CN102866321B - 一种自适应的防窃漏电诊断方法 - Google Patents

Abstract

一种自适应的防窃漏电诊断方法：步骤1：从计量主站获取电量、负荷、报警及线损的历史样本数据；步骤2：对历史样本数据进行预处理；步骤3：构建专家样本库；步骤4：构建窃漏电诊断模型；步骤5：进行窃漏电诊断；步骤6：优化模型参数，并重构模型。本发明的自适应的防窃漏电诊断方法具有自学习特性，通过对电力用户用电数据进行学习建模，并以形成的用电规律诊断新的数据合理性和正确性，能够有效提高窃漏电监控诊断的准确性。

Description

一种自适应的防窃漏电诊断方法

技术领域

本发明涉及一种电力行业防窃漏电的诊断方法，尤其涉及一种适应于大用户防窃漏电的实时自动诊断方法。

背景技术

窃电者为了达到窃电目的，往往采用各种窃电手法进行窃电，手法五花八门，但万变不离其宗，最常见的是从电能计量原理入手：一个电能表计量电量的多少，主要决定于电压、电流、功率因数三素和时间的乘积。因此，只要想办法改变三要素中的任何一个要素都可以使电表慢转、停转甚至反转，从而达到窃电的目的；另外，通过采用改变电表本身的结构性能的手法，使电表慢转，也可以达到窃电的目的。

窃电和计量装置故障造成漏收、少收电费使电力系统利益受损。传统的防窃漏电方法主要通过定期巡检、定期校验电表、用户举报窃电等手段来发现窃电或计量装置故障。但这种方法对人的依赖性太强，抓窃查漏的目标不明确。

目前各供电局已基本建成了涵盖各种计量点及采集终端的集信息采集、监控、分析和计量管理于一体的计量自动化应用平台，完成了对电厂、变电站、公变、专变、低压集抄等发电侧、供电侧、配电侧、售电侧的综合性统一数据的自动采集监控。已实现对居民用电的远程集中抄表功能，计量自动化系统与营销管理系统、生产调度系统等均不同程度的通过数据接口实现了数据共享，现在应用系统中已存储了大量用户用电信息。

为了更好的发挥计量自动化系统的远程在线监测平台，目前很多供电局主要通过营销稽查人员、用电检查人员和计量工作人员利用计量异常报警功能和电能量数据查询功能开展用户用电情况的在线监控工作，通过采集电量异常、负荷异常、终端报警、主站报警、线损异常等信息，建立数据分析模型，来实时监测窃漏电情况和发现计量装置的故障。并通过“失压失流”、“超合同容量用电”、“电流过负荷”等用电报警信息，以及根据报警事件发生前后客户计量点有关的电流、电压、负荷数据情况等，通过构建基于指标加权的用电异常分析模型，实现检查客户是否存在窃电、违章用电及计量装置故障等目的。

以上防窃漏电的诊断方法，虽然能获得用电异常的某些信息，由于终端误报或无用信息太多，无法达到真正快速精确定位窃漏电嫌疑用户和计量故障的目的，往往令稽查工作人员无所适从。而且在采用这种方法建模时，模型各输入指标权重的确定需要用专家的知识和经验，具有很大的主观性，存在明显的缺陷，所以实施效果往往不尽如人意。

发明内容

本发明所要解决的技术问题，就是提供一种自适应的防窃漏电诊断方法，达到真正快速精确定位窃漏电嫌疑用户和计量故障的目的。

解决上述技术问题，本发明采用的技术方案是：

一种自适应的防窃漏电诊断方法，包括以下步骤：

步骤1：从计量主站获取电量、负荷、报警及线损的历史样本数据；

步骤2：对历史样本数据进行预处理；

步骤3：构建专家样本库；

步骤4：构建窃漏电诊断模型；

步骤5：进行窃漏电诊断；

步骤6：优化模型参数，并重构模型。

所述的步骤1包括以下子步骤：

S1.1：确定样本覆盖范围

至少包含近三年来所有的窃漏电大用户及随机选取8%正常用户；

S1.2：确定样本数据范围

样本数据抽取时要包含窃漏电用户的窃漏电开始时间和结束时间节点前后各两个月的数据。

所述的步骤2包括以下子步骤：

主要包括缺失值处理、异常值处理、节假日数据处理、负荷数据平滑处理等：

S2.1：缺失值处理

发现存在缺失现象时，通过同类型日数据结合插值算法进行处理；

S2.2：异常值处理

对超出指标阀值范围的数据，通过同类型日数据结合插值算法进行修正处理；

S2.3：节假日数据修正

周六修正系数＝最近一个月的采集周期内的工作日平均电量/周六的平均电量；

节假日修改系数＝最近一个月采集周期内的工作日平均电量/节假日的平均电量。

这里节假日指周日、国庆、五一等法定节假日；

S2.4：负荷数据平滑处理

在进行数据格式化（5L指标）时，对实时负荷数据采用最高次数为20的多项式拟合方法进行平滑处理。

所述的步骤S3的专家样本库以日为单位表征各计量点的用电情况，输入项包括5E指标、5L指标、报警指标、线损指标和六角图指标，输出项为窃漏电嫌疑系数；

具体包括以下子步骤：

S3.1：计算第一个窃漏电核心评价指标5E指标：5E指标即电量指标，为日用电量移动平均后差分：

先计算日用电量移动平均：连续t天（本项目t=5）的用电量平均值，计算式如下：

$\mathrm{avg}\_e_n=\underset{i=n-t+1}{\overset{n}{\mathrm{\Σ}}}{e}_i$

再计算日用电量移动差分：连续t天的用电移动平均的累计变化量，以0.02作为阀值：

$\mathrm{dif}\_e_n=\left\{\begin{array}{cc}\mathrm{dif}\_e_{n-1}+{\mathrm{sign}}_n& \mathrm{dif}\_e_{n-1}*{\mathrm{sign}}_n\&GreaterEqual;0\\ {\mathrm{sign}}_n& \mathrm{dif}\_e_{n-1}*{\mathrm{sign}}_n<0\end{array}\right.$

其中：

${\mathrm{sign}}_n=\left\{\begin{array}{cc}1& \mathrm{avg}\_e_n-\mathrm{avg}\_e_{n-1}>0.02\\ 0& |\mathrm{avg}\_e_n-\mathrm{avg}\_e_{n-1}|\&le;0.02\\ -1& \mathrm{avg}\_e_n-\mathrm{avg}\_e_{n-1}<-0.02\end{array}\right.$

且：

sign₀＝0，dif_e₀＝0；

S3.2：计算第二个窃漏电核心评价指标5L指标：5L指标即负荷指标，为实时负荷方差移动平均（t天平均）的负荷梯度：

先计算实时负荷方差移动平均

其中：L_ij是第i日第j刻的负荷

$\mathrm{avg}\_L_{\mathrm{nj}}=\frac{{\&Sum;}_{i=n-t+1}^n{L}_{\mathrm{ij}}}{t}$

是第n日日截止的t日第j时刻的平均负荷，该计算式反应连续t日内负荷波动幅度；

再计算负荷梯度

其中是连续t个avg_rmse_i，中的最大值，该计算式反应中间高，两端低的一个山坡的陡峭程度；

S3.3：计算第三个窃漏电评价指标——报警指标：与窃漏电相关的终端报警主要有电压缺相、电压断相和电流反极性，判断这几类报警是否有发生；

S3.4：计算第四个窃漏电评价指标——线损指标，线损率计算公式：

S3.5：计算第五个窃漏电评价指标——六角图指标：相位角可通过计算A、B、C三相的功率因数的反余弦得到。

所述步骤S4是指利用模糊神经网络（FNN，Fuzzy Neural Network）进行建模，其结构包括：

1）输入层，该层有n个结点直接与输入向量x连接，将输入值x=[x₁,…,x_n]传送到下一层；

2）模糊化层，若每个输入变量均定义有m个模糊集合，则此层内共有n×m个结点，分为n组，每组m个结点；

第i组的m个结点输入都是x_i，其输出分别是各输入量属于输出值模糊集合的隶属度函数代表x_i的第j个模糊集合；

3）模糊推理层，其每个结点代表一条模糊规则，它的作用是用来匹配模糊规则的前件（输入和状态），计算出每条规则的适用度，即：

${\mathrm{\&alpha;}}_j={\mathrm{\&mu;}}_1^{i1}{\mathrm{\&mu;}}_2^{i2}\&CenterDot;\&CenterDot;\&CenterDot;{\mathrm{\&mu;}}_n^{\mathrm{in}};$

4）去模糊层，该层的作用实现归一化计算，即：

$\stackrel{\&OverBar;}{{\mathrm{\&alpha;}}_j}=\frac{{\mathrm{\&alpha;}}_j}{{\&Sum;}_{i=1}^m{\mathrm{\&alpha;}}_i};$

5）输出层，它实现的是清晰化计算，并采用加权平均法，即:

$y=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_j\stackrel{\&OverBar;}{{\mathrm{\&alpha;}}_j}.$

所述的步骤S5包括以下步骤：

S5.1：从计量主站系统每日实时抽取所有计量点的电量、负荷、报警及线损等数据；

S5.2：对实时抽取的计量数据进行缺失值处理、异常值处理、节假日数据修正、负荷数据平滑处理等预处理；

S5.3：计算得到模型的输入项指标，即5E指标、5L指标、报警指标、线损指标和相位角指标；

S5.4：调用模型，得到各计量点的窃漏电嫌疑系数，嫌疑系数大于阈值则标示该用户具有窃漏电行为。

所述的步骤S6包括以下子步骤：

S6.1：对模型的评价结果进行人工审核，若诊断结果正确，则结束，否则至S6.2；

S6.2：重新审视窃漏电评价指标及专家样本数据，必要时调整窃漏电评价指标或增补专家样本数据；

S6.3：重新训练窃漏电诊断模型，并保存模型。

有益效果：本发明的自适应的防窃漏电诊断方法具有自学习特性，通过对电力用户用电数据进行学习建模，并以形成的用电规律诊断新的数据合理性和正确性，能够有效提高窃漏电监控诊断的准确性。

附图说明

下面结合附图，对本发明的防窃漏电诊断方法进行详细说明。

图1为自适应防窃漏电诊断流程图；

图2为窃漏电评价指标体系图；

图3为电压电流相位角图；

图4为模型构建流程图；

图5为模糊神经网络结构图；

图6为模型优化重构方法图。

具体实施方式

图1是本发明的流程图。图1中，本发明提供的方法包括如下步骤：

S1：由图2知，防窃漏电评价指标主要包括电量、负荷、线损、报警和六角图等方面指标，故进行窃漏电诊断时需根据建模需要有选择性地从计量主站抽取电量、负荷、线损及报警等历史样本数据，具体包括以下步骤：

S1.1：确定样本覆盖范围

为了尽可能全面覆盖各种窃漏电方式，建模样本包含近三年来所有的窃漏电用户及随机选取8%的正常用户。

S1.2：确定样本数据范围

窃漏电用户的窃漏电开始时间和结束时间是表征其窃漏电的关键时间节点，在这些时间节点上，电量、负荷、线损、报警和六角图等指标也会有明显的特征变化，故样本数据抽取时务必要包含关键时间节点前后各两个月的数据。

S1.3：样本数据抽取

由S1.1和S1.2，有选择性地抽取历史样本数据。

S2：样本数据预处理，主要包括缺失值处理、异常值处理、节假日数据处理、负荷数据平滑处理等；

S2.1：缺失值处理

在原始计量数据，特别是实时负荷数据抽取过程中，发现存在缺失的现象，为确保建模数据的有效性，需要对这些缺失数据进行补齐处理，规则主要为通过同类型日数据结合插值算法进行处理；

S2.2：异常值处理

在原始样本数据中，存在大量异常值的情况，如-10000，以及一些超出指标阀值范围的数据，对于这类异常数据，同样需要通过同类型日数据结合插值算法进行修正处理。

S2.3：节假日数据修正

节假日的用电量及实时负荷数据同工作日比起来，会明显偏低，为了确保不同日期类型的计量数据在一定时间周期内具有可比性和连贯性，需要对这些特殊类型日期的数据进行修正处理，处理规则是：

周六修正系数＝采集周期内（最近一个月）的工作日平均电量/周六的平均电量；

节假日修改系数＝采集周期内（最近一个月）的工作日平均电量/节假日的平均电量。

这里节假日指周日、国庆、五一等法定节假日；

S2.4：负荷数据平滑处理

在进行数据格式化（5L指标）时，考虑到样本数据的一些边际效应，有必要对实时负荷数据采用最高次数为20的多项式拟合方法进行平滑处理，以求达到更好的建模指标效果。

S3：基于前面的预处理数据，结合窃漏电评价指标体系，构建专家样本库，专家样本以日为单位表征各计量点的用电情况，输入项包括5E指标、5L指标、报警指标、线损指标和六角图指标，输出项为窃漏电嫌疑系数，具体包括以下步骤：

S3.1：计算第一个窃漏电核心评价指标5E指标：5E指标即电量指标，为日用电量移动平均后差分：

先计算日用电量移动平均，即连续5天的用电量平均值，计算式如下：

$\mathrm{avg}\_e_n=\underset{i=n-t+1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_i$

再计算日用电量移动差分，即连续5天的用电移动平均的累计变化量，以0.02作为阀值：

$\mathrm{dif}\_e_n=\left\{\begin{array}{cc}\mathrm{dif}\_e_{n-1}+{\mathrm{sign}}_n& \mathrm{dif}\_e_{n-1}*{\mathrm{sign}}_n\&GreaterEqual;0\\ {\mathrm{sign}}_n& \mathrm{dif}\_e_{n-1}*{\mathrm{sign}}_n<0\end{array}\right.$

其中：

${\mathrm{sign}}_n=\left\{\begin{array}{cc}1& \mathrm{avg}\_e_n-\mathrm{avg}\_e_{n-1}>0.02\\ 0& |\mathrm{avg}\_e_n-\mathrm{avg}\_e_{n-1}|\&le;0.02\\ -1& \mathrm{avg}\_e_n-\mathrm{avg}\_e_{n-1}<-0.02\end{array}\right.$

且：

sign_n＝0，dif_e_n＝0

S3.2：计算第二个窃漏电核心评价指标5L指标。5L指标即负荷指标，为实时负荷方差移动平均（5天平均）的负荷梯度：

先计算实时负荷方差移动平均

其中：L_ij是第i日第j刻的负荷

$\mathrm{avg}\_L_{\mathrm{nj}}=\frac{{\&Sum;}_{i=n-t+1}^n{L}_{\mathrm{ij}}}{t}$

是第n日日截止的5日第j时刻的平均负荷，该计算式反应连续5日内负荷波动幅度。

再计算负荷梯度

其中是连续5个avg_rmse_i，中最大的，该计算式反应中间高，两端低的一个山坡的陡峭程度。

S3.3：计算第三个窃漏电评价指标——报警指标。与窃漏电相关的终端报警主要有电压缺相、电压断相和电流反极性等，这里主要判断这几类报警是否有发生。

S3.4：计算第四个窃漏电评价指标——线损指标。线损正常与否会反映到用户是否用户异常，线损率计算公式：

S3.5：计算第五个窃漏电评价指标——六角图指标。六角图即电压电流相位角图，见图3，不正常的相位角会反映出接线错误，相位角可通过计算A、B、C三相的功率因数的反余弦得到。

S4：构建窃漏电诊断模型

在样本数据准备完成后，即可进行模型构建，即分析电力系统积累下来的大量窃漏电历史数据，对各类用电异常的状况分类整理，并给出相应的判定结果，形成专家样库，最后利用数据挖掘技术将这些数据中蕴藏着的许多潜在的重要因素、事实和关联等有价值的信息提炼出来，分析窃漏电事件同其它因素（如负荷、电量、报警等）的相关性，并进而构建智能诊断模型，真正做到高效、实时地进行智能诊断。

防窃漏电评价可通过构建分类预测模型来实现，比较常用的分类预测模型有人工神经网络，由于在窃漏电诊断中，涉及到大量的复杂现象和多种因素的相互作用，而模糊神经网络结合了模糊评价法与神经网络评价法的优点，在解决这类问题时具有明显优势，因此本发明主要基于FNN模糊神经网络进行防窃漏电建模。

模糊神经网络的本质就是在常规的神经网络中输入‘模糊输入信号’和‘模糊权值’，模糊神经网络的典型结构见图5。

该模糊神经网络是多层网络，除了输入结点层和输出结点层外，还有多个隐含层，相邻两层之间都有连接，且每个连接都对应于一个权值。该模糊神经网络共有五层：

1）输入层该层有n个结点直接与输入向量x连接，将输入值x＝[x₁,…,x_n]传送到下一层。

2）模糊化层若每个输入变量均定义有m个模糊集合，则此层内共有n×m个结点，分为n组，每组m个结点。第i组的m个结点输入都是x_i，其输出分别是各输入量属于输出值模糊集合的隶属度函数代表x_i的第j个模糊集合。

3）模糊推理层其每个结点代表一条模糊规则，它的作用是用来匹配模糊规则的前件（输入和状态），计算出每条规则的适用度，即：

${\mathrm{\&alpha;}}_j={\mathrm{\&mu;}}_1^{i1}{\mathrm{\&mu;}}_2^{i2}\&CenterDot;\&CenterDot;\&CenterDot;{\mathrm{\&mu;}}_n^{\mathrm{in}};$

4）去模糊层该层的作用实现归一化计算，即：

$\stackrel{\&OverBar;}{{\mathrm{\&alpha;}}_j}=\frac{{\mathrm{\&alpha;}}_j}{{\&Sum;}_{i=1}^m{\mathrm{\&alpha;}}_i};$

5）输出层它实现的是清晰化计算，并采用加权平均法，即:

$y=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_j\stackrel{\&OverBar;}{{\mathrm{\&alpha;}}_j}$

S5：进行窃漏电诊断

在模型构建完成后，就可以基于实时采集的计量数据调用训练好的模型实现对用户的窃漏电诊断，包括以下步骤：

S5.1：从计量主站系统每日实时抽取所有计量点的电量、负荷、报警及线损等数据。

S5.2：对实时抽取的计量数据进行缺失值处理、异常值处理、节假日数据修正、负荷数据平滑处理等预处理。

S5.3：计算得到模型的输入项指标，即5E指标、5L指标、报警指标、线损指标和相位角指标。

S5.4：调用模型，得到各计量点的窃漏电嫌疑系数，嫌疑系数大于阈值则标示该用户具有窃漏电行为。

S6：优化模型参数，并重构模型，见图6。

S6.1：对模型的评价结果进行人工审核，若诊断结果正确，则结束，否则至S6.2；

S6.2：重新审视窃漏电评价指标及专家样本数据，必要时调整窃漏电评价指标或增补专家样本数据；

S6.3：重新训练窃漏电诊断模型，并保存模型。

Claims (5)

1.一种自适应的防窃漏电诊断方法，其特征是：包括以下步骤： 

步骤1：从计量主站获取电量、负荷、报警及线损的历史样本数据； 

步骤2：对历史样本数据进行预处理； 

步骤3：构建专家样本库； 

步骤4：构建窃漏电诊断模型； 

步骤5：进行窃漏电诊断； 

步骤6：优化模型参数，并重构模型； 

所述的步骤3的专家样本库以日为单位表征各计量点的用电情况，输入项包括5E指标、5L指标、报警指标、线损指标和六角图指标，输出项为窃漏电嫌疑系数； 

具体包括以下子步骤： 

3.1：计算第一个窃漏电核心评价指标5E指标：5E指标即电量指标，为日用电量移动平均后差分： 

先计算日用电量移动平均：连续t天的用电量平均值，计算式如下： 

再计算日用电量移动差分：连续t天的用电移动平均的累计变化量，以0.02作为阀值： 

其中： 

且： 

sign₀＝0，dif_e₀＝0； 

3.2：计算第二个窃漏电核心评价指标5L指标：5L指标即负荷指标，为实时负荷方差移动平均的负荷梯度： 

先计算实时负荷方差移动平均 

其中：L_ij是第i日第j刻的负荷 

avg_L_nj是第n日截止的t日第j时刻的平均负荷，该计算式反应连续t日内负荷波动幅度； 

再计算负荷梯度 

其中是连续t个avg_rmse_i中最大值，该计算式反应中间高，两端低的一个山坡的陡峭程度； 

3.3：计算第三个窃漏电评价指标——报警指标：与窃漏电相关的终端报警主要有电压缺相、电压断相和电流反极性，判断这几类报警是否有发生； 

3.4：计算第四个窃漏电评价指标——线损指标，线损率计算公式： 

3.5：计算第五个窃漏电评价指标——六角图指标：相位角可通过计算A、B、C三相的功率因数的反余弦得到； 

所述步骤4是指利用模糊神经网络进行建模，模糊神经网络结构包括： 

1)输入层，该层有n个结点直接与输入向量x连接，将输入值x＝[x₁,…,x_n]传送到下一层； 

2)模糊化层，若每个输入变量均定义有m个模糊集合，则此层内共有n×m个结点，分为n组，每组m个结点； 

第i组的m个结点输入都是x_i，其输出分别是各输入量属于输出值模糊集合的隶属度函数代表x_i的第j个模糊集合； 

3)模糊推理层，其每个结点代表一条模糊规则，它的作用是用来匹配模糊规则的前件，计算出每条规则的适用度，即： 

4)去模糊层，该层的作用实现归一化计算，即： 

5)输出层，它实现的是清晰化计算，并采用加权平均法，即: 

2.根据权利要求1所述的自适应的防窃漏电诊断方法，其特征是：所述的步骤1包括以下子步骤： 

1.1：确定样本覆盖范围 

至少包含近三年来所有的窃漏电大用户及随机选取8％正常用户； 

1.2：确定样本数据范围 

样本数据抽取时要包含窃漏电用户的窃漏电开始时间和结束时间节点前后各两个月的数据。 

3.根据权利要求1所述的自适应的防窃漏电诊断方法，其特征是：所述的步骤2包括以下子步骤： 

包括缺失值处理、异常值处理、节假日数据处理和负荷数据平滑处理： 

2.1：缺失值处理 

发现存在缺失现象时，通过同类型日数据结合插值算法进行处理； 

2.2：异常值处理 

对超出指标阀值范围的数据，通过同类型日数据结合插值算法进行修正处理； 

2.3：节假日数据处理 

周六修正系数＝最近一个月的采集周期内的工作日平均电量/周六的平均电量； 

节假日修改系数＝最近一个月采集周期内的工作日平均电量/节假日的平均电量； 

所述的节假日指周日、国庆、五一法定节假日； 

2.4：负荷数据平滑处理 

在进行数据格式化时，对实时负荷数据采用最高次数为20的多项式拟合方法进行平滑处理。 

4.根据权利要求1所述的自适应的防窃漏电诊断方法，其特征是：所述的步骤5包括以下步骤： 

5.1：从计量主站每日实时抽取所有计量点的电量、负荷、报警及线损数据； 

5.2：对实时抽取的计量数据进行缺失值处理、异常值处理、节假日数据处理、负荷数据平滑处理预处理； 

5.3：计算得到模型的输入项指标，即5E指标、5L指标、报警指标、线损指标和六角图指标； 

5.4：调用模型，得到各计量点的窃漏电嫌疑系数，嫌疑系数大于阈值则标示用户具有窃漏电行为。 

5.根据权利要求1所述的自适应的防窃漏电诊断方法，其特征是：所述的步骤6包括以下子步骤： 

6.1：对模型的评价结果进行人工审核，若诊断结果正确，则结束，否则至6.2； 

6.2：重新审视窃漏电评价指标及专家样本数据，必要时调整窃漏电评价指标或增补专家样本数据； 

6.3：重新训练窃漏电诊断模型，并保存模型。