CN112649642A - 一种窃电位置判断方法、装置、设备和存储介质 - Google Patents

Abstract

本发明公开了一种窃电位置判断方法、装置、设备和存储介质，方法包括：按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；采用每个检测节点的有功负荷值和无功负荷值分别进行潮流计算，得到每个检测节点在预设采集周期内的实际线损值；将每个检测节点的有功负荷值和无功负荷值分别输入到目标神经网络模型，得到每个检测节点在预设采集周期内的模拟线损值；其中，目标神经网络模型通过预置的神经网络训练过程生成；基于实际线损值与模拟线损值的差值，判断检测节点是否为窃电位置。该方法能够快速准确地确定窃电位置，有效降低经济损失。

Description

一种窃电位置判断方法、装置、设备和存储介质

技术领域

本发明涉及神经网络技术领域，尤其涉及一种窃电位置判断方法、装置、设备和存储介质。

背景技术

进入二十一世纪之后，人们生活水平不断提升，电力更是深入到我国各个行业中，成为了我国经济发展不可缺少的能源，社会对电力的需求量也迅猛增长。据调查发现，在2018年时，我国发电总量达到67914.2亿千瓦时，相比于2017年，增长了五千多亿千瓦时，2019年时，我国发电总量已经达到71422亿千瓦时，增长了三千多亿千瓦时，目前，我国发电总量的增长速度已经占据世界首位。但是，在电力行业迅猛发展的背后，粗放增长方式，线损管理困难，计算难度大，且偷电漏电发生频繁。如何降低线损，精准及时相应窃电行为，成为各电力公司思考重点。

随着电力普及程度不断加深，电网更加复杂，增大线损计算难度，采用传统的线损计算方式，计算效率低下，计算准确性难以保障。另一方面，在电力网运行中，线路末端窃电现象发生频繁，如何对窃电位置快速定位，加强窃电精准管理，有助于提升线损水平。随着技术的发展，电力仪表的改进，多表合一等政策的推广，企业对窃电行为判断准确度明显提升。但是，在量化性、可靠性等上，仍受到模型影响，导致线损计算的准确度与计算效率较低，无法快速确定窃电位置，造成经济损失。

发明内容

本发明提供了一种窃电位置判断方法、装置、设备和存储介质，解决了现有技术中线损计算的准确度和计算效率较低，无法快速确定窃电位置，导致经济损失增加的技术问题。

本发明提供的一种窃电位置判断方法，包括：

按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；

采用每个所述检测节点的所述有功负荷值和所述无功负荷值分别进行潮流计算，得到每个所述检测节点在所述预设采集周期内的实际线损值；

将每个所述检测节点的所述有功负荷值和所述无功负荷值分别输入到目标神经网络模型，得到每个所述检测节点在所述预设采集周期内的模拟线损值；其中，所述目标神经网络模型通过预置的神经网络训练过程生成；

基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置。

可选地，所述神经网络训练过程包括：

获取多个训练样本数据；所述训练样本数据包括预设训练检测节点的训练有功负荷值和训练无功负荷值；所述训练样本数据包括训练线损值；

将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出；

若所述模型输出与所述训练线损值的误差大于所述预设误差阈值，则调整所述初始神经网络模型的预设权重参数；

返回所述将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出的步骤，直至所述模型输出与所述训练线损值的误差小于或等于所述预设误差阈值，得到目标神经网络模型。

可选地，所述基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置的步骤，包括：

计算所述实际线损值与所述模拟线损值的差值；

若所述差值大于预设线损阈值，则判定所述检测节点为窃电位置。

可选地，还包括：

若所述差值小于或等于所述线损阈值，则判定所述检测节点不为所述窃电位置。

本发明还提供了一种窃电位置判断装置，包括：

采集模块，用于按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；

实际线损值计算模块，用于采用每个所述检测节点的所述有功负荷值和所述无功负荷值分别进行潮流计算，得到每个所述检测节点在所述预设采集周期内的实际线损值；

模拟线损值计算模块，用于将每个所述检测节点的所述有功负荷值和所述无功负荷值分别输入到目标神经网络模型，得到每个所述检测节点在所述预设采集周期内的模拟线损值；其中，所述目标神经网络模型通过预置的神经网络训练模块生成；

窃电位置判断模块，用于基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置。

可选地，所述神经网络训练模块包括：

训练样本获取子模块，用于获取多个训练样本数据；所述训练样本数据包括预设训练检测节点的训练有功负荷值和训练无功负荷值；所述训练样本数据包括训练线损值；

模型输出子模块，用于将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出；

权重参数调整子模块，用于若所述模型输出与所述训练线损值的误差大于所述预设误差阈值，则调整所述初始神经网络模型的预设权重参数；

重复训练子模块，用于返回所述将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出的步骤，直至所述模型输出与所述训练线损值的误差小于或等于所述预设误差阈值，得到目标神经网络模型。

可选地，所述窃电位置判断模块包括：

差值计算子模块，用于计算所述实际线损值与所述模拟线损值的差值；

窃电位置判定子模块，用于若所述差值大于预设线损阈值，则判定所述检测节点为窃电位置。

可选地，所述窃电位置判断模块还包括：

窃电位置否定子模块，用于若所述差值小于或等于所述线损阈值，则判定所述检测节点不为所述窃电位置。

本发明还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一项所述的窃电位置判断方法的步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现如上述任一项所述的窃电位置判断方法。

从以上技术方案可以看出，本发明具有以下优点：

本发明按照预设采集周期从预设配电网的多个检测节点采集有功负荷值和无功负荷值，再基于所采集的数据进行潮流计算，获得实际线损值；然后采用目标神经网络模型计算采集的有功负荷值和无功负荷值所对应的检测节点的模拟线损值，最后基于实际线损值与模拟线损值之间的差值，从而判断检测节点是否为窃电位置。以此解决了现有技术中线损计算的准确度和计算效率较低，无法快速确定窃电位置，导致经济损失增加的技术问题，能够快速准确地确定窃电位置，有效降低经济损失。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种窃电位置判断方法的步骤流程图；

图2为本发明可选实施例提供的一种窃电位置判断方法的步骤流程图；

图3为本发明实施例提供中的神经网络模型训练过程的步骤流程图；

图4为本发明实施例提供的一种窃电位置判断装置的结构框图。

具体实施方式

本发明实施例提供了一种窃电位置判断方法、装置、设备和存储介质，用于解决现有技术中线损计算的准确度和计算效率较低，无法快速确定窃电位置，导致经济损失增加的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例提供的一种窃电位置判断方法的步骤流程图。

本发明提供的一种窃电位置判断方法，包括：

步骤101，按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；

在具体实现中，由于检测节点的数据采集通常是使用表计装置例如电能表或智能电表等进行记录，而由于仪表记录数据有限，无法实时获取线损数据。为此可以在事前设置采集周期，按照采集周期从配电网的多个检测节点分别采集有功负荷值和无功负荷值。

其中，所述检测节点可以为PQ节点，预设采集周期可以分钟、小时或天等进行限定，具体可由本领域技术人员根据计算需要进行设置。

PQ节点指的是有功注入和无功注入由节点负荷或发电机注入功率决定，v和相角需要计算求得。电力系统中的负荷节点，恒功率控制方式的发电机注入节点是常见的PQ节点。

步骤102，采用每个所述检测节点的所述有功负荷值和所述无功负荷值分别进行潮流计算，得到每个所述检测节点在所述预设采集周期内的实际线损值；

潮流计算是电力学名词，指在已知电网的接线方式与参数及运行条件，计算电力系统稳态运行各母线电压、各支路电流与功率及网损。例如在给定电力系统网络拓扑、元件参数和发电、负荷参量条件下，计算有功功率、无功功率及电压在电力网中的分布。潮流计算是根据给定的电网结构、参数和发电机、负荷等元件的运行条件，确定电力系统各部分稳态运行状态参数的计算。通常给定的运行条件有系统中各电源和负荷点的功率、枢纽点电压、平衡点的电压和相位角。待求的运行状态参量包括电网各母线节点的电压幅值和相角，以及各支路的功率分布、网络的功率损耗等。

在本发明实施例中，预设配电网为标准配电网，采用从标准配电网中采集的有功负荷值和无功负荷值进行潮流计算，以确定每个检测节点在预设采集周期内的实际线损值。

步骤103，将每个所述检测节点的所述有功负荷值和所述无功负荷值分别输入到目标神经网络模型，得到每个所述检测节点在所述预设采集周期内的模拟线损值；

其中，所述目标神经网络模型可以通过预置的神经网络训练过程生成；

神经网络模型，主要是指利用计算机模拟人的神经元，通过简单单元之间的连接，形成复杂模型，以便快速解决复杂问题，而在多种神经网络模型中，人工神经网络是多层前馈网络，主要通过误差逆向传播算法展开训练，应用非常广泛。人工神经网络主要包含三层，分别是输入层、输出层与隐含层。其中工，输入信号在通过两层结构后，输出被激活函数，输出误差对每层神经元连接权重进行调整，降低误差发生，以此满足目标要求。

在本发明实施例中，可以采用目标神经网络模型，接收每个检测节点的有功负荷值和无功负荷值，分别确定每个检测节点在预设采集周期内的模拟线损值。

步骤104，基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置。

在具体实现中，在正常无窃电的情况下，模拟线损值与实际线损值应是相等或者相差不大的，而为了确定检测节点是否为窃电位置，可以通过计算实际线损值与模拟线损值的差值，进一步判定差值是否超过了阈值的方式进行确定。

在本发明实施例中，按照预设采集周期从预设配电网的多个检测节点采集有功负荷值和无功负荷值，再基于所采集的数据进行潮流计算，获得实际线损值；然后采用目标神经网络模型计算采集的有功负荷值和无功负荷值所对应的检测节点的模拟线损值，最后基于实际线损值与模拟线损值之间的差值，从而判断检测节点是否为窃电位置。以此解决了现有技术中线损计算的准确度和计算效率较低，无法快速确定窃电位置，导致经济损失增加的技术问题，能够快速准确地确定窃电位置，有效降低经济损失。

请参阅图2，图2为本发明可选实施例提供的一种窃电位置判断方法的步骤流程图。

本发明提供的一种窃电位置判断方法，包括：

步骤201，按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；

以预设配电网采用标准配电网，基准容量有100MVA(兆伏安)，基准电压是23kV为例，采集多组数据，例如其一，小范围负荷波动300组，负荷波动在±10％左右；其二，大范围负荷波动300组，负荷波动在±50％左右；其三，切除部分负荷节点，每次切除1个，40组，各自采集对应的有功负荷值和无功负荷值，以便于后续实际线损值的计算。

步骤202，采用每个所述检测节点的所述有功负荷值和所述无功负荷值分别进行潮流计算，得到每个所述检测节点在所述预设采集周期内的实际线损值；

在本发明实施例中，所述步骤202的具体实现过程与上述步骤102类似，在此不再赘述。

步骤203，将每个所述检测节点的所述有功负荷值和所述无功负荷值分别输入到目标神经网络模型，得到每个所述检测节点在所述预设采集周期内的模拟线损值；

其中，所述目标神经网络模型通过预置的神经网络训练过程生成；

在本发明实施例中，所述神经网络训练过程包括：

获取多个训练样本数据；所述训练样本数据包括预设训练检测节点的训练有功负荷值和训练无功负荷值；所述训练样本数据包括训练线损值；

将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出；

若所述模型输出与所述训练线损值的误差大于所述预设误差阈值，则调整所述初始神经网络模型的预设权重参数；

返回所述将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出的步骤，直至所述模型输出与所述训练线损值的误差小于或等于所述预设误差阈值，得到目标神经网络模型。

请参见图3，图3示出了本发明实施例中的神经网络模型训练过程的步骤流程图，其中包括：

1、初始化设置；对输入量、输出量、隐含层数、激活函数等科学设定，并给出初始阈值、权重值；

2、输入训练样本数据；

3、依照设定函数、权重值等，计算模型输出；

4、根据模型输出与训练线损值的误差，修正权重系数；例如计算得出各层学习误差，依照误差对权重值、阈值进行修正；

5、判断误差是否满足要求；若是则训练完成，得到目标神经网络模型；若否则返回步骤3继续执行。

在具体实现中，可以获取多个训练样本数据，其中每个所述训练样本数据均包括预设训练检测节点的训练有功负荷值和训练无功负荷值，每个所述训练样本数据均包括训练线损值。

有训练样本n个，输入信号x₁、x₂…x_n，信号经过神经网络，对应输出数值为y₁、y₂…y_n，不断改进实际输入误差，实际输入对应值为：z₁、z₂…z_n，以输出数值和实际输入值间的误差改变偏差量、连接权值，使输出数值与期望值无限接近。

设定：期望输出值、实际输出值两者平方误差和的定义是误差函数ε，则：

在式子中，x_i表示输出层实际输出值，y_i表示期望输出值，i＝1、2……r；n＝1、2……r。

在对W_ij权重系数(注：若电流由节点i到节点j，连接节点i与节点j之间的边，边上权值W_ij表示电流流经道路)修改时，主要以负梯度方向为主，所以，修正量△W_ij与误差函数关系如下：

在式子中，η表示学习步长，

表示ε对W_ij的偏导数。

最终得出：

U^k _i表示K层i神经元，

若

k表示输出层次，最终得出学习公式：

△W_ij＝-η*z_k ⁱ*x_j ^k-1

想要提升收敛速度，可考虑上一个迭代次数权重系数，得到修正公式：

△W_ij(t+1)＝-ηz_k ⁱx_j ^k-1+α△W_ij(t)

其中，t表示迭代次数，α表示权重系数。

神经网络参数调节，有助于提升计算效率，增强计算准确性。为此，想要提升计算精度，增强训练效率，应对海量数据归一化处理，将数值归一到[-1,1]区间。

归一函数如下：y＝(y_max-y_min)*(x-x_min)/(x_max-x_min)+y_min

在式子中，y表示归一化之后的数值，x表示原始数值，x_max表示原始值最大值，x_min表示原始值最小值，y_max表示为1，y_min表示为-1。

之后，设置神经网络节点与函数，为增强计算准确性，可引进双隐含层，节点为11、10。训练函数以梯度下降算法，最终激活函数是tan-sig，公式如下：

tan-sig(n)＝2/(1+e^-2n)-1

在上述公式中，n表示上一神经元所传递输入，值域在(-1,1)之间。

在训练过程中，假设迭代次数10000，精度0.01％，学习步长0.1，落实有效性检验，若两次迭代偏差低于一定值，或者偏差呈升高状态，迭代自动停止。

步骤204，计算所述实际线损值与所述模拟线损值的差值；

步骤205，若所述差值大于预设线损阈值，则判定所述检测节点为窃电位置。

在本发明实施例中，可以计算实际线损值和模拟线损值的差值，模拟线损值可以看做是当前检测节点的标准线损值，若是所述差值大于预设线损阈值，则说明当前检测节点存在与往常不同的线损，存在窃电行为，可以判定所述检测节点为窃电位置。

可选地，若所述差值小于或等于所述线损阈值，则判定所述检测节点不为所述窃电位置。

在具体实现中，可以采用模拟量进行实验的方式以排除实际应用的风险，例如线路采用了标准配电网，该配电网内有14个节点，且节点对称，本次仿真中，选择五个典型节点为窃电考虑节点，分别是3、4、9、10、14。首先，选择负荷波动范围在±20％左右的潮流数据、对应线损值3000组，看做未发生窃电，不考虑表计故障这些外在因素下，模拟线损值等于实际线损。

分组窃电，每600组对应一个节点，发生窃电幅度10％，表计值相应减小。在此，实际用电量不变，实际线损值也保持不变。最终得出3000组负荷对应模拟线损、实际线损。在对实验结果检验中，不仅要设置实验样本，还要设置测试样本：其一，两处同时窃电，分别是3、4节点、9、10节点，每种情况20组负荷。其二，三处同时窃电，分别是4、9与10节点，选择20组。其三，未窃电，选择20组。其四，单一节点窃电概率为5％，100组。其五，单一节点窃电概率3％，50组。在本次窃电位置模拟实验中，测试样本如下：单一位置窃电的测试组150，准确组150，准确率高达100％；双位置窃电测试组40组，准确组数量0，准确率为0；三位置窃电与无窃电测试组分别选择20组，准确组数量都为0，准确率为0；低比例窃电测试组50组，准确组10组，准确率达到20％。由数据可知，梯度下降算法的应用，与实验样本保持一致，窃电位置判别具有较高准确率。但是，当情况发生变化，如：窃电量下降、窃电节点增多等，则无法全面识别，缺乏泛化性。因此，梯度下降算法已经无法达到实际需求，可引入列文伯格算法，其中，非线性最小二乘算法应用最为广泛，能够提供局部最小非线性数字解，具有高收敛速度、高泛化性等优质，同时，占比内存相对较大，迭代时间较长。采用该算法分析窃电位置，结果显示，单一位置与双位置窃电测试准确度达到100％，三位置窃电的测试准确性达到85％，而无窃电与低比例窃电的测试准确率不变。可见，该种算法具有较高优势。然而，在无窃电与低比例窃电样本实验测试中，仍难以识别，可能是因实验样本单一导致。各节点5％窃电情况数据增加3000组，无窃电情况增加500组，再次进行神经网络实验，结果表示：无窃电准确率达到了100％，低比率窃电准确率升高到92.7％，获得良好收益。

在本发明实施例中，按照预设采集周期从预设配电网的多个检测节点采集有功负荷值和无功负荷值，再基于所采集的数据进行潮流计算，获得实际线损值；然后采用目标神经网络模型计算采集的有功负荷值和无功负荷值所对应的检测节点的模拟线损值，最后基于实际线损值与模拟线损值之间的差值，从而判断检测节点是否为窃电位置。以此解决了现有技术中线损计算的准确度和计算效率较低，无法快速确定窃电位置，导致经济损失增加的技术问题，能够快速准确地确定窃电位置，有效降低经济损失。

请参阅图4，图4为本发明可选实施例提供的一种窃电位置判断装置的结构框图。

本发明提供的一种窃电位置判断装置，包括：

采集模块401，用于按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；

实际线损值计算模块402，用于采用每个所述检测节点的所述有功负荷值和所述无功负荷值分别进行潮流计算，得到每个所述检测节点在所述预设采集周期内的实际线损值；

模拟线损值计算模块403，用于将每个所述检测节点的所述有功负荷值和所述无功负荷值分别输入到目标神经网络模型，得到每个所述检测节点在所述预设采集周期内的模拟线损值；其中，所述目标神经网络模型通过预置的神经网络训练模块生成；

窃电位置判断模块404，用于基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置。

可选地，所述神经网络训练模块包括：

训练样本获取子模块，用于获取多个训练样本数据；所述训练样本数据包括预设训练检测节点的训练有功负荷值和训练无功负荷值；所述训练样本数据包括训练线损值；

模型输出子模块，用于将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出；

权重参数调整子模块，用于若所述模型输出与所述训练线损值的误差大于所述预设误差阈值，则调整所述初始神经网络模型的预设权重参数；

重复训练子模块，用于返回所述将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出的步骤，直至所述模型输出与所述训练线损值的误差小于或等于所述预设误差阈值，得到目标神经网络模型。

可选地，所述窃电位置判断模块404包括：

差值计算子模块，用于计算所述实际线损值与所述模拟线损值的差值；

窃电位置判定子模块，用于若所述差值大于预设线损阈值，则判定所述检测节点为窃电位置。

可选地，所述窃电位置判断模块404还包括：

窃电位置否定子模块，用于若所述差值小于或等于所述线损阈值，则判定所述检测节点不为所述窃电位置。

本发明实施例还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一实施例所述的窃电位置判断方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现如上述任一实施例所述的窃电位置判断方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种窃电位置判断方法，其特征在于，包括：

按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；

采用每个所述检测节点的所述有功负荷值和所述无功负荷值分别进行潮流计算，得到每个所述检测节点在所述预设采集周期内的实际线损值；

将每个所述检测节点的所述有功负荷值和所述无功负荷值分别输入到目标神经网络模型，得到每个所述检测节点在所述预设采集周期内的模拟线损值；其中，所述目标神经网络模型通过预置的神经网络训练过程生成；

基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置。

2.根据权利要求1所述的窃电位置判断方法，其特征在于，所述神经网络训练过程包括：

获取多个训练样本数据；所述训练样本数据包括预设训练检测节点的训练有功负荷值和训练无功负荷值；所述训练样本数据包括训练线损值；

将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出；

若所述模型输出与所述训练线损值的误差大于所述预设误差阈值，则调整所述初始神经网络模型的预设权重参数；

返回所述将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出的步骤，直至所述模型输出与所述训练线损值的误差小于或等于所述预设误差阈值，得到目标神经网络模型。

3.根据权利要求1所述的窃电位置判断方法，其特征在于，所述基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置的步骤，包括：

计算所述实际线损值与所述模拟线损值的差值；

若所述差值大于预设线损阈值，则判定所述检测节点为窃电位置。

4.根据权利要求3所述的窃电位置判断方法，其特征在于，还包括：

若所述差值小于或等于所述线损阈值，则判定所述检测节点不为所述窃电位置。

5.一种窃电位置判断装置，其特征在于，包括：

采集模块，用于按照预设采集周期从预设配电网的多个检测节点分别采集有功负荷值和无功负荷值；

实际线损值计算模块，用于采用每个所述检测节点的所述有功负荷值和所述无功负荷值分别进行潮流计算，得到每个所述检测节点在所述预设采集周期内的实际线损值；

模拟线损值计算模块，用于将每个所述检测节点的所述有功负荷值和所述无功负荷值分别输入到目标神经网络模型，得到每个所述检测节点在所述预设采集周期内的模拟线损值；其中，所述目标神经网络模型通过预置的神经网络训练模块生成；

窃电位置判断模块，用于基于所述实际线损值与所述模拟线损值的差值，判断所述检测节点是否为窃电位置。

6.根据权利要求5所述的窃电位置判断装置，其特征在于，所述神经网络训练模块包括：

训练样本获取子模块，用于获取多个训练样本数据；所述训练样本数据包括预设训练检测节点的训练有功负荷值和训练无功负荷值；所述训练样本数据包括训练线损值；

模型输出子模块，用于将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出；

权重参数调整子模块，用于若所述模型输出与所述训练线损值的误差大于所述预设误差阈值，则调整所述初始神经网络模型的预设权重参数；

重复训练子模块，用于返回所述将所述训练有功负荷值和所述训练无功负荷值输入到预置的初始神经网络模型中，得到模型输出的步骤，直至所述模型输出与所述训练线损值的误差小于或等于所述预设误差阈值，得到目标神经网络模型。

7.根据权利要求5所述的窃电位置判断装置，其特征在于，所述窃电位置判断模块包括：

差值计算子模块，用于计算所述实际线损值与所述模拟线损值的差值；

窃电位置判定子模块，用于若所述差值大于预设线损阈值，则判定所述检测节点为窃电位置。

8.根据权利要求7所述的窃电位置判断装置，其特征在于，所述窃电位置判断模块还包括：

窃电位置否定子模块，用于若所述差值小于或等于所述线损阈值，则判定所述检测节点不为所述窃电位置。

9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-4中任一项所述的窃电位置判断方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-4任一项所述的窃电位置判断方法。

Images