基于大数据分析的电力盗窃检测与预防系统研究

刘安磊,马 迅,贾旭超,王锦腾,魏 涛

(国网河北省电力有限公司营销服务中心,河北 石家庄 050035)

0 引言

电力是社会发展所需要的重要能源,目前电力系统面临着严重的盗窃行为。电力盗窃技术的提升以及工作人员能力薄弱问题给电力系统的工作带来了很多困难[14],非法电力盗窃技术日益增多,各种类型的盗窃技术对电力系统的运行构成了威胁。因此,亟需有效的电力检查工作和防窃电系统[5-6],以确保电力系统的安全运行[7]。

蒋意珏等人[8]设计了一种基于三轴加速度传感器的电缆在线监测算法和装置,实时监测电缆是否存在破坏性窃电活动。通过搭建实验平台,采集传感器数据,采用小波系数相关方法进行去噪。然后计算加速度与重力方向之间的角度,对数据进行小波分解,得到基于角度的小波能谱。同时,计算出复合加速度、偏斜度、标准差、熵等时频域特征准则。最后,采用主成分分析法进行降维,采用BP神经网络算法进行分类。多次测试出该算法的平均准确率,算法的优化提高了检测精度,为防止窃电提供了一种新途径。王举[9]提出有必要合理开展电力系统的用电检查,特别是加强反窃电工作。旨在研究当前电力系统用电检查所面临的问题,并提出了一系列应对措施,以期提升反窃电工作效果。陈向群等人[10]提出了一种电力盗窃检测预防策略,该策略可以在不中断电源的情况下检测和预防窃电。通过整合配电网的电压,为非法连接的负载提供电源电压。建立一个消费者监督单位,以保障电压调节的稳定性,并确保窃电预防系统有效运行。杨跃军[11]提出电网企业在发展与管理中违章用电和窃电行为,给电网企业的经济发展和社会进步带来了不利影响。沈波[12]提出在三相电能计量系统防窃电技术中,使用具有防窃电功能的电能表与防窃电计量装置,运用网络技术,实现防窃电功能,减少电力企业的经济损失,确保用电用户的权益。

虽然上述研究充分证明了所提方法的有效性,然而未解决在实际应用中遇到的一些特定情况,以及对不同类型的电力盗窃行为的适应性。在此基础上,本文针对电力盗窃问题,提出了一种基于大数据分析的检测模型。通过对数据集进行安全检测,利用神经网络算法建立了安全状态监测模型。该模型通过计算隐藏层的数据信息,对原始电力系统进行安全检测,得到相应的结果。在对神经网络模型进行反复迭代训练的基础上,得出了数据安全状态检测的结果。通过采用随机函数对隐含层进行多次迭代训练,最终得到了输出层的结果,从而成功识别了电力盗窃行为。同时,采用奇异值分解法以用户数据为基础进行窃电检测,通过从最大特征值到最小特征值的奇异值分解,形成了数据样本矩阵。

1 基于大数据分析的电力盗窃检测模型

基于窃电检测的现状和不足以及窃电预防系统的发展,结合电力用户实际情况,本文基于海量的数据分析,建立电力盗窃检测模型[13],如图1所示。通过该模型获取在线监测数据,由实时监控和控制中心保障其安全状态,并将数据传送至电力盗窃检测中心。从收集的用户数据特点出发,定位疑似窃电用户,预测疑似概率指标。

图1 基于大数据分析的电力盗窃检测模型

2 电力盗窃与预防系统计算

2.1 安全因素的关联分析

大数据的特征可以总结为速度快、类型多、数据量大、价值高、真实可信等[14-15]。基于大数据分析的电力盗窃检测与预防系统是通过使用机器学习算法来分析用户的日常用电量模式以建立分类模型。

设安全状态数据样本集为G={g1,g2,…,g r} ,样本集对应的模糊子集为H={h1,h2,…,h r} 。

电力盗窃检测系统的安全数据有特殊的关联性,为了保证安全数据的真实性,对计算得到的两个集进行精确的校正和调整,利用大数据分析计算出修正度δ,即

式中:μ为电力盗窃检测与预防系统的相关系数,用以表示系统的安全状态强度分级,取系统的安全度相关系数为[0,0.3],此时系统安全的修正度δ为0.03;如果系统的安全度相关系数值为[0.3,0.5],则此时系统的修正度δ为0.5;若系统安全的相关系数值为[0.6,1.0],则系统此时的修正度δ为0。将以上分级结果作为修正处理的数据结果,可得到电力盗窃检测与预防系统安全状态和数据之间的关联性分析。

根据电力盗窃检测与预防系统安全状态数据之间的相关因素,利用神经网络算法在输入层输入安全数据,经过隐藏层的处理计算,得到了输出检测结果。最后计算电力盗窃的技术损耗,得出了测量的欧姆损失,在对大数据分析迭代训练的基础之上完成电力盗窃检测与预防系统模型的建立。系统在输入层进行电力安全数据的分析,并输出电力安全数据检索结果,经过对数据反复输入与迭代训练后得到系统与数据的交互值,对电力盗窃检测与预防系统进行安全状态检测,此时得到的结果更加精确。

设电力盗窃检测与预防系统的数据状态为A=a1,a2,…,ar{} ,其也代表为数据的信息集合,基于时间矩阵对电力盗窃系统进行安全分析,其中数据矩阵表示为B,即:

式中:u为电力盗窃检测时间;r反映了电力盗窃检测的时刻;k为检测时间的延迟系数;a为r时刻进行检测时所考虑的延迟因素;b为矩阵B中的用户信息。

将得到的安全系数和矩阵设立为系统模型的输入层,此时系统隐含层的函数

式中:q为隐含神经元的数量;m为输出层节点的数量;权重系数m pq为隐含层数据的核心,是连接输入层p与隐含层q之间的权重系数;γ为系统的常数;ε为系统安全状态时的最佳函数。

对隐含层不断进行训练,使用扰动和噪声随机函数N加入训练,N代表一种随机扰动或者噪声,用以模拟实际情况中的随机性或不确定性。得出输出层的最终结果

式中:v为隐含层与对应的系统安全关联性。

通过对安全因素的关联性进行深入剖析,能够为电力盗窃与预防系统的设计和优化提供有力的参考依据。

2.2 无窃电时线路损耗计算

要识别电力盗窃行为,需要先确定其技术损耗,其中电阻传感器为r s;t为分支路线s的实际电阻,指在电力系统中传输线或分支路线本身的电阻。由于传输线与用户i之间存在电阻,则j的欧姆损失

式中:L i,j为j时用户i的损失值;I i(t)为瞬时电流;dt为时间;r s为分支线路s的实际电阻,其值为

式中:r0和T0为初始电阻和温度;k为温度系数;T为实时测量温度。

基于r0和T0,k可以简化为

式中:p s和q s为分支线路s的温度系数。

当发生电力盗窃行为时,瞬时电流的值会被修改,此时所有的瞬时电流皆为未知数I i(t)。因此,如果电流的大小与时间有关联性,那么其应分为段性和线性,即

此时,电力盗窃行为时间t j-1～t j配电网损耗

将式(9)展开可得

在一段时间内,通过电网节点与所有合法用户之间的功率平衡获得的所有分支的总技术损失

式中:L j为t j-1～t j内电网技术损耗总量;lno为非欧姆技术损失的总额;A为每个真实客户安装的智能电表的数量。

为了能够准确的得到电力盗窃检测与预防系统在进行电流检测时的线流电阻,运用奇异值分解法,将用户数据进行采集后开始检测。先计算出电路的导线电阻,再计算出矩阵B的奇异值,需要3个矩阵ψ、∑和ζ的乘积,即

式中:ψ和ζ为正交矩阵,∑为对角矩阵。

从最大特征值到最小特征值进行奇异值分解,把之前形成的用户数据矩阵B分解,即

式中:L为技术损耗的矢量形式,L1,L2,…,L∂为时间间隔为1,2,…,∂内所有分支总的技术损耗。

2.3 系统运行流程

基于大数据分析的电力盗窃检测与预防系统,包括安全状态提取、安全状态评估以及系统安全预防3个部分。电力盗窃检测预防流程见图2,首先,将客户ID 号分配给智能电表,通过消费者监督单位收集用户数据,并与管理系统进行通信。通过双向广域网收集的数据,计算非技术损耗,对系统安全状态提取后进行大数据分析。

在系统得到安全系数p s和q s后,p s为有功功率,q s代表无功功率。开始计算所需要的技术损耗,其中时间间隔j分支线路s的技术损耗为

利用非法分接,此时会出现额外电流I m t(j) ,此时的总电流为I m t(j)+I s t(j) ,产生的电压差为ΔV s≈r s[I m t(j)+I i t(j)] ,分支线路s的电压差ΔV s=V t-V t-1也将改变。此时,分支线路s是可能发生非法用电的地点,会向系统发出警告,表明当时配电网中发生了非法窃电。

为了检测是否发生了电力盗窃行为,利用

3 电力盗窃检测与预防系统分析

3.1 用电数据集分析

为了更好的对电力盗窃检测与预防系统进行研究分析,本文进行了监测消费者用电行为的模拟试验,由配电公司定时记录每日的用电数据行为。窃电数据属于敏感数据,本文使用的数据集来自国家电网发布的低压用户用电量数据集。数据采集的频率是每天一次,这些数据由国家电网公司的专业人员处理,包括被标记的正常用户和窃电者。该数据集包含2018年1月至2020年10月份41 377名用户的每日用电消耗统计数据。其中正常用户的数量为37 989,窃电用户的数量为3 388,窃电用户明显低于普通用电用户。通过对数据集的初步观察发现,正常用户和窃电者的日负荷趋势存在差异,日负荷数据不断波动。正常用户的日负荷数据相对正常,而电力盗窃者的日负荷值波动性较强,能耗值普遍高于正常用户。

3.2 电压分析

在电力系统运行过程中,电压盗窃频率最高,导致供电效率下降。对于此类状况,有效地解决方法是将反窃电技术应用于电力检查工作中,从根源上遏制窃电行为,促使电力运行稳定性提升。正常状态与窃电状态的系统电压见图3。

正常状态配电网电压和用户端电压如图3(a)所示,如果配电网变压器VDT电压为230 V,而用户端的电压,即用户接收到的电压VCU为229 V,电力盗窃检测与预防系统将无法正常运行。在电力系统的运行中,为了进一步防止电力盗窃行为的发生,可以在用户的用电端安装高压计量箱,从而为每个用户设置独立的线路。还可以对电力盗窃检测和预防系统的状态进行运行分析,根据得到的结果进行线路改造,改造完成后,需要同步进行支线的移交工作。针对基于大数据分析的电力盗窃检测与预防系统研究,测量装置的转移工作显得尤为关键。可以利用公共线路将测量装置转移到对应的位置,在选择装置点时,必须慎重考虑电线杆的合适性,并在安装前提前确认电线管的准确安装位置,以便为子系统的监控设备留出必要的安装空间,从而为系统的顺利运行提供重要保障。

窃电状态下配电网电压和系统电压如图3(b)所示,在电力盗窃状态下的配电网电压VTP最高电压达到300 V,电力盗窃检测和预防系统会产生过电压,使非法连接的设备无法运行。通过将电压调节到额定值,为正常用户进行供电。

3.3 系统性能分析

在用电行为检测中,工作人员发现电力盗窃行为后会立刻与周边的电力盗窃预防系统进行关联,同时在电路系统上安装压力计时器。图4为正常用户和电力盗窃的用电趋势图,可以看出,窃电过程中负载数据的波动非常突出,12天左右时电力盗窃2的用电量可达到1.5 k Wh。通过以上分析可以看出,需要定期对电力系统进行检查,保证供电质量。除此之外,各种电力盗窃行为频繁发生,电力企业在检查时应当开展电力盗窃检测与预防系统的推广工作,进一步预防电力盗窃行为发生。

4 结论

本文基于大数据分析对用户用电行为进行了深入研究,通过记录实际日负荷数据和用电数据的采集,成功地揭示了电力盗窃的日负荷数据波动性较强,同时也证实了电力盗窃检测与预防系统具备较高的稳定性。此外,在正常状态和窃电状态下对用户端以及系统电压进行了详细的分析,结果表明在正常状态下,电压最高为230 V,而在窃电状态下,最高电压可达到300 V。最后,对于正常用户和电力盗窃行为的用电趋势进行了全面分析,发现电力盗窃的规律。

综上所述,该系统能够有效地预防电力盗窃行为,同时也成功地抑制了配电网的非技术性损耗,避免了因窃电导致配电网变压器的过载,为防止窃电行为的发生提供了有效的保障。接下来,可以进一步优化该系统的算法和技术,以提高其在实际应用中的性能和效率。