基于用電信息采集系統(tǒng)的多時間尺度用電異常分析方法

國網上海市電力公司市北供電公司 施昱青 夏 澍 董 帥 陳佳瑜

臺區(qū)線損率為臺區(qū)總供電量與臺區(qū)總售電量的差值除以臺區(qū)總供電量，它是供電公司一項非常重要的考核指標，直接影響著公司的經濟效益。目前大多數(shù)供電公司要求臺區(qū)線損率在10%以內。然而受人員、設備、竊電等因素的影響，用電情況會出現(xiàn)異常，從而使得臺區(qū)線損率較高，需進行排查和消缺。以往大多通過現(xiàn)場巡檢或基于用戶每月電量、月度線損情況，憑經驗來確定電能計量異常用戶，這些傳統(tǒng)的方法時效性差、準確率低。因此如何有效處理用電異常問題引起了現(xiàn)場運維人員的廣泛關注。

用電信息采集系統(tǒng)能對用電信息進行實時監(jiān)控、分析和處理。隨著用電采集系統(tǒng)的推廣應用，采集覆蓋范圍從專變用戶逐步擴大到居民用戶、一般工商業(yè)用戶等，每日獲取的用電數(shù)據(jù)量也越來越全面。這些用電數(shù)據(jù)之間存在著關聯(lián)性，潛藏著用電行為等大量有價值的信息，能為用電異常分析提供依據(jù)。目前已有學者基于用電采集系統(tǒng)提出了相關的分析方法。

文獻[1]分析了竊電手段及原理，進而基于電壓電流值的規(guī)律，結合離群點檢測法確定了竊電判定算法；文獻[2]提出基于格蘭杰歸因分析的高損臺區(qū)竊電檢測方法，通過分析用戶用電量與臺區(qū)線損時間序列間的長期趨勢來辨識竊電用戶；文獻[3]研制了一套計量裝置在線檢測和智能診斷系統(tǒng)，能分析出用戶竊電和計量裝置故障等情況；文獻[4]通過對營銷大數(shù)據(jù)的深度挖掘和分析，開展了用電異常事件的分類統(tǒng)計和過程描述，并設計了用戶竊電特征分析判據(jù)，為查處竊電提供技術指導。上述研究取得了一定進展，然而這些文獻僅對某一種方法進行了分析，而每一種方法有各自的適用范圍能處理的異常情況也有限制。因此，如何在用戶電量海量數(shù)據(jù)的基礎上對數(shù)據(jù)和方法進行歸類和預處理，分析出各種方法的適用情況，使其能夠推廣應用，輔助工作人員進行電能計量異常排查還需進一步的研究。

1 多時間尺度用電異常分析方法總體框架

考慮到用電信息采集系統(tǒng)獲取的數(shù)據(jù)量較大、包含的信息量較多，因此按照時間尺度對數(shù)據(jù)進行分類，進而有針對性地提出了相應的分析方法來識別用戶異常的嫌疑用戶。基于用電信息采集系統(tǒng)的多時間尺度用電異常分析方法具體過程如下：首先按照時間尺度，對系統(tǒng)采集的數(shù)據(jù)進行分類，短期數(shù)據(jù)可分為每時刻電流電壓集合和每日24小時電流電壓集合，中長期數(shù)據(jù)可分為月度每日用電量集合和年度每月用電量集合，針對短期數(shù)據(jù)可采用電流電壓判定算法進行異常辨識，針對中長期數(shù)據(jù)可采用聚類算法和相關系數(shù)法進行異常辨識，從而從不同的時間尺度搜索到異常用電嫌疑用戶。

上述方法針對不同用戶，具體操作存在一定的差別。目前用來采集用電信息的裝置主要有兩種，一種是專變終端、另一種是集中器。其中專變終端能獲取用戶的電流電壓和用電量等信息，對于這部分用戶，可采用短期和中長期時間尺度的異常用電分析方法進行綜合判斷；而集中器一般沒有開通獲取電流電壓信息的通道，只能獲取用戶用電量信息，對于這部分用戶可采用中長期時間尺度的異常用電分析方法進行異常辨識。

2 用電異常分析方法

2.1 短期時間尺度的用電異常分析方法

電壓電流判定指標。專變終端主要是對三相用戶采集信息，正常情況三相用戶電壓會維持在額定值附近，同時電流不平衡率也較小。當出現(xiàn)明顯的電壓偏移或存在較大的不平衡電流時，表明此用戶可能用電異常，需要排查。因此本文選用電壓偏移系數(shù)βU和三相電流不平衡率βI作為用電異常的判斷指標，具體計算公式如下，式中U為電壓；Ue為額定電壓；Imax和Imin分別為三相中最大和最小的相電流。

基于實時用電數(shù)據(jù)的分析方法。專變終端可以實時獲取用戶的電壓、電流數(shù)據(jù)，進而基于這些數(shù)據(jù)，根據(jù)式(1)和式(2)計算用戶A相、B相和C相的電壓偏移系數(shù)βAU、βBU、βCU以及電流不平衡率βI，并做式(3)判斷，式中和分別為電壓偏移系數(shù)和電流不平衡率的限值，||表示并且的邏輯關系。當式(3)結果為布爾值TRUE時表示該用戶存在用電異常嫌疑。

基于日用電數(shù)據(jù)的分析方法。專變終端會按照15min的時間間隔對用戶的電壓和電流數(shù)據(jù)進行采樣，繪制日電壓和電流曲線。考慮到異常用電通常會維持幾個小時以上，因此從中選取各整點時刻的電壓、電流數(shù)據(jù)作為分析的依據(jù)即可說明問題。每日24小時的三相最大電壓偏移系數(shù)歐式距離dU和三相電流不平衡率歐式距離dI計算公式分別如下，若dU值超過其限值或dI值超過其限值，則表示該用戶存在用電異常嫌疑。

2.2 中長期時間尺度的異常用電分析方法

2.2.1 聚類算法

對于相同用電類別的用戶，相互之間的用電行為特征具有一定的相似性。基于這一特征，首先可通過聚類分析得到該用電類別的典型用電負荷曲線，進而將需排查的用戶與典型用電負荷曲線進行比較，找出用電異常嫌疑用戶。在各種聚類方法中K-means聚類算法具有收斂速度快、易于實現(xiàn)等優(yōu)點，被廣泛應用于用電負荷分析中，因此本文選用該方法[5]。基于K-means算法可得到聚類中心集合，即典型用電負荷集合Q={q1，q2,…,qK}。進而將需要排查的用電負荷數(shù)據(jù)W與Q對比，計算最小歐式距離dW，式中dist(·)為歐式距離函數(shù)。若dW值超過其限值則表示該用戶存在用電異常嫌疑。

2.2.2 相關系數(shù)法

表計計量誤差的計算公式為ΔWi=W′O,i-WO,i(4)，式中W′O,i為用戶實際用電量；WO,i為表計顯示電量。對于同一種表計回路接線錯誤，通常用戶電表顯示電量和真實電量是線性關系式(5)，因此式(4)可轉化成式(6)，從中可看出，當用戶電表顯示電量WO,i越大計量誤差ΔWi就越大，臺區(qū)線損ΔW也就越大，WO,i與臺區(qū)線損之間具有明顯的相關性。因此可以利用相關系數(shù)法計算臺區(qū)線損和用戶電表顯示電量之間的相關系數(shù)，若相關性高則該用戶存在異常嫌疑。在常用的相關系數(shù)中，皮爾遜相關系數(shù)[6]能有效衡量兩個變量間線性相關程度，因此可選用該方法進行用電異常分析。對于臺區(qū)線損ΔW和用戶電量WO,i，皮爾遜相關系數(shù)計算公式如式(7)，式中E(·)為期望值函數(shù)。若ri大于其閾值則表示該用戶存在用電異常嫌疑。

2.3 基于月度及年度用電數(shù)據(jù)的分析方法

基于月度用電數(shù)據(jù)的分析方法計算過程如下：選取臺區(qū)線損合理的用戶最近一個月30天日用電量數(shù)據(jù)作為樣本數(shù)據(jù)，提取待分析的臺區(qū)用戶最近一個月30天日用電量數(shù)據(jù)做為分析數(shù)據(jù)；針對樣本數(shù)據(jù)和分析數(shù)據(jù)中缺失部分，利用三次樣條插值[7]結合線性插值的方法補充缺失數(shù)據(jù)，其中滿足三次樣條插值條件的采用三次樣條插值，不滿足時采用線性插值處理；在補全所有用電量數(shù)據(jù)后，為消除不同量綱的影響，更好的體現(xiàn)用電變化規(guī)律，需對原始數(shù)據(jù)進行歸一化處理，把數(shù)據(jù)壓縮在區(qū)間[0,1]之間。具體處理公式如式(8)，式中w、W′分別為用戶日用電量的原始數(shù)據(jù)和變換后的數(shù)據(jù)，wmin和wmax分別為用戶在一個月內的日用電量最小值和最大值；對歸一化后的樣本數(shù)據(jù)按照用電性質進行分類，并利用聚類分析查找出用電異常嫌疑用戶；根據(jù)待分析臺區(qū)的關口總表數(shù)據(jù)和用戶日用電量數(shù)據(jù)計算出臺區(qū)日線損量，進而利用相關系數(shù)法計算臺區(qū)日線損量和用戶日用電量之間的皮爾遜相關系數(shù)，查找出用電異常嫌疑用戶；對上兩個步驟中發(fā)現(xiàn)的所有用電異常嫌疑用戶進行現(xiàn)場核查，找出用電異常用戶。

基于年度用電數(shù)據(jù)的分析方法和基于月度用電數(shù)據(jù)的分析方法類似，只是將所分析的數(shù)據(jù)從一個月30日的日用電量數(shù)據(jù)變成一年12月的月用電量數(shù)據(jù)，其它計算過程相同。

3 算例分析

3.1 短期時間尺度的異常用電實例分析

以某地區(qū)線損較高的5個臺區(qū)139個專變終端用戶為分析對象，驗證短期時間尺度的異常用電分析方法的有效性。設=0.1、=0.2，根據(jù)實時數(shù)據(jù)可判斷出異常嫌疑用戶（電壓異常）數(shù)量為6個，經現(xiàn)場排查發(fā)現(xiàn)該6個表計全部存在異常；設=0.2，=0.4，根據(jù)日用電數(shù)據(jù)可以判斷出異常用電的用戶為9個，除以上的6個用戶外，還有2個用戶存在異常用電（電流異常）嫌疑，經現(xiàn)場排查確實存在計量問題。由此可見，基于電流電壓判定算法的短期異常用電分析方法具有較高的準確性。

3.2 中長期時間尺度的異常用電實例分析

為驗證聚類算法的有效性，首先選取臺區(qū)線損合理的5789戶居民用戶和1951戶商業(yè)用戶作為樣本數(shù)據(jù)進行聚類分析，得出典型負荷曲線，然后將某個包含62戶居民用戶和7戶商業(yè)用戶的臺區(qū)作為分析對象，與典型負荷曲線進行對比，判斷出嫌疑用戶。在聚類分析中，居民用戶和商業(yè)用戶的聚類數(shù)分別設置為15個和10個，基于月度用電數(shù)據(jù)得到30日的典型負荷曲線如圖1所示。將分析對象與典型負荷曲線進行對比，距離限值取1.1，共分析出7戶居民用戶有異常嫌疑，現(xiàn)場排查發(fā)現(xiàn)其中5戶表計確實存在異常，準確率為71.43%，由此可見聚類算法能夠有效的甄別出嫌疑用戶。

圖1 典型負荷曲線

為驗證相關系數(shù)法的有效性，計算62戶居民用戶和7戶商業(yè)用戶與臺區(qū)線損的相關系數(shù)，并選取相關系數(shù)大于0.9的作為嫌疑用戶，具體計算結果如表1所示，共包含4戶居民和1戶商業(yè)用戶，經現(xiàn)場排查發(fā)現(xiàn)，2戶居民用戶和1戶商業(yè)用戶存在用電異常，準確率為60%。對比聚類算法和相關系數(shù)法可發(fā)現(xiàn)：聚類算法查找到的居民用戶異常數(shù)量和準確率都高于相關系數(shù)法，而相關系數(shù)法比聚類算法多查出了一戶商業(yè)用戶用電異常，由此可見兩種算法具有不同的適用性。

表1 基于相關系數(shù)法的分析結果

基于年度數(shù)據(jù)，利用聚類分析算法查出用電異常嫌疑用戶7戶，查實4戶，準確率為57.14%；利用相關系數(shù)法查出用電異常嫌疑用戶6戶，查實3戶，準確率為50%。相比于月度數(shù)據(jù)，基于年度數(shù)據(jù)的用電異常排查方法準確率都要略低一點，經分析主要包括兩個原因：月度數(shù)據(jù)包括30個時段，而年度數(shù)據(jù)包含12個時段，月度數(shù)據(jù)樣本量大，能夠更好反映用電變化的規(guī)律；月度數(shù)據(jù)采樣周期短，而年度數(shù)據(jù)采樣周期長，月度數(shù)據(jù)能更好反映用電變化的實時性。但由于采集通道問題，日用電量數(shù)據(jù)會存在一定程度缺失，即使利用插值方法彌補也會存在部分失真現(xiàn)象，而對于月用電量數(shù)據(jù)，由于有人工補抄環(huán)節(jié)所以數(shù)據(jù)較為完整，體現(xiàn)的信息更為真實，因此基于年度數(shù)據(jù)的用電異常排查方法也有一定的價值。

3.3 多時間尺度的異常用電實例分析

利用所提出的多時間尺度用電異常分析方法，對21個臺區(qū)2079個用戶進行分析，共排查用電異常嫌疑用戶97戶，查實用戶62戶，此21個臺區(qū)平均月線損率下降了8.23%，由此可見所提方法能夠有效的輔助監(jiān)控人員及時甄別用戶異常用電情況。

綜上，本文按照時間尺度，將用電采集系統(tǒng)獲取的數(shù)據(jù)梳理成了短期用電數(shù)據(jù)和中長期用電數(shù)據(jù)，進而提出了一種多時間尺度用電異常分析方法來辨識用電異常情況，通過實例分析得出以下結論：基于電流電壓判定算法的短期異常用電分析方法具有較高的準確性，適用于辨識專變終端用戶異常情況；聚類算法和相關系數(shù)法具有不同的適用范圍，兩者結合都能夠有效的甄別中長期用電異常用戶；基于月度數(shù)據(jù)的異常分析方法較基于年度數(shù)據(jù)的方法實時性好，但年度數(shù)據(jù)真實性好，兩者都有一定的分析價值。