基于FP-Growth算法的臺區線損竊電研究

陳焱彬 黃 騰 牛繼偉 李騰騰 劉凱侖

（深圳供電局有限公司，廣東 深圳 430223）

竊電是影響線損的重要因素，不法分子的手段也變得隱蔽化與智能化[1]。本研究的重點在于利用大量的臺區用電數據，通過多組數據關聯分析，提取線損異常數據并分析可能存在竊電行為的概率。臺區線損率是反竊電工作的重要依據，也是低壓配電臺區線損管控的重要指標[2-3]。南網供電公司大力開展基于線損的反竊電研究，文獻[1]基于高速電力載波通信技術和用電信息采集系統，辨別線損指標超差的臺區，并針對線損超標的臺區進行計量裝置檢測，從而發現竊電行為。文獻[2]基于現場排查低壓用戶竊電的分析與治理過程，套路臺區降損的治理。文獻[3]針對竊電的主要方法進行介紹，并通過對比采集的實時數據與理論數據，劃定竊電發生范圍。由此可見，臺區線損率與竊電行為有密切的聯系，采用傳統統計分析方法難以分辨大量數據之間的隱形關系。本文旨在使用FP-Growth算法對臺區線損數據進行分析，并利用FP-Growth算法對竊電數據進行挖掘和分析。通過挖掘，分析對應的關聯規則。最后，針對竊電挖掘結果進行分析。

1 線損竊電故障分類模型建立

目前，供電公司線損一直居高不下，線損的原因包括在供電系統中各電器元件引起的損耗，以及竊電行為猖獗。據有關部門統計，每年因竊電造成的損失高達200億元[2]。因此，本文以竊電為例進行研究，并對現場線損異常臺區、用電異常數據進行分析，提取故障特征，針對竊電行為進行建模，具體內容如下。

1.1 竊電相關異常事件分析

排查線損高臺區，現場稽查通過打開表蓋，用戶私自采用控制微型繼電器閉合短接表內線路，達到控制用電時間進行竊電的目的。現場檢查拆開表計進行檢查，發現表計內部三相電加裝電子設備、用銅絲相連，證實竊電情況。此類異常可通過上報的開蓋記錄異常事件進行排查。開蓋記錄異常事件模型：讀取電能表開蓋事件記錄，并判斷電能表開蓋時間與電能表安裝時間閾值，電能表開蓋時間或開表箱時間大于電能表安裝時間即為異常事件記錄。

1.2 用戶表零火線不一致

現場稽查用戶計量情況，發現用戶私自接線，繞越電能表直接接入家中。通過鉗形電流表測量，該私接線電流約6.79A，確認該戶竊電。針對此類竊電行為建立竊電模型：目前，國網招標的電能表均為火線計量，即電流必須經過1、2端子才能正常計量。正常情況下，非共零線接線的單相表用戶，火線電流等于零線電流。用采系統獲取HPLC電表采集的零火線電流96點數據，將96點數據累計并比對，若火線電流與零線電流不相等（二者差異達到0.1A以上），則判斷存在竊電嫌疑。

1.3 用戶表失壓

案例一臺區線損突然升至10%～15%，據排查，發現用戶失自松動A、B相電壓線，導致表計失壓；斷開電壓連接片，使電壓采樣電路失壓導致該相不走字表計從而進行竊電。電能表失壓模型：電能表電壓小于（額定電壓×80%）且持續時間大于12h。

1.4 電流失流

某臺區線損波動大，系統告警用戶失流。現場排查接線無異常，用鉗形電流表測量二次回路中的接線端子盒，發現A相電流線回路為斷路狀態。拆開接線端子盒發現，表計內部加有絕緣體，導致A相不計電量，達到竊電目的。經排查臺區線損仍未降至合理范圍，排查可疑用戶，系統報某用戶電能表失流，到現場排查打開計量箱檢查發現接線無異常，但箱內布線凌亂，排查接線發現A、C兩相電流線緊緊貼在一起，將其2根線撥開后，一細小的鉛錫塊掉了下來。該鉛錫塊為焊錫在A、C兩相電流線之間的連接物 （導體），使A、C兩相電流線短接，以達到少計電量的目的。表計失流模型：通過HPLC模塊采集智能電能表電壓、電流數據，連續監測96個點，發現電能表某一相電流低于額定電流的5%，即可判斷為失流。

1.5 用戶表錯接線竊電

某臺區某段時間日用電量波動巨大，且穿透用戶電能表發現用戶在線損異常的周期內存在停電記錄，臺區日線損率波動的時間節點與日用電量波動現象相吻合，因此，針對該用戶進行竊電排查。經分析該用戶在停電維修時通過私自調換AC相電壓接線方式的方法進行竊電。通過對調A、C相電壓接線的竊電方式可用下列公式說明。

假設該用戶的三相負載平衡，令三相電壓、電流的有效值分別為U、I，各相的功率因數角為φ，那么正確接線方式下，三相四線電能表的有功功率如公式（1）所示。

對調A相、C相的電壓接線，則三相四線電能表的有功功率如公式（2）所示。

由公式（2）可知，當三相負載平衡且負荷為感性時，通過調換A相、C相的電壓接線會導致電能表反向計量有功，從而使用戶用電量少計。

根據以上異常情況，歸納故障模型為抄讀反向電量以及反向電量事件；在排查現場用相位伏安表進行接線分析后排查。

1.6 電能表誤差超差

同期線損監測10kV線路日線損率異常，根據用采數據進行計算，該線路在某一時間段的線損率較高，分析該條線路高損出現的時段，進一步縮小排查范圍，并排查對象。現場排查采用鉗形電流表及計量故障識別模塊測量電表電流、電壓以及誤差等各項數值，與電表顯示的讀數進行比對，誤差較大，進一步對可疑電能表進行開蓋檢測，發現電表內部非法加裝了遙控裝置。通過遙控器，隨時調節電表的電流值，從而達到少計電量的目的。電能表誤差超差模型：電能表誤差＞20%。

1.7 電能表停走

現場排查某階段線損高臺區，排查可疑用戶，排查線路電壓、電流，并抄讀表計上三日凍結數據與當前數據比對，發現表計停走。經排查分析利用高電壓放電裝置，對電子式電能表進行高電壓放電，使其黑屏（死機）無法正常計量。該高電壓放電裝置體積較小，通過前端放電探頭，深入至表箱針對電能表顯示窗口或者縫隙處進行放電，使智能電能表黑屏，從而無法正常計量，一段時間后進行掉電恢復，或者用別的裝置將電能表激活，恢復正常，達到竊電目的。電能表停走模型：連續抄讀電能表上7日電量，例如本日零點表碼-上日零點表碼為0，則判斷為電能表停走。

1.8 潮流反向

采集系統發現某高供高計用戶存在很大反向電量，現場檢查發現電能表顯示-Ia、-Ic，現場校驗儀測試后發現確實存在進出線反接的情況，電能表不能正確計量，疑似竊電。潮流反向模型如下：非發電用戶電能表反向有功總示值＞0，且每日反向有功總示值＞1kWh。

1.9 互感器倍率錯誤

某線路持續高損，稽查發現，該戶用電量長期與變壓器容量明顯不符。現場異常現象有以下2種。1）變壓器體積＞250kVA（合同容量）變壓器的體積。2）銘牌4個角的釘柱有撬動痕跡。后續檢測容量，發現用戶私自更換大容量變壓器，按私增容違約用電處理。互感器倍率錯誤模型：系統中設置的CT變比小于現場排查發現的CT變比。

1.10 電能表表碼倒走

將強磁鐵放置在電能表對應的位置上，對電能表進行強磁干擾，或者對電能表注入諧波，使其工作混亂，無法正常計量。現象如下：電能表電量比上一日電量少。電能表倒走模型：電能表后一時間點的任一計度器示度小于電能表前一時間點該計度器的示度。

2 自適應FP_Growth 算法

Apriori算法需要不斷掃描數據集，梳理關聯規則，效率較低，占用系統內存較大。FP-Growth算法在Apriori基礎上通過掃描及針對數據集的數據處理，構建FP樹，查找對應的條件模式基以及構建條件數來挖掘關聯關系，確認頻繁項集。

FP-Growth算法基本算法思路如下。1）首先，將數據集進行掃描，梳理各頻繁項集，然后根據定義的最小支持度，剔除不滿足要求的項集。其次，將原始數據集根據頻繁度進行降序排列。2）針對排序后的項集，再次進行掃描，先創建項頭，然后按從上往下的順序構造FP樹。3）根據創建的FP樹按照從下往上的順序，尋找條件模式基，根據定義的最小支持度，剔除不滿足要求的項集，遞歸調用至單一路徑結構，將生產組合排列則生成相關關聯規則。

3 線損竊電數據預處理

3.1 竊電相關數據挖掘

本文選取臺區線損現場運維數據3843條，根據線損竊電故障分類模型，建立竊電故障信息庫，通過篩選數據，剔除明顯異常數據以及空值，篩選249條與竊電異常相關，其余數據為不確定是否與竊電相關數據。基于該線損竊電故障分類模型，選取與竊電相關的故障類型與事件編碼見表1。

表1 竊電相關的故障類型事件編碼

3.2 構建竊電導致線損的FP-Growth樹

FP-tree是一種用于壓縮表示輸入數據的數據結構，它通過逐個讀入事務，并將事務映射到FP-tree中的一個路徑來進行構建。當不同的事務擁有共同的項時，它們的路徑可能會部分重疊。當路徑之間的重疊越多時，使用FP樹結構進行數據壓縮的效果就越好。要構建FP-tree，需要對原始數據集進行兩次掃描。

根據表1竊電相關的故障類型事件編碼，結合臺區竊電相關事件數據，獲得臺區竊電相關數據集，見表2。

表2 臺區竊電相關數據集

構建FP-tree第一遍須對對所有元素項的出現次數進行計數，見下述集合：{ A1：4； A2：5； A3：3； A4：3； A5：3；A6：1； A7：1； A8：2； A9：2； A10：1}

設置最小支持度為3，丟棄支持度小于閾值的非頻繁項，得到頻繁項集。根據設置的支持度，針對頻繁項集進行遞減排序，見表3。

表3 臺區線損竊電頻繁項集

然后將原項集中大于最小支持度的項按降序排列，見表4。

表4 降序排列后的數據集

再次讀取原始數據集中的每個事務，并按照次序將事務中的項插入FP樹中。如果樹的當前節點已經包括待插入的項，那么增加該節點的計數值；否則，創建一個新的節點，并將其添加到樹中。這樣，通過兩次掃描，就可以構建一個包括所有事務的FP樹。根據表4的臺區線損竊電數據集構建FP-tree（如圖1所示）。

圖1 臺區線損竊電數據FP-tree

根據FP-tree對每個元素項獲取其對應的條件模式基。條件模式基是以所查找元素項為結尾的路徑集合。每條路徑其實都是1條前綴路徑。按照從下往上的順序得到條件模式基，見表5。

表5 條件模式基表

根據條件模式基挖掘頻繁項集，產生的頻繁項集如下。

{A2，A1：4}

{A2，A5：3}

{A2，A4：3}{A1，A4：3}{A2，A1，A4：3}

{A2，A3：3}

根據以上FP-tree產生的頻繁項集以及對應的頻繁項集計算支持度和置信度，細化強關聯結果。設定最小支持度為30%，最小置信度為60%，生成的規則見表6。

表6 竊電故障診斷顯著關聯規則模式分析

由產生的頻繁項集可知，規則1出現電能表開蓋記錄或者開表箱記錄以及電能表零火線電流不一致支持度為40%，置信度為80%，表明出現以上2項事件與臺區線損竊電情況關聯度高。規則2出現電能表開蓋記錄或者開表箱記錄，互感器倍率錯誤的支持度為30%，置信度為60%，說明以上情況與臺區線損竊電事件關聯度較高。規則3出現電能表開蓋記錄或者開表蓋記錄、電能表零火線電流不一致、失壓支持度為30%，置信度為60%；表明以上事件同時出現竊電的概率較高。規則4電能表開蓋記錄或者開表箱記錄和潮流反向事件，支持度為30%，置信度為100%，表明出現電能表開蓋記錄和潮流反向事件時與出現臺區竊電的情況強相關。由此可知，臺區線損竊電中可能存在各種復雜的工況，經FPGrowth分析可知，如果遇到電能表開蓋記錄或開表箱記錄、電能表零火線不一致、失壓等情況，就需要到現場進行故障排查，分析是否存在竊電的情況。

4 結語

本文針對臺區線損治理過程中竊電方式升級、竊電時段較靈活等因素導致難以排查的問題，利用現場線損治理過程中和竊電相關的異常用電數據提取線損竊電故障分類模型，通過模型針對數據進行預處理，甄別竊電相關的故障類型，選擇FP-group算法，分析對應的關聯規則，如果對應系統檢測到此類關聯事件，則發出工單，至現場進行排查。