基于離群點挖掘的反竊電稽查遠程實時監測方法研究

0 引言

隨著電力行業的快速發展和用電規模的日益擴大，竊電問題逐漸成為供電企業面臨的一大挑戰。竊電行為會導致電力設施損壞、電力事故頻發，對社會穩定和公共安全構成嚴重威脅。因此，必須開展反竊電稽查工作，及時、準確地發現和打擊竊電行為。傳統的反竊電稽查方法主要依賴于人工現場檢查，然而這種方法存在諸多不足：一方面，人工檢查需要耗費大量的人力、物力和時間，檢查效率低下；另一方面，竊電手段日益多樣化、隱蔽化，傳統的檢查方法往往難以發現隱藏的竊電行為，使得竊電問題屢禁不止。

文獻[1通過對龐大的用電數據集進行深度挖掘與分析，成功識別出異常用電模式，從而能夠精確識別并定位竊電行為，然而，該方法的監測效率存在局限性。相比之下，文獻[2]則借助電能計量裝置的自動化校驗功能，結合實時數據監控與分析手段，實現了對竊電行為的識別與定位，有效遇制了竊電事件的發生，但其識別精確度有待提高。本文則進一步深入探究竊電行為的特征與規律，構建了竊電行為識別模型，并基于離群點挖掘技術，設計并實施了反竊電稽查遠程實時監測方法。

1基于離群點挖掘的反竊電稽查遠程實時監測方法的設計

1.1基于離群點挖掘的用電異常數據特征提取

一旦竊電行為出現，三相電壓和電流將出現異常，使得竊電用戶在整個系統中顯得尤為突出，成為離群點3]。本文在綜合考慮多種因素的基礎上，決定采用離群點挖掘算法來實現竊電判定和反竊電監測。

首先，通過離群點挖掘算法挖掘用電數據時，異常用電數據涵蓋缺失和錯誤兩種情況，具體確定流程如下：

1）輸入t時刻的電量數據 Q（t） ，識別其中的缺失數據。若t時刻電量與t-1時刻電量相同，則判斷該時間段內電量數據缺失。

2）初次識別錯誤的電量數據，基于一天內電量數據應遞增的原則[4，若t時刻電量小于或等于t-1時刻電量，則確認t時刻數據為錯誤數據，并將其存入錯誤數據集。

3）依據相鄰時間點電量0變化量來識別用戶的外出情況，當用戶外出時，僅維持基本設備運行，此時相鄰時間點的Q會呈現出規律性。通過分析用戶某時間段內每日相鄰時間點的△Q，可以獲取其外出時的電量變化規律，并據此判斷用戶是否處于外出狀態。若電量消耗在通常較高的時段出現顯著偏差，則將該數據視為低電量異常數據。

4）一旦確定了用戶的外出模式，則采用離散點挖掘技術來識別用電數據中的異常值。利用有效值指數評估方法，確定離散點挖掘算法的最佳參數 w ，以優化挖掘效果。最終輸出挖掘結果，明確用電異常數據。

基于上述步驟，確定用電異常數據后，對其進行特征提取。線損率是反映臺區整體線損情況的一項重要指標，它對評價某一區域內的用戶有沒有偷電現象有重要的指導作用。通常情況下，竊電行為會導致用電次數減少，竊電者繞過計量裝置直接使用電力，將導致臺區整體供電與計量之間的差異增大，即線損率上升。因此，本文采用皮爾遜相關系數來分析臺區線損率與單個用戶用電量之間的關聯性。

設定用戶單日用電量序列為 ，其所在臺區的歷史線損率序列為 ，兩者均為N維向量，其中N代表統計天數，且 X 與Y一一對應。用戶日用電量 X 與臺區線損率Y之間的相關性通過相關系數8 來衡量：

式中： σ 表示樣本的標準差； γ 表示樣本的平均值。

因為用戶竊電與線損波動呈負相關，所以按照相關系數，定義了具有相關趨勢的用戶與臺區之間的異常特征指標e：

基于此，可提取出用電異常數據的特征，為下列反竊電監測模型的建立打好基礎。

1.2構建反竊電稽查遠程實時監測模型

將上一節提取到的異常數據特征指標作為構建的反竊電稽查遠程實時監測模型的輸入，利用分類監測模型實現反竊電的實時監測。

在反竊電實時監測過程中，會遇到多種因素相互交織的復雜情況5，模糊神經網絡能有效應對這種復雜性，因此，利用模糊神經網絡開發了實時反竊電監測模型，通過分析用電異常特征指標e來得出反竊電監測結果。模型結構包含五個層級：輸入層、模糊處理層、模糊邏輯推斷層、清晰化層及輸出層，且各相鄰層級間通過權重連接。

該模型的激活函數為高斯函數，其表達公式如下：

式中： α？β 分別代表模糊化層的中心、高度； 代表高斯函數的符號。

去模糊化層的節點數目與輸出結果的模糊分割

數量一致，均對應于反竊電監測的兩類結果：竊電與非竊電，故節點總數設為2。該層的功能是將各規則的適應度進行歸一化處理，具體歸一化公式如下：

式中： 代表當前節點數量； 代表修正系數； 代表規則適應度。

輸出層調整上一層各節點的輸出以獲取精確值，其僅包含一個節點，輸出的精確值為竊電嫌疑系數。此系數越接近1，表示竊電嫌疑越高；反之，越接近0，則嫌疑越低。

綜合上述分析，可使用加權平均法得出該反竊電稽查遠程實時監測模型的表達式如下：

式中： 代表連接權值。

通過上述模型可以輸出用戶的竊電嫌疑系數，為該用戶所在臺區是否異常及該用戶是否真實存在竊電行為提供有效支持。

1.3用戶竊電行為判定與反竊電稽查

基于上述分析，可利用上述模型對用戶所在臺區是否異常進行分析，其過程如下：

1）對臺區的歷史線損資料數據進行預處理，將線損平均值在 10% 以上的臺區剔除，并將其作為異常臺區進行標注，設置異常系數 o

2）對于其余臺區，進行離散點分析，選取前3個離散點作為挖掘結果。

3）檢查是否存在任何一類樣本數量少于總樣本的 10% ，若存在，則去除該類并重新進行挖掘；否則，不進行二次挖掘。

4）計算挖掘得到的最高群中心與最低群中心間的距離D，若D大于預設的指標閾值 ，則該臺區也被視為異常。

5）從異常臺區中找出線損率最高的類別，提取其時間坐標序列T，進行時間離散度分析，并據此計算嫌疑臺區的異常系數M。

其中，對該用戶所在待檢測區域進行異常臺區分析時，可得出 n 個異常臺區的時間離散度序列

其表達式如下：

對上述序列取倒數，可得出 ，其表達式如下：

綜合上述結果可求解出臺區異常系數M的計算公式為：

式中： 代表時間離散度 的閾值； 代表 經過歸一化后的結果。

完成該用戶所在臺區的線損波動分析后，能識別出嫌疑臺區內的全部用戶，以便開展后續的嫌疑評估流程[6]，步驟如下：

1）分析用戶離群點，通過算法確定用戶竊電疑似度指標 o

2）對比用戶疑似竊電前后的用電量，若存在顯著減少，則設定其嫌疑度 ；若無顯著變化，則 設為 的 80% 0

3）同時，考察用戶單日用電量與臺區線損率變化的關聯性，從中提取異常特征指標e。

4）將 作為基本嫌疑依據，并結合用戶與臺區關聯的異常特征e與臺區異常程度M的乘積作為輔助判斷，最終計算出用戶的綜合竊電嫌疑度 ，即 。

在步驟2）中，設定 為 的 80% ，選擇0.8作為竊電嫌疑系數 R 的依據如下：在258位有竊電行為的用戶中，隨機抽取其中 10% ，也就是26位，將他們竊電前和竊電后10天的平均電量進行比較。研究發現，有20個用戶的用電量發生了反常減少，占總用戶量的76.9% 。在此基礎上，引入修正系數，用以評價用戶有可疑竊電行為前后的電力消耗情況。在客戶用電負荷沒有發生非正常下降時，可以減少可疑程度。為了進一步優化結果，對用戶的疑似度指標進行了進一步分析，將疑似度分別乘以 （間隔為0.05）的系數，并對比竊電用戶的排名情況。經過對比分析，發現當系數設定為0.8時，結果最為合理。因此，最終確定竊電嫌疑系數R為0.8。

綜上所述，當竊電系數 與臺區異常系數M均大于0.8時，則證明該用戶具有竊電行為；反之，則無。

2 實驗測試與分析

2.1 實驗準備

本次實驗以A市供電局為研究對象，其下轄15個 變電所，供電客戶數達100萬戶，線路全長 。本實驗采用隨機抽樣的方式，對有竊電行為的電力消費者進行了調查。在此基礎上，利用基于離群點挖掘的反竊電稽查遠程實時監測方法，實現對電力系統中用戶的竊電行為進行實時監控，以此來驗證該方法的有效性和實用性。本次測試選取的部分用戶用電樣本數據如表1所示。

基于上述實驗數據設定，本次測試選定本文方法與文獻[1-2]提出的方法分別進行用戶竊電行為的判別，并檢驗三種方法的實際性能。

2.2 實驗結果與分析

首先，測試本文方法與監測效果，將本文方法監測的上述竊電用戶的電能表數據與實際 10kV 高壓側數據進行對比，驗證本文方法是否對用戶的竊電行為進行了有效監測與識別，測試結果如圖1所示。圖1監測結果顯示，該用戶的電能表數據與高壓側數據曲線發生明顯偏離，因此，可以證明該用戶存在竊電行為，本文反竊電方法的監測效果較好。

其次，將采用本文方法與文獻[1-2]方法的監測效率與監測用戶竊電量數據進行對比，測試結果分別如圖2、圖3所示。

綜上所述，相比其余兩種方法，本文方法與實際數據基本吻合，說明本文方法大大提高了稽查效率，有效降低了人工排查的工作量。同時，通過算法優化和參數設置，誤報率得到了有效控制，檢測結果的準確性得到了提高。

3 結束語

隨著智能電網的快速發展和電力大數據時代的到來，反竊電工作面臨著前所未有的機遇與挑戰。本研究致力于將先進的離群點挖掘技術應用于反竊電稽查的遠程實時監測中，通過深入的理論分析與實證研究，成功構建了一套高效、智能的監測體系。首先，對電力數據的特性和竊電行為模式進行了詳盡分析，明確了離群點挖掘技術在該領域的應用潛力。其次，通過對比多種離群點檢測算法，結合電力數據的實際情況，優化并選定了一套最適合的反竊電監測算法。該算法不僅能準確識別出異常用電行為，還能有效過濾掉由設備故障、負荷突變等正常因素引起的數據波動，確保了監測結果的準確性和可靠性。在實證研究階段，將所構建的監測模型應用于實際電網環境中，通過遠程實時監測，成功發現并定位了多起潛在的竊電行為，為電力企業的反竊電工作提供了有力的技術支持。同時，該系統的應用還顯著提高了反竊電工作的效率和準確性，降低了人力成本和時間成本，因而具有重要的實際應用價值。

[參考文獻]

[1］張杰，藺雪震，高燕增.基于大數據分析的供電所反竊電自動檢驗技術[J].電氣技術與經濟，2024（9）：113-115

[2]高博凱.基于自動化檢驗的電能計量裝置現場反竊電技術研究[J].中國新技術新產品，2024（15）：139-141.

[3］張偉，楊帥，石振東，等.基于智能防竊電終端的新型配電系統可靠性提升研究[J].環境技術，2024，42 （8） ：132-138.

[4]黃超杰，王喜剛，劉美榮，等.融合AR可穿戴設備的發展現狀及反竊電效益分析[J].中國管理信息化，2022，25（10）：195-197.

[5]胡東，呂飛春，胡驚濤，等.基于BP-LSTM混合網絡的智能反竊電裝置設計[J].煤礦機械，2022，43（6）：185-188

[6]李云峰，高云鵬，張蓬鶴，等.多目標優化時域卷積神經網絡的竊電行為高準確檢測算法[J].電網技術，2024，48（8）：3449-3458.

收稿日期：2024-12-23

作者簡介：屈凡荻 （1999-） ，女，陜西咸陽人，助理工程師，研究方向：配電網運維、負荷管理和配電網數字化監控等。周子璇（1998一），女，陜西咸陽人，助理工程師，研究方向：配電網運維、負荷預測和配電網可靠性等。