杜章華，蘇 盛，劉正誼，薛 陽，楊藝寧，劉 廈

（1. 長沙理工大學(xué)電氣與信息工程學(xué)院,湖南省長沙市410114；2. 國網(wǎng)常德供電公司,湖南省常德市415000；3. 中國電力科學(xué)研究院有限公司,北京市100192）

0 引言

竊電直接造成供電企業(yè)凈利潤流失［1］,是長期存在的問題。由于用戶竊電往往會表現(xiàn)為電量異常,研究人員多以電量為依歸,根據(jù)用電量曲線的滑落、波動或報裝容量利用率低等設(shè)計(jì)特征指標(biāo)項(xiàng)建立檢測模型［2-3］,并設(shè)計(jì)分類［4-8］和聚類算法［9-12］來識別低電量異常用戶［1］。需要指出的是,圍繞用電量異常設(shè)計(jì)特征指標(biāo)項(xiàng),隱含用戶用電基本平穩(wěn)的前提。實(shí)際系統(tǒng)中,相當(dāng)一部分用戶需根據(jù)訂單安排生產(chǎn),用電并不具有平穩(wěn)性,日際電量波動30%～40%較為常見,而單相分流竊電時損失電量在30%以下,正常電量波動和竊電容易混淆。此外,環(huán)保限產(chǎn)、消防整改、設(shè)備大修等因素也可能造成持續(xù)低電量異常。以電量為核心指標(biāo)檢測用電異常存在可用信息不足的缺陷,難以識別是竊電還是生產(chǎn)經(jīng)營狀態(tài)轉(zhuǎn)換導(dǎo)致的低電量異常,造成誤報,影響工程應(yīng)用。

盡管工業(yè)和商業(yè)用戶的生產(chǎn)經(jīng)營活動具有不確定性,部分用戶的用電量還存在明顯的日際波動,但它們的生產(chǎn)經(jīng)營狀態(tài)數(shù)量基本上固定（如工業(yè)用戶有春節(jié)放假、周末輪休、滿負(fù)荷排班或正常生產(chǎn)排班等狀態(tài),商業(yè)門店有春秋季和冬季、夏季工作日/節(jié)假日以及節(jié)假日打烊等狀態(tài)）,而每種狀態(tài)下的用電設(shè)備投用組合和用電行為模式是基本明確和固定的。因此,利用用戶用電數(shù)據(jù),有可能識別出其所處的狀態(tài),進(jìn)而識別用戶轉(zhuǎn)入正常的低電量生產(chǎn)經(jīng)營狀態(tài)導(dǎo)致的低電量異常。

本文首先提出了基于負(fù)荷特征的用戶生產(chǎn)經(jīng)營狀態(tài)識別方法,然后將竊電檢測識別出的低電量異常用戶每天三相功率數(shù)據(jù)作為負(fù)荷特征,根據(jù)負(fù)荷特征聚類識別低電量異常時段所處的生產(chǎn)經(jīng)營狀態(tài),從而判斷造成低電量異常的原因,避免正常低電量生產(chǎn)經(jīng)營狀態(tài)造成的誤報。最后,結(jié)合實(shí)際竊電數(shù)據(jù)的測試計(jì)算驗(yàn)證了所提方法的可行性。

1 基于負(fù)荷特征的生產(chǎn)經(jīng)營狀態(tài)識別

1.1 負(fù)荷特征

用電設(shè)備在特定運(yùn)行模式下所體現(xiàn)出來的負(fù)荷特性稱為負(fù)荷特征［13］,是實(shí)現(xiàn)用戶用電行為特性分析的關(guān)鍵。用電設(shè)備的負(fù)荷特征可分為高頻特征和低頻特征。其中,前者主要包含設(shè)備操作過程的電流、功率暫態(tài)波形、跳變沿寬度和高度等［14］；后者主要包含有功/無功功率和諧波構(gòu)成等［15］。因采集的高頻特征超出了智能電表等計(jì)量設(shè)備的性能水平,當(dāng)前的研究主要側(cè)重采用低頻特征提取用戶用電信息［16］。本文通過對用戶不同生產(chǎn)經(jīng)營狀態(tài)下的設(shè)備投用組合進(jìn)行整體綜合分析,將一天每15 min 間隔的三相功率作為負(fù)荷特征,識別用戶當(dāng)天投用電氣設(shè)備組合決定的用電模式及對應(yīng)的生產(chǎn)經(jīng)營狀態(tài)。

工業(yè)與商業(yè)用戶用電設(shè)備構(gòu)成基本固定,且一般以天為最小單位安排生產(chǎn)經(jīng)營。一天之中各類用電設(shè)備的投用組合由生產(chǎn)經(jīng)營狀態(tài)對應(yīng)的排班安排決定,不同狀態(tài)對應(yīng)的用電設(shè)備投用組合將會形成相對固定的用電模式。根據(jù)一天的計(jì)量數(shù)據(jù),有可能識別用戶當(dāng)天所處的生產(chǎn)經(jīng)營狀態(tài)。因用戶所處的生產(chǎn)經(jīng)營狀態(tài)的數(shù)量總是有限的,它的狀態(tài)總會在幾種有限的狀態(tài)間轉(zhuǎn)換。

一般而言,一年時間可以遍歷特定用戶的所有生產(chǎn)經(jīng)營狀態(tài)。用戶從用電量多的狀態(tài)轉(zhuǎn)換到用電量少的狀態(tài),只是狀態(tài)之間的轉(zhuǎn)換而不會產(chǎn)生新的狀態(tài)。盡管正常用戶的日電量不一定平穩(wěn),會不定期進(jìn)入低電量狀態(tài),但是如果此時的用電模式為已有模式,即可認(rèn)為是誤報。

需要指出的是,計(jì)量數(shù)據(jù)蘊(yùn)含的信息量在很大程度上決定了其映射用戶生產(chǎn)經(jīng)營狀態(tài)的潛力。與單相計(jì)量數(shù)據(jù)相比,三相計(jì)量數(shù)據(jù)包含更高維度的信息,能更有效地表征用戶的生產(chǎn)經(jīng)營狀態(tài)。

1.2 生產(chǎn)經(jīng)營狀態(tài)識別

用電設(shè)備中,一般小功率設(shè)備為單相負(fù)荷,而大功率設(shè)備多為三相負(fù)荷。夜間休息時段,主要負(fù)荷為照明等單相負(fù)荷,一般負(fù)荷較小、三相對稱度也最低；晝間時段,投用設(shè)備多、功率大,三相對稱度明顯高于夜間,往往負(fù)荷越重三相對稱度越高。

用戶用電設(shè)備的投用組合根據(jù)所處生產(chǎn)經(jīng)營狀態(tài)的不同而有所差異。一天每15 min 間隔的三相功率包含了負(fù)荷水平和三相對稱性等信息,可作為負(fù)荷特征標(biāo)識當(dāng)天用戶的用電設(shè)備投用情況及對應(yīng)的生產(chǎn)經(jīng)營狀態(tài)。為直觀呈現(xiàn),以用戶三相負(fù)荷最大值為基準(zhǔn)值,計(jì)算各時刻三相瞬時功率的標(biāo)幺值后,將某用戶在工作日和周末節(jié)假日每15 min 間隔的三相功率以散點(diǎn)云圖的形式繪制見圖1。其中,圖1（a）為工作日的三相功率散點(diǎn)云圖,圖1（b）為節(jié)假日的三相功率散點(diǎn)云圖,由圖1 可得如下結(jié)論。

1）工作日投用的三相對稱大功率用電設(shè)備多,用電負(fù)荷的數(shù)值和三相對稱度都比較高,三相瞬時功率緊密地沿對角線集中分布；夜間低負(fù)荷時的功率散點(diǎn)集中于零功率的右下角。

2）節(jié)假日狀態(tài)下,大量三相對稱大功率設(shè)備停用,投用的主要為單相小功率設(shè)備,負(fù)荷水平和三相對稱度明顯較低,此時三相功率松散地分布于對角線周邊,散布于右下角零功率附近的功率散點(diǎn)也明顯多于工作日狀態(tài)。

無論采用何種手法,竊電總會改變負(fù)荷特征（負(fù)荷大小或三相對稱性）,使其偏離用戶固有生產(chǎn)經(jīng)營狀態(tài)對應(yīng)的用電模式。因此,采用一天的三相功率作為負(fù)荷特征,并將低電量異常用戶的負(fù)荷特征和出現(xiàn)異常之前的歷史數(shù)據(jù)進(jìn)行對比,可以識別和篩除正常的低電量生產(chǎn)經(jīng)營狀態(tài)造成的低電量異常,降低竊電檢測誤報率。

圖1 用戶正常用電的三相功率散點(diǎn)圖Fig.1 Scatter diagrams of normal three-phase power consumption for users

2 基于生產(chǎn)經(jīng)營狀態(tài)識別的用電異常篩查

2.1 基于近鄰傳播算法的負(fù)荷特征聚類

用電異常檢測中常用聚類分析識別用電異常。電力用戶生產(chǎn)經(jīng)營狀態(tài)數(shù)量難以預(yù)判,需采用無須預(yù)設(shè)類簇?cái)?shù)的方法進(jìn)行聚類分析。近鄰傳播（affinity propagation,AP）聚類算法［17］不但無須指定聚類數(shù)目,還具有以類簇中心為實(shí)際樣本、便于理解等突出優(yōu)點(diǎn),以下選擇AP 聚類算法進(jìn)行用戶生產(chǎn)經(jīng)營狀態(tài)聚類分析。

AP 聚類是一種基于近鄰信息傳播的聚類算法,其目的是找到最優(yōu)類代表的集合,使得所有樣本到最近的類代表的相似度之和最大［18-19］。AP 聚類算法的具體原理及實(shí)現(xiàn)流程說明如附錄A 所示。

2.2 基于生產(chǎn)經(jīng)營狀態(tài)識別的用電異常二次篩查

工業(yè)和商業(yè)用戶的用電設(shè)備構(gòu)成相對固定,設(shè)備投用組合由生產(chǎn)經(jīng)營狀態(tài)對應(yīng)的排班安排決定,可以根據(jù)負(fù)荷特征標(biāo)識用戶的用電模式和對應(yīng)的生產(chǎn)經(jīng)營狀態(tài)［20-21］。因?yàn)樘囟ㄓ脩舻纳a(chǎn)經(jīng)營狀態(tài)數(shù)量總是有限的,其用電模式會在有限的幾種狀態(tài)間轉(zhuǎn)換,對應(yīng)的負(fù)荷特征可根據(jù)生產(chǎn)經(jīng)營狀態(tài)的不同聚類為多個類簇［22-23］。盡管不同狀態(tài)對應(yīng)的負(fù)荷大小各有不同,但表現(xiàn)出來的都是正常狀態(tài)下的負(fù)荷特征。用戶竊電時無論采取何種手法,都將改變負(fù)荷數(shù)值大小或三相對稱水平（單相或兩相竊電時,影響對稱性；三相等比例竊電時,降低負(fù)荷絕對值）,從而改變負(fù)荷特征的結(jié)構(gòu),形成新的負(fù)荷特征類簇。

因?yàn)殡y以區(qū)分導(dǎo)致低電量異常的原因,以電量異常為導(dǎo)向的竊電檢測方法識別出的異常用戶中往往有一部分為誤報。盡管通過異常度累積的方式,可在恰當(dāng)閾值設(shè)置下避免短期負(fù)荷驟降引起的誤報［24］,但對用電量不具有平穩(wěn)性的用戶及干擾影響下持續(xù)低電量的用戶仍難以避免被誤報。對于竊電檢測識別出的低電量異常用戶,可根據(jù)負(fù)荷特征標(biāo)識生產(chǎn)經(jīng)營狀態(tài),將低電量異常時段的負(fù)荷特征與出現(xiàn)異常以前歷史時段的負(fù)荷特征進(jìn)行聚類分析,判斷是用戶轉(zhuǎn)入正常的低電量生產(chǎn)經(jīng)營狀態(tài)還是竊電導(dǎo)致的低電量異常。具體流程如附錄B 圖B1 所示,詳述如下。

1）竊電檢測識別出低電量的疑似竊電用戶。

2）選擇疑似竊電用戶低電量時段及出現(xiàn)低電量異常前較長時段的用電數(shù)據(jù),以最大的單相瞬時功率為基準(zhǔn)值,計(jì)算每天的三相功率標(biāo)幺值作為負(fù)荷特征。

3）采用AP 聚類算法對低電量異常時段及異常之前負(fù)荷數(shù)據(jù)的負(fù)荷特征進(jìn)行聚類分析。

4）確定各聚類簇在時間上的分布,判斷低電量異常時段的負(fù)荷特征是否出現(xiàn)在之前未有的聚類簇中。如果低電量時段和之前時段聚為一類而未新增類簇,則可認(rèn)為用戶是正常的生產(chǎn)經(jīng)營狀態(tài)轉(zhuǎn)換導(dǎo)致用電量下降,可排除嫌疑；如果聚類為新的類簇,則可判別為需要現(xiàn)場稽查確認(rèn)的疑似竊電。

2.3 AP 聚類參數(shù)及聚類數(shù)據(jù)時間窗調(diào)參

AP 聚類算法的參數(shù)主要有衰減系數(shù)、最大迭代次數(shù)、聚類中心最大迭代不發(fā)生改變的次數(shù)和偏向參數(shù)p。為清楚描述參數(shù)設(shè)置的影響,結(jié)合附錄B圖B2 所示正常無竊電的制鞋業(yè)用戶2019 年1 月至7 月用電數(shù)據(jù)進(jìn)行測試分析。

聚類參數(shù)中,衰減系數(shù)0 ＜λ＜1,主要影響聚類收斂時間,取值對聚類結(jié)果無影響,以下將其設(shè)置為0.5。為控制聚類結(jié)束的迭代次數(shù),設(shè)置最大迭代次數(shù)T為500,聚類中心最大迭代不發(fā)生改變的次數(shù)t為50。偏向參數(shù)p影響聚類類簇?cái)?shù)。將p從小到大逐個測試仿真分析其影響,分析結(jié)果見附錄B圖B3。其中,橫軸標(biāo)識p的取值范圍,縱軸標(biāo)識對應(yīng)p值下形成的類簇?cái)?shù)。由圖B3 可見,p取相似矩陣中元素的最小值及其附近值時,形成的類簇?cái)?shù)只有3 個,明顯不足以描述用戶所具有的生產(chǎn)經(jīng)營狀態(tài)；p值增大后,形成的類簇?cái)?shù)逐漸增加；p取最大值及其附近值時,類簇?cái)?shù)急劇增加,也有悖于對制鞋用戶生產(chǎn)經(jīng)營狀態(tài)數(shù)量的認(rèn)知。結(jié)合文獻(xiàn)［19］的做法,將p取中位數(shù)時形成的類簇?cái)?shù)及各類簇中心對應(yīng)的生產(chǎn)經(jīng)營狀態(tài)與用戶實(shí)際情況比較貼合。由于很難在大量用戶用電異常檢測時逐個調(diào)參,可將p統(tǒng)一設(shè)置為相似度矩陣中所有值的中位數(shù)。

因需要根據(jù)歷史數(shù)據(jù)判斷新增低電量時段是否正常,歷史數(shù)據(jù)時間窗的長度決定了它可能覆蓋生產(chǎn)經(jīng)營狀態(tài)的廣度。時間窗太短時,可能因涵蓋的狀態(tài)不足導(dǎo)致誤判。有必要通過測試確定恰當(dāng)?shù)臅r間窗長度。由附錄B 圖B2 可見,制鞋用戶受訂單影響,日用電量具有不平穩(wěn)特性,2019 年7 月日電量波動可達(dá)30%～40%。以下將2019 年7 月負(fù)荷為測試對象,按3 個月時間窗（2019 年4 月至6 月）和6 個月時間窗（2019 年1 月至6 月）進(jìn)行比對分析,測試結(jié)果如附錄B 表B1 所示,所得結(jié)論如下。

1）采用3 個月時間窗識別2019 年7 月數(shù)據(jù)時,類簇?cái)?shù)將從3 類增加為4 類。對于電量波動較大的用戶,時間窗覆蓋的生產(chǎn)經(jīng)營狀態(tài)不足,電量波動可能形成新的類簇,造成誤判。

2）采用6 個月時間窗時,類簇?cái)?shù)始終為5 類。類簇4 除了出現(xiàn)在2019 年7 月電量波動期間外,在2019 年1 月至3 月均有較集中的分布?？烧J(rèn)為電量波動是用戶正常狀態(tài)切換造成的,不影響聚類結(jié)果。

3）選取時間窗長度時應(yīng)盡可能遍歷用戶正常生產(chǎn)經(jīng)營活動安排。因不同行業(yè)生產(chǎn)經(jīng)營周期有差異性,建議將時間窗長度設(shè)置為一年,以充分遍歷用戶正常的各種生產(chǎn)經(jīng)營狀態(tài)。

3 測試仿真

3.1 實(shí)驗(yàn)數(shù)據(jù)

采用針織制品制造、金屬制品制造、水泥制品制造和塑料制品制造業(yè)經(jīng)稽查確認(rèn)的40 個竊電用戶用電數(shù)據(jù),各樣本為包含竊電時段在內(nèi)一年每15 min 間隔的電流、電壓、瞬時功率和用電量計(jì)量數(shù)據(jù),對所提方法進(jìn)行測試分析。以某單相分流竊電的紡織用戶為例,說明篩選用電異常的流程和效果。圖2 為該用戶2019 年日用電量曲線。由圖2 可知：①用電負(fù)荷具有明確的周期性和平穩(wěn)性,周末負(fù)荷明顯低于工作日；②2019 年2 月上旬為春節(jié)長假,用戶處于完全停產(chǎn)狀態(tài),春節(jié)長假前后用電負(fù)荷隨人員返鄉(xiāng)和返程而逐漸跌落和恢復(fù)；③2019 年8 月中下旬,用電量明顯下降,經(jīng)稽查確認(rèn)為電流互感器B 相 分 流 竊 電,2019 年8 月9 日 至9 月2 日 的B 相 計(jì)量負(fù)荷約為實(shí)際負(fù)荷的20%；④五一長假的第1 日和十一長假的前4 日,用戶接近停產(chǎn),清明期間用電負(fù)荷也有明顯下降。

圖2 電量異常用戶負(fù)荷曲線Fig.2 Load curve of abnormal electricity user

3.2 仿真實(shí)驗(yàn)與分析

采用何種聚類算法對聚類識別用戶的生產(chǎn)經(jīng)營狀態(tài)有重要影響,需要比較不同算法的識別效果。作為最常用的密度聚類算法,采用基于密度的帶噪聲數(shù)據(jù)應(yīng)用的空間聚類（DBSCAN）算法來首先計(jì)算各樣本間的相互距離,然后設(shè)置鄰域半徑和鄰域樣本數(shù)閾值Nmin［25］。某個樣本鄰域中樣本數(shù)少于Nmin時,認(rèn)定為離群點(diǎn)；達(dá)到和超過Nmin時,認(rèn)定為一個類簇,且該樣本為核心點(diǎn)；當(dāng)核心點(diǎn)鄰域半徑內(nèi)的其他樣本點(diǎn)也是核心點(diǎn)時,該2 個類簇可合并為一個類簇。通過核心點(diǎn)的融合,DBSCAN 算法可進(jìn)行凸樣本集和非凸樣本集的聚類分析。以下采用同樣無須預(yù)設(shè)類簇?cái)?shù)的DBSCAN 算法和AP 聚類算法,進(jìn)行疑似竊電用戶的負(fù)荷特征聚類對比分析。

為確認(rèn)圖2 中紅色虛線區(qū)域低電量異常是否為竊電,采用前8 個月每天15 min 間隔的有功功率計(jì)算負(fù)荷特征,243 d 的負(fù)荷數(shù)據(jù)集可表示為X={xn},n=1,2,…,243,其中xn=[xa,xb,xc],為用戶用電數(shù)據(jù)的向量表征形式,xa,xb,xc分別為A相、B 相、C 相每15 min 間隔的有功功率計(jì)量數(shù)據(jù),xa=[xa1,xa2,…,xa96],xb=[xb1,xb2,…,xb96],xc=[xc1,xc2,…,xc96]。

采用DBSCAN 算法進(jìn)行聚類分析時,考慮到工程應(yīng)用中一般將用電量下降持續(xù)時間超過3 d 的視為用電異常,本文將Nmin設(shè)置為4。鄰域半徑以0.001 為步長,從0.001 逐漸增大到0.1,進(jìn)行了100 種參數(shù)設(shè)置下的測試計(jì)算。鄰域半徑為0.001時,因半徑太小,未形成任何類簇,所有樣本均為離群點(diǎn)；鄰域半徑增大到0.006 時,形成的類簇?cái)?shù)量達(dá)到最大值14,但此時仍有一定數(shù)量離群點(diǎn)。此后,類簇?cái)?shù)量逐漸減小,當(dāng)鄰域半徑大于0.09 時,類簇?cái)?shù)量減少到1 并不再變化。綜上,DBSCAN 算法的參數(shù)設(shè)置對聚類結(jié)果有突出影響,需逐個對用戶調(diào)參分析選優(yōu),不利于工程應(yīng)用。

采用AP 聚類算法的算法參數(shù)設(shè)置如2.3 節(jié)所述。AP 聚類將竊電時段及之前8 個月的數(shù)據(jù)聚為6 簇,各類簇日期構(gòu)成、對應(yīng)生產(chǎn)經(jīng)營狀態(tài)及類簇中心如附錄B 表B2 所示。為方便比對說明,AP 聚類識別出的各類簇中心的日負(fù)荷曲線及三相功率散點(diǎn)云圖如圖3 和圖4 所示。結(jié)合圖3、圖4、表B2,分析說明如下。

1）類簇1 標(biāo)識春節(jié)、五一等長假生產(chǎn)經(jīng)營狀態(tài),此時工人休假、機(jī)器停工,僅有照明等基礎(chǔ)用電,三相功率散點(diǎn)集中分布于右下角零功率和底部功率較低位置。

2）類簇2 標(biāo)識正常工作日生產(chǎn)經(jīng)營狀態(tài)。紡織廠為倒班生產(chǎn)模式,設(shè)備不停機(jī)運(yùn)行,負(fù)荷全天分布較均勻,晝間略大于夜間；因全天負(fù)荷均較大,所有功率散點(diǎn)遠(yuǎn)離零功率的右下角和功率較低的底部,在散點(diǎn)圖中上部沿對角線分散分布。

3）類簇3 標(biāo)識春節(jié)前后工人陸續(xù)返鄉(xiāng)/返工時段,因開工不足僅部分設(shè)備在白天投產(chǎn)、夜間休息,負(fù)荷略小于正常工作日；三相功率散點(diǎn)分為2 個部分,白天的計(jì)量數(shù)據(jù)與類簇2 類似,在散點(diǎn)圖中上部沿對角線分散分布,而夜間則集中在零功率的右下角。

4）類簇4 標(biāo)識正常周休日和清明節(jié),該紡織廠周休日設(shè)置在星期五,晝夜負(fù)荷水平均明顯小于類簇2 標(biāo)識的正常工作日,三相功率散點(diǎn)靠下部分布。

5）類簇5 和類簇6 分別標(biāo)識竊電時段的正常工作日和周休日,由于B 相分流近80%,類簇中心日的日負(fù)荷明顯低于其他兩相,兩者在散點(diǎn)云圖上都明顯偏離對角線,在圖右側(cè)靠近B 相低功率區(qū)域分布。類簇6 白天輕載,在散點(diǎn)圖零功率的右下角緊密聚集。因此,用電量下降時段分別形成2 個與之前有差異的新類簇。

由于低電量異常時段與之前的負(fù)荷特征聚類形成不同類簇,可將其識別為竊電。在之后的國慶長假,用戶用電量再次持續(xù)跌落（如圖2 中綠色虛線區(qū)域所示）,以下將該時段與之前的負(fù)荷特征進(jìn)行聚類分析。

圖3 聚類中心日用電量曲線Fig.3 Curves of daily power consumption for clustering center

圖4 聚類中心三相功率散點(diǎn)圖Fig.4 Scatter diagrams of three-phase power of clustering center

2019 年國慶7 d 的負(fù)荷曲線如圖5 所示,長假前4 日處于停產(chǎn)狀態(tài),第5 日開始恢復(fù)正常。前4 日和后3 日的負(fù)荷曲線分別與類簇中心1 和2 高度相似。為方便比較,將長假前4 日和后3 日的負(fù)荷特征以不同顏色繪制,如圖6 所示。由圖6 可見,前4 日的負(fù)荷特征與類簇1 相似地集中于零功率的右下角和低功率的底部；后3 日恢復(fù)生產(chǎn),負(fù)荷特征與類簇2 的分布形態(tài)相似。將國慶期間與歷史數(shù)據(jù)的負(fù)荷特征按相同設(shè)置進(jìn)行AP 聚類,未產(chǎn)生新類簇,可確認(rèn)為正常的狀態(tài)切換,排除竊電嫌疑。

圖5 國慶長假用電量曲線Fig.5 Electricity consumption curves during National Day holiday of China

圖6 國慶長假分段三相功率散點(diǎn)圖Fig.6 Scatter diagrams of segmented three-phase power during National Day holiday of China

按照前述相同參數(shù)設(shè)置和測試流程,對所有40 個竊電用戶進(jìn)行測試分析,各用戶具體竊電手法描述、包含和不包含竊電時段負(fù)荷特征的聚類類簇?cái)?shù)列如附錄B 表B3 所示。由表B3 可得如下結(jié)論。

1）同一行業(yè)用戶的用電行為模式仍存在較大差異,正常用電時段聚類形成的類簇?cái)?shù)量差異明顯。

2）聚類數(shù)據(jù)包含竊電時段負(fù)荷數(shù)據(jù)時,形成的類簇?cái)?shù)在絕大多數(shù)場景下多于正常數(shù)據(jù)聚類的類簇?cái)?shù),所提方法可準(zhǔn)確識別所述行業(yè)用戶竊電造成的用電模式差異,從而降低竊電檢測誤報率。

3）18 和35 號竊電用戶三相等比例竊電和繞表用電,等比例竊電時僅改變負(fù)荷特征的幅值而不影響三相平衡,更容易和其他的正常生產(chǎn)經(jīng)營狀態(tài)的負(fù)荷特征混淆；在偷逃全部電量時也會與節(jié)假日停產(chǎn)的零用電狀態(tài)重疊,因而判斷出錯。

4）22,36 和38 號用戶長時間持續(xù)竊電,出現(xiàn)低電量異常前已經(jīng)記錄了竊電時的負(fù)荷特征,低電量異常時段負(fù)荷特征會和之前竊電產(chǎn)生的負(fù)荷特征聚為一類,也會造成判斷出錯。

綜上,本文所提方法可有效確認(rèn)絕大多數(shù)竊電造成的低電量異常,但可能在三相等比例竊電、繞表用電和長時間持續(xù)竊電時,將竊電用戶誤認(rèn)為正常,造成漏報。需要指出的是,供電企業(yè)在竊電檢測的誤報和漏報上存在差異性偏好。因?yàn)橛脩艋鶖?shù)龐大,總有相當(dāng)數(shù)量的竊電用戶,因此可以容忍一定程度的竊電檢測漏報。與之相反,為避免打草驚蛇、提高檢測命中率,供電企業(yè)在有限人力資源約束下,對竊電檢測誤報率要求更高,一般都會采用不同方法多方確認(rèn)為高危用戶后才登門稽查。本文所提方法可有效降低根據(jù)低電量異常檢測竊電的誤報率,有助于提高稽查命中率。

4 結(jié)語

針對以電量異常為導(dǎo)向的竊電檢測方法容易受電量波動影響造成誤報的問題,提出了基于負(fù)荷特征的低誤報率竊電檢測二次篩查方法,對選出的低電量異常用戶進(jìn)行生產(chǎn)經(jīng)營狀態(tài)識別,以篩除用戶狀態(tài)正常轉(zhuǎn)換造成的誤報,開展了以下工作。

1）分析指出了以電量異常為導(dǎo)向的竊電檢測方法在機(jī)理上存在難以確定是竊電還是低電量生產(chǎn)經(jīng)營狀態(tài)造成的異常、容易誤報的缺陷。

2）構(gòu)建了基于用戶一天三相功率數(shù)據(jù)的負(fù)荷特征,可利用負(fù)荷特征標(biāo)識用戶當(dāng)天的用電模式和生產(chǎn)經(jīng)營狀態(tài)。

3）提出了基于負(fù)荷特征聚類的用電異常二次篩除方法?？稍谧R別出的低電量異常用戶的基礎(chǔ)上,對低電量異常時段和之前的負(fù)荷特征進(jìn)行AP 聚類。如低電量時段負(fù)荷特征與之前正常的低電量生產(chǎn)經(jīng)營狀態(tài)的負(fù)荷特征聚為同類,則可排除竊電嫌疑,從而降低竊電檢測誤報率。

4）應(yīng)用4 個行業(yè)40 個竊電用戶的計(jì)量數(shù)據(jù)進(jìn)行了測試驗(yàn)證,測試結(jié)果表明所提方法在絕大部分案例中能準(zhǔn)確識別竊電用戶,驗(yàn)證了所提方法的有效性。

本文所提方法的缺陷是可能將部分三相等比例竊電、繞表用電和長期竊電用戶誤判為正常,導(dǎo)致漏報。實(shí)際上,每種竊電檢測方法都有一定的前提假設(shè)和對應(yīng)的適用范圍,很難用一種檢測方法應(yīng)對所有的竊電。下一步還要分析各種竊電手法在不同方面的表征,針對性地研究不同機(jī)理的竊電檢測方法,并充分認(rèn)識每種檢測方法的局限性,才能多管齊下地實(shí)現(xiàn)準(zhǔn)確可靠地檢出竊電用戶。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。