行预处理；
[0062] 步骤103):对预处理后的学习样本数据确定反窃电神经网络模型；
[0063] 步骤104):将所述预测样本数据作为所述反窃电神经网络模型的输入量，运行所 述反窃电神经网络模型，输出每个用户的窃电嫌疑系数；
[0064] 步骤105):根据所述窃电嫌疑系数预测窃电嫌疑户。
[0065] 如图2所示，为本发明提出的一种基于机器学习的反窃电预测方法流程图之二。 在图1的基础上，所述方法还包括：
[0066] 步骤106):利用预测结果对应地窃电特征因子、用户编号、电压等级、行业类别和 所属线路重新确定反窃电神经网络模型，对所述反窃电神经网络模型的参数进行优化。 [0067] 可选的，在本发明一实施例中，所述窃电特征因子包括：产品单耗、行业趋同率、告 警事件发生情况、相位角、用电量、用户线损率、三相电压不平衡率、功率因数和合同容量比 率。
[0068] 可选的，在本发明一实施例中，所述对所述学习样本数据和所述预测样本数据进 行预处理的步骤包括：
[0069] 对所述学习样本数据和所述预测样本数据进行缺失值处理和异常值处理；
[0070] 对处理后的所述学习样本数据的窃电特征因子、所述预测样本数据的窃电特征因 子进行归一化处理。
[0071] 可选的，在本发明一实施例中，所述反窃电神经网络模型的结构为：九个输入节点 数、单隐层结构、一个输出节点数、隐层的节点数为八个，作用函数为非线性S型函数。
[0072] 可选的，在本发明一实施例中，所述确定反窃电神经网络模型的方法为机器学习 中的监督学习法。
[0073] 如图3所示，为本发明提出的一种基于机器学习的反窃电预测装置框图之一。所 述装置包括：
[0074] 样本数据获取单元301，用于获取学习样本数据和预测样本数据；其中，所述学习 样本数据包括：窃电特征因子、用户编号、电压等级、行业类别和所属线路，所述预测样本数 据包括：窃电特征因子、用户编号、电压等级、行业类别和所属线路；
[0075] 预处理单元302,用于对所述学习样本数据和所述预测样本数据进行预处理；
[0076] 反窃电神经网络模型确定单元303,用于对预处理后的学习样本数据确定反窃电 神经网络模型；
[0077] 窃电嫌疑系数获取单元304,用于将所述预测样本数据作为所述反窃电神经网络 模型的输入量，运行所述反窃电神经网络模型，输出每个用户的窃电嫌疑系数；
[0078] 预测单元305,用于根据所述窃电嫌疑系数预测窃电嫌疑户。
[0079] 如图4所示，为本发明提出的一种基于机器学习的反窃电预测装置框图之二。在 图3的基础上，所述装置还包括：
[0080] 优化单元306,用于利用预测结果对应地窃电特征因子、用户编号、电压等级、行业 类别和所属线路重新确定反窃电神经网络模型，对所述反窃电神经网络模型的参数进行优 化。
[0081] 可选的，在本发明一实施例中，所述样本数据获取单元获得的窃电特征因子包括： 产品单耗、行业趋同率、告警事件发生情况、相位角、用电量、用户线损率、三相电压不平衡 率、功率因数和合同容量比率。
[0082] 可选的，在本发明一实施例中，所述反窃电神经网络模型确定单元确定的反窃电 神经网络模型的结构为：九个输入节点数、单隐层结构、一个输出节点数、隐层的节点数为 八个，作用函数为非线