CN116089856A - 基于用电数据的窃电电量分析方法、装置及电子设备 - Google Patents

Abstract

本发明公开了基于历史用电数据的窃电电量分析方法、装置及电子设备，涉及电力窃电检测技术领域，其技术方案要点是：本发明确定特征数据集中的约束条件，由约束条件对子特征数据进行分类，从而得到了表示不满足约束条件的子特征数据的时间长度的分类结果，利用聚类算法对一个时间序列所计量的历史用电数据进行聚类，将一个时段序列中的不正常用电数据聚类在一起标注为异常历史用电数据，那么异常历史用电数据的时段长度就对应了窃电的时间长度，利用所述分类结果对所述聚类结果进行验证，保证了对不符合约束条件的子特征数据分类准确性，而通过窃电识别模型中识别出不满足约束条件的子特征数据对应的异常历史用电数据的窃电方式。

Description

基于用电数据的窃电电量分析方法、装置及电子设备

技术领域

本发明涉及一种电力窃电检测技术领域，更具体地说，它涉及基于用电数据的窃电电量分析方法、装置及电子设备。

背景技术

在电力供应和使用中，少数用户非法窃电，以达到不交或者少交电费的目的。窃电不仅使线损升高、供电企业蒙受巨大的经济损失，而且易导致供电线路跳闸中断供电、变压器烧损，甚至造成人身伤亡事故的巨大危害。随着技术手段的提高，窃电手段日益隐蔽，专业化、职业化窃电现象越来越严重，给国家电网公司造成损失，故此如何有效地进行反窃电是供电企业的重点方向。

目前相关技术中的窃电检测手段主要以人工的检验方法为主，基于人工的检验方法主要通过电力公司专业人员的主观经验和知识进行窃电检测，需要供电企业定期遣派大量的工作人员筛查潜在窃电区域，但用电者数目众多，这种方法筛查效率低，及时性与精准性不能保障。当前智能电表的已普遍应用于各种电力用户，其采集的用户的用电信息已达到较高的质量，具有实用价值。

因此如何对用电信息数据进行数据分析与挖掘，从而准确的分析出用户的窃电行为以及窃电时间，以解决相关技术中对于窃电检测的精准性较低的问题是目前急需解决的问题。

发明内容

本发明为了解决相关技术中对于窃电检测的精准性较低的问题，提供基于用电数据的窃电电量分析方法、装置及电子设备，本发明根据智能电表的计量方式建立对历史用电数据进行窃电分析的特征数据集，并确定特征数据集中的子特征数据的约束条件，由约束条件对子特征数据进行分类，从而得到了表示不满足约束条件的子特征数据的时间长度的分类结果，利用聚类算法对一个时间序列所计量的历史用电数据进行聚类，将一个时段序列中的不正常用电数据聚类在一起标注为异常历史用电数据，那么异常历史用电数据的时段长度就对应了窃电的时间长度，利用所述分类结果对所述聚类结果进行验证，从而综合了聚类和分类两种结果，保证了对不符合约束条件的子特征数据分类准确性，进一步提升了窃电分析的准确性，而通过窃电识别模型中识别出不满足约束条件的子特征数据对应的异常历史用电数据的窃电方式，则进一步的明确了窃电的具体行为，对窃电现在的勘验的结果起到补充和验证的效果，提升窃电检测的精准性；相应地，作为本领域技术人员的公知常识，基于微积分思想即可根据异常历史用电数据与窃电的时间长度，从而可以准确的计算出被窃电量。

本发明的上述技术目的是通过以下技术方案得以实现的：

本申请的第一方面，提供了一种基于用电数据的窃电电量分析方法，方法包括：

获取智能电表所计量的历史用电数据；

根据智能电表的计量方式建立对所述历史用电数据进行窃电分析的特征数据集；

确定在正常运行条件下所述特征数据集所包含的子特征数据的约束条件；

利用所述约束条件对子特征数据进行分类，得到与子特征数据对应的分类结果，其中分类结果表示不满足约束条件的子特征数据的时间长度；

利用聚类算法对一个时间序列所计量的历史用电数据进行聚类，得到聚类结果，其中聚类结果表示异常历史用电数据的时间长度；

利用所述分类结果对所述聚类结果进行验证，以确定不满足约束条件的子特征数据对应的异常历史用电数据，并将异常历史用电数据输入至窃电识别模型中识别出对应的窃电方式；

根据所述异常历史用电数据与时间长度，计算出被窃电量。

在一种实施方案中，所述计量方式包括高供高计、高供低计和低供低计三种计量方式，其中所述历史用电数据包含高供高计、高供低计和低供低计三种计量方式下智能电表所获取的电力参数。

在一种实施方案中，所述特征数据集中的子特征数据包括三相线电压、三相电压、三相电流、有功功率、无功功率、功率因数、有功电量和无功电量，其中有功电量包括正向有功电量和反向有功电量，无功电量包括正向无功电量和反向无功电量。

在一种实施方案中，所述约束条件包括：

在正常运行条件下，所述特征数据集中的子特征数据均为正值；

在高供高计计量方式下，三相线电压为三相三线中A相与B相之间的线电压，以及C相与B相之间的线电压，其中A相与B相之间的线电压与C相与B相之间的线电压的差值等于第一阈值，且A相与B相之间的线电压与C相与B相之间的线电压的值处于额定值的正负百分之十之间，其中第一阈值表示A相与B相之间的线电压同C相与B相之间的线电压之间的差异量；

在高供低计计量方式下，三相电压三者之间的差值为第二阈值，且三相电压的值处于三相额定电压的正负百分之十之间，其中第二阈值表示A相、B相、C相之间的差异量；

在所述历史用电数据中与子特征数据对应的电力参数应满足有功功率的功率曲线。

在一种实施方案中，将异常历史用电数据输入至窃电识别模型中识别出对应的窃电方式，包括：

在异常历史用电数据为总用电量与各费率电量之和不等时，窃电识别模型计算历史用电数据中正向有功电量与正向有功各费率电量之和，或反向有功电量与反向有功各费率电量之和的差值，在差值的绝对值大于费率数与常数系数的乘积时，窃电方式为改变智能电表的表内参数窃电；

在异常历史用电数据为用电量异常时，窃电识别模型计算当日用电量与前日用电量的差值，在当日用电量与前日用电量的差值小于零时，窃电方式为改变电流或电压相序窃电；或者，窃电识别模型计算当日用电量与前两日用电量的差值，在当日用电量与前两日用电量的差值等于零时，窃电方式包括电流或电压回路开路窃电，和电流回路二次短路窃电。

在一种实施方案中，识别出异常历史用电数据对应的窃电方式，还包括：

在异常历史用电数据为三相电压等于零时，窃电识别模型判断任意一相电压是否小于参比电压与常数系数的乘积，且另一相电压或另两相电压是否大于等于参比电压与常数系数的乘积，若是，则窃电方式为通过断开智能电表的计量回路的一相或多相电压窃电；

在异常历史用电数据为三相电压低于额定电压值时，窃电识别模型判断任意一相电压是否小于参比电压与常数系数的乘积，若是，则窃电方式为智能电表所计量的回路欠压窃电；

在异常历史用电数据为三相电压不平衡时，窃电识别模型计算三相电压的不平衡率，在三相电压的不平衡率大于0.9时，窃电方式为单相或两相欠压窃电；

在异常历史用电数据为B相电压不为零时，窃电识别模型判断智能电表的计量方式是否为高供高计，且判断智能电表的接线方式是否为三相三线，若是，则窃电方式为B相接入单相负荷窃电。

在一种实施方案中，识别出异常历史用电数据对应的窃电方式，还包括：

在异常历史用电数据为任一相或两相电流小于启动电流时，窃电识别模型判断判断任意一相电流是否小于启动电流，且另一相电流或另两相电流是否大于等于0.05倍额定电流，若是，则窃电方式为通过断开智能电表的计量回路的一相或多相电流回路分流窃电，其中，启动电流等于0.005倍额定电流；

在异常历史用电数据为三相电流不平衡时，窃电识别模型计算三相电流的不平衡率，在三相电流的不平衡率大于0.95时，窃电方式为单相或两相分流窃电；

在异常历史用电数据为连续多个时间序列的有功功率小于正常值时，窃电识别模型计算连续多个时间序列下的二次侧有功功率最大值与二次侧额定功率的比值，在比值小于等于比值阈值时，窃电方式为电流回路分流窃电。

在一种实施方案中，识别出异常历史用电数据对应的窃电方式，还包括：

在异常历史用电数据为功率因数异常时，窃电识别模型判断一相的功率因素或两相的功率因素或总功率因素是否小于功率因数阈值，或窃电识别模型判断一相的功率因素或两相的功率因素或总功率因素是否为负值，若是则窃电方式为接错相窃电；

在异常历史用电数据为日平均功率因数异常时，在正向有功总电量大于零时，窃电识别模块判断日平均功率因数是否大于日平均功率因数阈值，若是则窃电方式为接错相窃电；

在异常历史用电数据为有功电量异常时，智能电表计量出正常用电用户出现反向有功电量，窃电识别模块判断反向有功电量是否大于设定的反向有功电量阈值，若是则窃电方式为接错相窃电；

在异常历史用电数据为电流或功率异常时，窃电识别模型判断电流或功率出现负值的次数是否大于设定的次数阈值，若是窃电方式为接错相窃电。

本申请的第二方面，提供了一种基于用电数据的窃电电量分析装置，装置包括：

数据获取模块，用于获取智能电表所计量的历史用电数据；

特征数据集模块，用于根据智能电表的计量方式建立对所述历史用电数据进行窃电分析的特征数据集；

约束条件模块，用于确定在正常运行条件下所述特征数据集所包含的子特征数据的约束条件；

特征分类模块，用于利用所述约束条件对子特征数据进行分类，得到与子特征数据对应的分类结果，其中分类结果表示不满足约束条件的子特征数据的时间长度；

特征聚类模块，用于利用聚类算法对一个时间序列所计量的历史用电数据进行聚类，得到聚类结果，其中聚类结果表示异常历史用电数据的时间长度；

分类结果验证模块，用于利用所述分类结果对所述聚类结果进行验证，以确定不满足约束条件的子特征数据对应的异常历史用电数据，并将异常历史用电数据输入至窃电识别模型中识别出对应的窃电方式；

被窃电量计算模块，用于根据所述异常历史用电数据与时间长度，计算出被窃电量。

本申请第三方面，提供了一种电子设备，所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如本申请的第一方面中任一项所述的基于用电数据的窃电电量分析方法的步骤。

与现有技术相比，本发明具有以下有益效果：

本发明提供的一种基于用电数据的窃电电量分析方法，根据智能电表的计量方式建立对历史用电数据进行窃电分析的特征数据集，并确定特征数据集中的子特征数据的约束条件，由约束条件对子特征数据进行分类，从而得到了表示不满足约束条件的子特征数据的时间长度的分类结果，利用聚类算法对一个时间序列所计量的历史用电数据进行聚类，将一个时段序列中的不正常用电数据聚类在一起标注为异常历史用电数据，那么异常历史用电数据的时段长度就对应了窃电的时间长度，利用所述分类结果对所述聚类结果进行验证，从而综合了聚类和分类两种结果，保证了对不符合约束条件的子特征数据分类准确性，进一步提升了窃电分析的准确性，而通过窃电识别模型中识别出不满足约束条件的子特征数据对应的异常历史用电数据的窃电方式，则进一步的明确了窃电的具体行为，对窃电现在的勘验的结果起到补充和验证的效果，提升窃电检测的精准性；相应地，作为本领域技术人员的公知常识，基于微积分思想即可根据异常历史用电数据与窃电的时间长度，从而可以准确的计算出被窃电量。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本申请实施例提供的基于用电数据的窃电电量分析方法的流程示意图；

图2为本申请实施例提供的基于用电数据的窃电电量分析装置的原理框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在电力供应和使用中，少数用户非法窃电，以达到不交或者少交电费的目的。窃电不仅使线损升高、供电企业蒙受巨大的经济损失，而且易导致供电线路跳闸中断供电、变压器烧损，甚至造成人身伤亡事故的巨大危害。随着技术手段的提高，窃电手段日益隐蔽，专业化、职业化窃电现象越来越严重，给国家电网公司造成损失，故此如何有效地进行反窃电是供电企业的重点方向。

目前相关技术中的窃电检测手段主要以人工的检验方法为主，基于人工的检验方法主要通过电力公司专业人员的主观经验和知识进行窃电检测，需要供电企业定期遣派大量的工作人员筛查潜在窃电区域，但用电者数目众多，这种方法筛查效率低，及时性与精准性不能保障。当前智能电表的已普遍应用于各种电力用户，其采集的用户的用电信息已达到较高的质量，具有实用价值。

因此如何对用电信息数据进行数据分析与挖掘，从而准确的分析出用户的窃电行为以及窃电时间，以解决相关技术中对于窃电检测的精准性较低的问题是目前急需解决的问题。

综上，本申请实施例提供了基于用电数据的窃电电量分析方法，提高了窃电检测的精准性。请参考图1，图1为本申请实施例提供的基于用电数据的窃电电量分析方法的流程示意图，如图1所示，方法包括以下步骤：

S110，获取智能电表所计量的历史用电数据。

本实施例中，由于电力用户的类型包括了工业用户、商业用户以及居民用户，而不同类型的用户的进线方式以及电压等级均是不同的，故此智能电表的接线方式也有差异，所计量的数据也有一定的不同的，故此对不同计量方式的用户进行分类，从而得到不同计量方式下的用户的历史用电数据。历史用电数据不仅包括了该用户的用电量数据，还包括了一些二次侧线路的电力参数，例如电流、电压、功率等，上述列举的一些基本电力参数，还包括一些别的参数，此为本领域技术人员的公知常识，故不做多余的赘述。由于智能电表是智能电网的智能终端，除了具备传统电能表基本用电量的计量功能以外，为了适应智能电网和新能源的使用它还具有双向多种费率计量功能、用户端控制功能、多种数据传输模式的双向数据通信功能、防窃电功能等智能化的功能，智能电表包括了三相四线电表、单相电表以及三相三线电表，具体的型号是本领域技术人员的公知常识，不做说明。

需要说明的是，所获取的历史用电数据是具有时间序列的。

S120，根据智能电表的计量方式建立对所述历史用电数据进行窃电分析的特征数据集。

在本实施例中，计量方式包括高供高计、高供低计和低供低计三种计量方式，故此，上述实施例的步骤S110中的历史用电数据包含高供高计、高供低计和低供低计三种计量方式下智能电表所获取的电力参数。而一般来讲，普通的居民用电一般是低供低计计量方式，而高供高计、高供低计两种计量方式则一般是工业用户和商业用户，故此为避免历史用电数据量过大，降低分析效率，故此，对于高供高计、高供低计的计量方式，一个小时只获取四次用户的历史用电数据，而对于低供低计则一天只获取一次历史用电数据。

例如，目前10kV配电网采用中性点不接地系统，因此高供高计一般采用三相三线功率表，其中B相电压通常用作参考，而B相电流不输入功率表。这样，智能电表测量的电力参数包括U_AB(A相和B相间的线电压)、U_CB(C相和B相间的线电流)、I_A(A相电流)和I_C(C相电流)，所有三相的总有功功率P为：

其中，

和

分别为A相和C相的相位角。在三相平衡正常运行情况下，

和

是相近的。

低压侧(380V或220V)普遍采用中性点接地系统，因此，在高供低计系统中使用三相四线功率表。这样，电表测量的电力参数包括U_A(A相对地电压)、U_B(B相对地电压)、U_C(C相对地电压)、I_A、I_B和I_C，所有三相的总有功功率P为：

一般低供低计的用户使用单相电表，有功功耗的计算与式(2)非常相似，只是一相或两相的功率为零。

故此，所建立对历史用电数据进行窃电分析的特征数据集也包含了三种计量方式下的特征数据集，由于电表与电网的二次侧的接线方式不同，故此，三种计量方式下的特征数据集也有差异。

S130，确定在正常运行条件下所述特征数据集所包含的子特征数据的约束条件。

本实施例中，所谓的正常运行条件下，即排除了电网故障、电表故障以及线路检修等所带来的一些外部故障因素，在电网正常运行下的电力参数的标准条件，即为约束条件。

S140，利用所述约束条件对子特征数据进行分类，得到与子特征数据对应的分类结果，其中分类结果表示不满足约束条件的子特征数据的时间长度。

本实施例中，如果发生窃电，上述实施例的步骤S130的约束条件即可能被破坏。例如，三相四线系统中，使用失压窃电方法，打开其中一相的电压回路时，该相测量电压变为零，其他两相电压正常，那么大约三分之一的电量被窃取。特征数据集中的各个子特征数据不应为零的电压出现零值则可能是窃电的明确指示，零值的长度意味着窃电的时间段。通过将电压时序数据是否等于0进行分类，为0即为异常数据，而异常数据的时间长度即为窃电的时间段，从而计算被窃的电量。再例如电流、电压、功率、功率因素以及日电量等参量均可用约束条件是否被破坏进行计算，每列数据均可得到其对应的分类结果。分类的依据包括但不限于如下依据：电流为零、电流为负值、电压为零、电压不为零但偏离额定值10％、功率为零、功率为负、功率因素小于0.9、功率因素为负、日用电量为0。

S150，利用聚类算法对一个时间序列所计量的历史用电数据进行聚类，得到聚类结果，其中聚类结果表示异常历史用电数据的时间长度。

在本实施例中，聚类算法通常被用于不同用户或不同参数间的数据来识别窃电，而本实施例中不是使用聚类算法来检测用户之间的异常用电行为，或识别同一用户不同参数的异常情况，本实施例是将聚类算法应用于单个用户的一个时间序列所计量的历史用电数据，例如，用户的日电量数据集是一个时间序列下的用电数据，它记录了该用户的用电量历史。如果该用户窃电，则其在某个时间段内的用电量必然降低到异常水平。通过使用聚类算法，将窃电时段期间的用电量数据聚类在一起标注为异常，那么异常数据时段的长度就对应了窃电时段的长度。同理，聚类算法可以应用于功率、功率因素、电流等电力参数上，同样可以分别得到异常用电数据的时间长度。k-means或改进的k-means、模糊C均值或其他适当的聚类算法均可应用在本实施例中实现聚类。

进一步的，本实施例优选使用改进的k-means算法，但并不限于使用k-means以外的各种聚类算法。优选的原因在于，K-means算法简单快速，效率高，可扩展性强。然而，k-means算法初始中心和k值需要手动随机设置，而它们的选择对最终结果有很大影响。若选择不佳，则可能陷入局部优化而得到错误的结果。因此，根据用户的历史用电数据和窃电分析的实际情况，故此，本实施例优选使用改进的k-means算法，即首先通过适当的方法或算法，选择适当的k值和初始聚类中心，再进行常规的k-means算法运算，而改进的k-means算法的聚类过程是现有技术且改进的k-means算法众多，故此处不再赘述。

S160，利用所述分类结果对所述聚类结果进行验证，以确定不满足约束条件的子特征数据对应的异常历史用电数据，并将异常历史用电数据输入至窃电识别模型中识别出对应的窃电方式。

本实施例中，将以上通过聚类和分类所得到的结果，进行综合判断或印证。例如，通过分析用于窃电分析的特征数据集，可以识别窃电的方法。这是因为用户用电数据中包含了窃电方式的信息，即窃电的方法可以通过数据挖掘来识别，可以用来验证窃电现场调查记录的窃电方法，从而为窃电电量的计算奠定基础，而窃电识别模型可以是一种数学模型，根据异常历史用电数据与正常用电数据或阈值比较，从而识别出相应的窃电方式。从上述实施例的式(1)和(2)可以看出，测量到的功率取决于电压、电流和相位角。因此，窃电用户改变这三个要素中的任何一个都会改变测量到的功率，最终改变用电量，达到窃电的目的。相位角是与功率因素直接相关的，因为功率因素就是相位角的余弦。所以，监测和分析电流、电压和功率因素，就可以分辨出发生异常的参量，从而分析出可能的窃电方式。窃电方式可分为以下几类：

1.改变电流：短路、断开、旁路、重新连接功率表的端子，或使用其他方法改变电流值或方向；

2.改变电压：断开、重新连接功率表的端子，或使用其他方法改变电压值；

3.改变电能表的接线，从而改变电流和电压的正常相位关系，导致电能表缓慢甚至反向。

4.改变甚至损坏电能表的结构导致电能表不能正常工作；

5.重新编程功率表：在不改变任何硬件或接线的情况下，使用功率表编程器来改变峰值、平均值和谷值功耗的比例，以降低电费。

用户一旦有窃电行为，其历史用电数据就会出现不正常的情况。分析判断出不正常的数据情况就可以推导出可能的窃电方式，从而验证和补充现场技术人员勘验的结果

S170，根据所述异常历史用电数据与时间长度，计算出被窃电量。

本实施例中，得到窃电时间长度和窃电方式的基础上，就可以计算出被窃电量；再辅以用户正常用电时的情况分析，可以准确地计算被窃的电量。一旦窃电时间长度和窃电方式得到确定，某些窃电方式下，比如用正常电流或电压代替电流或电压为零的相，就可以用正确的数值代替上述实施例的式(1)和(2)中因窃电被改变的电力参数，从而可以比较准确地计算出被窃电量。另有些不能简单代替的情况，比如分流窃电的情况，就可以用正常用电时的功率曲线近似代替窃电时的功率曲线，从而计算出被窃电量的近似值。

综上所述的实施例，本发明提供的窃电电量分析方法，根据智能电表的计量方式建立对历史用电数据进行窃电分析的特征数据集，并确定特征数据集中的子特征数据的约束条件，由约束条件对子特征数据进行分类，从而得到了表示不满足约束条件的子特征数据的时间长度的分类结果，利用聚类算法对一个时间序列所计量的历史用电数据进行聚类，将一个时段序列中的不正常用电数据聚类在一起标注为异常历史用电数据，那么异常历史用电数据的时段长度就对应了窃电的时间长度，利用所述分类结果对所述聚类结果进行验证，从而综合了聚类和分类两种结果，保证了对不符合约束条件的子特征数据分类准确性，进一步提升了窃电分析的准确性，而通过窃电识别模型中识别出不满足约束条件的子特征数据对应的异常历史用电数据的窃电方式，则进一步的明确了窃电的具体行为，对窃电现在的勘验的结果起到补充和验证的效果，提升窃电检测的精准性。

在一个实施例中，所述特征数据集中的子特征数据包括三相线电压、三相电压、三相电流、有功功率、无功功率、功率因数、有功电量和无功电量，其中有功电量包括正向有功电量和反向有功电量，无功电量包括正向无功电量和反向无功电量。

本实施例中，由于特征数据集是针对三种计量方式的用户的历史用电数据建立的，故此，高供高计用户特征数据集包括U_AB、U_CB、I_A、I_C、P(有功功率)、Q(无功功率)，pf(功率因数)、E_AP(正向有功电量)、E_AR(反向有功电量)、E_RP(正向无功电量)和E_RR(反向无功电量)。高供低计用户特征数据集包括U_A、U_B、U_C、I_A、I_B、I_C、P、Q、pf、E_AP、E_AR、E_RP和E_RR。低供低计用户一般仅有日冻结电量，故其特征数据集仅有日冻结电量，如下表1所示：

表1用于窃电分析的特征数据集

在一个实施例中，所述约束条件包括：

在正常运行条件下，所述特征数据集中的子特征数据均为正值；

在高供高计计量方式下，三相线电压为三相三线中A相与B相之间的线电压，以及C相与B相之间的线电压，其中A相与B相之间的线电压与C相与B相之间的线电压的差值等于第一阈值，且A相与B相之间的线电压与C相与B相之间的线电压的值处于额定值的正负百分之十之间，其中第一阈值表示A相与B相之间的线电压同C相与B相之间的线电压之间的差异量；

在高供低计计量方式下，三相电压三者之间的差值为第二阈值，且三相电压的值处于三相额定电压的正负百分之十之间，其中第二阈值表示A相、B相、C相之间的差异量；

在所述历史用电数据中与子特征数据对应的电力参数应满足有功功率的功率曲线。

具体的，在本实施例中，在正常运行条件下子特征数据均为正值，这是本领域技术人员的公知常识，故此不做多余的叙述。

在高供高计计量方式下，一般采用三相三线功率表，一般来讲B相电压通常用作参考，故此在正常运行条件下，U_AB和U_CB的值应相似，差异应很小，因此第一阈值的取值是很小的，对于第一阈值的具体取值可根据实际情况决定，此处不做说明，而作为本领域技术人员的公知常识，U_AB和U_CB值均应在其额定值附近，不应长期过低或过高(10％以上)或为负值，且波动幅度不应过大，这是三相之间的线电压的特性，故此不做多余赘述。

与高供高计计量方式下同理，在高供低计计量方式下，U_A、U_B和U_C的值应相似，三者之间的差异应很小，U_A、U_B和U_C的值均应在其额定值附近，不应长期过低或过高(10％以上)或为负值，且波动幅度不应过大。

而作为本领域技术人员的公知常识，表1中的子特征数据需满足上述实施例所述的式(1)和(2)，即可类比于欧姆定律，此为常规技术手段不做详细解释。

在一个实施例中，将异常历史用电数据输入至窃电识别模型中识别出对应的窃电方式，包括：

在异常历史用电数据为总用电量与各费率电量之和不等时，窃电识别模型计算历史用电数据中正向有功电量与正向有功各费率电量之和，或反向有功电量与反向有功各费率电量之和的差值，在差值的绝对值大于费率数与常数系数的乘积时，窃电方式为改变智能电表的表内参数窃电；

在异常历史用电数据为用电量异常时，窃电识别模型计算当日用电量与前日用电量的差值，在当日用电量与前日用电量的差值小于零时，窃电方式为改变电流或电压相序窃电；或者，窃电识别模型计算当日用电量与前两日用电量的差值，在当日用电量与前两日用电量的差值等于零时，窃电方式包括电流或电压回路开路窃电，和电流回路二次短路窃电。

本实施例中，考虑了用户在智能电表上接线进行窃电，从而使得所获取的历史用电数据中的用电量数据出现异常，例如总用电量与各费率电量之和不等时说明窃电用户调整了电表的表内参数，例如将电表的所计量的用电量数值调小。

再例如，在异常历史用电数据为用电量异常时，如电量减小，电能表倒走，则可能是因为了改变智能电表与线路二次侧的接线导致电流或电压相序错位，而产生窃电行为。亦或者，用电量不变，电能表停止走字，则可能是因为电流或电压回路开路、电流回路二次短路窃电，导致了电表无法读取到相应的电流值和电压值。

在一个实施例中，识别出异常历史用电数据对应的窃电方式，还包括：

在异常历史用电数据为三相电压等于零时，窃电识别模型判断任意一相电压是否小于参比电压与常数系数的乘积，且另一相电压或另两相电压是否大于等于参比电压与常数系数的乘积，若是，则窃电方式为通过断开智能电表的计量回路的一相或多相电压窃电；

在异常历史用电数据为三相电压低于额定电压值时，窃电识别模型判断任意一相电压是否小于参比电压与常数系数的乘积，若是，则窃电方式为智能电表所计量的回路欠压窃电；

在异常历史用电数据为三相电压不平衡时，窃电识别模型计算三相电压的不平衡率，在三相电压的不平衡率大于0.9时，窃电方式为单相或两相欠压窃电；

在异常历史用电数据为B相电压不为零时，窃电识别模型判断智能电表的计量方式是否为高供高计，且判断智能电表的接线方式是否为三相三线，若是，则窃电方式为B相接入单相负荷窃电。

在本实施例中，考虑了三相电路中一相或多相失压，即电压接近或等于0，电压值可参见电压曲线的变化情况，识别方法包括以下步骤：

在三相三线中，AC两相中任一相电压小于K*参比电压，另一相电压不小于K*参比电压；K表示常数系数。在三相四线中，ABC三相中任一相电压小于K*参比电压，另外两相中任一相电压不小于K*参比电压。

可以理解的是，若只是以一个电压数据作为判断存在误差，故此一天内需至少监测到连续3个点的电压数值满足上述的三相三线和三相四线中关于电压数据的判断条件。其中，参比电压取计量点参数中的电压上限值。

相应的，三相电路中的电压异常情况还包括：电压低于正常值、三相电压数据不平衡以及高供高计计量方式下的B相电压不为零等情况，均会对应着不同的窃电方式，此处见上述实施例与之对应部分的具体描述，不做多余解释。

在一个实施例中，识别出异常历史用电数据对应的窃电方式，还包括：

在异常历史用电数据为任一相或两相电流小于启动电流时，窃电识别模型判断判断任意一相电流是否小于启动电流，且另一相电流或另两相电流是否大于等于0.05倍额定电流，若是，则窃电方式为通过断开智能电表的计量回路的一相或多相电流回路分流窃电，其中，启动电流等于0.005倍额定电流；

在异常历史用电数据为三相电流不平衡时，窃电识别模型计算三相电流的不平衡率，在三相电流的不平衡率大于0.95时，窃电方式为单相或两相分流窃电；

在异常历史用电数据为连续多个时间序列的有功功率小于正常值时，窃电识别模型计算连续多个时间序列下的二次侧有功功率最大值与二次侧额定功率的比值，在比值小于等于比值阈值时，窃电方式为电流回路分流窃电。

本实施例中，考虑了三相电路中一相或多相电流失流，即任一相或两相电流小于启动电流，且其他相线电流大于5％倍额定电流，例如：

在三相三线中，AC两相中任一相电流小于0.5％倍额定电流，另一相电流不小于5％倍额定电流。在三相四线中，ABC三相中任一相电流小于0.5％倍额定电流，其他相至少一相电流不小于10％倍额定电流。

可以理解的是，若只是以一个电流数据作为判断存在误差，故此一天内需至少监测到连续3个点的电流数值满足上述的三相三线和三相四线中关于电流数据的判断条件。

可以理解的是，额定电流取计量点参数终端的额定电流；基本电流取5A；启动电流＝额定电流*0.5％。

相应地，三相电路中的电流异常情况还包括：三相电流不平衡，首先排除电流失流异常的情况。在各相电流均大于0的情况下，判断是否越限，越限的计算式为：

建议K为0.95。可以理解的是，若只是以一个电流数据作为判断存在误差，故此，一天需监测到连续10个点，且连续监测3日均满足数据诊断要求。

在异常历史用电数据为连续多个时间序列的有功功率小于正常值时，即连续多日用电负荷过小，识别方法具体为：在总有功功率1日内监测到大于0的记录数据超过12点的情况下，计算当天二次侧有功功率最大值与二次侧额定功率的比值，判断比值是否小于功率因数阈值K，比值的计算公式为

P_n表示二次侧额定功率，K分3个等级：K₁为45％，K₂为35％，K₃为20％，可以确定是智能电表所计量的电流回路出现分流窃电。

在一个实施例中，识别出异常历史用电数据对应的窃电方式，还包括：

在异常历史用电数据为功率因数异常时，窃电识别模型判断一相的功率因素或两相的功率因素或总功率因素是否小于功率因数阈值，或窃电识别模型判断一相的功率因素或两相的功率因素或总功率因素是否为负值，若是则窃电方式为接错相窃电；

在异常历史用电数据为日平均功率因数异常时，在正向有功总电量大于零时，窃电识别模块判断日平均功率因数是否大于日平均功率因数阈值，若是则窃电方式为接错相窃电；

在异常历史用电数据为有功电量异常时，智能电表计量出正常用电用户出现反向有功电量，窃电识别模块判断反向有功电量是否大于设定的反向有功电量阈值，若是则窃电方式为接错相窃电；

在异常历史用电数据为电流或功率异常时，窃电识别模型判断电流或功率出现负值的次数是否大于设定的次数阈值，若是窃电方式为接错相窃电。

在本实施例中，在异常历史用电数据为功率因数异常时，即功率因数过低或出现负值，通过pf≤K对功率因数进行判断，pf整体表示功率因数，K分3个等级，可以设置为：K₁为0.9，K₂为0.7，K₃为0。

相应地，在异常历史用电数据为日平均功率因数异常时，即日平均功率因数过低；在异常历史用电数据为有功电量异常时，即正常用电用户的电量出现反向有功电量；在异常历史用电数据为电流或功率异常时，即电流或功率出现负值；均会对应着不同的窃电方式，此处见上述实施例与之对应部分的具体描述，不做多余解释。

请参考图2，图2为本申请实施例提供的基于用电数据的窃电电量分析装置的原理框图，如图2所示，装置包括：

数据获取模块210，用于获取智能电表所计量的历史用电数据；

特征数据集模块220，用于根据智能电表的计量方式建立对所述历史用电数据进行窃电分析的特征数据集；

约束条件模块230，用于确定在正常运行条件下所述特征数据集所包含的子特征数据的约束条件；

特征分类模块240，用于利用所述约束条件对子特征数据进行分类，得到与子特征数据对应的分类结果，其中分类结果表示不满足约束条件的子特征数据的时间长度；

特征聚类模块250，用于利用聚类算法对一个时间序列所计量的历史用电数据进行聚类，得到聚类结果，其中聚类结果表示异常历史用电数据的时间长度；

分类结果验证模块260，用于利用所述分类结果对所述聚类结果进行验证，以确定不满足约束条件的子特征数据对应的异常历史用电数据，并将异常历史用电数据输入至窃电识别模型中识别出对应的窃电方式；

被窃电量计算模块270，用于根据所述异常历史用电数据与时间长度，计算出被窃电量。

可见，上述实施例提供的基于用电数据的窃电电量分析装置，根据智能电表的计量方式建立对历史用电数据进行窃电分析的特征数据集，并确定特征数据集中的子特征数据的约束条件，由约束条件对子特征数据进行分类，从而得到了表示不满足约束条件的子特征数据的时间长度的分类结果，利用聚类算法对一个时间序列所计量的历史用电数据进行聚类，将一个时段序列中的不正常用电数据聚类在一起标注为异常历史用电数据，那么异常历史用电数据的时段长度就对应了窃电的时间长度，利用所述分类结果对所述聚类结果进行验证，从而综合了聚类和分类两种结果，保证了对不符合约束条件的子特征数据分类准确性，进一步提升了窃电分析的准确性，而通过窃电识别模型中识别出不满足约束条件的子特征数据对应的异常历史用电数据的窃电方式，则进一步的明确了窃电的具体行为，对窃电现在的勘验的结果起到补充和验证的效果，提升窃电检测的精准性。

本发明再一个实施例中，提供了一种电子设备，该电子设备包括一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述实施例所述的一种基于用电数据的窃电电量分析方法的步骤。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于执行基于用电数据的窃电电量分析方法的操作。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于用电数据的窃电电量分析方法，其特征在于，方法包括：

获取智能电表所计量的历史用电数据；

根据智能电表的计量方式建立对所述历史用电数据进行窃电分析的特征数据集；

确定在正常运行条件下所述特征数据集所包含的子特征数据的约束条件；

利用所述约束条件对子特征数据进行分类，得到与子特征数据对应的分类结果，其中分类结果表示不满足约束条件的子特征数据的时间长度；

利用聚类算法对一个时间序列所计量的历史用电数据进行聚类，得到聚类结果，其中聚类结果表示异常历史用电数据的时间长度；

利用所述分类结果对所述聚类结果进行验证，以确定不满足约束条件的子特征数据对应的异常历史用电数据，并将异常历史用电数据输入至窃电识别模型中识别出对应的窃电方式；

根据所述异常历史用电数据与时间长度，计算出被窃电量。

2.根据权利要求1所述的基于用电数据的窃电电量分析方法，其特征在于，所述计量方式包括高供高计、高供低计和低供低计三种计量方式，其中所述历史用电数据包含高供高计、高供低计和低供低计三种计量方式下智能电表所获取的电力参数。

3.根据权利要求2所述的基于用电数据的窃电电量分析方法，其特征在于，所述特征数据集中的子特征数据包括三相线电压、三相电压、三相电流、有功功率、无功功率、功率因数、有功电量和无功电量，其中有功电量包括正向有功电量和反向有功电量，无功电量包括正向无功电量和反向无功电量。

4.根据权利要求3所述的基于用电数据的窃电电量分析方法，其特征在于，所述约束条件包括：

在正常运行条件下，所述特征数据集中的子特征数据均为正值；

在高供高计计量方式下，三相线电压为三相三线中A相与B相之间的线电压，以及C相与B相之间的线电压，其中A相与B相之间的线电压与C相与B相之间的线电压的差值等于第一阈值，且A相与B相之间的线电压与C相与B相之间的线电压的值处于额定值的正负百分之十之间，其中第一阈值表示A相与B相之间的线电压同C相与B相之间的线电压之间的差异量；

在高供低计计量方式下，三相电压三者之间的差值为第二阈值，且三相电压的值处于三相额定电压的正负百分之十之间，其中第二阈值表示A相、B相、C相之间的差异量；

在所述历史用电数据中与子特征数据对应的电力参数应满足有功功率的功率曲线。

5.根据权利要求3所述的基于用电数据的窃电电量分析方法，其特征在于，将异常历史用电数据输入至窃电识别模型中识别出对应的窃电方式，包括：

在异常历史用电数据为总用电量与各费率电量之和不等时，窃电识别模型计算历史用电数据中正向有功电量与正向有功各费率电量之和，或反向有功电量与反向有功各费率电量之和的差值，在差值的绝对值大于费率数与常数系数的乘积时，窃电方式为改变智能电表的表内参数窃电；

在异常历史用电数据为用电量异常时，窃电识别模型计算当日用电量与前日用电量的差值，在当日用电量与前日用电量的差值小于零时，窃电方式为改变电流或电压相序窃电；或者，窃电识别模型计算当日用电量与前两日用电量的差值，在当日用电量与前两日用电量的差值等于零时，窃电方式包括电流或电压回路开路窃电，和电流回路二次短路窃电。

6.根据权利要求3所述的基于用电数据的窃电电量分析方法，其特征在于，识别出异常历史用电数据对应的窃电方式，还包括：

在异常历史用电数据为三相电压等于零时，窃电识别模型判断任意一相电压是否小于参比电压与常数系数的乘积，且另一相电压或另两相电压是否大于等于参比电压与常数系数的乘积，若是，则窃电方式为通过断开智能电表的计量回路的一相或多相电压窃电；

在异常历史用电数据为三相电压低于额定电压值时，窃电识别模型判断任意一相电压是否小于参比电压与常数系数的乘积，若是，则窃电方式为智能电表所计量的回路欠压窃电；

在异常历史用电数据为三相电压不平衡时，窃电识别模型计算三相电压的不平衡率，在三相电压的不平衡率大于0.9时，窃电方式为单相或两相欠压窃电；

在异常历史用电数据为B相电压不为零时，窃电识别模型判断智能电表的计量方式是否为高供高计，且判断智能电表的接线方式是否为三相三线，若是，则窃电方式为B相接入单相负荷窃电。

7.根据权利要求3所述的基于用电数据的窃电电量分析方法，其特征在于，识别出异常历史用电数据对应的窃电方式，还包括：

在异常历史用电数据为任一相或两相电流小于启动电流时，窃电识别模型判断判断任意一相电流是否小于启动电流，且另一相电流或另两相电流是否大于等于0.05倍额定电流，若是，则窃电方式为通过断开智能电表的计量回路的一相或多相电流回路分流窃电，其中，启动电流等于0.005倍额定电流；

在异常历史用电数据为三相电流不平衡时，窃电识别模型计算三相电流的不平衡率，在三相电流的不平衡率大于0.95时，窃电方式为单相或两相分流窃电；

在异常历史用电数据为连续多个时间序列的有功功率小于正常值时，窃电识别模型计算连续多个时间序列下的二次侧有功功率最大值与二次侧额定功率的比值，在比值小于等于比值阈值时，窃电方式为电流回路分流窃电。

8.根据权利要求3所述的基于用电数据的窃电电量分析方法，其特征在于，识别出异常历史用电数据对应的窃电方式，还包括：

在异常历史用电数据为功率因数异常时，窃电识别模型判断一相的功率因素或两相的功率因素或总功率因素是否小于功率因数阈值，或窃电识别模型判断一相的功率因素或两相的功率因素或总功率因素是否为负值，若是则窃电方式为接错相窃电；

在异常历史用电数据为日平均功率因数异常时，在正向有功总电量大于零时，窃电识别模块判断日平均功率因数是否大于日平均功率因数阈值，若是则窃电方式为接错相窃电；

在异常历史用电数据为有功电量异常时，智能电表计量出正常用电用户出现反向有功电量，窃电识别模块判断反向有功电量是否大于设定的反向有功电量阈值，若是则窃电方式为接错相窃电；

在异常历史用电数据为电流或功率异常时，窃电识别模型判断电流或功率出现负值的次数是否大于设定的次数阈值，若是窃电方式为接错相窃电。

9.一种基于用电数据的窃电电量分析装置，其特征在于，装置包括：

数据获取模块，用于获取智能电表所计量的历史用电数据；

特征数据集模块，用于根据智能电表的计量方式建立对所述历史用电数据进行窃电分析的特征数据集；

约束条件模块，用于确定在正常运行条件下所述特征数据集所包含的子特征数据的约束条件；

特征分类模块，用于利用所述约束条件对子特征数据进行分类，得到与子特征数据对应的分类结果，其中分类结果表示不满足约束条件的子特征数据的时间长度；

特征聚类模块，用于利用聚类算法对一个时间序列所计量的历史用电数据进行聚类，得到聚类结果，其中聚类结果表示异常历史用电数据的时间长度；

分类结果验证模块，用于利用所述分类结果对所述聚类结果进行验证，以确定不满足约束条件的子特征数据对应的异常历史用电数据，并将异常历史用电数据输入至窃电识别模型中识别出对应的窃电方式；

被窃电量计算模块，用于根据所述异常历史用电数据与时间长度，计算出被窃电量。

10.一种电子设备，其特征在于，所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至8中任一项所述的基于用电数据的窃电电量分析方法的步骤。

Images