甘肅同興智能科技發(fā)展有限責(zé)任公司 蔡璽 張世元 岳生融

1 引言

用電側(cè)竊電行為不僅為供電企業(yè)帶來重大經(jīng)濟(jì)損失，也危及供電系統(tǒng)的運行安全。該行為不僅會造成供電設(shè)備的損壞，而且損害供電系統(tǒng)正常輸送電的秩序。所以當(dāng)下電網(wǎng)公司會在供電系統(tǒng)中設(shè)置反竊電的技術(shù)手段，用于打擊用電側(cè)竊電行為。對于竊電行為的檢測與識別，我國眾多學(xué)者開展了一系列的研究，韓建富等[1]研究發(fā)現(xiàn)通過GA-BP 神經(jīng)網(wǎng)絡(luò)有效實現(xiàn)了對電力系統(tǒng)竊漏電行為的識別與診斷。卿柏元等[2]研究設(shè)計一種CNN-LG檢測模型提升了電網(wǎng)竊電行為檢測準(zhǔn)確度。隨著竊電手段的日漸發(fā)展，急需加大竊電行為識別方法的研究力度，滿足供電系統(tǒng)反竊電的現(xiàn)代化需求。

2 提取用電側(cè)竊電行為特征數(shù)據(jù)

在反竊電偵查中，由于人工識別不僅效率較低，而且準(zhǔn)確率較差。因此，引入離群點挖掘算法，深入挖掘用戶用電數(shù)據(jù)與竊電特征數(shù)據(jù)之間的相似度，檢測出用電異常數(shù)據(jù)，以此實現(xiàn)電力系統(tǒng)用電側(cè)竊電行為識別。

首先需要對用電側(cè)竊電行為的特征數(shù)據(jù)進(jìn)行提取，假設(shè)用電側(cè)的竊電行為存在Q1種類型，同時用戶非竊電行為存在Q2種類型，用電側(cè)的竊電行為樣本集合為{(i1,Q1),(i2,Q1),???,(in,Q1)}，非竊電行為樣本集合為{(j1,Q2),(j2,Q2),???,(jn,Q2)}，且用電側(cè)的竊電行為與非竊電行為樣本集合中均包括z∈{1,2,???,m}個特征數(shù)據(jù)，則與特征數(shù)據(jù)z相關(guān)的統(tǒng)計量ξ表達(dá)式為：

式中：jn+1為用電側(cè)非竊電行為樣本jn最近的相鄰樣本，且二者類型一致；j'n+1為用電側(cè)非竊電行為樣本jn最近的相鄰樣本，二者類型不一致。

由式（1）可知，如果用電側(cè)竊電行為樣本in與jn+1之間的距離越小，則in與j'n+1之間的距離則越大，導(dǎo)致特征數(shù)據(jù)z相關(guān)的統(tǒng)計量ξ值隨之增大，這就意味著可以通過用電數(shù)據(jù)的特征屬性區(qū)分用電側(cè)的竊電數(shù)據(jù)與非竊電數(shù)據(jù)，根據(jù)統(tǒng)計量ξ的排序結(jié)果設(shè)定一個合理的閾值，同時將超過此閾值的用電數(shù)據(jù)特征樣本進(jìn)行剔除，獲得電力系統(tǒng)用電側(cè)竊電行為的特征數(shù)據(jù)。

3 預(yù)處理竊電行為特征數(shù)據(jù)

基于離群點挖掘的識別方法中使用的用電數(shù)據(jù)均來自用電信息采集系統(tǒng)，由于設(shè)備故障、人為錯誤等因素導(dǎo)致提取的用電側(cè)竊電行為特征數(shù)據(jù)存在丟失等誤差，所以在挖掘特征數(shù)據(jù)相似度之前，需要對竊電行進(jìn)行預(yù)處理[4]。在竊電行為特征數(shù)據(jù)之中，會受噪聲等影響的影響，導(dǎo)致部分?jǐn)?shù)據(jù)缺失，如果缺失部分?jǐn)?shù)據(jù)不進(jìn)行處理，將會嚴(yán)重影響后續(xù)竊電行為識別步驟。

如果要將缺失部分?jǐn)?shù)據(jù)進(jìn)行刪除，極有可能導(dǎo)致有效數(shù)據(jù)丟失，導(dǎo)致竊電行為識別結(jié)果不準(zhǔn)確。所以將通過插補操作處理用電側(cè)竊電行為特征數(shù)據(jù)中缺失值。在竊電行為特征數(shù)據(jù)的插補處理之前，需要進(jìn)行數(shù)據(jù)清洗，剔除掉原始數(shù)據(jù)中的無效信息，如連續(xù)缺失的用戶特征數(shù)據(jù)、數(shù)據(jù)值都一樣的用戶特征數(shù)據(jù)等。由于用電側(cè)竊電行為特征數(shù)據(jù)之間存在一定變化規(guī)律，所以引入牛頓插值法來補全缺失數(shù)據(jù)，假設(shè)區(qū)間[m,n]中，存在函數(shù)c=f(x)，則m≤a0

則F(a)則表示竊電行為特征數(shù)據(jù)的插值函數(shù)，且c0,c1,…,ck表示插值數(shù)據(jù)點。利用式（2）對竊電行為特征數(shù)據(jù)進(jìn)行插值處理后，獲得式（3）：

由式（3）可知竊電行為特征數(shù)據(jù)的缺失值經(jīng)過k次插值后，生成多項式Fk(a)。通過以上步驟補全竊電行為特征數(shù)據(jù)的缺失值后，需要對數(shù)據(jù)進(jìn)行歸一化處理，避免不同量綱下數(shù)據(jù)對竊電行為識別結(jié)果造成的影響。在用電側(cè)竊電行為識別過程中，所用的竊電行為特征數(shù)據(jù)度量單位以及原始大小，都會影響最終的識別結(jié)果。

如果竊電行為特征數(shù)據(jù)之間計算單位不一致，則不同屬性的特征數(shù)據(jù)之間會存在較大差異性，如果在這種數(shù)據(jù)基礎(chǔ)上進(jìn)行挖掘，會導(dǎo)致竊電行為特征數(shù)據(jù)的丟失，而且未歸一化處理的數(shù)據(jù)不具備可比性，無法有效識別出竊電行為。因此，將通過下式（4） 對原始竊電行為特征數(shù)據(jù)進(jìn)行歸一化處理：

式中：a'i為歸一化的竊電行為特征數(shù)據(jù)；ai為歸一化前的竊電行為特征數(shù)據(jù)；amin、amax為竊電行為特征數(shù)據(jù)中的最小值與最大值。

通常情況下，竊電行為特征數(shù)據(jù)進(jìn)行歸一化之后會限制在[0,1]范圍內(nèi)，而且處理后的數(shù)據(jù)仍會擁有與原始數(shù)據(jù)一致的特征屬性，不會影響竊電行為識別結(jié)果。

4 基于離群點挖掘識別竊電行為

離群點挖掘算法是從海量數(shù)據(jù)之中深入挖掘出所需的有效數(shù)據(jù)，其運算過程具有精準(zhǔn)、快速等特點。因此，引入離群點挖掘算法來實現(xiàn)用電側(cè)竊電行為識別[5]。在用電側(cè)竊電行為識別過程中，離群點挖掘算法主要用于判斷兩個用電特征數(shù)據(jù)之間的相似度，如果這兩個用電數(shù)據(jù)之間的歐氏距離較大，則表示其差異性較大；反之如果這兩個用電數(shù)據(jù)之間的歐氏距離較小，則表示其相似性較大。假設(shè)實際采集用電側(cè)的用電特征數(shù)據(jù)樣本為T1(b)，竊電行為特征數(shù)據(jù)樣本為T2(a)，則描述這兩個特征數(shù)據(jù)之間的歐式距離計算表達(dá)式（5）：

關(guān)于k個特征數(shù)據(jù)樣本，通過構(gòu)建相似度矩陣計算兩兩用電特征數(shù)據(jù)之間的歐式距離：

式中：dmn滿足正定性，且可以表示實際采集用電特征數(shù)據(jù)樣本m與竊電行為特征數(shù)據(jù)n之間的歐氏距離，也就是相似度。利用歐氏距離矩陣判斷m與n之間的相似程度，當(dāng)且僅當(dāng)m=n時，dmn= 0；當(dāng)dmn→0時，m與n之間的相似度越大；dmn數(shù)值越大，則表示m與n之間的差異性越大。通過以上步驟定義了離群點挖掘的目標(biāo)后，利用離群點挖掘?qū)崿F(xiàn)用電側(cè)竊電行為識別，上述所提離群點目標(biāo)就是識別竊電行為是否發(fā)生的有力判據(jù)。首先在提取用電側(cè)竊電行為特征數(shù)據(jù)的基礎(chǔ)上，選取精準(zhǔn)的質(zhì)心描述樣本數(shù)據(jù)的整體水平：

式中：g1為原始竊電行為特征數(shù)據(jù)的平均值；δ為比例系數(shù)值；g2為去除全部d>δ×g1的特征數(shù)據(jù)樣本之后的平均值。

利用式（7）確定質(zhì)心可以排除異常值較高的竊電行為特征數(shù)據(jù)對識別方法的影響。再通過對比單個實際采集的用電特征數(shù)據(jù)和質(zhì)心之間的相似度，利用循環(huán)尋優(yōu)方式來篩選出離群點，找到竊電行為特征數(shù)據(jù)，進(jìn)而挖掘出最優(yōu)的用電側(cè)竊電行為結(jié)果。

5 仿真試驗

為了判斷基于離群點挖掘的用電側(cè)竊電行為識別方法是否可行，將其與基于GA-BO 神經(jīng)網(wǎng)絡(luò)的竊電行為識別方法、基于CNN-LG模型的竊電行為識別方法進(jìn)行試驗對比。本次試驗中設(shè)置了5 個用電特征數(shù)據(jù)樣本集，分別使用上述3 種方法對用電特征數(shù)據(jù)樣本集進(jìn)行識別，得到主要參數(shù)的取值范圍，通過參數(shù)優(yōu)化方法獲得給定的參數(shù)量子信息，進(jìn)而結(jié)合用電特征數(shù)據(jù)曲線面積所定義的鄰域半徑以及鄰域閾值，從而求解出3 種識別方法優(yōu)化后的參數(shù)值。3 種識別方法的參數(shù)優(yōu)化對比圖如圖1所示。

圖1 3種識別方法的參數(shù)優(yōu)化對比圖

由于準(zhǔn)確率無法代表竊電行為識別的真正效果，真正率與假正率兩個指標(biāo)可以全面展示識別方法的性能，所以將兩個指標(biāo)作為判別指標(biāo)。隨著假正率的增加，識別方法的真正率一直遠(yuǎn)遠(yuǎn)大于兩種傳統(tǒng)方法，由此可以說明，基于離群點挖掘的識別方法所提方法具有更優(yōu)越的識別效果。在獲得主要參數(shù)的取值范圍后，分別通過這三種識別方法的離群閾值分析結(jié)果，計算出各自的調(diào)和量度，三種識別方法的調(diào)和量度對比圖如圖2所示。

從圖2可以看出，隨著離群閾值的增加，三種識別方法的調(diào)和量度整體呈下降趨勢，基于離群點挖掘的識別方法的調(diào)和量度明顯高于兩種傳統(tǒng)識別方法，其中，兩種傳統(tǒng)識別方法的最大調(diào)和量度分別為0.88、0.82，而基于離群點挖掘的識別方法的最大調(diào)和量度為0.92，較傳統(tǒng)方法高0.04、0.10，由此可以說明，基于離群點挖掘的識別方法具有良好的識別性能，可以滿足用電側(cè)竊電行為識別需求。

圖2 三種識別方法的調(diào)和量度對比圖

6 結(jié)語

基于傳統(tǒng)電力系統(tǒng)反竊電手段，設(shè)計了一種用電側(cè)竊電行為識別方法，并引入離群點挖掘算法，深入挖掘?qū)嶋H用電數(shù)據(jù)與竊電行為特征數(shù)據(jù)之間的相似程度，從而篩選出離群點，實現(xiàn)竊電行為特征數(shù)據(jù)的識別，通過與傳統(tǒng)識別方法的對比試驗，驗證了基于離群點挖掘的識別方法不僅可以有效提升竊電行為識別的效率，而且可以加強竊電行為識別的準(zhǔn)確率。

雖然基于離群點挖掘的識別方法已經(jīng)取得一定的研究成果，但仍然存在一些缺陷，如果用電數(shù)據(jù)樣本數(shù)量較大時，在離群點數(shù)據(jù)尋優(yōu)過程中可能會出現(xiàn)非最優(yōu)結(jié)果。需要充分考慮用電特征數(shù)據(jù)樣本的密度，進(jìn)一步完善用電側(cè)竊電行為識別方法，為電力系統(tǒng)反竊電工作提供理論基礎(chǔ)，進(jìn)而保障電網(wǎng)運行的安全。