摘要：现如今，随着我国经济的快速发展，而电量管理作为供电企业经营的中心，在电网经营效益分析中具有十分重要的地位。在计划经济体制下，供电企业经营状况的结果都由国家承担，使得一些供电企业对电量管理不严格，管理的技术手段落后，这种状况己无法适应社会主义市场经济发展的要求，无法适应电力工业改革与发展的要求。现在越来越多的供电企业，在这场改革中深刻地认识到，只有提高电量管理水平，降低线损，加大反窃电力度，减少窃电带来的经济损失，增强电网运行分析能力，才能有效保证安全生产，取得企业良好的经营效益。
关键词：数据挖掘技术;反窃电方法
引言
目前的反窃电管理模式已经不能满足新形势下的反窃电管理需求，满足新形势下企业反窃电管理需求的强有力工具就是数据挖掘。提出了应用数据挖掘技术从电力企业积累的各种数据源系统中提取海量信息，构建具有资源共享和决策支撑功能的反窃电管理系统，介绍了系统的设计方案、数据处理、模型建立、技术实现等，分析了线损偏移度、电量差异度、电压电流不平衡度等用电负荷情况。
1数据挖掘技术
数据挖掘是从大量数据（包括文本）中挖掘出隐含的、先前未知的、对决策有潜在价值的关系、模式和趋势，并用这些知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。传统的数据分析技术在应对处理海量数据集时存在种种局限性，而数据挖掘技术有效地突破了这些局限，为分析处理海量数据并提取有用信息提供了有效手段。人工神经网络是近年来比较流行的一种数据挖掘技术，它是对人脑组织机构和运行机智的认识理解基础之上模拟其结构和智能行为的一种工程系统，但它也存在不能很好地处理和描述模糊信息、对样本的要求较高等缺点。模糊神经网络（FNN）是模糊系统与神经网络相结合的产物，结合了神经网络系统和模糊系统的长处，具有能自适应学习、处理和描述模糊信息、对样本的要求较低、精度高等优点，它在处理非线性、模糊性等问题上有很大的优越性，在智能信息处理方面存在巨大的潜力。模糊神经网络是具有模糊权系数或者输入信号是模糊量的神经网络，它汇聚了神经网络与模糊系统的优点，集联想、识别、自适应及模糊信息处理于一体。模糊神经网络的主要特点是利用神经网络调整模糊逻辑推理系统的隶属度函数和推理规则，利用模糊推理规则的形式构造神经网络结构，从而充分发挥各自的优点。模糊规则经过神经网络的学习，以“权值”的形式体现出来，这样规则的生成和修改则转化为权值的确定和修改。模糊神经网络在解决窃电评价这类模糊问题时具有明显优势。
2反窃电数据挖掘模型的建立
构建反窃电数据挖掘模型是为了提取多种来源的各种海量的、不完整的、有噪声的、模糊的、随机的数据信息，发掘数据之间的内在规律并呈现出来，实现数据到知识的转变。
2.1实时线损计算分析模型
实时线损计算分析模型依据线路或台区归属提取对应电表的实时电量，统计线路或台区实际线损ΔP%，绘制周期线损曲线。理论线损根据典型负荷日如最大负荷日或最小负荷日以及一般负荷日的负荷情况，结合变压器、线路参数等计算典型负荷日理论线损值ΔP%（max）（最大线损值）、ΔP%（min）（最小线损值）、ΔP%（av）（平均线损值）。把实际线损和理论线损作对比，如果对比值超出定义范围，则可认定该线路或者台区存在异常。具体到某一条线路或者台区，则可以运用递归分析法挖掘其历史线损平均水平作为线损标准值ΔP%（b），依据式（1）计算线损偏移度R（ΔP%）。
如果R（ΔP%）>1，则可以认为该线路或者台区有用电异常用户。
2.2用户用电异常对比分析模型
窃电用户电量属性与其历史特征值必然存在显著差异。历史特征值指历史同期用电量情况。定义电量差异度Rw为实际电量Ws与历史特征值Wb的比值。通过此规则校验，差异度较大的用户则可以判断为窃电嫌疑用户。
对于三相用户，还可以用三相电压不平衡度、三相电流不平衡度来表征窃电用户的电压电流异常变化。三相电压不平衡度为
可以对Rw、Ru、Ri分别定义标准Rwb、Rub、Rib，通过和定义标准进行对比，可以分析出用户非正常用电的特征属性。
2.3用户负荷曲线实时显示模型
目前用电信息采集系统已经实现了分钟级的数据采集任务，可以据此绘制出用户负荷曲线，并与根据历史数据绘制成的标准负荷曲线进行对比，可以以最直观的方式判断用户用电情况是否在合理区间，以此作为窃电嫌疑用户的判定依据。以上3个模型，还需要结合大量的其他数据作为分析基础，可以根据己有历史数据，统计有关用电量、三相电压、三相电流和线损的数据信息，直接加载到模型中以便进行相关分析。
2.4模糊神经网络诊断模型
反窃电诊断模型可通过构建分类预测模型来实现，由于在窃电诊断中，涉及到大量的复杂现象和多种因素的相互作用，而模糊神经网络在解决这类问题时具有明显优势，因此本项目主要基于模糊神经网络进行反窃电建模。模糊神经网络的本质就是在常规的神经网络中输入“模糊输入信号”和“模糊权值”。其结构像神经网络，功能上是模糊系统，其结构模型如图1所示。
图1模糊神经网络结构图
该模糊神经网络是五层网络，除了输入结点层和输出结点层外，还有三个隐含层，相邻两层之间都有连接，且每个连接都对应于一个权值。现对该模糊神经网络说明如下：1）输入层该层有n个结点直接与输入向量x连接，将输入值x=[x1，...，xn]传送到下一层。本模型中，因窃电评价指标体系共有7个指标，输入向量x分别对应等窃电评价指标体系的7个指标，因此输入层节点数为7，即n=7。2）模糊化层该层在模糊神经网络中的作用是计算隶属函数。若每个输入变量均定义有m个模糊集合，则此该层内共有n×m个结点，分为n组，每组m个结点，第i组的m个结点输入都是xi。本模型中，n=7，并将每个输入变量划分为3个模糊度，即m=3，因此共划分为7×3＝21个模糊度，每个节点的激活函数分别为输入变量xi的各个模糊度的隶属度函数μ（x），则输出分别是各输入量xi的各个模糊度的隶属度函数值，是[0，1]之间的值。本层共有21个神经元。根据窃电评价指标数据的特点，本模型中激活函数采用高斯函数。其c是隶属度函数的中心；σ是隶属度函数的宽度。建模初始，c和σ是随机函数的初始化值，之后通过网络训练不断修正调整，直至趋于稳定。
结语
面对计量自动化系统存储积累的用电大数据，传统方法依靠人进行分析排查，工作量和难度相当大而且效果不理想。本文通过分析用电特性，梳理出窃电主要评价指标体系，并研究数据挖掘技术，应用模糊神经网络建立反窃电诊断模型，通过对评价指标的相关数据进行智能分析计算，以输出窃电嫌疑系数的直观形式为相关人员提供反窃电重点监控指导。通过实例验证，该反窃电诊断方法对对窃电用户具备较好的诊断识别能力，为反窃电工作提供了新的借鉴。
参考文献
[1]陈文瑛，陈雁，邱林，等.应用大数据技术的反窃电分析[J].电子测量与仪器学报，2019（10）:1558-1567.
[2]秦娜.基于数据挖掘的反窃电技术在某电网中的应用研究[D].华北电力大学，2018.
[3]杨明祥.基于模糊神经网络的数据挖掘模型研究[D].大连海事大学，2017.
[4]闻新，宋屹，周露.模糊系统和神经网络的融合技术[J].系统工程与电子技术，2018（5）:55-58.