基于电力采集阈值溢出的防窃电识别方法的研究

耿泉峰， 张杨华， 葛云龙， 张瑞， 吕云彤

(1.国网河北省电力有限公司电力科学研究院， 河北， 石家庄 050000；2.北京中电普华信息技术有限公司， 北京 100192；3.国网河北省电力有限公司， 河北， 石家庄 050000)

0 引言

窃电行为包括伪造或者开启供电企业加封的用电计量装置封印用电、故意损坏供电企业用电计量装置、故意使供电企业用电计量装置不准或者失效等。在窃电行为较为严重的供电地区，窃电行为不仅破坏了当地的用电环境，同时也对供电企业的效益造成直接影响[1]。因而如何有效开展防窃电工作，成为供电企业面临的一项重要课题。

通过对传统的窃电方式与一些新出现的高科技窃电手法的研究得知，现有防窃电技术包括表封防窃电、防窃电计量装置、远程抄表和在线监控技术，表封防窃电方法的不足在于安装后只有损坏后方可拆除；防窃电计量装置可以防止电表倒转，当装置外壳被开启后，用户的信息会留下记录或者被传送至计量中心；远程抄表技术可以对标计止码进行抄录，在线监控技术需每隔15分钟对电压、电流、功率等数据进行记录。

文献[2]通过对窃电原理与常用窃电手段的分析,提出了专变用户窃电识别措施,并对所提措施进行应用验证分析。文献[3]提出了基于 BP 神经网络的窃电检测方法，以强针对性的支路线损变化率和三相电压及三相电流的不平衡率作为窃电检测指标并归一化处理,且用具有双隐含层的BP神经网络提高窃电检测的准确性。但上述几种传统方法只能记录数据，不能对数据进行分析，也不能有效甄别异常用电用户。

本文提出了相应的策略检测方法和窃电判据，为迅速准确的判定窃电行为与电量追算，提供了相应的理论基础。在此次研究中，基于电力信息采集，设计新的防窃电识别方法。近年来，随着用电信息采集系统的广泛应用，电力公司在满足自动化管理的同时，累积了大量的用户数据，这些数据对管理带来了挑战，同时也为防窃电识别提供了机遇。用户用电数据包含了丰富的用户行为信息，通过对这些信息深入挖掘，可有效获取隐藏在数据背后的行为信息，对用户数据进行深入的研究，实现对电力用户精准的窃电分析，并有效甄别异常用电用户。

1 防窃电识别方法设计

尽管随着智能技术的不断增加，窃电的手法呈现出多样化，高科技化的特征。但窃电行为还是会在用户的用电数据上反应出来，通过用电采集可以提高对窃电用户的识别能力[4]。在本文中将防窃电识别方法结构设定如图1所示。

图1 防窃电识别方法设计框架

在此次研究中的用电采集将依附于用电信息采集系统实现其采集过程。通过用电信息采集系统对电力用户进行全面性的数据采集，并及时、完整的掌握电力用户的历史数据与实时数据，为窃电识别提供稳定的数据基础。

1.1 用电信息采集及处理

电力用户行为模式一般都具有结构性，且表达形式多种多样，虽然不同的指标能够从不同方面对用电的内在规律进行研究，但若想系统全面的对用户用电信息进行分析，需要从多个方面共同作用，形成一套完整的用电指标，获取用户的使用特征[5-6]。一旦用户存在窃电行为，必然会发生用电行为模式的变化，而这种变化具有共生性，是一种多发的异常状态。仅对单一的用电模式进行检测，会造成遗漏与误判。因而在此次设计中，将对用电信息进行采集，并设计异常用电特征提取环节，获取用户用电信息异常的特征值，设立相应的指标。在用电采集过程中，将采用上述的指标作为用户信息采集的约束条件，具体指标设定如表1所示。

表1 用电信息采集指标

根据上述设定，对用电的用户展开采集，将采集到的数据作为防窃电识别的数据基础。在数据获取的过程中，数据的缺失与低质量数据的产生将对识别结果的参考性造成影响。因而，在此次研究中，将对用电采集的数据展开相应的预处理。

目前对于用电采集具有直接影响的主要问题为多种作用下造成的信息缺失问题。为提升此次研究中对数据使用的灵活性，采用极值规划处理用户的用电数据，使待测数据规范化后的区间可灵活使用，并将其设定在[0,1]区间内，通过公式可表示为

(1)

1.2 计算电力采集阈值

为有效提升基于BP神经网络的窃电检测方法中，对于用户异常用电信息分割不明确的问题。在此次设计中，采用计算电力采集异常信息阈值的形式提升其分割精度，获取高精度识别结果。本文将采用最大类间差分算法完成电力采集阈值的计算。

设定采集阈值[7-8]为o，将采集到的电力信息分割为两个区域，即把电力信息分割为两个等级。将两种信息设定为非窃电类C与窃电类D。则有，C=(0,1,…,n),D=(0+1,0+2,…,A-1)。

这两类信息出现的概率分别为

(2)

(3)

则两类用电信息的均值为

(4)

(5)

式中 ，FC与FD分别表示两种信息类型的均值，通过上式可得出用电采集信息的总均值。具体公式如下：

Fa=UCFC+FDUD

(6)

由此公式可得出两种信息的类间方差，设定此方差为t2，则有：

t2=UC(FC-Fa)2+UD(FD-Fa)2

(7)

类间方差越大，两种信息等级差异越大，则上述方差计算结果的最大值为用电采集的最佳阈值。则有：

(8)

通过上述计算可获取用电采集的阈值设定结果，将此结果作为窃电用户与非窃电用户的分割点，完成防窃电识别工作。

1.3 用户状态识别

使用上述计算结果与用电信息采集结果，设计防窃电识别算法。设定此次防窃电识别的流程如图2所示。

图2 防窃电识别流程

采用上述流程完成对窃电用户的识别过程。在识别的过程中，将上述部分获取的阈值计算结果作为识别的基础。如出现用电采集结果超出阈值的情况，则此用户为窃电用户。窃电过程是一种复杂的多样性的行为，单靠对用电采集阈值展开处理完成防窃电识别，其获取的结果过于单一，不能作为完整的识别结果使用。因而，在此次设计中，将电力采集阈值溢出[9]与用户特征[10-11]相结合，完成对窃电用户的准确识别。

通过阈值计算将用户信息设定为3种信息，分别为正常、嫌疑与异常状态。

图3 用电特征状态关系

将此状态与阈值计算结果相结合，通过公式可将其出现的概率表示为

(9)

将采集到的信息通过上述用电特征进行分类，并设定上述三种状态出现的概率为{r(w1),r(w2),r(w3)}，通过归一化常数对上述公式展开处理。设定归一化常数[12-14]如下:

(10)

通过此参数对式(9)进行整合，则有：

(11)

通过上述公式，对采集到的用户信息展开评估，并采用评估结果判断该用户的用电异常行为程度，完成对用电用户的识别过程。至此，基于电力采集阈值溢出的防窃电识别方法设计完成。

2 识别方法测试

针对上述文中设计的基于电力采集阈值溢出的防窃电识别方法，在此次设计中，将设定防窃电识别测试环节，对文中设计方法的使用过程与效果展开研究。窃电电流测试实验装置如图4所示。

图4 窃电电流测试实验装置

2.1 测试指标

在此次测试中，将采用文中测试方法与文献[3]提出的基于 BP 神经网络的窃电检测方法对比的形式，获取文中设计方法的使用效果。为保证此次实验的有效性，设定测试中涉及的指标如下所示。

电压不平衡率：用户为出现异常用电时，其使用电压为稳定在一定合理范围内的数值，根据《GB/T 15543—2008》可知，用户的电压不平衡率波动允许值为40%。通过计算公式可将此指标表示如下:

(12)

式中，f为电压不平衡率，fl为额定的电压理论值，fs为电压的实测值。

电流不平衡率：在用户使用用电设备进行窃电时，其使用的电流会出现异常变化。此指标通过公式可以表示如下:

(13)

式中，j为实测电流结果。

电量使用率：当用户的电量使用率明显下降或明显升高，代表用户正在使用用电设备进行窃电，此指标通过公式可以表示如下:

(14)

式中，Q1为电量的实际检测值，Q2为电量的平均值，使用此部分设定的三个指标对测试样本中的用户数据展开计算，并对比文献[3]方法与文中设计方法的计算结果。

2.2 测试用户样本

此次测试中，设定10名用户作为测试用户样本，在10名测试用户中，存在3名用户为窃电用户。电力用户的用户信息如表2所示。

表2 测试用户样本

采用以上用户作为此次测试中的用户样本，使用文献[3]方法与文中设计方法对上述用户展开处理。

2.3 测试结果

供电用户正常用电情况下，三相电压应该基本相同，电压不平衡率应该稳定在一定范围或者在合理范围内波动。

由图5可以看出，窃电的用户在窃电时间内电压不平率波动过高，超过正常值。电流不平衡率出现异常变化，电量使用率幅度变化范围大，由此可以识别出此时发生用户窃电行为。

(a) 电压不平衡率

(b) 电流不平衡率

(c) 电量使用率图5 电压不平衡率变化曲线

此次测试结果通过三部分展示。首先为两种方法测试指标计算结果。在此次测试中，不对指标的计算精准度展开对比，仅对指标计算进行对比。具体计算结果如表3所示。

表3 指标计算结果

通过上述指标计算结果可知，文中设计方法与文献[3]方法均可获取指标计算结果。但对比可知，文中设计方法在对此指标计算时，可得出窃电用户的用户特征波动。文献[3]方法虽然也可以获取用户的特征异常情况，但明显获取结果不够全面。在此次测试中，主要对文献[3]方法与文中设计方法对用户状态的划分结果进行分析，具体测试结果如图6所示。

(a) 文中设计方法用户状态划分结果

(b) 文献[3]方法用户状态划分结果图6 测试结果

通过上述测试结果可知，文中设计方法对于用户状态的划分更加精确。文献[3]方法对于用户状态的划分结果较为粗糙。在测试中，存在有用电异常行为，但不属于窃电用户的用户。结合上述指标计算结果，文献[3]方法无法对这些疑似用户进行精准的划分，将其一并划分为窃电用户。文中设计方法可将其划分为疑似用户，并对其进行进入的研究，以避免在日常的使用中，出现影响用户使用体验的窃电识别错误。综上可知，文中设计的基于电力采集阈值溢出的防窃电识别方法使用效果优于文献[3]方法。

当窃电行为发生时，不同负荷的投入会产生不同的波形变化，因此通过对负荷波形的监测即可知道是否有窃电行为的发生。

由图7可以看出，通过对两组负荷波形的对比可以发现，没有窃电行为发生时，本文所设计的防窃电识别方法中记录的负荷波形的变化比较平缓，且负荷趋于平缓。当存在窃电行为时，图中红色圈所标示位置的负荷明显增加，确定此时刻发生了窃电行为。

(a) 标准负荷曲线

(b) 采集负荷曲线图7 负荷波形图曲线

3 总结

针对用电用户的防窃电识别问题，此次研究在总结国内外用电异常识别的基础上，设计了一种基于用电采集阈值溢出的防窃电识别方法。此方法充分考虑了用户特征以及阈值计算结果对识别方法使用效果的影响。通过对用户信息的分析与计算，完成对用户的识别过程。在此次研究中，存在部分计算问题，首先是对数据的选定指标设计不够细致，在日后的研究中，应对其进行优化。其次是计算过程不够详尽。在日后的使用过程中，应注重计算精度。