CN105023042A - 基于大数据神经网络算法的用户窃电嫌疑分析装置及方法 - Google Patents

Abstract

<b>本发明涉及用户窃电嫌疑分析技术领域，是一种基于大数据神经网络算法的用户窃电嫌疑分析装置及方法，包括居民用电行为海量数据导入模块、数据分析模块和居民窃电嫌疑指数输出模块；所述的数据分析模块中设有分布式数据存储接口模块、分布数据处理单元、节点层输出并归一化处理模块和分布式数据输出接口模块。本发明利用大数据平台进行技术改进，通过改进的</b><b>BP</b><b>神经网络算法，实现更大的数据吞吐量，获取更为全面的用户特征数据，满足并发分析处理海量用户用电行为特征数据，分析数据效率更高，能更加精准的定位用户窃电嫌疑，为电力企业对窃电嫌疑较高的用户实行重点的检查和防范提供有效的依据，电力企业采取有效预防措施，从而减少经济损失。</b>

Description

基于大数据神经网络算法的用户窃电嫌疑分析装置及方法

技术领域

本发明涉及用户窃电嫌疑分析技术领域，是一种基于大数据神经网络算法的用户窃电嫌疑分析装置及方法。

背景技术

目前数据挖掘技术已经广泛运用到银行、保险和电信等行业中，并取得了较大的经济效益。而与这些行业同样具有海量信息处理、要求深入分析历史信息、从中发现数据特征和预测其发展趋势的并辅助决策的电力行业还处于初步尝试阶段。在电力行业反窃电方面，目前大多数反窃电方法还采用外围设备管理措施，在反窃电技术上也采用传统的判断方法，依据专业人员人工进行数据分析，效率很低，并不能有效取证，准确、定量和及时反馈信息，影响反窃电稽查的有效进行。因此，现在电力企业急需一种行之有效的反窃电方法来帮助企业高效、精准地找出有窃电嫌疑的用户。

神经网络算法可以满足这一需求，通过BP神经网络算法来挖掘用户用电行为数据，找出存在窃电嫌疑的用户。然而，BP神经网络算法在过去的传统实现中大多以单节点实现为主，单输入和单输出的模式难以适应海量数据挖掘的需求。急需改进的BP神经网络算法实现以多节点、分布式完成数据的处理，可吞吐PB级数据量，在海量的用户用电数据中提取用户用电行为特征，找出存在窃电嫌疑的用户。

发明内容

本发明提供了一种基于大数据神经网络算法的用户窃电嫌疑分析装置及方法，克服了上述现有技术之不足，其能有效解决现有传统的反窃电方法根据人工进行数据分析，效率低且不准确的缺陷，更有效解决了现在采用的BP神经网络算法挖掘用户用电行为数据进行数据分析所采用的单输入单输出的模式难以满足海量数据挖掘需求的问题。

本发明的技术方案之一是通过以下措施来实现的：一种基于大数据神经网络算法的用户窃电嫌疑分析装置，包括居民用电行为海量数据导入模块、数据分析模块和居民窃电嫌疑指数输出模块；所述的数据分析模块中设有分布式数据存储接口模块、分布数据处理单元、节点层输出并归一化处理模块和分布式数据输出接口模块，所述的分布数据处理单元用于将用户窃电嫌疑基础输入数据进行分析处理并输出窃电嫌疑指数，所述的节点层输出并归一化处理单元对所有的基础输入数据进行归一化处理并将用户窃电嫌疑指数通过神经网络算法调整权重值得到符合期望的输出结果；所述的居民用电行为海量数据导入模块的数据输出端与分布数据处理单元的数据输入端通过分布式存储接口模块相连接，分布数据处理单元的数据输出端与节点层输出并归一化处理单元的数据输入端相连接，节点层输出并归一化处理单元的数据输出端与居民窃电嫌疑指数输出模块的数据输入端通过分布式数据输出接口模块相连接。

下面是对上述发明技术方案的进一步优化或/和改进：

上述所述的用户窃电嫌疑基础输入数据包括：用户用电量、最大线路损耗值、电表类型、台区线损、功率值、电流值、电压值、用电月峰值和用电月谷值。

本发明的技术方案之二是通过以下措施来实现的：一种使用基于大数据神经网络算法的用户窃电嫌疑分析装置的方法，包括以下步骤：

步骤一：通过居民用电行为海量数据导入模块调用大数据分布数据库中的用户用电行为相关信息数据，并选择用户用电行为相关信息数据作为用户窃电嫌疑基础输入数据，之后进入步骤二；

步骤二：确定输入的用户窃电嫌疑基础数据，将用户窃电嫌疑基础数据在节点层输出并归一化处理单元进行数据归一化处理，基础数据归一化处理采用的计算变换式为：

其中， 是输入的数据， 为归一化后的数据， 和 分别是样本的最小数据和最大数据，之后进入步骤三；

步骤三：将归一化计算后的数据再经过BP神经网络算法进行处理，即通过输入层、隐含层和输出层三层之间层层映射，由层与层之间的权值矩阵进行调整，输出各层的结果，之后进入步骤四；

步骤四：计算输出结果的误差，选取p个样本，期望输出值为 ，总误差计算公式为：

当得到误差计算结果在设定的阈值内时，之后进入步骤六；当得到误差计算结果在设定的阈值外时，则将用户窃电嫌疑基础数据进行逆向处理，调整隐含层和输出层的权值，再经过输出层、隐含层和输入层进行反向计算，输出各层的结果，之后进入步骤五；

步骤五：经过调整隐含层和输出层的权值进行正反方向层层传递计算，再次判断误差是否符合设定阈值，如果误差符合设定阈值，则之后进入步骤六，如果误差不符合预先设定的阈值，则进入步骤三；

步骤六：将输出结果经过激活函数进行计算，记录输出的窃电嫌疑指数，激活函数表达式为：

， x表示输出结果，之后进入步骤七；

步骤七：经步骤六记录的窃电嫌疑指数，确定输出三种结果：无窃电嫌疑、一般窃电嫌疑和重大窃电嫌疑；其中，窃电嫌疑根据输出的窃电嫌疑指数进行划分，指数区间在[0,0.5)区间内为无窃电嫌疑，在[0.5,0.8)区间内为一般窃电嫌疑，在[0.8,1)区间内为重大窃电嫌疑，需重点审查。

本发明利用大数据平台进行技术改进，通过改进的BP神经网络算法，计算各个居民用户的窃电嫌疑，为电力企业对窃电嫌疑较高的用户实行重点的检查和防范提供有效的依据。通过大数据处理平台并发分析海量数据，可以通过供电单位提取5年以上的用户用电明细数据，实现更大的数据吞吐量，获取更为全面的用户特征数据，满足并发分析处理海量用户用电行为特征数据，分析数据效率更高，能更加精准的定位具有窃电嫌疑的用户，提示电力企业采取预防措施，减少企业经济损失。

附图说明

附图1为本发明实施例一的组成原理图。

附图2为本发明实施例二的神经网络算法流程图。

附图3为本发明实施例二的使用方法流程图。

附图中的编码分别为：1为居民用电行为海量数据导入模块，201为分布数据处理单元，202为节点层输出并归一化处理单元，3为用户窃电嫌疑指数输出模块，4为分布式数据存储接口模块，5为分布式数据输出接口模块，6为输入层，7为隐含层，8为输出层。

具体实施方式

本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。

在本发明中，为了便于描述，各部件的相对位置关系的描述均是根据说明书附图1的布图方式来进行描述的，如：前、后、上、下、左、右等的位置关系是依据说明书附图的布图方向来确定的。

下面结合实施例及附图对本发明作进一步描述：

实施例一：如附图1、2所示，一种基于大数据神经网络算法的用户窃电嫌疑分析装置，包括居民用电行为海量数据导入模块1、数据分析模块和居民窃电嫌疑指数输出模块3；所述的数据分析模块中设有分布式数据存储接口模块4、分布数据处理单元201、节点层输出并归一化处理模块202和分布式数据输出接口模块5，所述的分布数据处理单元201用于将用户窃电嫌疑基础输入数据进行分析处理并输出窃电嫌疑指数，所述的节点层输出并归一化处理单元202对所有的基础输入数据进行归一化处理并将用户窃电嫌疑指数通过神经网络算法调整权重值得到符合期望的输出结果；所述的居民用电行为海量数据导入模块1的数据输出端与分布数据处理单元201的数据输入端通过分布式数据存储接口模块4相连接，分布数据处理单元201的数据输出端与节点层输出并归一化处理单元202的数据输入端相连接，节点层输出并归一化处理单元202的数据输出端与居民窃电嫌疑指数输出模块3的数据输入端通过分布式数据输出接口模块5相连接。

在使用中，居民用电行为海量数据导入模块1用于提取分布式数据库中的用户基础数据作为用户窃电嫌疑分析的基础输入数据；数据分析模块用于将数据进行归一化处理并输出窃电嫌疑指数，根据窃电嫌疑指数可以判断用户是否存在窃电嫌疑；居民窃电嫌疑指数输出模块3用于将窃电嫌疑指数输出并标记存在窃电嫌疑的用户，电力企业可采取有效措施进行重点监控，避免造成经济损失。分布式数据库为现有公知技术，电力企业建立基于数据整合、数据存储、数据计算和数据分析四个基础模块的针对供电公司用户用电行为分析的大数据平台，分布式数据库为大数据平台的一部分。本发明以供电公司的营销信息和用户用电采集信息作为输入，经过数据整合、数据存储和数据计算三个步骤，进行数据分析，最终输出用户窃电嫌疑指数。数据分析模块采用改进的BP神经网络算法分析，满足现有的从多维输入变量中分析得出用户窃电嫌疑指数的需求。

可根据实际需要，对上述基于大数据神经网络算法的用户窃电嫌疑分析装置作进一步优化或/和改进：

如附图1所示，所述的用户窃电嫌疑基础输入数据包括：用户用电量、最大线路损耗值、电表类型、台区线损、功率值、电流值、电压值、用电月峰值和用电月谷值。在实际应用过程中，根据实际需求，也可以选取其他更多的基础数据作为用户窃电嫌疑输入数据，进行分析处理后输出窃电嫌疑指数，并不仅限于选取上述的用户用电量、最大线路损耗值、电表类型、台区线损、功率值、电流值、电压值、用电月峰值和用电月谷值。

如附图1所示，在节点层输出并归一化处理单元202对所有的基础输入数据进行归一化处理并将用户窃电嫌疑指数通过神经网络算法调整权重值得到符合期望的输出结果。

实施例二：如图1、2所示，一种使用基于大数据神经网络算法的用户窃电嫌疑分析装置的方法，包括以下步骤：

步骤一：通过居民用电行为海量数据导入模块调用大数据分布数据库中的用户用电行为相关信息数据，并选择用户用电行为相关信息数据作为用户窃电嫌疑基础输入数据，之后进入步骤二；

步骤二：确定输入的用户窃电嫌疑基础数据，将用户窃电嫌疑基础数据在节点层输出并归一化处理单元进行数据归一化处理，基础数据归一化处理采用的计算变换式为：

其中， 是输入的数据， 为归一化后的数据， 和 分别是样本的最小数据和最大数据，之后进入步骤三；

步骤三：将归一化计算后的数据再经过BP神经网络算法进行处理，即通过输入层6、隐含层7和输出层8三层之间层层映射，由层与层之间的权值矩阵进行调整，输出各层的结果，之后进入步骤四；

步骤四：计算输出结果的误差，选取p个样本，期望输出值为 ，总误差计算公式为：

当得到误差计算结果在设定的阈值内时，之后进入步骤六；当得到误差计算结果在设定的阈值外时，则将用户窃电嫌疑基础数据进行逆向处理，调整隐含层7和输出层8的权值，再经过输出层8、隐含层7和输入层6进行反向计算，输出各层的结果，之后进入步骤五；

步骤五：经过调整隐含层7和输出层8的权值进行正反方向层层传递计算，再次判断误差是否符合设定阈值，如果误差符合设定阈值，则之后进入步骤六，如果误差不符合预先设定的阈值，则进入步骤三；

步骤六：将输出结果经过激活函数进行计算，记录输出的窃电嫌疑指数，激活函数表达式为：

， x表示输出结果，之后进入步骤七；

步骤七：经步骤六记录的窃电嫌疑指数，确定输出三种结果：无窃电嫌疑、一般窃电嫌疑和重大窃电嫌疑；其中，窃电嫌疑根据输出的窃电嫌疑指数进行划分，指数区间在[0,0.5)区间内为无窃电嫌疑，在[0.5,0.8)区间内为一般窃电嫌疑，在[0.8,1)区间内为重大窃电嫌疑，需重点审查。

Claims (3)

1.一种基于大数据神经网络算法的用户窃电嫌疑分析装置，其特征在于包括居民用电行为海量数据导入模块、数据分析模块和居民窃电嫌疑指数输出模块；所述的数据分析模块中设有分布式数据存储接口模块、分布数据处理单元、节点层输出并归一化处理模块和分布式数据输出接口模块，所述的分布数据处理单元用于将用户窃电嫌疑基础输入数据进行分析处理并输出窃电嫌疑指数，所述的节点层输出并归一化处理单元对所有的基础输入数据进行归一化处理并将用户窃电嫌疑指数通过神经网络算法调整权重值得到符合期望的输出结果；所述的居民用电行为海量数据导入模块的数据输出端与分布数据处理单元的数据输入端通过分布式存储接口模块相连接，分布数据处理单元的数据输出端与节点层输出并归一化处理单元的数据输入端相连接，节点层输出并归一化处理单元的数据输出端与居民窃电嫌疑指数输出模块的数据输入端通过分布式数据输出接口模块相连接。

2.根据权利要求1所述的基于大数据神经网络算法的用户窃电嫌疑分析装置，其特征在于所述的用户窃电嫌疑基础输入数据包括：用户用电量、最大线路损耗值、电表类型、台区线损、功率值、电流值、电压值、用电月峰值和用电月谷值。

3.一种使用基于大数据神经网络算法的用户窃电嫌疑分析装置的方法，其特征在于包括以下步骤：

步骤一：通过居民用电行为海量数据导入模块调用大数据分布数据库中的用户用电行为相关信息数据，并选择用户用电行为相关信息数据作为用户窃电嫌疑基础输入数据，之后进入步骤二；

步骤二：确定输入的用户窃电嫌疑基础数据，将用户窃电嫌疑基础数据在节点层输出并归一化处理单元进行数据归一化处理，基础数据归一化处理采用的计算变换式为：

其中，是输入的数据，为归一化后的数据，和分别是样本的最小数据和最大数据，之后进入步骤三；

步骤三：将归一化计算后的数据再经过BP神经网络算法进行处理，即通过输入层、隐含层和输出层三层之间层层映射，由层与层之间的权值矩阵进行调整，输出各层的结果，之后进入步骤四；

步骤四：计算输出结果的误差，选取p个样本，期望输出值为，总误差计算公式为：

当得到误差计算结果在设定的阈值内时，之后进入步骤六；当得到误差计算结果在设定的阈值外时，则将用户窃电嫌疑基础数据进行逆向处理，调整隐含层和输出层的权值，再经过输出层、隐含层和输入层进行反向计算，输出各层的结果，之后进入步骤五；

步骤五：经过调整隐含层和输出层的权值进行正反方向层层传递计算，再次判断误差是否符合设定阈值，如果误差符合设定阈值，则之后进入步骤六，如果误差不符合预先设定的阈值，则进入步骤三；

步骤六：将输出结果经过激活函数进行计算，记录输出的窃电嫌疑指数，激活函数表达式为： 

， x表示输出结果，之后进入步骤七；

步骤七：经步骤六记录的窃电嫌疑指数，确定输出三种结果：无窃电嫌疑、一般窃电嫌疑和重大窃电嫌疑；其中，窃电嫌疑根据输出的窃电嫌疑指数进行划分，指数区间在[0,0.5)区间内为无窃电嫌疑，在[0.5,0.8)区间内为一般窃电嫌疑，在[0.8,1)区间内为重大窃电嫌疑，需重点审查。