基于集抄網絡及SOM算法的用電異常預警機制

作者/鄭義軍，深圳供電局有限公司

1.集抄網絡發展歷史

低壓用電用戶的抄表方式經歷了人工手動抄表，到00年代的抄表器抄表、IC卡預付免抄表，到目前使用的集抄網絡（遠程低壓集中抄表網絡）。其中人工抄表方式存在不按時抄表、估抄、漏抄、錯抄，甚至90年代初存在的部分人因人情關系的少抄、不抄等腐敗現象，有嚴重弊端。而IC卡預付免抄表電能表是一個不錯的避免電力部門內部問題的用電模式，但因為當時乃至目前國內人文素質差異巨大，存在電表經常被破壞或IC卡被盜的問題，預付費電表維護成本極高。至抄表器出現，由系統產生抄表工單，由抄表員到現場使用抄表器進行抄讀數據后，回到局所匯總的模式出現，此方式淘汰了預付費表并有效抑制了單純人工抄表的問題，卻并未在根本上杜絕人的問題。但隨著國家電網推行集抄網絡，杜絕了人工抄表的弊端，也避免了用戶破壞的問題。因優點顯著，南方電網公司也開始了集抄網絡的改造進程，其中深圳供電局有限公司預計于2018年前后實現整個深圳市范圍的集抄網絡覆蓋。

2.當前用電檢查工作所面臨的問題

因技術及檢查手段限制，以往用電檢查所面臨的問題及可采用的用電檢查手段[1][2][3]都顯得相對簡陋。而隨著電子技術地運用及大眾對供電企業運作的了解，傳統用電檢查手段的弊端逐漸浮現，其主要體現在：

（1）竊電行為人在夜間進行竊電時難以監控。

（2）遙控竊電及高科技竊電方式的出現，使得竊電行為難以取證及發現。

（3）傳統用電檢查現場取證手段不夠豐富，在庭審時存在爭議。

3. 新的用電檢查手段

由于集抄網絡的出現，使得一些新的用電檢查手段成為可能，本文將介紹一種基于集抄網絡及SOM算法的用電異常預警機制（以下簡稱預警系統），以實現對低壓居民用戶的用電監控。

3.1 集抄網絡

圖1 集體網絡架構圖

以圖1給出了集抄網絡的架構圖，此處將其分為3個部分：電力供應及計量、電網特性數據采集及傳輸、數據存儲及分析。根據電網特性數據采集及傳輸方式的不同，可將抄表及數據采集方式分為：RS485總線和低壓電力線載波混合抄表、低壓電力線載波抄表、RS485總線抄表3種模式。因深圳供電局采購的電表來自多個廠商，而各廠商所使用的規約并不一致，導致目前集抄改造需根據具體情況從后兩種方式中進行選擇。

圖2 二維SOM網絡模型

3.2 SOM算法

如 圖 2 所 示 SOM（Self–Organizing Feature Maps）是模擬人類大腦神經元工作模式的一種數據結構，屬于無監督的神經網絡。其作用是在輸入層輸入對象特性，通過神經元網絡映射到輸出層，使用競爭領域進行聚類[4][5]。需注意的是，輸出層特性數量其實就是期望獲得的分類數量，需預先考慮并予以設定。

此過往我們需要先設定初始值（如設置為1），然后通過對象的特性采集及抽象，且一般需要進行歸一化而獲得輸入特性Xi，再通過競爭學習獲得領域范圍Ncj，此處提供一個簡單的競爭學習方式：

其中Wji(t)為ij神經元在第t次訓練時的權值，這是模擬人類神經元對某特性的熟練度；Xi(t)為第t次訓練時i特性的值，對某樣事物其往往存在多種特性，如電力網絡中的電壓、電流等特性；根據上公式（1）獲勝點為使得dij(t)最小的Xc(t)，同時經研究發現以Xc(t)為獲勝中心的dij(t)區域符合高斯正態分布，所以設置獲勝領域范圍以正態函數hij模擬：那么根據正態函數特性可設神經元在使得hij(t)＜0.61時屬于獲勝領域Ncj，當hij(t)＞0.61時正態函數極速衰減，可視為不在獲勝區域內。然后根據每次訓練樣本，對所有特性及各神經元的權值按以下公式進行更新[4][5]：

其中t為當前訓練次數，σ0為初始值可設為n，且當

其中α(t)為學習率，用以限定模型的形成速度，初始值α0可設為0.8。通過大量的樣本值的輸入和學習(權值更新)，最終使得該模型相對穩定時，可獲得滿意聚類效果。

3.3 預警機制架構

預警機制可利用集抄網絡對用戶電流、電壓采樣值進行抽象歸一獲得特性值X1、X2，同時對月均用電量進行抽樣獲得特性X3，然后對所有需要加入到聚類分析的特性進行抽樣并歸一化獲得X1至Xn。此過程關鍵在于數據地采集與分析，數據采集可由底層采集器及集中器完成，因當前電子表都基本具備自身電流電壓及電量檢測功能，所以該特性可通過采集器從RS485口進行讀取即可。而如果需要增加特性采集，則需要對電表或采集器功能進行改進。而對數據的抽樣提取及歸一化操作，因運算復雜度高且需調用歷史數據，所以應在信息總部服務器端完成，如此可有效減少電表及采集設備的投入也避免了設備破壞而造成的數據丟失。經過底層硬件采樣，服務器應用層的抽樣，最初形成特性值X1至Xn，并根據公式（1）、（2）、（3）對聚類模型進行訓練最終達到有效聚類。當訓練完成后，由于電力用戶用電習慣及用電環境的一貫性，可使得正常情況下，每次輸出層必在領域內，一旦出現輸出層不屬于任何一個獲勝領域之內（即產生新類別），造成類別數量大于用戶數量，則與“輸出層特性數量其實就是期望獲得的分類數量（即用戶數）”相悖，表明該臺區用戶用電出現異常情況。而且根據輸出層與各獲勝領域中心點距離關系，可快速鎖定可能存在異常的用戶，有效進行預警提示，及時對預警對象排查并即時處理，避免因發現時間延后造成的用戶糾紛及供電企業的損失，有效提升服務。

同時，因SOM算法可進行多層聚類運輸，形成下層為用戶，中層為街道而上層為局所的架構，可有效對不同供電級別用電情況進行監控，及時發現問題，同時根據特性差別，對不同區域進行用電分析及差異性分析，如圖3所示。

圖3 多層聚類模型

而因為數據監測是時間連續的，可以克服無法全日監控竊電行為及漏計事件的掣肘，并可提供完備的數據支持以供分析舉證，降低供電企業追償國家財產的難度，減少不必要的爭端。

4.不足與改進

該預警機制因當前計量裝置、采集設備的功能以及信息總部系統的限制，目前存在三個方面的不足：

①因底層硬件的限制，目前可以采集的網絡特性只有電流、電壓、電量等基本特性，對于聚類和對用戶的分析比較不利。事實上部分電子表存在失壓時間、開蓋時間、開蓋次數等統計功能，當然還能參考文獻[1]中所描述的高頻信號檢測方法，對電能表加入高頻信號檢測并作為采集數據上傳服務器，根據更多的用電特性對集抄網絡用戶進行聚類分析。

②信息總部系統架構，目前提供的用戶統計特性的開放端口功能不全，甚至是運算能力也嚴重的不足，往往讀取一個用戶的特性時運算延時嚴重，也導致了該算法或暫未能投入運用。

③只能以該用戶初始用電情況作為訓練樣板，假如該用戶在送電開始就存在違竊行為，則無法在后續進行區分。但該機制仍不夠完備，在未來底層及服務器硬件的升級換代后，能采集更多用電特性的集抄網絡及可以實現更多復雜運算，如改進的k–mean值som算法或其他神經計算方式的引入將會更大的提高預警機制的準確性及更加的豐富監測項目。

5.總結與展望

本論文通過介紹當前低壓集抄網絡及計量設備現狀，提出了一種基于集抄網絡硬件及SOM聚類算法的用電異常預警機制。作為用電檢查工作基于當前供電網絡環境的新式手段，是對用電檢查手段創新及改進的一種有益探索及嘗試，為即將完工的低壓集抄網絡提供了良好的應用理論建議。

* [1]鄭義軍, 用電檢查中反竊電方法[M], 大科技,2013(15)∶58—59

* [2]Depuru, S.S.S.R. ; Lingfeng Wang ; Devabhaktuni, V. ; Gudi, N,Measures and setbacks for controlling electricity theft[M]. Nor th American Power Symposium (NAPS), 2010∶ 1 — 8

* [3]崔立彬,油田供電企業的反竊電管理[M],生產管理，2012,31(12)∶85

* [4] 岳素青, SOM 的聚類算法研究[M], 太原師范學院學報,2008(7)∶23—25

* [5]池力,基于SOM和模糊聚類的設計空間縮減方法研究及應用[D], 武漢 ∶華中科技大學 ,2013∶34—46