随着我国经济的快速发展,各行业的用电需求量不断增大,电力工业在国民经济的所有部门中扮演着提供基础动力的角色。而供电企业作为基础产业之一,在计算机及通信和网络技术方面都有了较快发展,广泛应用了自动化技术、信息技术等通信技术,但仍然存在很大问题。许多用电客户在利益的驱使下,利用电力设备及管理等方面的漏洞,使用多种方法实施窃电行为,造成十分巨大的经济损失。而传统的反窃电手段一般都是围绕如何加强电能计量装置技术改造,但随着反窃电技术的提高,针对新技术的窃电技术也在不断更新,让人防不胜防。各电力企业公司根据多年的经验,针对不同的窃电手段形成的防范措施大都是硬件上的措施,且没有很好的软件系统的支持,使得管理效率较低,因此引入大数据平台来处理海量数据显得非常有必要。深度学习目的是利用构建多层神经网络模型的方法来学习图像、文本、语音等数据的潜在特征,训练数据逐层进行传递。与传统的神经网络学习方法相比,深度学习算法的优势就在于单独训练各层神经网络,使得在训练效率和准确度上都有很大的提高。深度学习算法采用的是无监督学习方式,解决了传统神经网络易陷入局部极小值的问题。深度学习算法不仅被应用于预测领域,在分类问题上也有很好的效果,这也是将深度学习应用于反窃电问题的理论前提。DBN(深度信念网络)模型最早是由Hinton等人于2006年首次提出的。DBN是由多个RBM(restrictedBltzmann machine,受限玻尔兹曼机)叠加在一起形成的。DBN由可见层、多个隐藏层和输出层构成,可见层同时也是输入层。深度学习算法在语音识别、图像识别等诸多领域已经取得了显著的应用成果,但将深度学习算法应用到反窃电领域还没有先例。基于DBN算法的反窃电模型的设计思想是将处理过的数据分为训练数据集和测试数据集,利用训练数据集数据训练DBN模型,再用训练好的模型对测试数据集进行验证,得到该算法的分类准确性。在实验过程中,对于去除如用户名、用户号、日期、逻辑地址等不相关因素的输入层,将当天用电量、峰值、谷值、累积用电量、峰值、谷值、当天气温峰值、气温谷值作为相关因素输入DBN模型当中。实验结果显示,当隐含层节点数为16时,对于反窃电问题实验的分类准确性最高。接下来,考虑具有两层隐含层情况的DBN模型。该具有两层隐含层的DBN模型输入节点数为8,第一层神经元个数为16,然后将第二层神经元个数在3～20内变化。实验结果表明,当第二层隐含节点数为8时,分类准确度最好,因此,将DBN的第二个隐含层节点数设置为8。本文将DBA算法理论模型应用到反窃电的分类问题当中,最终确定了结构为输入层节点数为6;隐含层层数为2,其中第一层隐含层神经元个数为16,第二层隐含层神经元个数为8;输出层神经元个数为1的DBN反窃电模型结构。相较于其他数据挖掘算法,DBA算法在反窃电问题上确实有其优势。