電力營銷域反竊電智能系統的應用與研究

姜華芳

【摘 要】本文首先介紹了目前常用的3種竊電方式和竊電原理，其次介紹了反竊電智能系統的結構及其處理流程，接著構建基于神經網絡算法的反竊電模型，建立7種判斷竊電與否的特征指標評價體系，并進行實例驗證。該反竊電智能系統研究具有一定的工程實用價值。

【關鍵詞】反竊電;信息采集;大數據;神經網絡算法;特征指標評價體系

隨著國民經濟的高速發展，電力供電系統的規模逐漸擴大，不可避免地產生竊電問題。竊電破壞正常的用電秩序，并對電網運行安全及人身生命財產安全帶來嚴重威脅。由竊電造成的電力變壓器燃燒、損毀時有發生，因此反竊電不僅是供電企業面臨的問題，更是一項社會性問題。

目前，我國防竊電這一領域正處于快速發展階段。介紹了基于大數據的防竊電模型和方法，包括數據預處理、大數據防竊電結構化模型，并通過數據驗證了方法的有效性。基于海量數據分析技術，采用電力大數據平臺關鍵技術構建電網線損與竊電預警分析系統，實現線損的一體化計算、分析與展示。在大數據挖掘技術的基礎上構建了反竊電模型，并對所提出的算法進行驗證，證明算法的準確性。本文在上述基礎上，重點研究了反竊電的算法及原理，構建系統的總體模型和功能框架，并利用神經網絡算法構建了反竊電模型，建立7種判斷竊電與否的特征指標評價體系，最后對系統進行驗證，證明算法的可行性。

1 竊電方式及原理

根據近年的竊電案例，可將竊電方式分為電能表計量誤差、線路改接誤差和大力破壞電能表。

（1）電能表計量誤差。

竊電用戶采取手段使電能表計量回路出現故障，致使電能表出現計量誤差。根據改變參數的不同，大致有改變電能表電器參數、磁場干擾、更改電能表內部計量回路等手段。其他針對一、二次側回路的手段有欠流法、欠壓法、改變CT的變比接線法、差法及移相法等竊電方法。

（2）線路改接誤差。

竊電用戶采取手段將私人用電負荷接入供電企業公用電源上，或采取電壓或電流改接法致使電能表線圈失壓或電流線圈只流過小部分電流，從而造成電能表出現計量誤差。常用的手段有將電容電感接入電路中、接入外部電源、用變頻器附加外部電流。

2 反竊電智能系統的結構及處理流程

主要由無線采集裝置、專變采集終端、數據轉化器、系統主站、電能表構成。反竊電智能系統包括電力負荷管理、實時數據采集、實時數據存儲、電力設備管理、客戶區域、線損、電流、電壓、電量行度、地理位置、拓撲關系、歷史曲線展示、數據存儲等功能，能實時反映計量電表的數據情況，并根據設置的閾值進行預警，提示存在用電異常信息，通過歷史數據分析，能判斷出存在竊電的用戶。

其實際工作流程如下。

（1）在線監測。

通過大數據信息采集技術采集用電數據，對數據進行分析，得到電能表掉電、電能表失壓、電能表故障、電能表失流、電能表外力受損等事件。

（2）輔助分析。

根據在線監測信息與終端事件進行輔助分析，確保分析的準確性。

（3）歷史數據分析。

對存在潛在竊電行為的用戶，分析其計量信息、接線方式、歷史記錄、功率數據差。

（4）智能診斷。

分析用戶異常信息并及時處理，結合神經網絡的反竊電模型評價體系，計算用戶的嫌疑指數，充分分析用戶竊電信息的準確性。

盡管竊電的方法多樣，但本質上都是用戶實際的用電量大于用戶電能表示數。通過建立反竊電智能系統，能持續檢測用戶的用電量，一旦系統顯示存在竊電行為，便會發出竊電預警，幫助供電系統人員第一時間處理，減少電力企業的損失。

3 基于神經網絡算法的反竊電模型

本文研究的反竊電模型以BP神經網絡為基礎。為了減少算法計算的復雜度并保證計算的準確性，本文采用三層BP神經網絡結構進行計算。

3.1 輸入量的評價體系

反竊電模型的準確與否最重要的是輸入量的準確性。電量的數學公式表現形式是電壓、電流及功率因數角的乘積，所以當電壓或電流出現異常時，電量也會出現異常。通過對已竊電用戶的歷史電量數據分析，可得出竊電前后電量變化特征量。當檢測新用戶電量時，若出現了階段性用電量為零或電量變化規律與竊電樣本電量變化規律一致的情況，則判斷可能存在竊電行為。利用用戶月度用電量、客戶所在線路或臺區的線損情況、電表類型、計量電流和檢測電流的差值、電壓異常變化情況、客戶負載功率、負載功率因數變化等7個竊電判別指標對用戶的竊電行為進行綜合判斷，如果用戶在經過7項特征參數檢查后，其嫌疑系數較高，那么說明該用戶可能存在竊電情況，需對其進行監視。

3.2 BP神經網絡的算法流程

（1）輸入數值歸一化。

針對智能反竊電模型中的7個竊電判別指標存在差距較大的情況，對每種評價指標進行歸一化處理，處理方法是找出該組數據的最大值，然后分別用每個數據除以該最大值，即可將數據限制在[0，1]區間內。

（2）訓練樣本的選擇。

在選取訓練樣本時，應滿足樣本輸入與輸出之間的非線性特征映射關系，訓練樣本數一般選擇為網絡連接權總數的5～10倍，并保證樣本分布的均衡性，以減少訓練學習的反復性。

（3）隱含層數設計。

通常，選擇2個隱含層以滿足不連續函數的運算需要，但對于反竊電模型的構建來說，選擇一個即可滿足運算函數的需要，只有當隱含節點過多時才需要再增加一個隱含層。對于隱含節點的設計，則需按公式計算出初始值。

式中，l、n、m分別為輸入層節點數、輸出層節點數、隱含節點數;α為常數，通常取值在1～4。

在執行算法過程中，先選取存儲的某個時間段內的數據作為基礎，提取7種竊電評價指標體系，并進行歸一化處理，然后將歸一化的數據輸入反竊電模型中進行訓練，當算法計算精度達到設定的精度閾值即退出程序，并輸出竊電嫌疑系數結果。

4 實例應用

選取某地區80例竊電用戶作為樣本進行訓練，神經網絡層選為3層。選取其中15例作為檢驗樣本，對數據提取7種竊電評價指標體系進行訓練。訓練結果如下。

（1）對客戶月用電平均值進行建模，分析判斷不符合用電曲線規律的月數據，用電曲線規律月數據的天數和樣本總容量天數比值為16%。

（2）對客戶所在線路月度線損值進行建模，并用計算機模擬月度線路平均值的天數，計算月度線損值大于平均值的天數與樣本總容量的天數比值大于7%。

（3）對客戶所在臺區月度線損值進行建模，并用計算機模擬月度臺區平均值的天數，計算月度線損值大于平均值的天數與樣本總容量的天數比值大于10%。

（4）計算電流與實際檢測電流的差值大于3%。

（5）電壓三相不平衡率為18%，發生失壓情況。

（6）客戶負載容量大于總容量12%，負荷率小于50%。

（7）月度負荷功率因數變化值大于26%。

上述結果證明，本文構建的反竊電智能系統能分析出潛在的竊電用戶。

5 結語

隨著供電規模的逐步擴大，竊電行為相應增多，如何顯著降低竊電行為，并對其進行快速預警成了研究熱點。本文介紹了電力營銷域反竊電智能系統的結構及其處理流程，提出了7種竊電評價指標體系，并構建了基于神經網絡的反竊電模型，最后通過實際算例進行算法驗證，結果表明，該電力營銷域智能系統能準確識別潛在的竊電用戶行為，并進行預警，具有一定的工程實用價值。

參考文獻：

[1]吳迪，王學偉，竇健，等.基于大數據的防竊電模型與方法[J].北京化工大學學報：自然科學版，2018，45（6）：79-86.

[2]李端超，王松，黃太貴，等.基于大數據平臺的電網線損與竊電預警分析關鍵技術[J].電力系統保護與控制，2018（5）：143-151.

[3]竇健，劉宣，盧繼哲，等.基于用電信息采集大數據的防竊電方法研究[J].電測與儀表，2018，55（21）：43-49.

[4]卜慶偉.基于用電信息采集的智能反竊電系統的研究與應用[J].山東工業技術，2017（16）：166.

（作者單位：國網江西省電力有限公司上饒市廣信區供電分公司）