基于關聯度分析的防竊電模型研究

何立強，隋政澔，杜 峰

(國網丹東供電公司，遼寧 丹東 118000)

近年來，隨著市場經濟的多元化發展，電能作為一種清潔能源被廣泛應用于國民經濟的各個領域和人們的生產生活中。由于電能費用占企業成本比重較大，一些不法經營者、個體私營業主為謀取暴利，無視國家法律、法規，不擇手段地竊取電能。竊電行為嚴重損害了企業和個人的合法權益，擾亂了供用電秩序，阻礙了電力事業的高質量發展，也給安全用電帶來了嚴重威脅。

通過大量分析竊電現場情況得出，竊電行為主要表現在借零竊電、電能表人為改變、計量箱破壞、強電擊損壞計量電子元件等[1-4]。當前各公司缺乏對電能計量裝置有效監督的措施，對用戶竊電行為的特征分析也不夠明確，對各類數據缺乏整合利用，難以對“竊電”行為進行有效的預警、監督和查處。國內外專家基于人工智能和大數據分析建立不同的反竊電模型，聚類分析數據特征，利用神經網絡等智能算法建立竊電用戶篩選規則，根據規則建立預警模型，但均限于理論階段，實際過程中能夠大幅度提升監測精度的方法還未成熟[5-6]。

本文以臺區線損為切入點，從現場抓獲真實竊電案例出發，建立失壓斷相預警、電量差動預警、電量波動預警、功率差動預警、電能表停走預警、電流異常預警、恒定磁場干擾預警、線損異常預警，并通過關聯度分析對線損值進行判定，大幅度提升了竊電嫌疑用戶的篩選精度，對保證電網安全穩定運行具有重要意義。

1 基于關聯度分析防竊電模型

該模型的主要思路為對輸入數據進行異常值處理，將缺失值使用均值代替，建立線損異常預警、電量差動預警、失壓斷相預警、電流異常預警、電量波動預警、電能表停走預警、恒定磁場干擾預警、功率差動預警和關聯分析9種分析模型，利用Python作為數據分析工具，有針對性地收集、加工、整理數據，利用機器學習算法建模訓練，實現通過模型挖掘數據價值，開展電網智慧降損實踐。主要流程如圖1所示。

圖1 智慧降損流程

1.1 數據范圍

本文各類數據來源于一體化電量與線損管理系統、用電信息采集系統、營銷sg186等業務系統。通過上述系統能夠快速、準確地提取數據，為判別竊電行為提供了強有力的支撐。整理好提取的數據后，對缺失值進行均值填補。

1.2 算法選取與模型構建

a.失壓斷相預警

設定計量回路電壓基準值，高供高計用戶計量回路電壓值為100 V，高供低計及低供低計用戶計量回路電壓值為380 V、220 V，如果電壓值偏離基準值50%，尤其是電壓值為零，則判斷為失壓斷相。該預警策略主要針對高壓用戶、考核表及低壓重點用戶的電壓曲線等信息進行分析判斷。

b.電量差動預警

針對100 kVA及以上用戶，加裝負荷監控裝置，該裝置含有2個不同的計量回路，分別為含有485接口的計量回路和交流采樣回路。其中交流采樣回路作為485接口的考核表使用，用以對比監測2個不同回路的電量，對比2個不同回路電量值，分析計量回路和對比回路同時段的電量差值比，設定電量超值比的閾值K為20%，對超出閾值的用戶需進一步判定是否有竊電嫌疑。

c.電量波動預警

將用戶的用電時間以天為單位，按類別劃分為普通日和特殊日。其中特殊日包括節假日、停電檢修日、用戶休息日等，依此總結用戶的用電規律，并將本月用電量與上月進行環比，與去年同期進行對比，評估用戶每月用電量的波動情況。當波動大于設定的閾值時，認為該用戶有竊電嫌疑，觸發電量波動預警，并根據波動程度深入計算竊電可能性的大小。

d.功率差動預警

針對10 kV高壓用戶，按照一定的時間間隔，使用不同的負荷差動模型對功率差動進行分析。根據終端負荷、電能表總負荷以及差動模型獲得總負荷差值、負荷差動率、負荷差動閾值信息，根據以上信息判斷是否達標，當波動大于設定的閾值時，認為該用戶有竊電可能，并根據波動程度計算竊電可能性大小。

e.電能表停走預警

針對10 kV高壓用戶的電量數據、電流數據，判斷10 kV高壓用戶是否存在電能表停轉現象。該現象表現為某時刻電量為零，對應時間的任意相電流大于0.1 A，在單日數據中連續出現3個時間段內且累計出現超過12次，則判斷該用戶存在竊電嫌疑。同時進行電能表開蓋或計量門關閉分析，通過采集系統獲取電能表的狀態，判斷電能表開蓋時間與電能表安裝時間差值大于時間閾值，排除正常電能表開蓋，則判斷存在異常情況。

f.電流異常預警

對電流信息進行采集和判斷，如果超出最大額定電流的120%，則電流互感器出現少計電量情況，配置電流互感器的用戶最大額定電流為5～6 A，直通表分別60 A、80 A、100 A；針對高壓用戶使用三相電機，一般情況下不易出現電流缺相情況，如某一相或多相出現電流為零的情況，應將用戶列為竊電嫌疑。除光伏、電容反送電及電梯等自由落體用戶外，電能表電流不能小于零，某一相或多相出現小于零的情況，說明電流互感器電流極性反接。上述預警策略主要針對高壓用戶、考核表及低壓重點用戶的電流曲線等信息進行分析和判斷。

g.恒定磁場干擾預警

分析采集終端上報的磁場干擾事件，判斷對用戶進行竊電分析時周圍是否出現磁場干擾異常情況。

h.線損異常預警

使用線路線損及臺區線損數據，輔助分析竊電嫌疑用戶，通過將線損異常期間的用戶電量與線損正常期間的用戶電量進行對比，發現并統計線損異常區域中的電量突減用戶。

i.關聯分析

用電信息采集系統中的各類異常事件與竊電行為及種類存在關聯，基于防竊電異常分析結果，結合各類異常分析模型的權值和不同模型間的關系，以及關聯分析算法進行綜合分析，判斷用戶竊電可能性大小。選取相關性最高的異常信息統計等影響因素，利用關聯度累加算法構建防竊電預警模型，實現對現場計量異常情況的統計，其關聯分析算法如式(1)所示：

(1)

式中:n為同時發生的異常數量；pi為第i個異常權值；Rjk為第j個異常和第K個異常的關聯度。當E≤0.8時，判斷為持續關聯，若連續多天未恢復，則按照異常處理；當0.83時，判斷為重要關聯，對異常進行處理。

1.3 基于Python的智慧降損模型建立

利用Python進行數據分析，對海量用戶數據進行預處理，將缺失值進行均值替代。引入Python中的matplotlib庫、seaborn庫對處理過的數據進行可視化處理，便于直觀感受參數間的關系[7-8]。使用K折交叉驗證得到測試集，再利用邏輯回歸、決策樹、隨機森林等機器學習算法進行建模訓練，不斷調整電壓、功率等相關參數，根據準確率、召回率對模型進行評估，得出降損準確率評分最高的模型。若模型訓練準確，使用測試集進行測試可快速得到線損異常的用戶，進而實現監控違約用電。

2 案例分析

2.1 竊電分析過程

2019年5月，10 kV藍東乙線出現線損值異常情況，損失電量27萬kWh、線損率為9.8%。對該線路進行了理論線損計算，確定理論線損值為3.95%，據此計算出線路管理損失電量為16萬kWh，異常容量區間在217 kW及以上。

利用Python模型分析出是大容量小電量的竊電特征，列出重點檢查用戶清單，結合業務系統數據逐戶排查發現，容量為250 kV企業用戶具有重大竊電嫌疑，具體特征如下。

a.該企業存在總電量的差值。利用Python模型對該市230家水產加工企業進行行業用電比較發現，其與同容量同類型的企業相比，存在近80萬kWh的電量差異。

b.該企業出現嚴重電流差值。交流采樣回路電流高于計量回路電流近4/5，并歸納出該戶的竊電規律及手法：用戶于4時至22時，采用疑似欠流的方式進行竊電，22時至次日4時采用疑似失流的方式進行竊電。

c.該企業出現嚴重回路電量差值。即計量回路日電量比交流采樣回路日電量少近4000 kWh。

2.2 取得成果

通過大數據挖掘分析確定，該戶竊電時長1198天,追補電量87.45萬kWh，追繳違約電費55.55萬元、違約使用電費153.7萬元,為供電企業挽回經濟損失合計209.65萬元。此舉有效打擊了竊電者的囂張氣焰，獲得社會各界一致好評。事后，7月線路日線損率恢復正常，較查處前下降了16個百分點，目前保持在4%以下，與理論線損值基本持平，線損治理效果良好。治理前后線損率對比如圖2所示。

圖2 治理前后線損率對比

3 結束語

電網線損異常治理診斷分析模型應用主要以用戶用電信息為主，綜合利用多數據源信息關聯分析模型，利用Python技術對現場竊電行為進行在線診斷及全過程管理，助力供電企業方便靈活地開展防竊電分析，減少經濟損失。同時，降低竊電用戶發生危險的可能性，保障電網安全可靠運行。