利用智能电表数据进行窃电检测

范怡然

（国网合肥供电公司）

0 引言

每年因窃电而遭受巨大的经济损失。据估计， 在许多地区， 窃电造成的损失占总发电量的百分比要高得多[1-2］。客户从电网中窃取电力有不同的方法， 一种非常常见的方法是完全绕过仪表。这是通过将房屋的电源直接连接到低压电网来实现的。这种方法需要线路员的技能， 如果连接不正确， 可能会非常危险。另一种常见的方法是篡改安装在房子里的电表。有很多方法可以做到这一点。其中之一是缩短安装在房子里的电表的末端。通过这样做， 用户确保流入房屋的电流不会流过电表， 因此电表记录的使用率非常低。另一种方法是通过断开馈线的中性点并使用单独的中性点作为回路来调节电源电压。

1 技术概括分析

窃电是严重影响电力供应商利益和消费者权益的问题。利用智能电表数据进行窃电检测， 可以帮助电力供应商及时发现并应对窃电行为， 确保公平、 公正的电力供应。

目前主流的检测包括以下方式。

1） 数据收集与预处理。智能电表可以精确记录每个用户的电量数据， 包括用电时间、 用电量等。通过数据采集设备， 可以收集这些数据并传输到服务器进行分析。在数据预处理中， 需要清洗和处理数据中的异常或缺失值， 以确保数据质量和准确性。

2） 特征提取。从智能电表数据中提取特征是窃电检测的关键步骤。常用的特征包括用电量变化趋势、 用电时间分布、 用电负荷曲线等。这些特征可以揭示窃电行为的模式和异常， 有助于建立窃电检测模型。

3） 窃电检测模型建立。在特征提取后， 可以使用机器学习、 统计分析等方法建立窃电检测模型。通过训练模型， 使其能够准确判断正常和异常用电行为，并提高窃电检测的准确性。常用的模型包括逻辑回归、 支持向量机、 决策树等。

4） 模型训练与评估。为了训练和评估窃电检测模型， 需要使用已标记的窃电和非窃电数据集进行模型训练。通过交叉验证等方法， 评估模型的性能指标， 如准确率、 召回率和F1分数等。根据评估结果对模型进行调优和改进。

5） 窃电检测分析和反欺诈措施。利用训练好的窃电检测模型， 对新采集到的电表数据进行窃电检测分析。通过与真实情况的对比， 判断是否存在窃电行为。一旦检测到窃电行为， 电力供应商可以采取相应的反欺诈措施， 如发出警告通知、 关闭供电等。

2 基于技术损失模型的窃电检测

2.1 恒定电阻技术损耗模型 （CRTLM）

对该数学模型进行介绍， 为简化电路定义了以下变量[3-5］：

线路对用户i的实际电阻Ri，̂i假定为常数；Ii,k=Ii(tk)指在时间间隔k结束时测量的支路i的瞬时电流；Li,k为时间间隔k期间分支i的实际技术损失；为时间间隔k期间分支i的估计技术损失；Lk指通过DT（ 配电变压器） 和所有合法用户之间的功率平衡获得的所有分支（ 用户） 在时间间隔k期间的总损耗；指所有分支（ 用户） 在时间间隔k期间的技术损失。当不存在盗窃时，LTkL=Lk；l0指非电阻技术损失（与时间无关）；k时间间隔k 期间的估计非技术损失（NTL） 。

时间间隔k期间所有用户的总损失如下

在非盗窃期内， 总损失等于总技术损失。很明显， 为了计算技术损失， 需要计算各种电阻的值。方程 （1） 可用于矩阵格式中的所有k 值， 电阻的估计值可使用伪逆计算， 如 （2） 所示。

式中，

如果已经计算出电阻估计值， 就可以使用以下等式来计算NTL估计值。

2.2 温度相关技术损失模型 （TDTLM）

通过使电阻温度依赖性来改进CRTLM。我们假设大气温度每30min 一次， 并且对于一组中的所有用户来说都是恒定的。已知材料的电阻线性地取决于其温度， 如 （4） 所示。系数ai和bi对于不同的材料有区别。通过使模型与温度相关， 估计问题现在变为估计DT 下游电路中每个电阻的系数ai和bi。代入方程（1） 中的Ri的值， 我们得到 （5） （6）

其中，Hn=[H1n H2n O]

获得了系数， 就计算TL （5） 和NTL 估计 （3）， 并且可以做出关于窃电的决定。

3 实验装置

已经在前人研究提到的系统上验证了TDTLM 的性能。配电系统的测试分支由30个用户组成， 每个阶段连接10 个用户。每个用户的数据是使用智能仪表模拟器生成的。每个用户的智能电表每30min向公用事业发送一次测量数据。对连接到A 阶段的10 名用户进行了盗窃分析。其中一名用户非法连接到电网。该流氓用户绕过智能电表偷电， 电量约占10名用户总能耗的1%至10%。从这些用户那里收集了六天（144h） 的数据。据推测， 头四天没有发生盗窃事件。前两天收集的数据用于计算用于NTL 估计的预测模型的参数。然后使用接下来四天收集的数据对该模型进行了测试。

智能电表模拟器每30min 计算一次每个用户的电能质量测量值， 如功耗、 瞬时电流和电压读数。每个用户的负载概况 （图1） 是以与之前提到的相同方式生成的。

图1 单个用户的负载配置文件

模拟器将该区域的负载分布和温度分布作为输入， 并通过每10s 执行一次潮流计算来计算连接到每个用户的节点的状态 （瞬时电流、 电压测量等） 。假设在电缆中使用铜线， 并且通过使用铜的电阻温度系数来计算电阻值。每30min 汇总一次功耗值， 并将其与其他瞬时测量值一起反馈给电力公司。

配电系统的电路以两种方式进行了近似。在第一种情况下， 考虑径向回路。在DT 的下游， 所有用户都直接连接到总线。CRTLM 和TDTLM 的技术损耗计算是在假设这种电路近似的情况下进行的。DT 下游总线的每个相位都连接到10个用户 （类似于前面的情况）， 但以线性方式连接。这是实际配电馈线电路的更现实的近似值。技术损失模型在这种类型的线性电路上的成功应用将表明所提出的模型的稳健性， 因此意味着它们可以使用来自实际智能电表的真实数据来检测窃电。

4 实验分析

在六天内， 每30min 从智能电表模拟器收集一次数据。在培训、 验证和测试这三个阶段中的每一个阶段， 都获得了96个数据点。对每个时间瞬间的非技术损失进行了估计， 并进行了讨论。

4.1 径向回路

在CRTLM 的情况下， 首先从这96 个数据点估计了11个参数， 包括10个电阻和1个非电阻非技术损失参数 （l0）， 而对于TDTLM， 则估计了21 个参数包括10ais、 10bis和l0。两个模型的TL 估计值与系统中的实际TL 非常接近， 因此RMSE （均方根误差） 非常低。发现TDTLM的RMSE低于CRTLM， 如图2。

图2 径向电路近似的RMSE比较

在类似的线路上， 一旦获得了温度相关预测模型的参数， 就计算了三个阶段每30min 的非技术损失（NTL） 估计值。对于不同数量的窃电， 计算了两个模型的检测率， 如图3 所示。对于这两种型号， 当窃电百分比大于4%时， 可以100%检测到窃电。对于较低百分比的电力盗窃， 检测率下降， 但在所有情况下，TDTLM的性能都优于或类似于CRTLM。

图3 径向电路中不同电量窃电的检测率

4.2 线性电路

在新的线性电路类型上重复针对径向电路描述的过程以获得结果。同样在这种情况下， 技术损失估计值与实际技术损失非常接近， 训练数据的RMSE 非常低。

正如预期的那样， 每个线性电路模型的RMSE 都大于径向电路的RMSE。还有验证数据， RMSE 遵循了预期的模式。RMSE 值确实上升了， 但并不高。这证实了模型的稳健性。就盗窃检测率而言， 当电力盗窃百分比超过总消耗的4%时， 两款车型的表现都非常准确。

从图4 和图5 可以看出， TDTLM 的性能优于CRTLM。模型在径向电路上的性能略好， 但总体而言， 它们的性能非常好。这证明了这些预测模型即使在配电网的线性近似下也能很好地工作， 因此可以应用于实际数据。

图4 线性电路近似的RMSE比较

图5 线性电路中不同电量窃电的检测率

5 结束语

通过结合配电网中电阻的温度依赖性， 对计算配电网中支路技术损失的预测模型进行了微调。新模型的性能优于恒阻模型， 并给出了更好的窃电检测率。此外， 我们在分布电路上测试了所提出的预测模型，并将其近似为线性电路。我们的模型在这些电路上的性能也非常好， 这意味着它们可以使用实际智能电表的数据来检测窃电行为。本研究给电力公司用电检查提供了很好的辅助， 为实现高质量供电提供了技术保证。