唐偉寧，劉 穎，于 旭，董冠良

（1.國網(wǎng)吉林省電力有限公司電力科學(xué)研究院，吉林長春 130021；2.吉林財經(jīng)大學(xué)管理科學(xué)與信息工程學(xué)院，吉林 長春 130117）

竊電問題嚴重危害國家的安全和利益，對供電企業(yè)造成了巨大的困擾和利益損失。竊電行為隨意更改電路設(shè)施，不僅會損壞電路設(shè)施，造成安全隱患，也擾亂了國家和人民的正常用電秩序。因此，供電企業(yè)需要完善反竊電的技術(shù)手段，以提高對于竊電行為的打擊力度[1-2]。但目前隨著科學(xué)技術(shù)的不斷發(fā)展進步，竊電技術(shù)手段也在不斷進步，且更具有隱蔽性、多樣性、快速性和高科技性，反竊電技術(shù)具有局限性，很難有效地發(fā)現(xiàn)并解決竊電問題[3-4]。

傳統(tǒng)的反竊電方法主要有安裝反竊電硬件設(shè)備、定期對供電系統(tǒng)進行巡檢、定期校驗電表及群眾舉報[5]。這些方法難以有針對性地達到反竊電的目的，而且耗費大量的人力、時間和經(jīng)費，效率不高。在各省市電力公司引進具有電能量數(shù)據(jù)查詢功能和計量異常報警功能的計量系統(tǒng)后，供電企業(yè)便可以通過對稽查人員、用電檢查人員和計量工作人員的培訓(xùn)來實現(xiàn)對用戶用電情況的在線監(jiān)控工作，計量系統(tǒng)可以對異常的電量、負荷、線損信息進行采集，并能夠進行終端報警、主站報警，不僅能夠?qū)崟r監(jiān)測竊電情況的發(fā)生，還能及時發(fā)現(xiàn)計量裝置故障。但該系統(tǒng)也存在一定的弊端，往往反饋出的信息量很大，但無用信息也很多，且經(jīng)常發(fā)生誤報，很難對竊電嫌疑用戶進行快速精確定位[6]。

數(shù)據(jù)挖掘技術(shù)在負荷預(yù)測、電網(wǎng)規(guī)劃等方面的研究已經(jīng)比較成熟，但是很少應(yīng)用于反竊電管理。為此，該文針對傳統(tǒng)反竊電技術(shù)的不足，運用數(shù)據(jù)挖掘技術(shù)構(gòu)建反竊電管理模型，該模型能夠更準確、及時地發(fā)現(xiàn)竊電行為，對反竊電管理發(fā)揮促進作用。

1 低壓竊電行為檢測

影響用電量特征的因素有很多，比如用電用戶的行業(yè)特征、地理位置以及氣候特征等，每個時間區(qū)段包含一個特定的用電模式，所以從時間尺度上對用電量進行分段。為便于對用電數(shù)據(jù)進行離群檢測，需要先對用電數(shù)據(jù)采用聚類法進行分類，并基于用電頻率、距離以及關(guān)聯(lián)規(guī)則對異常數(shù)據(jù)進行離群度計算[7-8]。最后結(jié)合數(shù)據(jù)優(yōu)化來確定離群閾值，并對離群數(shù)據(jù)進行計算來判斷是否存在竊電行為。

基于離群數(shù)據(jù)挖掘的低壓竊電行為檢測流程如圖1 所示。

圖1 低壓竊電行為檢測過程

在此基礎(chǔ)上，結(jié)合反竊電管理業(yè)務(wù)需求，基于SOA 構(gòu)建綜合信息平臺，制定統(tǒng)一的數(shù)據(jù)模型、對數(shù)據(jù)進行統(tǒng)一規(guī)范[9]。同時，制定一套流程標準，開發(fā)出適配各應(yīng)用系統(tǒng)的基于公共語義的接口，實現(xiàn)數(shù)據(jù)挖掘、信息集成和業(yè)務(wù)整合，從而實現(xiàn)從整體抽取各個系統(tǒng)的信息資源，構(gòu)建面向?qū)ο蟮臄?shù)據(jù)應(yīng)用平臺[10-11]。

根據(jù)用戶需要，反竊電管理系統(tǒng)的分析結(jié)果能夠以餅狀圖、折線圖等樣式直觀呈現(xiàn)，不僅可以直觀反饋結(jié)果，也大大提高了工作效率。此外，為方便業(yè)務(wù)人員進行交互式查詢、統(tǒng)計與分析，支持反竊電決策過程實施，系統(tǒng)還增加了導(dǎo)入導(dǎo)出功能，以便滿足用戶復(fù)雜業(yè)務(wù)需求。

2 低壓竊電行為辨識

2.1 用電區(qū)域劃分

設(shè)定時間段為t，確定樣本數(shù)據(jù)序列C，樣本數(shù)列記錄公式為：

在時段t內(nèi)計算用電量，計算公式為：

其中，ei表示在t時間段內(nèi)的用電量；Cti表示末端電量；Ct(i-1)表示初始端電量。

在確定用電量后，根據(jù)用電量對用電區(qū)段劃分，通過引用量化因子β完成量化處理，量化處理計算公式為：

用電模式類型不同，量化因子β的數(shù)值也不同。

將獲得的離散用電數(shù)據(jù)加入到正常的用電量中，分析用電量的波動情況，通過波動分析，實現(xiàn)信息診斷。在時間段t內(nèi)分析用電的波動量，計算公式為：

分析不同時段的用電量波動方式，對用電區(qū)段進行劃分[12-13]。

2.2 不同時間段離群數(shù)據(jù)異常分析

區(qū)段內(nèi)離群數(shù)據(jù)的計算需要的4 個參數(shù)包含每個用電區(qū)段的用電持續(xù)時間、用電源點位置、起始及結(jié)束用電量。但這些數(shù)據(jù)具有復(fù)雜的相關(guān)性，且具有自己的量綱屬性，所以為了便于后續(xù)基于離群算法的數(shù)據(jù)點分析，需要標準來指標化處理這些參數(shù)[14-15]。離散標準化數(shù)據(jù)處理公式為：

其中，d′表示得到的標準化數(shù)據(jù)；d表示竊電數(shù)據(jù)；dmin表示最小數(shù)據(jù)；dmax表示最大數(shù)據(jù)。

通過密度聚類離群算法檢測竊電數(shù)據(jù)，分析竊電數(shù)據(jù)的兩個基本參數(shù)，分別是鄰域半徑和閾值。如果選定空間內(nèi)任意一點，其鄰域半徑內(nèi)還存在其他任意數(shù)據(jù)點，則這兩點數(shù)據(jù)分別在對方的鄰域內(nèi)。同時，以閾值為任一數(shù)據(jù)點鄰域內(nèi)的數(shù)據(jù)點數(shù)量作為判斷標準，若數(shù)據(jù)點數(shù)量超過閾值，則該點被稱為核心數(shù)據(jù)點，若任意兩數(shù)據(jù)點之間的距離小于半徑，則這兩點可以構(gòu)成一個聚類。核心數(shù)據(jù)點鄰域內(nèi)的所有數(shù)據(jù)點可作為邊界數(shù)據(jù)點，也可以構(gòu)成一個聚類。其他既不屬于核心數(shù)據(jù)點聚類也不屬于邊界數(shù)據(jù)點聚類的數(shù)據(jù)點則為離群數(shù)據(jù)點[16]。

聚類的數(shù)量取決于不同的用戶區(qū)段，所以要計算出該數(shù)據(jù)點到核心數(shù)據(jù)點的距離，以便于作為指標之一對該數(shù)據(jù)的離群度進行計算。

2.3 基于關(guān)聯(lián)規(guī)則挖掘的用電頻率分析

通過關(guān)聯(lián)度和可信度來表示關(guān)聯(lián)規(guī)則，對兩個不相交的項集之間的潛在關(guān)系進行評價計算。關(guān)聯(lián)度的計算方法如式（6）所示。

其中，X、Y表示兩個完全不相交的項集；N表示項集內(nèi)部數(shù)據(jù)數(shù)量；I(X→Y)表示關(guān)聯(lián)度。

可信度計算公式如式（7）所示。

其中，b(X→Y)表示可信度。

在計算電力負荷離群數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則時，為了減少關(guān)聯(lián)規(guī)則的計算負荷，對于波動量小于1的用電區(qū)段，不考慮在異常關(guān)聯(lián)規(guī)則內(nèi)，只計算其他區(qū)段的異常關(guān)聯(lián)規(guī)則，超過關(guān)聯(lián)度閾值的項集為頻繁項集。

在關(guān)聯(lián)規(guī)格分析時，考慮到非頻繁項集的關(guān)聯(lián)，將關(guān)聯(lián)度閾值設(shè)為0，電區(qū)段之間用電量關(guān)聯(lián)越大，則關(guān)聯(lián)度也就越大，反之則越小。根據(jù)關(guān)聯(lián)規(guī)則確定用電頻率。

2.4 基于離群數(shù)據(jù)挖掘的竊電行為辨識

針對不同用戶采用的計量方式也不同，主要有高供高計、高供低計、低供低計。作為不均衡類分布問題，離群數(shù)據(jù)檢測的過程較為復(fù)雜，在對其性能進行評測時不能運用以算法準確率為基準的統(tǒng)計。所以在遵循數(shù)據(jù)挖掘算法通用評價規(guī)則的前提下，通過FPR 和TPR 來生成特征曲線，并以特征曲線構(gòu)成的面積作為判斷該算法計算的性能準確與否的指標，面積越大表示算法的計算效果越好?；陔x群數(shù)據(jù)挖掘的竊電行為辨識流程如圖2 所示。

圖2 基于離群數(shù)據(jù)挖掘的竊電行為辨識流程圖

由圖2 可知，通過量化處理用電量數(shù)據(jù)分析用電頻率，以用電地址的波動為基礎(chǔ)，構(gòu)建異常關(guān)聯(lián)規(guī)則，并計算出其關(guān)聯(lián)度。根據(jù)用電量的波動方向，劃分出不同的用電區(qū)段，并對區(qū)段內(nèi)的數(shù)據(jù)運用低密度聚類算法分析離群數(shù)據(jù)，通過分析結(jié)果確定離群距離，將分析結(jié)果統(tǒng)計在數(shù)據(jù)庫中。在數(shù)據(jù)庫內(nèi)同時提取離群距離、關(guān)聯(lián)度和用電頻率，然后構(gòu)建評價矩陣，根據(jù)矩陣的精度和召回率可以計算出離群閾值，根據(jù)離群閾值對比結(jié)果，在眾多用戶中選定出竊電用戶，確定用戶的竊電時間。

3 實驗研究

為驗證基于離群數(shù)據(jù)挖掘的低壓竊電行為辨識方法的有效性，將其與傳統(tǒng)的基于層次聚類的低壓竊電行為辨識方法、基于K 均值的低壓竊電行為辨識方法進行實驗對比。設(shè)定實驗參數(shù)如表1 所示。

表1 實驗參數(shù)

實驗設(shè)定7 個樣本數(shù)據(jù)量，這7 個樣本數(shù)據(jù)量中包含商用用戶和民用用戶。同時選用該文方法和兩種傳統(tǒng)方法對用戶用電的特征曲線進行分析，確定主要參數(shù)取值，通過優(yōu)化參數(shù)算法，確定給定的量子值，通過分析特征曲線的最大面積，確定內(nèi)部的半徑值，通過研究鄰域半徑和鄰域閾值，實現(xiàn)迭代計算，根據(jù)迭代計算結(jié)果確定參數(shù)值。3 種方法的參數(shù)優(yōu)化情況如圖3 所示。

圖3 3種方法的參數(shù)優(yōu)化情況

根據(jù)圖3 可知，隨著假正率的增加，該文提出的基于離群數(shù)據(jù)挖掘的低壓竊電行為辨識方法的參數(shù)真正率明顯高于傳統(tǒng)方法。在確定參數(shù)后，選用評價矩陣分析離群閾值，根據(jù)離群閾值分析結(jié)果確定量度，得到的實驗結(jié)果如圖4 所示。

圖4 3種方法的調(diào)和量度檢測結(jié)果

根據(jù)圖4 可知，該文提出的方法調(diào)和量度最大可以達到0.951，傳統(tǒng)的基于層次聚類的低壓竊電行為辨識方法調(diào)和量度最大值為0.842，基于K 均值的低壓竊電行為辨識方法調(diào)和量度最大值為0.739。由此可見，該文提出的辨識方法具有很好的離群數(shù)據(jù)檢測能力。

4 結(jié)束語

該文基于離群算法提出了一種對于竊電行為進行有效辨識的新方法，該方法具有較強的計算能力，能夠在短時間內(nèi)實現(xiàn)用電數(shù)據(jù)的聚類計算，通過計算用電頻率、離群距離以及異常規(guī)則關(guān)聯(lián)度來進行數(shù)據(jù)挖掘，并利用評價矩陣的離群閾值來監(jiān)測竊電行為的發(fā)生和竊電地點。實驗結(jié)果表明，在對不同模式的用電數(shù)據(jù)進行竊電分析時，相對其他數(shù)據(jù)挖掘算法，該文方法的工作性能更強。