基于高级量测体系的配电网大用户实时防窃电方法

摘要

本发明属于电力系统配电线路的防窃电技术领域，尤其涉及一种基于高级量测体系的配电网大用户实时防窃电方法，首先读取各智能电表的量测数据，然后对当前时刻用户电压和功率进行潮流计算，得到馈线的理论线损有功功率、理论线损无功功率和各节点计算电压，并计算用户窃电功率，进行用户窃电行为判断，如果有窃电发生，则对电压偏差从大到小进行监测点排序，采用逐点窃电功率迭代优化计算方法进行窃电点定位和窃电量计算并发出窃电报警信息。本方法具有测量和计算数据精度高、同步性好、速度快、定位准确的特点，能实时发现窃电点和算出窃电功率，做到随时发现随时治理，最大限度减少供电企业的损失。

说明书

技术领域

本发明属于电力系统配电线路的防窃电技术领域，尤其涉及一种基于高级 量测体系的配电网大用户实时防窃电方法。

背景技术

长期以来，窃电现象一直是电力企业十分关注的问题，特别是大用户窃电， 给国家和电力企业带来巨大经济损失，而且还带来一系列的安全隐患和社会问 题。一般在各地供电企业的售电量中，10kV专用变压器大用户占70％以上。因 此，抓好10kV专用变压器大用户的防窃电治理工作，就可以较大力度地提高供 电企业的经济效益。常见的窃电方如下：欠流窃电手法、欠压窃电手法、扩差 窃电手法、移相窃电手法、无表窃电手法、高科技窃电手法等。针对以上问题， 供电企业也积极开展反窃电方面的技术方法，虽然取得了一定的效果，但这些 方法人不能完全节制窃电现象的发生，特别是不能实时的发现用户的窃电行为。

建设具有灵活、清洁、安全、经济、友好等性能的智能电网是未来电网的 发展方向。作为智能电网中最重要的技术支撑模块，高级量测体系(Advanced  Metering Infrastructure，AMI)在智能电网中担当着举足轻重的角色，智能电网 中很多智能化功能是由AMI实施和完成的。它利用双向通信系统和能记录用户 详细负荷信息的智能电表，可以取得用户带有时标的分时段的或实时(或准实 时)的多种计量值，如用电量、用电需求、电压、电流等信息。因此，AMI是 智能电网的一个基础性功能模块，也称为智能量测体系。与传统的配电网数据 采集与监控系统(Supervisory Control And Data Acquisition,SCADA)相比，AMI量 测数据管理系统(Meter Data Management System，MDMS)不仅能提供数据精 度和采样频率更高的量测数据，还能提供用负荷实时量测数据，这是配网 SCADA所不具备的。高级量测体系结构示意图如图1所示。

AMI的实施与应用大大提高了配电系统的量测冗余度，为配电网大用户实 时防窃电方法的实施奠定了坚实的基础。AMI是智能电网的基础环节，主要功 能是采集各监测点的电气信息(带有时标)，并使电力用户同负荷建立起联系， 支持电网运行。在AMI所采集的信息中，计量数据占据最重要的地位。这些 计量数据既包括普通电能表能够计量的有功电能和无功电能，又包括电压、电 流、功率因数、正反向功率等电网状态数据。计量数据的准确可靠是AMI乃 至智能电网其他功能得以实现的前提。另一方面，AMI所采集的计量数据不应 该成为保存在数据库中的死的数据，而应加以利用。借助AMI丰富的通信和 计算存储资源对数据进行深入加工和挖掘，实现其价值。本发明是基于AMI的 实时防窃电方法。

发明内容

针对目前防窃电技术手段落后，且AMI所测量的数据利用程度不高的问题， 提出一种基于高级量测体系的配电网大用户实时防窃电方法，主要包括：

步骤1、读取MDMS当前时刻的各智能电表的量测数据，主要包括：各大用 户配变低压侧计量点或高压侧计量点、配电馈线关口计量点测得的用户节点有 功功率P_i、用户节点无功功率Q_i、用户节点电压U_i，馈线出口有功功率P_gz、，馈 线出口无功功率Q_gz、，馈线出口节点电压U_g；

步骤2、基于MDMS当前时刻的用户节点有功功率P_i、用户节点无功功率Q_i和 馈线出口电压U_g进行潮流计算，得到馈线的理论线损有功功率ΔP_sc、理论线损无 功功率ΔQ_sc和各节点计算电压U_{i_c}；

步骤3、基于统计线损分析方法的用户窃电功率计算；

步骤4、进行用户窃电行为判断，如果馈线管理线损有功功率ΔP_sm和馈线管 理线损无功功率ΔQ_sm大于阈值δ则有窃电发生，转步骤5进行窃电点定位，否则 无窃电发生；

步骤5、节点电压偏差分析；

步骤6、窃电点定位与窃电量计算，并发出窃电报警信息。

所述步骤3用馈线出口的有功功率P_gz减去馈线所有用户有功功率之和 再减去步骤2计算出的馈线理论线损有功功率ΔP_sc，得到该馈线管理线损有功功 率ΔP_sm；用馈线出口的无功功率Q_gz，减去馈线所有用户无功功率之和再 减去步骤2计算出的馈线理论线损无功功率ΔQ_sc，得到该馈线管理线损无功功率； 基于统计线损分析方法的用户窃电功率计算公式如下式所示：

$\left(\begin{array}{c}{\mathrm{\Delta P}}_{\mathrm{sm}}=P_{\mathrm{gz}}-\underset{i=1}{\overset{N}{\Sigma }}{P}_i-{\mathrm{\Delta P}}_{\mathrm{sc}}\\ {\mathrm{\Delta Q}}_{\mathrm{sm}}=Q_{\mathrm{gz}}-\underset{i=1}{\overset{N}{\Sigma }}{Q}_i-{\mathrm{\Delta Q}}_{\mathrm{sc}}\end{array}\right)$

其中，ΔP_sm为馈线管理线损有功功率，ΔQ_sm馈线管理线损无功功率，P_gz为 馈线出口的有功功率，Q_gz馈线出口的无功功率。

所述步骤4中馈线管理线损功率大于实际窃电功率和测量误差之和作为窃 电功率的上限值，由此可得到窃电有功功率的值域[0，ΔP_sm]和窃电无功功率的 值域[0，ΔQ_sm]。

所述步骤5中将通过潮流计算得到的各负荷节点的计算电压U_{i_c}和用户节点 电压U_i做差，得到各节点电压偏差ΔU_i，如下式所示：

ΔU_i＝U_{i_c}-U_i

由于窃电行为的发生，窃电点上传的有功功率和无功功率小于窃电点实际 消耗的有功功率和无功功率，潮流计算得到的U_{i_c}大于各用户节点U_i，而且窃电 点及窃电点之后的临近节点的电压偏差ΔU_i较大。

所述步骤6中是将步骤5中的ΔU_i从大到小进行监测点排序，采用逐点窃电 功率迭代优化计算方法进行窃电点定位和窃电量计算；求解算法采用基本粒子 群算法，窃电有功功率和无功功率为待求解变量，目标函数是馈线各节点电压 偏差绝对值之和最小，最小时，配电网运行状态和潮流计算状态 是完全一致的，约束条件是窃电有功功率小于该馈线管理线损有功功率ΔP_sc，窃 电无功功率小于该馈线管理线损无功功率ΔQ_sm。

本发明的有益效果是基于现有配电网的高级量测体系的数据管理系统，对 大用户的用电数据进行采集计算分析，计算馈线理论线损功率、节点电压，并 判断是否发生窃电及窃电点定位和窃电量的计算，具有测量和计算数据精度高、 同步性好、速度快、定位准确的特点，能实时发现窃电点和算出窃电功率，做 到随时发现随时治理，最大限度减少供电企业的损失。

附图说明

图1为高级量测体系结构示意图；

图2为基于高级量测体系的配电网大用户实时防窃电方法流程图；

图3为配电网的高级量测系统配置图；

图4为实施例中配电网拓扑结构及参数分布。

具体实施方式

下面结合附图和实施例对本发明所提出的方法做进一步的说明。

本发明公开了一种基于高级量测体系的配电网大用户实时防窃电方法，具 体内容如下：

智能配电网高级量测体系中的智能电表可以把各监测点(大用户配变低压 侧计量点或高压侧计量点、配电馈线关口计量点)的带时标的用户节点电压U_i、 用户节点有功功率P_i、用户节点无功功率Q_i上传到高级量测体系的MDMS。

由于高级量测体系具有时钟同步功能(一般通过软件对时的方式实现)，获 取的带时标的节点电压U_i、有功功率P_i、无功功率Q_i在配电网稳态运行的方式 下可作为同一个时间断面的数据，满足节点电压和支路潮流方程，可以进行配 电网潮流计算。

基于MDMS某时刻的数据，利用配电网馈线潮流计算模块进行潮流计算， 得到馈线的理论线损有功功率ΔP_sc、理论线损无功功率ΔQ_sc和各节点计算电压 U_{i_c}。

用MDMS提供的关口智能电表(如图3中①所示)测量的有功功率P_gz、无 功功率Q_gz分别减去各用户电能表(如图3中②③④⑤⑥所示)的有功功率之和 无功功率之和得到该馈线的统计线损有功功率ΔP_st和统计线损无功 功率ΔQ_st，如公式(2)所示。

$\left(\begin{array}{c}{\mathrm{\Delta P}}_{\mathrm{st}}=P_{\mathrm{gz}}-\underset{i=1}{\overset{N}{\Sigma }}{P}_i\\ {\mathrm{\Delta Q}}_{\mathrm{st}}=Q_{\mathrm{gz}}-\underset{i=1}{\overset{N}{\Sigma }}{Q}_i\end{array}\right)---\left(2\right)$

用该馈线的统计线损有功功率ΔP_st和统计线损无功功率ΔQ_st分别减去该馈线 的理论线损有功功率ΔP_sc和理论线损无功功率ΔQ_sc，得到该馈线的管理线损有功 功率ΔP_sm和管理线损无功功率ΔQ_sm，如公式(3)所示。

$\left(\begin{array}{c}{\mathrm{\Delta P}}_{\mathrm{sm}}={\mathrm{\Delta P}}_{\mathrm{st}}-{\mathrm{\Delta P}}_{\mathrm{sc}}\\ {\mathrm{\Delta Q}}_{\mathrm{sm}}={\mathrm{\Delta Q}}_{\mathrm{st}}-{\mathrm{\Delta Q}}_{\mathrm{sc}}\end{array}\right)---\left(3\right)$

由于馈线的理论线损功率是根据智能电表的测量功率值计算出来的，小于 该馈线的实际损耗功率(实际线损功率由电能表的测量功率和窃电功率共同作 用产生)。因此，由公式(3)得到的馈线管理线损功率大于实际窃电功率和测 量误差之和，可近似作为窃电功率的上限值，由此可得到窃电有功功率的值域[0， ΔP_sm]和窃电无功功率的值域[0，ΔQ_sm]。

管理线损等于统计线损减去理论线损的差额，理论线损是不可避免的，是 配电线路确实要消耗的，而统计线损是供电企业的真实损耗。管理线损功率主 要由测量误差和窃电产生。智能量测体系中，测量误差引起的功率损耗远小于 窃电功率，理论上，若不考虑测量误差，无窃电发生时，馈线的管理线损功率 为零。因此，如果馈线的管理线损功率较大，则说明有窃电发生。

另外，当窃电现象发生时(假设窃电点发生在图3中④点)，则④点智能电 表测量到的P、Q值比真实值偏小(用户实际消耗的实时功率为④点测量功率和 窃电功率之和)。由于④点测量到的有功功率和无功功率小于用户实际消耗的有 功功率和无功功率，因此潮流计算得到的各节点的计算电压值会比通过电能表 得到的测量值偏高。将通过潮流计算得到的各负荷节点的计算电压U_{i_c}和用户节 点U_i做差，得到各节点电压偏差ΔU_i，如公式(4)所示。由于窃电行为的发生， 窃电点上传的有功功率和无功功率小于窃电点实际消耗的有功功率和无功功 率，潮流计算得到的电压值要大于各监测点实际电压值，而且窃电点及窃电点 之后的临近节点的电压偏差较大，电压偏差越大的节点发生窃电的可能性越大。

ΔU_i＝U_{i_c}-U_i    (4)

窃电点定位与切电功率计算。以窃电有功功率和无功功率为待求解变量， 目标函数是馈线各节点电压偏差之和最小最小时，配电网实际 运行状态数据和基于测量数据的潮流计算数据是完全一致的)，约束条件是窃电 有功功率小于该馈线管理损耗有功功率ΔP_sc，窃电无功功率小于该馈线管理损耗 无功功率ΔQ_sm。求解算法采用基本粒子群算法。

以下是不考虑测量误差采用本发明提出的方法所应用的窃电分析实施计算 例。

以图4所示等效配电网为例，进行窃电行为判断和窃电点定位，图中的支 路阻抗参数、变压器阻抗参数为折算到高压侧的参数。

读取MDMS中当前时刻的测量数据包括：关口智能电表测量电压幅值 10.5kV、有功功率2134.44kW、无功功率1086.72kVar(本仿真算例中有功功率 2134.44kW和无功功率1086.72kVar是根据用户实际负荷进行潮流计算得到的)， 各用户智能电表的有功功率、无功功率及节点电压幅值，如表1中第四、五、 六列所示。

基于关口智能电表测量的电压幅值和各用户智能电表测量的有功功率、无 功功率数据进行前推回代计算。得到基于测量数据的计算节点电压和馈线理论 线损功率，如表1第七列和第八列所示。

用关口智能电表的有功功率2134.44kW、无功功率1086.72kVar分别减去馈 线理论线损有功功率83.74kW、理论线损无功功率128.82kVar，再减去各负荷点 的测量有功功率1830kW和无功功率830kVar，得到该馈线的管理有功损耗功率 220.70kW和管理无功损耗功率147.90kVar，如表1第九列所示。理论上不考虑 测量误差，无窃电发生时，馈线的管理线损功率为零。本算例得到的管理线损 有功功率为220.70kW，管理线损无功功率为147.90kVar，可以断定有窃电发生。

另外，通过计算各节点计算电压和上传电压值之差，得到各节点电压偏差， 电压偏差较大的节点为疑似窃电节点。由表1最后一列可以看出，节点窃电节 点发生窃电的疑似程度由高到低依次是④⑤⑥②③，符合步骤5中窃电点及窃 电点之后的临近节点电压偏差较大的判断准则。

表1配电网窃电数据分析

窃电点定位与窃电功率计算。分别假设节点④⑤⑥为可疑窃电接点，采用 粒子群算法，以窃电有功功率和无功功率为待求解变量，目标函数是馈线各节 点电压偏差之和最小，约束条件是窃电有功功率值域为[0，220.70]kW， 窃电无功功率值域为[0，147.90]kVar。为了验证②③发生窃电的概率最小，对 节点②③也假设为窃电点进行行了窃电量分析。各节点的分析结果如表2所示。

表2窃电发生在不同节点时的各节点电压偏差之和

电压偏差绝对值之和最小的负荷点④是窃电点，假设②③为窃电节点时， $\underset{i=1}{\overset{N}{\Sigma }}\left|{\mathrm{\Delta U}}_i\right|$较大。

本发明方法的误差分析：

实际应用中高级量测系统是有测量误差的，通常标记的误差为电能计量误 差，高级量测体系的精度都在0.5级以内，特别关口电能表有的精度达到0.2级 或0.1级。高级量测体系的功率、电压、电流的计量精度要远高于电能计量精度， 通常在0.2级以内。

因此考虑测量误差的窃电分析是衡量此方法实用性的关键点。

下面假设功率和电压的测量相对误差分别为±0.2％和±0.1％进行仿真计 算，结果分别如表3至表6所示。

表3测量相对误差为±0.2％时的仿真分析结果

表4窃电发生在不同节点时的各节点电压偏差之和

表5测量相对误差为±0.1％时的仿真分析结果

表6窃电发生在不同节点时的各节点电压偏差之和

由表4和表6可以看出，基于0.2级和0.1级的高级量测系统，能准确的分 析出窃电位置及窃电功率。

另外，该方法计算精度还与用户窃电量大小有关，经仿真计算，窃电量(视 在功率)大于50kVA，测量精度为0.2级时，系统能准确判定窃电点和窃电功率， 测量精度为0.1级时，大于20kVA的窃电能准确判定。当不满足上述要求时， 窃电分析准确定性会有所下降。比如当上述算例中采用的测量系统的精度为0.2 级时，当窃电量功率小于50kVA，判断出的窃电点有时可能是节点⑤。

关于粒子群优化算法计算结果稳定性分析。用粒子群算法进行多变量优化 问题求解释，存在每次计算结果不一致，这是由于粒子群算法的随机性产生的， 即，不一定能找到最优解，是正常现象。当优化问题相对简单时，每次计算结 果能一致，即，每次都能找到最优解。本发明的待优化变量只有两个，且取值 约束在一定范围内。实际分析发现，粒子群规模为60，最大迭代次数为30次时， 计算结果是唯一，找到最优解的平均迭代次数时10次。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局 限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易 想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护 范围应该以权利要求的保护范围为准。