基于线路能量守恒定律的专变、公变异常分析方法的研究与应用

鞠默欣，唐伟宁，于 欢，白云峰，孔凡强，宋昊燃，倪鹏翔，战春雨

（1.国网吉林省电力有限公司营销服务中心，长春 130062；2.国网长春供电公司，长春 130021）

0 引言

随着用电信息采集系统的建设与发展，目前已实现对现场运行计量装置的在线监测［1］，但对用户异常用电、计量装置异常等监测效果并不理想，尤其是对10 k V线路专用变压器（以下简称专变）用户、公用变压器（以下简称公变）台区异常情况缺乏精准可靠的监测分析手段，这些异常不但给电网公司造成经济损失［2］，也给安全可靠用电带来巨大隐患。传统上，营销一线人员根据专业经验和业务规则，通过现场摸排定位和处置异常用电情况，存在效率低、成本高等问题。基层工作缺乏数字化技术手段，亟须利用大数据算法，实现对10 k V线路异常计量点和异常原因的快速精准定位，提升用电异常、装置异常的处理效率，保证电力用户安全用电，电网公司不受损失。

本文以配电线路为分析单元，基于能量守恒定律构建专变计量点误差模型，利用大数据算法适配模型参数，准确计算各计量点误差值，匹配异常用电用户计量点负大超差特征，定位异常用电用户范围，提升检出率和检测效率。针对误差模型输出的异常用户集合，通过构建专家诊断模型，结合异常事件、业务场景等进行综合诊断研判，实现异常用电用户精准定位。

1 基于能量守恒定律的专变、公变计量误差分析模型

1.1 数据信息预处理

开展专变、公变异常计算分析，首先须明确需要的数据信息，包括一体化线损系统的设备信息、电站-线路关系、线路-配电变压器关系等，用电信息采集系统计量点信息、台区档案信息、电量数据、负荷数据等，营销业务应用系统用户信息、计量装置档案信息等。采用孤立森林异常检测算法［3］，对数据完整性、有效性进行检测及准确识别。综合多维度电能量数据信息，基于移动平均、回归分析、数据转换等算法，对识别出来的异常数据、缺失数据进行智能填充、平滑处理，提高模型计算所需数据的完备性与准确性。

1.2 基于能量守恒定律的专变、公变计量误差计算模型

明确10 k V线路及其所带专变、公变台区的对应关系，以线路为分析单元，由一个供电计量点和若干个负载计量点组成。供电计量点与负载计量点的关系组成了简单的树形拓扑，见图1，线路供电计量点为下一级负载计量点提供能量输入。

图1 10 k V线路物理拓扑

由此，构建基于电能守恒定律得到电能表电量的总分数学关系，即：

式中：yin为流入电量，包括关口计量点流入电量、专变、公变计量点流入电量和联络开关流入电量；yout为流出电量，包括专变、公变计量点流出电量和联络开关流出电量；ε为损耗电量，包括线路损耗、变压器损耗（高供低计）以及固定损耗。

由此，可以建立线路流入计量点、专变、公变计量表及表误差、线路损耗及计量设备固定损耗的关系方程：

式中：yd为关口计量点流入电量；εd为关口电能表的计量点误差；yl为联络开关流入电量，l＝1，2，…，m，表示有m个联络开关；εl为联络开关电能表的计量点误差；yj为专变、公变计量点流入电量，j＝1，2，…，p，p＋1，…，p＋q，表示有p个公变计量点，q个专变计量点；εj为专变、公变计量点计量误差；φl为联络开关计量点流出电量；φj为专变、公变计量点流出电量；εy为线损率；εk为变压器损耗（髙供低计）；ε0为固定损耗。

利用遗传算法［4］适配模型参数，准确计算各计量点误差值，匹配异常用电用户计量点负误差特征，定位异常用电用户范围。

在实际生产环境中，计量点、拓扑、损耗的具体情况可能会存在各种差异，须对模型进行适当的调整和优化，主要有如下4类典型场景。

1）联络开关。根据动态档案划分为不同的虚拟线路，对于无表开关，将变化前后的线路打包进行计算。

2）物理线损。采用压降法对线损进行估计。

3）线路拓扑。获取变压器经纬度数据、高频电压电流数据，利用这些数据通过聚类的方法，对线路的拓扑进行识别。

4）计量方式髙供低计。根据变压器信息获取对应的变压器损耗，在模型求解时对计量误差进行修正。

2 基于专家诊断方法的专变、公变异常用电分析模型

2.1 典型诊断方法

基于电力数据本身的电气数据逻辑关系、营销业务规则，梳理相应的档案信息、负荷曲线等数据之间的关系，分析异常用电、窃电等电力数据相关因子，构建专家诊断方法，基于能量守恒模型分析结果综合研判，实现对专变、公变异常用电的精准定位。

1）负荷区间识别。即识别负荷区间段分布情况。开展负荷区间识别的目的是减少干扰数据，提升整体识别效率和准确率，根据专变、公变96点电流曲线是否在对应阈值范围内，将负荷区间划分为生产区间和生活区间。其中，生活区间为阈值小于1／4分位电流的时段，生产区间为阈值大于3／4分位的电流且大于2／3合同容量计算对应的电流时段。

2）失压。即某相电压出现持续性或间歇性失压。对电流、功率等关联性进行综合分析，在三相电流变化趋势相同，判断某相电压是否出现持续性失压或间歇性失压。

3）电流爬坡。一般对于电机类用户，在电机启动阶段，会出现三相功率因数、电压变化趋势相同，某相电流相比其他相电流差距较大。对生活负荷时段到生产负荷时段变化的用电时段功率进行微分，如果功率增长保持恒定，则定义此时间段为“爬坡启动”数据区域。该时段内，如果三相电流的微分值不一致，且达到阈值，则输出异常。

4）周期性过负荷。即用电特征周期性超负荷。针对私自增容用户，分析周期的生产时段内视在功率、电流、需量最大值是否超阈值，以及对应的超阈值次数、均值、波动率。

5）分相有功异常。分相有功异常识别方法是指某相电流为负且该相功率因数为负，功率因数幅值较大且变动与电流变动正相关。同时需要通过电流与量程占比判定是否为高负荷，排除无功补偿引起的情况误判。

6）高频磁枪。高频磁枪等窃电使电能表停止计量，无脉冲输出，采集终端采集数据失败，导致数据间歇性的缺失。数据缺失阶段，缺失前后的电能示值斜率有差别，示值增量在数据缺失阶段明显小于拟合后重新计算结果。

7）费率时段异常。即费率时段电量与负荷情况不匹配。计算电能表每日的有功总增量、各费率有功总增量，计算各费率示值增长估计情况，将这两种数据进行比较，判断是否存在全部电量增长只在费率的谷时段，但负荷在其他时段也有发生的情况。

2.2 基于机器学习的窃电特征库

构建专变、公变异常用电特征库，采用机器学习算法，挖掘新的数据特征，结合现场核查反馈信息，持续积累窃电特征库，对专家诊断模型迭代优化，实现对各类用电异常的有效识别，基于机器学习的窃电特征库的优化流程见图2。

图2 基于机器学习的窃电特征库优化流程

通过深入挖掘专变、公变电量数据、负荷数据，开展数据周期特征自比较，结合工作时段和负荷特性，对重点关注对象进行动机分析和场景溯源，将嫌疑发现与嫌疑排除进行双向定位，提升异常用电定位的准确性。

3 实践应用

为了验证提出方法的有效性，选取94条10 k V线路高压用户进行监测分析，将相关档案信息、线路—配电变压器关系、电量数据和负荷数据输入系统后，共输出5个异常问题，包括档案问题、计量装置故障、计量差错等问题，对以上异常问题开展现场核查，具体情况如下。

1）异常用户1：系统输出异常情况为C相不计量、计量误差偏大，通过现场核查发现，该用户现场检查结果为C相互感器有裂痕，互感器内部有故障导致计量不准，现场检查不易直观发现。

2）异常用户2：系统输出异常情况为现场倍率与营销系统倍率不符，通过现场核查发现该用户互感器在杆上，登高检查困难，现场使用仪器带电测量，发现倍率差错。系统倍率为800，与仪器测量倍率1 000不符。

3）异常用户3：系统输出异常情况为采集系统与营销系统倍率不符，通过现场核查发现该用户营销系统倍率1 000，采集系统倍率600，现场核实倍率1 000。

4）异常用户4：系统输出异常情况为计量误差偏大，通过现场排查发现该用户联合接线盒接线松动，导致计量误差。

5）异常用户5：系统输出异常情况为计量误差偏大且电压偏低，通过现场排查发现该用户联合接线盒A相电压线接线松动，导致计量误差。经分析，用户计量装置位于桥下，车流量大，车辆经过时会发生振动，长期振动后运行时会出现导线接触不良问题。

由此可以看出，基于能量守恒定律的专变、公变计量误差计算模型和专家诊断方法不仅可以准确定位现场运行专变、公变异常点，还能够辅助分析异常原因，解决专变、公变异常缺乏在线监测手段的难题，为一线人员提高工作效率提供有效的技术保障。

4 结论

本文对用电信息采集系统、营销系统、一体化线损系统中用户用电量、10 k V线路拓扑、线损和用户档案等海量数据信息进行挖掘与计算，以10 k V专变、公变用户所挂接的中压配电线路为分析对象，利用线路拓扑中流入和流出的电量、线路损耗、固定损耗，建立能量守恒方程，快速检出疑似异常用电范围。利用专家诊断方法，结合采集系统异常事件数据进行综合研判，精准定位专变、公变异常用电用户。利用现场核查数据建立样本库，基于机器学习算法进行用电行为特征提取和优化，不断完善和丰富异常用电特征库，以达到对不同异常用电行为的有效识别。经过实践应用，进一步验证该方法的有效性。