国网郑州供电公司 燕跃豪 鲍 薇

针对目前电力系统窃电趋势不容乐观的现象，急需提升大数据反窃电水准，构建反窃电的智能识别模型，进而实现对不同窃电事件的精准分类与预测。面对如此严峻的形势，本文采用基于双向长短时记忆神经网络（BiLSTM）的滑动窗方法对用户日电量的变化特征进行提取分析，识别异常用电行为。将用户用电信息导入训练好的模型进行分析，实现基于用电信息采集大数据分析的反窃电智能识别。

随着科技的不断发展，窃电手段愈发隐蔽，窃电量也越来越大，对我国电力行业造成了严重不利影响。根据相关调查数据，每年我国由窃电而损失的经济已经超过200亿元人民币，对我国经济的发展产生了难以估计的不良影响，急需相应有效的反窃电方法。

本项目采用基于双向长短时记忆神经网络（BiLSTM）的滑动窗方法对用户日电量的变化特征进行提取分析，智能识别异常用电行为。只需将用户用电信息导入训练好的模型进行分析，电网工作人员就可以有针对性的对疑似窃电用户进行排查，提高反窃电工作效率。

1 基于双向长短时记忆神经网络（BiLSTM）的滑动窗方法

1.1 长短时记忆神经网络（LSTM）基本原理

长短时记忆网络(Long Short Term Memory Network，LSTM)，是一种改进之后的循环神经网络(RNN)，在解决和预测长时间序列的问题中都有很好的运用，如图1、图2所示。

图1 RNN网络模块形式

LSTM是一种类RNN结构，但与其又有些不同，LSTM有四个以非常特殊方式进行交互的网络层。……