低压台区用电异常快速判定技术分析

2023-08-04陈啟文沈世超黄宝春林国富何宇飞

通信电源技术 2023年9期

陈啟文，沈世超，黄宝春，林国富，何宇飞

（广西新电力投资集团藤县供电有限公司，广西藤县543300）

0 引言

当低压配电台区内发生了窃电行为时，必然会在用电数据或用电行为等方面表现出异常的情况，据此可以实现低压配电台区用电异常的快速判定。用电异常情况可以表现为多种形式，如用电负荷出现了骤降、用电行为不符合以往规律、配电台区线损显著增加、配电台区的电量数据异常等。出现了上述异常情况的一种，都需要深究原因，从而强化低压配电台区的用电管理[1,2]。本文详细分析了具体的低压配电台区用电异常快速判定技术，对于遏制配电台区的窃电行为具有一定的价值，以下进行具体的分析和介绍。

1 低压配电台区用电异常的原因分析

低压配电台区出现用电异常的原因有很多，首先是配电台区内的计量表计失压或者是计量表计自身走字不对，导致表计自身计量数据错误。同时如果低压配电台区出现了窃电行为，也会直接导致台区内出现异常用电情况。当前在电力系统中已经广泛推广应用了智能电表，虽然能够在一定程度上遏制窃电行为，但如今窃电手段也呈现出多样化的形式[3]。如可以改变智能电表中的程序设置，或者是智能电表周围外加电磁场，对电表形成一定的干扰，从而导致智能电表出现错误计量的情况，达到窃电的目的。

2 低压台区用电异常快速判定技术分析

2.1 低压台区用电异常快速判定指标

对于低压台区用电异常快速判定指标，本文主要介绍电量类、事件类、负荷类、线损类等用电异常判断指标。首先对于电量类指标，当低压配电台区内出现异常用电行为时，此时用电的平稳度将降低，可以采取用电平稳度指标来加以评估，计算公式为

式中：Q0为当前月的用电量；Qave为全年的平均用电量，可以采用式（2）进行计算

式中：Q1至Q12为该配电区域近一年每个月的用电量。当低压配电台区内的用电平稳度大小超过50%，则此时低压配电台区出现用电异常情况的概率较大，可以实现用电异常情况的快速判定。

对于线损类指标，当低压配电台区内出现异常用电情况时，统计的线损率也会发生明显的变化，故可以采取统计线损率这个指标来进行评估，计算表达式为

低压配电台区线损率居高不下的原因之一就是配电台区内存在窃电等异常用电行为，故根据线损的变化，可以有效实现对用电异常情况的快速判断[4]。

对于事件类指标，主要是低压配电台区出现了异常的用电行为等事件，计算表达式为

式中：Pt和Pt+1分别为时刻t和时刻t+1 的系统用电负荷大小，当t+1 时刻的负荷明显比t时刻的负荷大，则低压配电台区可能出现了异常的用电事件，需要对具体的原因进行分析。

对于负荷类用电异常判断指标，可以采取用电负荷峰谷差来加以评估，计算表达式为

式中：Qmax和Qmin分别为低压配电台区近一年的最大用电量和最小用电量，即

2.2 用电异常快速判定技术

通过上述电量类、事件类、负荷类、线损类等用电异常判断指标，可以构建用电异常判断模型。为此本文采取以下方式，即用电异常嫌疑指标以满分100 分计，各类指标在整体评价中的比重分别为事件类40%、电量类40%、负荷类10%、线损类10%。当定义了用电异常判断原则之后，就可以按照图1 所示的应用流程开展异常用电行为辨识工作。

图1 异常用电行为辨识中的应用流程

根据上述异常用电行为辨识中的应用流程图可知，当计算出电量类、事件类、负荷类、线损类等用电异常判断指标数据之后，就可以根据上述原则，来实现用电异常的快速判断[5,6]。在用电异常的判断中，由于同时考虑了4 个不同的指标，从多个不同角度来对用电行为进行综合评判，这样就能够降低判断错误的概率，确保用电异常情况识别的正确率。

3 低压台区用电异常快速判定的关键实现技术

在上述所分析的4 类用电异常判断指标中，对电量类、负荷类、线损类指标，借助用电数据聚类算法，来实现对用电数据的高效处理。对于事件类指标，可以借助非侵入式负荷监测及识别技术，来对低压配电台区内的异常事件进行分析判断。

3.1 用电数据的聚类分析

配电台区内的用电数据规模较大，如果依靠人工进行分析计算的工作量较大，为此可以采取数据聚类分析算法，降低数据分析的工作量，提高数据处理效率。聚类分析算法在应用之前，首先需要从用电负荷数据中提取出关键特征，之后就可以依据该特征来对各类用电数据进行聚类，其中负荷特征的提取流程如图2 所示。

图2 负荷特征的提取流程

根据上述负荷特征的提取流程可知，当明确好用电数据采集的场景和采集的目标之后，就可以将用电数据中的特征加以提取。根据建立的模型，来对所提取到的数据误差进行分析。当数据误差满足要求时，则为有用数据，否则为无效数据[7,8]。获取到数据样本之后，就可以根据电量类、事件类、负荷类、线损类等用电异常判断指标，对数据进行聚类，图3 为聚类分析算法在低压台区用电异常判定中的应用。

图3 聚类分析算法在低压台区用电异常判定中的应用

根据上述聚类分析算法在低压台区用电异常判定中的应用可知，在聚类分析之前，需要选择好初始的聚点，之后就可以根据该聚点进行初步的数据分类。如果分类合理，可以结束数据聚类分析的过程；如果数据样本分类不合理，则应该根据最近距离原则，对数据样本重新分类，直到满足距离判断原则之后结束数据聚类过程，完成数据的聚类分析。

3.2 非侵入式负荷监测及识别

对事件类指标，借助非侵入式负荷监测及识别技术分析。配电台区内的电力用户在使用电器的过程中会有一定的习惯，故在用电曲线上也会反应出一定的规律。根据用电功率样本数据，如果某个用电波形多次重复出现，则可以识别出该负荷类型，如电动机、电冰箱等。如果配电台区内的用电功率需求曲线和以往存在着较大的区别，则可能出现了异常用电事件，也就是侵入式事件[9]。通过对非侵入式负荷的监测及识别，就能够和侵入式用电事件进行对比分析，从而实现对配电台区内用电异常情况的辨识，图4 为非侵入式负荷监测及识别流程。

图4 非侵入式负荷监测及识别流程

根据上述非侵入式负荷监测及识别流程图可以看出，当获取到低压配电台区内的负荷有功功率数据之后，首先判断负荷有功时间序列中是否存在尖峰波形。如果存在，则需要对负荷有功功率按照时间序列进行初步预处理，然后再在时间序列中提取关键的特征数据子序列。如果在特征数据子序列中存在着较为平稳的序列，则应该剔除，因为平稳的数据序列反应不出用电特征，也就无法进行负荷类型的识别。在此基础上，根据剩余的特征数据子序列，并结合各类电器设备的用电负荷特征，就可以对用电功率模式进行标记，并且根据各类电器设备的曲线模块进行匹配，完成对非侵入式负荷的识别。