配电网窃电行为辨识中的技术分析及应用

李雷 周景 符兵 胡晓华 梁航

（国网河南内乡县供电公司 河南省内乡县 474350）

目前电网企业在对窃电行为的辨识中，采用的方法包括通过人工进行检查，通过比对用电数据的真实性和合理性，来判断配电网中是否发生了窃电行为。一旦发现某个配电台区或某块电能表计的数据存在明显的异常情况时，则派专人前往现场检查接线问题。这种排查配电网窃电行为的方法主要的缺点是人工成本较高、对窃电行为辨识的效率较低、并且准确率也较低[1]，故应对配电网窃电行为辨识方法加以创新，降低窃电行为辨识的成本并提高效率。本文首先介绍了电力物联网下的数据架构，之后阐述了配电网窃电行为辨识的一般方法，最后分析了数据挖掘在配电网窃电行为辨识中的应用。

1 电力物联网下的数据架构

在配电系统中应用信息技术、通信技术和物联网技术，可以构建电力物联网系统，实时掌握配电系统的运行状态和数据信息，实现对配电网的监视和控制。随着电力物联网系统的建设，可以依靠电力物联网系统所采集的配电系统数据，辨识配电网中可能存在的异常用电行为。电力物联网下的网络数据传输架构如图1所示。

从图1 可知，数据架构可以分为综合感知层、边缘技术层、网络传输层和主站应用层等四层结构。配电网的用电数据信息通过综合感知层进行采集，并通过边缘计算技术，实现对配电网不同区域数据的分布式计算处理，降低主站端的计算任务量，提高数据处理的效率[2]。经过处理之后的数据再经过网络传输，达到配电系统主站。

2 配电网窃电行为的辨识指标

当配电系统主站接收到各个配电区域中的用电数据信息后，可以对配电网中的用电数据进行分析，统计判断配电系统的线损率，线损率的计算公式如下式（1）所示：

除了统计线损率数据异常，可以作为配电网可能存在窃电行为的判断指标外，还可以采用用电平稳度来判别，计算公式如下式（2）所示：

式中：Q0为当前月的用电量，Qave为全年的平均用电量，可以采用下式（3）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。当用电平稳度指标大于50%时，此时可以认定该配电区域可能存在窃电行为[3]。

图1：电力物联网下的网络数据传输架构

图2：数据挖掘技术在窃电行为辨识中的应用流程

第三个窃电行为辨识指标为用电峰谷差，计算公式如下式（4）所示：

式中Qmax和Qmin分别为配电区域近一年的最大用电量和最小用电量，即：

当用电峰谷差指标大于3 时，可以将该配电区域纳入到用电排查范围内[4]。在后续的配电网窃电行为辨识中，可以根据这些指标提取配电样本数据特征，进而对配电网用电数据进行辨识。

3 配电网窃电行为辨识技术的应用

3.1 数据挖掘技术在窃电行为辨识中的应用流程

数据挖掘在配电网的运行中具有较大的应用空间，本文主要以配电网窃电行为辨识应用方面为例进行分析，数据挖掘技术在窃电行为辨识中的应用流程如图2所示。在该技术中，首先需要进行配电网用电数据收集，之后再对数据进行分析和处理，并依据处理后的数据提取出相关的特征数据。利用数据分析算法，建立配电网窃电行为识别模型，获取各个配电网格的窃电预警度。

其中，数据收集主要包括配电区域中的用电量、损失电量和特殊用电时期的用电数据等。对于数据的来源，可以从电能量系统、营销系统、用采系统和EMS 系统等获取。在数据分析和处理中，包括对不合理的数据进行删除，对不准确的数据进行修改等。在特征数据提取方面，主要的特征数据包括用户的用电规律、不同配电区域和不同行业的用电规律、不同配电网格的线损规律等。

3.2 配电网窃电行为的辨识算法

3.2.1 系统聚类辨识算法

当拿到配电样本数据时，首先需要对数据进行初步的处理，删除无效的数据，对缺失的数据运用插值算法进行补充，形成相应的数据集合。之后根据配电网窃电行为的辨识指标，可以将配电网用电数据样本划分为不同的类别，本文主要采用系统聚类法（Hierarchical Clustering Method）进行分析。在这种聚类算法中，包括分解法（divisively）和聚类法（agglomeratively）两类。分解法是将一个整体类别根据配电网窃电行为的辨识指标，逐步分成若干个更小的类别[5]。聚合法则是首先将各个数据样本作为一个类别，再根据配电网窃电行为的辨识指标，将样本相似度较高或者评判距离较近的样本作为一个类别，逐步组成更大的类别。

3.2.2 模糊C 均值聚类辨识算法

模糊C 均值聚类算法也可以用于配电数据样本的聚类，并根据窃电行为的严重程度发出相关的预警。这种算法是将配电网窃电行为指标相似较大的样本划入同一类别中，同时采用模糊数据，根据样本到聚类中心之间的隶属度大小进行分类。在该算法中，对于条件与约定，隶属度函数通常记作其中表示X 隶属于A 集合。在算法的应用过程中，将n 个样本的特征向量Xi(i=1,2,…,n)分为nc个类，然后再找到聚类中心，使得聚类目标函数J 达到最小。采用模糊的划分方法时，隶属矩阵u 中元素取值应在0 到1 之间，同时样本对各类的隶属度之和为1，即：

可以采用欧式距离定义目标函数，如下式所示：

综合上式再利用拉格朗日变换即可得到使得上式达到最小的必要条件：

对于算法步骤，首先设定聚类数目，之后采用迭代算法计算式（8）和式（9），得到各类别的聚类中心Xci和隶属度矩阵U。然后再根据建立的目标函数，不断进行迭代计算，直到找到最优解，停止计算，否则继续进入到迭代计算的过程中。根据所划分的类别，定义不同的窃电等级，分别发出不同的预警度，如可以定义为低、中、高和严重等窃电配电区域，从而针对不同预警等级的配电区域采取不同的应对措施。后期可以重点对窃电预警度较高的区域进行接线检查、电表检查和数据详细比对，治理配电网中的窃电行为。

4 结论

准确辨识出配电网中存在的窃电行为，对于规范配电网线损管理、降低电网企业的经营损失具有重要的价值。本文详细分析了配电网窃电行为辨识的指标、算法和在实际配电网中的应用流程，对于及时发现存在窃电行为的配电区域、优化配电网运行具有一定的意义。