應用大數據技術的反竊電分析研究

宋樹宏，王煒，王偉恒，于雷，王超，潘子毅，付博

（國網沈陽供電公司，遼寧 沈陽 110003）

目前我國電力供應過程中，各種竊電手段層出不窮，部分竊電分子采用欠壓法、擴差法、欠流法等手段實施電能偷竊，影響到供電企業的正常運行。為實現對反竊電工作的優化，供電企業需正視大數據技術應用的重要性，在原有電力信息系統中進行大數據技術的融合，進一步優化反竊電技術，實現對竊電行為的有效打擊與抑制。

1 當前反竊電管理不足之處

盡管現階段供電企業對反竊電管理工作的開展逐漸加大力度，但是仍尚存些許不足之處，具體表現為：（1）難以做到對竊電量的精準統計。不同于現實產品，虛擬化的電能商品管理難度相對較大。常規統計記錄手段的應用無法滿足電能統計的實際需求，再加上基礎監測設備技術陳舊，無法做到在供電監測過程中進行竊電量的精準統計，為竊電分子提供可乘之機。此外，因供電企業無法做到對線損情況的全面掌握，部分用戶會以線損過大為理由進行竊電，對供電企業造成嚴重經濟損失。（2）在反竊電工作的實施過程中，存在工作人員難以準確把握竊電問題的情況，尤其是針對臨時性竊電而言，即使工作人員發現用戶的竊電行為，但是因證據不足無法開展工作。（3）隨著我國科學技術的發展，部分竊電分子采用的手段更為先進，導致反竊電工作開展難度增大。（4）供電企業用戶廣泛，涉及商業、工業以及居民用電等多種性質類別，再加上竊電手段的隱秘性，導致反竊電難上加難。正因此，借助大數據技術進行反竊電的優化，已然成為供電企業的主要研究課題。

2 反竊電中大數據技術的應用優勢

2.1 線損實時監測

借助大數據技術可以幫助工作人員進行用電數據信息的搜集與挖掘，通過深度挖掘與分析，進行線路線損實際情況的分析與判斷，實現對線損基本規律的掌握與明確。同時，依托于大數據技術強大的分析功能，能夠幫助工作人員掌握不同時段線損情況。以不同季節為例，冬季、夏季為線損率最高的季節，依托于對供電區用電信息、天氣與季節數據的采集和分析，生成不同季節線損動態圖，實現通過大數據分析來保證線損分析的準確性。

2.2 智能反竊電

供電企業通過在用電信息系統中融合大數據技術，可實現對用戶信息的實時采集，并以平臺為基礎進行海量數據的傳輸，而終端可依托于數據分析來判斷用戶用電情況。在智能信息采集系統運行過程中，若用戶用電數據存在異常，平臺會自主進行智能診斷與分析，判斷其是否為竊電行為并第一時間提示預警。如在白天時段監控圖顯示三相電流數值呈現為均衡態勢，但是在夜間時段出現一相電流值異常，系統可自行診斷并預警。當然，為確保相關工作人員能夠直觀掌握數據信息，平臺可以以圖形化、圖表化的形式呈現數據，進而實現對反竊電工作的智能化開展。

3 基于大數據的反竊電系統設計

3.1 數據處理平臺架構

此數據處理平臺采用三層架構，用戶數據信息通過現場終端完成采集，數據采集單元通過專網或公網信道進行數據信息接收，而終端采集命令與任務的下達，由采集單元負責。數據處理平臺分別由內層、中層、外層組成，其中外層囊括預處理模塊，中層則集成Map Rdeuce、Eclipse、融合引擎、監控等模塊，內層則是云計算服務集群與數據庫，該平臺的構建實現指令下達、數據采集以及數據共享等。

3.2 數據計算服務集群

本系統中的數據計算服務集群主要以Hadoop框架為載體，起到主節點活躍、備用主節點預熱的作用，功能體現為信息系統數據計算，以分布式文件系統為載體進行數據庫中相關數據的存放，針對數據計算主要采用Map Reduce作業，完成計算后數據錄入數據庫。

3.3 數據庫架構

本系統中涉及對云實時數據庫的構建，調度層囊括主節點與從節點，數據庫中實時數據庫數量依據需求合理設定。利用高速交換機連接數據庫中主節點與從節點服務器，并以集群架構Hadoop構成軟件層面，數據庫的構建有助于提升系統中實時、歷史數據的存儲、利用效率。

3.4 基礎算法

3.4.1 二階聚類

二階聚類算法應用較為常見，作為BIRCH算法的改進，其步驟具體分為預聚類、正式聚類。預聚類過程涉及到對聚類特征樹的構建，囊括諸多子類；正式聚類過程則是輸入預聚類結果，依托于分層聚類達到再聚類的目的。聚類期間以集群距離為依據進行小集群合并，直至所有集群合并完成后方可結束。

3.4.2 深度學習

深度學習主要是以非線性模塊來進行多層描述學習，其中各模塊的描述，均含有三個轉化過程，體現為簡單描述→高層描述→抽象描述。通過對上述轉化過程的大量積累，實現對復雜函數的深度學習。針對深度學習算法而言，是對建模數據的隱含分布進行自動學習，本系統采用以GRBM-DBN為框架的深度學習算法。首先，RBM訓練采用相關對比發散數據。其次，進行RBM數據生成隱藏值的模擬，在此基礎上開展其他RBM的訓練。最后，進行分類操作。依據喚醒-休眠算法，結合對分類標志與隱藏單元的設置來達到權重變化的目的。針對喚醒-休眠算法而言，可以將喚醒體現為認知過程，以向上權重為根據，結合對外界特征的描述來進行各層抽象表示，針對下行權重，則需利用梯度下降來實現有效轉變；休眠則可以以生成過程來體現，運行期間底層狀態依托于向下權重與頂層表示來生成，可作用于層間向上權重的轉變與調整。

3.4.3 CHAID決策樹

本系統建模除采用聚類建模之外，還涉及對決策樹建模的應用，其原理為在分類自變量時，以根結點來體現因變量，從而得到分類卡方值。若變量分類程度存在顯著差異，則需進行分類P值大小的比對。然后在子節點設置過程選擇存在顯著差異的分類，達到最優分割的目的。

3.4.4 異常值檢測

本系統針對異常值的檢測采用箱線圖，分別通過5個統計量來描述數據。該方法的應用，不僅可以應用于離散數據的粗略估量，亦可以進行異常值的精準判斷。在實際應用過程中，無須借助假定數據形式進行分析，可以利用實際數據特征判斷異常值。本系統中異常值判斷標準定位為：QR（四分位距）、Q3（下四分位數）、Q1（上四分位數）。

4 反竊電系統應用實證研究

國網沈陽供電公司根據用電信息系統大數據分析發現，XX公司存在疑似竊電的情況，利用大數據平臺進行竊電用戶特征分析，借助二階聚類進行客戶類別的形成，從指標、樣例等維度分類用戶，并采納用戶基本屬性構建聚類模型，由此確定該企業用電特點。在確定懷疑對象后，進行用戶鎖定。采用深度學習和決策樹，將該企業當月用電量、功率因數等關鍵性指標輸入，結果發現該企業滿足決策樹規則模型，利用以DBN模型的深度學習方法進行準確率預測，依托于系統數據分析與采集，發現該公司進線電纜電流最高為50A左右，最低為30A，其結果與采集系統中顯示的電流存在較大差異，確定該企業存在竊電行為。隨后國網沈陽供電公司組織隊伍開展現場檢查。發現廠區內計量柜處于無封印狀態，電表尾封有人為破壞痕跡。通過深入稽核發現，該企業用電性質不同于檔案統計，表示該企業存在私自竊電、躲避電費的情況。最后，進行竊電行為取證。借助箱線圖方法進行用戶用電量和負荷的分析，得出精準的離群值和異常值。國網沈陽供電企業通過合理應用大數據反竊電平臺，成功挽回該企業竊電造成的經濟損失，同樣論證了在實際反竊電工作中應用該平臺的可行性。

上述案例證明，基于大數據的反竊電平臺設計，一方面可以為供電企業用電違約行為的查處提供參考依據，另一方面則可以幫助供電企業維持電網的正常運行。

5 結語

綜上，隨著竊電手段的愈發復雜和多元化，供電企業要想提高反竊電工作成效，應結合自身實際情況，構建完善的智能反竊電系統，精準定位用戶竊電行為，采集充分的竊電行為證據，在進一步規范企業反竊電工作開展的同時，幫助供電企業減少損失、控制成本。