基于DNSCAN 算法的低壓臺區(qū)反竊電技術研究與應用

張新瑞，張思宵，楊紅欣，任志丹，劉海峰

（1.國網冀北電力有限公司張家口供電公司，河北 張家口075000；2.煙臺東方威思頓電氣有限公司，山東 煙臺264000）

近年來，隨著經濟的飛速發(fā)展，社會對電能的需求也隨之增大。如何合理并有效地管理生產生活用電，減少電力企業(yè)蒙受的經濟損失，是供電公司長期關注的課題。從中國電力糾紛事件來看，最典型的兩類問題就是竊電和違約用電，且都呈現(xiàn)出增長的趨勢。科技的發(fā)展也讓竊電手法變化多樣，給電力系統(tǒng)的穩(wěn)定、安全運行造成了一定的影響。為了有效推動電力企業(yè)穩(wěn)定發(fā)展，用電檢查人員急需一種能夠主動進行竊電監(jiān)控分析的方法和工具，及時發(fā)現(xiàn)疑似竊電用戶，保障供電公司的經濟利益。

目前國內外的專家學者對反竊電技術進行了大量研究，文獻[1]的專家學者給出了一種基于歐幾里得距離的離群點檢測算法，有效實現(xiàn)了對欠流、失壓法竊電的檢測。文獻[2-3]提出了一種基于正態(tài)分布的離群點反竊電算法，對用電信息采集系統(tǒng)中的數據進行挖掘，由于是基于離群點算法的反竊電研判，所以存在求解誤差大的缺點。文獻[4]利用線損相關數據，對損耗較大的電力用戶進行識別，實現(xiàn)了對竊電的有效識別。文獻[5]提出一種基于無監(jiān)督學習的電力用戶用電行為異常檢測模型，主要包括特征提取、主成分分析、局部離群因子計算等，模型的輸出結果包括疑似竊電概率和電力用戶的異常度。

在電力大數據時代，基于用電信息采集系統(tǒng)的海量數據的深入挖掘和智能診斷分析方面仍處于實踐探索階段，通過數據深入挖掘分析，可有效鎖定竊電用戶和識別竊電方式，對電力企業(yè)持續(xù)良好發(fā)展具有十分重要的戰(zhàn)略意義。本文提出一種基于DBSCAN 聚類算法的反竊電分析模型，建立多維特征因子關聯(lián)模型，通過在低壓臺區(qū)中的實際應用，驗證了方法的有效性，可以有效定位竊電用戶，提高工作效率，保障了供電公司的利益。

1 研究目標

利用用采和電力營銷系統(tǒng)積累的海量用電客戶歷史數據，結合經過確認的各類典型竊電樣本，統(tǒng)籌考慮多維竊電因素，抽象識別竊電行為的普遍因素，建立異常預測的數學分析模型，通過大數據技術分析手段，深挖電能量數據背后的價值，對竊電嫌疑用戶進行概率推測和預警，精準識別重大竊電嫌疑戶，通過建立預警、排查和處理反饋的閉環(huán)工作機制，完成模型的自我優(yōu)化，從而提供一種強有力的反竊電監(jiān)控預警手段。

2 數據挖掘理論分析

2.1 數據挖掘基本理論

隨著大數據技術的飛速發(fā)展，數據挖掘在各個領域得到了廣泛的應用和推廣，數據挖掘的核心是從海量的、有噪聲的、不完整的數據中挖掘有用知識的過程。可完成從低層次的數據簡單分析、呈現(xiàn)提升到挖掘背后隱藏的有用信息，為實際應用提供決策支持，數據挖掘的基本流程如圖1 所示。

問題描述：本過程需要明確具體的業(yè)務需求。就本文而言，需要從大量的電力用戶歷史用電數據中精準找出竊電嫌疑用戶。

數據采集：待確定目標后，需要采集相關的數據，為竊電檢測模型的構建提供支持。

數據預處理：數據預處理是整個數據挖掘過程中非常重要的階段，直接關系到后期所構建模型的質量。一般要完成噪聲數據消除、特征選擇等過程。

數據挖掘執(zhí)行：根據數據挖掘的具體任務，挑選最適合的算法進行知識的發(fā)現(xiàn)，比如分類、聚類等方法。

結果分析與評價：竊電模型要在實際場景中應用，需要保證結果的合理性和科學性。

2.2 DBSCAN 聚類算法

2.2.1 DBSCAN 算法基本描述

DBSCAN （ Density-Based Spatial Clustering of Applications with Noise，具有噪聲的基于密度的聚類方法）是一種很典型的密度聚類算法，與通常只適用于凸樣本集的聚類算法（如K-Means）相比，DBSCAN 既可以適用于凸樣本集，也可以適用于非凸樣本集。

DBSCAN 聚類算法的優(yōu)勢主要表現(xiàn)在如下幾點：①滿足對任何形狀的稠密樣本集進行聚類分析，K-Means 之類的聚類算法通常用于凸樣本集；②在進行聚類的同時可以尋找到異常數據點，對樣本集中的異常點不敏感；③聚類結果不存在偏倚，無需預先確定聚類的類別，而初始值參數的選取對K-Means 聚類算法有較大的影響。

2.2.2 DBSCAN 聚類算法的步驟

輸入：樣本集合D={x1，x2，…，xm}，鄰域參數（?，MinPts），樣本距離度量步驟如下。

步驟一，初始化數據樣本集合Ω=?，初始化聚類的簇數k=0，初始化未訪問數據樣本集合Γ=D，簇劃分C=?。

步驟二，對于j=1，2，…，m根據如下步驟尋找出所有的核心對象：①通過距離度量方法，得到樣本xj的?-鄰域子樣本集Nε（xj）；②如果子樣本集當中的樣本數目滿足|Nε（xj）|≥MinPts，則需要將樣本xj加入核心對象樣本集合Ω=Ω∪{xj}。

步驟三，如果核心對象集合Ω=?，那么算法結束，否則進入步驟四。

步驟四，在核心對象集合Ω中，隨機挑選一個核心對象o，初始化當前簇核心對象隊列Ωcur={o}，初始化類別序號k=k+1 以及當前簇樣本集合Ck={o}，更新未訪問樣本集合Γ=Γ-{o}。

步驟五，如果當前簇核心對象隊列Ωcur=? ，那么當前聚類簇Ck生成完成，更新簇劃分C={C1，C1，…，Ck}，更新核心對象集合Ω=Ω-Ck，進入步驟三。

步驟六，在當前簇核心對象隊列中Ωcur隨機拿出一個核心，對象o′，利用鄰域距離閾值? 找出所有的?-鄰域子樣本集N?(o′)，令Δ=N?(o′)∩Γ，更新當前簇樣本集合Ck=Ck∪Δ ，更新未訪問樣本集合Γ=Γ-Δ ，更新Ωcur=Ωcur∪（Δ∩Ω）-o′，進入步驟五。

最終模型輸出簇劃分C={C1，C1，…，Ck}。

3 基于DBSCAN 算法的反竊電技術實踐應用

3.1 技術可行性分析

目前張家口供電公司所管轄的低壓臺區(qū)基本實現(xiàn)了全采集、全覆蓋。公司信息化、智能化水平較高，用電信息采集系統(tǒng)、營銷系統(tǒng)都已經實際應用，可為低壓臺區(qū)反竊電應用提供大量的基礎數據。

聚類算法非常適用于這種大量數值數據的處理，而離群點數據敏感的優(yōu)點適用于從大量數據中挖掘出異常數據。對于挖掘出的異常數據，合理利用竊電甄別方法就能準確定位竊電嫌疑用戶。

3.2 竊電用戶案例分析

通過對張家口地區(qū)竊電案例進行分析，結合現(xiàn)場查處的違約竊電案例記錄，發(fā)現(xiàn)竊電手段上大致可分為兩大類：第一類是通過改變計量回路或計量裝置，通過改變電流、電壓、相位或接線等方式進行竊電；另一類是高科技竊電方式，通過大功率干擾或遙控等方式阻礙計量裝置正常計費，此類竊電手法不破壞電能表硬件設備、操作時間短、隱蔽性強等特點使供電部門無法排查，造成巨大損失。

因此，本文重點從以上幾種情況入手，深入挖掘和分析用電、營銷、線損等多維度數據，提取竊電用戶的用電特征，構建豐富專家樣本庫，進行模型選擇、訓練及驗證，構建反竊電診斷模型。

3.3 竊電特征提取

通過對歷史竊電用戶用電量、電壓、電流、報警事件等用電數據進行逆向分析，構建完整的特征向量，本文選取失壓斷相事件、用戶電量趨勢、電壓和電流數據計算出有功功率與采集的有功功率值比、用戶電量與臺區(qū)線損率相關性系數、異常報警事件（電能表開蓋、計量裝置開箱、磁場干擾等類型的異常事項）五個特征維度構建特征向量進行建模。基于用采系統(tǒng)和營銷系統(tǒng)中的電力用戶歷史數據，提取用電特征，構建基于DBSCAN 聚類算法的反竊電模型。

3.4 算法仿真測試

以張家口供電公司管轄范圍內臺區(qū)線損相對高、偷竊電行為嚴重的20 個臺區(qū)的電力用戶作為分析對象，構成測試樣本。在用電信息采集系統(tǒng)中，抽取其數據，提取電力用戶用電特征，應用DBSCAN 聚類算法，仿真結果表明算法具有較好的異常檢測效果。

4 總結

本文通過對張家口供電公司低壓臺區(qū)電力用戶用電數據的分析、處理、挖掘，構建了一種基于DBSCAN 聚類算法的反竊電檢測模型。在低壓臺區(qū)反竊電實際應用中，驗證了模型的有效性，可準確的識別出疑似竊電用戶，為用電檢查人員提供了強有力的反竊電監(jiān)控預警分析方法，可顯著提高反竊電的查處懲治力度，確保供用電秩序正常，及時挽回供電公司的經濟損失。