邵诗雨 李仁

摘 要：电能是社会生产和人民生活所必需的基础能源，作为一种特殊商品出售给用户。窃电行为不仅影响供电公司的经营效益，还会带来人身、电网的安全隐患。所以，反窃电技术是供电公司一直研究的重要课题。目前，反窃电工作主要利用用电信息采集系统监测线损和用户表计电流、电压及电量情况，发现异常后安排工作人员到现场进行排查。这种方法实时性差、工作量大，对一些专业性窃电行为束手无策。笔者结合用户档案数据，对用户用电行为数据进行深入分析，通过发现电数据异常用户，再经缜密分析找出窃电用户，切实提升反窃电工作质效。

关键词：电力营销;数据挖掘;反窃电;智能系统

中图分类号：F27 文献标识码：A 文章编号：1674-1064（2021）10-0-02

DOI：10.12310/j.issn.1674-1064.2021.10.024

1 电力营销窃电形式概述

窃电的形式多种多样，常见的大致可以分为六类，分别为：欠压法窃电、欠流法窃电、移相法窃电、扩差法窃电、无表法窃电、高科技窃电。在用户计量准确的情况下，用户电量主要与电压、电流、功率因数和用电时间有关，欠压、欠流和移相法窃电就是通过改变表计的电压、电流和功率因数，使得表计少计电量，从而达到窃电的目的。扩差法窃电是通过技术手段使表计计量误差增大，导致计量不准。无表法窃电就是直接从供电公司的公用线路上接线用电，没有经过表计，这种方式较难在系统监测中发现，而且容易引起安全事故。高科技窃电就是通过技术手段影响智能电表内部芯片、互感器等模块的功能，也有的通过智能表对外接口与电表进行通讯，进而修改电能表内部的存储数据，使得电量计算较少[1]。

尽管窃电的手法越来越先进，但是只要用电行为发生，就会在系统留有大量数据痕迹，通过分析这些数据，就可以精准地发现窃电行为。用户的用电数据可以分为两大类：一是营销业务系统里的档案数据;二是用电信息采集系统里的表计电量数据。档案数据包括用户行业分类、用电类别、身份信息、电价类别、历史月电量、交费信息、费控信息等。表计电量信息包括实时电压、电流、历史日电量、所属台区信息、所属线路信息、互感器倍率信息等。

2 电力营销反窃电中智能化技术的作用

在供电网络系统智能化反窃电工作过程中，智能化技术通常起到如下两方面的作用：第一个作用是当数据信息收集系统完成客户用电相关数据信息的收集工作后，就能把相关参数信息传送至终端设备，随后操作平台就会对上述用户的用电量参数信息实施分析研究、测算、评估和监控。在此过程中，假如发觉用电客户的相关用电数据信息出现异常，操作平台就能够马上针对相关参数信息实行智能化判断，随后根据上述判断结论实行报警提示。在这一步骤中，用电客户的用电参数信息变化状况均能借助相关图像体现。所以，从该角度来讲，供电网络系统大数据技术能够借助有关操作平台对用电客户的电量参数信息实行分析研究及监控。第二个作用是在出现用户窃电状况时，借助供电网络系统大数据技术，有关供电网络工程技术人员能够全方位地研究相关用电客户的用电使用数据信息，判别用电信息异常状况，随后供电网络系统就能自动实施报警，并且快速锁定窃电区域[2]。

3 电力营销领域反窃电智能系统的应用

随着国民经济的高速发展，电力供电系统的规模逐渐扩大，不可避免地产生了窃电问题。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，我国防窃电领域正处于快速发展阶段。

文章重点研究了反窃电的算法，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，建立判断窃电与否的特征指标评价体系，以促进电力营销反窃电工作的开展[3]。

3.1 反窃电智能系统的结构及处理流程

反窃电智能系统结构如图1所示，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：

图1 反窃电智能系统结构

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。

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。

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。

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[4]。

尽管窃电的方法多种多样，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處理，减少电力企业的损失。

3.2 基于神经网络算法的反窃电模型

文章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，文章采用三层BP神经网络结构进行计算。

3.2.1 输入量的评价体系

反窃电模型的准确与否，最重要的就是输入量的准确性。电量数学公式的表现形式是电压、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。通过分析已窃电用户的历史电量数据，可得出窃电前后电量变化的特征量。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七项窃电判别指标，对用户的窃电行为进行综合判断。如果用户在经过七项特征参数检查后，其嫌疑系数较高，就说明该用户可能存在窃电情况，需对其进行监视[5]。

3.2.2 BP神經网络的算法流程

输入数值归一化。针对智能反窃电模型中的七项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。

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。

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。当隐含节点过多时，需要再增加一个隐含层。

在执行算法的过程中，先选取存储的某个时间段内的数据作为基础，提取七项窃电评价指标体系，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[6]。

4 结语

综上所述，随着供电网络系统智能化技术的飞速发展，结合国内现阶段电力数据信息收集研究过程中出现的问题，强化智能化技术科学使用非常重要。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。文章介绍了电力营销领域反窃电智能系统的结构及其处理流程，提出了窃电评价指标体系，并构建了基于神经网络的反窃电模型，对促进电力营销领域智能系统准确识别潜在的窃电用户行为并进行预警，具有一定的实用价值。

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，2018，46（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.

[5] 王毅，张宁，康重庆，等.电力用户行为模型：基本概念与研究框架[J].电工技术学报，2019，34（10）：76-88.

[6] 强浩，戴巧云，吴柯，等.基于大数据的变结构BP神经网络反窃电技术研究[J].江苏理工学院学报，2019，25（2）：10-14.