性S型函数。
[0083] 实施例：
[0084] 如图5所示，为本实施例的基于机器学习的反窃电预测流程图。
[0085] 步骤1):设计总结窃电特征因子体系；
[0086] 研究窃电领域的电力业务，总结设计出反映用电行为特征的因子体系。因子及分 析逻辑如下：
[0087] 1)产品单耗
[0088] 对于连续窃电户而言，对其用电量纵向的波动分析就失去了作用。针对此问题可 以将用户的产品单耗（单位产品耗电量），与国家颁布的标准进行横向对比。当用户产品单 耗下降明显时，即表明有异常，此时应进行核实：企业是否采用了先进的设备或工艺，而导 致产品单耗下降，否则可认为其有极大的窃电嫌疑。
[0089] 公式：单位产品耗电量=用户用于生产管理的总用电量/产品总量。
[0090] 2)行业趋同率
[0091] 通过对本地区各行业的用电数据进行分析，得出行业的平均用电水平数据，再将 用电户的用电数据与行业平均水平数据进行对比，相同或相近的部分越少则行业趋同率越 低。行业趋同率越低，表明用电异常，存在窃电的可能性。
[0092] 3)告警事件发生情况
[0093] 用电户进行窃电时，往往会伴随着如下告警事件的发生，下面事件发生次数越多， 则窃电嫌疑越大。
[0094] a)示度下降
[0095] b)电能表飞走事件
[0096] c)电能表停走事件
[0097] d)电压不平衡度越限事件
[0098] e)电流不平衡度越限事件
[0099] f)电压缺相事件
[0100] g)电压断相事件
[0101] h)电流反极性事件
[0102] 4)相位角
[0103] 窃电者采用不正常接线，接人与电能表线圈不对应的电压、电流，或在线路中接人 电感或电容，改变电能表线圈中电流和电压间的正常相位关系，致使电能表转速变慢甚至 反转，这种窃电的方法称为相角型窃电法。具体如：电流进出线对调法、电位高低端对调法、 相电压对调法、线电压对调法、相电流对调法、同相电压法、同相电流法、电抗性窃电方法 等。
[0104] 相位角可通过计算A、B、C三相的功率因数的反余弦得到。角度对应关系如下：
[0105] 1) -正转；
[0106] 2) -不转；
[0107] 3) 90<?<270--反转；
[0108] 4)q)=27〇--不转；
[0109] 5) 270<((><3：60--正转。
[0110] 5)用电量
[0111] 用电量的波动变化时判断用户窃电的一个关键指标，电量的陡增陡降都可能表明 用电异常。若月电量突增50%，而且月电量除以30天再除以12小时，除以功率因数后大于 其装接容量。就很有可能私增容量的问题存在。
[0112] 6)用户线损率
[0113] 将本期累计线损率，与去年同期累计线损率进行比较，若线损率增幅超过10%，则 列为窃电嫌疑户。
[0114] 7)三相电压不平衡率
[0115] 三相电压不平衡率的波动变化也可以表征窃电现象，若三相电压不平衡率>0. 3， 则说明出现异常。
[0116] 公式：三相电压不平衡率=(max(u)-min(u))/max(u)
[0117] 8)功率因数
[0118] 功率因数对于正常的用电户来说，应该是一个相对恒定的值，除非增加无功补偿 设备，否则功率因数不应增长。通常标准值为〇. 9,每月的功率因数变化为上、下0. 1至0. 2 的幅值范围。
[0119] 9)合同容量比率
[0120] 用电户在业务报装时申请的合同容量与用户的月用电量之间存在着数值上的对 应关系：如果（（合同容量X360) /月用电量）>2,则有可能该用户存在窃电现象。
[0121] 步骤2):明确学习训练样本数据的范围；
[0122] 学习样本的范围是：全冀北公司范围内10kV大工业用户的所有历史数据（其中已 查明的窃电用户需要明确地指出）。
[0123] 步骤3):确定反窃电神经网络模型的结构；
[0124] 1、源数据的抽取采集
[0125] 从用电信息采集系统、SG186营销业务应用系统中抽取到以上因子的历史数据，为 了方便对数据做机器学习和训练，除了以上特征因子外，还需获取到"用户编号、电压等级、 行业类别、所属线路"数据，这些数据以月度为时间单位；
[0126] 2、数据预处理
[0127] 主要是对采集抽取到的样本数据进行缺失值处理和异常值处理，之后还需对数据 进行归一化处理，将以上九个核心因子的数值转换到（〇，1)区间之内，以确保之后及其学 习时BP神经网络的收敛进程加快。将输入输出数据变换到[0，1]区间的值常用以下变换 式：
[0128]
[0129] 式中，x_代表数据变化范围的最大值，x_代表数据变化范围的最小值，Xl代表输 入或输出数据。
[0130] 3、构建专家样本库
[0131] 输入量为：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、合同容量比率。
[0132] 输出量为：窃电嫌疑系数
[0133] 4、构建反窃电神经网络模型
[0134] 如图6所示，为本实施例的反窃电神经网络模型的机器学习原理图。本发明中采 用的机器学习中的有监督学习--BP神经网络模型，该模型采用三层结构：输入层、隐层和 输出层。
[0135] 首先，确定学习样本，供神经网络学习；
[0136] 本发明选取该企业10kV大工业用户的所有历史数据作为学习样本，涵盖正常用 户和窃电用户，供网络系统学习。学习训练样本必须尽可能全面的反映用户的用电情况，这 样BP神经网络模型才能准确的学习到其中蕴含的规律。神经网络的学习过程即根据样本 确定网络的联接权值和误差反复修正的过程。
[0137] 本发明提供的反窃电挖掘分析方法是一种有监督的机器学习方法，采用BP神经 网络算法，对样本数据具备自行组织、自行适应、自行学习的能力。BP网络能学习和存贮大 量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习 规则是使用最速下降法，通过反向传播来不断调整网络的连接权值和阈值，使网络的误差 极小化。下面详细介绍其原理：
[0138] 先定义一个网络结构：输入层节点为n，有n个神经元，隐含层节点为p，输出层节 点为q。针对此网络定义如下变量：
[0139] 输入向量：x= (X"x2，…，xn)
[0140] 隐含层输入向量：hi= (hi^，hi2,…，hip)
[0141] 隐含层输出向量：ho= (hc^，ho2,…，hop)
[0142] 输出层输入向量：yi= (yh，yi2,…，yiq)
[0143] 输出层输出向量：y〇 = (yc^，y〇2,…，y〇q)
[0144] 期望输出向量：do=(山，d2,…，dq)
[0145] 输入层与中间层的连接权值：Wlh
[0146] 隐含层与输出层的连接权值：Wh。
[0147] 隐含层各神经元的阈值：bh
[0148] 输出层各神经元的阈值：b。
[0149] 样本数据个数：k=1，2，
[0150] 激活函数：f(_)
[0151] 误差函数
[0152] 1)初始化神经网络
[0153] 给各连接权值分别赋一个区间（0，1)内的随机数，设定误差函数e，给定计算精度 值e和最大学习次数M。
[0154] 2)随机选取第k个输入样本及对应期望输出：
[0155] x(k) = (x^k),x2(k), ???,xn(k))
[0156] d。（