基于機器學習的用戶竊電預測及用電檢查計劃輔助編排研究

蔡嘉榮，王順意，吳廣財

（廣東電網有限責任公司，廣東廣州，510080）

1 緒論

1.1 背景與意義

2014年，南方某縣級供電公司統計該地區非正常技術損耗電量5163萬度。其中，居民和農村地區理論上被盜竊電量達4290萬度，占理論總被盜竊電量的83%，按居民用電0.61元/度計算，損失電費超2600萬元。由此可見，每年因竊電對國家資產造成了巨大損失。

目前供電企業反竊電工作主要存在查證難、取證難、定量難的問題，用檢人員在查證上往往無從入手。一方面電力營銷中總供電量和總售電量之差稱為線損，往往與用戶竊電很容易混雜，另一方面竊電用戶越加狡猾，竊電手法更加隱蔽，不再局限于傳統的改接線路等方法，同時普通用檢人員由于理論與實踐上的約束，增加了反竊電管理難度。

1.2 本文主要工作

本文主要通過選取歷史用戶用電行為數據（包括竊電數據實例），運用機器學習算法對用戶竊電行為進行有監督學習，形成用戶竊電分類模型，同時使用當年用電檢查實際數據對模型進行檢驗，分析模型識別準確率，為實際用檢工作提供參考。

2 用戶竊電檢查現狀分析

為了維護正常供用電秩序和公共安全，保護供用電雙方的合法權益，供電企業按照《電力供應與使用條例》等法規履行用電檢查職責，其中周期檢查和專項檢查是供電企業用電檢查的兩大手段，供電企業應在每年第四季度編制出下一年度周期檢查計劃，在每月末要及時編制下月周期檢查計劃。對于0.4千伏及以下的居民客戶每年按不低于1%的比例進行抽查，其他客戶每年按不低于5%的比例進行抽查。對于客戶安全風險等級較高客戶應縮短檢查周期。

3 基于機器學習的用戶竊電預測方案

3.1 數據選擇和處理

供電企業用電檢查業務指導說明書中明確指出：對于客戶線損異常、抄表異常、計量異常、業擴變更異常、舉報、投訴、無檔案戶（黑戶）違竊電等情況，應開展專項檢查。歸納起來，營銷線損、電費、計量、業擴、客服、稽查等專業數據可作為用戶竊電預測信息來源。

將上述業務數據從時間維度上劃分，可分為靜態數據和動態數據兩大類，靜態數據主要包括用戶編號、用戶名稱、用戶類別、電壓等級、信用等級、地區類型、行業類別、用電類型、用電性質、用電容量、用電地址、計量點與用戶關聯關系、平均月電能量、平均月電費、欠費記錄、違約記錄、客戶投訴舉報記錄、現場檢查記錄等；動態數據包括電表表碼數據、電壓數據、電流數據、相位角、臺區線損、線路線損、電能量差動異常、電能表開蓋、電能表停走、三相不平衡、電流過流、電壓斷相、電能表失壓、電能表失流、用電負荷、各行業類別平均用電情況等。

3.2 確定目標和算法

用戶竊電預測本質上為分類問題，即通過適當的模型可以將實際的、未知的用戶用電行為數據進行自動分類（如正常、竊電兩類），同時分類過程要求可解釋性強，便于用檢人員調查取證。

基于上述考慮，本文采用決策樹方法，其構建思路如下：（1）給一個帶有類標簽（正常/竊電）的樣本數據集；（2）選擇信息量大的屬性作為根結點；（3）根據根結點屬性的取值對數據集進行劃分，形成一個二叉（或多叉）樹；（4）根據分叉將數據又分成幾個數據集；（5）再遞歸用其余屬性對幾個數據集進行劃分，直到分類屬性為止。

決策樹方法難點在于如何選擇屬性進行分枝。決策樹中越靠近根節點的屬性，該屬性對分類的決定越重要，信息增益是屬性選擇的一個重要指標（信息增益=信息熵-條件熵），屬性越重要，信息增益越大。

信息熵的計算公式如下：

其中的n代表有n個分類類別（本文n取2，即只有正常、竊電兩種情況）。分別計算這2類樣本在總樣本中出現的概率p1和p2，這樣就可以計算出未選中屬性分枝前的信息熵。

現在選中一個屬性xj(假定是電壓等級) 用來進行分枝，此時分枝規則是：如果xj=vx(假定vx=0.4kV)的話，將樣本分到樹的一個分支；如果不相等則進入另一個分支。很顯然，分支中的樣本很有可能包括2個類別(即0.4kV用戶中同時有正常和竊電兩種分類)，分別計算這2個分支的熵H1和H2,計算出知道屬性xj之后的條件熵H’=p1*H1+p2*H2（此時p1表示0.4kV用戶在樣本中出現的概率，p2表示其他用戶出現的概率）。則此時的信息增益ΔH=H-H’。以信息增益為原則，把所有的屬性都計算一遍，選擇信息增益最大的屬性根節點，以此類推直至分類屬性為止。

3.3 數據挖掘及評價

首先，通過帶有類別標記的樣本集進行機器學習，由于樣本的標記是人給定的，也稱有指導的學習。這個樣本集稱訓練樣本集。訓練樣本集的樣本典型（有代表性）量越多,學到的模型就會好。

為了測試模型的準確性，可用一個測試樣本集測試分類器的準確性，實際過程中可由用檢部門設定模型準確度閥值，當沒有達到閥值時，可增加訓練樣本集重新訓練模型直至滿足要求為止。

對于實際用電檢查過程中，任意給定一個沒有標記的實際數據，用學到的模型對其進行分類，即可給出其分類標記。

4 用電檢查計劃輔助編排方案

用電檢查計劃制定過程中首要風險點在于遺漏檢查客戶，對于大客戶和重要客戶，目前只能采取定期檢查的手段（每半年至每兩年檢查一次）；而對于數量龐大的0.4千伏及以下的居民客戶，只能按照1%的比例去抽取檢查對象，檢查的盲目性太大。

圖1 機器學習示意圖

運用本文方法對用電客戶的竊電潛在行為進行預測，有針對性地根據概率安排用戶用檢順序，優化班組工作計劃性，幫助供電用檢人員有針對性地開展用戶檢查工作，提升用檢查處效率，同時也解決過去用檢工作查證難的問題。

5 結語

本文通過分析用戶用電相關特征及數據，運用機器學習決策樹方法，對竊電行為進行科學的數學判斷，幫助工作人員及時發現用戶是否存在竊電行為，有效減少竊電行為給供電企業所帶來的經濟損失，同時也能很好地避免因竊電、破壞電力設備行為造成的人身傷亡和電氣火災事故，保障人民生命財產安全，減少用電糾紛。

[1]周瑾.國網江蘇電力應用大數據分析精準反竊電[J].國家電網報,2017,5（第003版）.

[2]鳳凰資訊.一年被竊電3000萬元,2016年01月07日，http：//news.ifeng.com/a/20160107/46971190_0.shtm l.

[3]吳毅良,基于Hadoop的竊電預測平臺研究[J].電氣工程與自動化,2017（6）.