Информационная система расчета вероятностной модели незаконного энергопотребления

Ольга ТУРКИНА
Заместитель генерального директора по технической политике АО «ФИЦ», к. т. н.
e-mail: turkina@ftc-energo.ru

Илья ВОЛТОВ
Начальник управления разработки программного обеспечения АО «ФИЦ»
e-mail: voltov@ftc-energo.ru

Дмитрий ИВАНОВ
Ведущий эксперт управления разработки программного обеспечения АО «ФИЦ»
e-mail: ivanov-ds@ftc-energo.ru

Максим ЩЕРБАКОВ
Заведующий кафедрой «Системы автоматизированного проектирования и поискового конструирования» ФГБОУ ВО «ВолгГТУ», д. т. н.
e-mail: anna.gorshik@yandex.ru

Введение

Вопросам определения и снижения потерь электрической энергии посвящено большое количество научных трудов [1–7]. Размер фактических потерь энергии в сетях определяется как разница между объемом электрической энергии, поставленной в электрическую сеть из других сетей или от ее производителей, и объемом электрической энергии, потребленной устройствами, присоединенными к этой сети, а также переданной в другие сетевые компании.
Фактические потери электроэнергии на ее передачу и распределение по электрическим сетям являются важнейшим показателем эффективности передачи электроэнергии, наглядным индикатором состояния системы учета и эффективности сбытовой деятельности.
Структура потерь электроэнергии наиболее подробно описана в инструкции по организации работы по расчету и обоснованию нормативов технологических потерь электроэнергии при ее передаче по сетям (утв. приказом Минэнерго России от 30.12.2008 г. № 326, далее – инструкция).
Структура потерь электрической энергии в соответствии с инструкцией представлена в таблице 1.

В соответствии с правилами функционирования розничных рынков электрической энергии в переходный период реформирования электроэнергетики применяются следующие основные понятия: бездоговорное потребление, безучетное потребление, неучтенное потребление электроэнергии. Безучетное потребление электроэнергии (БУ) – потребление с нарушением установленного договором энергоснабжения, а бездоговорное потребление электроэнергии (БД) – самовольное подключение энергопринимающих устройств к объектам электросетевого хозяйства. Другими словами, «хищения» электрической энергии.
При сравнении фактических относительных потерь энергии в электрических сетях России с уровнями потерь в промышленно-­развитых странах, следует, что в нашей стране имеется существенный потенциал снижения потерь. По минимальным оценкам он составляет около 15–25 млрд кВт·ч в год. Из них 20 млрд кВт·ч – потенциал снижения нетехнических потерь электроэнергии. Доля потенциала снижения значений фактических потерь электроэнергии в распределительных электрических сетях колеблется в диапазоне от 10 до 40 % [2].
Массовое внедрение интеллектуальных приборов учета (англ. advanced metering infrastructure (AMI), smart meters) электроэнергии в России с небольшим отставанием от развитых стран началось в 2018 г. [8]. Так, только в некоторых электросетевых компаниях на начало 2021 г. установлено более 26 700 «умных» счетчиков [9]. Их внедрение повысило прозрачность процесса передачи электрической энергии, а также предоставило дополнительную возможность по выявлению случаев ее хищения. Поскольку интеллектуальные приборы учета передают показания достаточно часто (обычно один раз в 30 минут), а самих «умных» счетчиков в рамках одного региона страны установлено в среднем на текущий момент уже несколько тысяч, то на серверах энергосбытовых и электросетевых компаний скапливаются значительные объемы данных («большие данные», англ. big data) о протекающей по элементам сети электроэнергии и профилях потребления. Подобное количество данных не может быть эффективно проанализировано вручную. Одна из сетевых компаний на своей территории запустила пилотный проект по созданию информационной системы управления передачей электроэнергии с использованием технологии больших данных, предполагающий, в том числе, анализ поступающих показаний интеллектуальных приборов учета в автоматическом режиме.
Несколько иностранных публикаций [3–6] достаточно полно описывают разработанные на текущий момент методы подобного анализа. Авторы предлагают те или иные методы статистического анализа, машинного обучения, демонстрируя результаты их применения на реальных или синтетических данных. Однако, изучив большое количество материалов, авторы данной публикации пришли к выводу, что на настоящий момент не существует ­какого-либо единого набора данных (датасета) показаний приборов учета и информации о хищении электроэнергии (как ImageNet в задачах компьютерного зрения), на котором исследователи из разных стран могли бы сравнивать различные подходы. Не было обнаружено сведений о значимых реализованных проектах в мире в этой области, успешно доведенных до ежедневного использования на практике. Поэтому создание описываемой информационной системы велось, хоть и с оглядкой на накопленный мировой опыт, но не по шаблону и с учетом региональных особенностей.
Случаи хищения электроэнергии принципиально могут быть поделены на случаи безучетного и бездоговорного. Таким образом, вмешательство в работу прибора учета является в общем случае безучетным потреблением, а наброс провода на воздушную линию электропередач (ЛЭП) или подпольная майнинг-­ферма являются в общем случае бездоговорным потреблением.
Бездоговорное потребление электроэнергии наказывается более крупным штрафом, чем безучетное для аналогичного потребителя [12]. В связи с этим, поиск бездоговорного потребления для сетевых компаний является приоритетной задачей.

При разработке ИСОН был проведен анализ бизнес-­процессов электросетевой компании в части управления передачей электроэнергии, и определены необходимые источники данных.
Источниками данных стали:
топология электрической сети;
параметры участков электрической сети (в том числе паспортные данные линий электропередач);
показания приборов учета электроэнергии от сбытовых компаний;
показания приборов технического учета электроэнергии, расположенных в электрической сети (не у потребителей в общем случае);
сведения об объектах недвижимости и потребителях (справочный контент из открытых геоинформационных систем; информация об юридических лицах, полученная из специализированной системы проверки контрагентов);
общие данные (сведения о погоде);
данные о ранее выявленных случаях безучетного и бездоговорного потребления.
При этом основными этапами разработки были определены:
дата-инжиниринг – определение и сбор необходимой информации;
разработка алгоритмических решений;
проверка моделей и их тюнинг;
реализация эргономичного пользовательского интерфейса, закрывающего задачи анализа объектов с вероятным безучетным или бездоговорным электропотреблением и контроль заданий, выданных на эти объекты.
При разработке ИСОН был проведен анализ бизнес-­процессов электросетевой компании в части управления передачей электроэнергии, и определены необходимые источники данных.
Источниками данных стали:

• топология электрической сети;
• параметры участков электрической сети (в том числе паспортные данные линий электропередач);
• показания приборов учета электроэнергии от сбытовых компаний;
• показания приборов технического учета электроэнергии, расположенных в электрической сети (не у потребителей в общем случае);
• сведения об объектах недвижимости и потребителях (справочный контент из открытых геоинформационных систем; информация об юридических лицах, полученная из специализированной системы проверки контрагентов);
• общие данные (сведения о погоде);
• данные о ранее выявленных случаях безучетного и бездоговорного потребления.
• При этом основными этапами разработки были определены:
• дата-инжиниринг – определение и сбор необходимой информации;
• разработка алгоритмических решений;
• проверка моделей и их тюнинг;
• реализация эргономичного пользовательского интерфейса, закрывающего задачи анализа объектов с вероятным безучетным или бездоговорным электропотреблением и контроль заданий, выданных на эти объекты.

Интеграционные решения при создании ИСОН

Внутрикорпоративный сектор. Информационная система сбора данных с приборов учета. Система ИСОН поддерживает интеграцию с системами, обеспечивающими сбор данных с приборов учета электроэнергии (в том числе и с устройств сбора и передачи данных – УСПД) и выполняет автоматизированный учет транспорта и распределения энергоресурсов.
К данным учёта энергоресурсов, получаемым с приборов учёта и УСПД различных производителей относятся:

• показания приборов учёта суммарные и по тарифам, текущие и зафиксированные;
• на начало отчётного периода;
• интервальные энергии, мощности, расходы за 1 час (30 минут);
• энергии, расходы за 1 сутки, месяц, год;
• параметры качества электрической сети с построением векторной диаграммы;
• журналы событий оборудования связи и учёта;
• журналы показателей качества электроэнергии (ПКЭ).

Сбор данных производится в автоматическом (по расписанию) и ручном (по запросу пользователя) режиме. Выполняется подробное фиксирование и диагностика сбора данных и связи с оборудованием учёта. База данных оптимизирована для хранения больших массивов информации с глубиной 3,5 года и более.

1. Геоинформационная система общества. Геоинформационная система Общества является информационной системой для автоматизации процессов сбора, обработки, ввода, верификации и визуализации сведений об электросетевом хозяйстве, взаимосвязях объектов электросетевого хозяйства (ОЭСХ) на картографической основе.
2. Автоматизированная система технологического управления (АСТУ). АСТУ представляет собой программный комплекс с изменяемым набором приложений (SCADA/EMS/DMS/OMS/DTS) для создания автоматизированных систем оперативно-­диспетчерского, технологического и ситуационного управления объектами электроэнергетики. АСТУ является источником топологии энергетической сети класса напряжения 6–110 кВ.
3. Информационная система управления производственными активами. СУПА содержит сведения об оборудовании электросетевой компании (марки и параметры воздушных и кабельных линий, трансформаторов, выключателей и т. д.). Проработаны интеграционные решения с информационной системой СУПА, реализованной как на базе 1С, так и SAP.

Внешний сектор. Реализованы интеграционные решения с системой информационного обмена между электросетевой компанией и сбытовыми компаниями, представленными в данном регионе.
Данная система информационного обмена содержит показания приборов учета электроэнергии, переданные сбытовыми компаниями (а тем, в свою очередь, передали потребители – показания физических и юридических лиц, общедомовые нужды).
Дополнительно для получения сведений о потребителях была реализована интеграция с информационной системой Федеральной службы государственной регистрации, кадастра и картографии (Росреестр) и информационной системой СПАРК [15]. Для получения сведений о погоде была выполнена интеграция с информационной системой OpenWeatherMap [16].
Математическое обеспечение системы ИСОН. Разработанная система ИСОН представляет собой систему поддержки принятия решений (СППР) для выявления безучетного и бездоговорного потребления.
При разработке математического обеспечения системы ИСОН использовались следующие основные предположения:

• небаланс между показаниями приборов учета на последовательном участке электрической сети может указывать на безучетное и бездоговорное потребление;
• значительное отличие реального потребления от прогнозируемого;
• характеристики временных рядов показаний физических и юридических лиц, осуществляющих хищение электроэнергии тем или иным способом, могут иметь особенности и в среднем отличаться от таких же характеристик для потребителей, не осуществляющих хищение электроэнергии;
• дополнительные сведения об объектах недвижимости и потребителях могут повышать или понижать вероятность выявления у них случаев безучетного и бездоговорного потребления.
• Последовательность обработки и анализа данных в системе ИСОН упрощенно можно представить следующим образом:
• на основе сведений о топологии электрической сети формируется (или корректируется) ее модель в виде графа (в случае изменения топологии обновляется);
• на основе сведений о местах расположения в сети приборов учета формируются балансовые группы (последовательные участки сети, на которых возможно по показаниям свести баланс поступившей и переданной дальше или потребленной электроэнергии) – алгоритм формирования балансовых групп (АФБГ);
• для полученных балансовых групп рассчитывается небаланс – алгоритм расчета небалансов в балансовых группах (АНБГ);
• рассчитываются технические потери в балансовых группах (алгоритм расчета технических потерь), происходит корректировка рассчитанных в п. 3 небалансов на величину технических потерь;
• производится оценка, рассчитанных в п. 3–4 небалансов – в случае высокого значения небаланса, оценивается процент передачи показаний, входящих в рассматриваемую балансовую группу приборами учета и, если он достаточно высок, оценивается процент соответствия предиктивного (прогнозируются показания приборов учета с помощью градиентного бустинга) и фактического небалансов – если он достаточно низок (т. е. предиктивный и фактический небалансы не совпадают (нехарактерный для данной балансовый группы небаланс), то переход к п. 6 (интерпретация небаланса с возможным повышением вероятности хищения электроэнергии для физических и юридических лиц);
• выполняется прогнозирование показаний физических и юридических лиц (выполняется с помощью градиентного бустинга с использованием библиотек XGboost и Catboost) – на основе оценки разницы предиктивных и фактических показаний рассчитать индексы доверия показаниям физических и юридических лиц.
• В результате данных действий создается ранжированный по величине небалансов перечень адресов объектов с возможным хищением электроэнергии и указанием на более вероятные в плане хищения группы потребителей.
• Для дальнейшего детального анализа потребления, в системе ИСОН был реализован подход выявления возможных случаев безучетного и бездоговорного потребления с помощью нейросетевой модели «долгой краткосрочной памяти» (Long short-term memory, LSTM). Подход заключался в анализе временных рядов потребления электроэнергии различными потребителями.
• Кроме того, в модели использовались адреса объектов, индексы доверия показаниям потребителей, данные о погоде, производственный календарь (выходные и рабочие дни), процент передачи показаний приборов учета, данные из информационной системы проверки контрагентов СПАРК, данные о выявленных ранее случаях безучетного и бездоговорного потребления.

В результате этого, с помощью вышеописанной модели LSTM также создается ранжированный по убыванию вероятности хищения электроэнергии перечень адресов объектов с указанием на более вероятные в плане хищения группы потребителей.
Далее, два списка проходят перекрестное сравнение и в итоговый перечень для пользователя системы ИСОН определяются объекты, отобранные и с помощью определения небалансов в распределительной сети, и с помощью нейросетевой модели LSTM.
Приведем более подробное описание некоторых алгоритмов, реализованных для определения небалансов в распределительной сети и их интерпретации.

Алгоритм формирования балансовых групп и небаланса
Назначение: формирование балансовых групп (балансовая группа – часть электрической сети, оснащенная действующими приборами учета электроэнергии, по показаниям которых возможно свести баланс полученной в балансовую группу электроэнергии и потребленной и/или переданной дальше) для дальнейшего определения в них небаланса, одной из интерпретаций которого является хищение электроэнергии в том или ином виде, искомое в проекте.
Идея: определить «входные» и «выходные» приборы учета в схеме таким образом, чтобы в результате были сформированы отдельные участки сети небольшого размера, на которых возможно вычислить небаланс (разность «поступившей» и «отданной» электроэнергии с учетом технических потерь на участке).
Входные данные: сведения о топологии электрической сети, адресах домов, расположении и показаниях приборов учета.
Выходные данные: перечень балансовых групп.

Алгоритм расчета технических потерь

Назначение: расчет технических потерь электроэнергии в элементах сети в соответствии с инструкцией.
Идея: рассчитать технические потери электроэнергии в элементах сети для того, чтобы учесть их при расчете небаланса в балансовых группах.
Входные данные: сведения о топологии электрической сети, параметрах и справочных данных по кабельным линиям и силовым трансформаторам, показания приборов учета.
Выходные данные: технические потери электроэнергии в элементах сети и балансовых группах.

Прогнозирование показаний приборов учета физических и юридических лиц

Назначение: прогнозирование показаний приборов учета для последующего соотнесения с фактическими показаниями.
Идея: выполнить прогнозирование показаний (решить задачу регрессии) качественной регрессионной моделью.
Входные данные: показания приборов учета, данные о погоде, сведения об объекте недвижимости.
Выходные данные: прогнозируемые показания приборов учета.

Полученные результаты

Построена уникальная информационная система, обеспечивающая интеграцию с корпоративными информационными системами дочерних предприятий «Россетей».
В 2021 году реализовано внедрение данной информационной системы с некоторыми доработками в одной из «дочек» «Россетей».
Средний уровень выявления случаев безучетного и бездоговорного потребления с использованием данной системы (около 10 случаев на 100 объектов) превосходит средний уровень аналогичного выявления «вручную» (около 3–5 случаев на 100 объектов).
Для определения необходимости изменения или дополнения использованных моделей необходим определенный период сбора информации от пользователей и анализа статистики отработанных заданий в разработанной системе.

Выводы

Хищение электрической энергии является серьезной проблемой для электроэнергетики, а фактические потери электроэнергии являются важнейшим показателем эффективности ее передачи.
Для выявления хищения электроэнергии целесообразно использовать возможности анализа показания интеллектуальных приборов учета, дистанционно передающих показания с высокой частотой, установка которых в большом числе является в энергетике одним из значимых мировых и отечественных трендов последних лет. Из-за большого объема накапливаемых данных целесообразно использовать методы интеллектуальной обработки данных, в том числе машинного обучения.
В результате внедрения и опытной эксплуатации были выявлены случаи безучетного и бездоговорного потребления, на основе рекомендаций системы ИСОН. Предварительные результаты оказались выше среднего уровня выявления случаев безучетного и бездоговорного потребления без использования алгоритмов и методик, заложенных в систему ИСОН. При этом время на принятие решения существенно снизилось.
В ходе реализации проекта может быть построена информационная система по принципу единого хранилища данных, «привязывающая» приборы учета к топологии электрической сети и позволяющая наглядно видеть оснащенность ими электрических сетей.
Система ИСОН обладает эргономичным человеко-­машинным интерфейсом в области визуализации и анализа транспорта электроэнергии, подходящего для дальнейшего развития и автоматизации.
Получено свидетельство о регистрации программного обеспечения, что позволяет рассматривать систему ИСОН, как коробочное отраслевое решение.