用電異常行為預警方法

萬偉　劉紅旗　孫洪昌　張峰　王洋　孫偉卿

摘要：針對竊電、濫用電等用戶異常用電行為給電力公司造成了巨額的經濟損失的問題，通過數據驅動方法，利用區域內居民用戶日負荷數據分別從橫向與縱向兩個層面，對用戶用能行為進行定量的綜合評分，進而識別用戶異常用電行為。首先，建立K-Means和SVM分類模型，將單個居民日負荷數據與周邊具有相似用電行為的居民進行比較，用于生成用戶用電行為評價的橫向評分。其次，利用LSTM模型建立用戶負荷預測模型，實現與自身歷史用電行為的對比，生成用戶用電行為評價的縱向評分。最終，通過設定權重進行綜合評分。當評分低于一定閾值時進行預警。算例部分利用30個用戶4年數據對提出方法進行驗證，橫向評分結果準確率達到99.9%以上，縱向評分的擬合優度達到95%以上，驗證了方法的準確性。

關鍵詞：用電異常檢測; 長短期記憶網絡; K-Means; 支持向量機; 用電評分

DOI：10.15938/j.jhust.2022.04.008

中圖分類號： TM71

文獻標志碼： A

文章編號： 1007-2683（2022）04-0053-10

Early Warning Method of Abnormal Electricity

Consumption Behavior Based on Data Driven

WAN Wei LIU Hongqi SUN Hong-chang ZHANG Feng WANG Yang SUN Wei-qing

（1.Heze Power Supply Company of State Grid Shandong Electric Power Company， Heze 274000， China;

2.Department of Electrical Engineering， University of Shanghai for Science and Technology， Shanghai 200093， China）

Abstract：In view of the huge economic losses caused to power companies by abnormal power consumption behaviors of users such as stealing and abusing electricity， based on data driven method， the daily load data of residents in the region is used to score the users′ energy consumption behavior quantitatively from the horizontal and vertical levels.?Firstly， based on K-means and SVM （Support Vector Machine） classification model， the daily load data of individual residents data are compared with those of residents with similar electricity consumption behaviors to generate the user′s horizontal score.?Secondly， the user load forecasting model is established by using LSTM （Long Short-Term Memory） model to realize the comparison with their own historical electricity consumption behavior and generate the users vertical score.?Finally， according to the set weight， a comprehensive score is made.?When the score is lower than a certain threshold， early warning is given.?The proposed method is verified by the data of 30 users for 4 years， the accuracy of horizontal score is more than 99.9%， and the goodness of fit of vertical score is more than 95%， which proves the feasibility of the method.

Keywords：detection of abnormal power consumption; long short-term memory; K-Means; support vector machine; power rating

0引言

我國電力公司電量自動化管理技術相對匱乏，造成了竊電等異常用電行為多發，給電力公司帶來了巨大的經濟損失，同時也擾亂了市場經濟秩序[1]。近年來，隨著電力體制改革，電力企業逐漸認識到提高電量管理水平、加大反竊電打擊力度、強化電網自動化運營能力，才能保證電網安全生產，獲取更大的經濟效益[2]。減少非技術損失對電力公司而言至關重要，非技術損失是指配電網側電力用戶竊電等一系列欺騙性用電行為所導致的電能損失[3]。傳統異常用電檢測主要依靠人工現場排查，效率低、易出錯且效果差[4]。隨著技術發展，一些新型方法被應用于異常用電行為檢測，如竊電表箱表柜、數據比對等[5]。雖然這些方法具有一定成效，但由于資金投入大、技術變化落后于竊電手段、不能及時發現異常用電行為。因此，有必要開展集成多智能分析方法的用電模型及竊電行為精準判別技術，實現常態化竊電行為分析預測和快速精準判定功能。

針對用電異常行為的檢測及判別技術，文[3]選取支持向量機（SVM）進行異常檢測，并通過遺傳算法求出針對不同用戶的最優參數，以提高用戶異常檢測率。文[6]將綜合遺傳算法和SVM用于檢測用戶側的非技術損失用電。文[7]基于不同城鎮歷史用電數據，挑選最優負荷特征組合，采用SVM進行離線檢測。文[8]＼利用皮爾森相關系數檢測以負荷驟降為特征的非技術損失，通過貝葉斯網絡和決策樹檢測其他類型的非技術損失。通過貝葉斯算法和決策樹提取用戶用電行為特征，并通過兩種算法結果對比，選取最優方法檢測非技術損失。上述文獻主要通過分類等監督學習的方式實現對用戶異常用電行為檢測。文[9]基于K-Means和決策樹算法設計異常用電行為分析系統。文[10]提出基于模糊聚類的居民用電負荷模式識別以檢測異常用電。上述文獻主要通過聚類等非監督學習對用戶異常用電行為檢測。

目前研究普遍直接對用戶用電量數據進行聚類、分類，沒有考慮用戶用電行為的多樣性，因此存在一定局限。本文所提出的方法是利用區域內居民用戶的每日數據（天氣、溫度、濕度、用電量）分別從橫向（與周邊具有相似用電行為的居民作比較）、縱向（與自身的日常用電行為作比較）兩個對比層面對區域范圍內用戶的用能行為進行定量綜合評分。首先，基于K-Means和SVM分類模型，將居民日負荷數據與周邊具有相似用電行為的居民進行比較，用于橫向評分。其次，利用長短期記憶網絡（LSTM）建立用戶負荷預測模型，實現與自身歷史用電行為的縱向對比，用于縱向評分。最終，根據權重進行綜合評分。當用戶綜合評分低于一定閾值，則判定用戶存在異常用電行為，通知工作人員進行實地考證，從而提高異常用電檢測效率、有效打擊竊電行為，減少經濟損失。

1用戶異常用電行為預警方法

本文所提出的基于數據驅動的用電異常行為預警方法流程圖如圖1所示。

首先假設經過排查后，目前系統中用戶用電行為均為正常，基于正常用電數據進行建模，再將模型投入日常運行中進行異常用電識別。系統于第t+1天凌晨收集第t天完整的用戶負荷及外部環境數據。根據收集的數據對第t天用戶用電行為評分，并為第t+1天的模型做數據準備。

對于橫向評分模塊，利用K-Means算法將所有用戶歷史日負荷數據進行聚類，確定用戶的用電行為，并給出每種用電行為聚類標簽。其次，將用戶歷史日負荷數據作為輸入，用電行為標簽作為輸出，建立日負荷分類模型。在日常運行階段，對每個用戶日負荷進行分類，根據居民用戶橫向評分標準，對比同一類用戶用能行為，給出橫向評分。

對于縱向評分模塊，利用LSTM算法對每個用戶建立短時間尺度用電量預測模型。在日常運行階段，對每個用戶用電量進行實時預測，輸入為前24小時的用戶實際用電量，輸出為第25小時的預測用電量。在第t+1天凌晨，整合第t天24小時的預測用電量和第t天24小時的實際用電量，根據居民用戶縱向評分標準，評估單個居民用戶第t天的用電情況是否符合其一貫用電行為，并給出縱向評分。

通過橫向評分標準，對每個類別中用戶用能行為進行評分，對用電量較少的用戶給予較低的分數，提高其異常用電行為的可能性。但僅僅是橫向評分不能排除用戶一貫用電量較少的可能性，所以通過縱向評分，充分考慮了用戶用電行為的多樣性，彌補了橫向評分的缺陷。當用戶實際用電量偏離預測用電量一定范圍后，說明存在較大異常用電行為的可能性。因此，結合橫向評分和縱向評分建立居民用戶用電行為綜合評分。判斷綜合評分是否符合標準，若綜合評分過低，則發出報警信號通知相關工作人員。

2橫向評分機制

2.1K-Means算法

2.1.1K-Means原理

2.1.2聚類模型評價

2.2SVM

2.2.1SVM原理

2.2.2分類模型評價

2.3橫向評分方法

首先，利用K-Means算法將所有用戶經過歸一化的歷史日負荷數據進行聚類，將用戶的用電行為進行分類，并對每種用電行為給出聚類標簽。其次，將用戶歷史日負荷數據作為輸入，用電行為標簽作為輸出，建立基于SVM的分類模型。建立分類模型，可在離線情況下將用戶每天用電行為分類。通過對同一類別用電行為的橫向對比，給出橫向評分。圖2與圖3分別為用戶行為分類流程圖和用戶橫向評分流程圖。

通過橫向評分，對每個類別中用電行為進行評分，當用戶用電量大于同類別用戶平均用電量時橫向評分為滿分，隨著用電量逐漸降低，其橫向評分也逐漸降低，提高該用戶異常用電行為的可能性。但是，僅僅是橫向評分不能排除用戶由于用電人數、用電習慣等一貫用電量較少的可能性。因此，需要縱向評分對該缺點進行彌補。

3縱向評分機制

3.1Embedding模型

Embedding本質是通過學習離散數據之間的關系，將One-Hot向量降維。

本文所采集的影響因素中天氣為離散型數據。該類數據無法直接將數值輸入模型，利用Embedding模型可以解決這一問題。

3.2LSTM模型

LSTM是一種基于循環神經網絡（recurrent neural network， RNN）改進的神經網絡算法，解決了RNN因“梯度彌散”而導致無法長距離傳輸的依賴問題[15-18]。

3.3縱向評分方法

3.3.1用電量預測模型

基于LSTM網絡的用戶用電量預測模型包括輸入層、Embedding層、LSTM層、輸出層，如圖5所示。其中，輸入層為多特征滾動窗口形式，考慮單個用戶縱向24小時、4種數據特征：天氣、溫度、濕度、用電量，故滾動窗口大小為24×4的形式。由于天氣是離散數據，因此首先經過Embedding層后，生成特征向量并與連續數據進行特征聯合，形成LSTM層的輸入向量。LSTM模型的輸出層為第25小時內的用戶用電量。

3.3.2預測模型評價

3.3.3縱向評分標準

在當日該用戶實際用電量少于預測用電量的時段內，考慮到用電量預測模型存在5%的預測誤差，則若實際用電量平均值少于預測用電量平均值的5%以內，此時縱向評分為滿分。當實際用電量與預測用電量的比值越小，則縱向評分越低。通過與自身歷史用電行為對比的方式，彌補了橫向對比時可能存在該用電需求普遍較同類用戶較低的問題。

4綜合評分

5算例部分

本文選取30個用戶用電數據，采樣時間范圍為2014年1月1日至2017年12月31日，采樣間隔為1小時，包含天氣、溫度、星期、電價等特征，共有1051920條該數據。所采用的數據均已經過預處理，實驗基于python3.7運行環境。

5.1橫向評分

5.1.1分類模型

首先根據Elbow Method、Silhouette Coefficient與Calinski-Harabaz Index綜合判定K值，結果如圖6所示。

由圖6可見，根據Elbow Method可知，聚類個數在2～3類之間。根據Silhouette Coefficient盡可能大的原則，選擇聚類個數為2類。

根據聚類結果求取每類用電行為的平均曲線，如圖7所示。通過聚類結果可以看出，兩種用電行為的差異主要體現在14時～24時這段時間內。

聚類分析得到用戶用電行為標簽后，將用戶歷史日負荷數據作為輸入，用戶用電行為標簽作為輸出，采用SVM建立用戶用電行為分類模型。其中將用戶日負荷數據（共43830條數據）按9∶1比例劃分為訓練集（39447條數據）和測試集（4383條數據）。分類模型結果如圖8所示。分類模型的數值評價指標如表4所示。

通過各級評價指標的結果，可以看出分類模型準確度高。由此模型對用戶分類可靠性高，所得到的橫向評分也更為可靠。

5.1.2橫向評分結果

當每天用戶實時日負荷數據被采集后，每個用戶24個負荷點作為分類模型的輸入，得到對應的類別輸出。然后將同類用戶進行比對，根據橫向評分標準，給出橫向評分。

本文隨機選取了30名用戶在測試集上第206天的用戶日負荷數據。分別給出了30名用戶的用電行為類別以及用戶橫向評分。

第206天用戶用電行為標簽如圖9所示。

由圖9可見，用戶16、17、19、23、24這5位用戶的用電行為為第二類用電行為。其余用戶均為第一類用電行為。30名用戶第206天的橫向評分如表5所示。

5.2縱向評分

5.2.1LSTM模型

利用30個用戶數據（包括天氣、溫度、濕度、用電量）的數據進行分析。其中，用戶用電量數據（共有35064條數據）按照9∶1劃分為訓練集（31558條數據）和測試集（3506條數據）。

首先，建立基于LSTM網絡的用戶用電量預測模型，進行用戶用電量預測。其中，天氣為離散數據，使用Embedding學習離散型數據后，生成特征向量并與連續數據用電量、溫度、濕度進行特征聯合，形成LSTM輸入向量。LSTM輸出層為第25小時內的用戶用電量。模型的訓練結果如圖10所示。

利用測試集對該模型進行驗證并針對用戶用電量預測模型對比了主要參數（神經元個數、訓練次數）對預測精度的影響，如表6所示。

由表6可以看出，當神經元個數為30個，訓練次數為150次時，預測模型的最高預測精度可以達到95.1%，因此前文中縱向評分的誤差閾值設為0.05。此外，參數的變動對于結果的改變不明顯，說明模型結構穩定，且與輸入輸出契合。

5.2.2縱向評分結果

5.3綜合評分

根據30名用戶第206天的橫向評分和縱向評分，給出30名用戶第206天的綜合評分。本文選用60為判定標準。當用戶評分低于60，則判定該用戶存在竊電嫌疑。

本文綜合評分的修正系數α和β分別選取以下3種情況，系數α=0.1，β=0.9時，綜合評分為Z1;系數α=0.5，β=0.5時，綜合評分為Z2;系數α=0.9，β=0.1時，綜合評分為Z3。30名用戶第206天不同修正系數下綜合評分，如表8所示。

在第1組修正系數α=0.1，β=0.9下，用戶11、12、16、22、24這5名用戶的綜合得分明顯偏低，所以存在極大的竊電嫌疑。在第2組修正系數α=0.5，β=0.5下，用戶11、12、16、22這4名用戶的綜合得分明顯偏低，所以存在極大的竊電嫌疑。用戶3、14、20、22這4名用戶的得分為60，也存在竊電嫌疑。在第3組修正系數α=0.9，β=0.1下，用戶1、2、3、4、11、12、14、15、16、20、24這11名用戶的綜合得分明顯偏低，所以存在極大的竊電嫌疑。

α與β分別代表著橫向評分與縱向評分對于綜合評分的重要程度。對比3組系數下的結果，當橫向修正系數大時，用戶的綜合評分偏低，此時被判定為異常用電的用戶比較多。當縱向修正系數較大時，用戶的綜合評分偏高，此時被判定為異常用電的用戶較少。當橫向修正系數和縱向修正系數取值適中時，被判定為竊電的用戶是以上兩種情況結果的交集。

文[19]指出數據驅動檢測竊電行為無法得到推廣的原因是誤報率過高，供電企業的人力資源有限，無法頻繁地進行實地稽查驗證。另外，在電力企業的角度來看，竊電行為的杜絕并不是要將所有存在竊電的用戶全部查處，而是精準地查處一部分竊電用戶，以實現對其他竊電用戶的震懾。所以電力企業追求的是低誤報率。

綜合考慮低誤報率和竊電檢測準確率的要求，在沒有竊電的先驗信息的條件下，選用參數為α=0.5、β=0.5較為合適。在有歷史竊電數據的情況下，工作人員可以根據歷史信息對α、β進行回歸擬合。即以是否存在竊電為標簽，以歷史數據作為訓練數據建立邏輯回歸模型對橫向評分系數和縱向評分系數進行擬合，得到適用于實際情況的修正系數。

6結論

本文利用區域內居民用戶的實時動態數據（天氣、溫度、濕度、用電量）分別從橫向、縱向兩個對比層面對區域范圍內用戶的用能行為進行定量綜合評分進行異常用電識別。

1）從橫向（與周邊具有相似用電行為的居民）作比較，本文建立K-Means-SVM分類模型，給出橫向評分。

2）從縱向（與自身的日常用電行為）作比較，本文建立LSTM網絡用戶用電量預測模型，給出縱向評分。

3）在兩個對比層面對區域范圍內用戶的用電行為進行綜合評分。最后分析了綜合評分修正系數對綜合評分的影響。并給出了橫向評分系數和縱向評分系數的確定方法，即在沒有竊電的先驗信息的條件下，選用參數為α=0.5、β=0.5較為合適。在有歷史竊電數據的情況下，工作人員可以根據歷史信息對α、β進行回歸擬合，得到適用于實際情況的修正系數。

相較于傳統的基于聚類、分類方式的用戶用電行為異常識別，本文所提出的竊電識別方法綜合考慮了影響用戶用電行為的因素和用戶用電行為的多樣性，可以更加有效地對竊電行為進行識別。

參 考 文 獻：

[1]張承智， 肖先勇， 鄭子萱. 基于實值深度置信網絡的用戶側竊電行為檢測[J]. 電網技術， 2019， 43（03）： 1083.Zhang Chengzhi， Xiao Xianyong， Zheng Zixuan. Electricity Theft Detection for Customers in Power Utility Based on Real-valued Deep Belief Network[J]. Power System Technology， 2019， 43（3）： 1083.

[2]熊秋. 居民用電異常識別系統的研究實現[D].北京：北京郵電大學，2018.

[3]劉杰，侯躍斌，劉念.針對非技術性損失的智能用電異常檢測方法[J].華東電力，2014，42（4）：650.LIU Jie， HOU Yuebin， LIU Nian. Analysis System of Abnormal Behavior of Electricity Consumption Based on Big Data and Machine Learning[J]. East China Electric Power， 2014，42（4）：650.

[4]楊錚宇.基于大數據和機器學習的用電異常行為分析系統[J/OL].電測與儀表：1[2021-01-05]. http：//kns.cnki.net/kcms/detail/23.1202.TH.20200827.1730.042.html.YANG Zhengyu. Analysis System of Abnormal Behavior of Electricity Consumption Based on Big Data and Machine Learning[J/OL]. Electrical Measurement and Instrumentation，：1[2021-01-05]. http：//kns.cnki.net/kcms/detail/23.1202.TH.20200827.1730.042.html.

[5]周興，高明濤，李維奇.一種具有防竊電功能的電力計量柜[J].農村電氣化，2020（3）：68.ZHOU Xing， GAO Mingtao， LI Weiqi. A Power Metering Cabinet with Anti Stealing Function[J]. Rural Electrification， 2020（3）：68.

[6]NAGI J， YAP K S， TIONG S K， et al. Detection of Abnormalities and Electricity Theft Using Genetic Support Vector Machines[C]// TENCON 2008-2008 IEEE Region 10 Conference， Hyderabad， 2008：1.

[7]NAGI J， YAP K S， TIONG S K， et al. Nontechnical Loss Detection for Metered Customers in Power Utility Using Support Vector Machines[J]. in IEEE Transactions on Power Delivery， 25（2）：1162.

[8]MONEDERO I，BISCARRI F，LEN C，et al.Detection of Frauds and Other Non-technical Losses in a Power Utility Using Pearson Coefficient，Bayesian Networks and Decision Trees[J] .International Journal of Electrical Power & Energy Systems，2012，34（1）：90.

[9]ANGELOS EWS，SAAVEDRA OR，CORTS OAC，et al.Detection and Identification of Abnormalities in Customer Consumptions in Power Distribution Systems[J].IEEE Transactions on Power Delivery，2011，26（4）：2436.

[10]莊池杰，張斌，胡軍，等.基于無監督學習的電力用戶異常用電模式檢測[J].中國電機工程學報，2016，36（2）：379.ZHUANG Chijie， ZHANG Bin， HU Jun， et al. Anomaly Detection for Power Consumption Patterns Based on Unsupervised Learning[J]. Proceeding of the CSEE， 2016， 36（2）： 379.

[11]姚奇峰，楊連賀.數據挖掘經典分類聚類算法的研究綜述[J].現代信息科技，2019，3（24）：86.YAO Qifeng， YANG Lianhe. Research on Classical Classification and Clustering Algorithms in Data Mining[J]. Modern Information Technology， 2019，3（24）：86.

[12]龍文佳，張曉峰，張鏈.基于k-means和肘部法則的業務流程聚類方法[J].江漢大學學報（自然科學版），2020，48（1）：81.LONG Wenjia， ZHANG Xiaofeng， ZHANG Lian. Business Process Clustering Method Based on k-means and Elbow Method[J]. Journal of Jianghan University （Natural Science Edition） ，2020，48（1）：81.

[13]尹世莊，王韜，謝方方，等.基于互信息和輪廓系數的聚類結果評估方法[J].兵器裝備工程學報，2020，41（8）：207.YIN Shizhuang， WANG Tao， XIE Fangfang， et al. Protocol Clustering Evaluation Method Based on Mutual Information and Contour Coefficient[J]. Journal of Ordnance Equipment Engineering， 2020，41（8）：207.

[14]司守奎，孫兆亮. 數學建模算法與應用[M]. 北京：國防工業出版社， 2015.

[15]BENGIO Y， SIMARD P， FRASCONI P. Learning Long-term Dependencies with Gradient Descent is Difficult[J]. inIEEE Transactions on Neural Networks， 5（2）：157.

[16]彭文， 王金睿， 尹山青. 電力市場中基于Attention-LSTM的短期負荷預測模型[J].電網技術，2019，43（5）：1745.PENG Wen， WANG Jingrui， YIN Qingshan. Short-term Load Forecasting Model Based on Attention-LSTM in Electricity Market[J]. Power System Technology，2019，43（5）：1745.

[17]陸繼翔， 張琪培， 楊志宏. 基于CNN-LSTM混合神經網絡模型的短期負荷預測方法[J]. 電力系統自動化， 2019， 43（8）： 191.LU Jixiang， ZHANG Qipei， YANG Zhihong. Short-term Load Forecasting Method Based on CNN-LSTM Hybrid Neural Network Model[J]. Automation of Electric Power Systems， 2019， 43（8）： 191.

[18]郭傅傲，劉大明，張振中，等.基于特征相關分析修正的GPSO-LSTM短期負荷預測[J].電測與儀表，58（6）：39.GUO Fuao， LIU Daming， ZHANG Zhengzhong， et al. GPSO-LSTM Short-term Load Forecasting Based on Feature Correlation Analysis and Correction[J]. Electrical Measurement and Instrumentation，58（6）：39.

[19]金晟，蘇盛，薛陽，楊藝寧，劉廈，曹一家.數據驅動竊電檢測方法綜述與低誤報率研究展望[J].電力系統自動化，2022，46（1）：3.JIN Sheng， SU Sheng， XUE Yang， et al. Summary of Data-driven Power Theft Detection Methods and Research Prospect of Low False Alarm Rate[J]. Automation of Electric Power Systems，2022，46（1）：3.

（編輯：溫澤宇）