大電量客戶竊電風險識別研究

李 昂，李 佩，葉 欣，張佳軒

（陜西理工大學 電氣工程學院，陜西 漢中 723000）

0 引 言

長久以來，客戶竊電問題一直困擾著電力企業[1]，嚴重影響電網的安全經濟運行，并破壞了電力市場的經濟秩序和公平性[2]。反竊電保護作為供電企業經營的核心問題，對電網經營效益影響巨大，關系到企業的經營成本[3]。傳統的預防竊電行方法主要包括定期巡檢、定期校驗電表以及人為舉報等。這些方法對人的依耐性強，抓竊查漏的目標不明確[4]，且日常開展的用戶檢查工作存在查證難、取證難以及定量難的問題。工作人員在查證上往往無從入手，常以人工整理數據的方式開展工作。然而，原始數據存放在一張表中，表結構過于冗長，無法建立表間關系[5]，不利于相關人員挖掘數據的價值。

可視分析起源于互聯網大數據研究領域，基本方式是將自動的數據分析方法（包括數據挖掘、機器學習、統計分析等各種基于數據的分析方法）與可視化相結合，通過構建人機互動的分析環境，實現對海量數據的快速分析。事實上，人的數據處理能力有限，但對圖形模式的識別能力極強。可視分析的核心思想是利用人的感知能力和計算機的計算優勢，讓兩者協同工作，互相促進[6]。近年來，隨著國家電網公司信息化建設的快速發展，海量的營銷數據中包含有較為完備的用戶基礎信息、用戶用電信息、電費信息、繳費信息以及其他相關信息[7]。大電網海量數據缺乏有效的可視化策略，難以幫助分析人員快速掌握電網運行信息。因此，本文將基于軟件Tableau對大客戶用電量歷史數據進行可視化建模與分析，挖掘潛在價值，提出以數據可視化判別竊電客戶的方法，以較為準確地識別竊電嫌疑，精確定位客戶，提高電力企業實施重點監控的效率，從而及時防范并應對異常客戶的拖欠行為。

1 設計思路

1.1 Tableau簡介

Tableau是目前全球最易上手的報表分析工具，擁有強大的統計分析擴展功能，是一款定位數據可視化敏捷開發和實現的智能展現工具，具有操作簡單快速、實現靈活高效的即時分析能力。它能夠根據業務需求對報表進行遷移和開發，實現業務分析人員的獨立自助，以界面拖拽式操作方式對業務數據進行聯機分析處理，已被廣泛應用于各行各業，用來實現可交互的、可視化的分析。它無需使用向導或是編寫程序，能夠跟隨思維軌跡快速進行視圖切換和生成，依靠核心的數據處理引擎，能夠處理各種規模的數據，并同時保證近乎實時的快速數據提取分析，提供可視化交互，并把結果展示出來，方便用戶理解結果，從而為企事業相關工作人員完善和改進業務提供依據[8-9]。

1.2 模型搭建

模型基于R語言腳本運行的Tableau軟件，鏈接客戶歷史用電量數據，制作包括客戶用電量環同比增減圖和客戶信用體系表，并且將其相互耦合，將復雜冗長的文本數據轉化為直觀、清晰、高效、易理解和使用的可視化圖形信息[10]。流程如圖1所示。

圖1 可視化建模過程流程圖

2 數據處理

采取相應算法抽取存儲在不同源數據庫中的所需數據，最后整合到數據倉庫中。從歷史數據庫中提取2016年和2017年某市10 kV、35 kV、110 kV以及330 kV電壓等級的大電量客戶的歷史用電量數據和非法用電記錄的客戶信用歷史數據。大量實踐調查研究發現，在電力生產過程中，檔案資料更新不及時會導致電網業務在數據存儲分析時準確性不高。如果將這些數據作為系統的運行指標，將直接影響評價的準確性。因此，應該提取可用數據分析判斷其特征。原始電網業務在數據庫中采集數據時，存在數據不完整性、數據不一致性等嚴重的質量問題。因此，在保證不減少數據所包含信息的前提下[11]，應對數據進行歷史樣本抽取，然后開展分析、排查、清洗等操作，改善數據的質量，如圖2所示。樣本數據處理具體情況如下：若存在缺失值現象，為保證建模數據的有效性，將這類數據剔除；數據指標，電量的輸入輸出差值波動大概能反映竊漏電特征，因此考慮引用線損率衡量線損信息[12]。進行excel數據排版成Tableau可識別的格式，然后將數據源連接到Tableau軟件，調整相應數據類型并根據數據類型將數據源的字段分成“維度”和“度量”兩類，調整字段屬性。

圖2 數據處理流程圖

3 交互界面

3.1 創建客戶體系表

創建4個計算字段分別統計各個電壓等級的客戶數，以“交流10 kV”為例，打開創建計算字段編輯窗口，編寫程序命令“IF[電壓等級]=交流10kVTHEN[客戶]END”，并將標題命名為“交流10 kV”。類似地，可以創建35 kV、110 kV、330 kV電壓等級的計算字段，如圖3所示。

圖3 某市各個電壓等級客戶數

3.2 客戶電量柱狀圖表

制作電量柱狀圖，顯示客戶各月用電量情況。圖4為某市所有客戶用電量大小，寬條形代表2017年用電量，窄條形代表2016年用電量；顏色區分客戶類型，鼠標放到條形圖，可以智能化顯示每個客戶的編號、電壓等級以及用電量等數據；條形圖的高低則可以清楚展示用電量最大的客戶為客戶2403000083。添加客戶篩選器和電壓等級篩選器，通過篩選器選擇不同的電壓等級，可以智能化顯示某市各個電壓等級下的客戶用電量情況。通過篩選器選擇不同的客戶，可以查看每個客戶的具體用電量大小。

3.3 構建客戶用電環比表

制作客戶用電量環比增減度條形圖，顯示各個客戶用電量環比增減度。如圖5所示，以時間10個月為橫軸，2017年的電量信息為縱軸，構建用電量條形圖，并將標題命名為“環比（形狀）”，以區分電量環比增減度。其中，向上的箭頭顯示電量環比增加，向下的箭頭表示電量環比減少。箭頭在坐標系中的位置表示增減度的大小。

圖4 某市2016年和2017年客戶用電量柱狀圖

3.4 創建客戶同比表

制作客戶用電量同比增減度折線圖，顯示各個客戶用電量同比增減度。如圖6所示，以時間10個月為橫軸，2016年和2017年的電量信息為縱軸，繪制電量折線圖。其中實折線和虛折線分別代表2016年和2017年用電量，并將標題命名為“電量同比增減度”。構建到視圖中，調整為百分比顯示，將創建的計算字段“環比（形狀）”顯示到形狀中，向上的箭頭顯示電量同比增加，向下的箭頭表示電量同比減少。箭頭在坐標系中的位置表示增減度的大小。

圖5 客戶用電量環比增減度

圖6 客戶用電量同比增減度

創建一張儀表板，將前述制作好的工作表排版到儀表板上，調整大小，添加文字和圖像，合理布局，相互耦合，添加適當的篩選器并應用到所有工作表完成大客戶用電量可視化模型的搭建。

4 模型分析與驗證

為了測試該模型的可行性和準確性，應用該模型，通過滑動篩選器，結果如圖7所示。直觀清楚地發現，2017年7月和9月，客戶2401000023的用電量為負值，分別為-360 kW·h和-436 kW·h，而11月環比增長度為134.9%。該企業2016年11月用電量24 109 kW·h，2017年11月用電量152 kW·h，同比減少99.37%。再從歷史信用數據來看，該企業存在竊電記錄，該數據嚴重反常，足夠說明客戶用電異常。通過走訪調查發現，該客戶報裝電能計量裝置電能表電壓進線斷開，使用電不計量，零電壓、零電。經現場檢查人員和計量中心人員勘察后，該戶屬于違約用電，確實存在竊電行為。

另外，如圖8所示，模型可視化清晰顯示2017年12月客戶2401000082用電量環比下降23.26%，同比下降94.90%，但該客戶的歷史用電信用數據卻較高。通過對該客戶的走訪調查，發現該企業電量確實下降，但不存在竊電行為，主要是企業經營狀況不佳，受到了市場和政策的嚴重影響。鑒于此，電力企業幫其通過政府增加直購電指標幫扶該客戶。可見，該模型可以有力排查縮小竊電用戶的范圍，大大減少了防竊電工作量，有助于工作人員快速發現問題并解決問題。

圖7 客戶2401000023的用電量異常分析模型圖

圖8 客戶2401000082的用電量異常分析模型圖

5 結 論

針對長期以來供電企業面臨的預防竊電及查處難等問題，結合用電信息采集系統反竊電功能發展現狀，本文利用Tableau軟件對某市客戶歷史用電量數據進行模型搭建、數據處理、模型分析以及驗證，通過兩個算例分析驗證了算法的有效性。實踐表明，本方案縮小了竊電嫌疑用戶范圍，減少了防竊電的工作量，為供電企業進行竊電偵查提供了依據，有助于工作人員快速發現問題并解決問題，節約了相關的人力、物力和財力，降低了供電企業的損失，保障了電網安全，提升了公司效益，可為反偷查漏工作提供借鑒。