CN115808563B - 一种基于用电功率异常分析的高压用户窃电检测方法 - Google Patents

Abstract

本发明提供一种基于用电功率异常分析的高压用户窃电检测方法，属于高压用户窃电检测技术领域；所要解决的技术问题为：提供一种基于用电功率异常分析的高压用户窃电检测方法的改进；解决该技术问题采用的技术方案为：采集收集电网营销业务系统中的档案数据、运行数据、事件数据、辅助研判数据；对数据中的噪声数据进行处理，针对用户功率数据，基于格拉布斯假设检验进行分相功率噪声数据，分别检测各相功率情况，剔除噪声数据；基于局部异常因子算法对三相三线表功率数据、三相四线表功率数据进行多变量离群点检测；基于功率数据，综合总分功率差动以及最大功率时刻有功与无功比较分析；本发明应用于高压用户窃电检测。

Description

一种基于用电功率异常分析的高压用户窃电检测方法

技术领域

本发明提供一种基于用电功率异常分析的高压用户窃电检测方法，属于高压用户窃电检测技术领域。

背景技术

随着社会经济的高速发展，为满足不断增长的用电需求，电力电网设备的建设速度和建设规模不断增加，但随着用电需求的不断增长，不规范用电如窃电行为越来越多，尤其在高电压用电领域问题较为突出；由于高压用户相比普通居民用户用电负荷一般都较大，大负荷运行及电费高成本支出，极大的提高了计量装置故障及用户窃电的概率，给电力公司带来较大的经济损失，因此针对高压电力设备计量的准确性显得尤为重要，对计量装置窃电异常的精准分析及时效性，显得更加关键和迫切。

目前针对高压用户的窃电行为进行检测，需要从海量大数据中通过人工系统筛查，工作量极大、效率低，且异常准确度不高，存在较多的误判漏判现象，导致窃电用户现场抓获难度较大，随着全社会信息的公开化和网络化，用户窃电手段也逐渐智能化、隐蔽化、规模化、职业化等特点，给反窃电工作带来很大困难，使供电企业蒙受巨大的经济损失。

基于此，针对用电信息采集数据深化的应用方法有待进一步改进；随着用电信息采集系统全覆盖工作的开展，采集系统数据已经在数据异常告警、线损管理等方面发挥了很好的效果，但是对于分相电量数据、功率数据、电压电流数据、事件数据的利用率不高，没有充分利用大数据分析工具深层次计算挖掘数据规律特征，诊断用户用电负荷特性，尤其是对窃电用户的数据分析方面十分欠缺。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于用电功率异常分析的高压用户窃电检测方法的改进。

为了解决上述技术问题，本发明采用的技术方案为：一种基于用电功率异常分析的高压用户窃电检测方法，包括如下检测步骤：

步骤一：基于大数据平台分布式服务功能，抽取电网营销业务系统中的档案数据，用电信息采集系统的运行数据、事件数据、辅助研判数据，基于离线数仓和关系型数据库进行数据存储，采用Spark引擎并行计算处理数据，完成数据准备；

步骤二：对分相功率数据进行预处理，针对用户功率数据，通过格拉布斯假设检验方法进行分相功率数据检测，分别检测各相功率数据情况，剔除噪声数据，提升目标用户数据质量；

步骤2.1：以A相功率数据为例，B、C相同样操作方式，定义原假设与备择假设为：H0：A相功率中没有噪声数据；H1：A相功率中存在噪声数据；

步骤2.2：将A相功率数据从小到大排序；

步骤2.3：计算A相功率数据的平均值和标准差s，计算公式分别为：

；

；

其中表示A相功率，为时刻点，；n为A相功率数据长度，取值为96；

步骤2.4：计算A相功率数据的Grubbs检验统计量：

首先，分别计算A相功率最小值min与平均值的偏差，以及最大值max与平均值，然后取偏差绝对值最大的数，再除以标准差s，得到Grubbs检验统计量，具体计算公式如下：

；

其中，；

步骤2.5：判断是否存在噪声：

基于格拉布斯表，获取格拉布斯临界值，其中n为数据长度，此时取值为96，p为置信概率，取0.95；

若，则拒绝原假设H0，即存在噪声数据；反之则接受原假设，即无噪声数据；

步骤2.6：对噪声数据进行处理：

对以上步骤检测出的分相功率噪声数据进行剔除，提高数据质量；

步骤三：对三相功率数据预处理，基于局部异常因子算法对三相三线表功率数据、三相四线表功率数据进行多变量离群点检测：

步骤3.1：通过点的k邻域来计算局部异常因子密度，对数据集中的每个点计算一个离群因子，通过判断局部异常因子是否接近于1来判定是否是离群因子，若局部异常因子远大于1，则认为是离群因子，接近于1，则是正常点；

步骤3.2：定义点p的k距离：将其他点与点p的距离从小到大排序，距离点p最近的第k个点的距离；

步骤3.3：定义点p的第k距离领域：到点p的距离小于等于k距离点的集合，共k个；

步骤3.4：定义点P相对于点o的可达距离为：

max（点o的k近邻距离，点P到点o的距离）；

步骤3.5：计算局部可达密度：

定义点p的局部可达密度为：点p的k最近邻点的平均可达距离的倒数，该值越大代表数据聚的越紧凑，表达式为：

；

其中：为点p的局部可达密度，k为最近邻的点数，为点p的第k距离领域内中各点o到点p的可达距离；

步骤3.6：计算局部离群点因子大小：

定义点p的局部离群点因子为：领域内点的局部可达密度的均值除以p点的局部可达密度，局部离群因子(LOF)的大小代表该点为离群点的可信度，即因子越大该点越可能是离群点，表达式为：

；

其中：为点p的局部离群点因子，为点p的第k距离领域内中各点o的局部可达密度；

步骤3.7：通过比较每个点p和其邻域点的密度来判断该点是否为离群点，如果点p的密度越低，则是离群点的概率越高；

步骤3.8：对离群点进行处理；

对以上步骤检测出的离群点进行剔除，提高数据质量；

步骤四：基于总分功率差动的窃电诊断模型构建：

步骤4.1：计算总分功率偏差：

定义三相四线总分功率偏差计算公式为：

，其中为时刻点，；为第时刻总有功功率，分别为第时刻A相、B相、C相有功功率；

定义三相三线总分功率偏差计算公式为：

；

其中：为时刻点，；为第时刻总有功功率，分别为第时刻A相、C相有功功率；

步骤4.2：计算总分功率偏差大于阈值的点数，即总分功率差动异常点数：

首先，分别判断各时刻的总分功率偏差是否大于阈值：

，其中为时刻点，；为阈值，基于业务经验，取值为0.01；

其次，计算总分差动异常点数，计算公式为：

，其中为时刻点，；

步骤4.3：计算有功功率有效点数：

首先，分别判断各时刻点是否有效，若同一时刻点有功功率存在某相非零，则记为有效，取值为1，公式为：

，其中为时刻点，；分别为第时刻A相、B相、C相有功功率；若为三相三线，则为0；

其次，计算有效点数：

，其中为时刻点，；

步骤4.4：计算总分功率差动异常点数占比：

；

步骤4.5：基于总分功率差动的窃电诊断：

若R大于，其中取值90%，则定义为总分功率异常；

步骤五：基于有功功率与无功功率的窃电诊断：

步骤5.1：分别获取三相有功功率绝对值最大时对应的时刻点：

若，则表示A相有功功率绝对值在第k时刻时最大，同样地：

若，则表示B相有功功率绝对值在第 l时刻时最大；

若，则表示C相有功功率绝对值在第时刻时最大；

步骤5.2：比较有功功率绝对值最大时刻点对应的有功功率与无功功率绝对值，判断功率是否异常：

若对应时刻点均满足有功功率绝对值大于无功功率绝对值，即满足：

，则功率异常，其中为第k时刻A相有功功率绝对值，为第k时刻A相无功功率绝对值；当表计为三相三线表时，B相有功功率与无功功率均为0；

步骤六：窃电综合诊断：

若同时满足步骤五与步骤六中功率异常的判断条件，则诊断该户存在窃电嫌疑，同时结合开表盖事件、停电记录事件、恒定磁场干扰事件等辅助研判，实现窃电综合诊断。

所述步骤一采集收集的数据中：

所述档案数据具体包括：电能表信息、用户信息、计量点信息；

所述运行数据具体包括：测量点日正反向电能示值曲线、日有功功率曲线、日无功功率曲线、日功率因数曲线、日电压曲线、日电流曲线；

所述事件数据具体包括：电能表潮流反向事件、电能表功率反向事件、开盖记录事件、电源异常事件、恒定磁场干扰事件、零线电流异常事件；

所述辅助研判数据具体包括：分相正反向电能示值数据、相位角数据。

本发明相对于现有技术具备的有益效果为：本发明具体提供一种高压用户窃电检测策略，主要基于现场业务专家经验逻辑，融合大数据算法形成用户计量设备综合分析诊断模型，运用Grubbs假设检验进行分相功率数据检测和处理，采用Local Outlier Factor(LOF)方法对三相功率检测和清洗，基于功率数据从总分功率差动及最大功率时刻对应有功功率与无功功率的比较分析，进行窃电综合诊断，从而提高运行中电能表计量及窃电诊断分析的准确度，提升基层现场工作的质效，降低企业的经济损失；本发明可通过及时诊断计量发现窃电异常用户，避免了长时间异常用电累计造成电量追补过大，容易产生司法纠纷案件的风险。

附图说明

下面结合附图对本发明做进一步说明：

图1为本发明向量计算可达距离的效果示意图。

具体实施方式

针对目前窃电方式越来越多，如无线遥控、有线远方控制、谐波电磁干扰、脉冲干扰等手段，窃电方法十分隐蔽，采用传统的用电检测方法根本无法判断，反窃电工作形势十分严峻，本发明提供一种基于功率异常的高压用户窃电诊断方法，主要针对高压运行计量设备提供远程智能诊断分析，能够及时、准确、高效地定位计量异常及窃电用户，最大限度地减小供电企业的经济损失，使窃电用户无处遁形，达到不能窃、不敢窃、不想窃的用电次序目标。

本发明提供的基于大数据平台的高压用户用电功率异常（窃电）分析检测方法，主要依托大数据平台，实现快速、稳定、大数据量抽取与存储计算，为窃电检测方法的实现提供数据支撑；基于Grubbs假设检验与Local Outlier Factor (LOF)检验的功率异常值大数据检测方法，并经过现场业务专家经验，综合总分功率差动异常以及最大电流时刻有功绝对值大于无功绝对值的诊断方法，结合系统事件类数据辅助研判，将窃电用户重点锁定，能够有效提升窃电异常分析的准确度；基于大数据平台开发构建反窃电系统，针对诊断输出的疑似窃电用户，通过接口调用的方式进行前后端交互，实现疑似窃电用户的工单推送以及统计展示。

首先，本发明需要基于大数据平台分布式服务，采用datax工具编写数据源配置进行数据抽取，基于离线数仓（hive）和关系型数据库（Oracle、Mysql）等存储技术，构建面向多源异构、结构化、非结构化存储模式，通过数据生命周期管理和灵活的存储策略实现存储分离，提高系统数据应用效率；此外，应用Spark计算引擎实现并行数据计算（目标用户筛选，空值填充等）。具体为：从营销业务系统以及用电信息采集系统中获取档案数据、运行数据、事件数据、辅助研判数据并进行计算存储，其中：

所述档案数据具体包括：电能表信息、用户信息、计量点信息；

所述运行数据具体包括：功率曲线数据（包括有功功率、无功功率）、电流曲线数据；

所述事件数据具体包括：开盖记录事件、停电事件、电源异常事件、恒定磁场干扰事件；

由于采集异常或终端、表计通信问题，导致功率数据存在计量偏差或采集误差等情况，因此在模型构建前，需对噪声数据进行检测并处理。针对用户功率数据，通过基于Grubbs假设检验的单变量噪声数据检测方法，分别检测各相功率情况，剔除噪声数据；采用基于Local Outlier Factor (LOF)方法对三相三线表功率数据和三相四线表功率数据进行多变量离群点检测并处理。

（1）基于Grubbs假设检验的单变量噪声数据检测：

Grubbs’Test为一种假设检验的方法，常被用来检验服从正态分布的单变量数据集（univariate data set）中的单个噪声数据。

以A相功率数据为例，B、C相同样操作方式。

定义原假设与备择假设为：H0：A相功率中没有噪声数据；H1：A相功率中存在噪声数据。

首先将A相功率数据从小到大排序；

其次，计算A相功率数据的均值和标准差s，计算公式分别为：

；

；

其中表示A相功率数据，为时刻点，；n为A相功率数据长度，取值为96。

再次，分别计算A相功率数据最小值min与平均值的偏差，以及最大值max与平均值，然后取偏差绝对值最大的数，再除以标准差s，得到Grubbs 检验统计量，具体计算公式如下：

；

其中，。

最后，基于格拉布斯表，获取格拉布斯临界值，其中为数据长度，此时取值为96，p为置信概率，取0.95。

若，则拒绝原假设H0，即存在噪声数据；反之则接受原假设，即无噪声数据。对检测出的分相功率噪声数据进行剔除，提高数据质量。

（2）基于Local Outlier Factor (LOF)的多变量离群点检测：

Local Outlier Factor，即局部异常因子。LOF是基于密度分析，通过局部的数据密度进行离群点检测。主要是通过比较每个点p和其邻域点的密度来判断该点是否为离群点，如果点p的密度越低，则是离群点的概率越高。密度通过点之间的距离来计算，点之间距离越远，密度越低，距离越近，密度越高。LOF对密度的计算是通过点的k邻域来计算，并不是全局计算，故为局部异常因子。

LOF算法对数据集中的每个点计算一个离群因子LOF，通过判断LOF是否接近于1来判定是否是离群因子。若LOF远大于1，则认为是离群因子，接近于1，则是正常点。

针对点p的k距离：

点p的k距离指将其他点与点p的距离从小到大排序，距离点p最近的第k个点的距离。

针对点p的第k距离领域：

点p的第k距离领域指到点p的距离小于等于k距离点的集合，共k个。

针对点P相对于点o的可达距离：

点P到点o的第k可达距离=max(点o的k近邻距离，点P到点o的距离)。

如图1所示为可达距离示意图，对于不同的点，其到点o的第k可达距离计算不同。

图1中点到o点的第k可达距离为，圆虚线为o点的k近邻距离（即第k个最近点到点o的距离，此时k取3），因为到o的距离小于点o的k近邻距离，则；点到o的距离大于，则点到o点的第k可达距离为点到o的距离。

针对局部可达密度：点p的局部可达密度定义为p的k最近邻点的平均可达距离的倒数（即点p的第k距离邻域内所有可达距离的平均值的导数），该值越大代表数据聚的越紧凑。

，式中：为点p的局部可达密度，k为最近邻的点数，为点p的第k距离领域内中各点o到点p的可达距离。

针对局部离群点因子：点p的局部离群点因子为领域内点的局部可达密度的均值除以p点的局部可达密度，局部离群因子(LOF)的大小代表该点为离群点的可信度。即因子越大，该点越可能是离群点。

，式中：为点p的局部离群点因子，为点p的第k距离领域内中各点o的局部可达密度。

然后进行基于功率数据的窃电诊断，具体为：

（1）基于总分功率差动的窃电诊断模型构建：

1）计算总分功率偏差：

定义三相四线总分功率偏差计算公式为：

，其中为时刻点，；为第时刻总有功功率，分别为第时刻A相、B相、C相有功功率；

定义三相三线总分功率偏差计算公式为：

；

其中：为时刻点，；为第时刻总有功功率，分别为第时刻A相、C相有功功率。

2）计算总分功率偏差大于阈值的点数，即总分功率差动异常点数。

首先，分别判断各时刻的总分功率偏差是否大于阈值：

，其中为时刻点，；为阈值，基于业务经验，取值为0.01；

其次，计算总分差动异常点数：

，其中为时刻点，。

3）计算有功功率有效点数。

首先，分别判断各时刻点是否有效，若同一时刻点有功功率存在某相非零，则记为有效，取值为1，公式为：

，其中为时刻点，；分别为第时刻A相、B相、C相有功功率；若为三相三线，则为0；

其次，计算有效点数：

，其中为时刻点，。

4）计算总分功率差动异常点数占比：

；

5）基于总分功率差动的窃电诊断：

若R大于，其中取值90%，则定义为总分功率异常。

（2）基于有功功率与无功功率的窃电诊断：

1）分别获取三相有功功率绝对值最大时对应的时刻点：

若，则表示A相有功功率绝对值在第k时刻时最大，同样地：

若，则表示B相有功功率绝对值在第 l时刻时最大；

若，则表示C相有功功率绝对值在第时刻时最大。

2）比较有功功率绝对值最大时刻点对应的有功功率与无功功率绝对值，判断功率是否异常。

若对应时刻点均满足有功功率绝对值大于无功功率绝对值，即满足：

，则功率异常，其中为第k时刻A相有功功率绝对值，为第k时刻A相无功功率绝对值。当表计为三相三线表时，B相有功功率与无功功率均为0。

（3）窃电综合诊断：

若同时满足步骤五与步骤六中功率异常的判断条件，则诊断该户存在窃电嫌疑。同时，结合开表盖事件、停电记录事件、恒定磁场干扰事件等辅助研判，实现窃电综合诊断。

针对模型输出的疑似窃电用户，利用大数据平台将用户明细推送至反窃电系统，实现工单推送，并按单位、工单状态，查处用户数及追回金额等角度统计展示，支撑高压窃电检测方法的应用，辅助现场反窃电稽查工作。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (2)

1.一种基于用电功率异常分析的高压用户窃电检测方法，其特征在于：包括如下检测步骤：

步骤一：基于大数据平台分布式服务功能，抽取电网营销业务系统中的档案数据，用电信息采集系统的运行数据、事件数据、辅助研判数据，基于离线数仓和关系型数据库进行数据存储，采用Spark引擎并行计算处理数据，完成数据准备；

步骤二：对分相功率数据进行预处理，针对用户功率数据，通过格拉布斯假设检验方法进行分相功率数据检测，分别检测各相功率数据情况，剔除噪声数据，提升目标用户数据质量；

步骤2.1：以A相功率数据为例，B、C相同样操作方式，定义原假设与备择假设为：H0：A相功率中没有噪声数据；H1：A相功率中存在噪声数据；

步骤2.2：将A相功率数据从小到大排序；

步骤2.3：计算A相功率数据的平均值和标准差s，计算公式分别为：

；

；

其中表示A相功率，为时刻点，；n为A相功率数据长度，取值为96；

步骤2.4：计算A相功率数据的Grubbs检验统计量：

首先，分别计算A相功率最小值min与平均值的偏差，以及最大值max与平均值的偏差，然后取偏差绝对值最大的数，再除以标准差s，得到Grubbs检验统计量，具体计算公式如下：

；

其中，；

步骤2.5：判断是否存在噪声：

基于格拉布斯表，获取格拉布斯临界值，其中n为数据长度，此时取值为96，p为置信概率，取0.95；

若，则拒绝原假设H0，即存在噪声数据；反之则接受原假设，即无噪声数据；

步骤2.6：对噪声数据进行处理：

对以上步骤检测出的分相功率噪声数据进行剔除，提高数据质量；

步骤三：对三相功率数据预处理，基于局部异常因子算法对三相三线表功率数据、三相四线表功率数据进行多变量离群点检测：

步骤3.1：通过点的k邻域来计算局部异常因子密度，对数据集中的每个点计算一个离群因子，通过判断局部异常因子是否接近于1来判定是否是离群因子，若局部异常因子远大于1，则认为是离群因子，接近于1，则是正常点；

步骤3.2：定义点p的k距离：将其他点与点p的距离从小到大排序，距离点p最近的第k个点的距离；

步骤3.3：定义点p的第k距离领域：到点p的距离小于等于k距离点的集合，共k个；

步骤3.4：定义点P相对于点o的可达距离为：

max（点o的k近邻距离，点P到点o的距离）；

步骤3.5：计算局部可达密度：

定义点p的局部可达密度为：点p的k最近邻点的平均可达距离的倒数，该值越大代表数据聚的越紧凑，表达式为：

；

其中：为点p的局部可达密度，k为最近邻的点数，为点p的第k距离领域内中各点o到点p的可达距离；

步骤3.6：计算局部离群点因子大小：

定义点p的局部离群点因子为：领域内点的局部可达密度的均值除以p点的局部可达密度，局部离群因子(LOF)的大小代表该点为离群点的可信度，即因子越大该点越可能是离群点，表达式为：

；

其中：为点p的局部离群点因子，为点p的第k距离领域内中各点o的局部可达密度；

步骤3.7：通过比较每个点p和其邻域点的密度来判断该点是否为离群点，如果点p的密度越低，则是离群点的概率越高；

步骤3.8：对离群点进行处理；

对以上步骤检测出的离群点进行剔除，提高数据质量；

步骤四：基于总分功率差动的窃电诊断模型构建：

步骤4.1：计算总分功率偏差：

定义三相四线总分功率偏差计算公式为：

，其中为时刻点，；为第时刻总有功功率，分别为第时刻A相、B相、C相有功功率；

定义三相三线总分功率偏差计算公式为：

；

其中：为时刻点，；为第时刻总有功功率，分别为第时刻A相、C相有功功率；

步骤4.2：计算总分功率偏差大于阈值的点数，即总分功率差动异常点数：

首先，分别判断各时刻的总分功率偏差是否大于阈值：

，其中为时刻点，；为阈值，基于业务经验，取值为0.01；

其次，计算总分差动异常点数，计算公式为：

，其中为时刻点，；

步骤4.3：计算有功功率有效点数：

首先，分别判断各时刻点是否有效，若同一时刻点有功功率存在某相非零，则记为有效，取值为1，公式为：

，其中为时刻点，；分别为第时刻A相、B相、C相有功功率；若为三相三线，则为0；

其次，计算有效点数：

，其中为时刻点，；

步骤4.4：计算总分功率差动异常点数占比：

；

步骤4.5：基于总分功率差动的窃电诊断：

若R大于，其中取值90%，则定义为总分功率异常；

步骤五：基于有功功率与无功功率的窃电诊断：

步骤5.1：分别获取三相有功功率绝对值最大时对应的时刻点：

若，则表示A相有功功率绝对值在第k时刻时最大，同样地：

若，则表示B相有功功率绝对值在第l时刻时最大；

若，则表示C相有功功率绝对值在第

时刻时最大；

步骤5.2：比较有功功率绝对值最大时刻点对应的有功功率与无功功率绝对值，判断功率是否异常：

若对应时刻点均满足有功功率绝对值大于无功功率绝对值，即满足：

，则功率异常，其中为第k时刻A相有功功率绝对值，为第k时刻A相无功功率绝对值；当表计为三相三线表时，B相有功功率与无功功率均为0；

步骤六：窃电综合诊断：

若满足步骤五中功率异常的判断条件，则诊断该户存在窃电嫌疑，同时结合开表盖事件、停电记录事件、恒定磁场干扰事件辅助研判，实现窃电综合诊断。

2.根据权利要求1所述的一种基于用电功率异常分析的高压用户窃电检测方法，其特征在于：所述步骤一采集收集的数据中：

所述档案数据具体包括：电能表信息、用户信息、计量点信息；

所述运行数据具体包括：测量点日正反向电能示值曲线、日有功功率曲线、日无功功率曲线、日功率因数曲线、日电压曲线、日电流曲线；

所述事件数据具体包括：电能表潮流反向事件、电能表功率反向事件、开盖记录事件、电源异常事件、恒定磁场干扰事件、零线电流异常事件；

所述辅助研判数据具体包括：分相正反向电能示值数据、相位角数据。

Images