基于用电负荷异常曲线排查高接低用户的数据挖潜与案例分析

朱少维，戚颖怡，陈豪，王马才

（广州供电局有限公司，广东广州，510000）

1 采用的技术分析及算法

1.1 数据挖掘技术

数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。底层数据源来自营销系统、计量自动化系统、配网调度系统等。

1.2 聚类算法

采用k-means聚类算法，聚类出行业典型用户用电轨迹，通过轨迹相关系数和轨迹交叉面积辨别出用户是否用电轨迹异常。行业用电与用户用电对比曲线分析可以查看用户与行业之间月、日、小时点功率曲线关系，也可以查看用户与对应用电类别之间轨迹对比关系，最终通过辨别模型，判定出用户用电轨迹是否异常，用户用电轨迹对比分析是从用户用电行为的角度去分析用户的用电情况。

2 客户用电特征分析

2.1 用电行为特征分析

用户违约用电、窃电或计量故障必定会导致用户用电行为特征异常为依据，建立用户用电行为特征曲线，通过用户用电曲线和正常用电曲线对别，并设置判定异常的临界值，从而找出用户用电行为特征异常的用户。如图1所示。

图1 客户用电行为特征曲线分析

2.2 用户用电负荷特征分析

企业或者居民用户用电负荷特性主要通过计算合同容量比进行分析。即分析用户申请的合同容量与用户的月用电量间存在数值上的对应关系，其计算公式为：

式（1）中，合同容量与用户的月用电量间的对应关系因每个用户所在地区的不同而有所不同，因此需要对合同容量比进行聚类分析。

用电负荷异常的分析与判定主要在于分析用户负荷超出运行容量的统计量，统计一天内有功功率与运行容量的比率是超出限定阀值的次数。如果一个计费周期内日用电负荷异常的天数较大，则存在异常的概率很大，反之很小。

2.3 用户用电规律特征分析

用户用电规律特征分析主要对月电量小时分布偏离度进行系统分析和数据挖潜：根据一个自然月内用户的小时用电统计量按照自然日的24小时进行分别统计求和以获得月用电总量在自然日24小时内的月电量小时分布向量，并计算该向量与正常用户的月电量小时分布向量之间的欧氏距离，即为月电量小时分布偏离度，计算公式为：

式（2）中，kC 为用户月用电总量在自然日24小时内的月电量小时分布向量，kU 为正常用户的月电量小时分布向量。所述正常用户的月电量小时分布向量，是利用数据挖掘技术获得。月电量小时分布偏离度数值越小，表明异常的概率越低，反之异常的概率越高。日用电量波动情况：即近30天日用电量的标准差，其计算公式为：

上式中，N表示所取周期，若以月为周期，则N=30。ix 表示第i天日用电量，µ表示周期内日用电量平均值。正常用户的日用电量应保持平稳，具有较小的标准差，反之则具有较大的标准差。同时通过分析月用电量离散系数，即用户近12个月的月电量标准差与月电量平均值的比值，来找出用户月电量波动太大或太小的用户。正常用户的月用电量离散系数计算公式为：

与此同时，对用户/行业月电量离散系数比值进行分析，判断出正常用户离散系数与行业离散系数是在同一范围波动。即分析用户月用电量离散系数与行业月电量离散系数的比值。行业电量离散系数是近12个月行业用户月电量标准差与行业月平均电量的比值，计算公式为：

式（5）中，系统内行业用电总量和系统内行业用户数分别指计量系统、配网系统等管理系统内能够统计到的行业用电之和与用户数。

3 应用实例分析

广州供电局有限公司在开展稽查工作时，发现某用电客户现场用电性质与系统用电性质不一致。经初步调查，营销系统档案显示，该客户为专变用户，计量方式采用高供高计，变压器容量500kVA，共有两只表计，为子母表关系，母表用电类别是居民，月均用电量约为15000kWh，子表用电类别是非工业，月均用电量约为600kWh。

经用电异常分析系统筛选，可知该客户工作日负荷使用情况如图3中的蓝线，负荷增长从早上七点开始，工作时间保持高负荷运作，而到晚上七点后负荷开始下降，与居民生活用电类别的负荷曲线（图2中的绿线）不匹配。

图2 某用电客户工作日用电负荷曲线

经现场检查发现，正处于工作时间的该客户办公楼对应的非工业电表计量三相电流值分别为：A相0.036A、B相0.018A、C相0.004A，用电负荷接近零，与现场实际情况不符。同时，因该客户职工宿舍进行一户一表改造，转由公变进行供电，并非由该台专用变压器供电，该情况与计量电表计数的用电情况吻合。经对线路进行排查，原居民生活电表错误接至8层的办公楼用电，而非工业电表错误接至宿舍楼用电，由于宿舍楼已进行一户一表改造，该电表现只对宿舍楼照明用电进行计量。

分析出问题后，对该客户两表计分别办理了改类，修正用电类别，并对少收的电量，按相关规定进行追补。该案例反映出通过用电异常分析系统对客户用电负荷情况进行详细分析，有助于配合营销系统，精准定位，找到高价低接的客户并及时处理，避免企业损失，降低企业面临的法律风险。

为检验系统用电负荷异常曲线在实际工作中的应用有效性，自2018年3月至8月共六个月内，从系统中共抽取70个曲线异常的有效样本（剔除重复抽取样本及负荷曲线为零的异常样本），结合系统档案进行分析后，至客户开展现场检查，现场检查结果如下表1所示。

表1 曲线异常的有效样本分析（n=70）

通过对数据挖潜分析，第一类宿舍或饭堂、养老院、居民楼及公共设施（照明、风机、水泵、消防等）与系统档案一致，未存在高接低行为，共计45户，占样本总量64%。

第二类现场检查结果为学校的客户，用电类别为非工业（学校），执行合表（非居民）电价，与合表（居民）电价价格一致，不属于高接低行为，共计9户。但该类学校客户应办理改类业务，把用电类别从居民生活更正为非工业（学校），同时须把原执行错误的合表（居民）电价更正为合表（非居民）电价。

第三类是住宅表为母表，其他用电类别表计为子表的客户，该类客户现场检查时未发现高低接行为，且不同类别的用电有相应表计计费，共计7户。

最后一类为存在高接低行为的客户，共计9户。该部分使用居民电价的客户，1户实际为大宗工业客户，2户为非工业客户，1户为商业客户，还有5户属于混合用电的客户（即既有部分居民生活用电，也有部分非工业、商业等用电）。该部分存在高接低行为的客户，均须根据《供电营业规则》等相关规定，在营销系统发起改类及违约用电查处流程，依法追回损失。

第二类学校客户以及最后一类实际存在高接低行为的客户，属于问题样本，问题率约占样本总数的26%。可知通过对客户用电负荷异常曲线进行筛查及分析，能极大程度地缩小问题客户的选择范围，高效排查问题样本。

4 结论

利用用电负荷异常曲线排查高接低用户的应用方法，结合聚类分析、多元线性回归、辨别分析等数据挖掘的分析方法，对用户用电行为进行多维度分析，建立用电异常评价体系。对客户用电异常曲线开展对比分析，剔除因数据提取不准确造成的误差，灵活运用数据结果，对负荷异常曲线进行改善，快速锁定问题样本，现场进行排查，对用电异常分析系统进行持续优化与改造，从而更有效的提升异常行为客户的筛查率，使用电行为异常分析工作趋于信息化、智能化。