徐志伟
国网内蒙古东部电力有限公司敖汉旗供电分公司 内蒙古自治区 024300
摘要：首先介绍了三种常用的窃电方法和原理，其次介绍了反窃电智能系统的结构及其处理流程，然后构建了基于神经网络算法的反窃电模型，建立了判断是否窃电的七个特征指标评价体系，并通过实例进行了验证。智能防窃电系统的研究具有一定的工程实用价值。
关键词:反窃电；信息收集；大数据；神经网络算法；特征指标评价体系
引言
目前，我国防窃电领域正处于快速发展阶段。介绍了基于大数据的防窃电模型和方法，包括大数据防窃电的数据预处理和结构化模型，并通过数据验证了该方法的有效性。文献[3]基于海量数据分析技术，采用电力大数据平台的关键技术，构建电网线损和窃电预警分析系统，实现线损的综合计算、分析和显示。文贤[4]构建了一个基于大数据挖掘技术的防盗模型，并对提出的算法进行了验证，证明了其准确性。在此基础上，本文重点研究了反窃电的算法和原理，构建了系统的总体模型和功能框架，利用神经网络算法构建了反窃电模型，并建立了7个特征指标评价体系来判断是否窃电，最后对系统进行了验证，证明了算法的可行性。
1窃电的方法和原则
根据近期窃电案例，窃电方式可分为电能表计量错误、换线错误、电能表大破坏[5]。
(1)仪表误差。窃电用户采取措施使电能表计量电路失效，造成电能表计量错误。根据参数的不同，有改变电能表电气参数、磁场干扰、改变电能表内部计量电路等方法。一次侧和二次侧电路的其他方法包括欠电流法、欠电压法、改变电流互感器的变比连接法、差分法和相移法。
(2)线路连接错误。窃电用户采取措施将私用电的负负荷接入供电企业的公共电源，或采取电压或电流接法使电能表线圈失压或电流线圈只流一小部分电流，造成电能表计量误差。常用的手段包括将电容和电感接入电路，连接外部电源，用变频器加入外部电流。
(3)电能表物理损坏。窃电用户采取措施损坏电能表外壳或内部结构，造成计量偏差或停止电能表运行的。常见的手段是物理破坏。本文简要介绍了上述差分法窃电的原理。用差法窃电改变电表内部结构是很常见的，特别是反接零火线，接零地线。
2防盗智能系统结构及处理流程
防盗智能系统的结构如图2所示，主要由无线采集装置、专用变压器采集终端、数据转换器、系统主站和电能表组成。防盗智能系统包括电力负荷管理、实时数据采集、实时数据存储、电量分配管理、用户区域、线损、潮流、电压、用电程度、地理位置、延伸保护系统、历史曲线线路显示、数据存储等功能，能够实时反映计量表的数据，并根据设定的阈值给出预警，提示异常用电信息的存在。
实际工作流程如下。
(1)在线监测。利用大数据信息采集技术采集用电数据，并对数据进行分析，得到电能表的停电、失压、故障、失流、外力损坏等事件。
(2)辅助分析。根据在线监测信息和终端事件进行辅助分析，确保分析的准确性。
(3)史料分析。对于有潜在窃电行为的用户，分析其测量信息、连接方式、历史记录和电量数据差异。
(4)智能诊断。分析用户的异常信息并及时处理，结合神经网络的防盗模型评估系统，计算用户的嫌疑指标，充分分析用户窃电信息的准确性。虽然窃电方式多种多样，但本质上用户实际用电量大于其电能表征。通过防盗智能系统的建立，可以不断检测用户的用电量，一旦系统显示有窃电，就会发出窃电报警，帮助供电系统人员第一时间处理，减少电力企业的损失。
3基于神经网络算法的反盗窃模型
本文研究的防盗模型是基于神经网络的。为了降低计算复杂度，保证算法的准确性，本文采用了三个神经网络的结构。
3.1投入量评价体系
防盗模型的准确性最重要的是输入量的准确性。电量的数学公式是电压、电流和功率因数角的乘积，所以当电压或电流异常时，电量也会异常。通过分析已窃电用户的历史用电数据，可以得到窃电前后电量变化的特征量。检测新用户用电量时，如果存在周期用电量为零或者用电量变化规律与窃电样本用电量变化规律一致的情况，则判断可能存在窃电行为。
利用用户月用电量、用户所在线路或站的线损、电表类型、测得与检测到的电流差值、异常电压变化、用户负荷功率、负荷功率因数变化等7个窃电判别指标，综合判断用户的窃电行为，如果用户在核对7个特征参数后，嫌疑人数较多，则说明用户可能有窃电行为，需要进行监控。
3.2 BP神经网络算法流程
(1)输入数值归一化。针对智能防盗模型的七个判别指标之间差距较大的情况，对各个评价指标进行归一化处理，处理方法是找出这组数据的最大值，然后将各个数据除以最大值，即把数据限定在[0，1]区间内。
(2)训练样本的选取。选择训练样本时，应满足样本输入与输出之间的非线性特征映射关系，训练样本数量一般选择为网络连接权值总数的5 ~ 10倍，并保证样本分布的平衡，以减少训练和学习的重复性[6]。
(3)设计隐藏层数。一般来说，选择两个隐藏层是为了满足不连续功能的运营需求，但对于防盗模型的构建，一个可以满足运营需求，只有当隐藏节点过多时，才需要再增加一个隐藏层。对于隐式节点的设计，初始值应按公式计算。M = n+l+α
(4)公式中，L、N、M分别为输入层节点数、输出层节点数、隐藏节点数；α是常数，通常取值1 ~ 4。在算法执行过程中，首先选取一定时间段内存储的数据作为依据，提取并归一化7个窃电评估指标体系，然后将归一化后的数据输入到反窃电模型中进行训练，当算法的计算精度达到设定的精度阈值时，退出程序，输出疑似窃电系数。整个过程如图3所示。
4示例应用
选取某地区80例窃电用户作为样本进行培训，选取申景的网络层作为3层。选取其中15个作为测试样本，训练了7个窃电评价指标体系。培训结果如下。
(1)对客户月平均用电量进行建模，对不符合用电曲线规律的月数据进行分析判断，用电曲线规律的月数据天数与样本总容量天数之比为16%。
(2)对客户线路的月线损值建模，用计算器模拟月线路的平均天数，计算月线损值大于平均值的天数与总样本容量的天数之比大于7%。
(3)客户站区月线损值建模，用计算器模拟月站区平均天数，计算月线损值大于平均值的天数与总样本容量的天数之比大于10%。
(4)计算电流和实际检测电流之差大于3%。
(5)电压三相不平衡率18%，发生电压损失。
(6)客户负荷能力大于总容量的12%，负荷率小于50%。
(7)月负荷功率因数变化值大于26%。
以上结果证明了本文构建的防盗智能系统能够对潜在用户进行分析。
5结论
随着供电规模的逐步扩大，窃电行为也相应增加，如何显著减少窃电行为并给出快速预警成为研究热点。介绍了电力营销领域反窃电智能系统的结构和处理流程，提出了7个窃电评价指标体系，构建了基于神经网络的反窃电模型，最后通过实例对算法进行了验证，结果表明电力营销领域智能系统能够准确识别潜在用户的窃电行为并给出预警，具有一定的工程实用价值。
参考文献
［１］吴迪，王学伟，窦健，等．基于大数据的防窃电模型与方法［Ｊ］．北京化工大学学报：自然科学版，２０１８，４５（６）：７９－８６．
［２］李端超，王松，黄太贵，等．基于大数据平台的电网线损与窃电预警分析关键技术［Ｊ］．电力系统保护与控制，２０１８（５）：１４３－１５１．
［３］窦健，刘宣，卢继哲，等．基于用电信息采集大数据的防窃电方法研究［Ｊ］．电测与仪表，２０１８，５５（２１）：４３－４９．
［４］卜庆伟．基于用电信息采集的智能反窃电系统的研究与应用［Ｊ］．山东工业技术，２０１７（１６）：１６６．
［５］张芬．电力营销反窃电技术和应用研究［Ｊ］．电子制作，２０１５（１）：２５４－２５５．
［６］强浩，戴巧云，吴柯，等．基于大数据的变结构ＢＰ神经网络反窃电技术研究［Ｊ］．江苏理工学院学报，２０１９（２）：１０－１４．