基于数据挖掘技术的反窃电方法研究

言宇

（广东电网有限责任公司东莞供电局，广东东莞 523008）

0 引言

窃电是长期困扰供电企业的难题，不仅严重损害了供电企业的效益，扰乱了正常的用电秩序，而且会造成电力设施的损坏，形成重大的安全用电隐患。供电企业一直加大打击窃电的工作力度，同时也在不断完善反窃电的技术手段。但目前反窃电技术仍存在较大的局限性，而且窃电手段日益隐蔽、多样化、快速化和高科技化，反窃电难度越来越大。

传统方法主要通过安装反窃电硬件设备、定期巡检、定期校验电表、群众举报窃电等手段来发现窃电，不仅缺乏目标性，而且耗费大量的经费和时间，差获窃电的效率低下[1]。各省市电力公司计量系统上线后，供电企业逐渐开始通过营销稽查人员、用电检查人员和计量工作人员利用计量系统的电能量数据查询功能和计量异常报警功能开展用户用电情况的在线监控工作，通过采集电量异常、负荷异常、终端报警、主站报警、线损异常等信息，来实时监测窃电情况和发现计量装置的故障。但往往由于信息量太大无法逐一核查、终端误报或无用信息太多，难以实现真正快速精确定位窃电嫌疑用户的目标。

1 反窃电现状分析

当前，窃电的手段花样繁多，并呈高科技化倾向，但窃电行为最终是体现在使得电能表表计电量值变小，从而达到少交或不交电费的目的；而电量等于电压、电流、功率因数三要素和时间的乘积，因此，改变这三个要素均可以使电能表慢转、停止甚至逆转。此外，通过采用改变电表本身结构性能，使电表慢转或不转，也可以达到窃电的目的。因此，除加强电能表及封印管理外，反窃电可以从电量三要素入手，对用户电压、电流、功率因数等进行深度分析，发现其中隐含的用电异常，筛选出窃电嫌疑用户清单，为反窃电提供较精确的指导。

2015年广东电网公司计量自动化系统的正式投运，实现了对电厂、变电站、公变、专变、低压集抄的电量和负荷的自动采集监控，运行几年已存储了大量用户用电数据信息。这些数据信息随着时间的累计，已经具有一定规模效应，为进行反窃电分析提供了较好的原始数据基础。然而，提取有用的信息却成为巨大的挑战。由于数据量太大，无法使用传统的数据分析工具和技术处理它们，这样就需要研究和应用新的方法，例如数据挖掘技术的应用。

2 数据挖掘技术

数据挖掘[2]是从大量数据（包括文本）中挖掘出隐含的、先前未知的、对决策有潜在价值的关系、模式和趋势，并用这些知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。传统的数据分析技术在应对处理海量数据集时存在种种局限性，而数据挖掘技术有效地突破了这些局限，为分析处理海量数据并提取有用信息提供了有效手段。

人工神经网络是近年来比较流行的一种数据挖掘技术，它是对人脑组织机构和运行机智的认识理解基础之上模拟其结构和智能行为的一种工程系统，但它也存在不能很好地处理和描述模糊信息、对样本的要求较高等缺点。模糊神经网络（FNN）[3]是模糊系统与神经网络相结合的产物[4]，结合了神经网络系统和模糊系统的长处，具有能自适应学习、处理和描述模糊信息、对样本的要求较低、精度高等优点，它在处理非线性、模糊性等问题上有很大的优越性，在智能信息处理方面存在巨大的潜力。

模糊神经网络是具有模糊权系数或者输入信号是模糊量的神经网络，它汇聚了神经网络与模糊系统的优点，集联想、识别、自适应及模糊信息处理于一体。模糊神经网络的主要特点是利用神经网络调整模糊逻辑推理系统的隶属度函数和推理规则，利用模糊推理规则的形式构造神经网络结构，从而充分发挥各自的优点。模糊规则经过神经网络的学习，以“权值”的形式体现出来，这样规则的生成和修改则转化为权值的确定和修改。模糊神经网络在解决窃电评价这类模糊问题时具有明显优势。

3 反窃电模型建立

3.1 评价指标体系

窃电评价指标体系设计原则如下：评价指标能真实反映窃电状态；样本数据方便采集，即评价指标数据能从系统获得。根据东莞地区用户用电情况、系统数据，及分析历史窃电案例基础上，初步确立了窃电评价指标体系，指标体系共分为电量、负荷、电流、电压、线损、功率因数、报警七个大指标，从日用电量、日负荷、电流不平衡、电压不平衡、日线损率、功率因数、终端报警信号等方面对目标用户的窃电嫌疑系数进行评估预测[5]。若评估的窃电嫌疑系数愈大，就表明此用户窃电的可能性越大。

现对各评价指标简要说明如下。

1）电量指标

电量指标为日用电量移动平均后做差分，统计连续变化量。通过计算N天电量移动平均差分梯度累计量进行评价，数据来源为计量自动化系统的日电量。取N=5，指标评价方法为：

其中Ei为第i日的电量。

电量移动平均差分：

即差分为负时加1，差分为正时或不变则置零。

2）负荷指标

负荷指标为实时负荷移动平均均方差的累计变化量。通过计算N天负荷移动平均均方差的累计变化量进行评价，数据来源为计量自动化系统的日负荷，计量自动化系统负荷为每15分钟采样一个数据，故对每个负荷变量而言一天共有96个数据。取N=5，指标评价方法为：

平均负荷为（其中Lij为对应第i日的第j时刻的负荷值）：

3）电流三相不平衡指标

表示三相电流之间的大小差异，计算公式=100*三相电流标准差/三相电流平均值。

5）线损指标

通过计算N天线损移动平均差分梯度累计量进行评价，数据来源为计量自动化系统的日线损率。当线损率在0-5%，认为线损率为正常状态；当线损率<0或者>25%，认为线损率为异常状态，这两张情况均不评价线损指标。当线损率在5-25%值时，认为是嫌疑状态，需评价线损指标。取N=5，与电量指标评价方法类似，线损指标评价方法为：

（1）日线损率移动平均=当天和前4天（共5天）的日线损率平均值

（2）移动差分=（当天线损率-上日线损率）/上日线损率

（3）线损指标=连续5天的正负累计量（初始化为0，移动差分为正时，累计量+1）。

6）功率因数指标

正常用户负荷的功率因数相对比较稳定，与电量使用时间无关，一般不会出现突升突降的现象。通过设定功率因数上下限值，以功率因数越限次数作为功率因数指标。

7）报警指标

通过报警信息来评估窃电的可能性，数据来源为计量自动化系统的计量故障报警信息。与窃电相关的终端报警主要有电压断相、电压缺相和电流不平衡等，以终端报警次数作为报警指标。

3.2 模糊神经网络诊断模型

反窃电诊断模型可通过构建分类预测模型来实现，由于在窃电诊断中，涉及到大量的复杂现象和多种因素的相互作用，而模糊神经网络在解决这类问题时具有明显优势，因此本项目主要基于模糊神经网络进行反窃电建模。模糊神经网络的本质就是在常规的神经网络中输入“模糊输入信号”和“模糊权值”。其结构像神经网络，功能上是模糊系统，其结构模型[6]如图 1所示。

图1 模糊神经网络结构图

该模糊神经网络是五层网络，除了输入结点层和输出结点层外，还有三个隐含层，相邻两层之间都有连接，且每个连接都对应于一个权值。现对该模糊神经网络说明如下：

1）输入层

该层有n个结点直接与输入向量x连接，将输入值x=[x1，...，xn]传送到下一层。本模型中，因窃电评价指标体系共有7个指标，输入向量x分别对应等窃电评价指标体系的7个指标，因此输入层节点数为7，即n=7。

2）模糊化层

该层在模糊神经网络中的作用是计算隶属函数。若每个输入变量均定义有m个模糊集合，则此该层内共有n×m个结点，分为n组，每组m个结点，第i组的m个结点输入都是xi。本模型中，n=7，并将每个输入变量划分为3个模糊度，即m=3，因此共划分为7×3＝21个模糊度，每个节点的激活函数分别为输入变量xi的各个模糊度的隶属度函数μ（x），则输出分别是各输入量xi的各个模糊度的隶属度函数值，是[0，1]之间的值。本层共有21个神经元。

根据窃电评价指标数据的特点，本模型中激活函数采用高斯函数。

其c是隶属度函数的中心；σ是隶属度函数的宽度。建模初始，c和σ是随机函数的初始化值，之后通过网络训练不断修正调整，直至趋于稳定。

3）模糊推理层

该层每个节点只与第二层中每个节点中的一个等相连，共有节点数为 m n 个，每个结点代表一条模糊规则，用来匹配模糊规则的前件（输入和状态），计算出每条规则的适用度。本模型中， n =7， m =3，即共有结点数为3 7 相乘，也即共有3 7 条模糊规则。适用度计算公式为：

5）输出层

该层将第四层各个节点的输出，转换为输出变量的精确值。该层节点数为输出变量的个数，本模型为1个，即窃电的嫌疑系数，系数越接近1则窃电的嫌疑越大，越接近0则窃电的嫌疑越小。它实现的是清晰化计算，并采用加权平均法，即：

4 验证

本文随机抽取了东莞供电局近年来的部分用户用电数据（含窃电用户）作为训练样本和测试样本来验证网络模型的有效性。样本的原始数据共有7个输入参数和1个输出参数，输入参数即7个窃电评价指标，输出参数即窃电嫌疑系数（只能为0或1，0代表非窃电，1代表窃电）。因电压、电流、功率因数量纲不一样，为提高网络的学习速度和收敛性，需要对所有的训练样本输入参数进行归一化处理，使样本数据转化为[0，1]之间的数据，每个样本输入参数变为一个具有7个元素的特征向量x=（x1，x2，...，x7）。

将训练样本输入网络模型，启动网络进行训练。设置网络学习精度为10-4，以实际输出参数与样本给定输出参数误差满足精度要求为判断条件，网络自动逐个抽取样本进行学习，通过迭代实现对网络的权值不断调整，最终得到一个能较为准确分析判断窃电的网络模型。

完成网络学习训练后，再选取10个测试样本对训练后的网络进行诊断测试，结果如表1所示。由测试结果可知，该模糊神经网络模型计算出的用户窃电嫌疑系数与实际值的误差范围小，误差百分比小于5%，具有比较高的准确性，可以有效地分析诊断窃电事件。

表1 网络测试结果

5 结语

面对计量自动化系统存储积累的用电大数据，传统方法依靠人进行分析排查，工作量和难度相当大而且效果不理想。本文通过分析用电特性，梳理出窃电主要评价指标体系，并研究数据挖掘技术，应用模糊神经网络建立反窃电诊断模型，通过对评价指标的相关数据进行智能分析计算，以输出窃电嫌疑系数的直观形式为相关人员提供反窃电重点监控指导。通过实例验证，该反窃电诊断方法对对窃电用户具备较好的诊断识别能力，为反窃电工作提供了新的借鉴。