電力營銷大數據在反竊電檢查中的應用研究

柴金成

摘要：經濟的發展，社會的進步推動了我國綜合國力的提升，也帶動了電力行業的飛速發展，同時，隨著科技水平的提升，我國已經進入了信息化和大數據時代，各行各業廣泛應用大數據技術提升管理監督效果。在電力行業中，反竊電檢查是保證企業效益的有效手段，越來越多的企業加強應用大數據技術加強質量檢查，但結合實際來看，仍存在些許不足。為有效地降低竊電現象發生頻率，加強對電力營銷數據的應用是一種有效的手段，對促進企業發展有重要作用。

關鍵詞：電力營銷;大數據;反竊電檢查;應用

引言

大數據作為一種新型技術，可以高效地對數據進行分析、處理，應用價值比較高。為此，在開展電力企業營銷管理創新時，必須要科學地應用大數據技術，這需要電力企業在第一時間了解到市場的動態以及群眾的需求，并從細節出發開展業務活動，只有如此，才能夠確保電力企業營銷管理工作是行之有效的，為電力企業的進一步發展提供支持。

1應用電力營銷大數據開展反竊電檢查的必要性

基于市場的變化，供電企業為了調整當前的電力營銷體系，不斷加強業務集約化發展，在這過程中，較為重要的是反竊電檢查，通過應用大數據技術有效地提升了檢查效率和準確性，對于電力營銷活動有促進作用。基于新技術的強大功能，以大數據為基礎的反竊電檢查代替了傳統的檢查方式，對促進電力企業核心競爭力的提升有重要作用，促進以用戶需求為導向的電力營銷模式的建設與完善。

2電力營銷大數據在反竊電檢查中的應用

2.1基于K值法的線損異常分析及反竊電

為滿足復雜電網結構對反竊電工作的要求，進一步提升電網企業反竊電工作效率、降低線損率，通過抓住用戶小時用電量隨線損波動的規律，建立線損異常分析模型，極大縮小了核查范圍，降低了反竊電工作成本。K值法的模型驗證主要涉及以下幾個方面：首先是相關系數法。運用相關性分析，當線損量與用電量的相關系數趨近于1時，則可判斷用戶有竊電嫌疑。記X為用電量，Y為線損量，做出散點圖，計算兩個用戶用電下降量與線損增長率之間的關系數。用戶1的相關系數為0.8141473628430643。用戶2的相關系數為0.9394492710138272。兩用戶用電量與線損量之間的相關系數都趨近于1，為強相關關系，即該用戶存在異常用電情況。其次是電壓電流曲線比對。在用采系統用戶用電信息模塊中打開用戶電流曲線，觀察用戶電流曲線是否存在異常情況。

2.2面向能源互聯網終端用戶的異常數據檢測

傳統的終端用戶異常用電模式檢測方法是現場人員定期巡檢線路、定期校驗電表、用戶舉報等，但這些手段對人的依賴性較大，需要投入大量的人力成本，同時，用電模式的檢測耗時較長、效率較低。此外，用戶的竊電手段多種多樣，傳統的異常用電模式檢測方法難以準確地判斷用戶用電是否正常，亟需檢測精度較高、耗時較少的輕量化的異常用電模式檢測方法。目前，對于異常用電模式檢測的研究主要分為基于系統狀態和基于人工智能2類方法。基于系統狀態的分析方法是通過實時比較配電網的功率、電壓、電流等大量數據的變化來檢測異常用電模式。通過對用戶日用電量和日線損電量數據進行批量處理及相關度分析識別臺區用戶竊電行為，從而實現用戶異常用電模式的檢測。用戶側具有海量且多元的用電數據，異常用電模式也多種多樣，基于系統狀態的檢測方法需要較長的檢測時間。為了縮短檢測時間并提高檢測精度，逐漸出現了基于人工智能的異常用電模式檢測模型，該模型首先通過數據分析提取可以反映異常用電模式的指標，再借助人工智能的方法訓練指標與用電模式檢測結果之間的映射關系，完成異常用電模式檢測模型的構建。例如，借助主成分分析實現大量負荷數據的可視化，構建了無監督學習的異常用電模式檢測模型;以正常用戶用電數據為訓練樣本，采用自編碼網絡學習數據特征，重構輸入數據以計算檢測閾值，基于此建立了對比誤差與檢測閾值的異常用電行為辨識模型;利用時間窗函數與Bootstrap重采樣建立用戶側行為模式信息簇的隨機森林模型。

2.3優化遠程抄表系統設計

在電力系統電力營銷實際應用的過程中，變電站遠程抄表系統是遠抄過程的重要部分之一，利用變電站遠程抄表系統對營銷服務系統加以完善。針對電能表，可以在現有電能表的基礎上創新，制定全新的工作規劃，分階段更換，能夠提高整體精確度，在系統數據采集工作中有著較高的應用價值。以往設備建設是建立新變電站的遠程抄表體系的重要依據，工作人員要積極引進新型數據采集設備，在工作中安裝智能電能表，對其系統統一管理。結合電力營銷信息系統中數據的實際變化情況，在系統與管理之間創建接口，營銷信息系統才能有序運行。從實踐中得出，終端采集方式與電力營銷工作有著較為明顯的差異，利用電能表可以轉變其方式，在樓層鋪設中合理配置，通過載波方式集中處理。

2.4基于離群點算法的低壓竊電行為主動辨識系統

有效的反竊電工作則應該是對于多種竊電特征的綜合特性的提取。通過某一用戶的一段時間用電情況來對竊電現象進行分析，分析指標如下：1）每天平均電壓V：通過數據分析正常用戶電壓波動非常小，若產生異常電壓，則說明用戶有可能存在異常功耗。2）每天平均功率因數P：因為負荷特性影響，用戶功率因數是在一個小范圍內波動的，數值穩定，一般不會出現暴漲暴跌狀況。3）每天平均電流的不平衡率B：正常電流是隨著負荷的變化而不斷變化，電流差很小。因此，可以以此指標來監測用戶的用電行為。4）上周平均每天凍結電量C：如果某用戶存在竊電行為，那么該用戶的用電信息與其他用戶相比較是異常的。為了消除負荷容量的影響，以用戶申報容量為參考值，將電力數據轉化為單位值。5）功率不平衡率I：通過采集數據得到一段時間內的永固電流加上平均電壓和功率，能夠計算出電流增量，然后與同樣時間段內通過表采集的數據進行對比，以此計算出不平衡率。

3竊電檢測技術的展望

由于負荷數據涉及用戶的隱私，目前公開的可用于竊電檢測研究的數據集較少。目前有較多研究采用構造數據集作為輸入，雖然其性能表現往往優于真實數據集，但是考慮到不同區域用戶在用電行為、竊電方法、電表采集頻率、竊電比例等方面都存在較大差異，基于構造數據集或單一類型數據集的檢測模型對不同數據類型的適用性難以保證，即模型的泛化能力有待提高。此外，性能評價指標的選擇直接決定了訓練所得的檢測模型性能。目前的研究模型均強調自身的有效性，但是受限于泛化能力，想要找到一個適用于大多數場景的竊電檢測模型依然非常困難。因此，如何選擇盡可能全面的評價指標以對比不同方法的優劣，從而區分不同模型適用的場景，是竊電檢測技術性能評估的挑戰之一。

結語

綜上所述，當前電力企業通過電力營銷大數據來增強反竊電檢查效果，還有很多方面需要加強研究。例如，營銷大數據應用過程中技術體系、技術流程規范、數據來源等方面均存在缺陷，這需要企業不斷結合實際情況進行調整，尋找更加有效的應用電力營銷大數據提升反竊電檢查水平的途徑，從而助力電力企業穩定健康發展。

參考文獻：

[1]李亞楠.大數據背景下供電公司營銷管理創新探索[J].產業與科技論壇，2018，17（24）：235-236.

[2]葛一統，向鋒銘，余桂華，等.大數據背景下的電力營銷信息化建設研究[J].華電技術，2021，43（1）：76-82.