一种防窃漏电多因素综合的诊断方法

摘要

一种防窃漏电多因素综合的诊断方法，包括以下步骤：⑴确定窃漏电相关的多个因素；⑵将电力用户按照用电特性结合窃漏电相关的多个因素进行动态的分组；并建立群组的窃漏电诊断模型；根据不同群组用户，构件多种窃漏电诊断模型；⑶基于用采系统采集数据，结合步骤⑴中确定的因素体系，按照因素定义的计算公式，计算得到各个因素的量值；然后，确定用户具体所属的群组，根据用户所属群组，选择相对应的诊断模型对该用户进行综合诊断，最终确定用户是否存在窃漏电嫌疑；⑷建立计算密集型计算平台，计算漏窃电动态分组、训练数据等需要加载的数据。

说明书

技术领域

本发明属于电力安全技术领域，涉及一种防窃漏电多因素综合的诊断方法。

背景技术

窃电是指以非法占用电能、不交或者少交电费为目的，采用非法手段不计量或者少计量用电的行为；漏电是指由于计量装置故障等原因而造成电费漏收、少收的现象。窃漏电诊断就是要针对窃电行为和漏电现象进行辨别，找出嫌疑较大的窃漏电位置和电力用户。

随着国民经济的不断发展，电力用户的数量在持续增加，电力市场的规模也越来越大。一方面蓬勃发展的电力市场给电力公司带来了良好的发展前景，另一方面由于窃电和漏电原因导致电力公司的经济损失也在持续增加。窃漏电不仅会严重损害电力公司的经济效益，而且会危害电网的安全运行和用户的用电安全，因此窃漏电的诊断工作一直是重点关注和研究的方向。

窃漏电诊断是个业务素质要求高且繁琐的过程，往往需要多个环节的紧密配合，经过人为仔细分析对比和假设推算，得到疑似窃漏电的用户。目前，各个省网公司都建立了用采系统，利用用采主站的计量在线监测等模块，对现场设备异常事件及主站分析的异常数据进行进一步处理，依据自身经验并结合相关数据进行推算，筛选出疑似窃漏电的用户。但目前窃漏电诊断方式自动化程度较低，人工参与诊断过程的力度较大，同时诊断结果易受到人员经验水平等因素的影响；窃漏电诊断过程效率不高，人工查阅数据及假设推算阶段耗时较长，在未来采集主站全覆盖的情况下，无疑需要更多的人员参与；部分窃漏电诊断方式的适用范围被主观扩大，将一种窃漏电诊断方式应用到多类用户，未充分考虑不同诊断方式的差异性。

因此，亟需我们总结经验，研究窃漏电现象相关的多种数据之间的关联性，研究适合窃漏电诊断的用户分组方式，构建窃漏电多因素综合诊断模型,实现自动化的窃漏电诊断，降低主观因素的干扰，提高窃漏电诊断的准确性，实现窃漏电工作的高效性、精细化、智能化。

国外对窃漏电的诊断分析主要侧重于对供电系统的线损估算来发现窃漏电现象。如美国Vijay Devabhaktuni(2011年)等人研究的关于线损的估算方法以及估算的准确性问题，从而发现线损异常的用户来确定疑似窃漏电用户的范围。近年来，结合新的科学技术进行线损计算也成为一个重要的研究方向，如Yap，Keem Siah；Tiong，Sieh Kiong(2012年)等人用神经网络、支持向量机等数据挖掘技术计算线损提高计算准确性的研究等。对于疑似窃漏电用户进一步处理的措施，包括采用安装防篡改电表、安装监控设备等手段。

目前，国内窃漏电的相关研究和应用集中在线损的计算、防窃电产品、防窃电系统的使用。利用自动抄表功能，及时的计算用户半小时内的线损电量和线损率，监测分析电力线路上可能存在的窃电用户，如任晓晖(2008年)等人关于多种防窃电技术在降损中的综合应用；防窃电产品如使用带有通讯功能的电表箱，建立电表箱和控制中心的通讯渠道，开表箱需要控制中心给予授权来防止电表被篡改，如胡林、颜运昌(2006年)等人关于新型实时电网防窃电系统研究；利用电力线传输技术的智能防窃电装置,实时监测电压、电流，分析电压、电流之间的相位关系进行窃漏电诊断，如段晨旭，杨修文(2005年)等人关于基于电力线传输技术的智能化防窃电装置等。

近年来窃漏电研究重点也逐渐从单一异常分析转向系统综合性诊断，并且注重多种发现策略和技术的集成，以及多种诊断方式之间的相互渗透，使各个方面的诊断经验向该领域集中，取得了一定的成果，如刘涛，杨劲锋(2014)等人关于自适应的窃漏电诊断方法研究及应用。但是窃漏电的综合性诊断研究由于缺乏全面的历史数据和实际环境的检验，很多研究局限于学术研究层面。用采系统的投入使用已经积累了大量的用户用电信息，这为窃漏电多因素综合诊断提供了成熟的数据条件。因此，充分利用现有的用户用电数据资源，借鉴当前的科学研究成果，建立多因素相结合的综合窃漏电诊断模型就显得实用而必要。

综上所述：首先，目前国内外对窃漏电诊断的研究与应用主要集中在线损计算、防窃漏电设备的使用以及基于某类数据异常的分析三个方面，缺乏对窃漏电相关的多种因素综合分析应用；其次，窃漏电诊断分析方法相对粗糙，没有充分挖掘数据中的窃漏电信息，不能保证窃漏电诊断质量；再次，国内对窃漏电的综合诊断研究由于缺乏有效的数据资源和实施的客观环境，很多研究仅局限于学术层面，但从另一角度为窃漏电诊断实际工作的展开提供了方向和思路；最后，在智能化控制方面还有较大的改善空间，目前的窃漏电诊断需要经过多个环节的人工排查，虽然能够在一定程度上发现窃漏电用户，但整个过程工作繁琐、效率低下。因此，借鉴国内外对窃漏电诊断的研究成果，结合用采系统积累的丰富用户用电数据资源，采用数据挖掘技术，建立窃漏电多因素综合诊断模型自动识别窃漏电用户，降低电力损失，提高工作效率显得尤为必要。

发明内容

为克服上述现有技术中的不足，本发明目的在于提供一种防窃漏电多因素综合的诊断方法，在继承现有窃漏电研究成果的基础上，引入适合电力数据分析的数据挖掘模型，基于窃漏电相关的多个因素，对电力用户划分适合窃漏电诊断的群组和构建多种窃漏电诊断模型，提高识别疑似窃漏电用户的准确性。

为实现上述目的及其他相关目的，本发明提供一种防窃漏电多因素综合的诊断方法，包括以下步骤：

⑴确定窃漏电相关的多个因素；所述多个因素包括数据来源、计算公式、数据格式、适用范围及窃漏电属性；

⑵将电力用户按照用电特性结合窃漏电相关的多个因素进行动态的分组；并建立群组的窃漏电诊断模型；根据不同群组用户，构件多种窃漏电诊断模型；

⑶基于用采系统采集数据，结合步骤⑴中确定的因素体系，按照因素定义的计算公式，计算得到各个因素的量值；然后，确定用户具体所属的群组，根据用户所属群组，选择相对应的诊断模型对该用户进行综合诊断，最终确定用户是否存在窃漏电嫌疑；

⑷建立计算密集型计算平台，计算漏窃电动态分组、训练数据等需要加载的数据。

上述方案中，有关内容解释如下：

1、上述方案中，步骤⑴中，所述数据来源包括主站采集和人工录用；所述数据格式包括离散型数据和连续性数据；所述适用范围包括高供高计和高供低计；所述窃漏电属性包括漏电相关和窃电相关。

2、上述方案中，步骤⑵中，所述多种窃漏电诊断模型包括神经网络模型、逻辑回归模型、朴素贝叶斯模型及决策树模型。

3、上述方案中，所述密集型计算平台采用并行运算、内存计算或大吞吐量的读取计算。

4、上述方案中，步骤⑵中，对用户进行分组，采用数据挖掘中K-means聚类分析诊断模型，所述K-means聚类分析诊断模型的算法归纳为：

(1)初始化：选择或人为指定某些记录作为凝聚点；

(2)循环:a、按就近原则将其余记录向凝聚点凝集，划分用户分组时拟采用欧式距离公式计算，并获得用户的用电特征曲线：

b、计算出各个初始分类的中心位置，求得均值；

c、用计算出的中心位置重新进行聚类；如此反复循环，直到凝聚点位置收敛为止。

5、上述方案中，步骤⑵中，对用户进行分组，对疑似窃漏电用户采用数据挖掘中的神经网络模型；从疑似窃漏电用户样本数据中心，考虑与窃漏电相关的多种因素，实现自适应的智能诊断，激活函数采用sigmoid函数：

6、上述方案中，步骤⑵中，所述不同群组用户根据用户的用电特征分为以下6种：

(1)高供高计全天生产型用户；

(2)高供低计全天生产型用户；

(3)高供低计白天生产型用户；

(4)高供低计工作日生产型用户；

(5)低压工商业用户；

(6)居民用户。

7、上述方案中，步骤⑷中，需要对每个监测用户确定其用电特征典型月，典型月为负荷用户生产行为特征的时间段，不一定是自然月。典型月的选择对用户窃漏电分析的准确性影响至关重要，应结合用户近期生产计划、生产周期、生产班次、生产时间等情况选择合理的典型月时段。

不同的用户群组具有不同的用电特征，还需要为每个用户群组设置合适的用电行为偏差指数。下表为根据样本用户的测试结果及经验得出的用户群组的用电特征偏差指标，应用过程中可结合实际情况进行调整。

用户的窃漏电分析计算过程如下：

步骤1：选择用户的典型月，并根据用户所属群组确定用户负荷的分析时间段。全天生产型用户为00:00至23:45，白天及工作日生产型用户应尽量选择负荷率较高的时间段。

步骤2：选取某用户历史典型月的全部有功功率曲线P，通过k-means聚类算法逐点生成该用户的日用电负荷特征曲线C。

计算公式：Ci＝Func(Pi)

其中，Ci为日用电负荷特征曲线第i点的值；Func为k-means聚类算法函数；Pi为日有功功率曲线第i点值。

步骤3：取该用户当天的有功功率曲线Q与其日用电负荷特征曲线C逐点计算样本标准差S。

计算公式：

其中，X为有功功率曲线Q的点值，

步骤4：将上一步的样本标准差S与用户所属群组的用电特征偏差指标比较，低于指标的则为正常用电用户，高于指标的用户划定为漏电嫌疑用户；如能从该用户的计量装置中查询到相关的开表盖/端钮盖或恒定磁场干扰等事件，则将该用户划定为窃电嫌疑用户，须安排人员到用电现场进行进一步核实。

由于上述技术方案运用，本发明与现有技术相比具有的有益效果如下：

1、本发明诊断方法提高了窃漏电诊断的准确性；将研究窃漏电现象在采集数据中的体现、影响窃漏电诊断准确性的相关因素，基于窃漏电相关因素对电力用户划分动态群组，提出适用于多种用户群组的多因素综合诊断模型，建立自适应的窃漏电诊断方法，实现窃漏电用户在系统中快速、较为准确的定位，从而有效提高窃漏电诊断的准确性。窃漏电多因素综合诊断模型可以完成对窃漏电的监测，并具有较高的准确性，为电力计量等部门提供有力的支撑。

2、本发明诊断方法减少了人员工作量，提高了工作效率；能够实现自动化的窃漏电诊断，诊断环节不再需要人员的参与，减少了人员的工作量；自动化的窃漏电诊断具有较高的准确性，实际需要现场处理的窃漏电工单的质量较高，也就提高了整个窃漏电工作的效率；本项目的自动化窃漏电诊断，提升了诊断的速度和质量，在满足计算需求的硬件和相关技术支持下，完全能够满足采集主站全覆盖条件下的诊断效率要求。

3、本发明诊断方法可以减少窃漏电的损失，促进电费回收；本发明诊断方法的实施能够较准确识别疑似窃漏电用户，并具有一定的实时性，将减少电力公司由于窃漏电导致的经济损失，能够有效的降低管理线损，提高企业效益，提升电力企业的精细化管理水平；能够帮助追补由于窃漏电损失的电费，促进电费的回收，提高电力企业的利润。

说明书附图

图1为本发明实施时流程示意图；

图2为本发明用神经网络模型拓扑结构示意图。

具体实施方式

以下由特定的具体实施例结合附图说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

实施例：

本发明首先，确定窃漏电相关的多个因素；然后，将电力用户按照用电特性结合窃漏电相关的多个因素进行动态的分组，保证窃漏电分析的针对性和适应性；然后，对不同的电力用户群组采用不同的窃漏电诊断模型进行分析，达到准确的识别窃漏电用户的目的；最后，依托窃漏电处理结果的不断更新导入，实现窃漏电诊断模型的自适应性。诊断系统具有自动学习的能力，随着数据量和实际效果的检验，诊断的准确性会不断提高。具体实施时流程示意图如图1所示。

一种防窃漏电多因素综合的诊断方法，包括以下步骤：

⑴确定窃漏电相关的多个因素；所述多个因素包括数据来源、计算公式、数据格式、适用范围及窃漏电属性；充分挖掘现有的系统如采集系统等，确定窃漏电诊断的多个因素；诊断因素要明确含义、计算公式、数据类型等，具有实际可操作性。

⑵将电力用户按照用电特性结合窃漏电相关的多个因素进行动态的分组；并建立群组的窃漏电诊断模型；根据不同群组用户，构件多种窃漏电诊断模型；从窃漏电诊断的多个因素中，提炼出适合窃漏电诊断的特征项，利用聚类算法如k-means聚类，对用户进行动态群组划分；然后针对动态群组，分别采用不同的分类算法如BP神经网络、逻辑回归等，建立多个窃漏电诊断模型；将样本数据导入诊断模型，经过反复训练，形成多个具有一定精度的诊断模型。

⑶基于用采系统采集数据，结合步骤⑴中确定的因素体系，按照因素定义的计算公式，计算得到各个因素的量值；然后，确定用户具体所属的群组，根据用户所属群组，选择相对应的诊断模型对该用户进行综合诊断，最终确定用户是否存在窃漏电嫌疑；

⑷建立计算密集型计算平台，计算漏窃电动态分组、训练数据等需要加载的数据。大数据处理的事实标准是Hadoop平台，其中基本的数据处理框架是Map/Reduce框架，提供分布式计算、批量数据处理等基本能力，能够解决传统的离线数据处理问题，适用于非实时、无交互的数据应用场景。

步骤⑵中，所述多种窃漏电诊断模型包括神经网络模型、逻辑回归模型、朴素贝叶斯模型及决策树模型。

进一步地，所述密集型计算平台采用并行运算、内存计算或大吞吐量的读取计算。

进一步地，步骤⑵中，对用户进行分组，采用数据挖掘中K-means聚类分析诊断模型，所述K-means聚类分析诊断模型的算法归纳为：

(1)初始化：选择或人为指定某些记录作为凝聚点；

(2)循环:a、按就近原则将其余记录向凝聚点凝集，划分用户分组时拟采用欧式距离公式计算，并获得用户的用电特征曲线：

b、计算出各个初始分类的中心位置，求得均值；

c、用计算出的中心位置重新进行聚类；如此反复循环，直到凝聚点位置收敛为止。

进一步地，步骤⑵中，对用户进行分组，对疑似窃漏电用户采用数据挖掘中的神经网络模型；从疑似窃漏电用户样本数据中心，考虑与窃漏电相关的多种因素，实现自适应的智能诊断，激活函数采用sigmoid函数：

采用具有多输入单输出的三层BP神经网络分类模型，其拓扑结构如图2所示，输入向量为xp＝(xp1,xp2,…,xpn)T，隐含层输出向量为yp＝(yp1,yp2,…,ypm)T；输入层和隐含层间的权值矩阵为wjk(j＝1,2,…,n；k＝1,2,…,m)；隐含层和输出层间的权值矩阵为w＝(w1,w2,…,wk,…,wm)T；列向量wk为输出层第k个神经元对应的权向量；bp为样本的输出。

步骤⑵中，对用户进行分组，对疑似窃漏电用户采用数据挖掘中的神经网络模型；从疑似窃漏电用户样本数据中心，考虑与窃漏电相关的多种因素，实现自适应的智能诊断，激活函数采用sigmoid函数：

进一步地，步骤⑵中，所述不同群组用户根据用户的用电特征分为以下6种：

(1)高供高计全天生产型用户；

(2)高供低计全天生产型用户；

(3)高供低计白天生产型用户；

(4)高供低计工作日生产型用户；

(5)低压工商业用户；

(6)居民用户。

进一步地，步骤⑷中，需要对每个监测用户确定其用电特征典型月，典型月为负荷用户生产行为特征的时间段，不一定是自然月。典型月的选择对用户窃漏电分析的准确性影响至关重要，应结合用户近期生产计划、生产周期、生产班次、生产时间等情况选择合理的典型月时段。

不同的用户群组具有不同的用电特征，还需要为每个用户群组设置合适的用电行为偏差指数。下表为根据样本用户的测试结果及经验得出的用户群组的用电特征偏差指标，应用过程中可结合实际情况进行调整。

用户的窃漏电分析计算过程如下：

步骤1：选择用户的典型月，并根据用户所属群组确定用户负荷的分析时间段。全天生产型用户为00:00至23:45，白天及工作日生产型用户应尽量选择负荷率较高的时间段。

步骤2：选取某用户历史典型月的全部有功功率曲线P，通过k-means聚类算法逐点生成该用户的日用电负荷特征曲线C。

计算公式：Ci＝Func(Pi)

其中，Ci为日用电负荷特征曲线第i点的值；Func为k-means聚类算法函数；Pi为日有功功率曲线第i点值。

以下为k-means聚类算法函数的Python语言实现：

步骤3：取该用户当天的有功功率曲线Q与其日用电负荷特征曲线C逐点计算样本标准差S。

计算公式：

其中，X为有功功率曲线Q的点值，

步骤4：将上一步的样本标准差S与用户所属群组的用电特征偏差指标比较，低于指标的则为正常用电用户，高于指标的用户划定为漏电嫌疑用户；如能从该用户的计量装置中查询到相关的开表盖/端钮盖或恒定磁场干扰等事件，则将该用户划定为窃电嫌疑用户，须安排人员到用电现场进行进一步核实。

本发明诊断方法提高了窃漏电诊断的准确性；将研究窃漏电现象在采集数据中的体现、影响窃漏电诊断准确性的相关因素，基于窃漏电相关因素对电力用户划分动态群组，提出适用于多种用户群组的多因素综合诊断模型，建立自适应的窃漏电诊断方法，实现窃漏电用户在系统中快速、较为准确的定位，从而有效提高窃漏电诊断的准确性。窃漏电多因素综合诊断模型可以完成对窃漏电的监测，并具有较高的准确性，为电力计量等部门提供有力的支撑。

本发明诊断方法减少了人员工作量，提高了工作效率；能够实现自动化的窃漏电诊断，诊断环节不再需要人员的参与，减少了人员的工作量；自动化的窃漏电诊断具有较高的准确性，实际需要现场处理的窃漏电工单的质量较高，也就提高了整个窃漏电工作的效率；本项目的自动化窃漏电诊断，提升了诊断的速度和质量，在满足计算需求的硬件和相关技术支持下，完全能够满足采集主站全覆盖条件下的诊断效率要求。

本发明诊断方法可以减少窃漏电的损失，促进电费回收；本发明诊断方法的实施能够较准确识别疑似窃漏电用户，并具有一定的实时性，将减少电力公司由于窃漏电导致的经济损失，能够有效的降低管理线损，提高企业效益，提升电力企业的精细化管理水平；能够帮助追补由于窃漏电损失的电费，促进电费的回收，提高电力企业的利润。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。