作者/郑义军，深圳供电局有限公司

1.集抄网络发展历史

低压用电用户的抄表方式经历了人工手动抄表，到00年代的抄表器抄表、IC卡预付免抄表，到目前使用的集抄网络（远程低压集中抄表网络）。其中人工抄表方式存在不按时抄表、估抄、漏抄、错抄，甚至90年代初存在的部分人因人情关系的少抄、不抄等腐败现象，有严重弊端。而IC卡预付免抄表电能表是一个不错的避免电力部门内部问题的用电模式，但因为当时乃至目前国内人文素质差异巨大，存在电表经常被破坏或IC卡被盗的问题，预付费电表维护成本极高。至抄表器出现，由系统产生抄表工单，由抄表员到现场使用抄表器进行抄读数据后，回到局所汇总的模式出现，此方式淘汰了预付费表并有效抑制了单纯人工抄表的问题，却并未在根本上杜绝人的问题。但随着国家电网推行集抄网络，杜绝了人工抄表的弊端，也避免了用户破坏的问题。因优点显著，南方电网公司也开始了集抄网络的改造进程，其中深圳供电局有限公司预计于2018年前后实现整个深圳市范围的集抄网络覆盖。

2.当前用电检查工作所面临的问题

因技术及检查手段限制，以往用电检查所面临的问题及可采用的用电检查手段[1][2][3]都显得相对简陋。而随着电子技术地运用及大众对供电企业运作的了解，传统用电检查手段的弊端逐渐浮现，其主要体现在：

（1）窃电行为人在夜间进行窃电时难以监控。

（2）遥控窃电及高科技窃电方式的出现，使得窃电行为难以取证及发现。

（3）传统用电检查现场取证手段不够丰富，在庭审时存在争议。

3. 新的用电检查手段

由于集抄网络的出现，使得一些新的用电检查手段成为可能，本文将介绍一种基于集抄网络及SOM算法的用电异常预警机制（以下简称预警系统），以实现对低压居民用户的用电监控。

3.1 集抄网络

图1 集体网络架构图

以图1给出了集抄网络的架构图，此处将其分为3个部分：电力供应及计量、电网特性数据采集及传输、数据存储及分析。根据电网特性数据采集及传输方式的不同，可将抄表及数据采集方式分为：RS485总线和低压电力线载波混合抄表、低压电力线载波抄表、RS485总线抄表3种模式。因深圳供电局采购的电表来自多个厂商，而各厂商所使用的规约并不一致，导致目前集抄改造需根据具体情况从后两种方式中进行选择。

图2 二维SOM网络模型

3.2 SOM算法

如 图 2 所 示 SOM（Self–Organizing Feature Maps）是模拟人类大脑神经元工作模式的一种数据结构，属于无监督的神经网络。其作用是在输入层输入对象特性，通过神经元网络映射到输出层，使用竞争领域进行聚类[4][5]。需注意的是，输出层特性数量其实就是期望获得的分类数量，需预先考虑并予以设定。

此过往我们需要先设定初始值（如设置为1），然后通过对象的特性采集及抽象，且一般需要进行归一化而获得输入特性Xi，再通过竞争学习获得领域范围Ncj，此处提供一个简单的竞争学习方式：

其中Wji(t)为ij神经元在第t次训练时的权值，这是模拟人类神经元对某特性的熟练度；Xi(t)为第t次训练时i特性的值，对某样事物其往往存在多种特性，如电力网络中的电压、电流等特性；根据上公式（1）获胜点为使得dij(t)最小的Xc(t)，同时经研究发现以Xc(t)为获胜中心的dij(t)区域符合高斯正态分布，所以设置获胜领域范围以正态函数hij模拟：那么根据正态函数特性可设神经元在使得hij(t)＜0.61时属于获胜领域Ncj，当hij(t)＞0.61时正态函数极速衰减，可视为不在获胜区域内。然后根据每次训练样本，对所有特性及各神经元的权值按以下公式进行更新[4][5]：

其中t为当前训练次数，σ0为初始值可设为n，且当

其中α(t)为学习率，用以限定模型的形成速度，初始值α0可设为0.8。通过大量的样本值的输入和学习(权值更新)，最终使得该模型相对稳定时，可获得满意聚类效果。

3.3 预警机制架构

预警机制可利用集抄网络对用户电流、电压采样值进行抽象归一获得特性值X1、X2，同时对月均用电量进行抽样获得特性X3，然后对所有需要加入到聚类分析的特性进行抽样并归一化获得X1至Xn。此过程关键在于数据地采集与分析，数据采集可由底层采集器及集中器完成，因当前电子表都基本具备自身电流电压及电量检测功能，所以该特性可通过采集器从RS485口进行读取即可。而如果需要增加特性采集，则需要对电表或采集器功能进行改进。而对数据的抽样提取及归一化操作，因运算复杂度高且需调用历史数据，所以应在信息总部服务器端完成，如此可有效减少电表及采集设备的投入也避免了设备破坏而造成的数据丢失。经过底层硬件采样，服务器应用层的抽样，最初形成特性值X1至Xn，并根据公式（1）、（2）、（3）对聚类模型进行训练最终达到有效聚类。当训练完成后，由于电力用户用电习惯及用电环境的一贯性，可使得正常情况下，每次输出层必在领域内，一旦出现输出层不属于任何一个获胜领域之内（即产生新类别），造成类别数量大于用户数量，则与“输出层特性数量其实就是期望获得的分类数量（即用户数）”相悖，表明该台区用户用电出现异常情况。而且根据输出层与各获胜领域中心点距离关系，可快速锁定可能存在异常的用户，有效进行预警提示，及时对预警对象排查并即时处理，避免因发现时间延后造成的用户纠纷及供电企业的损失，有效提升服务。

同时，因SOM算法可进行多层聚类运输，形成下层为用户，中层为街道而上层为局所的架构，可有效对不同供电级别用电情况进行监控，及时发现问题，同时根据特性差别，对不同区域进行用电分析及差异性分析，如图3所示。

图3 多层聚类模型

而因为数据监测是时间连续的，可以克服无法全日监控窃电行为及漏计事件的掣肘，并可提供完备的数据支持以供分析举证，降低供电企业追偿国家财产的难度，减少不必要的争端。

4.不足与改进

该预警机制因当前计量装置、采集设备的功能以及信息总部系统的限制，目前存在三个方面的不足：

①因底层硬件的限制，目前可以采集的网络特性只有电流、电压、电量等基本特性，对于聚类和对用户的分析比较不利。事实上部分电子表存在失压时间、开盖时间、开盖次数等统计功能，当然还能参考文献[1]中所描述的高频信号检测方法，对电能表加入高频信号检测并作为采集数据上传服务器，根据更多的用电特性对集抄网络用户进行聚类分析。

②信息总部系统架构，目前提供的用户统计特性的开放端口功能不全，甚至是运算能力也严重的不足，往往读取一个用户的特性时运算延时严重，也导致了该算法或暂未能投入运用。

③只能以该用户初始用电情况作为训练样板，假如该用户在送电开始就存在违窃行为，则无法在后续进行区分。但该机制仍不够完备，在未来底层及服务器硬件的升级换代后，能采集更多用电特性的集抄网络及可以实现更多复杂运算，如改进的k–mean值som算法或其他神经计算方式的引入将会更大的提高预警机制的准确性及更加的丰富监测项目。

5.总结与展望

本论文通过介绍当前低压集抄网络及计量设备现状，提出了一种基于集抄网络硬件及SOM聚类算法的用电异常预警机制。作为用电检查工作基于当前供电网络环境的新式手段，是对用电检查手段创新及改进的一种有益探索及尝试，为即将完工的低压集抄网络提供了良好的应用理论建议。

* [1]郑义军, 用电检查中反窃电方法[M], 大科技,2013(15)∶58—59

* [2]Depuru, S.S.S.R. ; Lingfeng Wang ; Devabhaktuni, V. ; Gudi, N,Measures and setbacks for controlling electricity theft[M]. Nor th American Power Symposium (NAPS), 2010∶ 1 — 8

* [3]崔立彬,油田供电企业的反窃电管理[M],生产管理，2012,31(12)∶85

* [4] 岳素青, SOM 的聚类算法研究[M], 太原师范学院学报,2008(7)∶23—25

* [5]池力,基于SOM和模糊聚类的设计空间缩减方法研究及应用[D], 武汉 ∶华中科技大学 ,2013∶34—46