電力營銷域反竊電智能系統的應用

李玉剛

（國網寧夏電力有限公司固原供電公司，寧夏 固原 756000）

一、電力系統主要竊電方式

（一）篡改短路

計量裝配竊電在電力系統運行的過程中如果改裝了電路中的線路就被稱作是篡改短路計量裝配。竊取電力的基本操作原理是在電表內部使用導體連接內部線路，在內部線路連接的過程中借助用電阻力來對電表實施分流處理。在這個過程中電表內部的電流圈電流逐漸減少，電表中的電流出現分支，電表運行速度減慢。

（二）切斷電壓連接的金屬片

切斷電壓連接金屬片或者在電流圈上分流電阻是指在電力表正常運轉的過程中使用工具剪斷電表內的電流線圈。在實施這樣的操作之后電表內部的電壓會失去穩定，在電力系統運作的過程中容易因為電路內壓力的降低而引發一系列質量問題。

（三）調換零火線的竊電

這種電力竊取主要是將電表中引進線兩端的火線、零線進行調整，通過必要的調整使得兩個金屬聯片在相反的的順序上出現接觸，在發生接觸之后電流輸入反向會和電路工作原理呈現出相反的狀態，最終會使得電表停止運行。

（四）將零線切斷竊電

零線竊電的方式是在電表引進線端口位置上將零線隱藏起來，隱藏之后將零線切斷，在外部重新連接線路。在電路開關閘關閉之后，電路圈內部的電路可以繼續運作。在切斷零線時電表內的電壓無法保持在平衡的狀態。在竊電者竊電的時候電表會停止運作。

二、反竊電智能系統的結構及處理流程

反竊電智能系統結構如圖1 所示，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。（一）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。（二）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。（三）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。（四）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。

圖1 反竊電智能系統結構

三、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。

（一）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。

（二）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。（1）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。整體流程如圖2 所示。

圖2 BP神經網絡反竊電模型算法流程

四、反竊電智能系統的應用實例

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。（一）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%。（二）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%。（三）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%。（四）計算電流與實際檢測電流的差值大于3%。（五）電壓三相不平衡率為18%，發生失壓情況。（六）客戶負載容量大于總容量12%，負荷率小于50%。（七）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。

結束語

綜上所述，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。