摘要：如何在海量用户数据中定位可疑窃电用户是防窃电的关键技术。文章分析现有防窃电技术，建立防窃电评价体系，利用大数据处理方法，对海量用户数据进行特征量提取；针对提取后数据采用数据挖掘技术，构建防窃电模型，定位可疑用户。工程实例表明，文章所示算法，能有效剔除冗杂数据，提高算法精度，具有较好的可靠性和有效性。
1 研究现状
国内某些地区窃电行为呈逐年上升趋势，极大损害了电力企业的利益，给当地电力供应产生严重损害，防窃电行为已经刻不容缓。传统防窃电工作主要从设备出发，即在计量装置加装设备，通过机械闭锁方式防止窃电发生，但是随着科技发展，窃电手段也日益增加。现有窃电方法中，可通过屏蔽计量装置、修改计量装置采集程序等无接触方法，达到窃电目的，使得传统防窃电手段难以实时有效产生作用，因此研究新的防窃电手段是当前研究重点。
随着计量装置采集数据实时上传，结合调度自动化数据可以有效分析电量数据。但是随之而来的海量数据涌现以及异构系统数据处理等问题，给电量分析带来了新问题。因此文章考虑通过大数据处理方法，结合历史数据和实时数据之间差异，进行电量数据分析，得到异常数据进而定位窃电行为。
2 基于大数据处理的防窃电算法实现
2.1 常见窃电手段
窃电行为核心在于通过改变电表的电流、电压、功率使得计量不准确。主要实现原理在于：改变电表电流，减少电表电流使得计算功率变小；分压电能表两端电压；该表电能表内部结构等方法。
总的来说，窃电手段实施后，最主要体现为呈现功率与实际供给功率不一致，所窃得电量在计量系统均默认为线损，损失由供电企业承担。因此可以通过大数据手段，分析电量异常进而定位窃电行为。
2.2 反窃电算法实现
基于大数据处理的防窃电算法实现主要步骤如下图所示：
.png)
1. 数据预处理
考虑到计量系统、调度自动化系统数据量庞大，且数据格式不一致，需要先进行数据预处理，剔除数据中的噪声和无关量。
文章采用基于中值数偏差的决策滤波进行预处理。即通过考虑各数据与中值绝对值偏差来似然估算异常情况，该方法对于脉冲异常数据极为敏感。主要设计思路是：采用一个定宽度的移动窗口，计算多个定宽度数据有效值，在x（t）时间，用窗口提取数据与有效值对比，其差距大于阈值则认为是异常数据，剔除，反之则纳入数据集。
2.基于PCA算法的用户用电特征量提取
用户用电异常包括电量、电流、电压异常等。根据一系列相对电量值和三相电流、电压不平衡率分析用户正常用电和非正常用电的特征区别，并以此来对用户以 后的用电进行预测，是否有非正常用电的行为，由此确定异常用电用户集合。我们需要采用电量来作为描述用户用电的一个基本特征，将一系列相对电量值和三相电流、电压不平衡率，功率等其他用电数据作为用户用电的属性。
PCA算法主要是通过原来变量的少数几个线性组合来解释随机向量的方差-协方差结构，是数据 压缩和特征提取中一种多维向量的统计分析方法。因此可以将上述用电量、三相电流、电压不平衡率、功率作为PCA算法主要线性参数构建PCA算法，剔除不必要数据。
3.基于RVFLN的用户窃电算法诊断
随机权神经网络算法（RVFLN）具有学习速度快、跳出局部最优等优点，可以通过利用RVFLN对历史数据学习，得到预测的用户用电量数据，然后与现有用户数据对比，找出海量用户数据中异常电量数据，从而定位可疑窃电行为。具体步骤如下：
步骤一：从历史电量样本中选取对应用户作为算法网络中心，设置最大迭代次数L；
步骤二：令 ，将输入样本按临近规则分组，并分配给聚类中心；
步骤三：按照下述公式计算新的聚类中心：
.png)
步骤四：判断所有中心前后两次是否小于阈值，阈值计算公式如下：
.png)
若小于阈值则聚类结束，反之转步骤2继续。
最后当随机权神经网络算法结束后，输出预测结果。
3 工程实例
文章反窃电算法在 MATLAB 下实现，并将反窃电算法封装，利用Java调用封装程序，实现整个用户窃电诊断功能的开发。
通过使用文章系统，广东电网某地级市2016年年窃电查处数据如下：全年累计核查数据 189.30 万条，筛查疑似异常数据 4182 条，核查确认属实问题3866条，定位准确率高达92.44%。界面开发图如下所示：
.png)
参考文献：
[1] 高志芳, 邹旭旭, 汪祺. 智能计量监控在反窃电工作中的应用[J]. 决策与信息, 2014 (36): 181-181.
[2] Jiang Rong, Lu Rongxing, Wang Ye, et al. Energy-theft detection issues for advanced metering infrastructure in smart grid [J]. Tsinghua Science and Technology, 2014, 19(2): 105-120.
[3] 许明前. 窃电分析及防范窃电措施探讨[J]. 华中电力, 2011, 24(2): 49-51.
作者简介：张嘉慧，（工程师，主要研究方向：电力大数据与人工智能）；汤平瑜（工程师，主要研究方向：电力大数据与人工智能）；王远雄（工程师，主要研究方向：电力大数据与人工智能）