仲恺农业工程学院研究生，仲恺农业工程学院研究生院官网
阅读提示：本文约 1000 字
随着经济飞速发展，人们的用电需求越来越高，出现一些不法分子实施窃电行为。全国每年因窃电造成的损失逾百亿元，给电力系统的安全与稳定带来极大隐患。由于窃电手段繁多，且多发生在偏远地区，人为排查耗时耗力，难以获取确凿证据。因此，当出现窃电行为时，能在复杂环境中进行准确定位获得有力证据，对维护电力系统的稳定有重要意义。
借助电力计量设备获取各相电流、电压、功率因数等数据和一些异常警报信息，通过分析处理这些数据，提取窃电用户的关键特征，构建窃电用户识别模型，可判断用户是否有窃电行为。
窃电用户识别模型的建立方法有多种，BP（back propagation）神经网络模型因具有较好的非线性映射能力及容错性，在建模及图像识别领域得到了广泛关注。但该模型所需训练数据多，易陷入局部最优解，最终导致预测结果与实际值偏差较大。
为了提高BP神经网络模型的收敛速度，引入粒子群优化算法（particle swarm optimization, PSO），但传统粒子群算法与神经网络模型结合时易出现局部最优解、计算精度不高等问题。细菌觅食优化算法（bacterial foraging optimization, BFO）除了具有与粒子群优化算法相同的优点外，还具有较强的局部搜索能力。
为减小用户窃电行为对电网运营造成的负面影响、提高窃电巡检能力和识别窃电用户的准确率，山东农业工程学院的李秋红，在2022年第11期《电气技术》上撰文，将细菌觅食优化算法与粒子群优化算法相结合，建立基于改进粒子群算法（BFO-PSO）的前馈神经网络模型，通过数据处理确定模型训练样本，并合理设定模型初始化参数，可有效解决粒子群算法与神经网络模型相结合时的局部收敛和收敛速度慢等问题。
图1 窃电评价指标体系
图2 识别模型算法流程
作者以某市近四年的用电数据中2242个样本数据为基础，通过特征提取，得到四个对窃电行为影响较大的特征作为输入样本，构建基于改进粒子群算法的前馈神经网络识别模型，利用改进粒子群算法计算BP神经网络模型的最优权重值。对比BP神经网络模型、基于遗传算法的BP神经网络模型及基于改进粒子群算法的BP神经网络模型识别结果发现，基于改进粒子群算法的BP神经网络模型能够更好地识别出窃电用户，识别准确率高达94%，训练速度提升了5%，有望广泛应用于窃电用户识别中。
作者最后表示，将该模型用于窃电用户行为识别，可实现快速准确识别，为保障电力系统安全运行提供理论支撑。
本文编自2022年第11期《电气技术》，论文标题为“基于改进粒子群算法的前馈神经网络识别用户窃电行为”，作者为李秋红。
中国电工技术学会
新媒体平台
学会官方微信
电工技术学报
CES电气
学会官方B站
CES TEMS
今日头条号
学会科普微信
新浪微博
抖音号
☎️ 《电工技术学报》：010-63256949/6981；邮箱：dgjsxb@vip.126.com ☎️ 《电气技术》：010-63256943；邮箱：dianqijishu@126.com ☎️ 《中国电工技术学会电机与系统学报（CES TEMS）》：电话：010-63256823；邮箱：cestems@126.com ☎️ 编务：010-63256994 ☎️ 订阅：010-63256817 ☎️ 商务合作：010-63256867/6838
仲恺农业工程学院研究生(仲恺农业工程学院研究生院官网)
未经允许不得转载：考研网 » 仲恺农业工程学院研究生(仲恺农业工程学院研究生院官网)
