盧海明，郭壯志

（廣東工業(yè)大學(xué)，廣東 廣州 510006）

基于粒子群算法的異常用電檢測方法

盧海明，郭壯志

（廣東工業(yè)大學(xué)，廣東 廣州 510006）

竊電行為嚴(yán)重危害了電網(wǎng)的正常運(yùn)行，并且損害了國家和電力企業(yè)的利益。針對現(xiàn)有異常用電檢測方法的不足，提出一種基于粒子群算法的異常用電檢測新方法。以用戶歷史負(fù)荷數(shù)據(jù)為基礎(chǔ)，采用粒子群算法提取用戶相同行業(yè)的負(fù)荷模式曲線和用戶歷史數(shù)據(jù)的負(fù)荷模式曲線，并根據(jù)用戶考察日負(fù)荷曲線與上述兩種負(fù)荷模式匹配的不同特點(diǎn)，使用不同的負(fù)荷數(shù)據(jù)預(yù)處理方式以及模式匹配評價(jià)方法。實(shí)例分析表明，新方法能有效檢測到異常用電的情況，驗(yàn)證了模型的有效性。

異常用電檢測；粒子群算法；負(fù)荷模式；模式匹配

在電能輸送和分配過程中，電網(wǎng)的有功功率損失和電能損失統(tǒng)稱為線路損失。目前我國供電企業(yè)在電量自動(dòng)化管理方面技術(shù)手段相對落后，線路損失率居高不下，竊電現(xiàn)象嚴(yán)重，既給國家造成巨大經(jīng)濟(jì)損失，又嚴(yán)重?cái)_亂了市場經(jīng)濟(jì)秩序。在電力體制改革浪潮中，越來越多供電企業(yè)深刻地意識到只有提高電量管理水平，加大反竊電力度，增強(qiáng)電網(wǎng)運(yùn)行分析能力，才能有效保證安全生產(chǎn)，是企業(yè)取得良好的經(jīng)營效益［1－3］。

以往的反竊電技術(shù)存在很大的局限性，僅憑線損率大于15%時(shí)肯定有竊電現(xiàn)象，但究竟竊電者是誰，竊電量是多少都難以判定［4］。早期的方法中還包括給每個(gè)電力用戶安裝檢測設(shè)備。盡管這種方法檢測準(zhǔn)確度很高，但需要高額的投資成本和維護(hù)成本。傳統(tǒng)的竊漏電檢測方法，雖然能獲得用電異常的某些信息，由于終端誤報(bào)或無用信息太多，無法達(dá)到真正快速精確定位竊漏電嫌疑用戶和計(jì)量故障的目的，往往令稽查工作人員無所適從。隨著管理信息系統(tǒng)和遠(yuǎn)程抄表技術(shù)的發(fā)展，電力企業(yè)積累了大量的歷史用電數(shù)據(jù)，一些基于數(shù)據(jù)挖掘技術(shù)和智能優(yōu)化算法的異常檢測方法也相繼被提出［5］。文獻(xiàn)［6］提出一種基于改進(jìn)支持向量機(jī)和專家系統(tǒng)的異常檢測模型。文獻(xiàn)［7］提出一種結(jié)合和聲搜索算法和最佳路徑林分類的混合特征選擇算法，并成功應(yīng)用到電力系統(tǒng)中。

為全面、有效地對用電數(shù)據(jù)和竊電行為進(jìn)行分析，提高異常用電報(bào)警準(zhǔn)確率，本文提出一種基于粒子群算法（PSO）的異常用電檢測新方法。以用戶歷史負(fù)荷數(shù)據(jù)為基礎(chǔ)，首先采用粒子群算法提取用戶行業(yè)的負(fù)荷模式曲線和用戶歷史數(shù)據(jù)的負(fù)荷模式曲線，并根據(jù)用戶考察日負(fù)荷曲線與上述兩種負(fù)荷模式匹配的不同特點(diǎn)，使用不同的負(fù)荷數(shù)據(jù)預(yù)處理方式以及模式匹配評價(jià)方法；然后分別計(jì)算考察日負(fù)荷曲線與同類型用戶負(fù)荷模式、考察日負(fù)荷曲線與用戶歷史負(fù)荷模式的匹配度；最后根據(jù)供電企業(yè)對兩種負(fù)荷模式的偏好設(shè)置匹配度權(quán)重，加權(quán)求和得到用戶的用電正常度。實(shí)例分析表明，新方法能有效檢測到異常用電的情況，且檢測成本低。

1 負(fù)荷模式

負(fù)荷模式是指一個(gè)電力用戶或電力用戶群在一段時(shí)間內(nèi)消耗電量的模式［8］。隨著電力服務(wù)意識的提高和電力體制的完善，供電企業(yè)把目光投向了更深層次的應(yīng)用，以充分挖掘數(shù)據(jù)的利用價(jià)值，其中包括用電營銷和異常用電檢測。這些應(yīng)用都離不開電力客戶的負(fù)荷模式分析［4］。

負(fù)荷模式方法主要是研究如何記錄和提取電力用戶負(fù)荷特征的信息［8］，實(shí)踐證明該法是識別電力用戶行為的合適技術(shù)工具。負(fù)荷模式方法的核心是負(fù)荷模型，目前主要有兩種負(fù)荷模式模型：一是基于同類型用戶負(fù)荷的分類模型；二是基于地理范圍的區(qū)域模型。兩種負(fù)荷模型各自具有其優(yōu)缺點(diǎn)，為有效提高預(yù)警模型的準(zhǔn)確性，本文采用結(jié)合兩種模型的綜合模型。包括基于同地區(qū)同類型用戶負(fù)荷數(shù)據(jù)的負(fù)荷模型（CLP）和基于用戶歷史負(fù)荷數(shù)據(jù)的負(fù)荷模型（HLP）。

2 基于粒子群算法的模式提取

2.1 數(shù)據(jù)收集

目前各供電局已基本建成了涵蓋各種計(jì)量點(diǎn)及采集終端，集信息采集、監(jiān)控、分析和計(jì)量管理于一體的計(jì)量自動(dòng)化應(yīng)用平臺，完成了對電廠、變電站、公變、專變、低壓集抄等發(fā)電側(cè)、供電側(cè)、配電側(cè)、售電側(cè)的綜合性統(tǒng)一數(shù)據(jù)的自動(dòng)采集監(jiān)控。已實(shí)現(xiàn)對居民用電的遠(yuǎn)程集中抄表功能，電力遠(yuǎn)程抄表系統(tǒng)與營銷管理系統(tǒng)、生產(chǎn)調(diào)度系統(tǒng)等均不同程度的通過數(shù)據(jù)接口實(shí)現(xiàn)了數(shù)據(jù)共享，現(xiàn)在應(yīng)用系統(tǒng)中已存儲了大量用戶用電信息。

需要收集用電負(fù)荷數(shù)據(jù)包括：用戶同地區(qū)同行業(yè)過去1年的10個(gè)用戶用電負(fù)荷數(shù)據(jù)，用戶過去2年的日用電負(fù)荷數(shù)據(jù)以及用戶考察實(shí)際日用電負(fù)荷數(shù)據(jù)。其中，系統(tǒng)計(jì)量電表每15 min采集用戶的用電負(fù)荷，即用戶每天的日用電負(fù)荷數(shù)據(jù)有96個(gè)數(shù)據(jù)點(diǎn)。具體包括，過去一年N個(gè)同類用戶對應(yīng)的用電負(fù)荷數(shù)據(jù)：

式中：Xi，j為第i個(gè)同類用戶的第j天負(fù)荷數(shù)據(jù)。

過去2年用戶對應(yīng)月份的歷史負(fù)荷數(shù)據(jù)：

式中：Yi，j為過去第i年該月第j天的負(fù)荷數(shù)據(jù)。

用戶考察日的負(fù)荷數(shù)據(jù)：

式中：Z為用戶考察日的負(fù)荷數(shù)據(jù)。每個(gè)負(fù)荷數(shù)據(jù)組為1條負(fù)荷曲線。

2.2 數(shù)據(jù)歸一化

以用戶歷史負(fù)荷數(shù)據(jù)為基礎(chǔ)，同地區(qū)同類型用電負(fù)荷的變化趨勢具有相似性，但不同類型和數(shù)量的設(shè)備導(dǎo)致負(fù)荷基數(shù)不同，而用戶在相鄰年份同一月份的自身負(fù)荷變化不大?；谏鲜鎏攸c(diǎn)，對同地區(qū)同類型用戶的負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理，而用戶自身的歷史負(fù)荷數(shù)據(jù)則保留原值。對負(fù)荷數(shù)據(jù)進(jìn)行歸一化的處理。數(shù)據(jù)的歸一化公式如下：

式中：ximin和ximax為負(fù)荷數(shù)據(jù)中第i個(gè)用戶的最小值和最大值。

2.3 基于PSO的模式提取

PSO是一種基于社會群體行為的全局優(yōu)化進(jìn)化算法［9－10］，其主要思想是將優(yōu)化問題的可能解在搜索空間中用一個(gè)“粒子”表示，每個(gè)粒子都有一個(gè)速度決定它們的方向距離和方向，然后所有粒子就追隨當(dāng)前的最優(yōu)粒子在解空間搜索。所有粒子都通過相同的適應(yīng)度函數(shù)來評價(jià)優(yōu)劣，在每一次迭代中，粒子通過跟蹤兩個(gè)“極值”來更新自己，分別是個(gè)體極值和全局極值，即粒子自身所找到的最優(yōu)解和整個(gè)種群目前所找到的最優(yōu)解。

基本粒子群算法的更新迭代公式為

式中：ω為慣性系數(shù)；學(xué)習(xí)因子c1和c2為非負(fù)常數(shù)；r1和r2為區(qū)間［0，1］內(nèi)的隨機(jī)數(shù)；v∈［－vmin，vmax］，vmax為一正的常數(shù)，用于限制速度v的大小，可根據(jù)問題不同而設(shè)定具體數(shù)值；粒子的位置x表示問題的解；pid和pgd分別代表個(gè)體極值和全局極值。

利用PSO提取負(fù)荷模式曲線時(shí)，每個(gè)粒子位置表示負(fù)荷數(shù)據(jù)曲線，粒子編碼方式為P＝［p（1），p（2），…，p（96）］，適應(yīng)度函數(shù)為曲線間的距離：

式中：K為負(fù)荷曲線的數(shù)量；xk（i）為第k條負(fù)荷曲線第i個(gè)時(shí)刻的負(fù)荷。

基于上述編碼方式、尋優(yōu)迭代操作以及評價(jià)機(jī)制，經(jīng)過若干代的更新迭代后，得到種群中的全局極值所代表的負(fù)荷向量，即為PSO所提取出的模式。運(yùn)用PSO算法最終得到的負(fù)荷模式包括：用戶自身歷史負(fù)荷代表模式曲線H＝［h1，h2，…，h96］（HLD），歸一化的同地區(qū)同類型用戶代表負(fù)荷模式曲線L＝［l1，l2，…，l96］（SLD）。

2.4 負(fù)荷模式匹配

在計(jì)算匹配度之前，將用戶考察日的負(fù)荷曲線U＝［u（1），u（2），…，u（96）］（CLD）進(jìn)行歸一化，得到U′＝［u′（1），u′（2），…，u′（96）］（nCLD）。因?yàn)榛诮y(tǒng)計(jì)量相關(guān)系數(shù)的相似度度量更加側(cè)重于考慮曲線變化趨勢的相似，跟用戶與同行業(yè)的負(fù)荷模式的關(guān)聯(lián)性相一致，因此SLD與nCLD的匹配度定義如下：

用戶考察日用電負(fù)荷與自身歷史負(fù)荷模式的匹配，不僅體現(xiàn)出變化趨勢的一致，而且負(fù)荷基數(shù)也比較接近。因此，采用基于平均相對距離的度量來計(jì)算HLD和CLD的匹配度，定義如下：

式中：m2為HLD與CLD的匹配度。

2.5 異常用電檢測

得到用戶考察日負(fù)荷曲線與同地區(qū)同類用戶負(fù)荷模式曲線的匹配度m1，用戶考察日負(fù)荷曲線與用戶歷史負(fù)荷模式曲線的匹配度m2后，根據(jù)實(shí)際情況確定對兩匹配度的偏好度ω1和ω2，最終加權(quán)求和得到用戶的用電正常度η：

供電企業(yè)可根據(jù)對用戶的信用狀況評估來設(shè)置用電正常度的報(bào)警閾值，當(dāng)用戶的用電正常度η大于報(bào)警閾值時(shí)，則該用戶為正常用戶；相反，則該用戶異常用電次數(shù)Q將加1，在指定時(shí)間長度內(nèi)Q大于若干次后，用戶被列為異常用電嫌疑用戶，需要派遣稽查人員到用戶現(xiàn)場檢測，根據(jù)檢測結(jié)果斷定用戶是否存在竊電行為。異常用電次數(shù)Q同樣可以根據(jù)對用戶的信用狀況評估來設(shè)置。

基于PSO算法的負(fù)荷模式異常用電檢測方法的具體流程如圖1所示。

圖1 基于PSO算法的異常用電檢測流程

3 實(shí)例分析

以2個(gè)實(shí)際用戶為例進(jìn)行異常用電檢測。由于電網(wǎng)對工業(yè)用電實(shí)行峰谷電價(jià)，鼓勵(lì)多用低谷電，因此工業(yè)用戶1一般都是晚上進(jìn)行生產(chǎn)，并且具有明顯的“三峰兩谷”現(xiàn)象。用戶2用電高峰。算法得到的用戶負(fù)荷模式曲線如圖2—圖3（用戶1），圖4—圖5所示（用戶2）。

圖2 用戶1的CLD與HLD曲線

圖3 用戶1的nCLD與SLD曲線

圖4 用戶2的CLD與HLD曲線

圖5 用戶2的nCLD與SLD曲線

算法中匹配偏好度使用算法默認(rèn)值ω1＝0.3，ω2＝0.7，通過計(jì)算分析得到兩匹配度m1＝0.39，m2＝0.28，加權(quán)求和后得到用戶的最終用電正常度η＝0.313，小于報(bào)警閾值0.8，因此該用戶異常用電次數(shù)Q加1。用戶1在兩周內(nèi)出現(xiàn)Q＞3，最后通過現(xiàn)場檢查，證實(shí)用戶存在竊電行為。對于用戶2，算法得到兩匹配度m1＝0.952，m2＝0.911，加權(quán)求和后得到用戶的最終用電正常度η＝0.923，大于設(shè)置的報(bào)警閾值0.8。因此用戶2用電情況正常。

4 結(jié)束語

傳統(tǒng)對于異常用電檢測大多數(shù)采用外圍設(shè)備管理措施，在反竊電技術(shù)上也是采用傳統(tǒng)的判斷方法，依據(jù)專業(yè)人員人工分析數(shù)據(jù)進(jìn)行判斷，效率很低，且不能有效取證。隨著數(shù)據(jù)庫技術(shù)以及遠(yuǎn)程抄表技術(shù)的飛速發(fā)展，電力企業(yè)積累了大量的歷史用電數(shù)據(jù)。本文在用戶歷史負(fù)荷數(shù)據(jù)的基礎(chǔ)上，提出一種基于用戶歷史負(fù)荷數(shù)據(jù)與同類型用戶負(fù)荷數(shù)據(jù)的綜合負(fù)荷模式，并采用粒子群算法提取負(fù)荷模式曲線，并對負(fù)荷模式進(jìn)行了準(zhǔn)確的匹配。電力用戶負(fù)荷實(shí)例計(jì)算分析證明了新方法的準(zhǔn)確性和有效性，為異常用電檢測提供了一種新的數(shù)據(jù)分析方法。

［1］康麗雁，王志斌，孫飛躍.電力用戶用電信息采集系統(tǒng)不良數(shù)據(jù)分析及處理方法［J］.東北電力技術(shù)，2012，33（11）：46－48，52.

［2］王天博，馬一菱，蔡穎凱，等.利用電力營銷稽查監(jiān)控管理模式提升數(shù)據(jù)質(zhì)量的研究［J］.東北電力技術(shù)，2013，34（6）：44－46.

［3］張森林，張 堯，陳皓勇，等.中國電力市場建設(shè)及大用戶直購電近況［J］.廣東電力，2010，23（10）：60－65.

［4］張春明，許 心.防竊電系統(tǒng)的應(yīng)用［J］.高電壓技術(shù)，2005，31（8）：88－89.

［5］任 蓉.電能計(jì)量及反竊電方法綜述［J］.中小企業(yè)管理與科技，2013（4）：311－312.

［6］Nagi J，Keem S Y，Sieh K T，et al.Improving SVM－Based Non?technical Loss Detection in Power Utility Using the Fuzzy Inference System［J］.Power Delivery，IEEE Transactions on. 2011，26（2）：1284－1285.

［7］何小飛，王 銳，葉茂青.基于GPRS的供電電壓在線監(jiān)測系統(tǒng)應(yīng)用研究［J］.東北電力技術(shù)，2015，36（1）：15－19.

［8］楊玉銳，程 杰，周 剛，等.一種用于異常用電檢測的負(fù)荷模式分析新方法［J］.浙江電力，2014，33（9）：10－14.

［9］李 丹，楊 寧，易善軍.電力系統(tǒng)無功優(yōu)化自適應(yīng)粒子群算法［J］.東北電力技術(shù)，2010，31（11）：1－5.

［10］何占琦，孟安波，陳育成，等.基于環(huán)形拓?fù)涞牧Ｗ尤簝?yōu)化算法在無功優(yōu)化中的應(yīng)用［J］.廣東電力，2014，27（2）：56－59.

Study on Abnormal Electricity Utilization Detection Method Based on PSO Algorithm

LU Hai?ming，GUO Zhuang?zhi
（Guangdong University of Technology，Guangzhou，Guangdong 510006，China）

Stealing power acts seriously endanger the regular operation of power grid and damage the interests of national and electrical enterprise.According to the shortages of the existing methods to abnormal electricity utilization detection，this paper proposes a new method based on PSO algorithm to solve this problem.On the basis of customers＇historic load data，PSO algorithm is chosen to extract the load pattern curve of customers＇which are in the same business and the load pattern curve of customers＇historic load data.Accord?ing to different characteristics of the matching between customers＇detection?day load curve and the above mentioned load pattern，dif?ferent pre?process methods of load data mode and pattern matching evaluation methods are used.this studies show that the new method can successfully detect the abnormal electricity utilization situation and verify the effectiveness of the mode.

Abnormal electricity utilization detection；PSO algorithm；Load pattern；Pattern matching

TP393.08

A

1004－7913（2016）05－0056－04

廣東省自然科學(xué)基金（S2013040013776，S2012040007911）；廣東省教育廳育苗工程項(xiàng)目（2013LYM_0019）

盧海明（1990—），男，碩士研究生，主要研究方向?yàn)橹悄芩惴ㄔ陔娏ο到y(tǒng)中的應(yīng)用。

2016－01－11）