论文部分内容阅读
【摘 要】本文首先介绍了目前常用的3种窃电方式和窃电原理，其次介绍了反窃电智能系统的结构及其处理流程，接着构建基于神经网络算法的反窃电模型，建立7种判断窃电与否的特征指标评价体系，并进行实例验证。该反窃电智能系统研究具有一定的工程实用价值。
【关键词】反窃电;信息采集;大数据;神经网络算法;特征指标评价体系
随着国民经济的高速发展，电力供电系统的规模逐渐扩大，不可避免地产生窃电问题。窃电破坏正常的用电秩序，并对电网运行安全及人身生命财产安全带来严重威胁。由窃电造成的电力变压器燃烧、损毁时有发生，因此反窃电不仅是供电企业面临的问题，更是一项社会性问题。
目前，我国防窃电这一领域正处于快速发展阶段。介绍了基于大数据的防窃电模型和方法，包括数据预处理、大数据防窃电结构化模型，并通过数据验证了方法的有效性。基于海量数据分析技术，采用电力大数据平台关键技术构建电网线损与窃电预警分析系统，实现线损的一体化计算、分析与展示。在大数据挖掘技术的基础上构建了反窃电模型，并对所提出的算法进行验证，证明算法的准确性。本文在上述基础上，重点研究了反窃电的算法及原理，构建系统的总体模型和功能框架，并利用神经网络算法构建了反窃电模型，建立7种判断窃电与否的特征指标评价体系，最后对系统进行验证，证明算法的可行性。
1 窃电方式及原理
根据近年的窃电案例，可将窃电方式分为电能表计量误差、线路改接误差和大力破坏电能表。
（1）电能表计量误差。
窃电用户采取手段使电能表计量回路出现故障，致使电能表出现计量误差。根据改变参数的不同，大致有改变电能表电器参数、磁场干扰、更改电能表内部计量回路等手段。其他针对一、二次侧回路的手段有欠流法、欠压法、改变CT的变比接线法、差法及移相法等窃电方法。
（2）线路改接误差。
窃电用户采取手段将私人用电负荷接入供电企业公用电源上，或采取电压或电流改接法致使电能表线圈失压或电流线圈只流过小部分电流，从而造成电能表出现计量误差。常用的手段有将电容电感接入电路中、接入外部电源、用变频器附加外部电流。
2 反窃电智能系统的结构及处理流程
主要由无线采集装置、专变采集终端、数据转化器、系统主站、电能表构成。反窃电智能系统包括电力负荷管理、实时数据采集、实时数据存储、电力设备管理、客户区域、线损、电流、电压、电量行度、地理位置、拓扑关系、历史曲线展示、数据存储等功能，能实时反映计量电表的数据情况，并根据设置的阈值进行预警，提示存在用电异常信息，通过历史数据分析，能判断出存在窃电的用户。
其实际工作流程如下。
（1）在线监测。
通过大数据信息采集技术采集用电数据，对数据进行分析，得到电能表掉电、电能表失压、电能表故障、电能表失流、电能表外力受损等事件。
（2）辅助分析。
根据在线监测信息与终端事件进行辅助分析，确保分析的准确性。
（3）历史数据分析。
对存在潜在窃电行为的用户，分析其计量信息、接线方式、历史记录、功率数据差。
（4）智能诊断。
分析用户异常信息并及时处理，结合神经网络的反窃电模型评价体系，计算用户的嫌疑指数，充分分析用户窃电信息的准确性。
尽管窃电的方法多样，但本质上都是用户实际的用电量大于用户电能表示数。通过建立反窃电智能系统，能持续检测用户的用电量，一旦系统显示存在窃电行为，便会发出窃电预警，帮助供电系统人员第一时间处理，减少电力企业的损失。
3 基于神经网络算法的反窃电模型
本文研究的反窃电模型以BP神经网络为基础。为了减少算法计算的复杂度并保证计算的准确性，本文采用三层BP神经网络结构进行计算。
3.1 输入量的评价体系
反窃电模型的准确与否最重要的是输入量的准确性。电量的数学公式表现形式是电压、电流及功率因数角的乘积，所以当电压或电流出现异常时，电量也会出现异常。通过对已窃电用户的历史电量数据分析，可得出窃电前后电量变化特征量。当检测新用户电量时，若出现了阶段性用电量为零或电量变化规律与窃电样本电量变化规律一致的情况，则判断可能存在窃电行为。利用用户月度用电量、客户所在线路或台区的线损情况、电表类型、计量电流和检测电流的差值、电压异常变化情况、客户负载功率、负载功率因数变化等7个窃电判别指标对用户的窃电行为进行综合判断，如果用户在经过7项特征参数检查后，其嫌疑系数较高，那么说明该用户可能存在窃电情况，需对其进行监视。
3.2 BP神经网络的算法流程
（1）輸入数值归一化。
针对智能反窃电模型中的7个窃电判别指标存在差距较大的情况，对每种评价指标进行归一化处理，处理方法是找出该组数据的最大值，然后分别用每个数据除以该最大值，即可将数据限制在[0，1]区间内。
（2）训练样本的选择。
在选取训练样本时，应满足样本输入与输出之间的非线性特征映射关系，训练样本数一般选择为网络连接权总数的5～10倍，并保证样本分布的均衡性，以减少训练学习的反复性。
（3）隐含层数设计。
通常，选择2个隐含层以满足不连续函数的运算需要，但对于反窃电模型的构建来说，选择一个即可满足运算函数的需要，只有当隐含节点过多时才需要再增加一个隐含层。对于隐含节点的设计，则需按公式计算出初始值。
式中，l、n、m分别为输入层节点数、输出层节点数、隐含节点数;α为常数，通常取值在1～4。
在执行算法过程中，先选取存储的某个时间段内的数据作为基础，提取7种窃电评价指标体系，并进行归一化处理，然后将归一化的数据输入反窃电模型中进行训练，当算法计算精度达到设定的精度阈值即退出程序，并输出窃电嫌疑系数结果。 4 实例应用
选取某地区80例窃电用户作为样本进行训练，神经网络层选为3层。选取其中15例作为检验样本，对数据提取7种窃电评价指标体系进行训练。训练结果如下。
（1）对客户月用电平均值进行建模，分析判断不符合用电曲线规律的月数据，用电曲线规律月数据的天数和样本总容量天數比值为16%。
（2）对客户所在线路月度线损值进行建模，并用计算机模拟月度线路平均值的天数，计算月度线损值大于平均值的天数与样本总容量的天数比值大于7%。
（3）对客户所在台区月度线损值进行建模，并用计算机模拟月度台区平均值的天数，计算月度线损值大于平均值的天数与样本总容量的天数比值大于10%。
（4）计算电流与实际检测电流的差值大于3%。
（5）电压三相不平衡率为18%，发生失压情况。
（6）客户负载容量大于总容量12%，负荷率小于50%。
（7）月度负荷功率因数变化值大于26%。
上述结果证明，本文构建的反窃电智能系统能分析出潜在的窃电用户。
5 结语
随着供电规模的逐步扩大，窃电行为相应增多，如何显著降低窃电行为，并对其进行快速预警成了研究热点。本文介绍了电力营销域反窃电智能系统的结构及其处理流程，提出了7种窃电评价指标体系，并构建了基于神经网络的反窃电模型，最后通过实际算例进行算法验证，结果表明，该电力营销域智能系统能准确识别潜在的窃电用户行为，并进行预警，具有一定的工程实用价值。
参考文献：
[1]吴迪，王学伟，窦健，等.基于大数据的防窃电模型与方法[J].北京化工大学学报：自然科学版，2018，45（6）：79-86.
[2]李端超，王松，黄太贵，等.基于大数据平台的电网线损与窃电预警分析关键技术[J].电力系统保护与控制，2018（5）：143-151.
[3]窦健，刘宣，卢继哲，等.基于用电信息采集大数据的防窃电方法研究[J].电测与仪表，2018，55（21）：43-49.
[4]卜庆伟.基于用电信息采集的智能反窃电系统的研究与应用[J].山东工业技术，2017（16）：166.
（作者单位：国网江西省电力有限公司上饶市广信区供电分公司）
【关键词】反窃电;信息采集;大数据;神经网络算法;特征指标评价体系
随着国民经济的高速发展，电力供电系统的规模逐渐扩大，不可避免地产生窃电问题。窃电破坏正常的用电秩序，并对电网运行安全及人身生命财产安全带来严重威胁。由窃电造成的电力变压器燃烧、损毁时有发生，因此反窃电不仅是供电企业面临的问题，更是一项社会性问题。
目前，我国防窃电这一领域正处于快速发展阶段。介绍了基于大数据的防窃电模型和方法，包括数据预处理、大数据防窃电结构化模型，并通过数据验证了方法的有效性。基于海量数据分析技术，采用电力大数据平台关键技术构建电网线损与窃电预警分析系统，实现线损的一体化计算、分析与展示。在大数据挖掘技术的基础上构建了反窃电模型，并对所提出的算法进行验证，证明算法的准确性。本文在上述基础上，重点研究了反窃电的算法及原理，构建系统的总体模型和功能框架，并利用神经网络算法构建了反窃电模型，建立7种判断窃电与否的特征指标评价体系，最后对系统进行验证，证明算法的可行性。
1 窃电方式及原理
根据近年的窃电案例，可将窃电方式分为电能表计量误差、线路改接误差和大力破坏电能表。
（1）电能表计量误差。
窃电用户采取手段使电能表计量回路出现故障，致使电能表出现计量误差。根据改变参数的不同，大致有改变电能表电器参数、磁场干扰、更改电能表内部计量回路等手段。其他针对一、二次侧回路的手段有欠流法、欠压法、改变CT的变比接线法、差法及移相法等窃电方法。
（2）线路改接误差。
窃电用户采取手段将私人用电负荷接入供电企业公用电源上，或采取电压或电流改接法致使电能表线圈失压或电流线圈只流过小部分电流，从而造成电能表出现计量误差。常用的手段有将电容电感接入电路中、接入外部电源、用变频器附加外部电流。
2 反窃电智能系统的结构及处理流程
主要由无线采集装置、专变采集终端、数据转化器、系统主站、电能表构成。反窃电智能系统包括电力负荷管理、实时数据采集、实时数据存储、电力设备管理、客户区域、线损、电流、电压、电量行度、地理位置、拓扑关系、历史曲线展示、数据存储等功能，能实时反映计量电表的数据情况，并根据设置的阈值进行预警，提示存在用电异常信息，通过历史数据分析，能判断出存在窃电的用户。
其实际工作流程如下。
（1）在线监测。
通过大数据信息采集技术采集用电数据，对数据进行分析，得到电能表掉电、电能表失压、电能表故障、电能表失流、电能表外力受损等事件。
（2）辅助分析。
根据在线监测信息与终端事件进行辅助分析，确保分析的准确性。
（3）历史数据分析。
对存在潜在窃电行为的用户，分析其计量信息、接线方式、历史记录、功率数据差。
（4）智能诊断。
分析用户异常信息并及时处理，结合神经网络的反窃电模型评价体系，计算用户的嫌疑指数，充分分析用户窃电信息的准确性。
尽管窃电的方法多样，但本质上都是用户实际的用电量大于用户电能表示数。通过建立反窃电智能系统，能持续检测用户的用电量，一旦系统显示存在窃电行为，便会发出窃电预警，帮助供电系统人员第一时间处理，减少电力企业的损失。
3 基于神经网络算法的反窃电模型
本文研究的反窃电模型以BP神经网络为基础。为了减少算法计算的复杂度并保证计算的准确性，本文采用三层BP神经网络结构进行计算。
3.1 输入量的评价体系
反窃电模型的准确与否最重要的是输入量的准确性。电量的数学公式表现形式是电压、电流及功率因数角的乘积，所以当电压或电流出现异常时，电量也会出现异常。通过对已窃电用户的历史电量数据分析，可得出窃电前后电量变化特征量。当检测新用户电量时，若出现了阶段性用电量为零或电量变化规律与窃电样本电量变化规律一致的情况，则判断可能存在窃电行为。利用用户月度用电量、客户所在线路或台区的线损情况、电表类型、计量电流和检测电流的差值、电压异常变化情况、客户负载功率、负载功率因数变化等7个窃电判别指标对用户的窃电行为进行综合判断，如果用户在经过7项特征参数检查后，其嫌疑系数较高，那么说明该用户可能存在窃电情况，需对其进行监视。
3.2 BP神经网络的算法流程
（1）輸入数值归一化。
针对智能反窃电模型中的7个窃电判别指标存在差距较大的情况，对每种评价指标进行归一化处理，处理方法是找出该组数据的最大值，然后分别用每个数据除以该最大值，即可将数据限制在[0，1]区间内。
（2）训练样本的选择。
在选取训练样本时，应满足样本输入与输出之间的非线性特征映射关系，训练样本数一般选择为网络连接权总数的5～10倍，并保证样本分布的均衡性，以减少训练学习的反复性。
（3）隐含层数设计。
通常，选择2个隐含层以满足不连续函数的运算需要，但对于反窃电模型的构建来说，选择一个即可满足运算函数的需要，只有当隐含节点过多时才需要再增加一个隐含层。对于隐含节点的设计，则需按公式计算出初始值。
式中，l、n、m分别为输入层节点数、输出层节点数、隐含节点数;α为常数，通常取值在1～4。
在执行算法过程中，先选取存储的某个时间段内的数据作为基础，提取7种窃电评价指标体系，并进行归一化处理，然后将归一化的数据输入反窃电模型中进行训练，当算法计算精度达到设定的精度阈值即退出程序，并输出窃电嫌疑系数结果。 4 实例应用
选取某地区80例窃电用户作为样本进行训练，神经网络层选为3层。选取其中15例作为检验样本，对数据提取7种窃电评价指标体系进行训练。训练结果如下。
（1）对客户月用电平均值进行建模，分析判断不符合用电曲线规律的月数据，用电曲线规律月数据的天数和样本总容量天數比值为16%。
（2）对客户所在线路月度线损值进行建模，并用计算机模拟月度线路平均值的天数，计算月度线损值大于平均值的天数与样本总容量的天数比值大于7%。
（3）对客户所在台区月度线损值进行建模，并用计算机模拟月度台区平均值的天数，计算月度线损值大于平均值的天数与样本总容量的天数比值大于10%。
（4）计算电流与实际检测电流的差值大于3%。
（5）电压三相不平衡率为18%，发生失压情况。
（6）客户负载容量大于总容量12%，负荷率小于50%。
（7）月度负荷功率因数变化值大于26%。
上述结果证明，本文构建的反窃电智能系统能分析出潜在的窃电用户。
5 结语
随着供电规模的逐步扩大，窃电行为相应增多，如何显著降低窃电行为，并对其进行快速预警成了研究热点。本文介绍了电力营销域反窃电智能系统的结构及其处理流程，提出了7种窃电评价指标体系，并构建了基于神经网络的反窃电模型，最后通过实际算例进行算法验证，结果表明，该电力营销域智能系统能准确识别潜在的窃电用户行为，并进行预警，具有一定的工程实用价值。
参考文献：
[1]吴迪，王学伟，窦健，等.基于大数据的防窃电模型与方法[J].北京化工大学学报：自然科学版，2018，45（6）：79-86.
[2]李端超，王松，黄太贵，等.基于大数据平台的电网线损与窃电预警分析关键技术[J].电力系统保护与控制，2018（5）：143-151.
[3]窦健，刘宣，卢继哲，等.基于用电信息采集大数据的防窃电方法研究[J].电测与仪表，2018，55（21）：43-49.
[4]卜庆伟.基于用电信息采集的智能反窃电系统的研究与应用[J].山东工业技术，2017（16）：166.
（作者单位：国网江西省电力有限公司上饶市广信区供电分公司）