基于大數據分析的高壓竊電模型診斷研究及應用

摘 要：針對當前電力企業面臨的線損壓力和反竊電要求，提出了基于用戶、臺區檔案以及電壓、電流曲線等海量數據，通過數據清洗、竊電特征分析、竊電檢測分析構建竊電診斷模型的綜合解決方案。通過現場實測驗證，竊電診斷模型判斷出的竊電嫌疑戶準確率達到89%，實現了竊電用戶的及時發現、精準診斷，降低了電力企業的非技術性損失。

關鍵詞：反竊電；數據清洗；模型診斷

中圖分類號：TM73""" 文獻標志碼：A""" 文章編號：1671-0797（2025）02-0010-04

DOI：10.19514/j.cnki.cn32-1628/tm.2025.02.003

0""" 引言

目前大部分省市電力用戶采集仍為24點數據采集，隨著電力用戶計量裝置采集性能的提升，部分省市的采集點數已由24點上升為96點，電力用戶的采集變量包括電壓、電流、功率、功率因數等等，數據量呈指數級上升，如何從海量數據中精確診斷并提取出竊電嫌疑用戶，是目前電力企業面臨的一大技術難題[1]。

高壓用戶竊電是指用戶通過改變計量裝置的接線方式使計量裝置不計量或少計量，從而達到用戶不交電費或少交電費的目的。高壓用戶計量裝置的接線方式分為三相四線制和三相三線制，電能量的計算公式分別為：

三相四線制：

W=P=3UIcos θ""""""""""""""""" （1）

三相三線制：

W=P=UIcos θ""" （2）

由公式（1）（2）得出，降低計量裝置的功率、電流、電壓等任一變量，均會造成電量少計，從而達到竊電的目的。按照這個原理將竊電的手法進行分類，大體可分為欠壓法竊電、擴差法竊電、移相法竊電、欠流法竊電、無表竊電等[2-4]。

1""" 模型構造過程

本模型主要包括數據獲取、數據清洗、特征構造、模型構建、模型驗證優化5個環節，其中數據清洗及特征構造屬于關鍵點，模型構建為重點，模型流程圖如圖1所示。

1）數據獲取：從供電企業營銷系統獲取歷史反竊查違清單及用戶檔案數據，從用電采集系統調取用戶日電量、高壓用戶所在線路的日線損數據。

2）數據清洗：針對歷史竊電樣本進行分析篩選及修正，同時從異常值檢測與處理、缺失值分析及處理等角度對采集數據進行預處理，提高數據質量。

3）特征構造：結合業務經驗及數據探索，從時間維度、統計方法、采集指標及指標間關聯性等多方面構建特征，為模型構建提供基礎。

4）模型構建：計算樣本指標，將樣本集分為訓練集和測試集，采用機器學習LightGBM分類算法，借助K折交叉驗證方法，并通過調參策略獲取最優參數，完成模型構建。

5）模型驗證優化：在測試集上分析評估，利用精準率、F-score、AUC等指標對模型進行評估優化；此外，通過現場查驗，基于核查結果迭代優化模型。

2""" 竊電模型診斷

高壓用戶竊電診斷包含三大核心子模型，分別為電壓異常診斷模型、電流異常診斷模型、中性線異常診斷模型。

2.1""" 電壓異常診斷模型

針對高供高計三相三線、三相四線用戶，三相相電壓數據值正常且大致相等，根據線電壓數據值診斷及等邊三角形原理，三相四線用戶至少其中一異常相電壓數據為正常情況下相電壓的倍或三相三線用戶至少其中一相電壓數據為線電壓的倍，可判斷出電壓互感器是一相極性接反或者兩相極性接反異常，從而引起少計量誤差失準[5-7]。

電壓異常診斷模型旨在挖掘采用欠壓法竊電的異常電力用戶。在存在一定電流數據的情況下，通過統計一定時間范圍內各相欠壓點數，分析電壓數據是否超過給定閾值K，從而判斷高壓用戶是否存在欠壓竊電嫌疑。

判斷公式為：

I（f（xt）=0，f（yt）≠0）＞K

式中：K為閾值；f（xt）為電壓；f（yt）為電流。

滿足判斷公式的則為疑似欠壓法竊電用戶。

2.2""" 電流異常診斷模型

電流異常診斷模型主要包括失流異常診斷、三相電流不平衡診斷，旨在檢測采用欠流法竊電的異常用戶[8-10]。對于高壓用戶，欠流竊電法的特征主要表現為：某相電流失流或不平衡，另外兩相電流數據變化趨勢一致，如圖2所示。因此采用相關性系數算法，計算非失流的兩相電流相關性系數，判斷是否超過閾值范圍，從而辨識欠流竊電嫌疑用戶[11]。

失流、不平衡判斷規則：電流為0的點數大于閾值K1（K1設為2）。

相關系數計算公式如下：

ρX，Y==

=

式中：X為臺區供電量/線損率；Y為臺區售電量/用戶電量；cov（X，Y）為X與Y的協方差；σ為方差；E為期望。

根據設置的相關性系數閾值，判斷疑似欠流法竊電用戶。

2.3""" 中性線異常診斷模型

1）中性線未接或虛接診斷：主要針對三相四線用戶標準電壓規格，根據負荷不平衡情況下中性點漂移理論，負荷不平衡時各相電壓會發生變化，負載重的一相電壓降低，負載輕的一相電壓升高。假設其中一相日平均電壓高于閾值K2，一相日平均電壓低于K3；另一相日平均電壓在一定的范圍區間；若滿足異常天數閾值即判定為中性線未接或虛接。

2）相線、中性線反接診斷：根據三相四線用戶標準電壓規格，其中任意異常兩相日平均電壓高于閾值K4；另一相日平均電壓值正常，在一定范圍內；滿足異常天數閾值即判定為相線、中性線反接。

3）三次諧波干擾診斷：針對三相四線用戶中性線電流值（中性線實測數據值）大于最大相電流值N倍以上，并結合電能表存在有效異常事件記錄，則判定用戶存在三次諧波干擾。

3""" 應用成效及查處案例

3.1""" 應用成效

根據竊電3種診斷模型，從海量數據中提取出用電異常用戶44戶，并在東明、曹縣、成武、鄆城4個縣區進行現場實測驗證，共發現計量異常或竊電39戶，竊電診斷模型綜合準確率達到89%，如表1所示。

3.2""" 模型診斷案例

通過系統模型規則，發現用戶A三相電流嚴重不平衡，C相失流。經過現場核查，A、B相一次側實時電流與表計實時顯示電流一致，如圖3系統截圖所示。C相一次側實時電流61 A，表計C相實時顯示0.00 A，如圖4所示，此相基本不計量。現場進一步檢查發現C相互感器二次回路被人為折斷，初步判斷為人為竊電。后臺調取歷史數據發現此戶從2018年10月份開始竊電，預計追補電費70萬元左右。

4""" 結束語

本文針對高壓用戶竊電時的電壓、電流特征，詳細介紹了電壓異常、電流異常、中性線異常三種異常診斷模型，根據模型特征從用電采集系統海量數據中提取出用電異常用戶，通過現場實測驗證，竊電模型正確率達到89%。同時介紹了模型現場實測案例，為供電企業挽回了電量和電費損失，維護了正常用電秩序。本文僅對高壓用戶竊電情況進行了詳細分析，未充分考慮低壓用戶的情況，為適應各種用戶和不同竊電手法，診斷模型仍需進一步完善。

[參考文獻]

[1] 朱俏婷.基于大數據發現專變計量裝置竊電的方法研究[J].機電信息，2023（13）：70-73.

[2] 董立紅，肖純朗，葉鷗，等.一種基于CAEs-LSTM融合模型的竊電檢測方法[J].電力系統保護與控制，2022，50（21）：118-127.

[3] 劉康，劉鑫，張蓬鶴，等.基于負荷尖峰特征LSTM自編碼器的竊電識別方法[J].電力系統自動化，2023，47（2）：96-104.

[4] 張宇帆，艾芊，李昭昱，等.基于特征提取的面向邊緣數據中心的竊電監測[J].電力系統自動化，2020，44（9）：128-134.

[5] 鄒念，張穎，蘇盛，等.基于小時尺度周期特征自編碼器的用戶竊電識別方法[J].電網技術，2023，47（6）：2558-2567.

[6] 游文霞，李清清，楊楠，等.基于多異學習器融合Stacking集成學習的竊電檢測[J].電力系統自動化，2022，46（24）：178-186.

[7] 唐捷，楊銀，劉斯亮，等.基于改進SVM與NSGA-Ⅲ的臺區相序在線優化方法[J].電力系統自動化，2022，46（3）：50-58.

[8] 殷濤，薛陽，楊藝寧，等.基于向量自回歸模型的高損線路竊電檢測[J].中國電機工程學報，2022，42（3）：1015-1024.

[9] 曹暉.電能表典型采樣電路的竊電及差錯電量分析[J].黑龍江科學，2023，14（22）：54-56.

[10] 李彥.基于神經架構搜索的智能電表竊電識別方法研究[J].中國新技術新產品，2024（3）：146-148.

[11] 李萬，黎海生，李景村.查處竊電典型案例[J].農村電氣化，2023（7）：89-92.

收稿日期：2024-09-23

作者簡介：趙承楠（1987—），男，山東東明人，高級工程師，研究方向：電力市場營銷。