盧 娜,王 輝,劉 瀏
(1.上海電力大學(xué)經(jīng)濟(jì)與管理學(xué)院,上海 201600; 2.國(guó)網(wǎng)上海市電力公司市區(qū)供電公司,上海 200080)
我國(guó)對(duì)竊電行為的打擊力度不斷加強(qiáng),主要體現(xiàn)在對(duì)竊電行為的懲處及對(duì)反竊電偵查技術(shù)的研發(fā)應(yīng)用中。大數(shù)據(jù)分析技術(shù)的研發(fā)與應(yīng)用可使竊電行為數(shù)據(jù)收集與整理更加便利、高效,降低了電力損耗,維護(hù)用電秩序,為用電安全提供有力支持。用電監(jiān)察工作的開展強(qiáng)調(diào)及時(shí)發(fā)現(xiàn)、及時(shí)采取制止措施、及時(shí)予以嚴(yán)厲懲處,通過制定針對(duì)性較強(qiáng)的反竊電方案,實(shí)現(xiàn)維護(hù)用電秩序的目標(biāo)。需以此為指導(dǎo),有效開展技術(shù)研發(fā),保證電力供應(yīng)的質(zhì)量及安全。
反竊電數(shù)據(jù)來源主要有高壓線損數(shù)據(jù)、用戶負(fù)荷數(shù)據(jù)及用電數(shù)據(jù)線路供電數(shù)據(jù),公共配變影響可忽略不計(jì)??蓪⑤旊娋€路視作電力供應(yīng)主動(dòng)脈,將線路上分布的高壓用戶視作毛細(xì)血管,用戶電流、電壓及功率等數(shù)據(jù)的收集整理都可通過主動(dòng)脈完成,達(dá)到數(shù)據(jù)跟蹤、偵查的目的。如高壓線損情況,可通過平臺(tái)系統(tǒng)采集、整理主動(dòng)脈高壓線路線損數(shù)據(jù)并進(jìn)行分析,效率高,可達(dá)到實(shí)時(shí)監(jiān)測(cè)的目標(biāo)。
基于大數(shù)據(jù)分析的精準(zhǔn)反竊電實(shí)踐可從以下幾方面進(jìn)行:
該模型與機(jī)器學(xué)習(xí)反竊電預(yù)警模型作用原理類似,但具體內(nèi)容上有一定區(qū)別。機(jī)器學(xué)習(xí)模型中多變量預(yù)警模型如圖1所示,重點(diǎn)在于變量條件設(shè)置。依據(jù)歷史竊電用戶所在區(qū)域、負(fù)荷容量大小及具體行業(yè)信息等構(gòu)建數(shù)據(jù)模型、特征數(shù)據(jù)庫(kù)等?;诖髷?shù)據(jù)分析條件及人工智能算法,由營(yíng)銷、用電系統(tǒng)等提供數(shù)據(jù)支持,進(jìn)行用電異常監(jiān)測(cè)及線損相關(guān)性及異常事件關(guān)聯(lián)等模塊分析,將疑似竊電行為數(shù)據(jù)導(dǎo)出,傳至相應(yīng)數(shù)據(jù)庫(kù)或反竊電監(jiān)控系統(tǒng)中,進(jìn)行比對(duì),結(jié)合歷史竊電用戶相關(guān)數(shù)據(jù)確定疑似竊電行為的嫌疑等級(jí)及負(fù)荷數(shù)據(jù),判斷是否存在竊電行為。
圖1 多變量預(yù)警模型Fig.1 Multivariate early warning model
低壓預(yù)警模型如圖2、圖3所示,利用隨機(jī)森林算法進(jìn)行模型訓(xùn)練[1]。該算法的決策樹自動(dòng)生成,其決策樹投票結(jié)果是判定是否為竊電行為的決定性條件。當(dāng)發(fā)現(xiàn)判定結(jié)果有誤時(shí),需要調(diào)整決策樹分支,在持續(xù)優(yōu)化的情況下實(shí)現(xiàn)有效的反竊電偵查。運(yùn)用交叉驗(yàn)證法檢驗(yàn)?zāi)P褪欠裼行?將模型查準(zhǔn)率及查全率等作為具體的檢驗(yàn)指標(biāo)[2]。以隨機(jī)森林模型參數(shù)為依據(jù),調(diào)整、優(yōu)化預(yù)警機(jī)制。如隨機(jī)森林深度、決策樹數(shù)量、單葉下最小樣例數(shù)、葉子節(jié)點(diǎn)數(shù)量等參數(shù)條件。
圖2 低壓預(yù)警模型Fig.2 Low pressure warning model
圖3 基于隨機(jī)森林的特征提取流程Fig.3 Feature extraction process based on random forest
依據(jù)歷史數(shù)據(jù)建立特征向量,實(shí)現(xiàn)竊電行為、正常用電行為差異化表征目標(biāo),以此為基礎(chǔ)訓(xùn)練二分類機(jī)器學(xué)習(xí)模型,輸出竊電嫌疑程度數(shù)據(jù),判斷某階段、某用戶用電行為是否為竊電行為等。
反竊電概率預(yù)警分析模型同樣基于大數(shù)據(jù)分析技術(shù),但更多利用建立的用戶數(shù)據(jù)庫(kù)分析各類用電數(shù)據(jù)之間的關(guān)系,利用邏輯回歸算法、層次聚類分析算法等將目前用電數(shù)據(jù)曲線與用戶歷史用電軌跡進(jìn)行對(duì)比,確定嫌疑目標(biāo)。如在電力營(yíng)銷業(yè)務(wù)中,對(duì)各類用戶用電數(shù)據(jù)進(jìn)行多重分析、比對(duì),將歷史數(shù)據(jù)、竊電行為數(shù)據(jù)與常規(guī)用電數(shù)據(jù)等進(jìn)行關(guān)聯(lián)性及邏輯回歸概率分析,由系統(tǒng)進(jìn)行計(jì)量裝置、各級(jí)線損在線監(jiān)測(cè)等,自動(dòng)篩選、定位竊電嫌疑行為,確定電力供應(yīng)故障位置,智能診斷并分析異常情況,利用智能比對(duì)方法代替?zhèn)鹘y(tǒng)人工排查,可有效提升竊電概率預(yù)警效果及效率。主要流程為在線實(shí)時(shí)監(jiān)測(cè)、篩選、分析、受理、反饋、改進(jìn)等。
以上述模型建立為基礎(chǔ)進(jìn)一步構(gòu)建反竊電智能監(jiān)測(cè)平臺(tái),借助大數(shù)據(jù)分析技術(shù)與人工智能及萬(wàn)物互聯(lián)等技術(shù),實(shí)現(xiàn)人機(jī)交互,達(dá)到反竊電智能偵查目標(biāo)。借助模型收集并整理相應(yīng)的偵查數(shù)據(jù),對(duì)竊電行為予以深入分析,當(dāng)發(fā)現(xiàn)異常情況或疑似竊電行為時(shí),利用監(jiān)測(cè)系統(tǒng)智能預(yù)警功能發(fā)出預(yù)警信息[3]。依據(jù)反向分析原理,針對(duì)模型鎖定的典型竊電案例進(jìn)行特征數(shù)據(jù)收集及整理,形成典型案例特征數(shù)據(jù)庫(kù)作用于整個(gè)監(jiān)測(cè)系統(tǒng),可有效提升竊電行為預(yù)測(cè)效果及智能監(jiān)測(cè)平臺(tái)的實(shí)用性。
全方位、全過程的營(yíng)配稽查是在上述稽查管控體系基礎(chǔ)上進(jìn)行竊電行為偵查,需要大數(shù)據(jù)分析技術(shù)的支持,可實(shí)現(xiàn)全國(guó)范圍內(nèi)電力用戶數(shù)據(jù)共享、用電行為智能分析等,更加全面地分析、比對(duì)用電行為,確定竊電行為嫌疑程度,保障用電行為的辨別效果[4]。在大數(shù)據(jù)分析技術(shù)、信息共享技術(shù)的支持下,結(jié)合專家經(jīng)驗(yàn)自適應(yīng)學(xué)習(xí),從事前預(yù)防、事中管控、事后嚴(yán)懲等角度落實(shí)竊電偵查、預(yù)測(cè)、預(yù)警、約束、管控、懲處等工作,落實(shí)預(yù)防規(guī)則制定、業(yè)務(wù)執(zhí)行流程制定與完善、約束性填報(bào)、用電監(jiān)管規(guī)則庫(kù)建立、電力營(yíng)銷實(shí)時(shí)在線監(jiān)督、異常情況實(shí)時(shí)反饋、在線干預(yù)等工作,確保反竊電效果[5]。
構(gòu)建科學(xué)評(píng)價(jià)、決策分析體系可對(duì)反竊電稽查工作的開展情況進(jìn)行判斷及效果評(píng)價(jià)。為進(jìn)一步保證分析、評(píng)價(jià)體系的應(yīng)用效果,應(yīng)以稽查結(jié)果數(shù)據(jù)匯總、整理及分析結(jié)果為依據(jù),開展日常評(píng)價(jià)、階段性評(píng)價(jià)測(cè)試等工作[6]。將業(yè)務(wù)開展結(jié)果數(shù)據(jù)與業(yè)務(wù)執(zhí)行標(biāo)準(zhǔn)、預(yù)期目標(biāo)及工作計(jì)劃等相結(jié)合,設(shè)置評(píng)價(jià)標(biāo)準(zhǔn)、評(píng)分規(guī)則,建立相應(yīng)算法庫(kù),設(shè)置算法選擇參數(shù),依據(jù)系統(tǒng)需求自動(dòng)、合理選擇算法,分析、評(píng)價(jià)反竊電大數(shù)據(jù)服務(wù)平臺(tái)系統(tǒng)功能與模塊建立及實(shí)施情況。
建立稽查成效分析中心,依據(jù)稽查內(nèi)容進(jìn)行處理情況、歷史稽查記錄核查及場(chǎng)景信息比對(duì),對(duì)稽查標(biāo)簽命中率、處理評(píng)價(jià)信息及嫌疑數(shù)等做比對(duì),按照人員、嫌疑問題、行業(yè)單位、稽查場(chǎng)景等維度進(jìn)行稽查結(jié)果分析,形成成效分析管理模式,為有效、合理展開稽查工作提供支持。
建立決策中心輔助模式,依據(jù)評(píng)價(jià)、成效分析結(jié)果建立電力營(yíng)銷業(yè)務(wù)規(guī)則分析評(píng)估機(jī)制及輔助決策機(jī)制,對(duì)評(píng)價(jià)普遍偏低的規(guī)則進(jìn)行執(zhí)行度偏低原因分析,對(duì)執(zhí)行情況參差業(yè)務(wù)統(tǒng)一執(zhí)行標(biāo)準(zhǔn),結(jié)合營(yíng)銷數(shù)據(jù)、稽查需求對(duì)新型業(yè)務(wù)(無適應(yīng)規(guī)則)制定規(guī)則[7],實(shí)現(xiàn)規(guī)則迭代、業(yè)務(wù)宣貫及執(zhí)行管控等目標(biāo)。
針對(duì)反竊電作業(yè)流程建立、裝備信息采集、營(yíng)銷業(yè)務(wù)應(yīng)用系統(tǒng)運(yùn)行及移動(dòng)作業(yè)終端等作業(yè)活動(dòng)建立閉環(huán)式管理體系[8],根據(jù)竊電行為特征制定反竊電作業(yè)流程,將流程數(shù)據(jù)嵌入管理體系中,以指導(dǎo)展開反竊電作業(yè)活動(dòng)。結(jié)合系統(tǒng)錄入的電力供應(yīng)設(shè)備型號(hào)標(biāo)準(zhǔn)及電流、電壓使用數(shù)據(jù)等進(jìn)一步排查電力異常情況,鎖定嫌疑用戶,將其納入監(jiān)控系統(tǒng),對(duì)嫌疑用戶進(jìn)行實(shí)時(shí)、長(zhǎng)效監(jiān)測(cè),判斷其異常情況為偶然還是經(jīng)常性,若為偶然,則可將其釋放至常規(guī)監(jiān)測(cè)中心,予以常態(tài)化監(jiān)督管理;若為經(jīng)常性,則應(yīng)升級(jí)嫌疑等級(jí),進(jìn)一步進(jìn)行數(shù)據(jù)分析,確定是否為竊電用戶。將竊電數(shù)據(jù)移交至反竊電管理中心,作為反竊電執(zhí)法的依據(jù)[9]。
結(jié)合預(yù)警分析模型、偵查體系及智能監(jiān)測(cè)平臺(tái)的建立,將各類稽查模式應(yīng)用于竊電用戶標(biāo)簽活動(dòng)中,輔助建立用戶行為屬性系統(tǒng),利用信息技術(shù)、互聯(lián)網(wǎng)技術(shù),與95598渠道及營(yíng)業(yè)大廳聯(lián)網(wǎng),有效獲取相應(yīng)的服務(wù)數(shù)據(jù)、營(yíng)銷業(yè)務(wù)數(shù)據(jù),對(duì)客戶信息進(jìn)行整理、分析,輔助判斷用戶用電行為的可靠性[10]??膳c地方政府信用平臺(tái)聯(lián)網(wǎng),將分析獲得的用戶數(shù)據(jù)同步于信用平臺(tái),督促用戶改正錯(cuò)誤行為,營(yíng)造誠(chéng)信用電環(huán)境。
以某市電力營(yíng)銷智慧數(shù)字稽查系統(tǒng)中2021年6月1日—2022年5月31日的竊電與非竊電用戶數(shù)據(jù)為研究對(duì)象,選取600名用戶,以用戶電量應(yīng)用數(shù)據(jù)為機(jī)器學(xué)習(xí)、隨機(jī)森林模型的基礎(chǔ),按照2:1的比例設(shè)置訓(xùn)練集、測(cè)試集,將0值占總天數(shù)比例及空值占總天數(shù)比例、0值與空值占天比例對(duì)比數(shù)據(jù)、日用標(biāo)準(zhǔn)差、月用最小值、用電類別、電壓等級(jí)等作為特征,構(gòu)建特征數(shù)據(jù)庫(kù)。運(yùn)用邏輯回歸計(jì)算模型,將最大迭代次數(shù)設(shè)置為200,正則化參數(shù)設(shè)置為0.01,計(jì)算竊電用戶疑似程度,如表1所示。結(jié)果表明,最高疑似程度達(dá)到了75%。利用此方法對(duì)某地區(qū)973 749戶電量數(shù)據(jù)進(jìn)行測(cè)算,按照由高到低順序排列,將概率超過65%的用戶視為疑似,疑似用戶數(shù)量達(dá)750戶,占測(cè)算總用戶數(shù)的0.077%,效率較高,現(xiàn)場(chǎng)排查范圍縮小。對(duì)疑似用戶下發(fā)稽查工單的同時(shí)做現(xiàn)場(chǎng)核查,確定其中有501戶具有竊電行為,準(zhǔn)確率達(dá)66.8%。
表1 疑似竊電用戶清單Tab.1 List of suspected power thieves
將大數(shù)據(jù)分析技術(shù)應(yīng)用于反竊電稽查行為中可提升稽查效率及精準(zhǔn)度。在建立反竊電預(yù)警分析模型后,應(yīng)針對(duì)具體反竊電偵查工作建立管控體系,有效落實(shí)各類工作。利用大數(shù)據(jù)分析結(jié)果進(jìn)一步開展現(xiàn)場(chǎng)檢查論證工作,綜合評(píng)估各類因素的影響因子(如影響技術(shù)稽查結(jié)果的系統(tǒng)故障因素—聯(lián)網(wǎng)設(shè)備性能、穩(wěn)定性、參數(shù)設(shè)置等),確定結(jié)果的可靠程度。
在大數(shù)據(jù)分析技術(shù)的支持下,精準(zhǔn)反竊電實(shí)踐目標(biāo)基本達(dá)成,但還需進(jìn)一步提升技術(shù)的先進(jìn)性(如用戶信息數(shù)據(jù)庫(kù)的建立、甄別嫌疑用戶、常規(guī)用戶特定數(shù)據(jù)庫(kù)的建立等)。應(yīng)在深入研發(fā)技術(shù)的基礎(chǔ)上令目標(biāo)群體數(shù)據(jù)收集更準(zhǔn)確,反竊電行為稽查結(jié)果更精準(zhǔn)。