k)=(山（k)，d2 (k)，…，dn (k))
[0157] 3)计算隐含层各神经元的输入和输出：
[0158]
[0159]
[0160]
[0161] yoD(k) =f(yiD(k)) o=l，2，..q
[0162] 利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数 8〇(k)：
[0166] 利用隐含层到输出层的连接权值、输出层的SJk)和隐含层的输出计算误差函数 对隐含层各神经元的偏导数Sh(k):
[0167]
[0168] 0=1
[0171] 利用输出层各神经元的Mk)和隐含层各神经元的输出来修正连接权值whC](k):
[0173] "h0 ..... m ' 0 W…k、~.[0174] 利用隐含层各神经元的Sh(k)和输入层各神经元的输入修正连接权：
[0172]
[0179] 判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次 数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮 学习。
[0180] 然后，确定BP神经网络的结构；
[0181] 本模型中确定的输入节点数是9,采用单隐层结构，隐含层数为1，输出节点数为 1。隐层的节点数根据试凑法确定为8,此时网络误差相对较小。并且，确定作用函数，通常 选择非线形S型函数。在本实施例中，本模型选择的作用函数是：Sigmoid函数。
[0182] 步骤4):继续抽取需要预测的月份中各因子的数据，这些数据作为预测样本，是 反窃电神经网络模型的预测对象。
[0183] 步骤5):运行反窃电神经网络模型，得到每个用户的窃电嫌疑系数，从而确定预 测窃电嫌疑户。
[0184] 本实施例在这里选取某用户2012年至2013年两年的用电数据作为预测样本输入 到反窃电预测模型（基于BP神经网络）中，下表1为经过归一化处理之后的数据：
[0185] 表 1
[0186]
[0187]
[0188] 通过对预测样本的运算和处理，反窃电神经网络模型输出如下结果：
[0189]
[0190]
[0191] 从上表可以看出，数据离散的效果比较好，预测结果比较理想，可以发现该用户在 2012年7月和2013年3月的窃电嫌疑系数分别为0. 9861和0. 9729,接近于1，说明该月 份在这两个月份存在极大的窃电可能性。其他月份窃电嫌疑系数都在0. 2以下，基本正常。 经排查，该窃电嫌疑户在上述两个时间段确实存在窃电行为。
[0192] 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，从而对所述反窃电神经网络模型的参数进行优化。使得预测 结果越来越接近实际情况。
[0193] 通过上述实施例可知，通过对海量用电历史数据隐含规律的挖掘和学习，预测出 用户的窃电嫌疑系数，快速准确的定位到有窃电嫌疑的用户。然后再通过现场稽查确认，可 以极大改善现有的反窃电效率，提高反窃电的准确度，本方法可以广泛的应用于供电企业 的营销稽查和反窃电工作领域中。
[0194] 以上所述的【具体实施方式】，对本发明的目的、技术方案和有益效果进行了进一步 详细说明，所应理解的是，以上所述仅为本发明的【具体实施方式】而已，并不用于限定本发明 的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含 在本发明的保护范围之内。
【主权项】
1. 一种基于机器学习的反窃电预测方法，其特征在于，所述方法包括： 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； 对所述学习样本数据和所述预测样本数据进行预处理； 对预处理后的学习样本数据确定反窃电神经网络模型； 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； 根据所述窃电嫌疑系数预测窃电嫌疑户。2. 如权利要求1所述的方法，其特征在于，所述方法还包括： 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。3. 如权利要求1或2所述的方法，其特征在于，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。4. 如权利要求1或2所述的方法，其特征在于，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： 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； 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。5. 如权利要求1或2所述的方法，其特征在于，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。6. 如权利要求1或2所述的方法，其特征在于，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。7. -种基于机器学习的反窃电预测装置，其特征在于，所述装置包括： 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； 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； 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； 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； 预测单元，用于根据所述窃电嫌疑系数预测窃电嫌疑户。8. 如权利要求7所述的装置，其特征在于，所述装置还包括： 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。9. 如权利要求7或8所述的装置，其特征在于，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。10.如权利要求7或8所述的装置，其特征在于，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。
【专利摘要】本发明涉及一种基于机器学习的反窃电预测方法及装置，其中，所述方法包括：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；对所述学习样本数据和所述预测样本数据进行预处理；对预处理后的学习样本数据确定反窃电神经网络模型；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；根据所述窃电嫌疑系数预测窃电嫌疑户。
【IPC分类】G01R11/24, G06N3/02, G06N3/08
【公开号】CN105205531
【申请号】CN201410305888
【发明人】张艳丽, 孙志杰, 介志毅, 傅军, 王莉, 谢枫, 张凌宇, 程杰, 陈洪涛, 牛逸宁, 刘同新, 徐剑, 李守超, 高小博, 闫东泽, 赵玉妲, 兰得志, 贾喜涛
【申请人】国家电网公司, 国网冀北电力有限公司电力科学研究院, 普华讯光（北京）科技有限公司
【公开日】2015年12月30日
【申请日】2014年6月30日