电力营销大数据在反窃电检查中的应用研究

柴金成

摘要：经济的发展，社会的进步推动了我国综合国力的提升，也带动了电力行业的飞速发展，同时，随着科技水平的提升，我国已经进入了信息化和大数据时代，各行各业广泛应用大数据技术提升管理监督效果。在电力行业中，反窃电检查是保证企业效益的有效手段，越来越多的企业加强应用大数据技术加强质量检查，但结合实际来看，仍存在些许不足。为有效地降低窃电现象发生频率，加强对电力营销数据的应用是一种有效的手段，对促进企业发展有重要作用。

关键词：电力营销;大数据;反窃电检查;应用

引言

大数据作为一种新型技术，可以高效地对数据进行分析、处理，应用价值比较高。为此，在开展电力企业营销管理创新时，必须要科学地应用大数据技术，这需要电力企业在第一时间了解到市场的动态以及群众的需求，并从细节出发开展业务活动，只有如此，才能够确保电力企业营销管理工作是行之有效的，为电力企业的进一步发展提供支持。

1应用电力营销大数据开展反窃电检查的必要性

基于市场的变化，供电企业为了调整当前的电力营销体系，不断加强业务集约化发展，在这过程中，较为重要的是反窃电检查，通过应用大数据技术有效地提升了检查效率和准确性，对于电力营销活动有促进作用。基于新技术的强大功能，以大数据为基础的反窃电检查代替了传统的检查方式，对促进电力企业核心竞争力的提升有重要作用，促进以用户需求为导向的电力营销模式的建设与完善。

2电力营销大数据在反窃电检查中的应用

2.1基于K值法的线损异常分析及反窃电

为满足复杂电网结构对反窃电工作的要求，进一步提升电网企业反窃电工作效率、降低线损率，通过抓住用户小时用电量随线损波动的规律，建立线损异常分析模型，极大缩小了核查范围，降低了反窃电工作成本。K值法的模型验证主要涉及以下几个方面：首先是相关系数法。运用相关性分析，当线损量与用电量的相关系数趋近于1时，则可判断用户有窃电嫌疑。记X为用电量，Y为线损量，做出散点图，计算两个用户用电下降量与线损增长率之间的关系数。用户1的相关系数为0.8141473628430643。用户2的相关系数为0.9394492710138272。两用户用电量与线损量之间的相关系数都趋近于1，为强相关关系，即该用户存在异常用电情况。其次是电压电流曲线比对。在用采系统用户用电信息模块中打开用户电流曲线，观察用户电流曲线是否存在异常情况。

2.2面向能源互联网终端用户的异常数据检测

传统的终端用户异常用电模式检测方法是现场人员定期巡检线路、定期校验电表、用户举报等，但这些手段对人的依赖性较大，需要投入大量的人力成本，同时，用电模式的检测耗时较长、效率较低。此外，用户的窃电手段多种多样，传统的异常用电模式检测方法难以准确地判断用户用电是否正常，亟需检测精度较高、耗时较少的轻量化的异常用电模式检测方法。目前，对于异常用电模式检测的研究主要分为基于系统状态和基于人工智能2类方法。基于系统状态的分析方法是通过实时比较配电网的功率、电压、电流等大量数据的变化来检测异常用电模式。通过对用户日用电量和日线损电量数据进行批量处理及相关度分析识别台区用户窃电行为，从而实现用户异常用电模式的检测。用户侧具有海量且多元的用电数据，异常用电模式也多种多样，基于系统状态的检测方法需要较长的检测时间。为了缩短检测时间并提高检测精度，逐渐出现了基于人工智能的异常用电模式检测模型，该模型首先通过数据分析提取可以反映异常用电模式的指标，再借助人工智能的方法训练指标与用电模式检测结果之间的映射关系，完成异常用电模式检测模型的构建。例如，借助主成分分析实现大量负荷数据的可视化，构建了无监督学习的异常用电模式检测模型;以正常用户用电数据为训练样本，采用自编码网络学习数据特征，重构输入数据以计算检测阈值，基于此建立了对比误差与检测阈值的异常用电行为辨识模型;利用时间窗函数与Bootstrap重采样建立用户侧行为模式信息簇的随机森林模型。

2.3优化远程抄表系统设计

在电力系统电力营销实际应用的过程中，变电站远程抄表系统是远抄过程的重要部分之一，利用变电站远程抄表系统对营销服务系统加以完善。针对电能表，可以在现有电能表的基础上创新，制定全新的工作规划，分阶段更换，能够提高整体精确度，在系统数据采集工作中有着较高的应用价值。以往设备建设是建立新变电站的远程抄表体系的重要依据，工作人员要积极引进新型数据采集设备，在工作中安装智能电能表，对其系统统一管理。结合电力营销信息系统中数据的实际变化情况，在系统与管理之间创建接口，营销信息系统才能有序运行。从实践中得出，终端采集方式与电力营销工作有着较为明显的差异，利用电能表可以转变其方式，在楼层铺设中合理配置，通过载波方式集中處理。

2.4基于离群点算法的低压窃电行为主动辨识系统

有效的反窃电工作则应该是对于多种窃电特征的综合特性的提取。通过某一用户的一段时间用电情况来对窃电现象进行分析，分析指标如下：1）每天平均电压V：通过数据分析正常用户电压波动非常小，若产生异常电压，则说明用户有可能存在异常功耗。2）每天平均功率因数P：因为负荷特性影响，用户功率因数是在一个小范围内波动的，数值稳定，一般不会出现暴涨暴跌状况。3）每天平均电流的不平衡率B：正常电流是随着负荷的变化而不断变化，电流差很小。因此，可以以此指标来监测用户的用电行为。4）上周平均每天冻结电量C：如果某用户存在窃电行为，那么该用户的用电信息与其他用户相比较是异常的。为了消除负荷容量的影响，以用户申报容量为参考值，将电力数据转化为单位值。5）功率不平衡率I：通过采集数据得到一段时间内的永固电流加上平均电压和功率，能够计算出电流增量，然后与同样时间段内通过表采集的数据进行对比，以此计算出不平衡率。

3窃电检测技术的展望

由于负荷数据涉及用户的隐私，目前公开的可用于窃电检测研究的数据集较少。目前有较多研究采用构造数据集作为输入，虽然其性能表现往往优于真实数据集，但是考虑到不同区域用户在用电行为、窃电方法、电表采集频率、窃电比例等方面都存在较大差异，基于构造数据集或单一类型数据集的检测模型对不同数据类型的适用性难以保证，即模型的泛化能力有待提高。此外，性能评价指标的选择直接决定了训练所得的检测模型性能。目前的研究模型均强调自身的有效性，但是受限于泛化能力，想要找到一个适用于大多数场景的窃电检测模型依然非常困难。因此，如何选择尽可能全面的评价指标以对比不同方法的优劣，从而区分不同模型适用的场景，是窃电检测技术性能评估的挑战之一。

结语

综上所述，当前电力企业通过电力营销大数据来增强反窃电检查效果，还有很多方面需要加强研究。例如，营销大数据应用过程中技术体系、技术流程规范、数据来源等方面均存在缺陷，这需要企业不断结合实际情况进行调整，寻找更加有效的应用电力营销大数据提升反窃电检查水平的途径，从而助力电力企业稳定健康发展。

参考文献：

[1]李亚楠.大数据背景下供电公司营销管理创新探索[J].产业与科技论坛，2018，17（24）：235-236.

[2]葛一统，向锋铭，余桂华，等.大数据背景下的电力营销信息化建设研究[J].华电技术，2021，43（1）：76-82.