基于營銷大數據的竊電識別綜述

邵茹冰

（國網上海松江供電公司，上海 201699）

一些不法分子為了自身利益采取各種不法手段盜竊電能，對電力經濟的發展和正常的供用電秩序造成了惡劣影響。此外，部分竊電手段不僅對電網的穩定運行帶來隱患，甚至可能嚴重危害人身安全，需要及時查明并采取手段制止竊電行為的發生。及時發現并查處竊電行為不僅能夠使供電企業收回經濟上的損失，還能夠幫助維護整個市場公平有序的競爭環境，營造風清氣正的和諧社會氛圍。

1 竊電常用手段

竊電常用手段主要有私自改接計量裝置和繞越表計用電兩種，其目的都是通過減少電能計量裝置所計量的電量來減少實際收取的電費，實際上，竊電不僅違反道德要求，更是違反法律的行為。

1.1 私自改接計量裝置竊電

1.電壓改接。電壓改接竊電是指通過手段對電能表電壓線、接線盒、計量熔絲、計量電壓互感器等計量裝置進行改接，使表計中計量到的電壓幅值小于實際用戶受電設備接入的電壓。一般表現為：將接入表計的電壓線路間歇性斷開或完全開路；電壓計量回路串聯電阻分壓；安裝遠程操控裝置操控電壓回路；故意損壞計量熔絲或計量電壓互感器導致電壓降低或無法測量等。通過計量電壓幅值的減小，來減少計量到的功率，從而減少計量用電量的目的。

2.電流改接。電流改接竊電是指通過手段對電能表進出電流線、接線盒、計量電流互感器等計量裝置進行改接，使表計中計量到的電流幅值小于實際用戶負荷產生的電流。一般表現為：斷開上述計量裝置某處的電流回路；短接上述計量裝置某處的電流回路；故意損壞計量電流互感器或使其失效等。通過計量電流幅值的減小，來減少電能表功率和總用電量。

3.相序改接。相序改接竊電是指通過手段改變計量裝置電壓或電流的相位關系使計量的瞬時功率小于實際負荷。一般表現為：改變計量裝置中電壓或電流的接線相位；利用外部感性或容性電子元器件進行相位轉移。

4.表計內部改接。電能表內部改接竊電是指對電能表內部邏輯元器件的正常運行進行破壞，使電能表本身的計量功能受到影響，增大計量誤差甚至計量失靈。一般表現為：直接開蓋破壞標記內部元器件；外加強磁場等環境影響準確計量；更改表計時鐘等。表計內部的改接在日常工作中難以通過直接檢查發現，需要提前進行數據分析，并現場借助掌機等專用設備查詢電表開蓋記錄后，再進行開蓋檢查。

1.2 繞越表計竊電

繞越表計竊電是將用戶負荷直接繞過電能表等計量裝置接入公共電網中的行為，此方法簡單易操作，且裝拆快速，故仍然有較多用戶尤其是鄉村居民在繼續私自采用。但相比于計量裝置上的竊電，竊電現場更加直觀，易于發現也便于竊電的取證，是反竊電工作中查獲數量最多的竊電手段。

2 竊電分析的數據來源

隨著電子和通信行業技術的飛速發展，各種智能采集終端在電網管理和控制中被大規模地采用，此舉不僅提升了營銷系統的自動化程度，提升了電力公司的工作效率，同時也為異常用電的檢測提供了更加廣闊的實現平臺，激發了人們圍繞這些智能設施對防竊電進行更加深入的研究[1]。目前常用的用戶數據主要來源于用戶的電能信息采集系統，可以實時監測并上傳用戶的用電電壓和電流等關鍵數據，高壓接入的電力用戶還可以采集到功率因數、電壓電流相序等其他用電信息。營銷業務系統中的用戶相關數據也為竊電用戶的整體行為分析提供了多維度計算的基礎。隨著用電信息采集裝置功能的擴展，以及配電網內監測設備的大量配置，可以為竊電分析提供越來越多的數據源，且隨著時間推移逐漸形成體量龐大的海量數據庫。

3 竊電識別技術

目前竊電的主要識別技術有直接利用歷史竊電信息數據特征關聯[2-3]和根據大數據算法構建數據模型分析計算[4-5]兩大類。直接利用歷史竊電信息數據特征關聯的技術手段包括：依據用電信息采集數據進行竊電事件關聯；基于智能電表數據的灰色關聯分析；營銷業務系統竊電數據特征提取等。而基于高維隨機矩陣、模糊聚類算法等大數據算法的竊電識別定位，因其快速準確的計算能力而更符合智能電網的發展要求。

3.1 基于高維隨機矩陣的竊電識別

1.隨機矩陣算法簡介。隨機矩陣是指隨機變量組成的矩陣，高維隨機矩陣定義為維數趨于無窮大的隨機矩陣，是對復雜系統進行有效分析的計算工具。采用隨機矩陣算法對用戶用電數據進行分析，將采集的用電歷史數據以及當前采集數據、用戶基礎信息等海量數據信息進行收集整理，構建成為竊電分析的基礎數據庫，可以直接運用數據庫進行處理和分析計算，避免了電網結構、運行情況等具體物理模型的復雜因素干擾，減小計算難度并且加快計算速度。隨著電力系統智能化和數字化的發展，用戶用電信息采集系統可以產生海量、多態的數據，符合大數據分布特征，從而構建隨機矩陣進行進一步的分析統計。

高維隨機矩陣的分布是指矩陣維數趨于無窮時，其特征值的概率密度分布。目前應用較為廣泛的高位隨機矩陣分布定理包括M-P 律、半圓律和單環定律。其中，M-P 律描述了隨機矩陣的奇異值的漸近收斂特性；半圓率針對n×n 的Hermitian 矩陣進的經驗譜分布進行描述；單環定律則用于N 個非Hermitian 矩陣的分析處理。雖然高維隨機矩陣的頻譜密度是指維度趨近于無窮大的情況，但在實際應用中，根據現有計算經驗和結果，矩陣維度為102 數量級時，已經可以出現較好的收斂結果，為該理論在實際數據處理應用提供了實際操作的可行性。

對于N 個獨立非Hermitian 矩陣進行相乘并在歸一化后計算其經驗譜密度：當非Hermitian 矩陣的維度無窮大時，特征值復平面上體現為圓環，外圓的半徑為1，內圓的半徑隨著隨機矩陣的行數和列數變化。將配電網數據采集系統收集到的節點電壓、電流及功率等電網運行數據，按照時間序列進行儲存，生成隨機矩陣。由于竊電分析涉及的節點及支路相關的數據量龐大，故直接作為高維隨機矩陣進行分析處理。將待測數據輸入算法計算后，若新的隨機矩陣特征值譜半徑平均值處于圓環的環形區域，則待測數據正常，若新的隨機矩陣特征值譜半徑平均值處于內圓的內側，則待測數據異常，存在竊電風險，需要結合現場用電情況進行進一步排查。可以推斷，當系統正常運行時，隨機矩陣的特征值基本處于外圓和內圓之間。若該部分電網數據中包含竊電數據，特征值將向內環內部集中。

2.算法特點。由于在龐大的電力用戶運行數據中，竊電用戶的實際數量極少，故數據源中存在大量冗余數據，高維隨機矩陣算法可以將這些冗余數據在矩陣特征值計算過程中予以篩選，在復平面上只保留具有代表性特征的數據，既保留了全體數據的整體趨勢，也便于對計算結果進行直觀的分析和統計，對存在竊電情況的配電線路及時進行進一步排查處理。但由于實際異常數據點在計算過程中發生融合，難以直接判斷竊電發生的具體位置，適合進行初步感知判斷，為現場竊電的查處提供整體方向指導。

3.數據和處理。數據及其處理包括特征選擇和關聯隨機矩陣的構建。特征選擇的優點是在確保選擇監測措施的時效性的基礎上，確保及時可靠地識別不同類型的竊電，并準確地監測智能網絡的狀況。聯結矩陣網絡用于確定節點與網絡內區域之間的相對關系。

（1）合并數據：所有電氣特性都必須在一定程度上融合到空間中，以便在一段時間內將這些電子特性結合在一起，檢測工作狀態，并形成一個狀態監測矩陣。在擴大高空間和時間維結構的過程中，數據監測矩陣的狀況。

（2）數據分析和可視化：采用滑動窗口法對高維時空狀態監測矩陣進行處理，因此，每個電氣量之間的相對關系幾乎沒有改變，空間維度低的數據也統一呈現出高維數據狀態。利用隨機矩陣理論對化簡后的時空狀態監測矩陣進行分析檢測，實現對電網運行狀態的實時判別。

3.2 基于模糊神經算法的竊電識別

3.2.1 模糊聚類算法簡介

模糊聚類算法通過對輸入數據進行初始類別劃分，并不斷迭代更新樣本聚類中心點的方式計算最適宜的分類及對應的樣本分布。聚類算法通常作為數據提取常用的算法，可以用于處理原始數據作為其他算法的初始數據處理工具，也能單獨用作數據分析算法。數據集通過特定學習方式將給定的數據集分成幾個類簇，其結果是，同一組中的數據盡可能相似，不同組數據之間的差異是明顯的，從而實現了數據分類的目的。

基于劃分的聚類算法：給定一個數據集和要劃分的類別數，數據集中的所有數據首先進行分類，然后根據每組數據迭代更新其數據中心，將數據根據新的中心重新分類到其所屬類別，以便在達到具體條件時提高分類的質量。代表算法有k-means 和fuzzy C-means。劃分聚類使用簡單高效，并且時間和空間復雜度都較低。然而，當數據量較大時，容易發生局部結果最優而停止繼續迭代優化的情況，需要根據實際數據情況，預先確定合理的聚類中心，避免局部最優。

模糊聚類算法是數據挖掘模型中的常用算法，在常用的模糊聚類算法中，k 均值聚類（k-means）算法與模糊c 均值法的使用范圍最廣，這兩種算法通過對比不同分類數據的相似程度，將不同分組的數據中心進行迭代明確，達到數據分析需要的結果。目前，大多數聚類算法是根據數據之間的差異來進行迭代和分類的。然而，可通過考慮數據變量的相關屬性進行研究，以獲得更多信息。與此同時，可構造被指定對象與其屬性變量到同質塊最優劃分的聚類算法，這種聚類算法被稱為塊聚類。

根據聚類算法，構建IF-THEN 規則，并根據歷史竊電數據進行建模，將歷史數據進行初步分類并確定每一類數據的聚類中心。

依據模糊C 均值聚類方法，求取待測點與聚類中心的距離平方數，即該類別內各樣本點與對應中心的偏離程度，再將此類樣本的全部距離平方和進行迭代計算。

將待測數據代入歷史聚類結果進行計算，能夠得出它到每個聚類中心的距離，根據歷史聚類的正常或竊電概率來估計該待測數據對應的竊電概率分布。也可以將此數據納入原始數據庫，對隸屬度矩陣和聚類中心進行更新，便于后續使用。

3.2.2 算法特點

模糊聚類算法的計算結果提供待測數據竊電的概率并初步篩選出疑似竊電行為的電力用戶供進一步排查。優點在于可以直接篩選出竊電可能發生的具體樣本點，但與此同時，若要實現對大量用戶的同時計算，在計算速度和結果的輸出判別上存在一定的困難，且需要預先給定聚類數目和初始中心，對噪聲和離群值比較敏感。

4 竊電識別技術的應用

采用基于大數據算法的竊電識別技術可以對電力用戶用電大數據進行初步分析排查，基本確定竊電范圍后再進行進一步人工排查分析。某供電公司利用數據分析結果，結合公司營銷部日常用戶管理工作及反竊電大行動等活動集中進行排摸處理。據統計，僅2023 年1 月1 日至3 月8 日期間，該公司共查處竊電、違約用電等影響線損的案件99 件，完成追補電量41.6萬千瓦時，追補電費和違約使用電費共計91.39 萬元，大大提升了竊電查處效率。由于鄉村竊電數量占比大，地理分布廣，采用大數據手段大大減少了工作人員的排查工作量。當前，全面推進鄉村振興戰略，為鄉村振興提供堅強的能源保障是各供電公司的重要任務之一。加大竊電查處力度、減少線路損耗，保障鄉村能源的安全、合理使用，確保計量的準確性是重要一環。結合竊電高損臺區治理工作，融入大數據識別技術，對于科學有序推進理論線損、采集設備改造、高損負損治理等達標率提供了高效途徑。

5 結語

隨著經濟社會的發展和國民素質的不斷提升，以及對應竊電查處力度的加大，竊電本身發生的數量已經在逐漸減少。竊電的大數據分析在快速識別和精準定位方面為實際用電檢查工作提供了有效的技術手段，大大減輕了竊電用戶篩選方面的工作量，提升了工作效率，為配電網智能化發展的經濟和技術方面都提供了有力支撐。