基于大數據的防竊電模型與方法

國網福建省電力有限公司福州供電公司 鄭鷺洲 張登靈 彭志峰 李思韜

福建網能科技開發有限責任公司 林華寶 葉瀚

1 引言

竊電行為的存在是引起供電設備損壞、供電線路中斷以及供電系統癱瘓的首要原因，已威脅供電企業的生存與發展。因此，急需構建一套智能化水平高、適應范圍廣、監測結果精準以及操作簡便的防竊電預測模型。本文介紹的基于用電信息采集系統大數據構建的防竊電模型是充分總結了常見竊電行為的本質特征的基礎上構建的，可以實現實時在線精準預測用戶的竊電行為與竊電類型，在保障電網系統安全穩定運行的同時，維護供電企業的合法權益。對本課題進行深入的分析與研究，具有十分重要的意義。

2 竊電特征模型的構建

2.1 竊電本質特征分析

根據功率測量理論和電能計量的基本原理，可以得出電壓、電流以及電壓與電流之間的相位差等都會導致用戶負荷功率的改變，而用戶負荷功率的大小和產生時間的長短等則是決定其負荷消耗電能的主要因素[1]。因此，本文所設計的用電信息采集系統選取的特征參量包含了電壓、電流、線路損耗、電量以及功率因數等指標，并以此為依據構建移相法、欠壓法、擴差法、欠流法、改變電流表接線法、改變互感器變比法、制造中性點位移法以及反向大電流法等8類竊電現象。

8類竊電現象魚骨圖如圖1所示。

圖1 8類竊電現象魚骨圖

在魚骨圖1中，主骨對應的是竊電現象E，并將每個大骨劃分為多個相互平行的小骨，用來表示各類竊電現象的本質特征。

2.2 電氣特征參量集合的建立

由圖（1）所總結的各類竊電現象的本質特征間的關系，可以將電氣特征各參量的集合表達式總結為E={E1,E2,E3,E4,E5,E6,E7,E8}，8類竊電現象子集與子集元素的關系為式（1）：

式（1）中：Ej表示的是竊電現象子集；表示的是各類竊電現象的本質特征。

為進一步明確竊電現象子集與時間、環境、對象等特征參量之間的關系，本設計采用了多元組的形式標識竊電事件與特征參量，用戶有竊電行為便可以被表述為在特定時間下、特定環境中發生的、具備相對應特征參量的事件。竊電事件用多元組表達式概括為Eυ(j)=(T,V,O,i1,i2,i3, ···,in)，式中，T、V、O分別表示竊電事件的關聯時間、關聯環境以及關聯的對象，i1,i2,i3, ···,in則表示與竊電事件相關的電氣特征、事件特征以及線損特征等對應參量[2]。通過上述表達式不難看出，竊電事件多元組與竊電現象子集之間存在著一一對應的關系，本設計正是基于此對應關系構建的竊電本質特征模型，在特征模型中共包含了25種描述竊電事件的本質特征的參量，竊電方法關聯特征參量及其含義見表1。

表1 竊電方法關聯特征參量及其含義

3 大數據防竊電模型的構建

3.1 防竊電模型的總體架構分析

防竊電模型的構建步驟如下。第一，以竊電事件多元組、竊電現象特征參量信息以及竊電事件間的聯系為依托，明確Eυ(j)中特征參量的閾值和竊電判定系數ηi，若出現特征參量超出閾值的情況，即可以判定用戶是否存在竊電行為，其中當ηi=1 時，表示用戶存在竊電行為，ηi=0 時，表示用戶不存在竊電行為。第二，統計的特征參量超出閾值的次數，組建竊電嫌疑預測模型基礎架構，并通過將竊電嫌疑預測模型與算法、數據等相結合的方式明確異常線損的約束條件。根據上述操作步驟，可以將以大數據為基礎構建的防竊電預測模型基礎架構設計。

大數據防竊電的結構化模型如圖2所示。

圖2 大數據防竊電的結構化模型

由圖2中可以直觀地看出，用電異常監測模型的8個子模型都能夠獨立判斷用戶的用電行為是否超出正常情況，為竊電監測模型提供真實可靠的數據。數據模塊則包含工況事件數據、線損數據、交流模擬量以及電能量數據等4個模塊，涵蓋了電力系統的各個方面。

3.2 數據預處理

為了降低系統處理數據的難度，本文所設計的竊電預測模型還增加了算法模塊，將數據預處理、數據降維處理、數據填充以及關聯分析等作為獨立模塊，有效增強了系統處理數據的質量和效率。隨后，竊電嫌疑異常模型通過統計用電異常情況出現的次數，自動匹配并輸出竊電嫌疑的等級（共分為A、B、C三個等級，其中A 級竊電嫌疑較小、C 級竊電嫌疑較大），并輸出與竊電行為相對應的用戶的信息。竊電嫌疑系數計算為式（2）：

式（2）中：T表示的是竊電嫌疑系數；Ti表示一天內用戶在用電過程中產生的異常次數；εi表示各類用電異常模型對應的權值。

此外，考慮到竊電事件Eυ的數據均來源是多維向量組構成的集合，維數相對較大，如果直接將其作為竊電預測模型的基礎數據進行處理和分析，會降低模型預測結果的準確性和效益性。因此，本位利用了多元組件Eυ(j)與竊電現象子集Ej之間的關系，將特征量數據進行降維處理，最終實現刪除與竊電事件無關特征參量，增強模型預測結果性能的目的。

4 大數據防竊電方法數據驗證

4.1 欠流法

欠流法指的是一種將不平衡率λUB直接作為監測閾值判定依據的監測方法，其計算公式可以表示為式（3）：

式（3） 中：IA、IB、IC分別表示A 相電流、B 相電流以及C 相電流；Iavg則代表的是三相電流的平均值。

本文選取筆者所在電力公司某用戶2021 年4月28日交流電流數據對欠流法進行驗證，具體操作步驟為：第一，采用數據描點的方式獲取A 相電流與C 相電流的對比圖，并使用圓圈將出現電流不平衡現象的位置標識出來。第二，使用不平衡率計算公式計算出三相電流異常數值，計算結果為40次。再次將計算數據輸入竊電預測模型，模型自動預測出該用戶存在的竊電嫌疑等級為B 級，存在較大竊電嫌疑。第三，經實地檢測驗證后，明確該用戶確實存在竊電行為。說明三相不平衡率的產生確實與用戶的竊電行為有關。

4.2 改變電能表接線法

在正常情況下，電能接線法所產生的功率因數總是維持在0～0.6的范圍內，一旦超出該范圍，則可以視為異常數據。為驗證此理論的可信度，本文選取了筆者所在供電公司某鄉鎮2021年3月15日至2021年3月20日的功率因數數據進行分析。統計結果顯示，該區域內的一個用戶在2021年3月19日出現兩次功率因素超出正常范圍的情況，并且嚴重偏離歷史數據，將異常數據輸入竊電嫌疑監測模型后，模型將該用戶的竊電嫌疑等級評判為C級。經實地驗證后，證實該用戶確實存在竊電行為。

4.3 欠壓法

將欠壓法的判定條件總結為幾點方面：第一，高供高計三相四線所對應的電壓閾值為57.7V×80%。第二，高供低計三相四線所對應的電壓閾值220V×80%；高供高計三相三線所對應的電壓閾值為[3]。本文選取筆者所在電力公司某街道辦事處一足浴店的用電數據分析，數據顯示2021年5月19日、5月20日以及5月21日三天的數據均低于正常值，說明該區域存在竊電嫌疑，將數據輸入竊電嫌疑預測模型后，模型將該用戶評判為C。經實地驗證后，證實該用戶確實存在竊電行為。

4.4 擴差法

擴差法的判定條件是線損率小于或等于8%。本文選取筆者所在電力公司轄區內一村莊的線損數據分析，通過擴差法判定條件篩選出半年內出現的異常線損數據，并將數據輸入竊電嫌疑預測模型分析，模型判定該區域存在竊電嫌疑的登記為B級，經實地驗證后，得出該區域內有8家用戶存在竊電行為。

5 結語

隨著市場經濟體制的不斷完善和用戶用電成本的持續增加，近年來用戶違規用電、違法用電的行為也呈現出增加趨勢，不僅影響供電企業的合法利益，同時也在一定程度上增加了配電網系統的安全性、穩定性。本文所設計的基于用戶用電數據構建的防竊電預測模型，可以根據配電網在實際運行中產生的各類異常數據精準預測出用戶的竊電行為，不僅可以有效規范用戶的用電行為，能夠在一定程度上保障供電企業的盈利能力和市場競爭能力。多次試驗結果顯示，本文所設計的防竊電監測模型監測范圍全面、監測結果精準，值得在今后的工作中推廣和使用。