启明星辰阐释基于大数据的异常行为分析
彭涛
摘 要：智能电网是大数据的重要技术应用领域之一。随着智能电网的发展， 窃电犯罪日渐网络化、规模化、专业化。由于高级量测体系、各种监控系统的大规模部署产生和积累了大量数据， 通过信息采集并充分挖掘这些数据的价值具有重要意义。针对智能配用电业务，首先分析智能配用电大数据的特征，然后重点研究大数据环境下的用户用电行为应用场景，提出大数据环境下的用户用电行为异常研究思路和方法，接着分析业务应用中的大数据关键技术。
关键词：大数据；用电行为；异常分析
中图分类号：TP319 文献标识码：A 文章编号：1671-2064（2017）05-0158-04
Abstract： Smart grid is one of the most important technical fields for big data technology application. With the development of smart grid， Stealing is growing crime network， scale and specialization. Since the deployments of advanced metering infrastructure（AMI）， equipment condition monitoring systems result in the production and accumulation of a lot of data， thus it is of great significance to fully mine the value of these data and data collection. Firstly， aiming at smart power distribution and consumption systems， the paper described the big data and its characteristics. Secondly， the typical application scenario analyses was carried out， which were customer electricity usage behavior analysis. Then the research methods of the business application in big data environment were put forward. Finally， necessary big data key technologies were proposed on big data in power distribution and consumption systems was presented.
Key words：Big data； electricity usage behavior； abnormal Analysis
1 引言
近年来，盗窃电能的违法行为越来越普遍，而且随着科学技术的快速发展，窃电手段更加高明，技术含量更高，方法更隐蔽，特别是窃电犯罪日渐呈现网络化、规模化、专业化的特点，给查处带来了很大的难度。窃电现象不仅困扰电力企业的发展，对电网安全与效益、社会安全与风气构成了严重挑战，也严重影响了国家的经济建设和社会的稳定。
尽管窃电的形式和手段很多，无论是哪一种窃电方式，都会影响某个电表的计量数据或者影响某条线路、某个区域的相关数据，如线损变化、电压变化、电流变化以及相关的电表事件等。随着用电信息采集范围、应用范围的持续扩大，伴随着用户量和业务需求的增长，系统的复杂度也大幅度增加。这些数据在当今互联网背景下愈发体现了大数据的关键要素[1]：容量（Volume），速度（Velocity），种类（Variety），不仅体量巨大，数据类型繁多，价值密度低且商业价值高。传统数据处理技术已无法满足当前业务发展对系统数据处理分析的要求。通过信息采集系统将用户的用电数据完整采集到主站，对这些大数据进行深加工，寻找其中的用电行为规律，已成为当今大数据网背景下一个热点研究领域。
近年来，一些学者已经开展了该领域的相关研究工作。文[2-3]研究了大数据关键技术在用电信息采集系统架构中的应用，文[4-10]研究了基于大数据的用电消费习惯研究与分析等。由于现有大数据背景下的用电行为分析技术具有一定的局限性，未能有效地解决用电行为异常分析问题。为此本文提出了一种基于大数据的用电行为异常分析方法和数据处理技术，该方法和处理技术通过对广泛采集的数据进行建模，找出异常的数据变化规律，从而为用电行为异常分析需求提供了理论及应用基础。
2 用電行为异常分析方法
无论哪种窃电方式，都会影响某个电表的计量数据或者影响某条线路、某个区域的相关数据，如线损变化、电压变化、电流变化以及相关的电表事件等，用电行为异常分析方法正是利用这些电力数据，进行大数据的挖掘和分析，寻找其中的用电规律。目前，用电行为异常的分析方法，主要是通过大数据处理，通过系统的计算模型进行海量计算，数据挖掘的方式，识别出用电行为异常的用户。以下为几种用电行为异常分析方法。
2.1 平衡分析
通过对分线线损率数据进行对比分析，可以锁定用电异常嫌疑用户所在的线路。在分析线损数据时，通过不同的分析手段还可以得出用电异常嫌疑的严重程度。线路电量平衡衡计算公式：
线损率=（供电量-售电量）/供电量*100%
其中供电量为线路厂站端计量点电量之和，售电量为线路上所有用电用户的用电量之和。其中档案之间的关联关系可以根据档案定义来得到。
2.2 失流/二次侧开路/二次侧短路分析
采用欠流法窃电时，常采用使CT二次侧电流回路开路或短路，改变电路接法等手法，其影响的直接结果是使得计量电流小于实际使用电流。通过检测是否存在电流的突然大幅度减少可以判断是否存在用电行为异常。
2.2.1 A/B/C相失流
（1）三相电流中任一相或两相小于启动电流；
（2）其他相线的负荷电流大于额定电流的5%；
（3）持续时间大于指定的持续时间，默认为4小时。
2.2.2 A/B/C相CT二次侧开路
（1）发生时间之后的第一个时间点电表的本相电流为0；
（2）在设定的持续时间范围内电表的本相电流都为0；
（3）持续时间大于指定的持续时间，默认为4小时。
2.2.3 A/B/C相CT二次侧短路
（1）发生时间之后的第一个时间点电表的本相电流低于发生前一个时点电流值的50%；
（2）在设定的持续时间范围内电表的本相电流都低于发生前一个时点电流值的50%；
（3）持续时间大于指定的持续时间，默认为4小时。
2.3 失压/断相/缺相事件
2.3.1 失压
通常，线路的电压是恒定的，欠压法窃电直接影响电压计量结果，使得计量电压小于实际使用电压，通过检测电压是否低于额定电压来判断是否存在用电行为异常。不同的窃电手法导致电压降低的幅度不同，失压、断相、缺相分开判断有助于具体分析窃电手法，提高现场勘查取证的工作效率。失压事件判定条件：
（1）当某相电压持续低于电压Un*失压比率，超过一定时间后，判断为该相失压；
（2）失压比率见表《失压比率阀值配置》；
（3）电压Un见《启动电压Un配置》。
2.3.2 A/B/C相断相
（1）判定条件：电压小于启动电压，同时电流小于启动电流，且持续时间大于设定的判断时间；
（2）启动电压：默认为失压比率阀值*Un，Un见表《启动电压Un配置》；
（3）启动电流：默认为10% Ib，Ib见表《启动电流Ib配置》；
（4）失压比率见表《失压比率阀值配置》。
2.3.3 A/B/C相缺相
（1）电压小于启动电压，电流大于启动电流，且持续时间大于设定的判断时间；
（2）启动电压：同断相；
（3）启动电流：同断相。
2.3.4 阀值配置表
启动电压Un配置表：（表1）
启动电流Ib配置表：（表2）
失压比率阀值配置表：（表3）。
2.4 反极性事件
通过改变电流回路的接法，达到降低功率因数，从而降低计量电量的目的。反极性检测是与此对应的用电行为异常检测算法。
2.4.1 判断方法1
（1）本相电流值大于0.05安；
（2）总功率与分相功率之和的偏差率大于5%；偏差公式：
|分相和-总功率|/总功率
（3）持续时间大于指定的持续时间，默认为4小时。
2.4.2 判断方法2
计算电压、电流的相位角，分析电压、电流的相序和相位差，可以清晰的展示和判断是否存在反极性接线错误。
2.5 电量持续为0
当用户采取了一定的窃电手法，绕过计量表时，得到的用户电量将变为0，为排除偶发事件，当0电量持续n天时才认为存在窃电嫌疑，对于居民家庭考虑到确实外出未使用点这种情况，持续天数可适当设长一些。
（1）用户电量由非0值变为0值；
（2）持续时间超过n天，n可配置；
（3）一天之内持续0电量事件判断，可以考虑用整点电量进行判断；
判断过程中考虑节假日和度假高峰期，能提高判断精准度。
2.6 非费率时段走字
分时电价政策中，每个费率时段的费率不同，且差价较大，修改电表内设置的费率时段虽不影响计量精度，但是可显著减少用户实际支付的电费，也是窃电手法之一。通过数据分析，检测表码走字与费率时段的一致性，结合电表“费率时段发生变化”事件共同分析，可提高判断精准度。
选定某一天24小时表码，电表每个费率每个小时的示度值变化，需要与费率时段设置一致。例如，当费率时段分为以下三个时段，那么如图1所示。
（1）在时段[0：00，7：00）和[22：00，0：00），只有谷时段的表码示度能发生变化；
（2）在时段[7：00，9：00）、[12：00，15：00） 和[18：00，23：00），只有平时段的表码示度能发生变化；
（3）在时段[9：00，12：00） 和[15：00，18：00），只有峰時段的表码示度能发生变化。
若与上述规则不一致，则认为该表存在非费率时段走字异常。
2.7 主备表电量超差
专变负控终端的交流采样装置可以采集电量数据，且具有较高的测量精度，可以作为核表校验主表计量数据是否正确。当主表（计量表）的计量数据比交采装置的数据小时，主表可能存在用电行为异常嫌疑。交采数据超差检测可以排除实际电气运行中电流不断波动带来的判断干扰，当主表数据与交采电流数据存在差异时，该用户的用电行为异常的嫌疑度将加大。
指定时间点，电表和交采表，或主表与备表（核表）的电流数据比较，当误差率=|主表日电量-备表日电量|/主表日电量大于设定误差率阀值（缺省为1%），认为存在用电异常。
2.8 三相电流不平衡分析
（1）在窃电过程中，对接线模式或电路的改动会导致三相电流可能存在不平衡，三相电流不平衡检测也是用电行为异常的嫌疑判断因子之一。算法如下至少有一相大于0.05A，负控至少有一相大于0.1A；
（2）不平衡率超过指定阀值且持续时间超过指定的持续时间；
（3）其阀值与误判相同。
三相不平衡率 = MAX（（Ia-AVG（Ia，Ib，Ic））/ AVG（Ia，Ib，Ic），（Ib-AVG（Ia，Ib，Ic））/AVG（Ia，Ib，Ic） ， （Ic-AVG（Ia，Ib，Ic））/AVG（Ia，Ib，Ic） ）
其中如果是三相三线，B相不参与计算。
三相不平衡阀值配置表：（表4）。
3 用电行为异常分析应用
基于上述算法开发了用户用电行为异常分析系统，采用Oracle数据库和实时库技术，实现了用电行为异常处理功能。系统总体架构如图2。
该系统的功能设计如图3。
3.1 日用电量分析法
通过采集用户每日用电量数据，来分析用户用电情况。图4中为用户正常用电量曲线。
图5中用户用电量曲线与往常有区别，其中晚上22点至第二天早上4点，客户用电量为0，存在异常情况。
通过综合比较用户往常用电曲线和近期异常用电曲线，再结合用户实际生产用电情况，如发现客户晚上确实在生产，则存在较大窃电嫌疑。
3.2 三相电流分析法
当用户正常用电时，高压侧和低压侧电流曲线应该大致吻合。通过图6我们发现，早4点至晚22点，高压侧和低压侧的B相电流曲线是吻合的。但是晚22点至早4点，高压侧有电流输出，但是低压侧无电流输出，相差悬殊，存在较大窃电嫌疑。
4 结语
通过大数据技术的研究和应用，开发了用户用电行为异常分析系统，并以用户用电行为异常分析以为切入点，开展了基于大数据的用电行为异常分析研究和建设。该方法和处理技术通过对广泛采集的数据进行建模，找出异常的数据变化规律，为电力行业其他业务的大数据应用提供了科学方法和经验。
参考文献
[1]Bergelt R， Vodel M， Hardt W. Energy efficient handling of big data in embedded， wireless sensor networks[C].Sensors Applications Symposium[J]， 2014 IEEE. IEEE， 2014： 53-58.
[2]Ma Y， Ji X D， Jiang J M， et al. A resource allocation algorithm using compensation timeslot for self-healing in heterogeneous networks[C]. Proceedings of the IEEE International Symposium on Personal， Indoor and Mobile Communications workshop. London， UK：IEEE，2013：122-126.
[3]楊懿，王鑫，杨开琼，等.大数据关键技术在用电信息采集系统架构优化中的应用研究[J].科技传播，2015，（20）：116-118.
[4]张洁.大数据在用电信息采集系统中的研究与实现[J].科技风，2015，（19）：40-40.
[5]周嵩.浅谈电力用户用电信息采集系统大数据在客户行为研究中的应用[J].华东科技（学术版），2014，（8）：271，283.
[6]宋煜，郑海雁，尹飞.基于智能用电大数据分析的台区线损管理[J].电力信息与通信技术，2015，13（8）：132-135.
[7]张东霞，王继业，刘科研等.大数据技术在配用电系统的应用[J].供用电，2015，（8）：6-11.
[8]江樱，王志强，戴波.基于大数据的居民用电消费习惯研究与分析[J].电力信息与通信技术，2015，13（11）：7-11.
[9]Wang Jiye， Ji Zhixiang， Shi Mengjie，et al. Scenario analysis and application research on big data in small power distribution and consumption systems[J]. Proceedings of CSEE， 2015，35（8）：1829-1836.
[10]Wang Dewen， Sun Zhiwei. Big data analysis and parallel load forecasting of electric power user side[C]. Proceedings of CSEE， 2015，35（3）：527-537.
