基于DNSCAN 算法的低壓臺區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，且都呈現出增長的趨勢。科技的發展也讓竊電手法變化多樣，給電力系統的穩定、安全運行造成了一定的影響。為了有效推動電力企業穩定發展，用電檢查人員急需一種能夠主動進行竊電監控分析的方法和工具，及時發現疑似竊電用戶，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分布的離群點反竊電算法，對用電信息采集系統中的數據進行挖掘，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，實現了對竊電的有效識別。文獻[5]提出一種基于無監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，對電力企業持續良好發展具有十分重要的戰略意義。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模型，通過在低壓臺區中的實際應用，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工作機制，完成模型的自我優化，從而提供一種強有力的反竊電監控預警手段。

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現，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 聚類算法的優勢主要表現在如下幾點：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基本實現了全采集、全覆蓋。公司信息化、智能化水平較高，用電信息采集系統、營銷系統都已經實際應用，可為低壓臺區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

通過對張家口地區竊電案例進行分析，結合現場查處的違約竊電案例記錄，發現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。基于用采系統和營銷系統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線損相對高、偷竊電行為嚴重的20 個臺區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。