基于在线监控的反窃电分级管理研究.docVIP

基于在线监控的反窃电分级管理研究 　　摘要：随着电力系统用户信息采集的集成度越来越高，电力公司对于用户的用电监测成为了可能。文章基于大量异常的用电数据，对窃电行为进行了数据挖掘，建立了用户窃电的相关分析机制，并且结合实际中的线损管理，建立了相应的用户窃电在线监控以及分级管理的机制。 　　关键词：在线监控；反窃电；模糊理论；专家决策；分级管理；电力系统 文献标识码：A 　　中图分类号：TM73 文章编号：1009-2374（2015）29-0028-02 DOI：10.13535/j.cnki.11-4406/n.2015.29.014 　　窃电问题在电力系统中是非常常见，也是电力系统面临的非常棘手的一个问题，其在一定程度扰乱了市场正常的用电秩序，给国家以及电力系统造成了较大的经济损失，这种行为会对电力系统的基础设施造成一定的损害，并且很可能造成严重的安全隐患。所以，作为国家有关部门和电力企业，都应该严格控制和杜绝这种行为。但是长久以来电力企业对于窃电的查处仅仅是依靠群众举报、当地线损分析或者是现场的检查，在发现确切的窃电行为的时候已经造成了巨大的损失，而且传统的查处方式不及时，也耗费人力和财力。本文以所采集的用户用电信息为基础数据对该数据进行了数据挖掘分析，对于异常的用电数据和用户窃电之间的相关性进行了分析，然后根据所建立的评价机制对于窃电用户的嫌疑人以及窃电程度进行了相关的研究，为我国用户窃电的在线监控以及电力分级管理提供了一定的理论 　　依据。 　　1 对于窃电信息的数据分析 　　对异常的用户用电信息进行数据挖掘要结合用户窃电的实际情形，通过对用电信息采集系统所采集的数据进行分析，然后提取出和用户窃电较为相关的特征。目前可以采集的信息不仅种类多，数据量也非常大，有些数据和用户窃电之间存在较为直接的关系，但是另外还有一些信息要通过数据的相关性分析以及处理才能够得出二者之间的关系。对于上述情况的研究可将用户用电数据和相应的用户窃电的相关性结合起来。在这个过程中要结合相应的用电场景对于可能造成的用电数据的形式进行反推，本文对于用户窃电的基本场景类型进行了相关的分析，研究发现在大约25个种类的数据中，与窃电紧密相关的数据就达到了17个之多，但是这种相关性没有必然的联系，在不同的用电用户的类型下异常用电信息的表现也会相应的有所不同。在调查的过程中，所有种类的数据出现在一种类型的电力用户中是非常常见的。从海量数据提取出的用户窃电信息的特征并不一定都是完全准确的，存在误报的可能性，在正常工作的条件下有时候也会触发相应的异常数据，所以在这个过程中要对多维数据进行考虑，并结合售电系统的综合数据，设置好数据的过滤规则来对数据进行相应的筛选，在海量的数据中提取出有用的数据，这些数据可以在很大程度上反映窃电的用户。 　　2 基于模糊算法的窃电在线监控 　　由于窃电所导致的异常用电信息往往不是单独存在的，一种常见的窃电情景可能对应着多种类型的异常的数据，所以在进行窃电的在线监控的过程中不能够只依靠单一的数据做出结论，否则就很可能会发生误判，并不能够找出窃电的用户。所以，要建立窃电用户异常信息的综合的评价机制，通过相应的技术手段来对多维的数据中的多个特征数据进行综合的分析，以建立综合的评价机制；计算出每个维度特征与窃电信息相关联的程度，对于用窃电的行为和数据进行判别，达到足不出户就可以在线上实现对于窃电异常数据的分析，为窃电工作监控提供切实可靠的依据。对各个维度信息之间的独立性进行研究，采用模糊评价的手段来对用户窃电的信息进行综合评价。 　　基于模糊评价的理论来对用户窃电的信息进行评价，将用户窃电的程度作为模糊理论研究的对象，将影响评价对象的各个维度的数据作为影响对象评价的因素集合，通过分析各个维度数据的重要程度的不同，将各个维度的数据设定一定的权重值。利用专家决策和模糊理论两种方式，将评价指标定量地表示出来；定量地来描述用户的窃电行为，使得这种分析得到的数据作为判别用户窃电与否与严重程度的标准。 　　将异常的17类用户的用电信息作为相应的评价因素，根据样本相关统计知识将这些数据分为3类，根据重要程度的不同分为一类、二类和三类。 　　根据样本的学习机制以及专家决策理论来确定相应的权重值。通过结合实际的窃电的场景来对系统窃电的信息进行研究，统计并计算单一的异常信息所对应的评价指标的概率值，结合专家系统来确定相应的权重；然后再通过评价对象和总评对象之间的关系来计算相应的后验概率，反演指标和窃电信息之间的概率关系，通过计算可以得出异常信息相对于评价对象的重要程度，计算相应的隶属关系。在上述权重值确定之后并不是一成不变的，可以根据不断学习来对上述权重值进行不断修正，通过计算得出用户窃电的评价标准如下： 　　3 基于在线监控的