基于大数据分析的高压窃电模型诊断研究及应用

0引言

目前大部分省市电力用户采集仍为24点数据采集,随着电力用户计量装置采集性能的提升,部分省市的采集点数已由24点上升为96点,电力用户的采集变量包括电压、电流、功率、功率因数等等,数据量呈指数级上升,如何从海量数据中精确诊断并提取出窃电嫌疑用户,是目前电力企业面临的一大技术难题[1]。

高压用户窃电是指用户通过改变计量装置的接线方式使计量装置不计量或少计量,从而达到用户不交电费或少交电费的目的。高压用户计量装置的接线方式分为三相四线制和三相三线制,电能量的计算公式分别为:

三相四线制:

W=P=3UIcos θ (1)

三相三线制:

W=P=√ 3UIcos θ (2)

由公式(1)(2)得出,降低计量装置的功率、电流、电压等任一变量,均会造成电量少计,从而达到窃电的目的。按照这个原理将窃电的手法进行分类,大体可分为欠压法窃电、扩差法窃电、移相法窃电、欠流法窃电、无表窃电等[2—4]。

1模型构造过程

本模型主要包括数据获取、数据清洗、特征构造、模型构建、模型验证优化5个环节,其中数据清洗及特征构造属于关键点,模型构建为重点,模型流程图如图1所示。

1)数据获取:从供电企业营销系统获取历史反窃查违清单及用户档案数据,从用电采集系统调取用户日电量、高压用户所在线路的日线损数据。

2)数据清洗:针对历史窃电样本进行分析筛选及修正,同时从异常值检测与处理、缺失值分析及处理等角度对采集数据进行预处理,提高数据质量。

3)特征构造:结合业务经验及数据探索,从时间维度、统计方法、采集指标及指标间关联性等多方面构建特征,为模型构建提供基础。

4)模型构建:计算样本指标,将样本集分为训练集和测试集,采用机器学习LightGBM分类算法,借助K折交叉验证方法,并通过调参策略获取最优参数,完成模型构建。

5)模型验证优化:在测试集上分析评估,利用精 准率、F—score、AUC等指标对模型进行评估优化;此外,通过现场查验,基于核查结果迭代优化模型。

2窃电模型诊断

高压用户窃电诊断包含三大核心子模型,分别为电压异常诊断模型、电流异常诊断模型、中性线异常诊断模型。

2.1 电压异常诊断模型

针对高供高计三相三线、三相四线用户,三相相电压数据值正常且大致相等,根据线电压数据值诊断及等边三角形原理,三相四线用户至少其中一异常相电压数据为正常情况下相电压的√ 3倍或三相三线用户至少其中一相电压数据为线电压的√ 3倍,可判断出电压互感器是一相极性接反或者两相极性接反异常,从而引起少计量误差失准[5—7]。

电压异常诊断模型旨在挖掘采用欠压法窃电的异常电力用户。在存在一定电流数据的情况下,通过统计一定时间范围内各相欠压点数,分析电压数据是否超过给定阈值K,从而判断高压用户是否存在欠压窃电嫌疑。

判断公式为:

式中:K为阈值;⨍(x_t)为电压;⨍(y_t)为电流。

满足判断公式的则为疑似欠压法窃电用户。

2.2 电流异常诊断模型

电流异常诊断模型主要包括失流异常诊断、三相电流不平衡诊断,旨在检测采用欠流法窃电的异常用户[8—10]。对于高压用户,欠流窃电法的特征主要表现为:某相电流失流或不平衡,另外两相电流数据变化趋势一致,如图2所示。因此采用相关性系数算法,计算非失流的两相电流相关性系数,判断是否超过阈值范围,从而辨识欠流窃电嫌疑用户[11]。

失流、不平衡判断规则:电流为0的点数大于阈值K1 (K1设为2)。

相关系数计算公式如下:

式中:X为台区供电量/线损率;Y为台区售电量/用户电量;cov(X,Y)为X与Y的协方差;σ为方差;E为期望。

根据设置的相关性系数阈值,判断疑似欠流法窃电用户。

2.3 中性线异常诊断模型

1)中性线未接或虚接诊断:主要针对三相四线用户标准电压规格,根据负荷不平衡情况下中性点漂移理论,负荷不平衡时各相电压会发生变化,负载重的一相电压降低,负载轻的一相电压升高。假设其中一相日平均电压高于阈值K2,一相日平均电压低于K3;另一相日平均电压在一定的范围区间;若满足异常天数阈值即判定为中性线未接或虚接。

2)相线、中性线反接诊断:根据三相四线用户标准电压规格,其中任意异常两相日平均电压高于阈值K4;另一相日平均电压值正常,在一定范围内;满足异常天数阈值即判定为相线、中性线反接。

3)三次谐波干扰诊断:针对三相四线用户中性线电流值(中性线实测数据值)大于最大相电流值N倍以上,并结合电能表存在有效异常事件记录,则判定用户存在三次谐波干扰。

3应用成效及查处案例

3.1 应用成效

根据窃电3种诊断模型,从海量数据中提取出用电异常用户44户,并在东明、曹县、成武、郓城4个县区进行现场实测验证,共发现计量异常或窃电39户,窃电诊断模型综合准确率达到89%,如表1所示。

3.2模型诊断案例

通过系统模型规则,发现用户A三相电流严重不平衡,C相失流。经过现场核查,A、B相一次侧实时电流与表计实时显示电流一致,如图3系统截图所示。C相一次侧实时电流61 A,表计C相实时显示0.00 A,如图4所示,此相基本不计量。现场进一步检查发现C相互感器二次回路被人为折断,初步判断为人为窃电。后台调取历史数据发现此户从2018年10月份开始窃电,预计追补电费70万元左右。

4结束语

本文针对高压用户窃电时的电压、电流特征,详细介绍了电压异常、电流异常、中性线异常三种异常诊断模型,根据模型特征从用电采集系统海量数据中提取出用电异常用户,通过现场实测验证,窃电模型正确率达到89%。同时介绍了模型现场实测案例,为供 电企业挽回了电量和电费损失,维护了正常用电秩序。本文仅对高压用户窃电情况进行了详细分析,未充分考虑低压用户的情况,为适应各种用户和不同窃电手法,诊断模型仍需进一步完善。

[参考文献]

[1]朱俏婷.基于大数据发现专变计量装置窃电的方法研究[J].机电信息,2023(13):70—73.

[2] 董立红,肖纯朗,叶鸥,等.一种基于CAEs—LSTM融合模型的窃电检测方法[J]. 电力系统保护与控制,2022,50(21):118—127.

[3]刘康,刘鑫,张蓬鹤,等.基于负荷尖峰特征LSTM自编码器的窃电识别方法[J]. 电力系统 自动化,2023,47 (2):96—104.

[4]张宇帆,艾芊,李昭昱,等.基于特征提取的面向边缘数据中心的窃电监测 [J]. 电力系统 自动化,2020,44 (9):128—134.

[5]邹念,张颖,苏盛,等.基于小时尺度周期特征自编码器的用户窃电识别方法[J].电网技术,2023,47(6):2558—2567.

[6]游文霞,李清清,杨楠,等.基于多异学习器融合Stacking 集成学习的窃电检测 [J]. 电力系统 自动化,2022,46(24):178—186.

[7] 唐捷,杨银,刘斯亮,等.基于改进SVM与NSGA—Ⅲ的台区相序在线优化方法[J]. 电力系统 自动化,2022,46 (3): 50—58.

[8]殷涛,薛阳,杨艺宁,等.基于向量自回归模型的高损线路窃 电 检 测[J]. 中 国 电 机 工 程 学报 ,2022 ,42(3):1015—1024.

[9]曹晖.电能表典型采样电路的窃电及差错电量分析[J].黑龙江科学,2023,14(22):54—56.

[10]李彦.基于神经架构搜索的智能电表窃电识别方法研究[J].中国新技术新产品,2024(3):146—148.

[11]李万,黎海生,李景村.查处窃电典型案例[J].农村电气化,2023(7):89—92.

2025年第2期第3篇