基于智能电能表开盖事件的用电异常分析方法.docx

??

?

??

基于智能电能表开盖事件的用电异常分析方法

?

??

?

?

?

?

?

?

?

???

?

?

?

?

?

摘要：随着智能电网的快速发展和普及，用电居民在享受其带来便利的同时，供电企业的线损率却居高不下，导致了供电运营成本的提升。而用电居民的异常用电行为正是导致供电企业多年来线路损失率只升不降的的主要原因，严重影响电力企业的正常运营秩序。鉴于此，本文对智能电能表开盖事件的用电异常分析方法进行了分析探讨，仅供参考。

关键词：智能电能表；开盖事件；电量数据；异常用电

一、用电异常检测主要面临的问题

较早期的用电异常检测一般首先通过确定各个异常指标的阈值，然后为每个异常指标分配不同的权重分值，最后通过累加计算每个用户的异常电量消耗系数来确定异常用电行为。对此类的监测设备故障以及用户异常指标的检测，早期时候比较常用的是现场排除的检测方法，即通过安排相关的电网技术人员到现场对各个用户进行详细排查。这种处理方法不仅会消耗大量的人力物力和财力资源，而且检测效率比较低下，得到的效果也不理想。同时，这种检测方式还存在较大的人为因素问题，对整个电力行业的管理以及发展也不利。20世纪以来，随着电力企业的蓬勃发展，各类电力监测设备的逐渐兴起以及日益完善，从早期的完全人为排查的异常用电检测方法，已经逐渐转向信号的分析方法和基于机器学习算法的检测方法。但是面对日益增加的海量电量数据以及异常数据分布极度不均衡的问题，这两种异常检测方法也都遭遇到了一些困难。根据国家电网浙江电力公司数据统计，目前最具有代表性的用电异常种类高达几十种，但相对于庞大的正常用电数据，异常用电数据的比例非常小，不超过0.3%，使得异常用电检测的建模面临的是一个典型的不均衡数据集学习问题。已知目前用电异常的检测方法大部分基于传统的神经网络、随机森林（RF与最近邻算法（KNN）[8]等，当前检测算法往往都面临模型训练速度缓慢、不适用于极度不均衡的大数据集检测、数据的表征能力不够等问题，从而导致检测效果差且模型泛化能力低等问题。一方面，基于传统均衡数据集的智能建模算法并不适用于异常用电检测，虽然传统的智能算法在不均衡数据集上仍然能保证很高的识别率，但少数样本类（min0rityclass）的识别率却很低，而少数样本类往往又是不均衡数据集处理中最重要的信息；另一方面，传统浅层不均衡集处理算法在处理大规模用电数据时，往往面临着表征能力不够、时效性差等缺点。因此，如何建立一种具有表征能力强、泛化能力好、训练速度快且识别率高，同时适用于不均衡的用电大数据的异常用电检测模型成为一个亟待解决的问题。

二、电能表开盖事件与相关电量数据的关联关系分析

智能电能表能够将电能表表盖开启的告警信息，即“电能表开盖事件”上报至用电信息采集系统，该事件记录包括：发生时间（分时日月年）、测量点号、开表盖总次数等信息。通过对发生电能表开盖事件的用户及其所在台区电量情况进行分析、比对，形成电能表开盖事件前后用电异常分析方法。在非电力作业人员操作的情况下，若电能表生成开表盖事件，说明可能存在人为破坏电能表，同时对用户存在窃电行为最直接的判断依据就是用户用电量突降、台区线损增加。为实现对用户用电异常情况的判断，需要从采集系统数据库中提取用户电能表开盖事件记录信息、用户用电量数据、用户所在台区的台区线损数据，并将用户电能表开盖事件的时间作为数据分析的时间节点，对在该时间节点前后的用户用电数据、台区线损数据进行分析，筛选出存在异常用电情况的用户。电能表开盖事件与相关图1电能表开盖事件与相关电量数据的关联关系分析示意电量数据的关联关系分析说明见图1。

三、基于智能电能表开盖事件的用电异常分析方法

为进一步提高对用户异常用电情况判别的准确性，通过用电信息采集系统，选取电能表开盖事件发生前后14天的电量数据并进行分段，包括电能表开盖事件记录中事件发生时刻ｔ的前8～14天、前1～7天、后1～7天、后8～14天的用户用电量W1、W2、W3、W4和所在台区线损率ΔA1、ΔA2、ΔA3、ΔA4。令k13＝W1/W3，k23＝W2/W3，k14＝W1/W4，k24＝W2/W4，k＝mｉｎ｛k13，k23，k14，k24｝；l13＝ΔA1/ΔA3，l23＝ΔA2/ΔA3，l14＝ΔA1/ΔA4，l24＝ΔA2/ΔA4，l＝max｛ΔA13，ΔA23，ΔA14，ΔA24｝。通过比较k与用电量判别阈值k0、l与台区线损判别阈值l0的大小关系，综合判断用户是否存在异常用电的情况。其中，用电量判别阀值k0和台区线损判别阀值l0的初始建议值为1．5和0．7，可以根据实际情况进行调整。具体的判断依据如下。a．用户用电量在电能表开盖事件时间节点前后发生变化，该时间节点之前的用电量大于之后的用电量（k＞k0），说明用户用电量突降。

b．