基于用戶用電行為分析的反竊電系統設計

■ 國網隨州供電公司 耿安坤

竊電的形式多種多樣，常見的大致可以分為6類，分別為：欠壓法竊電、欠流法竊電、移相法竊電、擴差法竊電、無表法竊電、高科技竊電。在用戶計量準確的情況下，用戶電量主要與電壓、電流、功率因數和用電時間有關，欠壓、欠流和移相法竊電就是通過改變表計的電壓、電流和功率因數來使得表計少計電量，從而達到竊電的目的。擴差法竊電是通過技術手段使表計計量誤差增大，導致計量不準。無表法竊電就是直接從供電公司的公用線路上接線用電，沒有經過表計，這種方式較難在系統監測發現，而且容易引起安全事故。高科技竊電就是通過技術手段影響智能電表內部芯片、互感器等模塊的功能，也有的通過智能表對外接口與電表進行通訊，進而修改電能表內部的存儲數據，使得電量少計。

盡管竊電的手法越來越先進，但是只要用電行為發生，就會在系統留有大量數據痕跡，通過分析這些數據，就可以精準地發現竊電行為。用戶的用電數據可以分為2大類：一是營銷業務系統里的檔案數據；二是用電信息采集系統里的表計電量數據。檔案數據包括用戶行業分類、用電類別、身份信息、電價類別、歷史月電量、交費信息、費控信息等。表計電量信息包括實時電壓、電流、歷史日電量、所屬臺區信息、所屬線路信息、互感器倍率信息等。目前，研究較多的反竊電方法有3種，分別是基于狀態估計[1-2]、基于博弈論[3]和基于機器學習[4]的反竊電方法研究。基于用戶用電行為分析反竊電就是屬于機器學習類反竊電方法。

用戶用電行為分析的研究與應用

近年來，隨著智能電表和智能終端的深化應用，用電數據出現了爆發增長，對海量數據進行挖掘分析和有效利用是當前研究的熱點課題，同時，也對電網企業的提質增效和轉型發展具有重要價值。目前，國內外對用戶用電行為分析的研究主要集中在技術研究、算法研究和應用研究3個方面。技術研究側重于對數據從采集、存儲、分析的過程中涉及的軟硬件方案及關鍵技術進行研究[5-6]。算法研究側重于對聚類算法進行改進和優化，提高算法準確度和運算速度[7-8]。應用研究側重于對數據分析結果的應用[9-11]，實現電力大數據的實際應用價值。本文主要是對用戶用電行為分析在反竊電中的應用進行研究。文獻[9]提出了一種對用戶用電行為進行分析實現電力系統“削峰填谷”的方法。文獻[10]通過分析用戶用電行為對不同類型用戶進行畫像，從而為用戶提供個性化優質服務。文獻[11]通過對用戶檔案資料和交費信息進行分析，評估客戶信用等級，降低電費回收風險。

用戶用電行為分析過程

用戶用電行為分析大致可以分為數據獲取、數據處理、數據挖掘和數據應用4個階段，如圖1所示。

數據獲取是通過智能表計、智能終端等采集用戶用電數據，然后，通過有線或無線通信將數據傳輸到主站服務器。

數據處理是對數據進行過濾處理，去粗存精，包括異常值處理、數據缺失處理以及特征處理等，處理之后將數據整合、分類和存儲。

數據挖掘是利用諸如聚類、關聯規則挖掘等方法，找出數據中的隱含信息和潛在聯系，并將這些聯系與規律表示出來。

數據應用是指將挖掘出來的信息應用到用電檢查、電量預測等領域，提升工作質效。

圖1 用戶用電行為分析過程

表 1 異常用電對應的用電特征

用電行為分析在反竊電中的應用

用電特征提取

根據功率表達式可知，電能計量主要與電壓、電流、功率因數這3個量有關。在異常用電的情況下，電壓、電流及功率因數的特征與正常用電時的特征會有差異。異常用電對應的用電特征如表1所示。

多特征融合分析

在對異常用電情況進行分析時，可以根據電壓、電流、功率因數3個參數進行單獨分析，電流主要分析三相不平衡度，電壓主要分析與額定電壓的偏差值，功率因數主要分析是否低于標準值，但是，單獨檢測的準確度并不高。為了提高準確性，需要進行多特征融合分析，比如當三相電表某一相上無電壓有電流時，就可以判斷用電異常。多特征融合主要是基于D-S證據理論合并規則的改進，通過建立識別框架，確定證據的可信度分配，再根據一定的合并規則，得到對命題最后的支持程度。

用電模式特征分析

根據實驗結果分析，用戶改動計量器具竊電的情況下，通過多特征融合分析，能夠比較準確地檢測出異常點。但是，當用戶無表竊電時，就沒辦法再檢測出異常點，這個時候就需要采用用電模式特征分析進行檢測。用戶用電時，會形成特定的用電模式，正常用電情況下，用電模式會有有一定的規律。用戶每天分時負荷情況，可以構成1個24維的向量，該向量可以得到負荷曲線。對負荷曲線進行聚類分析，就可以檢測出異常用電曲線。在實際工作中，根據線路線損率或臺區線損率的情況，可以初步分析出哪些用戶可能有異常用電情況，這樣可以縮小檢測的原始樣本。如果用戶從開戶時開始就竊電，那么，就沒有辦法從歷史數據中提取出正常的用電模式，這樣，這種方法就失去了作用。但是，在實際中，極少出現從開戶時就開始竊電的情況。

在用戶用電行為分析中，常用的聚類算法是K-meas聚類算法，這種聚類也可看做是梯度聚類，梯度距離反映了不同模式的相似性度量。用電模式分析算法流程圖，如圖2所示。

圖2 用電模式特征分析算法流程圖

圖3 異常用電行為分析流程圖

異常用電行為分析

本文提出的竊電檢測方法是基于電氣參數多特征融合分析和基于聚類算法的用電模式分析。為了提高檢測效果及準確性，先根據線損指標情況，鎖定大致異常用電的戶數范圍，再利用多特征融合分析用戶表計的電壓、電流及功率因數，檢測出異常用電用戶，最后，再對異常用電用戶進行用電模式分析，判定竊電用戶。具體的流程圖，如圖3所示。

隨著基層站所員工老齡化的加重，傳統的工作方式已經不能適應新的工作要求，伴隨著人工智能及信息技術的發展，為大量工作提供了新的解決方法和途徑。本文結合實際，提出了一種基于用戶用電行為分析的反竊電方法，能夠很大程度降低人工操作工作量，同時，可以提升竊電監測工作質效。在將來，電力數據與天氣數據、金融數據等外部數據進行融合，將會進一步提升用電行為分析檢測的準確性，同時，也會為負荷預測、供電服務等其它工作提供強有力的支撐。