电能计量数据聚类分析与窃电检测研究

杨浩

摘 要：随着电力系统智能化程度的提高，各种智能电能计量设备的普遍应用，电能计量自动化系统内积累了许多电能计量信息，采取数据挖掘手段对这些数据展开分析，能够帮助电力部门把握客户的用电行为，对预测负荷、管理负荷、用电故障检测等具备显著作用。窃电是影响电力系统发展的重大问题，既给国家经济带来巨大损失，还威胁到电力系统的安全运转。伴随技术的进步，窃电方式逐渐多样化，并且隐蔽性更强，由此给窃电检测造成了较大困难。基于用电数据采集系统的电力计量信息分析方法与依靠K-Means聚类的电能计量信息分析方法，选择历史良好电能计量信息为基类，再和当下时刻电力计量信息展开聚类分析，筛选异常电能量信息，找到可疑数据，为查处窃电现象提供线索。

关键词：电能计量;聚类分析;窃电检查

1.常用的窃电方法

窃电属于电能非技术亏损的一个关键来源。由电能计量方面的电功率计算公式P=UIcosθ 得知，电能表计算电量是通过电压、电流及功率因素决定，调整任意一个条件，均会造成电能计量设备少计，进而引起窃电现象。另外，经过调整电能计量设备自身的结构也能够引起窃电。所以常用的窃电方法包括：欠流法、欠压方式、扩差方式、移相法及强交流磁强法。

1.1欠流法

该方法是通过多种方式令流经计量设备的电流降低甚至是0，进而让计量设备少计引起窃电。主要方法包括调整电流电路接法、调整电流互感设备变化、短接电流线路等。

1.2欠压法

是指经过多种方法令电能计量设备的电压线圈丧失电压或是降低所受电压，进而让计量设备少计引起窃电。主要方法包含串联电阻减压、导致电压回路接触异常、调整电压回路连线等。

1.3扩差法

即通过各种手段改变计量设备内部结构或其运行条件，使其设备本身的误差扩大，致使电能计量设备少计或不计电量引起窃电。主要方法包括利用电流或机械外力损坏计量设备、破坏计量设备的正常运行条件、拆卸计量设备改变其结构性能等。

1.4移相法

指经过调整电能计量设备内电压、电流之间稳定相位关系，进而造成电能计量设备慢转甚至产生倒转，由此令计量设备少计电量引起窃电。主要方法包含调整电表的正常连线、接入和电表没有联系的电压、电流等。

1.5强交流磁强法

因为有的电子式电能计量设备选择步进电机技术，但是步进电机技术设备在强交变磁场影响下会智能计数，调整磁场方向，计数设备将迅速递减计数，如此就会造成电能少计，进而引起窃电。

上述几种方法均是经过调整电能设备的计量回路引起窃电。但是，伴随科技的进步，有些针对智能计量设备来窃电的方法也产生了，如高频高压偷电、红外遥控偷电、大功率无线信号偷电。其中，高频高压偷电就是经过影响电能设备的内部运行流程，损坏电能设备的运行曲线，导致电能设备计量精准度低，不能顺利计量。大功率无线信号偷电是指影响电能设备的CPU，令电表少计甚至不计，该种方法还能够随时复原电表计量。这类高科技的偷电方法都较为隐蔽且难以发觉，偷电操作时间少，给窃电稽查造成了较大困难。

2.反窃电策略

反窃电策略应当按照相关的窃电方法来确定。尽管窃电方法多样化，但主要涉及两点：其一，经调整电能计量设备引起窃电;其二，绕过计量设备引起窃电。因为电能计量设备通过电能设备、互感器以及二次回路构成，所以能够针对这些部分调整计量设备达到反窃电目的。反窃电不仅要采用技术措施，也必须管理措施。

2.1技术措施

（1）选择专门的电能计量箱和电表箱

设置专门的电表箱能够提高窃电难度，让用户不能触碰电能设备。而且，窃电稽查者定时检查电表，尽量减少窃电现象。

（2）密封变压设备低压输出端到计量设备的导体

该种方法常用来预防无表窃电，而且对经过二次线采取欠压法、欠流法以及移相法偷电有显著效果。

（3）选择新一代电子式多功能智能电表

电子式电能设备存在无法倒装、底度无法智能清零、不能随意调整表计参数等特点，能够有效避免窃电行为出现[1]。此外，多功能智能电表存在失压、失流、电力失衡、逆相以及参数确定等事件智能记录作用，可以有效避免窃电行为出现。

（4）优化电能表连线

优化电能表连线，能够把相线与零线选择不同色彩的导线且对号入座，避免欠流法和跨相偷电。出入电能表的电线应尽可能缩短预留长度，避免扩差法偷电。该种方法可以有效预防欠流法、欠压方式、移相法以及扩差法。

2.2管理措施

（1）提高检测力度

用电检测是达到反窃电目的的重要方法，包含重点检测、临时检测、抽检、普检等形式。用电检测过程，主要采取直观检测、现场检测等方法确定窃电。检测内容有檢测电能表外表、铅封、连线等是否存在问题。

（2）加强宣传力度

给用电客户积极宣传电力法律法规，从多角度警示偷电的危害性及严重性，宣传偷电行为的体现形式，指引客户安全用电，严厉打击窃电，创造一个稳定用电的社会环境。

（3）加强培训

定时组织防偷电、反窃电的专业培训，对经典的窃电案例展开分析，分享反窃电经验，提升电力管理者的各种技能与业务能力。

另外，还有很多新的反窃电对策，如借助计量自动化系统（负荷管理平台）实时监控计量设备二次侧的电压、功率以及电流等各项参数的改变，当变化超过指定阈值将智能报警。

3.K-Means聚类算法

这是James MacQueen等人总结的一种依靠相似性与中心距的空间信息分类方式。利用该聚类算法把电能计量数据进行建模聚类分析，将其数据信息映射为空间里的点，按照点的密度与中心距能够把空间细分为多个区域，就是簇。信息点 所属的簇能够表示成：

其中，kb 表示属性数量，C表示簇，dkb 表示聚类C每个属性维度的中心点。相同簇中的信息均靠近其聚类的中心点，所以他们存在很高的相似度。相反，不同簇里的信息差别很大。K-Means聚类示意图见图1所示。

3.1依靠ARMA与K-Means的异常判断模型

（1）模型创建

依靠ARMA与K-Means的异常判断模型是通过ARMA模型与K-Means聚类算法构成。ARMA模型对输进的用电量信息序列完成时序创模，再展开短期预测，获得各个时刻相应的用电量预测值用作异常判断的比对值。K-Means聚类算法对电能计量信息真实值与预测值的残差项完成聚类分析，进而完成对异常信息点的检测。

（2）K-Means异常判断

为了对原始信息完成异常识别，在基于ARMA模型得到各个历史时刻电能计量比对值的前提下，与原始信息中的实际电能量作差，获得i时刻的残差项，即：

res（t）=│y（t）-x（t）│

其中， res（t）表示第t时刻的残差值;y（t） 与x（t） 分别表示第i时刻的预测值与实际值;t=1，2...，T。

再采取K-Means聚类法对 展开聚类分析，最终结果把这些信息分为多个簇与离群点，包含于簇内的点是正常收集的信息，但在簇外的离群点即K-Means聚类算法所筛选出的异常数据。

参考文献：

[1]陈钦亮.电能计量自动化系统在反窃电工作中的应用分析[J].企业科技与发展，2020，（6）：71-72.

[2]邱暨韶.电能计量装置反窃电技术应用[J].南方农机，2020，51（6）：185.

[3]姚腾，李育灵，王婵琼， 等.电能计量互感器二次回路状态识别系统[J].沈阳工业大学学报，2020，42（2）：143-147.

（广东电网有限责任公司阳江供电局）