電能計量裝置現場反竊電自動化檢驗技術

楊 媛，薛峪峰，田光欣

（1.國網青海省電力公司海東供電公司，青海海東 810600；2.國網青海省電力公司信息通信公司，青海西寧 810008）

近年來，竊電問題層出不窮，給供電公司帶來巨大損失。隨著智能化技術的成熟，越來越多的供電公司使用集抄系統，雖然能夠有效減少抄表次數，減輕人工工作任務，但是，大用電客戶也有了更多的機會進行竊電操作。常用的竊電方法有欠流法竊電、移相法竊電、擴差法竊電以及借零法竊電，利用不同的手段改變電能表線路，達到竊電的目的[1-2]。

當前，反竊電形勢越來越嚴峻，竊電預防及查處難的問題困擾著各種不同的供電企業。針對反竊電問題進行了較多的研究。文獻[3]利用DBN 深度學習算法研究了一種新的反竊電手段，選取多層神經網絡模型確定圖像信息、文本信息和語音數據信息，實現反竊電工作。但是這種技術計算量過大，耗費時間過長，不具備實時性，無法適用于實際應用中。文獻[4]提出了基于時空關聯矩陣的配電臺區反竊電預警方法，對數據進行清洗，利用線性插值算法校正缺失的數據，分析數據關聯，判斷是否存在竊電行為，建立關聯模型，尋找竊電信息，但是這種方法在電能計量裝置上應用能力較差。

該文在傳統研究基礎上，設計了一種新的電能計量裝置現場反竊電自動化檢驗技術。在分析智能電表的不同類型和頻率后，給出了檢驗方法，通過實驗驗證了檢驗技術的實際應用效果。

1 竊電數據挖掘

在對數據進行挖掘之前，檢測用戶用電數據是否存在異常，如果確定用戶存在異常，則分析異常狀態，判斷用戶是否存在竊電行為[5]。數據挖掘流程如圖1 所示。

圖1 電能計量裝置現場竊電數據挖掘流程

觀察圖1 可知，數據挖掘主要由數據信息集成、數據清晰度顯示、數據信息變換和數據內容簡化組成。采集用戶的原始數據，并對其初始化處理。該處理主要是對數據質量的篩選。基于此，將初始化的數據統一集成，在完成集成后，將數據名稱、結構、含義和字長完成轉換，去除空白數據和噪聲，去除原始數據中的噪聲數據和無關數據，通過重復處理和類型轉換得到更清晰的數據[6]。

同時使用監督和無監督的方式實現數據清洗，在實現連續數據離散化處理后，可減少數據量，從而保證數據分類更加準確。描述用電數據的特征，利用切換操作和旋轉操作完成規格化的處理，從而得到真實的屬性值[7]。

確定IS-A 語義關系。根據語義關系減少元件數量，從而提高數據的計算效率[8]。分析數據屬性，實現數據簡化，由于直接挖掘會影響數據挖掘結果，因此必須要分析數據本身的內容，確定數據特征，從而使數據挖掘的規則更加簡單。確定數據特征和屬性，通過抽樣方法實現數據的剪枝處理，采用因子分析的方法得到數據主成分，以零散化的方式實現屬性處理，對比不同的特征屬性，從而使知識狀態擁有更多空間維數。從關聯分析的角度出發，設定置信度指標，使支持度較低的元組能夠得到分解[9-10]。

2 竊電行為分析

在完成數據挖掘后，分析用戶的用電特性，確定電力用戶的算法。數據預處理在用電信息采集的基礎上，針對不同裝置的用電量、功率、負荷等因素進行處理[11-12]。

處理序列中值，統計內部的異常數據，設定移動寬度為m，利用窗口分析數據的有效性輸出信號，實現數據的統計，當工作時間為t時，數據的表達公式為：

其中，w表示t時刻的測量值；x表示輸出值。

確定數據的中值，從而得到用戶電力數據尺度序列，計算公式為：

其中，{d1,d2,…,dm}表示得到的電力數據尺度序列；Z表示得到的數據中值。

確定數據中值后，計算測量值濾波如式（3）所示：

其中，x(t)表示在沒有經過濾波處理時輸出的數值；表示經過濾波處理后輸出的數值；LDT表示得到的門限參數；MAD(t)表示得到的中值偏差。

在對用戶數據進行預處理時，要分析濾波器特性，分析噪聲特點和信號運算速度，從而實現信息的基礎處理[13]。

在利用PCA 算法進行計算的過程中，所有的用電用戶數據設置統一均值為0，統一方差值為1，從線性函數角度出發，完成歸一化處理，歸一化過程如式（4）所示：

在剔除不同歷史數據的異常數據后，完成歸一化分析和有效統計。得到用電數據特征后，診斷用戶的竊電數據，引入RVFLN 的隱含層函數，計算互聯網絡中心，分析不同節點的寬度，通過聚類的方法將信息輸入函數中心。選擇線性回歸的方式求解不同的數據，引用二次優化技術得到輸出層的權值，在完成信息處理后，分析不同模型參數的有效性。

3 反竊電自動化檢驗

當用戶出現竊電行為時，電表或鄰近用戶電表的電壓也會下降，因此需要對用戶行為異常進行檢驗，從空間維度、時間維度和關系維度三方面進行辨識，用戶竊電行為判別樹如圖2 所示。

圖2 用戶竊電行為判別樹

根據圖2 可知，利用不同的數據建立判別樹，對異常因子進行采集，尋找不同的因素，篩選局部異常因子，檢測用戶電壓表中LOF，確定用戶是否為異常用戶，對不同用戶的電壓、電流和功率因子進行整合，判斷用戶的竊電行為[15]。

利用線性插值計算對不同的數據進行補正，對獲取的缺陷數據進行分析，通過線性插值的計算方法確定缺失數據的異常值，實現數據預估[16]。對現場的電能計量裝置線損進行計算，從而為反竊電預測模型異常分析提供基礎，確定異常數據的竊電風險[17-19]，在不同時間內獲得線索波動曲線，同時比較標準偏差和理論線損，實現關聯分析，與閾值進行對比，如果超過閾值，則證明存在竊電行為。

驗證分析結果，比較電流差和波動值，分析數據之間的重合度，尋找不同電能計量裝置存在的竊電風險，同時對數據的時間戳進行記錄。記錄電壓變化、電流變化和功率因素變化時得到的時間重合度，分析時間維度。設定不同的判斷別方式，以遠程審核的手段檢測現場，確定竊電用戶，同時提取可疑用戶的數據庫，從終端實現數據查詢和布線，防止在查詢過程中，出現用戶追蹤的線性。

4 實驗研究

為了檢測該文提出的電能計量裝置現場反竊電自動化檢驗技術的有效性，設定實驗。針對某電能計量裝置的反竊電預測分析，利用供電公司所提供的最小特征值設定閾值，在檢測過程中，涉及的配電臺區共有50 個，配電采取用戶有7 000 名。電能計量裝置結構如圖3 所示。

圖3 電能計量裝置結構

比較不同地區的平均線損波動率，得到的線損波動情況如圖4 所示。

根據圖4 可知，該文研究的特征閾值為15，如果用戶的平均線損波動率超過這一數值，則證明用戶存在異常，有可能存在竊電行為，采集點共有35 個，實驗對4 組用戶進行檢測，由結果可知，用戶3 和用戶4 的線損波動率始終超過額定閾值，他們的用電行為存在異常，可能出現竊電行為。

對用戶1 和用戶2 的電壓離群現象進行檢測，得到的檢測結果如圖5 所示。

圖5 電壓離群現象檢測結果

根據圖5 可知，用戶1 和用戶2 的離群點分散情況不夠集中，被其他離散點孤立，由此可見，都存在竊電行為。

使用該文檢驗技術對竊電量進行竊電量檢測，檢測結果如表1 所示。

表1 竊電量檢測結果

由表1 可知，該文提出的檢驗技術檢驗結果與實際竊電量結果基本吻合，檢測能力較強。綜上所述，該文提出的檢驗技術具有很強的檢驗能力，能夠精準地實現竊電量檢驗。

5 結束語

該文在傳統分析的基礎上，針對電能計量裝置研究了一種現場反竊電自動化檢驗技術，通過對信息的精準核查和不同竊電量的預估，實現自動檢測。在完成用戶信息采集后，對數據進行處理，明確不同的信息和參數，利用技術型手段判斷是否存在竊電行為，從而提高反竊電效果。該文研究的技術能夠精準地提煉數據特征和屬性，從而保證能夠很好地分割正常用電和非正常用電，引入線性特征，實現信息的有效控制和研究。在控制過程中，從分析的角度提高信息管理的準確性。

雖然該文研究的電能計量裝置現場反竊電自動化檢驗技術實用性較高，但是對于閾值依賴較大，后續需要深入分析樸素貝葉斯分類算法，從而更好地確定閾值，提高技術的實際應用能力。