基于用电信息采集大数据的防窃电方法研究

窦健，刘宣，卢继哲，吴迪，王学伟

(1. 中国电力科学研究院，北京 100085； 2. 北京化工大学 信息科学与技术学院，北京 100029)

0 引 言

电力工业是国民经济的基础性产业，保证电网企业及时收回电费是确保电力发展的必要条件。但是由于各种原因，目前窃电现象还普遍存在，部分地区甚至还很猖獗，给供电企业也造成巨大损失[1-2]。据不完全统计，我国每年窃电损失达200亿元[3]。

常见的窃电方法可分为与计量装置有关的窃电和与计量装置无关的窃电两大类。其中与计量装置有关的窃电主要包括欠压窃电法、欠流窃电法、移相窃电法、扩差窃电法等[4]；而与计量装置无关的窃电包括绕越计量装置窃电、私自增加用电设备容量窃电等[5]。近年来，大数据技术在各个行业逐渐得到广泛的应用，大数据是指无法在可容忍的时间内用传统的IT技术、软硬件工具和数学分析方法，对其进行感知、获取、管理、处理和分析的数据集合[6-7]。智能电网被看作是大数据应用的重要技术领域之一，用电信息采集系统是国家电网公司信息化建设的重要基础，是提升服务能力、延伸电力市场、创新交易平台的重要依托[8]。目前国家电网公司的用电信息采集已经基本实现“全采集、全覆盖”，能够及时、完整、准确掌控广大电力用户的用电数据和信息[9]。然而，如何应用用电信息采集系统多年来运行采集与沉淀的大量数据，研究防窃电的策略、分析数据处理方法、构建防窃电模型等，是该领域面临的具有挑战性的问题。

根据用电信息采集系统的数据，建立各种数据与各类异常事件与窃电行为之间的关联关系，据此，建立基于大数据的防窃电结构化模型，进而解决大数据条件下的窃电行为监控问题。

1 常见窃电方法与相关特征参量

针对形式多种多样的窃电手法，通过用电信息采集系统采集的数据，实时监测用户的用电状态参量。随着大数据技术的发展，选取电压、电流、功率、电量等作为窃电判据中的电气参考量，通过当前数据与历史数据相结合分析用电行为，发现窃电可疑用户，实现利用大数据技术进行反窃电。采用大数据技术辨识窃电方法的关键是分析不同窃电方法的窃电特征，进而给出监测的相关特征电气参量。

根据功率测量与电能计量的基本原理，用户负荷功率、电流、电压、以及电流和电压间的相位关系这三个参量相关，用户负荷消耗电能与负荷运行功率和时间相关，通过用电信息采集系统监测电流、电压、功率因数、电量、线损等电气特征参量和各种事件的状态特征参量，建立该特征参量与用户用电行为的关联关系，表1为建立大数据防窃电的结构化模型奠定基础。

表1 常见窃电方法与主要特征参量

2 基于用电信息采集大数据防窃电方法

尽管窃电手法多种多样，然而这些窃电行为都会在窃电用户用电量统计数据上反映出来，特定时期内用户用电统计数据与用户的用电习惯与特征相关联，通过对海量的用电统计数据分析，提取出对决策者决策有价值的信息，可发现其背后隐藏的客观规律，进而实现防窃电目的。基于用电信息采集系统大数据的防窃电方法如图1所示。该方法分为四部分：(1)用电信息采集系统的数据采集；(2)分布式数据存储；(3)结构化的防窃电模型；(4)窃电嫌疑预测。以下将分别进行分析。

图1 基于用电信息采集大数据的防窃电方法

2.1 用电信息采集系统的数据采集

用电信息采集系统表示为三层简化物理结构[10]，如图2所示。顶层系统主站负责整个系统的用电信息采集、数据管理与应用，以及与其他系统的数据交换等功能，是用电信息采集系统的核心计算机网络系统；第二层是数据采集层，其主体为电能信息采集终端与集中器，主要负责对各采集点电参量信息的采集和监控；第三层是采集点监控设备层，包括智能电能表等，是电参量信息采集源和监控对象。通过用电信息采集系统可以实现对电力用户的“全采集、全覆盖”，及时、完整、准确掌控电力用户的当前数据和历史数据等用电信息，为分析窃电行为提供稳固的数据基础。

用电信息采集系统的主站，根据监测用户的电参量数据和用电异常监测模型，对相同的计量点通过不同方式采集的电参量数据进行比对，或者对同一计量点的实时数据与历史电参量数据进行比对，依据对比曲线数值差距和趋势差异，判断用户用电是否正常，如果发现异常，启动异常处理流程，对此用户其他的参数进行持续监测，并根据窃电嫌疑预测模型，将监测的数据进行综合分析判断给出“窃电概率系数”。

图2 用电信息采集系统三层结构

2.2 用电信息采集系统的数据类型

用电信息采集系统监测的数据按照时间属性可分为l类数据(实时和当前数据)、2类数据(历史日数据和历史月数据)和3类数据(事件数据)[11]。按照数据的物理属性可分为：(1)电能数据 (总电能量、各费率电能量、最大需量等)；(2)交流模拟量(电压、电流、有功功率、无功功率、功率因数等)；(3)工况数据(开关状态、终端及计量设备工况信息)；(4)电能质量越限统计数据(电压、功率因数、谐波等越限统计数据)；(5)事件记录数据 (终端和电能表的事件记录数据)；(6)其他数据(预付费信息等)。

1类数据主要反映电力用户当前的实时用电信息；2类数据具有时间序列属性。此类数据可提供曲线数据，并给出曲线时间周期，1、2类数据是分析窃电现象的基础数据。3类数据为事件数据，记录事件的详细状态信息。其中电流回路异常、电压回路异常、相序异常、有功总电能量差动越限事件记录、电压越限记录、电流越限记录、电能表示度下降、电能量超差等事件详细信息可为分析窃电提供综合判断依据。

2.3 分布式数据存储

目前，用电信息采集系统主机架构采用基于传统的IOE 架构，采用IBM 系列主机及配套存储与Oracle关系数据库。但这种结构越来越不适合于海量数据的存储，因此为了适应海量采集数据的存储，可采用关系型数据库 (Oracle) 和No SQL数据库 ( HBase)相结合的存储方式[12]，使用Oracle 存储全部参量关系数据，而采用具有高可靠性、可伸缩性的海量数据分布式存储系统HBase，保存系统的海量监测数据，经过数据处理后转存到Oracle。采用HBase技术可搭建起大规模、结构化的存储集群，同时采用Hadoop的MapReduce技术，可对HBase分布式存储系统中的海量数据进行高效的计算和分析。通过上述方法解决使用Oracle数据库进行海量数据分析的性能问题。HDSF(Hadoop Distributed Filesystem)是一个分布式文件系统，以流式数据访问模式来存储超大文件，从而实现一次写入、多次读写的最高效访问模式；并在普通的商用硬件上运行。

3 基于用电信息采集大数据防窃电结构化模型

3.1 防窃电结构化模型的总体架构

基于用电信息采集大数据防窃电的结构化模型如图3所示，主要包括以下三部分：数据预处理，用电异常检测模型与窃电嫌疑预测模型。

图3 大数据防窃电的结构化模型

3.2 数据的预处理

在用电信息采集系统的数据采集中，数据缺失是一个不可避免与必须面对的问题。尤其是电量和功率等数据的缺失会直接影响用电异常信息的挖掘和窃电嫌疑预测等准确性。因此，对缺失数据的处理变得非常重要。文中把缺失属性作为因变量，其他属性作为自变量，利用n次多项式逼近法进行缺失值插补，插补的步骤(以模拟有功功率参量的缺失属性为例)如下：

第一步，选择取3阶(或5阶)拟合方程。设有功功率参量x与属性量时间t之间的函数拟合方程为：

x(ti)=a0+a1ti+a2ti2+a3ti3+……+a5ti5

(1)

第三步，依据最小二乘法原则，使插补[xn,tn]值的均方差达到最小，求解出系数a0,a1,a2,a3值，即使下述均方差方程：

(2)

对系数a0,a1,a2,a3求导数最小值，建立矩阵：

(3)

第四步，将式(1)函数结构优化，输入缺失属性参量值tn，求出有功功率缺失属性数据[xn,tn];

x(tn)=a3tn3+a2tn2+a1tn+a0=

[(a3tn+a2)tn+a1tn]tn+a0

(4)

3.3 用电异常检测模型

用电异常检测模型如图4～图7所示，分别为：线损异常模型；交流电压异常模型；功率因数异常模型；交流电流异常模型。

图4 线损异常模型

图5 交流电压异常模型

(1)线损异常模型：根据国家电网电能损耗管理规定，城网线损率低于5%，农网线损率低于7%。以此两个阈值作为判定条件；

图6 功率因数异常模型

(3)功率因数异常模型：根据《功率因数调整电费办法》，工业用户功率因数应大于0.80，为了同时适用于100 kV·A及以上农业用户，功率因数异常的阈值设定为0.6；

(4)交流电流异常模型：根据电流失流异常、电流不平衡以及线损、电量等约束条件来判定。

线损异常模型适合表1中3～6的窃电情况。交流电压异常模型适合表1中1、3、4、8的窃电情况；功率因数异常模型适合表1中7的窃电情况；交流电流异常模型适合表1中2～6的窃电情况。

图7 交流电流异常模型

3.4 窃电嫌疑预测模型

当某用户存在窃电行为时，该用户必然会出现用电异常状态，而且大多数情况下用电异常状态具有多面性与持续性，即几种用电异常状态同时持续发生。据此特性，通过综合计算用户不同类别用电异常状态出现的次数，设计一种窃电嫌疑预测模型，来判断该用户的“窃电嫌疑系数T”。

(14)

式中Ti表示在一天连续监测中，用户每种类别的用电异常模型中出现异常次数;εi表示每种用电异常模型对应的不同权值。

通过设定Ts1、Ts2、Ts33个窃电系数判别阈值，且Ts1>Ts2>Ts3，将判别输出结果分为四种窃电嫌疑等级：无窃电，窃电等级A，窃电等级B，窃电等级C，如图8所示。窃电等级从A～C的嫌疑程度减少，为稽查处理窃电提供依据。

图8 窃电嫌疑预测模型

通过采用国内某电力公司用电信息采集系统中多个用户发生窃电行为时的用电数据，验证了该方法的正确性。

4 结束语

文中分析了常见的窃电方法及其特征，给出了相关特征参量；其次，设计了基于大数据的防窃电结构化模型，其中用电异常检测模型建立了窃电行为与用电信息采集系统中各种数据和各类异常事件之间的关联关系，窃电嫌疑预测模型给出了用户四种窃电嫌疑等级；最后，通过“窃电嫌疑系数”估计，锁定窃电稽查的对象。为用电信息采集系统大数据防窃电方法提供了技术基础。