基于數(shù)據(jù)挖掘技術(shù)的反竊電方法研究

言宇

（廣東電網(wǎng)有限責(zé)任公司東莞供電局，廣東東莞 523008）

0 引言

竊電是長期困擾供電企業(yè)的難題，不僅嚴(yán)重?fù)p害了供電企業(yè)的效益，擾亂了正常的用電秩序，而且會造成電力設(shè)施的損壞，形成重大的安全用電隱患。供電企業(yè)一直加大打擊竊電的工作力度，同時也在不斷完善反竊電的技術(shù)手段。但目前反竊電技術(shù)仍存在較大的局限性，而且竊電手段日益隱蔽、多樣化、快速化和高科技化，反竊電難度越來越大。

傳統(tǒng)方法主要通過安裝反竊電硬件設(shè)備、定期巡檢、定期校驗電表、群眾舉報竊電等手段來發(fā)現(xiàn)竊電，不僅缺乏目標(biāo)性，而且耗費大量的經(jīng)費和時間，差獲竊電的效率低下[1]。各省市電力公司計量系統(tǒng)上線后，供電企業(yè)逐漸開始通過營銷稽查人員、用電檢查人員和計量工作人員利用計量系統(tǒng)的電能量數(shù)據(jù)查詢功能和計量異常報警功能開展用戶用電情況的在線監(jiān)控工作，通過采集電量異常、負(fù)荷異常、終端報警、主站報警、線損異常等信息，來實時監(jiān)測竊電情況和發(fā)現(xiàn)計量裝置的故障。但往往由于信息量太大無法逐一核查、終端誤報或無用信息太多，難以實現(xiàn)真正快速精確定位竊電嫌疑用戶的目標(biāo)。

1 反竊電現(xiàn)狀分析

當(dāng)前，竊電的手段花樣繁多，并呈高科技化傾向，但竊電行為最終是體現(xiàn)在使得電能表表計電量值變小，從而達(dá)到少交或不交電費的目的；而電量等于電壓、電流、功率因數(shù)三要素和時間的乘積，因此，改變這三個要素均可以使電能表慢轉(zhuǎn)、停止甚至逆轉(zhuǎn)。此外，通過采用改變電表本身結(jié)構(gòu)性能，使電表慢轉(zhuǎn)或不轉(zhuǎn)，也可以達(dá)到竊電的目的。因此，除加強電能表及封印管理外，反竊電可以從電量三要素入手，對用戶電壓、電流、功率因數(shù)等進(jìn)行深度分析，發(fā)現(xiàn)其中隱含的用電異常，篩選出竊電嫌疑用戶清單，為反竊電提供較精確的指導(dǎo)。

2015年廣東電網(wǎng)公司計量自動化系統(tǒng)的正式投運，實現(xiàn)了對電廠、變電站、公變、專變、低壓集抄的電量和負(fù)荷的自動采集監(jiān)控，運行幾年已存儲了大量用戶用電數(shù)據(jù)信息。這些數(shù)據(jù)信息隨著時間的累計，已經(jīng)具有一定規(guī)模效應(yīng)，為進(jìn)行反竊電分析提供了較好的原始數(shù)據(jù)基礎(chǔ)。然而，提取有用的信息卻成為巨大的挑戰(zhàn)。由于數(shù)據(jù)量太大，無法使用傳統(tǒng)的數(shù)據(jù)分析工具和技術(shù)處理它們，這樣就需要研究和應(yīng)用新的方法，例如數(shù)據(jù)挖掘技術(shù)的應(yīng)用。

2 數(shù)據(jù)挖掘技術(shù)

數(shù)據(jù)挖掘[2]是從大量數(shù)據(jù)（包括文本）中挖掘出隱含的、先前未知的、對決策有潛在價值的關(guān)系、模式和趨勢，并用這些知識和規(guī)則建立用于決策支持的模型，提供預(yù)測性決策支持的方法、工具和過程。傳統(tǒng)的數(shù)據(jù)分析技術(shù)在應(yīng)對處理海量數(shù)據(jù)集時存在種種局限性，而數(shù)據(jù)挖掘技術(shù)有效地突破了這些局限，為分析處理海量數(shù)據(jù)并提取有用信息提供了有效手段。

人工神經(jīng)網(wǎng)絡(luò)是近年來比較流行的一種數(shù)據(jù)挖掘技術(shù)，它是對人腦組織機構(gòu)和運行機智的認(rèn)識理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)，但它也存在不能很好地處理和描述模糊信息、對樣本的要求較高等缺點。模糊神經(jīng)網(wǎng)絡(luò)（FNN）[3]是模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物[4]，結(jié)合了神經(jīng)網(wǎng)絡(luò)系統(tǒng)和模糊系統(tǒng)的長處，具有能自適應(yīng)學(xué)習(xí)、處理和描述模糊信息、對樣本的要求較低、精度高等優(yōu)點，它在處理非線性、模糊性等問題上有很大的優(yōu)越性，在智能信息處理方面存在巨大的潛力。

模糊神經(jīng)網(wǎng)絡(luò)是具有模糊權(quán)系數(shù)或者輸入信號是模糊量的神經(jīng)網(wǎng)絡(luò)，它匯聚了神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的優(yōu)點，集聯(lián)想、識別、自適應(yīng)及模糊信息處理于一體。模糊神經(jīng)網(wǎng)絡(luò)的主要特點是利用神經(jīng)網(wǎng)絡(luò)調(diào)整模糊邏輯推理系統(tǒng)的隸屬度函數(shù)和推理規(guī)則，利用模糊推理規(guī)則的形式構(gòu)造神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從而充分發(fā)揮各自的優(yōu)點。模糊規(guī)則經(jīng)過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，以“權(quán)值”的形式體現(xiàn)出來，這樣規(guī)則的生成和修改則轉(zhuǎn)化為權(quán)值的確定和修改。模糊神經(jīng)網(wǎng)絡(luò)在解決竊電評價這類模糊問題時具有明顯優(yōu)勢。

3 反竊電模型建立

3.1 評價指標(biāo)體系

竊電評價指標(biāo)體系設(shè)計原則如下：評價指標(biāo)能真實反映竊電狀態(tài)；樣本數(shù)據(jù)方便采集，即評價指標(biāo)數(shù)據(jù)能從系統(tǒng)獲得。根據(jù)東莞地區(qū)用戶用電情況、系統(tǒng)數(shù)據(jù)，及分析歷史竊電案例基礎(chǔ)上，初步確立了竊電評價指標(biāo)體系，指標(biāo)體系共分為電量、負(fù)荷、電流、電壓、線損、功率因數(shù)、報警七個大指標(biāo)，從日用電量、日負(fù)荷、電流不平衡、電壓不平衡、日線損率、功率因數(shù)、終端報警信號等方面對目標(biāo)用戶的竊電嫌疑系數(shù)進(jìn)行評估預(yù)測[5]。若評估的竊電嫌疑系數(shù)愈大，就表明此用戶竊電的可能性越大。

現(xiàn)對各評價指標(biāo)簡要說明如下。

1）電量指標(biāo)

電量指標(biāo)為日用電量移動平均后做差分，統(tǒng)計連續(xù)變化量。通過計算N天電量移動平均差分梯度累計量進(jìn)行評價，數(shù)據(jù)來源為計量自動化系統(tǒng)的日電量。取N=5，指標(biāo)評價方法為：

其中Ei為第i日的電量。

電量移動平均差分：

即差分為負(fù)時加1，差分為正時或不變則置零。

2）負(fù)荷指標(biāo)

負(fù)荷指標(biāo)為實時負(fù)荷移動平均均方差的累計變化量。通過計算N天負(fù)荷移動平均均方差的累計變化量進(jìn)行評價，數(shù)據(jù)來源為計量自動化系統(tǒng)的日負(fù)荷，計量自動化系統(tǒng)負(fù)荷為每15分鐘采樣一個數(shù)據(jù)，故對每個負(fù)荷變量而言一天共有96個數(shù)據(jù)。取N=5，指標(biāo)評價方法為：

平均負(fù)荷為（其中Lij為對應(yīng)第i日的第j時刻的負(fù)荷值）：

3）電流三相不平衡指標(biāo)

表示三相電流之間的大小差異，計算公式=100*三相電流標(biāo)準(zhǔn)差/三相電流平均值。

5）線損指標(biāo)

通過計算N天線損移動平均差分梯度累計量進(jìn)行評價，數(shù)據(jù)來源為計量自動化系統(tǒng)的日線損率。當(dāng)線損率在0-5%，認(rèn)為線損率為正常狀態(tài)；當(dāng)線損率<0或者>25%，認(rèn)為線損率為異常狀態(tài)，這兩張情況均不評價線損指標(biāo)。當(dāng)線損率在5-25%值時，認(rèn)為是嫌疑狀態(tài)，需評價線損指標(biāo)。取N=5，與電量指標(biāo)評價方法類似，線損指標(biāo)評價方法為：

（1）日線損率移動平均=當(dāng)天和前4天（共5天）的日線損率平均值

（2）移動差分=（當(dāng)天線損率-上日線損率）/上日線損率

（3）線損指標(biāo)=連續(xù)5天的正負(fù)累計量（初始化為0，移動差分為正時，累計量+1）。

6）功率因數(shù)指標(biāo)

正常用戶負(fù)荷的功率因數(shù)相對比較穩(wěn)定，與電量使用時間無關(guān)，一般不會出現(xiàn)突升突降的現(xiàn)象。通過設(shè)定功率因數(shù)上下限值，以功率因數(shù)越限次數(shù)作為功率因數(shù)指標(biāo)。

7）報警指標(biāo)

通過報警信息來評估竊電的可能性，數(shù)據(jù)來源為計量自動化系統(tǒng)的計量故障報警信息。與竊電相關(guān)的終端報警主要有電壓斷相、電壓缺相和電流不平衡等，以終端報警次數(shù)作為報警指標(biāo)。

3.2 模糊神經(jīng)網(wǎng)絡(luò)診斷模型

反竊電診斷模型可通過構(gòu)建分類預(yù)測模型來實現(xiàn)，由于在竊電診斷中，涉及到大量的復(fù)雜現(xiàn)象和多種因素的相互作用，而模糊神經(jīng)網(wǎng)絡(luò)在解決這類問題時具有明顯優(yōu)勢，因此本項目主要基于模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行反竊電建模。模糊神經(jīng)網(wǎng)絡(luò)的本質(zhì)就是在常規(guī)的神經(jīng)網(wǎng)絡(luò)中輸入“模糊輸入信號”和“模糊權(quán)值”。其結(jié)構(gòu)像神經(jīng)網(wǎng)絡(luò)，功能上是模糊系統(tǒng)，其結(jié)構(gòu)模型[6]如圖 1所示。

圖1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

該模糊神經(jīng)網(wǎng)絡(luò)是五層網(wǎng)絡(luò)，除了輸入結(jié)點層和輸出結(jié)點層外，還有三個隱含層，相鄰兩層之間都有連接，且每個連接都對應(yīng)于一個權(quán)值。現(xiàn)對該模糊神經(jīng)網(wǎng)絡(luò)說明如下：

1）輸入層

該層有n個結(jié)點直接與輸入向量x連接，將輸入值x=[x1，...，xn]傳送到下一層。本模型中，因竊電評價指標(biāo)體系共有7個指標(biāo)，輸入向量x分別對應(yīng)等竊電評價指標(biāo)體系的7個指標(biāo)，因此輸入層節(jié)點數(shù)為7，即n=7。

2）模糊化層

該層在模糊神經(jīng)網(wǎng)絡(luò)中的作用是計算隸屬函數(shù)。若每個輸入變量均定義有m個模糊集合，則此該層內(nèi)共有n×m個結(jié)點，分為n組，每組m個結(jié)點，第i組的m個結(jié)點輸入都是xi。本模型中，n=7，并將每個輸入變量劃分為3個模糊度，即m=3，因此共劃分為7×3＝21個模糊度，每個節(jié)點的激活函數(shù)分別為輸入變量xi的各個模糊度的隸屬度函數(shù)μ（x），則輸出分別是各輸入量xi的各個模糊度的隸屬度函數(shù)值，是[0，1]之間的值。本層共有21個神經(jīng)元。

根據(jù)竊電評價指標(biāo)數(shù)據(jù)的特點，本模型中激活函數(shù)采用高斯函數(shù)。

其c是隸屬度函數(shù)的中心；σ是隸屬度函數(shù)的寬度。建模初始，c和σ是隨機函數(shù)的初始化值，之后通過網(wǎng)絡(luò)訓(xùn)練不斷修正調(diào)整，直至趨于穩(wěn)定。

3）模糊推理層

該層每個節(jié)點只與第二層中每個節(jié)點中的一個等相連，共有節(jié)點數(shù)為 m n 個，每個結(jié)點代表一條模糊規(guī)則，用來匹配模糊規(guī)則的前件（輸入和狀態(tài)），計算出每條規(guī)則的適用度。本模型中， n =7， m =3，即共有結(jié)點數(shù)為3 7 相乘，也即共有3 7 條模糊規(guī)則。適用度計算公式為：

5）輸出層

該層將第四層各個節(jié)點的輸出，轉(zhuǎn)換為輸出變量的精確值。該層節(jié)點數(shù)為輸出變量的個數(shù)，本模型為1個，即竊電的嫌疑系數(shù)，系數(shù)越接近1則竊電的嫌疑越大，越接近0則竊電的嫌疑越小。它實現(xiàn)的是清晰化計算，并采用加權(quán)平均法，即：

4 驗證

本文隨機抽取了東莞供電局近年來的部分用戶用電數(shù)據(jù)（含竊電用戶）作為訓(xùn)練樣本和測試樣本來驗證網(wǎng)絡(luò)模型的有效性。樣本的原始數(shù)據(jù)共有7個輸入?yún)?shù)和1個輸出參數(shù)，輸入?yún)?shù)即7個竊電評價指標(biāo)，輸出參數(shù)即竊電嫌疑系數(shù)（只能為0或1，0代表非竊電，1代表竊電）。因電壓、電流、功率因數(shù)量綱不一樣，為提高網(wǎng)絡(luò)的學(xué)習(xí)速度和收斂性，需要對所有的訓(xùn)練樣本輸入?yún)?shù)進(jìn)行歸一化處理，使樣本數(shù)據(jù)轉(zhuǎn)化為[0，1]之間的數(shù)據(jù)，每個樣本輸入?yún)?shù)變?yōu)橐粋€具有7個元素的特征向量x=（x1，x2，...，x7）。

將訓(xùn)練樣本輸入網(wǎng)絡(luò)模型，啟動網(wǎng)絡(luò)進(jìn)行訓(xùn)練。設(shè)置網(wǎng)絡(luò)學(xué)習(xí)精度為10-4，以實際輸出參數(shù)與樣本給定輸出參數(shù)誤差滿足精度要求為判斷條件，網(wǎng)絡(luò)自動逐個抽取樣本進(jìn)行學(xué)習(xí)，通過迭代實現(xiàn)對網(wǎng)絡(luò)的權(quán)值不斷調(diào)整，最終得到一個能較為準(zhǔn)確分析判斷竊電的網(wǎng)絡(luò)模型。

完成網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練后，再選取10個測試樣本對訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行診斷測試，結(jié)果如表1所示。由測試結(jié)果可知，該模糊神經(jīng)網(wǎng)絡(luò)模型計算出的用戶竊電嫌疑系數(shù)與實際值的誤差范圍小，誤差百分比小于5%，具有比較高的準(zhǔn)確性，可以有效地分析診斷竊電事件。

表1 網(wǎng)絡(luò)測試結(jié)果

5 結(jié)語

面對計量自動化系統(tǒng)存儲積累的用電大數(shù)據(jù)，傳統(tǒng)方法依靠人進(jìn)行分析排查，工作量和難度相當(dāng)大而且效果不理想。本文通過分析用電特性，梳理出竊電主要評價指標(biāo)體系，并研究數(shù)據(jù)挖掘技術(shù)，應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)建立反竊電診斷模型，通過對評價指標(biāo)的相關(guān)數(shù)據(jù)進(jìn)行智能分析計算，以輸出竊電嫌疑系數(shù)的直觀形式為相關(guān)人員提供反竊電重點監(jiān)控指導(dǎo)。通過實例驗證，該反竊電診斷方法對對竊電用戶具備較好的診斷識別能力，為反竊電工作提供了新的借鑒。