基于數據挖掘技術的反竊電方法研究

言宇

（廣東電網有限責任公司東莞供電局，廣東東莞 523008）

0 引言

竊電是長期困擾供電企業的難題，不僅嚴重損害了供電企業的效益，擾亂了正常的用電秩序，而且會造成電力設施的損壞，形成重大的安全用電隱患。供電企業一直加大打擊竊電的工作力度，同時也在不斷完善反竊電的技術手段。但目前反竊電技術仍存在較大的局限性，而且竊電手段日益隱蔽、多樣化、快速化和高科技化，反竊電難度越來越大。

傳統方法主要通過安裝反竊電硬件設備、定期巡檢、定期校驗電表、群眾舉報竊電等手段來發現竊電，不僅缺乏目標性，而且耗費大量的經費和時間，差獲竊電的效率低下[1]。各省市電力公司計量系統上線后，供電企業逐漸開始通過營銷稽查人員、用電檢查人員和計量工作人員利用計量系統的電能量數據查詢功能和計量異常報警功能開展用戶用電情況的在線監控工作，通過采集電量異常、負荷異常、終端報警、主站報警、線損異常等信息，來實時監測竊電情況和發現計量裝置的故障。但往往由于信息量太大無法逐一核查、終端誤報或無用信息太多，難以實現真正快速精確定位竊電嫌疑用戶的目標。

1 反竊電現狀分析

當前，竊電的手段花樣繁多，并呈高科技化傾向，但竊電行為最終是體現在使得電能表表計電量值變小，從而達到少交或不交電費的目的；而電量等于電壓、電流、功率因數三要素和時間的乘積，因此，改變這三個要素均可以使電能表慢轉、停止甚至逆轉。此外，通過采用改變電表本身結構性能，使電表慢轉或不轉，也可以達到竊電的目的。因此，除加強電能表及封印管理外，反竊電可以從電量三要素入手，對用戶電壓、電流、功率因數等進行深度分析，發現其中隱含的用電異常，篩選出竊電嫌疑用戶清單，為反竊電提供較精確的指導。

2015年廣東電網公司計量自動化系統的正式投運，實現了對電廠、變電站、公變、專變、低壓集抄的電量和負荷的自動采集監控，運行幾年已存儲了大量用戶用電數據信息。這些數據信息隨著時間的累計，已經具有一定規模效應，為進行反竊電分析提供了較好的原始數據基礎。然而，提取有用的信息卻成為巨大的挑戰。由于數據量太大，無法使用傳統的數據分析工具和技術處理它們，這樣就需要研究和應用新的方法，例如數據挖掘技術的應用。

2 數據挖掘技術

數據挖掘[2]是從大量數據（包括文本）中挖掘出隱含的、先前未知的、對決策有潛在價值的關系、模式和趨勢，并用這些知識和規則建立用于決策支持的模型，提供預測性決策支持的方法、工具和過程。傳統的數據分析技術在應對處理海量數據集時存在種種局限性，而數據挖掘技術有效地突破了這些局限，為分析處理海量數據并提取有用信息提供了有效手段。

人工神經網絡是近年來比較流行的一種數據挖掘技術，它是對人腦組織機構和運行機智的認識理解基礎之上模擬其結構和智能行為的一種工程系統，但它也存在不能很好地處理和描述模糊信息、對樣本的要求較高等缺點。模糊神經網絡（FNN）[3]是模糊系統與神經網絡相結合的產物[4]，結合了神經網絡系統和模糊系統的長處，具有能自適應學習、處理和描述模糊信息、對樣本的要求較低、精度高等優點，它在處理非線性、模糊性等問題上有很大的優越性，在智能信息處理方面存在巨大的潛力。

模糊神經網絡是具有模糊權系數或者輸入信號是模糊量的神經網絡，它匯聚了神經網絡與模糊系統的優點，集聯想、識別、自適應及模糊信息處理于一體。模糊神經網絡的主要特點是利用神經網絡調整模糊邏輯推理系統的隸屬度函數和推理規則，利用模糊推理規則的形式構造神經網絡結構，從而充分發揮各自的優點。模糊規則經過神經網絡的學習，以“權值”的形式體現出來，這樣規則的生成和修改則轉化為權值的確定和修改。模糊神經網絡在解決竊電評價這類模糊問題時具有明顯優勢。

3 反竊電模型建立

3.1 評價指標體系

竊電評價指標體系設計原則如下：評價指標能真實反映竊電狀態；樣本數據方便采集，即評價指標數據能從系統獲得。根據東莞地區用戶用電情況、系統數據，及分析歷史竊電案例基礎上，初步確立了竊電評價指標體系，指標體系共分為電量、負荷、電流、電壓、線損、功率因數、報警七個大指標，從日用電量、日負荷、電流不平衡、電壓不平衡、日線損率、功率因數、終端報警信號等方面對目標用戶的竊電嫌疑系數進行評估預測[5]。若評估的竊電嫌疑系數愈大，就表明此用戶竊電的可能性越大。

現對各評價指標簡要說明如下。

1）電量指標

電量指標為日用電量移動平均后做差分，統計連續變化量。通過計算N天電量移動平均差分梯度累計量進行評價，數據來源為計量自動化系統的日電量。取N=5，指標評價方法為：

其中Ei為第i日的電量。

電量移動平均差分：

即差分為負時加1，差分為正時或不變則置零。

2）負荷指標

負荷指標為實時負荷移動平均均方差的累計變化量。通過計算N天負荷移動平均均方差的累計變化量進行評價，數據來源為計量自動化系統的日負荷，計量自動化系統負荷為每15分鐘采樣一個數據，故對每個負荷變量而言一天共有96個數據。取N=5，指標評價方法為：

平均負荷為（其中Lij為對應第i日的第j時刻的負荷值）：

3）電流三相不平衡指標

表示三相電流之間的大小差異，計算公式=100*三相電流標準差/三相電流平均值。

5）線損指標

通過計算N天線損移動平均差分梯度累計量進行評價，數據來源為計量自動化系統的日線損率。當線損率在0-5%，認為線損率為正常狀態；當線損率<0或者>25%，認為線損率為異常狀態，這兩張情況均不評價線損指標。當線損率在5-25%值時，認為是嫌疑狀態，需評價線損指標。取N=5，與電量指標評價方法類似，線損指標評價方法為：

（1）日線損率移動平均=當天和前4天（共5天）的日線損率平均值

（2）移動差分=（當天線損率-上日線損率）/上日線損率

（3）線損指標=連續5天的正負累計量（初始化為0，移動差分為正時，累計量+1）。

6）功率因數指標

正常用戶負荷的功率因數相對比較穩定，與電量使用時間無關，一般不會出現突升突降的現象。通過設定功率因數上下限值，以功率因數越限次數作為功率因數指標。

7）報警指標

通過報警信息來評估竊電的可能性，數據來源為計量自動化系統的計量故障報警信息。與竊電相關的終端報警主要有電壓斷相、電壓缺相和電流不平衡等，以終端報警次數作為報警指標。

3.2 模糊神經網絡診斷模型

反竊電診斷模型可通過構建分類預測模型來實現，由于在竊電診斷中，涉及到大量的復雜現象和多種因素的相互作用，而模糊神經網絡在解決這類問題時具有明顯優勢，因此本項目主要基于模糊神經網絡進行反竊電建模。模糊神經網絡的本質就是在常規的神經網絡中輸入“模糊輸入信號”和“模糊權值”。其結構像神經網絡，功能上是模糊系統，其結構模型[6]如圖 1所示。

圖1 模糊神經網絡結構圖

該模糊神經網絡是五層網絡，除了輸入結點層和輸出結點層外，還有三個隱含層，相鄰兩層之間都有連接，且每個連接都對應于一個權值。現對該模糊神經網絡說明如下：

1）輸入層

該層有n個結點直接與輸入向量x連接，將輸入值x=[x1，...，xn]傳送到下一層。本模型中，因竊電評價指標體系共有7個指標，輸入向量x分別對應等竊電評價指標體系的7個指標，因此輸入層節點數為7，即n=7。

2）模糊化層

該層在模糊神經網絡中的作用是計算隸屬函數。若每個輸入變量均定義有m個模糊集合，則此該層內共有n×m個結點，分為n組，每組m個結點，第i組的m個結點輸入都是xi。本模型中，n=7，并將每個輸入變量劃分為3個模糊度，即m=3，因此共劃分為7×3＝21個模糊度，每個節點的激活函數分別為輸入變量xi的各個模糊度的隸屬度函數μ（x），則輸出分別是各輸入量xi的各個模糊度的隸屬度函數值，是[0，1]之間的值。本層共有21個神經元。

根據竊電評價指標數據的特點，本模型中激活函數采用高斯函數。

其c是隸屬度函數的中心；σ是隸屬度函數的寬度。建模初始，c和σ是隨機函數的初始化值，之后通過網絡訓練不斷修正調整，直至趨于穩定。

3）模糊推理層

該層每個節點只與第二層中每個節點中的一個等相連，共有節點數為 m n 個，每個結點代表一條模糊規則，用來匹配模糊規則的前件（輸入和狀態），計算出每條規則的適用度。本模型中， n =7， m =3，即共有結點數為3 7 相乘，也即共有3 7 條模糊規則。適用度計算公式為：

5）輸出層

該層將第四層各個節點的輸出，轉換為輸出變量的精確值。該層節點數為輸出變量的個數，本模型為1個，即竊電的嫌疑系數，系數越接近1則竊電的嫌疑越大，越接近0則竊電的嫌疑越小。它實現的是清晰化計算，并采用加權平均法，即：

4 驗證

本文隨機抽取了東莞供電局近年來的部分用戶用電數據（含竊電用戶）作為訓練樣本和測試樣本來驗證網絡模型的有效性。樣本的原始數據共有7個輸入參數和1個輸出參數，輸入參數即7個竊電評價指標，輸出參數即竊電嫌疑系數（只能為0或1，0代表非竊電，1代表竊電）。因電壓、電流、功率因數量綱不一樣，為提高網絡的學習速度和收斂性，需要對所有的訓練樣本輸入參數進行歸一化處理，使樣本數據轉化為[0，1]之間的數據，每個樣本輸入參數變為一個具有7個元素的特征向量x=（x1，x2，...，x7）。

將訓練樣本輸入網絡模型，啟動網絡進行訓練。設置網絡學習精度為10-4，以實際輸出參數與樣本給定輸出參數誤差滿足精度要求為判斷條件，網絡自動逐個抽取樣本進行學習，通過迭代實現對網絡的權值不斷調整，最終得到一個能較為準確分析判斷竊電的網絡模型。

完成網絡學習訓練后，再選取10個測試樣本對訓練后的網絡進行診斷測試，結果如表1所示。由測試結果可知，該模糊神經網絡模型計算出的用戶竊電嫌疑系數與實際值的誤差范圍小，誤差百分比小于5%，具有比較高的準確性，可以有效地分析診斷竊電事件。

表1 網絡測試結果

5 結語

面對計量自動化系統存儲積累的用電大數據，傳統方法依靠人進行分析排查，工作量和難度相當大而且效果不理想。本文通過分析用電特性，梳理出竊電主要評價指標體系，并研究數據挖掘技術，應用模糊神經網絡建立反竊電診斷模型，通過對評價指標的相關數據進行智能分析計算，以輸出竊電嫌疑系數的直觀形式為相關人員提供反竊電重點監控指導。通過實例驗證，該反竊電診斷方法對對竊電用戶具備較好的診斷識別能力，為反竊電工作提供了新的借鑒。