Question

窃漏电用户在电力计量自动化系统的监控大用户中只占一小部分，同时某些大用户也不可能存在窃漏电行为，如银行、税务、学校和工商等非居民类别，故在数据预处理时有必要将这些类别用户剔除。系统中的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的情况，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。最后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。

窃漏电用户识别流程如图6-1所示，主要包括以下步骤。

图6-1　窃漏电用户识别流程

1）从电力计量自动化系统、营销系统有选择性地抽取部分大用户用电负荷、终端报警及违约窃电处罚信息等原始数据。

2）对样本数据探索分析，剔除不可能存在窃漏电行为行业的用户，即白名单用户，初步审视正常用户和窃漏电用户的用电特征。

3）对样本数据进行预处理，包括数据清洗、缺失值处理和数据变换。

4）构建专家样本集。

5）构建窃漏电用户识别模型。

6）在线监测用户用电负荷及终端报警，调用模型实现实时诊断。

6.2.1　数据抽取

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，故进行窃漏电诊断建模时需从营销系统和计量自动化系统中抽取如下数据。

（1）从营销系统抽取的数据

1）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。

2）违约、窃电处理记录。

3）计量方法及依据。

（2）从计量自动化系统采集的数据属性

1）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。

2）终端报警。

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。窃漏电用户的窃漏电开始时间和结束时间是表征其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也会有一定的特征变化，故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，并通过用户的负荷数据计算出当天的用电量，公式如下。

其中，f_l为第l天的用电量，m_i为第l天每隔15分钟的总有功功率，对其累加求和得到当天用电量。

基于此，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，同时包含每天是否有窃漏电情况的标识。

6.2.2　数据探索分析

数据探索分析是对数据进行初步研究，发现数据的内在规律特征，有助于选择合适的数据预处理和数据分析技术。本案例主要采用分布分析和周期性分析等方法对电量数据进行数据探索分析。