基于智能无线电流钳的防窃电自动检测方法

杨鹏举,王涛云,杨 恒,孟垂攀

(国网上海市金山供电公司,上海 200540)

0 引言

窃电用户的存在为电力企业带来巨大损失,智能化、高检测率的防窃电手段的研究是近年来电力系统研究的重点问题。窃电手段的多样化为防窃电检测带来新的阻碍,及时发现窃电行为,能够为电力企业避免不必要的损失,保障电力企业的长久运行[1-2]。

现阶段电力企业采用的窃电行为检测方法种类较多。张宇帆等[3]基于特征提取设计面向边缘数据中心的窃电监测方法。通过对抗网络优化线性支持向量的用户特征分类能力,采用主成分析法优化线性支持向量机的特征提取能力,将优化后的支持向量机应用至防窃电检测中。但是该方法在实际应用中获取的数据量较少,因此存在一定的误检率。殷涛等[4]提出基于向量自回归模型的高损线路窃电检测方法。分析电力用户线损电量特征,构建用户用电线损向量回归模型,通过方差分解法根据线损电量的计算完成窃电行为检测。但是该方法检测窃电行为的时间较长,不能满足实时性检测的需求。

智能无线电流钳的发展,为防窃电检测带来新的可能。因此,为了解决上述方法中存在的问题,本文提出基于智能无线电流钳的防窃电自动检测方法。

1 负荷曲线模型

从反窃电检查的业务需求来看,防窃电自动检测方法的主要目的是尽可能地提高窃电检测的准确性[5]。因此,首先建立用电用户的负荷曲线可控聚类模型[6-7]。

首先对用户用电负荷曲线通过VMD算法实行分解,获取其曲线子序列,再使用CFSFDP算法对其实行可控聚类处理,获取其不同频率模态分量,其步骤如图1所示。

图1 负荷曲线可控聚类模型

经过分解后的负荷曲线,负荷曲线的主要特征分量、细节特征分量和随机特征分量可分别由低频子序列、中频子序列和高频子序列描述完成,其可控聚类过程如图2所示。图2中,O为簇的总数,o为新簇子类,w为第w个样本。

图2 负荷曲线可控聚类过程

在低频模态分量上,获得含有w个样本的初始聚类结果{v1,v2,…,vw}。因样本稀疏出现的类似簇合并问题可通过簇内时间细粒度聚类解决。通过样本的低频模态分量和高频模态分量计算样本的密度和距离,并重新划分新簇子类为{vo1,vo2,…,vow}。

不同标准化量级负荷可通过Z-score算法完成,其数据标准化后x*的表达式为

(1)

x为聚类数据;ν为序列均值;σ为序列标准差。

负荷曲线的分解状态受VMD的惩罚因子和分解层数影响。根据实际情况,选择3层分解层数,表达出分解出负荷曲线的3种特征分量,惩罚因子数值可取抽样点长度值的双倍值。

需先将日负荷数据转换为一维时间序列,再对其进行分解。通过CDSDDF算法完成负荷曲线不同时间颗粒度的聚类分析[8-10]。

CFSFDP算法的聚类质量由样本密度决定,其表达式为

(2)

fow为2个样本间的欧氏距离;f为截断距离。

通过KNN算法确定样本距离f,其表达式为

(3)

N为变量。

因样本稀疏产生的密度峰值不明显问题可由粗时间颗粒度聚类方法解决。

根据样本间拓扑关系及距离ψ判断样本分布情况,其表达式为

(4)

xw为第w个样本产生的稀疏密度。

进一步推导出惩罚因子η表达式为

η=ρψ

(5)

ρ为聚类密度。

基于此,完成负荷曲线可控聚类模型的建立。

2 初步筛选疑是窃电用户

通过用户用电负荷曲线可控聚类模型分析正常用电用户的用电特征,初步筛选疑是窃电用户[11-12]。

正常用电用户用电行为分为如下7类:

a.某些个体户通常在白天的电量使用值高,在晚上用电量较低。

b.某些老人家庭通常用电负荷曲线呈现双峰型,家中较少使用大功率电器,负荷值最大值较小。

c.某些上班族和老人家庭的用电负荷曲线在早、晚呈现双峰型,负荷值较大,家中存在较多大功率电器。

d.某些上班族白天用电量较低,晚上较高,负荷曲线峰值较小,家中几乎没有大功率电器。

e.某些上班族家庭和老人家庭用电量在早晚出现双峰,家中有少量大功率电器。

f.某些上班族在晚上出现用电峰值,家中大功率电器较多。

g.某些上班族在晚上出现用电峰值,家中存在大量大功率电器。

2条曲线的匹配度可通过时间序列的相似程度度量,相关系数用于度量曲线形状的相似程度,欧氏距离用于度量考虑值上的相似程度[13]。2条曲线的匹配度Q为

Q=ξ1t+ξ2lnd

(6)

ξ1、ξ2为权重系数;t为负荷曲线相关系数;d为2条曲线之间的欧氏距离。

负荷曲线相关系数表达式为

(7)

3 窃电检测

对初步筛选出来的窃电用户进一步通过智能无线电流钳完成防窃电检测。先通过电流钳的智能终端获取低电压回路电流数据和电流数据信息,再通过测量、检测高、低压计量回路变比值与电能对比实现窃电检测[14-15],无线电流钳通信方式如图3所示。

图3 无线电流钳通信方式

使用多点平均法处理采集到的电流数据,计算出计量电流互感器变比C,其表达式为

(8)

通过智能无线电流钳的终端计量电流互感器铭牌判定计量电流互感器变比l是否处于正常值,其表达式为

(9)

C1为铭牌计量电流互感器变比值。当计量电流互感器变比在允许误差范围内,终端判定此变比正常,否则为异常。

可通过变压器用电数据与实际用电数据对比,判断用户实际电能使用情况和计量表计量情况。使用无线钳形电流及定时法采集电压侧三相电流,计算采集到的电流数据平均值,及采集电能表计量的视在功率的平均值。

高压侧的视在功率D1为

(10)

U1、U2、U3为10 kV线路的变压器一次侧各相线电压;I1、I2、I3为变压器一次侧各相线电流。

计量总表计量功率D2为

(11)

核对现场计量值u,其表达式为

(12)

当计量值属于终端预设范围时,该用户为正常用电用户;当计量值大于终端预设范围时,该用户为窃电用户。

基于此,完成防窃电自动检测。

4 实验与分析

为了验证基于智能无线电流钳的防窃电自动检测方法的整体有效性,将文献[3]方法和文献[4]方法作为测试的对比方法,与本文提出的方法共同进行性能测试。在GPU服务器上使用MATLAB软件搭建实验模型,数据样本选用某电力企业去年防窃电稽查行动采集的数据,其包含居民用电用户600户和企业用电用户360户的一整年用电数据,其中居民异常用电用户为16户,企业异常用电用户为13户。采用的智能无线电流钳型号为ETCR8072,具体参数如表1所示。

表1 智能无线电流钳参数

使用无线钳形电流及定时法采集电压侧三相电流,对用户的窃电行为进行检测。

4.1 检测准确率

引入查全率、查准率、F-measure和G-mean 这4种评估指标对本文方法、文献[3]方法和文献[4]方法实行性能对比。

查全率表达式为

(13)

TP为被正确检测出的异常样本数据;FN为被错误检测出的异常样本数据。查全率越高证明该检测方法的检测准确率越高。

查准率表达式为

(14)

FP为被错误检测出的正常样本数据。查准率越高证明该检测方法的检测准确率越高。

F-measure指标用来评估不平衡样本检测效果,其表达式为

(15)

F1为F-measure指标;β为召回率与精度的权重关系,为非负实数。当查全率和查准率同时较高时,得到的F-measure值才能更高,则证明该检测方法的检测性能越好。

G-mean指标用来评估不平衡数据集检测效果,其表达式为

(16)

G为G-mean指标;P1为正类检测精度;N1为负类检测精度。当正负样本精确度越高时,G-mean值越高,检测效果越好。

采用本文方法、文献[3]方法和文献[4]方法对上述数据进行防窃电检测,4种指标检测结果如表2所示。

表2 4种指标检测结果对比

由表2可知,无论是企业用电还是居民用电,本文方法的查全率、查准率、F-measure和G-mean这4种评估指标均高于文献[3]方法和文献[4]方法,表明本文方法的防窃电检测准确性更高,整体性能更佳。

4.2 异常用电检测时间对比

在数据集种随机选取1名居民用电用户与1名企业用电用户,同样随机选取这2名用户1年中连续10天(记为第a～j天)的用电数据,采用不同方法对异常用电行为进行检测,对比检测时间。检测时间越短,说明检测方法的检测实时性越好。采用本文方法、文献[3]方法和文献[4]方法对这2名用户进行防窃电检测,其异常用电检测时间对比如图4所示。

图4 3种方法的异常用电检测时间对比

由图4可知,文献[3]方法检测居民异常用电的时间为5～12 min,检测企业异常用电的时间为5～9 min;文献[4]方法检测居民异常用电的时间为9～16 min,检测企业异常用电的时间为11～17 min;而本文方法检测居民异常用电的时间为1～5 min,检测企业异常用电的时间为1～4 min,无论是居民用电检测还是企业用电检测均能够将异常用电的检测时间保持在5 min以下,证明本文方法检测时间较短,检测实时性较好。这是因为本文方法首先通过用户用电负荷曲线模型的建立,准确分析了窃电用户特征,对窃电用户实行初步筛查,提高了防窃电检测的查全率;其次,通过智能无线电流钳方法准确检测出了窃电用户,提高了防窃电检测的查准率,获得了更好的防窃电检测性能。

5 结束语

电力用户的窃电行为不仅是对电力市场公平性的破坏,同样也造成了电力企业一定的经济损失,因此提出基于智能无线电流钳的防窃电自动检测方法。建立用户用电模型,初步筛选窃电用户,实现防窃电的自动检测。能够为电力企业的高精益化管理奠定基础,减少电力企业的经济损失。