Анализ эффективности современных информационных методов выявления нетехнических потерь электроэнергии

64

УЧЕТ ЭЛЕКТРОЭНЕРГИИ

Анализ эффективности 
современных информационных 
методов выявления нетехнических 
потерь электроэнергии

УДК

 621.316.1

В

статье

представлены

результаты

анализа

современного

уровня

эффективно

-

сти

информационных

методов

выявления

нетехнических

потерь

электроэнер

-

гии

. 

Сопоставляются

основные

математические

методы

поиска

нетехнических

потерь

, 

приводится

метрика

их

оценки

, 

особенности

обработки

исходных

дан

-

ных

и

модели

 (

типажи

) 

краж

электроэнергии

. 

Предоставляется

информация

о

наиболее

часто

используемых

для

выявления

нетехнических

потерь

электро

-

энергии

видах

искусственных

нейронных

сетей

и

их

настройках

, 

пошагово

воспроизводится

вычислительный

эксперимент

и

предлагается

новый

модифи

-

цированный

метод

поиска

нетехнических

потерь

на

основе

сверточного

автоко

-

дировщика

. 

Результаты

статьи

востребованы

для

создания

программных

ком

-

плексов

по

выявлению

нетехнических

потерь

в

распределительных

сетях

.

Самойленко

В

.

О

., 

к

.

т

.

н

., 

доцент

кафедры

АЭЛС

ФГАОУ

ВО

 «

УрФУ

имени

первого

Президента

России

Б

.

Н

. 

Ельцина

»

Верхозин

А

.

М

., 

старший

преподаватель

кафедры

АЭЛС

ФГАОУ

ВО

 «

УрФУ

имени

первого

Президента

России

Б

.

Н

. 

Ельцина

»

Тащилин

В

.

А

., 

к

.

т

.

н

., 

доцент

-

исследователь

кафедры

АЭЛС

ФГАОУ

ВО

«

УрФУ

имени

первого

Президента

России

Б

.

Н

. 

Ельцина

»

Паздерин

А

.

В

., 

д

.

т

.

н

., 

профессор

, 

заведующий

кафедрой

АЭЛС

ФГАОУ

ВО

«

УрФУ

имени

первого

Президента

России

Б

.

Н

. 

Ельцина

»

Мухлынин

Н

.

Д

., 

к

.

т

.

н

., 

доцент

кафедры

АЭЛС

ФГАОУ

ВО

 «

УрФУ

имени

первого

Президента

России

Б

.

Н

. 

Ельцина

»

Ключевые

слова

: 

нетехнические

потери

электроэнергии

, 

хищения

электроэнергии

, 

кражи

электроэнергии

, 

учет

электроэнергии

, 

погрешность

учета

, 

распределительные

сети

ТЕКУЩАЯ

КОНЦЕПЦИЯ

БОРЬБЫ

С

НЕТЕХНИЧЕСКИМИ

ПОТЕРЯМИ

ЭЛЕКТРОЭНЕРГИИ

В

настоящей

статье

под

нетехническими

потерями

электро

-

энергии

  (

НПЭЭ

) 

подразумевается

разность

между

входной

и

выходной

величинами

электрической

энергии

 (

ЭЭ

) 

на

участке

электрической

сети

за

вычетом

технических

потерь

ЭЭ

, 

обус

-

ловленных

преобразованием

ЭЭ

в

тепловую

энергию

 (

джоуле

-

вы

потери

), 

механическую

энергию

 (

вибрации

, 

шум

) 

и

другими

видами

ее

естественного

рассеяния

.

Выявление

НПЭЭ

и

поиск

их

источников

являются

класси

-

ческой

задачей

российской

и

мировой

электроэнергетики

, 

не

утрачивающей

актуальности

с

конца

 XX 

века

. 

Результирующий

ежегодный

ущерб

от

НПЭЭ

оценивается

в

миллиарды

рублей

для

РФ

и

десятки

миллиардов

долларов

для

мира

 [1].

В

РФ

НПЭЭ

относительно

объемов

отпуска

в

распредели

-

тельную

сеть

варьируются

от

 0,06% 

до

более

чем

 25% 

в

за

-

висимости

от

региона

и

электросетевой

организации

 [2]. 

За

рубежом

максимальные

значения

доходят

до

десятков

про

-

центов

  (

например

, 

Ливия

 — 

около

 60%) [3]. 

Эти

потери

обу

-

словлены

повсеместным

непорицаемым

потреблением

ЭЭ

в

обход

действующих

средств

учета

или

их

полным

отсут

-

ствием

. 

В

то

же

время

даже

в

странах

мира

, 

наладивших

учет

энергетических

ресурсов

и

социально

-

экономическую

дисци

-

плину

  (

как

Китай

, 

Япония

или

Германия

), 

относительные

ве

-

личины

НПЭЭ

далеки

от

нуля

: 4,0–5,5% [5]. 

Данные

величины

не

могут

быть

объяснены

только

погрешностью

средств

учета

ЭЭ

, 

составляющей

порядка

 1,0%. 

Основными

источниками

НПЭЭ

в

этом

случае

являются

внезапные

и

скрытые

отказы

средств

учета

ЭЭ

, 

сбои

в

передаче

показаний

средств

учета

ЭЭ

по

ненадежным

каналам

связи

, 

а

также

попытки

кражи

или

безучетного

потребления

ЭЭ

отдельными

субъектами

энерге

-

тики

 [4, 5, 6]. 

Своевременное

выявление

подобных

явлений

позволяет

пресекать

систематическое

проявление

источни

-

ков

НПЭЭ

и

избегать

их

длительного

существования

, 

значи

-

тельно

снижая

величину

НПЭЭ

.

65

Целью

настоящей

статьи

является

анализ

совре

-

менного

уровня

эффективности

информационных

методов

выявления

НПЭЭ

, 

а

также

идентификации

их

источников

. 

Фундамент

для

выявления

аномалий

в

потреблении

ЭЭ

создает

развитие

методов

ма

-

шинного

обучения

и

искусственного

интеллекта

 [7]. 

Указанные

предпосылки

приводят

к

росту

в

 2020–

2023 

годах

популярности

информационных

методов

выявления

НПЭЭ

, 

ранее

распространенных

в

прак

-

тике

в

виде

простых

эмпирических

правил

. 

В

РФ

с

 2021 

года

находятся

в

эксплуатации

программ

-

ные

платформы

и

комплексы

по

выявлению

НПЭЭ

на

основе

методов

машинного

обучения

 [8]. 

В

мире

наблюдается

аналогичная

картина

 [9]. 

Подобные

IT-

программы

являются

неспециализированными

и

используют

, 

прежде

всего

, 

социальную

аналитику

и

геоаналитику

, 

поэтому

не

в

полной

мере

учитыва

-

ют

особенности

, 

которые

необходимы

для

работы

с

технико

-

технологическими

вопросами

учета

ЭЭ

. 

Отсюда

задачами

настоящей

работы

являются

: 

сопо

-

ставление

основных

математических

методов

поиска

НПЭЭ

; 

систематизация

особенностей

обработки

ис

-

ходных

данных

по

потреблению

ЭЭ

, 

моделей

 (

типа

-

жей

) 

краж

ЭЭ

и

настроек

методов

; 

проведение

вычис

-

лительного

эксперимента

по

поиску

НПЭЭ

на

основе

искусственной

нейронной

сети

 (

ИНС

). 

ОБЛАСТЬ

ПРИМЕНЕНИЯ

ИНФОРМАЦИОННЫХ

МЕТОДОВ

ВЫЯВЛЕНИЯ

НПЭЭ

Существующая

классификация

расчетно

-

аналитиче

-

ских

методов

выявления

НПЭЭ

позволяет

разделить

их

на

две

основные

группы

 [10]: 

схемно

-

технические

[11, 12] 

и

информационные

методы

 [13, 14]. 

Информационные

методы

 — 

методы

, 

основан

-

ные

на

выявлении

аномалий

профиля

электропо

-

требления

. 

Достоинства

данной

группы

методов

: 

не

требуется

наличие

информации

о

параметрах

сети

, 

не

обязателен

балансовый

счетчик

ЭЭ

. 

Исто

-

рически

недостатком

таких

методов

являлась

не

-

обходимость

большой

выборки

исходных

данных

и

неочевидный

выбор

эмпирических

закономерно

-

стей

, 

обеспечивающих

выявление

НПЭЭ

. 

Однако

в

настоящее

время

Постановление

Правительства

РФ

от

 19 

июня

 2020 

года

№

 890 

предписывает

осу

-

ществлять

сбор

высокодискретных

измерений

по

-

требления

ЭЭ

на

получасовых

интервалах

и

других

полезных

данных

, 

а

методы

машинного

обучения

и

искусственного

интеллекта

позволяют

автома

-

тизировать

оценку

профиля

потребления

ЭЭ

. 

Та

-

кие

методы

позволяют

выявлять

сложные

и

нетривиальные

зако

-

номерности

потребления

ЭЭ

, 

об

-

наруживая

периоды

времени

ве

-

роятного

существования

НПЭЭ

. 

Информационные

методы

обла

-

дают

потенциалом

для

примене

-

ния

в

сетях

 6–10 

кВ

и

особенно

0,4 

кВ

в

связи

с

протяженностью

и

разветвленностью

таких

сетей

, 

большим

количеством

разно

-

родных

средств

учета

, 

а

также

в

связи

с

огромной

погрешностью

параметров

схем

замещения

таких

сетей

.

Классификация

и

принципы

работы

таких

методов

рассмотрены

далее

.

КЛАССИФИКАЦИЯ

ИНФОРМАЦИОННЫХ

МЕТОДОВ

ВЫЯВЛЕНИЯ

НПЭЭ

Математические

принципы

работы

большинства

информационных

методов

являются

сходными

и

от

-

носятся

к

одной

из

двух

групп

 [15]:

1. 

Классификация

и

распознавание

образов

 [16]. 

Образ

электропотребления

абонента

или

участка

сети

может

быть

отнесен

к

одной

из

двух

гипер

-

плоскостей

  (

гиперплоскость

, 

содержащая

точки

коммерческих

потерь

ЭЭ

, 

и

гиперплоскость

, 

не

содержащая

таковых

).

2. 

Получение

регрессионной

зависимости

и

срав

-

нение

фактического

профиля

электропотребле

-

ния

с

прогнозным

профилем

, 

не

содержащим

НПЭЭ

 [17]. 

Фактически

, 

данная

группа

методов

также

выполняет

классификацию

, 

но

с

использо

-

ванием

количественного

порогового

значения

:

W

СИНТ

 – 

W

ИЗМ





, (1)

где

W

СИНТ

 — 

синтезированное

значение

ЭЭ

, 

кВт∙ч

; 

W

Р

— 

измеренное

значение

ЭЭ

, 

кВт∙ч

; 



 — 

пороговая

величина

классификации

отсутствия

НПЭЭ

, 

кВт∙ч

.

Авторами

настоящей

научной

статьи

проведен

анализ

современных

информационных

методов

выявления

НПЭЭ

, 

представленных

в

публикациях

2018–2023 

годов

, 

индексируемых

в

наукометриче

-

ских

базах

данных

 e-Library, Scopus, Web of Science 

и

 IEEE xPlore Digital Library. 

Всего

проанализирова

-

но

содержание

более

 130 

научных

публикаций

. 

Ре

-

зультаты

распространенности

различных

методов

по

доле

публикаций

представлены

на

рисунке

 1. 

Наименьшей

по

количеству

применений

группой

моделей

и

методов

являются

традиционные

 (

авто

)

регрессионно

-

корреляционные

методы

 [6, 10]. 

До

-

стоинством

группы

является

простота

. 

Ключевыми

недостатками

являются

требования

к

стационарно

-

сти

процесса

, 

отсутствию

разрывов

первого

рода

, 

а

также

явные

или

неявные

требования

к

линейно

-

сти

процесса

, 

что

ограничивает

применение

таких

моделей

и

методов

короткими

временны́ми

интер

-

валами

.

Разнородная

группа

эмпирических

моделей

и

ме

-

тодов

может

включать

как

прогнозирующие

модели

, 

так

и

классифицирующие

методы

, 

а

также

элементы

Эмпирические

методы

16,6%

Регрессии

и

корреляции

 9,1%

Ансамбли

методов

нечеткой

логики

 6,1%

Методы

нечеткой

логики

и

биоинспирированные

алгоритмы

, 

в

т

.

ч

. 

деревья

решений

 18,2%

Сверточные

нейронные

сети

и

гибридные

модели

на

их

основе

 24,2%

Автокодировщик

и

гибридные

модели

на

его

основе

 9,1%

Метод

опорных

векторов

 9,1%

Многослойные

нейронные

сети

анализа

регрессий

и

авторегрессий

: 

прямого

распространения

, 

рекуррентные

,

долгосрочно

-

краткосрочной

памяти

 7,6%

Рис

. 1. 

Распространенность

различных

информационных

методов

выявления

№

 4 (79) 2023

66

УЧЕТ

ЭЛЕКТРОЭНЕРГИИ

схемно

-

режимных

методов

 [18]. 

Достоинством

таких

методов

является

понятное

оператору

отражение

ими

основных

технических

и

экономических

законо

-

мерностей

, 

на

основании

которых

может

быть

сде

-

лан

вывод

о

связи

профиля

потребления

ЭЭ

с

источ

-

ником

НПЭЭ

. 

Недостатками

являются

субъективный

выбор

критериев

отнесения

профиля

потребления

ЭЭ

к

связанному

с

НПЭЭ

и

, 

зачастую

, 

невоспроизво

-

димость

результатов

.

Методы

нечеткой

логики

и

биоинспирированные

алгоритмы

, 

а

также

ансамбли

таких

методов

часто

применялись

во

второй

половине

 2010-

х

годов

 [19]. 

Методы

нечеткой

логики

, 

как

правило

, 

оценивают

степень

причастности

к

НПЭЭ

абонента

, 

участка

сети

или

интервала

времени

от

 0 

до

 1. 

Деревья

решений

являются

наиболее

распространенным

методом

-

классификатором

за

счет

серии

сравне

-

ний

с

пороговым

значением

, 

классифицирующих

объект

как

имеющий

отношение

к

НПЭЭ

. 

Достоин

-

ством

группы

методов

является

высокая

достовер

-

ность

выявления

НПЭЭ

. 

Недостатками

являются

большая

трудоемкость

обучения

по

типу

 «

обучение

с

учителем

» 

и

вытекающая

из

предыдущего

субъ

-

ективность

результата

, 

как

и

для

эмпирических

методов

.

Методы

машинного

обучения

используются

в

половине

научных

публикаций

. 

Простейший

из

них

 — 

метод

опорных

векторов

 (Support Vector Ma-

chine, SVM), 

являющийся

линейным

классификато

-

ром

 [20].

Применение

ИНС

описано

более

чем

в

 40% 

пуб

-

ликаций

про

выявление

НПЭЭ

 [13, 19, 21]. 

Из

всех

видов

топологии

ИНС

наиболее

популярными

яв

-

ляются

сверточные

нейронные

сети

 (Convolutional 

Neural Network, CNN) [22, 23]. 

Часто

используются

сети

-

автокодировщики

 (Autoencoder, AE) [24, 25], 

ко

-

торые

являются

частными

случаями

многослойных

нейронных

сетей

прямого

распространения

 (Deep 

Neural Network, DNN) [26]. 

Вышеперечисленные

сети

хорошо

зарекомендовали

себя

в

теории

рас

-

познавания

образов

и

машинного

зрения

за

счет

выявления

ключевых

особенностей

набора

дан

-

ных

. 

Однако

они

нуждаются

в

улучшении

работы

с

временны́ми

рядами

, 

в

которых

важным

является

авторегрессия

профиля

потребления

ЭЭ

, 

а

также

его

дискретное

изменение

в

зависимости

от

дня

недели

и

других

факторов

. 

Для

улучшенного

уче

-

та

  «

контекста

» 

особенностей

электропотребления

первая

подгруппа

ИНС

может

до

-

полняться

рекуррентными

ней

-

ронными

сетями

 (Recurrent Neural 

Network, RNN), 

нейронными

сетя

-

ми

с

управляемыми

рекуррент

-

ными

блоками

 (Gated Recurrent 

Unit, GRU) 

или

нейронными

се

-

тями

долгосрочно

-

краткосрочной

памяти

 (Long Short-Term Memory, 

LSTM) [27, 28]. 

Для

генерации

тестовой

, 

реже

обучающей

вы

-

борки

могут

использоваться

ге

-

неративно

-

состязательные

сети

(Generative Adversarial Network, 

GAN) [29]. 

Эффективность

выявления

НПЭЭ

раз

-

личными

информационными

методами

приведена

далее

.

ЭФФЕКТИВНОСТЬ

ИНФОРМАЦИОННЫХ

МЕТОДОВ

ВЫЯВЛЕНИЯ

НПЭЭ

Для

сопоставления

эффективности

информацион

-

ных

методов

выявления

НПЭЭ

необходима

единая

метрика

.

Задача

классификации

набора

измерений

опре

-

деленного

потребителя

или

измерения

ЭЭ

  (

участка

профиля

ЭЭ

) 

как

причастного

или

непричастного

к

НПЭЭ

является

задачей

бинарной

классификации

. 

При

успешной

бинарной

классификации

измерений

ЭЭ

результатом

является

разделение

значений

на

истинно

положительные

и

истинно

отрицательные

, 

при

неуспешной

 — 

ложноположительные

и

ложно

-

отрицательные

значения

 (

рисунок

 2).

В

литературе

наиболее

часто

используются

сле

-

дующие

метрики

 [13–15], 

сформированные

на

ос

-

новании

вышеприведенной

матрицы

результатов

бинарной

классификации

: 

частота

истинно

положи

-

тельных

значений

 (2) 

и

частота

ложноположитель

-

ных

значений

 (3), 

точность

 (4) 

и

достоверность

 (5):

 TP

TPR

 = 

, (2)

TP

 + 

FN

FP

FPR

 = 

, (3)

FP

 + 

TN

TP

Pre

 = 

, (4)

TP

 + 

FP

TP

 + 

TN

Acc

 =  

, (5)

TP

 + 

TN

 + 

FP

 + 

FN

где

соответственно

: 

TPR

и

FPR

 — 

частоты

истинно

положительных

и

ложноположительных

значений

, 

о

.

е

.; 

Pre

 — 

точность

, 

о

.

е

.; 

Acc

 — 

достоверность

, 

о

.

е

.; 

TP

и

TN

 — 

количество

истинно

положительных

и

ис

-

тинно

отрицательных

значений

, 

шт

.; 

FP

и

FN

 — 

коли

-

чество

ложноположительных

и

ложноотрицательных

значений

, 

шт

.

Также

часто

используется

интегральный

по

-

казатель

эффективности

классификатора

 — 

пло

-

щадь

под

кривой

ошибки

 (Area Under Curve, AUC). 

Кривая

ошибки

 (Receiver Operating Characteristic, 

ROC) 

представляет

собой

точечно

-

дискретный

на

-

бор

отрезков

по

результатам

классификации

набора

данных

и

их

ранжированию

в

координатах

  «

часто

-

та

истинно

положительных

значений

» 

и

  «

частота

ложноположительных

значений

» (

рисунок

 3). 

Доля

Рис

. 2. 

Матрица

результатов

бинарной

классификации

измерений

Измерения

ЭЭ

Распознаны

как

измерения

, 

НЕ

содержащие

НПЭЭ

Распознаны

как

измерения

, 

содержащие

НПЭЭ

Измерения

, 

на

самом

деле

НЕ

содержащие

НПЭЭ

Истинно

отрицательные

(True Negative, TN)

Ложноположительные

(False Positive, FP)

Измерения

, 

на

самом

деле

содержащие

НПЭЭ

Ложноотрицательные

(False Negative, FN)

Истинно

положительные

(True Positive, TP)

67

площади

под

графиком

пропор

-

циональна

количеству

истинно

положительных

значений

. 

Для

на

-

бора

сбалансированных

измере

-

ний

простое

угадывание

обеспе

-

чивает

 AUC = 50% (50% 

истинно

положительных

и

 50% 

истинно

от

-

рицательных

значений

). 

У

класси

-

фикатора

данная

величина

выше

.

Сопоставительный

анализ

точ

-

ности

выявления

НПЭЭ

по

всему

набору

научных

публикаций

поз

-

воляет

сделать

следующие

выво

-

ды

 (

рисунок

 4):

1) 

наиболее

точны

методы

на

ос

-

нове

комбинации

сверточной

нейронной

сети

, 

обеспечива

-

ющей

распознавание

харак

-

терных

особенностей

графика

, 

и

какой

-

либо

разновидности

ИНС

, 

отвечающей

за

  «

память

» 

и

распознавание

контекста

измерения

ЭЭ

 (96–99%);

2) 

близки

по

точности

методы

на

основе

аналогич

-

ной

комбинации

автокодировщика

и

какой

-

либо

разновидности

ИНС

 «

памяти

» (95–97%);

3) 

деревья

решений

позволяют

достичь

точности

93–96%.

Дальнейшее

обсуждение

в

статье

будет

вестись

в

контексте

ИНС

ввиду

того

, 

что

многие

виды

ИНС

демонстрируют

в

синтетических

тестах

высочайшую

эффективность

и

являются

наиболее

популярными

методами

. 

МОДЕЛИРОВАНИЕ

НПЭЭ

В

ТЕСТАХ

С

ИНФОРМАЦИОННЫМИ

МЕТОДАМИ

Как

известно

, 

существует

множество

источников

и

причин

возникновения

НПЭЭ

, 

а

сами

НПЭЭ

могут

иметь

нетривиальный

характер

изменения

во

време

-

ни

 [30]. 

Возникает

необходимость

убедиться

в

дей

-

ственности

применяемого

метода

выявления

НПЭЭ

для

всех

ситуаций

.

Авторы

во

всем

мире

проводят

испытания

методов

выявления

НПЭЭ

на

наборах

исходных

дан

-

ных

из

числа

доступных

 [31]. 

Как

правило

, 

используется

следую

-

щий

набор

моделей

НПЭЭ

, 

в

соот

-

ветствии

с

которыми

вносятся

ис

-

кажения

в

исходные

данные

для

проведения

синтетических

тестов

(

рисунок

 5) [6, 10]. 

Далее

в

тексте

: 

W

i

 — 

потребление

ЭЭ

в

час

i

, 

не

содержащее

НПЭЭ

, 

кВт∙ч

; 

W

̃

i

 — 

ис

-

каженное

потребление

ЭЭ

в

час

i

, 

содержащее

НПЭЭ

, 

кВт∙ч

; 

W

 — 

среднее

потребление

ЭЭ

, 

кВт∙ч

; 



 — 

безразмерный

коэффициент

; 

t

 — 

время

, 

ч

.

1. 

Занижение

потребления

ЭЭ

в

часы

пик

, 

случайные

часы

или

диапазоны

часов

на

фиксирован

-

ный

коэффициент

  (

рисунок

  5

а

). 

Имитирует

отрица

-

тельную

систематическую

погрешность

или

обрыв

фаз

счетчика

:

W

̃

i

 = 



W

i

, 0,2 







 0,8. 

(6)

2. 

Занижение

потребления

ЭЭ

в

часы

пик

, 

слу

-

чайные

часы

или

диапазоны

часов

на

случайный

коэффициент

 (

рисунок

 5

б

). 

Имитирует

потребление

в

обход

средств

учета

ЭЭ

:

W

̃

i

 = 



i

W

i

, 0,2 





i



 0,8. 

(7)

3. 

Провалы

потребления

ЭЭ

до

 0 

в

часы

пик

, 

случайные

часы

или

диапазоны

часов

 (

рисунок

 5

в

). 

Имитирует

уход

от

дорогих

пиковых

тарифов

. 

Дан

-

ное

искажение

важно

для

исключения

ложноположи

-

тельных

результатов

, 

связанных

с

действительным

отсутствием

электропотребления

или

потерей

изме

-

рения

между

счетчиком

и

устройством

сбора

и

пере

-

дачи

данных

:

W

i

,

t

1



t



t

2

W

̃

i

 =                     . 

(8)

0

Рис

. 3. 

Матрица

результатов

бинарной

классификации

Частота

ложноположительных

значений

Част

от

а

истинно

по

л

ожит

ельных

зна

чений

1,0

0,8

0,6

0,4

0,2

0,0

0,0 0,2 0,4  0,6 0,8  1,0

AUC — 

серая

площадь

под

кривой

работы

классификатора

То

чность

классифик

ации

, %

100

95
90
85
80
75
70
65
60

CNN
LSTM
DNN

Автокодировщик

 + GRU, RNN, 

LSTM, ...

Деревья

решений

с

бустингами

CNN + GRU, LSTM, DNN ...
GRU, RNN

Автокодировщик

SVM

Точность

классификации

, %

Рис

. 4. 

Точности

определения

НПЭЭ

различными

информационными

мето

-

дами

. 

Показаны

зоны

, 

содержащие

 99% 

примеров

 (

засечки

), 95% 

примеров

(

прямоугольники

), 

медиана

 (

горизонтальная

линия

), 

а

также

среднее

ариф

-

метическое

 (

х

)

№

 4 (79) 2023

68

4. 

Сдвиг

графика

во

времени

вплоть

до

полной

инверсии

по

часам

 «

пик

-

внепик

» (

рисунок

 5

г

). 

Имити

-

рует

сбой

даты

-

времени

счетчика

ЭЭ

или

разряжен

-

ное

состояние

элемента

питания

внутренних

часов

счетчика

:

W

̃

i

 = inverse(

W

i

). (9)

5. 

Подмена

значения

на

среднее

нескольких

не

-

больших

предыдущих

значений

 (

рисунок

 5

д

): 

W

̃

i

 = 

W

̅

 . 

(10)

6. 

Подмена

значения

на

среднее

с

занижением

на

случайный

коэффициент

 (

рисунок

 5

е

):

W

̃

i

 = 



i

W

̅

 , 0,2 < 



i

 < 0,8. 

(11)

Модели

 5 

и

 6 

не

имеют

общепринятой

трактовки

, 

но

имитируют

сложные

искажения

или

некорректное

восстановление

утерянных

данных

учета

ЭЭ

.

ПРИНЦИПЫ

ВЫЯВЛЕНИЯ

НПЭЭ

ИНФОРМАЦИОННЫМИ

МЕТОДАМИ

В

научно

-

технической

литературе

описано

три

ос

-

новных

принципа

выявления

аномалий

по

профилям

потребления

ЭЭ

. 

1. 

Сквозное

сравнение

профилей

потребления

ЭЭ

по

всем

располагаемым

потребителям

за

всю

ретро

-

спективу

 [13]. 

Тестируемый

метод

сравнивает

новые

образцы

потребления

ЭЭ

со

всеми

ранее

встречав

-

шимися

безотносительно

давности

и

потребителя

. 

Достоинствами

такого

принципа

являются

наиболь

-

шая

возможная

обучающая

выборка

и

малое

коли

-

чество

ложноположительных

ре

-

зультатов

. 

Недостатком

являются

не

самые

высокие

частота

истин

-

но

положительных

результатов

и

точность

метода

.

2. 

Сравнение

текущего

профи

-

ля

потребления

ЭЭ

с

профилем

в

ретроспективе

для

конкретного

потребителя

 [14]. 

Принцип

на

-

правлен

на

выявление

нетипич

-

ного

для

данного

абонента

потре

-

бления

ЭЭ

. 

Достоинством

такого

принципа

являются

высокие

точ

-

ность

и

достоверность

в

отно

-

шении

непериодических

НПЭЭ

. 

Основным

недостатком

является

невозможность

выявления

уста

-

новившихся

до

начала

записи

ретроспективы

НПЭЭ

. 

Вторым

не

-

достатками

является

требование

к

глубине

ретроспективы

, 

которая

в

случае

с

новыми

объектами

мо

-

жет

полностью

отсутствовать

.

3. 

Сравнение

профилей

потреб

-

ления

ЭЭ

между

потребителями

за

одинаковую

глубину

ретроспек

-

тивы

 [15]. 

Принцип

направлен

на

выявление

подозрительных

по

-

требителей

с

нетипичным

харак

-

тером

потребления

ЭЭ

. 

Достоин

-

ствами

такого

принципа

являются

высокая

точность

выявления

неизменных

НПЭЭ

из

базовой

части

графика

нагрузки

, 

а

также

возмож

-

ность

выявления

НПЭЭ

за

любую

ретроспективу

. 

Недостатками

являются

потребность

в

потребителях

с

профилями

-

аналогами

для

исключения

ложнопо

-

ложительных

результатов

и

вычислительная

затрат

-

ность

принципа

. 

Следует

отметить

, 

что

на

вход

нейронных

сетей

подается

профиль

электропотребления

в

норма

-

лизованном

от

 0 

до

 1 

виде

. 

С

одной

стороны

, 

это

позволяет

обеспечить

инвариантность

входных

данных

относительно

масштаба

и

максималь

-

ную

чувствительность

к

форме

профиля

. 

С

дру

-

гой

стороны

, 

теряется

важная

количественная

информация

в

абсолютном

выражении

. 

Методы

становятся

нечувствительными

к

модели

хище

-

ния

№

 1, 

имитирующей

отрицательную

система

-

тическую

погрешность

средств

учета

. 

Также

нере

-

шенным

остается

вопрос

со

сложными

моделями

хищений

№

 5–6.

В

связи

с

этим

в

ряде

публикаций

 [15, 32] 

пока

-

зана

эффективность

ввода

дополнительных

пара

-

метров

: 

доля

потребления

ЭЭ

в

базовое

, 

пиковое

или

внепиковое

время

; 

число

часов

максимальных

нагрузок

  (

коэффициент

заполнения

); 

соотношение

пика

к

среднему

  (

коэффициент

неравномерности

); 

дисперсия

или

вариация

мощности

; 

величины

пика

нагрузки

или

средней

мощности

; 

электропотребле

-

ние

за

период

. 

Оптимальное

количество

таких

пара

-

метров

 — 3–4 

штуки

при

отсутствии

линейных

ком

-

бинаций

между

ними

.

УЧЕТ

ЭЛЕКТРОЭНЕРГИИ

Рис

. 5. 

Модели

НПЭЭ

: 

а

) 

занижение

на

фиксированный

коэффициент

; 

б

) 

за

-

нижение

на

случайный

коэффициент

; 

в

) 

нулевое

потребление

ЭЭ

; 

г

) 

сдвиг

потребления

ЭЭ

во

времени

; 

д

) 

подмена

потребления

ЭЭ

на

интервале

на

среднее

; 

е

) 

подмена

потребления

ЭЭ

на

интервале

пропорционально

одному

из

связанных

предыдущих

значений

Э

лек

тропо

тре

бление

Э

лек

тропо

тре

бление

1

0,8

0,6

0,4

0,2

0

1

0,8

0,6

0,4

0,2

0

1 2 3  4 5 6 7 8  9

1 2 3  4 5  6 7 8  9

Час

Час

а

) 

б

)

Э

лек

тропо

тре

бление

Э

лек

тропо

тре

бление

1

0,8

0,6

0,4

0,2

0

1

0,8

0,6

0,4

0,2

0

1 2 3  4 5 6 7 8  9

1 2 3  4 5  6 7 8  9

Час

Час

в

) 

г

)

Э

лек

тропо

тре

бление

Э

лек

тропо

тре

бление

1

0,8

0,6

0,4

0,2

0

1

0,8

0,6

0,4

0,2

0

1 2 3  4 5 6 7 8  9

1 2 3  4 5  6 7 8  9

Час

Час

д

) 

е

)

Среднее

Пропорционально

69

В

неспециализированных

программных

комплек

-

сах

используются

также

физико

-

географические

данные

: 

район

 (

регион

), 

координаты

, 

площадь

и

кон

-

струкция

зданий

и

сооружений

, 

высотность

; 

метео

-

данные

, 

прежде

всего

температура

, 

и

др

. 

Учет

не

-

электрических

параметров

является

альтернативой

сложным

моделям

 [33], 

но

подвержен

проблемам

с

использованием

персональных

данных

и

с

непол

-

нотой

смежных

баз

данных

.

Важные

особенности

подготовки

исходных

дан

-

ных

и

обучения

ИНС

для

поиска

НПЭЭ

рассмотрены

далее

.

ПРОБЛЕМНЫЕ

ВОПРОСЫ

ПРИМЕНЕНИЯ

ИНФОРМАЦИОННЫХ

МЕТОДОВ

Источники

исходных

данных

.

Исследователи

ис

-

пользуют

как

местные

данные

, 

так

и

общедоступные

наборы

данных

из

различных

стран

мира

. 

Профи

-

ли

потребления

ЭЭ

с

длительной

ретроспективой

и

с

достаточным

охватом

сети

не

являются

редко

-

стью

. 

По

состоянию

на

начало

 2023 

года

доступно

26 

различных

открытых

наборов

данных

, 

наиболее

популярными

являются

 Low Carbon London Dataset, 

China State Grid Company Dataset 

и

другие

 [31]. 

Пробелы

  (

выбросы

) 

в

исходных

данных

.

Боль

-

шинство

наборов

исходных

данных

содержат

про

-

должительные

участки

профилей

со

значениями

типа

  «

Нет

данных

» 

или

 «0». 

Важно

, 

что

подобные

значения

не

должны

массово

попадать

в

обучаю

-

щую

выборку

метода

. 

Вместе

с

тем

в

публикаци

-

ях

показывается

, 

что

конечный

алгоритм

должен

обладать

некоторой

толерантностью

по

отноше

-

нию

к

разовому

отсутствию

электропотребления

от

 1 

суток

до

 3 

суток

 [24]. 

Фильтрация

обучающей

выборки

должна

произ

-

водиться

с

сохранением

авторегрессии

и

хроноло

-

гии

ретроспективы

. 

При

удалении

нулевых

значений

должен

удаляться

весь

период

 (

например

, 

сутки

), 

на

котором

далее

будет

выполняться

выявление

НПЭЭ

. 

Для

принципа

выявления

№

 3 

желательно

удаление

также

аналогичного

периода

из

ретроспективы

у

дру

-

гих

абонентов

.

Восстановление

пропущенных

данных

или

заме

-

на

выбросов

должны

быть

корректными

и

не

приво

-

дить

к

возникновению

НПЭЭ

по

моделям

№

 5–6.

Размер

обучающей

выборки

. 

ИНС

требуют

обу

-

чающей

выборки

от

 2000 

образцов

, 

эффективно

от

10 000 

образцов

 [34]. 

Таким

образом

, 

применение

принципа

№

 2 

ограничено

пределами

ретроспекти

-

вы

часовых

и

максимум

суточных

значений

, 

принци

-

па

№

 3 — 

наличием

больших

баз

данных

на

группы

потребителей

. 

Разметка

данных

. 

Одна

из

основных

проблем

поиска

НПЭЭ

  (

например

, 

в

сравнении

с

задачами

в

области

рекламы

и

маркетинга

) — 

неизвестность

признаков

классов

. 

Неочевидность

наличия

или

от

-

сутствия

НПЭЭ

требует

привлечения

вспомогатель

-

ных

методов

 [35]. 

Для

полуавтоматической

разметки

данных

используются

гибридные

методы

с

добав

-

лением

на

входе

предобработки

в

виде

кластери

-

зации

 (K-

средних

, Density-Based Spatial Clustering of 

Applications with Noise, DBSCAN) [18]. 

+7 (495) 111-78-77

 info@vsk-energo.ru

www.vsk-energo.ru

ООО

 «

ВСК

-

ЭНЕРГО

» — 

динамично

развивающаяся

компания

, 

поставщик

электротехнического

обору

-

дования

ведущих

производителей

России

и

стран

СНГ

.

Ассортимент

продукции

позволяет

удовлетворить

запросы

и

потребности

любого

клиента

 —

от

государственных

до

частных

компаний

.

ОПЕРАТИВНОСТЬ

НАДЕЖНОСТЬ

КАЧЕСТВО

Все

изделия

имеют

необходимую

документацию

и

гарантию

.



Силовые
трансформаторы

:

масляные

герметичные

трансформаторы

(

ТМ

, 

ТМГ

, 

ТМЗ

, 

ТМФ

),

сухие

трансформаторы

(

ТСЛ

, 

ТСЗЛ

) 



Комплектные

трансформаторные
подстанции

 (

КТП

):

столбовые

, 

мачтовые

, 

киосковые

, 

контейнерные

, 

блочные

, 

бетонные



Щитовое

оборудование

:

главный

распредели

-

тельный

щит

 (

ГРЩ

), 

вводно

-

распределитель

-

ное

устройство

 (

ВРУ

), 

низковольтные

устройства

(

НКУ

), 

щит

учета

распреде

-

ления

 (

ЩУР

), 

щит

автома

-

тического

переключения

(

ЩАП

), 

щит

освещения

(

ЩО

), 

щит

аварийного

освещения

 (

ЩАО

)



Виброгасящие

опоры

для

сухих

трансформаторов

от

 100 

до

 3150 

кВА



Распределительные

устройства

:

распределительные

устройства

высокого

напряжения

 (

РУВН

), 

распределительные

устройства

низкого

напряжения

 (

РУНН

)



Линейная

арматура

для

ВЛ

:

сцепная

, 

поддерживающая

, 

натяжная

, 

соединительная

, 

контактная

и

защитная



Опоры

железобетонные

:

СВ

 95-2, 

СВ

 95-3

с

, 

СВ

 110-35,

СВ

 110-5, 

СВ

 164-12, 

СВ

 164-20

№

 4 (79) 2023

70

Сбалансированность

исходных

данных

. 

Суще

-

ствует

принципиальное

количественное

отличие

за

-

дачи

выявления

НПЭЭ

от

многих

задач

в

 IT-

сфере

, 

но

сходство

с

задачами

в

области

медицины

и

био

-

логии

. 

НПЭЭ

и

их

образцы

составляют

очень

ма

-

лую

долю

от

всех

оцениваемых

измерений

ЭЭ

. 

Соответственно

, 

попытка

инверсного

обучения

метода

на

данных

, 

не

содержащих

НПЭЭ

, 

приво

-

дит

к

дальнейшей

низкой

эффективности

выяв

-

ления

НПЭЭ

 [36]. 

Снижение

размера

выборки

из

-

мерений

без

НПЭЭ

чревато

уменьшением

общей

обучающей

выборки

, 

синтез

большого

объема

искусственных

данных

или

приводит

к

переоб

-

учению

модели

, 

или

требует

алгоритмов

, 

вычис

-

лительно

более

затратных

, 

чем

само

выявление

НПЭЭ

 (Synthetic Minority Over-sampling Technique, 

SMOTE; Oversample Using Adaptive Synthetic, 
ADASYN; Cluster-Based Over-Sampling, CBOS 

и

др

.) 

[37]. 

Как

правило

, 

применяется

комбинированный

подход

снижения

в

обучающей

выборке

ненуж

-

ных

образцов

и

повышения

количества

значащих

образцов

.

ОБЩАЯ

ПОСЛЕДОВАТЕЛЬНОСТЬ

ВЫЯВЛЕНИЯ

НПЭЭ

Общая

последовательность

выявления

НПЭЭ

ин

-

формационными

методами

представлена

на

ри

-

сунке

 6. 

В

последовательности

отмечены

необязатель

-

ные

стадии

, 

которые

используются

в

случае

работы

с

синтезированными

данными

и

обучения

по

принци

-

пу

 «

обучение

с

учителем

».

РАСЧЕТНЫЙ

ЭКСПЕРИМЕНТ

ПО

ВЫЯВЛЕНИЮ

НПЭЭ

Далее

на

примере

расчетного

эксперимента

показываются

не

-

которые

особенности

выявления

НПЭЭ

современными

информа

-

ционными

методами

. 

Общая

по

-

следовательность

эксперимента

соответствует

таковой

с

рисунка

 6. 

Расчетный

эксперимент

про

-

водился

на

основе

глобального

набора

измерений

ЭЭ

на

участке

электрической

сети

 [31]. 

Набор

данных

содержит

получасовые

интервалы

измерения

за

полуто

-

рагодовой

интервал

времени

для

порядка

 5 

тысяч

домохозяйств

, 

что

соответствует

более

чем

4 

миллионам

суточных

графиков

. 

Значения

потребления

электро

-

энергии

подверглись

фильтрации

выбросов

на

основе

известного

эмпирического

правила

 5



. 

Неде

-

ли

, 

содержащие

нулевые

значе

-

ния

потребления

электроэнергии

продолжительностью

более

 3 

су

-

ток

подряд

, 

удалялись

из

выбор

-

ки

с

подозрением

на

отказ

кана

-

ла

связи

со

счетчиком

ЭЭ

. 

Была

выполнена

нормализация

исходных

данных

таким

образом

, 

чтобы

все

получасовые

значения

потре

-

бления

электроэнергии

в

относительных

единицах

находились

в

диапазоне

от

 0 

до

 1. 

Синтез

дополни

-

тельных

исходных

данных

и

другие

опциональные

стадии

последовательности

не

потребовались

в

свя

-

зи

с

достаточным

объемом

выборки

. 

Выборка

была

разбита

на

обучающую

, 

проверочную

и

тестовую

в

соотношении

 60% / 20% / 20%.

Далее

были

внесены

следующие

искажения

в

 10% 

профилей

потребления

ЭЭ

в

соответствии

с

некоторыми

моделями

НПЭЭ

из

раздела

 6:

1) 

модель

№

 1 — 

каждые

 48 

получасовых

измере

-

ний

подряд

  (

полные

сутки

) 

умножаются

на

слу

-

чайный

коэффициент

в

диапазоне

от

 0,1 

до

 0,8;

2) 

модель

№

 2 — 

каждое

из

 48 

получасовых

изме

-

рений

умножается

на

индивидуальный

случайный

коэффициент

в

диапазоне

от

 0,1 

до

 0,8;

3) 

модель

№

 3 — 

каждые

сутки

в

течение

недели

электропотребление

с

 07:00 

до

 23:00 

зануляется

;

4) 

модель

№

 6 — 

вычисляется

среднее

арифметиче

-

ское

значение

электропотребления

за

сутки

, 

каж

-

дому

из

 48 

получасовых

измерений

присваивается

значение

, 

равное

произведению

среднего

на

слу

-

чайный

коэффициент

в

диапазоне

от

 0,1 

до

 0,8.

Выявление

НПЭЭ

модели

№

 4 

заведомо

не

представляет

труда

по

полной

инверсии

графика

, 

а

модель

№

 5 

является

более

простым

вариантом

модели

НПЭЭ

№

 6, 

поэтому

данные

модели

не

ис

-

пользовались

.

В

соответствии

с

результатами

обзора

наиболее

часто

применяемых

методов

и

анализом

их

эф

-

УЧЕТ

ЭЛЕКТРОЭНЕРГИИ

Рис

. 6. 

Общая

последовательность

выявления

НПЭЭ

информационными

мето

-

дами

 (

зеленым

цветом

отмечена

предварительная

обработка

исходных

дан

-

ных

, 

голубым

цветом

 — 

обучение

модели

, 

розовым

цветом

 — 

работа

метода

)

Выбор

типов

используемых

ИД

Отсев

выбросов

ИД

Замещение

потерянных

ИД

МИНИМАКС

нормализация

ИД

Генерация

НПЭЭ

в

ИД

без

НПЭЭ

 (

опция

)

Разметка

ИД

в

случае

, 

если

не

размечены

 (

опция

)

Балансировка

ИД

по

классам

без

/

с

НПЭЭ

Синтез

дополнительных

данных

с

помощью

 GAN (

опция

)

Разбивка

ИД

на

обучающую

, 

проверочную

и

тестовую

выборки

Выбор

ИНС

для

работы

с

выбранными

типами

ИД

Обучение

ИНС

и

оптимизация

гиперпараметров

Контроль

переобучения

ИНС

на

проверочной

выборке

Тест

ИНС

на

тестовой

выборке

Сведение

результатов

отдельных

ИНС

 (

если

используются

)

Запрос

к

оператору

о

спорных

случаях

и

их

исключение

 (

опция

)

Расчет

показателей

эффективности

классификации

Вывод

информации

о

НПЭЭ

в

графическом

и

табличном

виде

71