基于用户用电行为分析的反窃电系统设计

■ 国网随州供电公司 耿安坤

窃电的形式多种多样，常见的大致可以分为6类，分别为：欠压法窃电、欠流法窃电、移相法窃电、扩差法窃电、无表法窃电、高科技窃电。在用户计量准确的情况下，用户电量主要与电压、电流、功率因数和用电时间有关，欠压、欠流和移相法窃电就是通过改变表计的电压、电流和功率因数来使得表计少计电量，从而达到窃电的目的。扩差法窃电是通过技术手段使表计计量误差增大，导致计量不准。无表法窃电就是直接从供电公司的公用线路上接线用电，没有经过表计，这种方式较难在系统监测发现，而且容易引起安全事故。高科技窃电就是通过技术手段影响智能电表内部芯片、互感器等模块的功能，也有的通过智能表对外接口与电表进行通讯，进而修改电能表内部的存储数据，使得电量少计。

尽管窃电的手法越来越先进，但是只要用电行为发生，就会在系统留有大量数据痕迹，通过分析这些数据，就可以精准地发现窃电行为。用户的用电数据可以分为2大类：一是营销业务系统里的档案数据；二是用电信息采集系统里的表计电量数据。档案数据包括用户行业分类、用电类别、身份信息、电价类别、历史月电量、交费信息、费控信息等。表计电量信息包括实时电压、电流、历史日电量、所属台区信息、所属线路信息、互感器倍率信息等。目前，研究较多的反窃电方法有3种，分别是基于状态估计[1-2]、基于博弈论[3]和基于机器学习[4]的反窃电方法研究。基于用户用电行为分析反窃电就是属于机器学习类反窃电方法。

用户用电行为分析的研究与应用

近年来，随着智能电表和智能终端的深化应用，用电数据出现了爆发增长，对海量数据进行挖掘分析和有效利用是当前研究的热点课题，同时，也对电网企业的提质增效和转型发展具有重要价值。目前，国内外对用户用电行为分析的研究主要集中在技术研究、算法研究和应用研究3个方面。技术研究侧重于对数据从采集、存储、分析的过程中涉及的软硬件方案及关键技术进行研究[5-6]。算法研究侧重于对聚类算法进行改进和优化，提高算法准确度和运算速度[7-8]。应用研究侧重于对数据分析结果的应用[9-11]，实现电力大数据的实际应用价值。本文主要是对用户用电行为分析在反窃电中的应用进行研究。文献[9]提出了一种对用户用电行为进行分析实现电力系统“削峰填谷”的方法。文献[10]通过分析用户用电行为对不同类型用户进行画像，从而为用户提供个性化优质服务。文献[11]通过对用户档案资料和交费信息进行分析，评估客户信用等级，降低电费回收风险。

用户用电行为分析过程

用户用电行为分析大致可以分为数据获取、数据处理、数据挖掘和数据应用4个阶段，如图1所示。

数据获取是通过智能表计、智能终端等采集用户用电数据，然后，通过有线或无线通信将数据传输到主站服务器。

数据处理是对数据进行过滤处理，去粗存精，包括异常值处理、数据缺失处理以及特征处理等，处理之后将数据整合、分类和存储。

数据挖掘是利用诸如聚类、关联规则挖掘等方法，找出数据中的隐含信息和潜在联系，并将这些联系与规律表示出来。

数据应用是指将挖掘出来的信息应用到用电检查、电量预测等领域，提升工作质效。

图1 用户用电行为分析过程

表 1 异常用电对应的用电特征

用电行为分析在反窃电中的应用

用电特征提取

根据功率表达式可知，电能计量主要与电压、电流、功率因数这3个量有关。在异常用电的情况下，电压、电流及功率因数的特征与正常用电时的特征会有差异。异常用电对应的用电特征如表1所示。

多特征融合分析

在对异常用电情况进行分析时，可以根据电压、电流、功率因数3个参数进行单独分析，电流主要分析三相不平衡度，电压主要分析与额定电压的偏差值，功率因数主要分析是否低于标准值，但是，单独检测的准确度并不高。为了提高准确性，需要进行多特征融合分析，比如当三相电表某一相上无电压有电流时，就可以判断用电异常。多特征融合主要是基于D-S证据理论合并规则的改进，通过建立识别框架，确定证据的可信度分配，再根据一定的合并规则，得到对命题最后的支持程度。

用电模式特征分析

根据实验结果分析，用户改动计量器具窃电的情况下，通过多特征融合分析，能够比较准确地检测出异常点。但是，当用户无表窃电时，就没办法再检测出异常点，这个时候就需要采用用电模式特征分析进行检测。用户用电时，会形成特定的用电模式，正常用电情况下，用电模式会有有一定的规律。用户每天分时负荷情况，可以构成1个24维的向量，该向量可以得到负荷曲线。对负荷曲线进行聚类分析，就可以检测出异常用电曲线。在实际工作中，根据线路线损率或台区线损率的情况，可以初步分析出哪些用户可能有异常用电情况，这样可以缩小检测的原始样本。如果用户从开户时开始就窃电，那么，就没有办法从历史数据中提取出正常的用电模式，这样，这种方法就失去了作用。但是，在实际中，极少出现从开户时就开始窃电的情况。

在用户用电行为分析中，常用的聚类算法是K-meas聚类算法，这种聚类也可看做是梯度聚类，梯度距离反映了不同模式的相似性度量。用电模式分析算法流程图，如图2所示。

图2 用电模式特征分析算法流程图

图3 异常用电行为分析流程图

异常用电行为分析

本文提出的窃电检测方法是基于电气参数多特征融合分析和基于聚类算法的用电模式分析。为了提高检测效果及准确性，先根据线损指标情况，锁定大致异常用电的户数范围，再利用多特征融合分析用户表计的电压、电流及功率因数，检测出异常用电用户，最后，再对异常用电用户进行用电模式分析，判定窃电用户。具体的流程图，如图3所示。

随着基层站所员工老龄化的加重，传统的工作方式已经不能适应新的工作要求，伴随着人工智能及信息技术的发展，为大量工作提供了新的解决方法和途径。本文结合实际，提出了一种基于用户用电行为分析的反窃电方法，能够很大程度降低人工操作工作量，同时，可以提升窃电监测工作质效。在将来，电力数据与天气数据、金融数据等外部数据进行融合，将会进一步提升用电行为分析检测的准确性，同时，也会为负荷预测、供电服务等其它工作提供强有力的支撑。