第6章电力窃漏电用户自动识别ppt课件.ppt

电力窃漏电用户自动识别张良均2023/1/11,据统计，全国每年因窃电造成的损失都在200亿元左右；被查获的窃电案件不足总窃电案件的30%如深圳龙岗工业区一家只有两条生产 线的小塑料包装厂，一年窃电折价就 3040万元之多某市06年因窃电损失达4亿元某市2014年以来，共查处窃电案件 114起、追补电费和违约金451.8万 元，依法追究刑事责任7人。这不仅给国有资产造成巨大的损失，也严重扰乱了供电秩序，威胁到电网安全运行。,案例背景,案例背景,游戏开始啦,窃电就是利用各种手段使电能计量装置电量少计或不计，最常见的是从电能计量的基本原理入手。我们知道，一个电能表计量电量的多少，主要决定于电压、电流、功率因数三要素和时间的乘积，因此，只要想办法改变三要素中的任何一个要素都可以使电表慢走、停走甚至反走，从而达到窃电的目的。窃电分类：硬件窃电软件窃电强磁强电干扰等方式,案例背景,案例背景,常见硬件窃电种类：失压、断相法失流法移相法电流反极性分流法窃电方式：电能表（接线盒）铅封，直接或加装遥控装置改变误差电表（接线盒）端盖铅封，改变接线方式,常见软件窃电种类：修改电表时钟，使分时计量的尖、峰、平、谷错位。扩差，通过调表软件修调电表精度。窃电方式：开电能表设置铅封，用软件改变参数或精度,案例背景,强磁强电干扰静电攻击电能表，物理损坏或数据改变磁场攻击电能表，误差改变或数据改变高频电磁场攻击电能表，误差改变或数据改变直流用电模式，少计电量冲击负荷，需量考核不到跨相用电的问题,案例背景,在南网发现的几种窃电种类与预防加装分流电阻加装分流遥控器表内短接,案例背景,案例一：中山供电局（加装分流电阻）,案例背景,案例二：东莞供电局（加装分流电阻）,案例背景,电流采样电路原理图,案例背景,添加分流电阻后原理图,案例背景,案例三：东莞供电局（加装遥控装置）,案例背景,加装遥控分流器,案例背景,案例四：东莞供电局（接线盒内加装遥控分流 器）,案例背景,案例五：清远供电局（电流CT内部被短接）,案例背景,软件窃电更改电表的相关参数此类偷电事件通常为熟悉电表相关知识的人员或业内人士参与，对有分时计量的电表采用更改电表的时钟或电表时段来避开时段的计量。更有甚者用更改电表底度的方法来达到偷电的目的。但此类事件多功能电表均有相关的事件记录，修改时间、时段、清零时间(年月日时分)、清零前总及费率的正向有功电量、正向无功电量、反向有功电量、反相无功等电量均有事件记录。并且清零时的事件记录功能是不能被清除的，同时电表加装有开盖检测功能。强大的事件记录功能就像飞机的黑匣子一样记录了电表的多种事件，方便进行相关查询。,案例背景,背景知识,电能通过各级变压器、输电线路输送到各个用电用户。一条输入线路上有几个用户总线路及线路上每个用户均有电能表记录用电信息计量终端每15分钟自动采集各电能表的信息并上报监控中心计量终端能实现告警功能并上报电流异常、电压异常但常有误报、漏报现象,背景知识,线损：在输送和分配电能过程中，电力网中各个元件所产生的功率损失和电能损失以及其他损失。它是用供电量与售电量相减计算出来的。线损率：线损电量占供电量的百分比称为线损率，它是用来考核电力系统经济性运行的重要指标。正常情况，一条线路的日线损率的范围一般在3%15%。,线损率公式：,背景知识,电力用户分为哪些类型？居民用电：用电不具有营利性质，完全为了居民的生活需求。非居民照明用电范围：机关、部队、医院、幼儿园、福利院、养老院、学校、路灯等用电。商业用电范围：从事商品交换，提供有偿服务等的电力用户的用电一般工业用电范围：中小工业：以电为原动力或以电冶炼、烘焙、熔燃、电解、电化的非工业性生产、试验用电，其总容量在3千瓦及以上的用电（含基建用电）.,背景知识,电力用户分为哪些类型大工业用电：以电为原动力，电冶炼、烘焙、熔焊、电解、电化的一切工业生产，受电变压器总容量在315千伏安以上者，以及对外承担生产及修理业务的符合上述容量规定的用电农业生产范围农业排灌范围,思考,谁有窃电的动机（什么样的用户最有可能窃电）？窃漏电的重灾区在哪种用户类型中？窃电的用户有哪些特征？（可以从哪些指标来区分窃电和非窃电用户？）不同类型的用电的特征是否相同？如何进行防窃电检查？检查窃漏电也是有成本的，如何使得工作的效费比高？使用数据挖掘来进行窃漏电用户识别，该建立何种模型？,传统的用电检查及反偷查漏工作主要依靠突击检查，存在先天性的缺陷和不足：用电检查工作是按计划开展的，有一定的周期性。在两次检查之间客户存在的安全用电隐患、计量装置故障及窃电行为等不容易发现。没有针对性，在进行用电检查时，按既定计划先后到现场进行，面对几万专变用户不能及时发现计量故障及窃电行为。用电检查人员在开展工作时，缺乏客户负荷情况和用电情况的信息。现场检查掌握的也只是客户当时的情况。如果客户存在不定期的窃电行为，将难以发现。,窃漏电检测（传统方法）,硬件改造：通过电能表硬件方面的改造，加强电表的铅封管理，增加对电能表动手脚窃电的难度电能表的改造面临以下问题与挑战：耗资大周期长更改范围太大只能限制针对电能表改造的窃电行为，对表前窃电无能为力窃电手段日新月异，无法一劳永逸,窃漏电检测（传统方法）,软件方面：基于指标加权的用电异常分析模型，根据报警事件发生前后计量点有关的电流、电压、负荷数据，构建基于指标加权的用户异常分析模型虽然能获得用电异常的某些信息，但存在以下缺陷：终端误报或漏报过多，无法快速精确定位窃漏电嫌疑用户的目的模型各输入指标权重需要用专家的知识和经验，具有很大的主观性，存在明显的缺陷，所以实施效果往往不尽如人意。,窃漏电检测（传统方法）,系统资料背景,计量自动化系统数据,系统资料背景,营销系统数据,思考,有没有一种防窃漏电方法：耗资少实时监测准确定位,基于数据挖掘技术，构建窃漏电用户识别模型，实时监测数据，自动检测判断是否存在窃漏电行为,挖掘目标,归纳出窃漏电用户的关键特征，构建窃漏电用户的识别模型；利用实时监测数据，调用窃漏电用户识别模型实现实时诊断。,上机实验,3,2,分析方法与过程,4,背景与挖掘目标,1,拓展思考,目录,分析方法与过程,思考,窃漏电用户自动识别模型属于哪类模型？现有哪些数据？需要什么样的数据？需要多长时间的数据？,思考,计量电量,硬件窃电软件窃电强磁强电干扰各种窃电方法,数据抽取,数据抽取,计量自动化系统数据,营销系统数据,数据抽取,分析方法与过程,与窃漏电相关的原始数据主要有用电负荷数据、终端报警数据、违约窃电处罚信息以及用户档案资料等。从营销系统抽取的数据主要有：用户基本信息：用户名称、用户编号、用电地址、用电类别、报装容量、计量方式、电流互感器变比、电压互感器变比；违约、窃电处理记录；计量方法及依据。从计量自动化系统采集的数据属性主要有：实时负荷：时间点、计量点、总有功功率、A/B/C相有功功率、A/B/C相电流、A/B/C相电压、A/B/C相功率因数；终端报警。,第1步：数据抽取,原始数据情况,用电负荷数据，采集时间间隔为15分钟，可进一步计算该用户的用电量。,原始数据情况,终端报警数据，其中与窃漏电相关的报警能较好的识别用户的窃漏电行为,原始数据情况,用户违约、窃电处理通知书，里面记录了用户的用电类别和窃电时间,原始数据情况,用户违约、窃电处理通知书，里面记录了用户的用电类别和窃电时间,分析方法与过程,为了尽可能全面覆盖各种窃漏电方式，建模样本要包含不同用电类别的所有窃漏电用户及部分正常用户。窃漏电开始时间和结束时间是表征窃漏电用户窃漏电的关键时间节点在这些时间节点上，用电负荷和终端报警等数据会有一定的特征变化，样本数据抽取时务必要包含关键时间节点前后一定范围的数据本案例抽取某市近5年来所有的窃漏电用户有关数据和不同用电类别正常用电用户共208个用户的有关数据，时间为2009年1月1日至2014年12月31日，同时包含每天是否窃漏电的标识。,第1步：数据抽取,分析方法与过程,窃漏电用户在电力计量自动化系统的监控大用户中只占小部分某些大用户不可能存在窃漏电行为，如银行、税务、学校、工商等非居民类别，故在数据预处理时有必要将这些类别用户剔除。用电负荷不能直接体现出用户的窃漏电行为，终端报警存在很多误报和漏报情况，故需要进行数据探索和预处理，总结窃漏电用户的行为规律，再从数据中提炼出描述窃漏电用户的特征指标。结合历史窃漏电用户信息，整理出识别模型的专家样本数据集，再进一步构建分类模型，实现窃漏电用户的自动识别。,初步分析：,分析方法与过程,第2步：探索分析窃漏电用户在各种用电性质中的分布,分析方法与过程,第2步：探索分析不同类用户用电量随时间的变化情况随机抽取一个正常用电用户和一个窃漏电用户,有什么特点？,分析方法与过程,第2步：探索分析不同类用户用电量随时间的变化情况问题：如何从定量描述电量的不同变化趋势？,有什么特点？,有下降趋势的都有窃漏电嫌疑吗？,分析方法与过程,数据清洗：从业务以及建模的相关需要方面考虑，筛选出需要的数据通过对数据的初步探索，发现在用电类别中，非居民用电类别不存在漏电窃电的现象，将该类别的用电数据过滤掉。结合本案例的业务，节假日用电量与工作日相比，明显偏低。为了避免节假日用电低谷数据可能造成的干扰，过滤节假日的用电数据。,第3步：数据预处理,分析方法与过程,第3步：数据预处理,2.异常值处理：在原始数据样本中存在异常值的情况，以及一些超出指标阈值范围的数据，若不处理会严重影响供出电量的计算结果，导致后期数据建模效果不佳，对这类异常数据，当成缺失值进行插补处理。,分析方法与过程,3.缺失值处理：,第3步：数据预处理,分析方法与过程,3.缺失值处理：在原始计量数据，特别是用户电量抽取过程中，发现存在缺失的现象。若将这些值抛弃掉，会严重影响后续分析结果。具体会产生什么不良结果？,第3步：数据预处理,分析方法与过程,3.缺失值处理拉格朗日插值法其中 x 为缺失值对应的下标序号，Ln(x)为缺失值的插值结果，xi 为非缺失值 yi 的下标序号。首先从原始数据集中确定因变量和自变量，取出缺失值前后5个数据（前后数据不足5个的，将仅有的数据组成一组），根据取出来的10个数据组成一组构造插值公式。,第3步：数据预处理,分析方法与过程,3.缺失值处理,第3步：数据预处理,分析方法与过程,4.数据变换电量趋势下降指标线损指标告警类指标,第3步：数据预处理,分析方法与过程,4.数据变换电量趋势下降指标 从正常用电到窃漏电特征分析正常用户的用电量较为平稳，窃漏电用户的用电量呈现下降的趋势，然后趋于平缓,第3步：数据预处理,用电量趋势正常用电正常用电第1天窃漏电第2天窃漏电第3天窃漏电,分析方法与过程,4.数据变换电量趋势下降指标 对统计当天设定前后5天为统计窗口期，计算这11天内的电量趋势下降情况，首先计算这11天的每天的电量趋势，计算第i天的用电量趋势是考虑前后5天期间的用电量斜率，即：,其中，ki为第i天的电量趋势，fl 为第 l天的用电量。,分析方法与过程,4.数据变换电量趋势下降指标若电量趋势为不断下降的，则认为具有一定的窃电嫌疑，故计算这11天内，当天比前一天用电量趋势为递减的天数，即设有则这11天内的电量趋势下降指标为用电趋势不断下降就一定属于窃电吗？有没有更进一步的特征？,第3步：数据预处理,分析方法与过程,4.数据变换电量趋势增长指标线损指标线损率是用于衡量供电线路的损失比例，可结合线户拓扑关系计算出用户所属线路在当天的线损率,第3步：数据预处理,线损率公式：,其中sl 为第 l 天的线路供电量，为线路上各个用户的总用电量,分析方法与过程,4.数据变换电量趋势增长指标线损指标若用户发生窃漏电，则当天的线损率会上升由于用户每天的用电量存在波动，线损率也有正常的变动范围，单纯以当天线损率上升作为窃漏电特征则误差过大考虑前后几天的线损率平均值（去噪），判断其增长率是否大于1%（阈值），若线损率的增长率大于1%则具有窃漏电的可能性。如何设定阈值？,分析方法与过程,4.数据变换电量趋势增长指标线损指标对统计当天设定前后5天为统计窗口期分别计算统计当天与前5天之间的线损率平均值 Vi1 和统计当天与后5天之间的线损率平均值 Vi2，若 Vi1 比 Vi2 的增长率大于1%，则认为具有一定的窃电嫌疑，可定义线损指标,分析方法与过程,4.数据变换电量趋势增长指标线损指标告警类指标 窃漏电相关的终端报警主要有电压缺相、电压断相、电流反极性等告警，计算发生与窃漏电相关的终端报警的次数总和，作为告警类指标。,第3步：数据预处理,分析方法与过程,对2009年1月1日至2014年12月31日所有窃漏电用户及部分正常用户的电量、告警及线损数据和该用户在当天是否窃漏电的标识，按窃漏电评价指标进行处理，得到专家样本库。,第5步：构建专家样本,分析方法与过程,第6步：构建模型,构建窃漏电用户识别模型 对专家样本随机选取20%的作为测试样本，剩下80%的作为训练样本。神经网络建模CART决策树建模,分析方法与过程,第6步：构建模型,构建窃漏电用户识别模型神经网络由混淆矩阵（训练样本），分类准确率为94.17%，正常用户被误判为窃漏电用户占正常用户的1.95%，窃漏电用户被误判为正常用户占正常窃漏电用户的28.6%。,分析方法与过程,b)CART决策树由混淆矩阵（训练样本），分类准确率为91.67%，正常用户被误判为窃漏电用户占正常用户的5.85%，窃漏电用户被误判为正常用户占正常窃漏电用户的22.86%。,第68页,二分类问题的判断情况,正确的肯定(true positive，TP)正确的否定(true negative，TN)错误的肯定(false positive，FP):取伪错误错误的否定(false negative，FN):拒真错误,第69页,二分类问题的判断情况,真正率TPR(true positive rate)被模型正确预测的正样本的比例TPR=TP/(TP+FN)假正率FPR(false positive rate)被预测为正类的负样本比例FPR=FP/(TN+FP)真负率TNR：TN/(TN+FP)假负率FNR：FN/(TP+FN)综合成功率是正确的分类数除以总体分类数：(TP+TN)/(TP+TN+FP+FN),ROC曲线,接受者操作特征曲线（Receiver Operating Characteristic Curve,ROC)显示分类器真正率和假正率之间折中的一种图形化方法。在ROC曲线中，真正率（TPR）沿y轴绘制，而假正率（FPR）显示在x轴上。沿着曲线的每个点对应于一个分类器归纳的模型。ROC曲线上有几个关键点，它们都有公认的解释：(TPR=0,FPR=0)：把每个实例都预测为负类的模型(TPR=1,FPR=1)：把每个实例都预测为正类的模型(TPR=1,FPR=0)：理想模型,ROC 曲线,两个不同分类器的ROC曲线,好的分类模型应该尽可能靠近图的左上角，而一个随机猜测的模型应位于连接点（TPR=0，FPR=0）和（TRP=1，FPR=1）的主对角线上,分析方法与过程,第6步：构建模型,模型评价用测试样本对两个模型进行评价，评价方法采用ROC曲线进行评估。观测神经网络和CART决策树ROC曲线的CLASS2折线，经过对比发现神经网络的ROC曲线比CART决策树的ROC曲线更加靠近单位方形的左上角，神经网络ROC曲线下的面积更大，说明神经网络模型的分类性能较好，能应用于窃漏电用户识别。,神经网络在测试样本下的ROC曲线,CART决策树在测试样本下的ROC曲线,分析方法与过程,第6步：构建模型,进行窃漏电诊断,分析方法与过程,第6步：构建模型,进行窃漏电诊断,分析方法与过程,第6步：构建模型,进行窃漏电诊断,分析方法与过程,第6步：构建模型,误报原因分析：,1、原始数据缺失或不完整，导致模型判断不准；2、用户是否窃电有待现场稽查论证。,分析方法与过程,第6步：构建模型,漏报原因分析：,1、判断规则暂时无法表达（对应稽查处罚书中无法查明）；2、用户窃漏电开始时间点不在模型诊断的周期范围内。,分析方法与过程,详细显示嫌疑窃漏电用户信息,分析方法与过程,详细显示嫌疑窃漏电用户信息,分析方法与过程,采用GIS地图技术进行诊断结果展示，方便现场工作人员快速定位追踪，提高工作效率。,总结,总体流程：,后续,本项目的成果已广泛应用于广东电网各地市单位，大幅度提高了防窃漏电诊断的效率及准确性，有效发现并查处窃漏电事件70余起，追回电量损失（含违约相关费用）968万元，2013年至2014年已累计产生经济效益超6000万元。,后续,模型构建完成后是否一直可用？,上机实验,3,4,拓展思考,2,背景与挖掘目标,1,分析方法与过程,目录,拓展思考城市供水管网片区用水异常分析,背景 目前用户用水异常现象出现频繁，如由工业用水，商业用水，家庭用户用水收取费用不同，引起的偷盗水行为；由管道漏损引起的用水量超标；由水表故障（或人为调整）引起的异常等等，如下图所示。这些现象不仅损害了供水企业的经济利益，也引起了一定的水资源浪费。因此对用户用水行为分析，发现用水异常尤为重要，不仅可以发现偷盗水用户，以及时弥补供水商的经济利益，也可以及时发现管道漏损并及时修护，避免浪费和减少用户的经济损失。,拓展思考城市供水管网片区用水异常分析,背景 收集某片区的数据（某一片区用户水表记录数据）如附件所示，数据记录每一个用户的水表号，每隔15分钟的水表行度数据，此数据可以得知每个用户这一段时间用水的详细记录。数据中终端地址（TERM_ADDR）可以理解为：某一栋楼，同一终端可以对应多个计量点（用户）。,拓展思考城市供水管网片区用水异常分析,附件一：某片区用户用水数据,拓展思考城市供水管网片区用水异常分析,问题1、根据用户用水数据，构建特征量刻画用户用水特征；2、基于1）构建模型识别异常用户（如渗漏、爆管等）；3、根据用户用水特征，构建用户细分模型；4、建立预测模型，预测某一采集终端未来一周内的总用水量。,Thank You!,