客戶側竊電態勢感知及智能預警關鍵技術的研究
2021年電子技術應用第12期
陳文瑛1，龍 躍1，傅 宏2，楊芾藜2，周 川2
1.國網重慶市電力公司，重慶400010；2.國網重慶市電力公司營銷服務中心，重慶400010
摘要： 客戶側竊電行為不僅造成電能資源大量流失，同時造成線路負荷過載引發火災等重大安全事故。針對當前客戶側竊電行為的多樣性與隱蔽性特征，以約束客戶側竊電行為為目的，設計了客戶側竊電態勢感知及智能預警關鍵技術。考慮客戶側竊電行為的多樣性與隱蔽性特性，選取額定電壓偏離度、電壓不平衡率與電流不平衡率等6個客戶側竊電態勢感知指標，利用RBF神經網絡構建客戶側竊電態勢感知模型，將所選取的6個指標與相關數據作為模型輸入，通過動態K均值聚類算法優化模型，模型輸出結果即為客戶側竊電態勢感知結果。基于感知結果，通過聲光報警裝置與智能設備實現智能預警，實驗結果顯示，該技術能夠有效抑制客戶側竊電行為。
中圖分類號： TN06；TM711
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211614
中文引用格式： 陳文瑛，龍躍，傅宏，等. 客戶側竊電態勢感知及智能預警關鍵技術的研究[J].電子技術應用，2021，47(12)：69-73.
英文引用格式： Chen Wenying，Long Yue，Fu Hong，et al. Research on key technologies of situation awareness and intelligent early warning of electricity theft on customer side[J]. Application of Electronic Technique，2021，47(12)：69-73.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211614
中文引用格式： 陳文瑛，龍躍，傅宏，等. 客戶側竊電態勢感知及智能預警關鍵技術的研究[J].電子技術應用，2021，47(12)：69-73.
英文引用格式： Chen Wenying，Long Yue，Fu Hong，et al. Research on key technologies of situation awareness and intelligent early warning of electricity theft on customer side[J]. Application of Electronic Technique，2021，47(12)：69-73.
Research on key technologies of situation awareness and intelligent early warning of electricity theft on customer side
Chen Wenying1，Long Yue1，Fu Hong2，Yang Fuli2，Zhou Chuan2
1.State Grid Chongqing Electric Power Company，Chongqing 400010，China； 2.State Grid Chongqing Electric Power Company Marketing Service Center，Chongqing 400010，China
Abstract： The customer side electricity stealing behavior not only causes the massive loss of power resources, but also causes the overload of line load, leading to fire and other major safety accidents. Aiming at the diversity and concealment characteristics of the current electricity stealing behavior in the side toilets, the key technologies of situation awareness and intelligent early warning of electricity stealing on the customer side are studied for the purpose of restraining the electricity stealing behavior on the customer side. Considering the diversity and concealment of customer side power stealing behavior, six customer side power stealing situation awareness indicators are selected, including rated voltage deviation, voltage imbalance rate and current imbalance rate，etc. The RBF neural network is used to build the customer side power stealing situation awareness model. The selected six indicators and related data are used as the model inputs, and the dynamic K-means clustering algorithm is used to optimize the model. The output of the model is the customer side power stealing situation awareness result. Based on the sensing results, intelligent early warning is realized by sound light alarm device and intelligent device. The experimental results show that the technology can effectively suppress the customer side electricity stealing behavior.
Key words : customer side；electricity theft；situation awareness；intelligent early warning；perception index
0 引言
作為一種重要的能源，電能既普遍應用于人們日常生活與工作中，又對社會經濟發展與國防安全產生直接影響[1]。在科技飛速發展與能源格局改變的大環境下，提升能源利用率與電能傳輸的安全性、可靠性是當前電力行業關注的重點目標[2]。電能的損失不僅是由于電網線路內的電阻與設備轉換造成的，客戶側竊電同樣是電能損失的主要途徑[3]。現實生活中，客戶側端用電設備的顯著提升令電能的消耗也顯著提升，部分客戶為“節約成本”紛紛利用不同方式實施竊電行為，造成電能資源大量流失，嚴重制約了我國電力產業發展的穩定性[4]。同時，客戶側為實施竊電行為，私自改造電路，令電網內產生嚴重線路負荷過載的問題，這些問題極易導致火災等重大安全事故[5]。針對當前具有多樣性與隱蔽性特性的竊電方法[6]，研究一種有效的客戶側竊電態勢感知及智能預警關鍵技術具有重要意義。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000003874。
作者信息：
陳文瑛1，龍 躍1，傅 宏2，楊芾藜2，周 川2
(1.國網重慶市電力公司，重慶400010；2.國網重慶市電力公司營銷服務中心，重慶400010)
此內容為AET網站原創，未經授權禁止轉載。