电力营销域反窃电智能系统的应用

李玉刚

（国网宁夏电力有限公司固原供电公司，宁夏 固原 756000）

一、电力系统主要窃电方式

（一）篡改短路

计量装配窃电在电力系统运行的过程中如果改装了电路中的线路就被称作是篡改短路计量装配。窃取电力的基本操作原理是在电表内部使用导体连接内部线路，在内部线路连接的过程中借助用电阻力来对电表实施分流处理。在这个过程中电表内部的电流圈电流逐渐减少，电表中的电流出现分支，电表运行速度减慢。

（二）切断电压连接的金属片

切断电压连接金属片或者在电流圈上分流电阻是指在电力表正常运转的过程中使用工具剪断电表内的电流线圈。在实施这样的操作之后电表内部的电压会失去稳定，在电力系统运作的过程中容易因为电路内压力的降低而引发一系列质量问题。

（三）调换零火线的窃电

这种电力窃取主要是将电表中引进线两端的火线、零线进行调整，通过必要的调整使得两个金属联片在相反的的顺序上出现接触，在发生接触之后电流输入反向会和电路工作原理呈现出相反的状态，最终会使得电表停止运行。

（四）将零线切断窃电

零线窃电的方式是在电表引进线端口位置上将零线隐藏起来，隐藏之后将零线切断，在外部重新连接线路。在电路开关闸关闭之后，电路圈内部的电路可以继续运作。在切断零线时电表内的电压无法保持在平衡的状态。在窃电者窃电的时候电表会停止运作。

二、反窃电智能系统的结构及处理流程

反窃电智能系统结构如图1 所示，主要由无线采集装置、专变采集终端、数据转化器、系统主站、电能表构成。反窃电智能系统包括电力负荷管理、实时数据采集、实时数据存储、电力设备管理、客户区域、线损、电流、电压、电量行度、地理位置、拓扑关系、历史曲线展示、数据存储等功能，能实时反映计量电表的数据情况，并根据设置的阈值进行预警，提示存在用电异常信息，通过历史数据分析，能判断出存在窃电的用户。其实际工作流程如下。（一）在线监测。通过大数据信息采集技术采集用电数据，对数据进行分析，得到电能表掉电、电能表失压、电能表故障、电能表失流、电能表外力受损等事件。（二）辅助分析。根据在线监测信息与终端事件进行辅助分析，确保分析的准确性。（三）历史数据分析。对存在潜在窃电行为的用户，分析其计量信息、接线方式、历史记录、功率数据差。（四）智能诊断。分析用户异常信息并及时处理，结合神经网络的反窃电模型评价体系，计算用户的嫌疑指数，充分分析用户窃电信息的准确性。尽管窃电的方法多样，但本质上都是用户实际的用电量大于用户电能表示数。通过建立反窃电智能系统，能持续检测用户的用电量，一旦系统显示存在窃电行为，便会发出窃电预警，帮助供电系统人员第一时间处理，减少电力企业的损失。

图1 反窃电智能系统结构

三、基于神经网络算法的反窃电模型

本文研究的反窃电模型以BP神经网络为基础。为了减少算法计算的复杂度并保证计算的准确性，本文采用三层BP神经网络结构进行计算。

（一）输入量的评价体系

反窃电模型的准确与否最重要的是输入量的准确性。电量的数学公式表现形式是电压、电流及功率因数角的乘积，所以当电压或电流出现异常时，电量也会出现异常。通过对已窃电用户的历史电量数据分析，可得出窃电前后电量变化特征量。当检测新用户电量时，若出现了阶段性用电量为零或电量变化规律与窃电样本电量变化规律一致的情况，则判断可能存在窃电行为。利用用户月度用电量、客户所在线路或台区的线损情况、电表类型、计量电流和检测电流的差值、电压异常变化情况、客户负载功率、负载功率因数变化等7个窃电判别指标对用户的窃电行为进行综合判断，如果用户在经过7项特征参数检查后，其嫌疑系数较高，那么说明该用户可能存在窃电情况，需对其进行监视。

（二）BP神经网络的算法流程

1.输入数值归一化。针对智能反窃电模型中的7个窃电判别指标存在差距较大的情况，对每种评价指标进行归一化处理，处理方法是找出该组数据的最大值，然后分别用每个数据除以该最大值，即可将数据限制在[0，1]区间内。2.训练样本的选择。在选取训练样本时，应满足样本输入与输出之间的非线性特征映射关系，训练样本数一般选择为网络连接权总数的5～10倍，并保证样本分布的均衡性，以减少训练学习的反复性。3.隐含层数设计。通常，选择2个隐含层以满足不连续函数的运算需要，但对于反窃电模型的构建来说，选择一个即可满足运算函数的需要，只有当隐含节点过多时才需要再增加一个隐含层。对于隐含节点的设计，则需按公式计算出初始值。（1）式中，l、n、m分别为输入层节点数、输出层节点数、隐含节点数；α 为常数，通常取值在1～4。在执行算法过程中，先选取存储的某个时间段内的数据作为基础，提取7种窃电评价指标体系，并进行归一化处理，然后将归一化的数据输入反窃电模型中进行训练，当算法计算精度达到设定的精度阈值即退出程序，并输出窃电嫌疑系数结果。整体流程如图2 所示。

图2 BP神经网络反窃电模型算法流程

四、反窃电智能系统的应用实例

选取某地区80 例窃电用户作为样本进行训练，神经网络层选为3 层。选取其中15例作为检验样本，对数据提取7种窃电评价指标体系进行训练。训练结果如下。（一）对客户月用电平均值进行建模，分析判断不符合用电曲线规律的月数据，用电曲线规律月数据的天数和样本总容量天数比值为16%。（二）对客户所在线路月度线损值进行建模，并用计算机模拟月度线路平均值的天数，计算月度线损值大于平均值的天数与样本总容量的天数比值大于7%。（三）对客户所在台区月度线损值进行建模，并用计算机模拟月度台区平均值的天数，计算月度线损值大于平均值的天数与样本总容量的天数比值大于10%。（四）计算电流与实际检测电流的差值大于3%。（五）电压三相不平衡率为18%，发生失压情况。（六）客户负载容量大于总容量12%，负荷率小于50%。（七）月度负荷功率因数变化值大于26%。上述结果证明，本文构建的反窃电智能系统能分析出潜在的窃电用户。

结束语

综上所述，随着供电规模的逐步扩大，窃电行为相应增多，如何显著降低窃电行为，并对其进行快速预警成了研究热点。本文介绍了电力营销域反窃电智能系统的结构及其处理流程，提出了7种窃电评价指标体系，并构建了基于神经网络的反窃电模型，最后通过实际算例进行算法验证，结果表明，该电力营销域智能系统能准确识别潜在的窃电用户行为，并进行预警，具有一定的工程实用价值。