基于神經網絡模型的場景式稽查方法研究

田雪松，付瑤，王欣，王萱，陳瑩

（國網天津市電力公司營銷服務中心，天津 300120）

0 引言

隨著電網營銷服務工作的深入推進，營銷工作日益面臨著業務快速變化、用電客戶數量激增、供電服務半徑增大、客戶需求差異增大、客戶與電力信息交互頻繁等方面的挑戰。客戶對供電服務要求也越來越高，電力客戶對電網企業的服務方式、服務內容和服務質量不斷提出新要求[1]。

通過加強營銷稽查管控工作，防范企業經營與服務風險，促進營銷轉型升級和高質量發展，通過開展基于用戶用電大數據的稽查甄別技術的探索，有效解決依賴人工排查帶來的效率低、不準確等問題[2]。

1 研究目標及思路

研究基于大數據的場景式稽查主要是基于電量類指標、負荷類指標，電壓電流類指標，線損類指標和報警類指標等信息，進行智能用電異常分析，需根據建模要求有選擇性地從用電信息采集系統及電力營銷業務系統中抽取電量、負荷、電壓、電流、報警及線損等數據，基于數據預處理后的數據，結合用電異常評價指標體系，構建專家樣本庫[3]。在樣本數據準備完成后，即可以進行模型預測、模型構建、模型評估，并結合機器學習技術自動對模型進行優化和重構，對評價指標進行調整，使整個電智能診斷模型更智能，分析的結果更精確（圖1）。

圖1 研究思路

2 場景式稽查研究數據來源

2.1 電力數據來源

在電力側資源下，依托用電采集系統和營銷業務系統。主要包括以下信息，如表1所示。

表1 內部數據信息表

2.2 外部數據來源

基于Python獲取不同類別的用戶用電異常外部數據信息，進行交叉驗證。對于使用民電對外經營類違約用戶，通過開放的商戶數據源以及地圖軟件開放數據接口，獲取用戶的地理位置、營業時間、經營范圍等數據，作為商業行為證據。對于使用民電辦公類用電異常用戶，通過工商部門企業注冊的地址、運營狀況等數據，對照居民用戶電力數據分析比對，得到驗證結果。

3 基于神經網絡技術的稽查分析模型

電力營銷稽查需要遍歷全部關聯數據，對用電采集數據進行抽取與存儲，通過采集數據治理實現數據預處理，包括數據格式管理、數據完整性檢查、營銷數據格式校驗、檔案問題管理、電壓電流缺失數據管理、重復數據管理、電壓電流錯誤數據管理、換表行為分析、用戶電表異常事件分析等[4]。

大數據建模采用深度學習框架TensorFlow搭建，利用GPU設備加速訓練。采用K折交叉驗證對模型效果進行驗證，其中異常用電識別模型采用準確度、召回率、AUC等指標進行效果評估。模型部署后通過離線分析和線上分析同時進行模型評估。離線部分，針對帶標簽的測試集合，利用AUC指標計算用電異常識別模型的準確性，AUC越大，表示用電異常識別模型越準確。線上實際運行過程中，對接入用戶數據進行近實時預測，將超過在建模過程中選擇的概率閾值的疑似用戶結果提供給業務人員使用，輔助進行用電異常核實，根據核實結果計算用電異常識別模型的查準率，進而評估實際運行過程中的準確性[5-6]。

用電歷史核查記錄中各種用電異常的標簽y=1，其他用戶作為負樣本y=0。針對公變低壓用戶和專變用戶分別建立用電異常分析模型。對比并選擇梯度上升決策樹、LSTM神經網絡時序模型、SVM等模型，通過模型訓練，建立X與y的關聯。其中，LSTM模型結構圖如下圖2所示。

圖2 用電異常稽查分析模型圖

每一個時刻，神經網絡模型的輸入包含當前時刻的多維特征X，通過各隱藏層的變換，得到當前時刻t的n個狀態節點St=＜S1,S2, S3,…,Sn＞。在此DNN網絡基礎上，結合時序長短期記憶模型（long short-term memory，LSTM），時刻t的輸出為當前時刻狀態St和前一時刻狀態St-1的函數Ot=f(St+W×St-1)。LSTM能夠同時建模客戶長期和短期數據中依賴關系，并隨著時間發展迭代訓練、預測。模型最終輸出稽查異常的概率Pi=1/(1+e-Ot)。

稽查模型根據人工核實結果，反饋到模型的訓練過程中，形成數據優化閉環，持續優化模型效果。考慮到不同地區的樣本數據千差萬別，在優化過程中對特定地區的用戶特性相應建模方法單獨進行優化。針對不同用電量規模的用戶，其用電行為有顯著差異，不同用電量等級的用戶的模型建模結果會有所不同。對于不同用電量的用戶，應基于其電能表日凍結數據、用電用戶檔案、電能表規格等信息，分析其用電行為，判斷用電量不同對用電異常識別帶來的影響，將用電異常識別模型不斷完善及優化，使得對不同特點的用戶識別更加準確。針對不同承載用戶量的臺區，其線損特性不同，其模型需要進一步優化和適配，不同地區的大用戶數臺區因供電半徑和用戶負荷特性不同，需針對具體情況進行優化和適配，并針對現場核查結果進行不斷適配，對模型進行調優，不斷提高模型計算的準確性。

4 基于稽查分析模型的竊電場景應用

4.1 竊電稽查分析

（1）反向電量分析：經過對計量裝置在線監測、線損、用戶電量等數據分析，高壓通過反接A、C相電流的竊電方式會在系統中產生反向電量異常，同時結合用戶用電量的變化和所屬線路的線損變化進行分析，在竊電期間會直接導致用電量下降和線損率上升，以此綜合判斷疑似反接A、C相電流竊電用戶。

（2）電流不平衡分析：用戶通過短接電流線的方式竊電，系統數據反映出特征是電流不平衡，同時從用戶用電量下降和線損上升的變化綜合判斷疑似短接電流線的方式竊電。

（3）電表異常事件特征：全面梳理電能表倒走、電能表停走、電能表費率設置異常、電壓斷相、電壓越限、電壓不平衡、高供高計B相異常、電流失流、電流不平衡、電能表開蓋、計量門開閉、恒定磁場干擾、電量差動異常、功率差動異常、負荷持續超下限、反向電量異常、相序異常、潮流反向和剩余金額異常等事件，針對每種事件建立統計量特征，以及復合事件相關性特征。

（4）相似用戶用電特征：針對不同類型用戶、用戶行業、容量、電壓、臺區位置等檔案數據和用戶歷史用電量數據，對用戶進行聚類，得到每個用戶的相似用戶。利用用戶本身的用電數據和相似用戶的用電數據，進行特征衍生，構建用戶和相似用戶群體的差異性特征。

4.2 違約用電稽查分析

（1）用電量水平分析：針對專變用戶，輸入每15分鐘的電量數據；針對低壓公變用戶，輸入其日總計電量和尖、峰、平、谷電量數據。針對這些數據構建電量最大值、最小值、平均值、中位數、電力波動相關統計特征（包含方差、斜率等）。

（2）用電量分時占比分析：針對專變用戶的每日96個點的電量采集數據和低壓用戶尖峰平谷電量數據，進行特征衍生，構建不同時間段的電量占比以及相關變化統計特征。

（3）臺區電量占比分析：針對低壓用戶，根據其用戶電量數據和臺區供電量數據，構建用戶用電臺區占比相關統計特征和變化特征。

（4）臺區線損相關性：針對低壓用戶，根據用戶電量數據和臺區供電量、售電量、線損電量、線損率等數據，構建多個統計量，得到相關性特征。

（5）相似用戶用電特征：針對不同類型用戶、用戶行業、容量、電壓、臺區位置等檔案數據和用戶歷史用電量數據，對用戶進行聚類，得到每個用戶的相似用戶。利用用戶本身的用電數據和相似用戶的用電數據，進行特征衍生，構建用戶和相似用戶群體的差異性特征；

（6）電表異常事件特征分析：輸入用戶電能表異常事件記錄，如三相不平衡、潮流反向、電能表開蓋等，針對每種事件建立統計量特征，以及復合事件相關性特征。

5 結語

通過建設用戶稽查大數據模型，從海量數據中挖掘計量異常及違約用電竊電嫌疑用戶。指導現場進行反竊電及用電檢查工作，并通過電費追補和違約用電處罰，對竊電行為形成有效的震懾，有效降低電網管理線損，提升企業經濟效益。

（1）用電異常稽查信息主動推送。系統定期對用戶的用電信息進行識別分析，并將用電異常用戶主動推送至業務人員工作桌面，且提供簡潔、高效的工具快速定位和確認異常行為。

（2）用能異常處理閉環管理。對于通過用戶用能稽查模型提交的異常用電客戶明細，生成預警排查任務，進行排查任務的拆分、派工、處理、審核。支持單戶派工、批量派工、對排除處理任務回退的任務進行重新派工。

（3）用能異常精準排查支撐。解決目前人工進行反竊電監控、分析、排查工作量大、精準度低的瓶頸，為一線用電檢查及反竊電人員精準、高效開展反竊電分析和查處工作提供可靠的技術支撐。