基于粒子群算法的異常用電檢測方法

盧海明，郭壯志

（廣東工業大學，廣東 廣州 510006）

基于粒子群算法的異常用電檢測方法

盧海明，郭壯志

（廣東工業大學，廣東 廣州 510006）

竊電行為嚴重危害了電網的正常運行，并且損害了國家和電力企業的利益。針對現有異常用電檢測方法的不足，提出一種基于粒子群算法的異常用電檢測新方法。以用戶歷史負荷數據為基礎，采用粒子群算法提取用戶相同行業的負荷模式曲線和用戶歷史數據的負荷模式曲線，并根據用戶考察日負荷曲線與上述兩種負荷模式匹配的不同特點，使用不同的負荷數據預處理方式以及模式匹配評價方法。實例分析表明，新方法能有效檢測到異常用電的情況，驗證了模型的有效性。

異常用電檢測；粒子群算法；負荷模式；模式匹配

在電能輸送和分配過程中，電網的有功功率損失和電能損失統稱為線路損失。目前我國供電企業在電量自動化管理方面技術手段相對落后，線路損失率居高不下，竊電現象嚴重，既給國家造成巨大經濟損失，又嚴重擾亂了市場經濟秩序。在電力體制改革浪潮中，越來越多供電企業深刻地意識到只有提高電量管理水平，加大反竊電力度，增強電網運行分析能力，才能有效保證安全生產，是企業取得良好的經營效益［1－3］。

以往的反竊電技術存在很大的局限性，僅憑線損率大于15%時肯定有竊電現象，但究竟竊電者是誰，竊電量是多少都難以判定［4］。早期的方法中還包括給每個電力用戶安裝檢測設備。盡管這種方法檢測準確度很高，但需要高額的投資成本和維護成本。傳統的竊漏電檢測方法，雖然能獲得用電異常的某些信息，由于終端誤報或無用信息太多，無法達到真正快速精確定位竊漏電嫌疑用戶和計量故障的目的，往往令稽查工作人員無所適從。隨著管理信息系統和遠程抄表技術的發展，電力企業積累了大量的歷史用電數據，一些基于數據挖掘技術和智能優化算法的異常檢測方法也相繼被提出［5］。文獻［6］提出一種基于改進支持向量機和專家系統的異常檢測模型。文獻［7］提出一種結合和聲搜索算法和最佳路徑林分類的混合特征選擇算法，并成功應用到電力系統中。

為全面、有效地對用電數據和竊電行為進行分析，提高異常用電報警準確率，本文提出一種基于粒子群算法（PSO）的異常用電檢測新方法。以用戶歷史負荷數據為基礎，首先采用粒子群算法提取用戶行業的負荷模式曲線和用戶歷史數據的負荷模式曲線，并根據用戶考察日負荷曲線與上述兩種負荷模式匹配的不同特點，使用不同的負荷數據預處理方式以及模式匹配評價方法；然后分別計算考察日負荷曲線與同類型用戶負荷模式、考察日負荷曲線與用戶歷史負荷模式的匹配度；最后根據供電企業對兩種負荷模式的偏好設置匹配度權重，加權求和得到用戶的用電正常度。實例分析表明，新方法能有效檢測到異常用電的情況，且檢測成本低。

1 負荷模式

負荷模式是指一個電力用戶或電力用戶群在一段時間內消耗電量的模式［8］。隨著電力服務意識的提高和電力體制的完善，供電企業把目光投向了更深層次的應用，以充分挖掘數據的利用價值，其中包括用電營銷和異常用電檢測。這些應用都離不開電力客戶的負荷模式分析［4］。

負荷模式方法主要是研究如何記錄和提取電力用戶負荷特征的信息［8］，實踐證明該法是識別電力用戶行為的合適技術工具。負荷模式方法的核心是負荷模型，目前主要有兩種負荷模式模型：一是基于同類型用戶負荷的分類模型；二是基于地理范圍的區域模型。兩種負荷模型各自具有其優缺點，為有效提高預警模型的準確性，本文采用結合兩種模型的綜合模型。包括基于同地區同類型用戶負荷數據的負荷模型（CLP）和基于用戶歷史負荷數據的負荷模型（HLP）。

2 基于粒子群算法的模式提取

2.1 數據收集

目前各供電局已基本建成了涵蓋各種計量點及采集終端，集信息采集、監控、分析和計量管理于一體的計量自動化應用平臺，完成了對電廠、變電站、公變、專變、低壓集抄等發電側、供電側、配電側、售電側的綜合性統一數據的自動采集監控。已實現對居民用電的遠程集中抄表功能，電力遠程抄表系統與營銷管理系統、生產調度系統等均不同程度的通過數據接口實現了數據共享，現在應用系統中已存儲了大量用戶用電信息。

需要收集用電負荷數據包括：用戶同地區同行業過去1年的10個用戶用電負荷數據，用戶過去2年的日用電負荷數據以及用戶考察實際日用電負荷數據。其中，系統計量電表每15 min采集用戶的用電負荷，即用戶每天的日用電負荷數據有96個數據點。具體包括，過去一年N個同類用戶對應的用電負荷數據：

式中：Xi，j為第i個同類用戶的第j天負荷數據。

過去2年用戶對應月份的歷史負荷數據：

式中：Yi，j為過去第i年該月第j天的負荷數據。

用戶考察日的負荷數據：

式中：Z為用戶考察日的負荷數據。每個負荷數據組為1條負荷曲線。

2.2 數據歸一化

以用戶歷史負荷數據為基礎，同地區同類型用電負荷的變化趨勢具有相似性，但不同類型和數量的設備導致負荷基數不同，而用戶在相鄰年份同一月份的自身負荷變化不大。基于上述特點，對同地區同類型用戶的負荷數據進行歸一化處理，而用戶自身的歷史負荷數據則保留原值。對負荷數據進行歸一化的處理。數據的歸一化公式如下：

式中：ximin和ximax為負荷數據中第i個用戶的最小值和最大值。

2.3 基于PSO的模式提取

PSO是一種基于社會群體行為的全局優化進化算法［9－10］，其主要思想是將優化問題的可能解在搜索空間中用一個“粒子”表示，每個粒子都有一個速度決定它們的方向距離和方向，然后所有粒子就追隨當前的最優粒子在解空間搜索。所有粒子都通過相同的適應度函數來評價優劣，在每一次迭代中，粒子通過跟蹤兩個“極值”來更新自己，分別是個體極值和全局極值，即粒子自身所找到的最優解和整個種群目前所找到的最優解。

基本粒子群算法的更新迭代公式為

式中：ω為慣性系數；學習因子c1和c2為非負常數；r1和r2為區間［0，1］內的隨機數；v∈［－vmin，vmax］，vmax為一正的常數，用于限制速度v的大小，可根據問題不同而設定具體數值；粒子的位置x表示問題的解；pid和pgd分別代表個體極值和全局極值。

利用PSO提取負荷模式曲線時，每個粒子位置表示負荷數據曲線，粒子編碼方式為P＝［p（1），p（2），…，p（96）］，適應度函數為曲線間的距離：

式中：K為負荷曲線的數量；xk（i）為第k條負荷曲線第i個時刻的負荷。

基于上述編碼方式、尋優迭代操作以及評價機制，經過若干代的更新迭代后，得到種群中的全局極值所代表的負荷向量，即為PSO所提取出的模式。運用PSO算法最終得到的負荷模式包括：用戶自身歷史負荷代表模式曲線H＝［h1，h2，…，h96］（HLD），歸一化的同地區同類型用戶代表負荷模式曲線L＝［l1，l2，…，l96］（SLD）。

2.4 負荷模式匹配

在計算匹配度之前，將用戶考察日的負荷曲線U＝［u（1），u（2），…，u（96）］（CLD）進行歸一化，得到U′＝［u′（1），u′（2），…，u′（96）］（nCLD）。因為基于統計量相關系數的相似度度量更加側重于考慮曲線變化趨勢的相似，跟用戶與同行業的負荷模式的關聯性相一致，因此SLD與nCLD的匹配度定義如下：

用戶考察日用電負荷與自身歷史負荷模式的匹配，不僅體現出變化趨勢的一致，而且負荷基數也比較接近。因此，采用基于平均相對距離的度量來計算HLD和CLD的匹配度，定義如下：

式中：m2為HLD與CLD的匹配度。

2.5 異常用電檢測

得到用戶考察日負荷曲線與同地區同類用戶負荷模式曲線的匹配度m1，用戶考察日負荷曲線與用戶歷史負荷模式曲線的匹配度m2后，根據實際情況確定對兩匹配度的偏好度ω1和ω2，最終加權求和得到用戶的用電正常度η：

供電企業可根據對用戶的信用狀況評估來設置用電正常度的報警閾值，當用戶的用電正常度η大于報警閾值時，則該用戶為正常用戶；相反，則該用戶異常用電次數Q將加1，在指定時間長度內Q大于若干次后，用戶被列為異常用電嫌疑用戶，需要派遣稽查人員到用戶現場檢測，根據檢測結果斷定用戶是否存在竊電行為。異常用電次數Q同樣可以根據對用戶的信用狀況評估來設置。

基于PSO算法的負荷模式異常用電檢測方法的具體流程如圖1所示。

圖1 基于PSO算法的異常用電檢測流程

3 實例分析

以2個實際用戶為例進行異常用電檢測。由于電網對工業用電實行峰谷電價，鼓勵多用低谷電，因此工業用戶1一般都是晚上進行生產，并且具有明顯的“三峰兩谷”現象。用戶2用電高峰。算法得到的用戶負荷模式曲線如圖2—圖3（用戶1），圖4—圖5所示（用戶2）。

圖2 用戶1的CLD與HLD曲線

圖3 用戶1的nCLD與SLD曲線

圖4 用戶2的CLD與HLD曲線

圖5 用戶2的nCLD與SLD曲線

算法中匹配偏好度使用算法默認值ω1＝0.3，ω2＝0.7，通過計算分析得到兩匹配度m1＝0.39，m2＝0.28，加權求和后得到用戶的最終用電正常度η＝0.313，小于報警閾值0.8，因此該用戶異常用電次數Q加1。用戶1在兩周內出現Q＞3，最后通過現場檢查，證實用戶存在竊電行為。對于用戶2，算法得到兩匹配度m1＝0.952，m2＝0.911，加權求和后得到用戶的最終用電正常度η＝0.923，大于設置的報警閾值0.8。因此用戶2用電情況正常。

4 結束語

傳統對于異常用電檢測大多數采用外圍設備管理措施，在反竊電技術上也是采用傳統的判斷方法，依據專業人員人工分析數據進行判斷，效率很低，且不能有效取證。隨著數據庫技術以及遠程抄表技術的飛速發展，電力企業積累了大量的歷史用電數據。本文在用戶歷史負荷數據的基礎上，提出一種基于用戶歷史負荷數據與同類型用戶負荷數據的綜合負荷模式，并采用粒子群算法提取負荷模式曲線，并對負荷模式進行了準確的匹配。電力用戶負荷實例計算分析證明了新方法的準確性和有效性，為異常用電檢測提供了一種新的數據分析方法。

［1］康麗雁，王志斌，孫飛躍.電力用戶用電信息采集系統不良數據分析及處理方法［J］.東北電力技術，2012，33（11）：46－48，52.

［2］王天博，馬一菱，蔡穎凱，等.利用電力營銷稽查監控管理模式提升數據質量的研究［J］.東北電力技術，2013，34（6）：44－46.

［3］張森林，張 堯，陳皓勇，等.中國電力市場建設及大用戶直購電近況［J］.廣東電力，2010，23（10）：60－65.

［4］張春明，許 心.防竊電系統的應用［J］.高電壓技術，2005，31（8）：88－89.

［5］任 蓉.電能計量及反竊電方法綜述［J］.中小企業管理與科技，2013（4）：311－312.

［6］Nagi J，Keem S Y，Sieh K T，et al.Improving SVM－Based Non?technical Loss Detection in Power Utility Using the Fuzzy Inference System［J］.Power Delivery，IEEE Transactions on. 2011，26（2）：1284－1285.

［7］何小飛，王 銳，葉茂青.基于GPRS的供電電壓在線監測系統應用研究［J］.東北電力技術，2015，36（1）：15－19.

［8］楊玉銳，程 杰，周 剛，等.一種用于異常用電檢測的負荷模式分析新方法［J］.浙江電力，2014，33（9）：10－14.

［9］李 丹，楊 寧，易善軍.電力系統無功優化自適應粒子群算法［J］.東北電力技術，2010，31（11）：1－5.

［10］何占琦，孟安波，陳育成，等.基于環形拓撲的粒子群優化算法在無功優化中的應用［J］.廣東電力，2014，27（2）：56－59.

Study on Abnormal Electricity Utilization Detection Method Based on PSO Algorithm

LU Hai?ming，GUO Zhuang?zhi
（Guangdong University of Technology，Guangzhou，Guangdong 510006，China）

Stealing power acts seriously endanger the regular operation of power grid and damage the interests of national and electrical enterprise.According to the shortages of the existing methods to abnormal electricity utilization detection，this paper proposes a new method based on PSO algorithm to solve this problem.On the basis of customers＇historic load data，PSO algorithm is chosen to extract the load pattern curve of customers＇which are in the same business and the load pattern curve of customers＇historic load data.Accord?ing to different characteristics of the matching between customers＇detection?day load curve and the above mentioned load pattern，dif?ferent pre?process methods of load data mode and pattern matching evaluation methods are used.this studies show that the new method can successfully detect the abnormal electricity utilization situation and verify the effectiveness of the mode.

Abnormal electricity utilization detection；PSO algorithm；Load pattern；Pattern matching

TP393.08

A

1004－7913（2016）05－0056－04

廣東省自然科學基金（S2013040013776，S2012040007911）；廣東省教育廳育苗工程項目（2013LYM_0019）

盧海明（1990—），男，碩士研究生，主要研究方向為智能算法在電力系統中的應用。

2016－01－11）