基于大数据的防窃电模型与方法

国网福建省电力有限公司福州供电公司 郑鹭洲 张登灵 彭志峰 李思韬

福建网能科技开发有限责任公司 林华宝 叶瀚

1 引言

窃电行为的存在是引起供电设备损坏、供电线路中断以及供电系统瘫痪的首要原因，已威胁供电企业的生存与发展。因此，急需构建一套智能化水平高、适应范围广、监测结果精准以及操作简便的防窃电预测模型。本文介绍的基于用电信息采集系统大数据构建的防窃电模型是充分总结了常见窃电行为的本质特征的基础上构建的，可以实现实时在线精准预测用户的窃电行为与窃电类型，在保障电网系统安全稳定运行的同时，维护供电企业的合法权益。对本课题进行深入的分析与研究，具有十分重要的意义。

2 窃电特征模型的构建

2.1 窃电本质特征分析

根据功率测量理论和电能计量的基本原理，可以得出电压、电流以及电压与电流之间的相位差等都会导致用户负荷功率的改变，而用户负荷功率的大小和产生时间的长短等则是决定其负荷消耗电能的主要因素[1]。因此，本文所设计的用电信息采集系统选取的特征参量包含了电压、电流、线路损耗、电量以及功率因数等指标，并以此为依据构建移相法、欠压法、扩差法、欠流法、改变电流表接线法、改变互感器变比法、制造中性点位移法以及反向大电流法等8类窃电现象。

8类窃电现象鱼骨图如图1所示。

图1 8类窃电现象鱼骨图

在鱼骨图1中，主骨对应的是窃电现象E，并将每个大骨划分为多个相互平行的小骨，用来表示各类窃电现象的本质特征。

2.2 电气特征参量集合的建立

由图（1）所总结的各类窃电现象的本质特征间的关系，可以将电气特征各参量的集合表达式总结为E={E1,E2,E3,E4,E5,E6,E7,E8}，8类窃电现象子集与子集元素的关系为式（1）：

式（1）中：Ej表示的是窃电现象子集；表示的是各类窃电现象的本质特征。

为进一步明确窃电现象子集与时间、环境、对象等特征参量之间的关系，本设计采用了多元组的形式标识窃电事件与特征参量，用户有窃电行为便可以被表述为在特定时间下、特定环境中发生的、具备相对应特征参量的事件。窃电事件用多元组表达式概括为Eυ(j)=(T,V,O,i1,i2,i3, ···,in)，式中，T、V、O分别表示窃电事件的关联时间、关联环境以及关联的对象，i1,i2,i3, ···,in则表示与窃电事件相关的电气特征、事件特征以及线损特征等对应参量[2]。通过上述表达式不难看出，窃电事件多元组与窃电现象子集之间存在着一一对应的关系，本设计正是基于此对应关系构建的窃电本质特征模型，在特征模型中共包含了25种描述窃电事件的本质特征的参量，窃电方法关联特征参量及其含义见表1。

表1 窃电方法关联特征参量及其含义

3 大数据防窃电模型的构建

3.1 防窃电模型的总体架构分析

防窃电模型的构建步骤如下。第一，以窃电事件多元组、窃电现象特征参量信息以及窃电事件间的联系为依托，明确Eυ(j)中特征参量的阈值和窃电判定系数ηi，若出现特征参量超出阈值的情况，即可以判定用户是否存在窃电行为，其中当ηi=1 时，表示用户存在窃电行为，ηi=0 时，表示用户不存在窃电行为。第二，统计的特征参量超出阈值的次数，组建窃电嫌疑预测模型基础架构，并通过将窃电嫌疑预测模型与算法、数据等相结合的方式明确异常线损的约束条件。根据上述操作步骤，可以将以大数据为基础构建的防窃电预测模型基础架构设计。

大数据防窃电的结构化模型如图2所示。

图2 大数据防窃电的结构化模型

由图2中可以直观地看出，用电异常监测模型的8个子模型都能够独立判断用户的用电行为是否超出正常情况，为窃电监测模型提供真实可靠的数据。数据模块则包含工况事件数据、线损数据、交流模拟量以及电能量数据等4个模块，涵盖了电力系统的各个方面。

3.2 数据预处理

为了降低系统处理数据的难度，本文所设计的窃电预测模型还增加了算法模块，将数据预处理、数据降维处理、数据填充以及关联分析等作为独立模块，有效增强了系统处理数据的质量和效率。随后，窃电嫌疑异常模型通过统计用电异常情况出现的次数，自动匹配并输出窃电嫌疑的等级（共分为A、B、C三个等级，其中A 级窃电嫌疑较小、C 级窃电嫌疑较大），并输出与窃电行为相对应的用户的信息。窃电嫌疑系数计算为式（2）：

式（2）中：T表示的是窃电嫌疑系数；Ti表示一天内用户在用电过程中产生的异常次数；εi表示各类用电异常模型对应的权值。

此外，考虑到窃电事件Eυ的数据均来源是多维向量组构成的集合，维数相对较大，如果直接将其作为窃电预测模型的基础数据进行处理和分析，会降低模型预测结果的准确性和效益性。因此，本位利用了多元组件Eυ(j)与窃电现象子集Ej之间的关系，将特征量数据进行降维处理，最终实现删除与窃电事件无关特征参量，增强模型预测结果性能的目的。

4 大数据防窃电方法数据验证

4.1 欠流法

欠流法指的是一种将不平衡率λUB直接作为监测阈值判定依据的监测方法，其计算公式可以表示为式（3）：

式（3） 中：IA、IB、IC分别表示A 相电流、B 相电流以及C 相电流；Iavg则代表的是三相电流的平均值。

本文选取笔者所在电力公司某用户2021 年4月28日交流电流数据对欠流法进行验证，具体操作步骤为：第一，采用数据描点的方式获取A 相电流与C 相电流的对比图，并使用圆圈将出现电流不平衡现象的位置标识出来。第二，使用不平衡率计算公式计算出三相电流异常数值，计算结果为40次。再次将计算数据输入窃电预测模型，模型自动预测出该用户存在的窃电嫌疑等级为B 级，存在较大窃电嫌疑。第三，经实地检测验证后，明确该用户确实存在窃电行为。说明三相不平衡率的产生确实与用户的窃电行为有关。

4.2 改变电能表接线法

在正常情况下，电能接线法所产生的功率因数总是维持在0～0.6的范围内，一旦超出该范围，则可以视为异常数据。为验证此理论的可信度，本文选取了笔者所在供电公司某乡镇2021年3月15日至2021年3月20日的功率因数数据进行分析。统计结果显示，该区域内的一个用户在2021年3月19日出现两次功率因素超出正常范围的情况，并且严重偏离历史数据，将异常数据输入窃电嫌疑监测模型后，模型将该用户的窃电嫌疑等级评判为C级。经实地验证后，证实该用户确实存在窃电行为。

4.3 欠压法

将欠压法的判定条件总结为几点方面：第一，高供高计三相四线所对应的电压阈值为57.7V×80%。第二，高供低计三相四线所对应的电压阈值220V×80%；高供高计三相三线所对应的电压阈值为[3]。本文选取笔者所在电力公司某街道办事处一足浴店的用电数据分析，数据显示2021年5月19日、5月20日以及5月21日三天的数据均低于正常值，说明该区域存在窃电嫌疑，将数据输入窃电嫌疑预测模型后，模型将该用户评判为C。经实地验证后，证实该用户确实存在窃电行为。

4.4 扩差法

扩差法的判定条件是线损率小于或等于8%。本文选取笔者所在电力公司辖区内一村庄的线损数据分析，通过扩差法判定条件筛选出半年内出现的异常线损数据，并将数据输入窃电嫌疑预测模型分析，模型判定该区域存在窃电嫌疑的登记为B级，经实地验证后，得出该区域内有8家用户存在窃电行为。

5 结语

随着市场经济体制的不断完善和用户用电成本的持续增加，近年来用户违规用电、违法用电的行为也呈现出增加趋势，不仅影响供电企业的合法利益，同时也在一定程度上增加了配电网系统的安全性、稳定性。本文所设计的基于用户用电数据构建的防窃电预测模型，可以根据配电网在实际运行中产生的各类异常数据精准预测出用户的窃电行为，不仅可以有效规范用户的用电行为，能够在一定程度上保障供电企业的盈利能力和市场竞争能力。多次试验结果显示，本文所设计的防窃电监测模型监测范围全面、监测结果精准，值得在今后的工作中推广和使用。