0 引言

隨著電力行業(yè)的快速發(fā)展和用電規(guī)模的日益擴(kuò)大，竊電問題逐漸成為供電企業(yè)面臨的一大挑戰(zhàn)。竊電行為會(huì)導(dǎo)致電力設(shè)施損壞、電力事故頻發(fā)，對社會(huì)穩(wěn)定和公共安全構(gòu)成嚴(yán)重威脅。因此，必須開展反竊電稽查工作，及時(shí)、準(zhǔn)確地發(fā)現(xiàn)和打擊竊電行為。傳統(tǒng)的反竊電稽查方法主要依賴于人工現(xiàn)場檢查，然而這種方法存在諸多不足：一方面，人工檢查需要耗費(fèi)大量的人力、物力和時(shí)間，檢查效率低下；另一方面，竊電手段日益多樣化、隱蔽化，傳統(tǒng)的檢查方法往往難以發(fā)現(xiàn)隱藏的竊電行為，使得竊電問題屢禁不止。

文獻(xiàn)[1通過對龐大的用電數(shù)據(jù)集進(jìn)行深度挖掘與分析，成功識別出異常用電模式，從而能夠精確識別并定位竊電行為，然而，該方法的監(jiān)測效率存在局限性。相比之下，文獻(xiàn)[2]則借助電能計(jì)量裝置的自動(dòng)化校驗(yàn)功能，結(jié)合實(shí)時(shí)數(shù)據(jù)監(jiān)控與分析手段，實(shí)現(xiàn)了對竊電行為的識別與定位，有效遇制了竊電事件的發(fā)生，但其識別精確度有待提高。本文則進(jìn)一步深入探究竊電行為的特征與規(guī)律，構(gòu)建了竊電行為識別模型，并基于離群點(diǎn)挖掘技術(shù)，設(shè)計(jì)并實(shí)施了反竊電稽查遠(yuǎn)程實(shí)時(shí)監(jiān)測方法。

1基于離群點(diǎn)挖掘的反竊電稽查遠(yuǎn)程實(shí)時(shí)監(jiān)測方法的設(shè)計(jì)

1.1基于離群點(diǎn)挖掘的用電異常數(shù)據(jù)特征提取

一旦竊電行為出現(xiàn)，三相電壓和電流將出現(xiàn)異常，使得竊電用戶在整個(gè)系統(tǒng)中顯得尤為突出，成為離群點(diǎn)3]。本文在綜合考慮多種因素的基礎(chǔ)上，決定采用離群點(diǎn)挖掘算法來實(shí)現(xiàn)竊電判定和反竊電監(jiān)測。

首先，通過離群點(diǎn)挖掘算法挖掘用電數(shù)據(jù)時(shí)，異常用電數(shù)據(jù)涵蓋缺失和錯(cuò)誤兩種情況，具體確定流程如下：

1）輸入t時(shí)刻的電量數(shù)據(jù) Q（t） ，識別其中的缺失數(shù)據(jù)。若t時(shí)刻電量與t-1時(shí)刻電量相同，則判斷該時(shí)間段內(nèi)電量數(shù)據(jù)缺失。

2）初次識別錯(cuò)誤的電量數(shù)據(jù)，基于一天內(nèi)電量數(shù)據(jù)應(yīng)遞增的原則[4，若t時(shí)刻電量小于或等于t-1時(shí)刻電量，則確認(rèn)t時(shí)刻數(shù)據(jù)為錯(cuò)誤數(shù)據(jù)，并將其存入錯(cuò)誤數(shù)據(jù)集。

3）依據(jù)相鄰時(shí)間點(diǎn)電量0變化量來識別用戶的外出情況，當(dāng)用戶外出時(shí)，僅維持基本設(shè)備運(yùn)行，此時(shí)相鄰時(shí)間點(diǎn)的Q會(huì)呈現(xiàn)出規(guī)律性。通過分析用戶某時(shí)間段內(nèi)每日相鄰時(shí)間點(diǎn)的△Q，可以獲取其外出時(shí)的電量變化規(guī)律，并據(jù)此判斷用戶是否處于外出狀態(tài)。若電量消耗在通常較高的時(shí)段出現(xiàn)顯著偏差，則將該數(shù)據(jù)視為低電量異常數(shù)據(jù)。

4）一旦確定了用戶的外出模式，則采用離散點(diǎn)挖掘技術(shù)來識別用電數(shù)據(jù)中的異常值。利用有效值指數(shù)評估方法，確定離散點(diǎn)挖掘算法的最佳參數(shù) w ，以優(yōu)化挖掘效果。最終輸出挖掘結(jié)果，明確用電異常數(shù)據(jù)。

基于上述步驟，確定用電異常數(shù)據(jù)后，對其進(jìn)行特征提取。線損率是反映臺區(qū)整體線損情況的一項(xiàng)重要指標(biāo)，它對評價(jià)某一區(qū)域內(nèi)的用戶有沒有偷電現(xiàn)象有重要的指導(dǎo)作用。通常情況下，竊電行為會(huì)導(dǎo)致用電次數(shù)減少，竊電者繞過計(jì)量裝置直接使用電力，將導(dǎo)致臺區(qū)整體供電與計(jì)量之間的差異增大，即線損率上升。因此，本文采用皮爾遜相關(guān)系數(shù)來分析臺區(qū)線損率與單個(gè)用戶用電量之間的關(guān)聯(lián)性。

設(shè)定用戶單日用電量序列為 ，其所在臺區(qū)的歷史線損率序列為 ，兩者均為N維向量，其中N代表統(tǒng)計(jì)天數(shù)，且 X 與Y一一對應(yīng)。用戶日用電量 X 與臺區(qū)線損率Y之間的相關(guān)性通過相關(guān)系數(shù)8 來衡量：

式中： σ 表示樣本的標(biāo)準(zhǔn)差； γ 表示樣本的平均值。

因?yàn)橛脩舾`電與線損波動(dòng)呈負(fù)相關(guān)，所以按照相關(guān)系數(shù)，定義了具有相關(guān)趨勢的用戶與臺區(qū)之間的異常特征指標(biāo)e：

基于此，可提取出用電異常數(shù)據(jù)的特征，為下列反竊電監(jiān)測模型的建立打好基礎(chǔ)。

1.2構(gòu)建反竊電稽查遠(yuǎn)程實(shí)時(shí)監(jiān)測模型

將上一節(jié)提取到的異常數(shù)據(jù)特征指標(biāo)作為構(gòu)建的反竊電稽查遠(yuǎn)程實(shí)時(shí)監(jiān)測模型的輸入，利用分類監(jiān)測模型實(shí)現(xiàn)反竊電的實(shí)時(shí)監(jiān)測。

在反竊電實(shí)時(shí)監(jiān)測過程中，會(huì)遇到多種因素相互交織的復(fù)雜情況5，模糊神經(jīng)網(wǎng)絡(luò)能有效應(yīng)對這種復(fù)雜性，因此，利用模糊神經(jīng)網(wǎng)絡(luò)開發(fā)了實(shí)時(shí)反竊電監(jiān)測模型，通過分析用電異常特征指標(biāo)e來得出反竊電監(jiān)測結(jié)果。模型結(jié)構(gòu)包含五個(gè)層級：輸入層、模糊處理層、模糊邏輯推斷層、清晰化層及輸出層，且各相鄰層級間通過權(quán)重連接。

該模型的激活函數(shù)為高斯函數(shù)，其表達(dá)公式如下：

式中： α？β 分別代表模糊化層的中心、高度； 代表高斯函數(shù)的符號。

去模糊化層的節(jié)點(diǎn)數(shù)目與輸出結(jié)果的模糊分割

數(shù)量一致，均對應(yīng)于反竊電監(jiān)測的兩類結(jié)果：竊電與非竊電，故節(jié)點(diǎn)總數(shù)設(shè)為2。該層的功能是將各規(guī)則的適應(yīng)度進(jìn)行歸一化處理，具體歸一化公式如下：

式中： 代表當(dāng)前節(jié)點(diǎn)數(shù)量； 代表修正系數(shù)； 代表規(guī)則適應(yīng)度。

輸出層調(diào)整上一層各節(jié)點(diǎn)的輸出以獲取精確值，其僅包含一個(gè)節(jié)點(diǎn)，輸出的精確值為竊電嫌疑系數(shù)。此系數(shù)越接近1，表示竊電嫌疑越高；反之，越接近0，則嫌疑越低。

綜合上述分析，可使用加權(quán)平均法得出該反竊電稽查遠(yuǎn)程實(shí)時(shí)監(jiān)測模型的表達(dá)式如下：

式中： 代表連接權(quán)值。

通過上述模型可以輸出用戶的竊電嫌疑系數(shù)，為該用戶所在臺區(qū)是否異常及該用戶是否真實(shí)存在竊電行為提供有效支持。

1.3用戶竊電行為判定與反竊電稽查

基于上述分析，可利用上述模型對用戶所在臺區(qū)是否異常進(jìn)行分析，其過程如下：

1）對臺區(qū)的歷史線損資料數(shù)據(jù)進(jìn)行預(yù)處理，將線損平均值在 10% 以上的臺區(qū)剔除，并將其作為異常臺區(qū)進(jìn)行標(biāo)注，設(shè)置異常系數(shù) o

2）對于其余臺區(qū)，進(jìn)行離散點(diǎn)分析，選取前3個(gè)離散點(diǎn)作為挖掘結(jié)果。

3）檢查是否存在任何一類樣本數(shù)量少于總樣本的 10% ，若存在，則去除該類并重新進(jìn)行挖掘；否則，不進(jìn)行二次挖掘。

4）計(jì)算挖掘得到的最高群中心與最低群中心間的距離D，若D大于預(yù)設(shè)的指標(biāo)閾值 ，則該臺區(qū)也被視為異常。

5）從異常臺區(qū)中找出線損率最高的類別，提取其時(shí)間坐標(biāo)序列T，進(jìn)行時(shí)間離散度分析，并據(jù)此計(jì)算嫌疑臺區(qū)的異常系數(shù)M。

其中，對該用戶所在待檢測區(qū)域進(jìn)行異常臺區(qū)分析時(shí)，可得出 n 個(gè)異常臺區(qū)的時(shí)間離散度序列

其表達(dá)式如下：

對上述序列取倒數(shù)，可得出 ，其表達(dá)式如下：

綜合上述結(jié)果可求解出臺區(qū)異常系數(shù)M的計(jì)算公式為：

式中： 代表時(shí)間離散度 的閾值； 代表 經(jīng)過歸一化后的結(jié)果。

完成該用戶所在臺區(qū)的線損波動(dòng)分析后，能識別出嫌疑臺區(qū)內(nèi)的全部用戶，以便開展后續(xù)的嫌疑評估流程[6]，步驟如下：

1）分析用戶離群點(diǎn)，通過算法確定用戶竊電疑似度指標(biāo) o

2）對比用戶疑似竊電前后的用電量，若存在顯著減少，則設(shè)定其嫌疑度 ；若無顯著變化，則 設(shè)為 的 80% 0

3）同時(shí)，考察用戶單日用電量與臺區(qū)線損率變化的關(guān)聯(lián)性，從中提取異常特征指標(biāo)e。

4）將 作為基本嫌疑依據(jù)，并結(jié)合用戶與臺區(qū)關(guān)聯(lián)的異常特征e與臺區(qū)異常程度M的乘積作為輔助判斷，最終計(jì)算出用戶的綜合竊電嫌疑度 ，即 。

在步驟2）中，設(shè)定 為 的 80% ，選擇0.8作為竊電嫌疑系數(shù) R 的依據(jù)如下：在258位有竊電行為的用戶中，隨機(jī)抽取其中 10% ，也就是26位，將他們竊電前和竊電后10天的平均電量進(jìn)行比較。研究發(fā)現(xiàn)，有20個(gè)用戶的用電量發(fā)生了反常減少，占總用戶量的76.9% 。在此基礎(chǔ)上，引入修正系數(shù)，用以評價(jià)用戶有可疑竊電行為前后的電力消耗情況。在客戶用電負(fù)荷沒有發(fā)生非正常下降時(shí)，可以減少可疑程度。為了進(jìn)一步優(yōu)化結(jié)果，對用戶的疑似度指標(biāo)進(jìn)行了進(jìn)一步分析，將疑似度分別乘以 （間隔為0.05）的系數(shù)，并對比竊電用戶的排名情況。經(jīng)過對比分析，發(fā)現(xiàn)當(dāng)系數(shù)設(shè)定為0.8時(shí)，結(jié)果最為合理。因此，最終確定竊電嫌疑系數(shù)R為0.8。

綜上所述，當(dāng)竊電系數(shù) 與臺區(qū)異常系數(shù)M均大于0.8時(shí)，則證明該用戶具有竊電行為；反之，則無。

2 實(shí)驗(yàn)測試與分析

2.1 實(shí)驗(yàn)準(zhǔn)備

本次實(shí)驗(yàn)以A市供電局為研究對象，其下轄15個(gè) 變電所，供電客戶數(shù)達(dá)100萬戶，線路全長 。本實(shí)驗(yàn)采用隨機(jī)抽樣的方式，對有竊電行為的電力消費(fèi)者進(jìn)行了調(diào)查。在此基礎(chǔ)上，利用基于離群點(diǎn)挖掘的反竊電稽查遠(yuǎn)程實(shí)時(shí)監(jiān)測方法，實(shí)現(xiàn)對電力系統(tǒng)中用戶的竊電行為進(jìn)行實(shí)時(shí)監(jiān)控，以此來驗(yàn)證該方法的有效性和實(shí)用性。本次測試選取的部分用戶用電樣本數(shù)據(jù)如表1所示。

基于上述實(shí)驗(yàn)數(shù)據(jù)設(shè)定，本次測試選定本文方法與文獻(xiàn)[1-2]提出的方法分別進(jìn)行用戶竊電行為的判別，并檢驗(yàn)三種方法的實(shí)際性能。

2.2 實(shí)驗(yàn)結(jié)果與分析

首先，測試本文方法與監(jiān)測效果，將本文方法監(jiān)測的上述竊電用戶的電能表數(shù)據(jù)與實(shí)際 10kV 高壓側(cè)數(shù)據(jù)進(jìn)行對比，驗(yàn)證本文方法是否對用戶的竊電行為進(jìn)行了有效監(jiān)測與識別，測試結(jié)果如圖1所示。圖1監(jiān)測結(jié)果顯示，該用戶的電能表數(shù)據(jù)與高壓側(cè)數(shù)據(jù)曲線發(fā)生明顯偏離，因此，可以證明該用戶存在竊電行為，本文反竊電方法的監(jiān)測效果較好。

其次，將采用本文方法與文獻(xiàn)[1-2]方法的監(jiān)測效率與監(jiān)測用戶竊電量數(shù)據(jù)進(jìn)行對比，測試結(jié)果分別如圖2、圖3所示。

綜上所述，相比其余兩種方法，本文方法與實(shí)際數(shù)據(jù)基本吻合，說明本文方法大大提高了稽查效率，有效降低了人工排查的工作量。同時(shí)，通過算法優(yōu)化和參數(shù)設(shè)置，誤報(bào)率得到了有效控制，檢測結(jié)果的準(zhǔn)確性得到了提高。

3 結(jié)束語

隨著智能電網(wǎng)的快速發(fā)展和電力大數(shù)據(jù)時(shí)代的到來，反竊電工作面臨著前所未有的機(jī)遇與挑戰(zhàn)。本研究致力于將先進(jìn)的離群點(diǎn)挖掘技術(shù)應(yīng)用于反竊電稽查的遠(yuǎn)程實(shí)時(shí)監(jiān)測中，通過深入的理論分析與實(shí)證研究，成功構(gòu)建了一套高效、智能的監(jiān)測體系。首先，對電力數(shù)據(jù)的特性和竊電行為模式進(jìn)行了詳盡分析，明確了離群點(diǎn)挖掘技術(shù)在該領(lǐng)域的應(yīng)用潛力。其次，通過對比多種離群點(diǎn)檢測算法，結(jié)合電力數(shù)據(jù)的實(shí)際情況，優(yōu)化并選定了一套最適合的反竊電監(jiān)測算法。該算法不僅能準(zhǔn)確識別出異常用電行為，還能有效過濾掉由設(shè)備故障、負(fù)荷突變等正常因素引起的數(shù)據(jù)波動(dòng)，確保了監(jiān)測結(jié)果的準(zhǔn)確性和可靠性。在實(shí)證研究階段，將所構(gòu)建的監(jiān)測模型應(yīng)用于實(shí)際電網(wǎng)環(huán)境中，通過遠(yuǎn)程實(shí)時(shí)監(jiān)測，成功發(fā)現(xiàn)并定位了多起潛在的竊電行為，為電力企業(yè)的反竊電工作提供了有力的技術(shù)支持。同時(shí)，該系統(tǒng)的應(yīng)用還顯著提高了反竊電工作的效率和準(zhǔn)確性，降低了人力成本和時(shí)間成本，因而具有重要的實(shí)際應(yīng)用價(jià)值。

[參考文獻(xiàn)]

[1］張杰，藺雪震，高燕增.基于大數(shù)據(jù)分析的供電所反竊電自動(dòng)檢驗(yàn)技術(shù)[J].電氣技術(shù)與經(jīng)濟(jì)，2024（9）：113-115

[2]高博凱.基于自動(dòng)化檢驗(yàn)的電能計(jì)量裝置現(xiàn)場反竊電技術(shù)研究[J].中國新技術(shù)新產(chǎn)品，2024（15）：139-141.

[3］張偉，楊帥，石振東，等.基于智能防竊電終端的新型配電系統(tǒng)可靠性提升研究[J].環(huán)境技術(shù)，2024，42 （8） ：132-138.

[4]黃超杰，王喜剛，劉美榮，等.融合AR可穿戴設(shè)備的發(fā)展現(xiàn)狀及反竊電效益分析[J].中國管理信息化，2022，25（10）：195-197.

[5]胡東，呂飛春，胡驚濤，等.基于BP-LSTM混合網(wǎng)絡(luò)的智能反竊電裝置設(shè)計(jì)[J].煤礦機(jī)械，2022，43（6）：185-188

[6]李云峰，高云鵬，張蓬鶴，等.多目標(biāo)優(yōu)化時(shí)域卷積神經(jīng)網(wǎng)絡(luò)的竊電行為高準(zhǔn)確檢測算法[J].電網(wǎng)技術(shù)，2024，48（8）：3449-3458.

收稿日期：2024-12-23

作者簡介：屈凡荻 （1999-） ，女，陜西咸陽人，助理工程師，研究方向：配電網(wǎng)運(yùn)維、負(fù)荷管理和配電網(wǎng)數(shù)字化監(jiān)控等。周子璇（1998一），女，陜西咸陽人，助理工程師，研究方向：配電網(wǎng)運(yùn)維、負(fù)荷預(yù)測和配電網(wǎng)可靠性等。