基于大數據分析的精準反竊電實踐探究

盧 娜,王 輝,劉 瀏

(1.上海電力大學經濟與管理學院,上海 201600; 2.國網上海市電力公司市區供電公司,上海 200080)

我國對竊電行為的打擊力度不斷加強,主要體現在對竊電行為的懲處及對反竊電偵查技術的研發應用中。大數據分析技術的研發與應用可使竊電行為數據收集與整理更加便利、高效,降低了電力損耗,維護用電秩序,為用電安全提供有力支持。用電監察工作的開展強調及時發現、及時采取制止措施、及時予以嚴厲懲處,通過制定針對性較強的反竊電方案,實現維護用電秩序的目標。需以此為指導,有效開展技術研發,保證電力供應的質量及安全。

1 反竊電數據來源

反竊電數據來源主要有高壓線損數據、用戶負荷數據及用電數據線路供電數據,公共配變影響可忽略不計。可將輸電線路視作電力供應主動脈,將線路上分布的高壓用戶視作毛細血管,用戶電流、電壓及功率等數據的收集整理都可通過主動脈完成,達到數據跟蹤、偵查的目的。如高壓線損情況,可通過平臺系統采集、整理主動脈高壓線路線損數據并進行分析,效率高,可達到實時監測的目標。

2 基于大數據分析的反竊電措施

基于大數據分析的精準反竊電實踐可從以下幾方面進行:

2.1 建立反竊電概率預警分析模型

該模型與機器學習反竊電預警模型作用原理類似,但具體內容上有一定區別。機器學習模型中多變量預警模型如圖1所示,重點在于變量條件設置。依據歷史竊電用戶所在區域、負荷容量大小及具體行業信息等構建數據模型、特征數據庫等。基于大數據分析條件及人工智能算法,由營銷、用電系統等提供數據支持,進行用電異常監測及線損相關性及異常事件關聯等模塊分析,將疑似竊電行為數據導出,傳至相應數據庫或反竊電監控系統中,進行比對,結合歷史竊電用戶相關數據確定疑似竊電行為的嫌疑等級及負荷數據,判斷是否存在竊電行為。

圖1 多變量預警模型Fig.1 Multivariate early warning model

低壓預警模型如圖2、圖3所示,利用隨機森林算法進行模型訓練[1]。該算法的決策樹自動生成,其決策樹投票結果是判定是否為竊電行為的決定性條件。當發現判定結果有誤時,需要調整決策樹分支,在持續優化的情況下實現有效的反竊電偵查。運用交叉驗證法檢驗模型是否有效,將模型查準率及查全率等作為具體的檢驗指標[2]。以隨機森林模型參數為依據,調整、優化預警機制。如隨機森林深度、決策樹數量、單葉下最小樣例數、葉子節點數量等參數條件。

圖2 低壓預警模型Fig.2 Low pressure warning model

圖3 基于隨機森林的特征提取流程Fig.3 Feature extraction process based on random forest

依據歷史數據建立特征向量,實現竊電行為、正常用電行為差異化表征目標,以此為基礎訓練二分類機器學習模型,輸出竊電嫌疑程度數據,判斷某階段、某用戶用電行為是否為竊電行為等。

反竊電概率預警分析模型同樣基于大數據分析技術,但更多利用建立的用戶數據庫分析各類用電數據之間的關系,利用邏輯回歸算法、層次聚類分析算法等將目前用電數據曲線與用戶歷史用電軌跡進行對比,確定嫌疑目標。如在電力營銷業務中,對各類用戶用電數據進行多重分析、比對,將歷史數據、竊電行為數據與常規用電數據等進行關聯性及邏輯回歸概率分析,由系統進行計量裝置、各級線損在線監測等,自動篩選、定位竊電嫌疑行為,確定電力供應故障位置,智能診斷并分析異常情況,利用智能比對方法代替傳統人工排查,可有效提升竊電概率預警效果及效率。主要流程為在線實時監測、篩選、分析、受理、反饋、改進等。

2.2 構建反竊電智能監測平臺

以上述模型建立為基礎進一步構建反竊電智能監測平臺,借助大數據分析技術與人工智能及萬物互聯等技術,實現人機交互,達到反竊電智能偵查目標。借助模型收集并整理相應的偵查數據,對竊電行為予以深入分析,當發現異常情況或疑似竊電行為時,利用監測系統智能預警功能發出預警信息[3]。依據反向分析原理,針對模型鎖定的典型竊電案例進行特征數據收集及整理,形成典型案例特征數據庫作用于整個監測系統,可有效提升竊電行為預測效果及智能監測平臺的實用性。

2.3 進行全方位及全過程的營配稽查

全方位、全過程的營配稽查是在上述稽查管控體系基礎上進行竊電行為偵查,需要大數據分析技術的支持,可實現全國范圍內電力用戶數據共享、用電行為智能分析等,更加全面地分析、比對用電行為,確定竊電行為嫌疑程度,保障用電行為的辨別效果[4]。在大數據分析技術、信息共享技術的支持下,結合專家經驗自適應學習,從事前預防、事中管控、事后嚴懲等角度落實竊電偵查、預測、預警、約束、管控、懲處等工作,落實預防規則制定、業務執行流程制定與完善、約束性填報、用電監管規則庫建立、電力營銷實時在線監督、異常情況實時反饋、在線干預等工作,確保反竊電效果[5]。

2.4 科學評價、決策分析體系的應用

構建科學評價、決策分析體系可對反竊電稽查工作的開展情況進行判斷及效果評價。為進一步保證分析、評價體系的應用效果,應以稽查結果數據匯總、整理及分析結果為依據,開展日常評價、階段性評價測試等工作[6]。將業務開展結果數據與業務執行標準、預期目標及工作計劃等相結合,設置評價標準、評分規則,建立相應算法庫,設置算法選擇參數,依據系統需求自動、合理選擇算法,分析、評價反竊電大數據服務平臺系統功能與模塊建立及實施情況。

建立稽查成效分析中心,依據稽查內容進行處理情況、歷史稽查記錄核查及場景信息比對,對稽查標簽命中率、處理評價信息及嫌疑數等做比對,按照人員、嫌疑問題、行業單位、稽查場景等維度進行稽查結果分析,形成成效分析管理模式,為有效、合理展開稽查工作提供支持。

建立決策中心輔助模式,依據評價、成效分析結果建立電力營銷業務規則分析評估機制及輔助決策機制,對評價普遍偏低的規則進行執行度偏低原因分析,對執行情況參差業務統一執行標準,結合營銷數據、稽查需求對新型業務(無適應規則)制定規則[7],實現規則迭代、業務宣貫及執行管控等目標。

2.5 反竊電閉環管理體系的應用

針對反竊電作業流程建立、裝備信息采集、營銷業務應用系統運行及移動作業終端等作業活動建立閉環式管理體系[8],根據竊電行為特征制定反竊電作業流程,將流程數據嵌入管理體系中,以指導展開反竊電作業活動。結合系統錄入的電力供應設備型號標準及電流、電壓使用數據等進一步排查電力異常情況,鎖定嫌疑用戶,將其納入監控系統,對嫌疑用戶進行實時、長效監測,判斷其異常情況為偶然還是經常性,若為偶然,則可將其釋放至常規監測中心,予以常態化監督管理;若為經常性,則應升級嫌疑等級,進一步進行數據分析,確定是否為竊電用戶。將竊電數據移交至反竊電管理中心,作為反竊電執法的依據[9]。

2.6 反竊電輔助功能的應用

結合預警分析模型、偵查體系及智能監測平臺的建立,將各類稽查模式應用于竊電用戶標簽活動中,輔助建立用戶行為屬性系統,利用信息技術、互聯網技術,與95598渠道及營業大廳聯網,有效獲取相應的服務數據、營銷業務數據,對客戶信息進行整理、分析,輔助判斷用戶用電行為的可靠性[10]。可與地方政府信用平臺聯網,將分析獲得的用戶數據同步于信用平臺,督促用戶改正錯誤行為,營造誠信用電環境。

3 案例與結果分析

以某市電力營銷智慧數字稽查系統中2021年6月1日—2022年5月31日的竊電與非竊電用戶數據為研究對象,選取600名用戶,以用戶電量應用數據為機器學習、隨機森林模型的基礎,按照2:1的比例設置訓練集、測試集,將0值占總天數比例及空值占總天數比例、0值與空值占天比例對比數據、日用標準差、月用最小值、用電類別、電壓等級等作為特征,構建特征數據庫。運用邏輯回歸計算模型,將最大迭代次數設置為200,正則化參數設置為0.01,計算竊電用戶疑似程度,如表1所示。結果表明,最高疑似程度達到了75%。利用此方法對某地區973 749戶電量數據進行測算,按照由高到低順序排列,將概率超過65%的用戶視為疑似,疑似用戶數量達750戶,占測算總用戶數的0.077%,效率較高,現場排查范圍縮小。對疑似用戶下發稽查工單的同時做現場核查,確定其中有501戶具有竊電行為,準確率達66.8%。

表1 疑似竊電用戶清單Tab.1 List of suspected power thieves

4 結束語

將大數據分析技術應用于反竊電稽查行為中可提升稽查效率及精準度。在建立反竊電預警分析模型后,應針對具體反竊電偵查工作建立管控體系,有效落實各類工作。利用大數據分析結果進一步開展現場檢查論證工作,綜合評估各類因素的影響因子(如影響技術稽查結果的系統故障因素—聯網設備性能、穩定性、參數設置等),確定結果的可靠程度。

在大數據分析技術的支持下,精準反竊電實踐目標基本達成,但還需進一步提升技術的先進性(如用戶信息數據庫的建立、甄別嫌疑用戶、常規用戶特定數據庫的建立等)。應在深入研發技術的基礎上令目標群體數據收集更準確,反竊電行為稽查結果更精準。