電力營銷領域反竊電智能系統的應用

邵詩雨 李仁

摘 要：電能是社會生產和人民生活所必需的基礎能源，作為一種特殊商品出售給用戶。竊電行為不僅影響供電公司的經營效益，還會帶來人身、電網的安全隱患。所以，反竊電技術是供電公司一直研究的重要課題。目前，反竊電工作主要利用用電信息采集系統監測線損和用戶表計電流、電壓及電量情況，發現異常后安排工作人員到現場進行排查。這種方法實時性差、工作量大，對一些專業性竊電行為束手無策。筆者結合用戶檔案數據，對用戶用電行為數據進行深入分析，通過發現電數據異常用戶，再經縝密分析找出竊電用戶，切實提升反竊電工作質效。

關鍵詞：電力營銷;數據挖掘;反竊電;智能系統

中圖分類號：F27 文獻標識碼：A 文章編號：1674-1064（2021）10-0-02

DOI：10.12310/j.issn.1674-1064.2021.10.024

1 電力營銷竊電形式概述

竊電的形式多種多樣，常見的大致可以分為六類，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，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中發現，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，使得電量計算較少[1]。

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兩大類：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。

2 電力營銷反竊電中智能化技術的作用

在供電網絡系統智能化反竊電工作過程中，智能化技術通常起到如下兩方面的作用：第一個作用是當數據信息收集系統完成客戶用電相關數據信息的收集工作后，就能把相關參數信息傳送至終端設備，隨后操作平臺就會對上述用戶的用電量參數信息實施分析研究、測算、評估和監控。在此過程中，假如發覺用電客戶的相關用電數據信息出現異常，操作平臺就能夠馬上針對相關參數信息實行智能化判斷，隨后根據上述判斷結論實行報警提示。在這一步驟中，用電客戶的用電參數信息變化狀況均能借助相關圖像體現。所以，從該角度來講，供電網絡系統大數據技術能夠借助有關操作平臺對用電客戶的電量參數信息實行分析研究及監控。第二個作用是在出現用戶竊電狀況時，借助供電網絡系統大數據技術，有關供電網絡工程技術人員能夠全方位地研究相關用電客戶的用電使用數據信息，判別用電信息異常狀況，隨后供電網絡系統就能自動實施報警，并且快速鎖定竊電區域[2]。

3 電力營銷領域反竊電智能系統的應用

隨著國民經濟的高速發展，電力供電系統的規模逐漸擴大，不可避免地產生了竊電問題。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，我國防竊電領域正處于快速發展階段。

文章重點研究了反竊電的算法，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，建立判斷竊電與否的特征指標評價體系，以促進電力營銷反竊電工作的開展[3]。

3.1 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：

圖1 反竊電智能系統結構

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。

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。

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。

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[4]。

盡管竊電的方法多種多樣，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。

3.2 基于神經網絡算法的反竊電模型

文章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，文章采用三層BP神經網絡結構進行計算。

3.2.1 輸入量的評價體系

反竊電模型的準確與否，最重要的就是輸入量的準確性。電量數學公式的表現形式是電壓、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。通過分析已竊電用戶的歷史電量數據，可得出竊電前后電量變化的特征量。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七項竊電判別指標，對用戶的竊電行為進行綜合判斷。如果用戶在經過七項特征參數檢查后，其嫌疑系數較高，就說明該用戶可能存在竊電情況，需對其進行監視[5]。

3.2.2 BP神經網絡的算法流程

輸入數值歸一化。針對智能反竊電模型中的七項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。

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。

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。當隱含節點過多時，需要再增加一個隱含層。

在執行算法的過程中，先選取存儲的某個時間段內的數據作為基礎，提取七項竊電評價指標體系，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[6]。

4 結語

綜上所述，隨著供電網絡系統智能化技術的飛速發展，結合國內現階段電力數據信息收集研究過程中出現的問題，強化智能化技術科學使用非常重要。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。文章介紹了電力營銷領域反竊電智能系統的結構及其處理流程，提出了竊電評價指標體系，并構建了基于神經網絡的反竊電模型，對促進電力營銷領域智能系統準確識別潛在的竊電用戶行為并進行預警，具有一定的實用價值。

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，2018，46（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.

[5] 王毅，張寧，康重慶，等.電力用戶行為模型：基本概念與研究框架[J].電工技術學報，2019，34（10）：76-88.

[6] 強浩，戴巧云，吳柯，等.基于大數據的變結構BP神經網絡反竊電技術研究[J].江蘇理工學院學報，2019，25（2）：10-14.