大数据背景下神经网络在反窃电领域的应用

摘要：文章从大数据的角度出发，对于反窃电工作中引入大数据相关技术的必要性展开了分析，而后结合神经网络的具体工作细节，对于其如何在该领域中展开工作加以讨论。

关键字：大数据；反窃电；神经网络

电能是当前社会生产生活有序展开的重要支持性能源，电能的平稳和持续供给，对于整个社会的稳定而言都有着不容忽视的重要意义，因此电力事业的发展，在我国而言，不仅仅在经济层面呈现出不容忽视的重要价值，更加在社会层面有着深刻影响。这种整个社会对于电能的依赖，迫切需要建设其更为稳定和健康的电力工作体系，而反窃电作为排除电力网络异常的重要手段，直接关系到电网的正常运行，更加与电力企业的利益密切相关。

一、大数据背景下的反窃电工作

在当前信息时代之下，电网工作的展开，以及反窃电工作的有效实现，都与数据保存着密切的联系。不管是供配环境中各个环节诸多设备的工作状态，还是用户对于电力的消费状况，都通过电力通信网络，以数据的形态反应到控制中心，成为电力企业解读整个电力系统的重要依据。在这样的数字化电网中，各个方面的数据以海量的形态涌入工作人员的视线之中，而想要对电网从输电一直到消费各个环境展开有效监督，必然需要深入展开相关数据的分析，这就形成了大数据相关技术在电力环境中应用的必然。

大数据的应用，对于反窃电领域中同样有着不容否认的积极意义。在反窃电环境中，电力消费端的实时消费数据，以及电力消费端用户本身的信息，两个方面需要协同工作深入处理，才能获取到有用的信息。除此以外，反窃电工作与正常的供配网环境维护有所不同，反窃电工作具有一定的对抗性质，与电力消费环境中的窃电技术呈现出此消彼长的特征，而普通的供配网运行，则单纯表现为电网工作状态数据的反馈，因此在问题的发现方面也容易的多。

基于上述反窃电数据特征，神经网络的引入，在当前大数据环境之下成为一种必然趋势。如果说大数据技术的参与，是对于反窃电工作体系之下海量数据有效处理需求的必然反映，那么神经网络，则是对于大数据处理方式和状态的进一步深化。神经网络，即人工神经网络（ANNs，Artificial Neural Networks），是一种模仿生物体神经网络行为特征，进行分布式并行信息处理的算法数学模型，其可以依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。对于电力消费环境而言，更为复杂的数据处理需求，以及更大的数据量，都要求着神经网络算法的参与。虽然反窃电工作本身不同于供配网环境，对实时性要求比较弱，在安全方面也并无太高要求，但是窃电行为多具有隐蔽特征，加之数据相对庞杂，因此想要实现有效的反窃电，仍然必须在运算效率的提升和模型的选择方面谨慎对待。除此以外，神经网络能够赋予系统更强的学习能力，对于不断出现新型特征的窃电行为而言，具有更好的监测能力。

二、反窃电领域的神经网络应用

通过上文的分析可以发现，神经网络良好的数据分析效率和学习能力，对于加强反窃电工作效率和效果都会存在积极意义。

从其工作的流程和框架角度看，可以分为数据采集、数据过滤、数据预处理、数据模型处理以及结果评估几个主要环节。其中数据采集环节，除了需要将供配电网络在消费端的工作数据纳入到反窃电数据分析范围内以外，更为重要的是需要将用户相关身份信息同样纳入该体系之中。虽然身份信息严格来说并不属于电网体系工作数据，但是反窃电工作本身，是在电力消费环境中找出违反常规的用电行为，并且以此作为判断窃电行为是否存在的重要依据。而单纯围绕用电实际情况与历史情况加以对比，仍然不足以发现异常，理想的情况就是将电能消费状况与电力消费者的具体身份进行联系，从其社会身份展开对于电力需求状况的判断，从而得到更深一步的理解。其中包括用户名称、用户编号、用电地址、用电类别、报装容量、计量方式、电流互感器变化、电压互感器变化，以及用户方面的违约，以及历史窃电处理记录等，都应当包括在内。

在之后的数据过滤环节，则是要对采集到的数据展开必要的过滤和分析，发现其中的错误数据并且加以排除，在发现大量可疑数据的时候，将对应的问题上报给工作人员，要求对数据的采集状况展开进一步的落实。通过数据采集获取到的数据可能出现差错，诸如阈值溢出等情况，都应当视为错误数据进行处理。只有实现了有效的过滤，拣选出有效的数据信息，才能确保神经网络处理出能够用于决策支持的数据。具体而言，包括数据的质量分析和数据特征分析两个方面的内容，具体而言，就是对原始数据探索分析，剔除出研究目标外的样本，即不存在窃漏电行为行业的企业，譬如一般的国家机关、国有企业、国家事业机构等等。然后再初步审视正常用户和窃漏电用户的用电特征。

而在数据的预处理阶段，则是需要考察缺失值并且加以处理，同时展开数据清洗工作，对于可能存在的单位不同或者统计口径的差异，展开必要的数据转换，确保获取到统一的数据，使其能够参与随后的模型构建。具体方法比较多样，比如缺失值的处理，除了需要展开备案以外，还需要依据其两端数据进行平滑，作为缺失值的替代。数据模型处理则是依据实际情况谨慎选择数据模型，实际工作中也可以由神经网络自行提出模型，并且将相关数据代入展开拟合，选出最为适合的数据模型，用以展开进一步的数据处理。最终将当前数据输入到选定的模型中展开处理，并且输出分析结果，找到其中的异常，作为决策支持。

其中，数据的预处理可以说是神经网络的关键环节，其工作有效性直接关系到整个神经网络输出的有效性，任务内容则包括数据清洗、数据集成、数据变换、数据规约等几个方面。原始数据进入到数据清洗阶段之后，首先完成缺失值处理，而后剔除冗余数据，考察数据环境中是否存在某些数据重复，并且予以剔除，除此以外，该环节还包括数据的异常值处理，主要依据对应的阈值进行判断，也会以历史数据作为重要参考。而后实体集成，怎包括实体识别和冗余数据识别，这是对于数据清洗的进一步深入，主要是实现数据的识别，通过识别来判断其有效性和可靠性。数据变换包括简单函数变换、规范化、小波变换以及属性构造等几个方面，主要用于从原生数据中产出具有对比价值的数据，实现数据的标准化。最后的数据规约，则包括属性规约和数值规约两个方面，最终形成能够参与模型运算的样本数据。

对于建模而言，虽然其在神经网络中占据着最为重要的位置，但是限于篇幅原因不多赘述，只在此做简要说明。在完成数据样本的准备之后，一般采用交叉验证的方式随机选取一定数量的样本作为数据集，剩下的则作为测试集。选择K-折交叉验证，确定超参数，然后再使用专家样本数据模型确定最后的结果。在对窃电用户进行识别的过程中，多采用LM神经网络展开分析，实践证明效果良好。