基于支持向量機(jī)的低壓臺區(qū)線損管理診斷模型

夏桃勇

(江西省電力公司 吉安供電分公司，江西 吉安 343000)

基于支持向量機(jī)的低壓臺區(qū)線損管理診斷模型

夏桃勇

(江西省電力公司 吉安供電分公司，江西 吉安 343000)

線損管理與維護(hù)是影響供電企業(yè)經(jīng)濟(jì)效益的核心工作，由于大量分布的基層低壓臺區(qū)因缺乏技術(shù)人才、管理不規(guī)范等問題嚴(yán)重影響了工作效率。針對此類問題，文中在傳統(tǒng)臺區(qū)線損管理的基礎(chǔ)上引進(jìn)支持向量機(jī)方法，結(jié)合信息管理系統(tǒng)實(shí)現(xiàn)線損工作的精細(xì)化模式。通過建立臺區(qū)線損與異常診斷、分析模型，從而真正實(shí)現(xiàn)科學(xué)、規(guī)范化的工作管理，有效地解決管理滯后問題，大幅提升臺區(qū)管理效率。

臺區(qū)線損；支持向量機(jī)；診斷分析；診斷模型

線損管理工作隨著“智能電網(wǎng)”發(fā)展工作的不斷推進(jìn)，在一線城市逐漸出現(xiàn)人才缺乏、管理斷層的現(xiàn)象。同時(shí)，為了適應(yīng)企業(yè)結(jié)構(gòu)的扁平化管理改革，更高效、先進(jìn)的管理模式也成了首要解決的問題。而支持向量機(jī)(Support Vector Machine，SVM)技術(shù)可以整合現(xiàn)有的小樣本數(shù)據(jù)，建立科學(xué)系統(tǒng)的分析體系[1]。在保持結(jié)構(gòu)簡單特性下，其泛化性能有大幅提升，對于樣本識別和非線性模式分析具有突出的性能優(yōu)勢。這也使得支持向量機(jī)廣泛應(yīng)用于軍事、醫(yī)學(xué)等領(lǐng)域，并逐漸形成了較為系統(tǒng)的研究體系，且具備良好的移植基礎(chǔ)。本文將支持向量機(jī)引入到臺區(qū)線損的診斷、分析中來，并通過建立模型，達(dá)到優(yōu)化管理模式的目的。

1 臺區(qū)線損案例分析

1.1 案例綜述

當(dāng)前的低壓臺區(qū)主要包含配變、桿變變壓器區(qū)域內(nèi)的線損[2]。拿上海市臺區(qū)分布作為分析對象，依據(jù)電網(wǎng)技術(shù)原則，城區(qū)的低壓網(wǎng)絡(luò)供電線路的尺寸有著嚴(yán)格的標(biāo)準(zhǔn)：供電長度半徑在100～150 m之間最佳，分布距離不可超過150 m。同時(shí)，依據(jù)周邊城鎮(zhèn)屬性進(jìn)行變壓器負(fù)荷科學(xué)化分配。人口密集、用電集中的城鎮(zhèn)商業(yè)地段一般線長在400 m以下，其他弱用電區(qū)域控制在500 m以下即可。

表1 各類典型低壓臺區(qū)理論參考線損值

1.2 臺區(qū)線損分析

某市從2009年開始了臺區(qū)線損的精細(xì)化管理措施，統(tǒng)計(jì)CMS系統(tǒng)中所有月電量數(shù)據(jù)并標(biāo)準(zhǔn)地區(qū)分布。結(jié)合低壓臺區(qū)拆分?jǐn)?shù)據(jù)進(jìn)行線損趨勢對比，審查各方面影響因素，找出線損管理中所存在的問題，并改進(jìn)管理方案。從而達(dá)到提升電力利用率，降低電壓損耗的目的。

現(xiàn)有的線損分析模型主要從臺區(qū)的基礎(chǔ)數(shù)據(jù)統(tǒng)計(jì)、供電數(shù)據(jù)統(tǒng)計(jì)、基礎(chǔ)數(shù)據(jù)分布、售電區(qū)域分布和線路異常處理等方面進(jìn)行分析。

(1)基礎(chǔ)數(shù)據(jù)統(tǒng)計(jì)。這一部分主要進(jìn)行大量的基礎(chǔ)區(qū)域用戶信息和用電信息的收集、分類、統(tǒng)計(jì)整理工作。在確保信息準(zhǔn)確性的同時(shí)，將分析采樣得到的數(shù)據(jù)作為分析辦法的基礎(chǔ)參考。參考內(nèi)容包含有電力系統(tǒng)分析、臺區(qū)PMS和CMS信息比對以及區(qū)域分布特點(diǎn)等；

(2)線損及供電數(shù)據(jù)統(tǒng)計(jì)。獲取臺區(qū)供電、售電線損率是數(shù)據(jù)統(tǒng)計(jì)與分析的核心。主要圍繞線損數(shù)據(jù)、電力虧損數(shù)據(jù)開展分析工作，分析內(nèi)容主要包括線損區(qū)域分布、線損率計(jì)算、異常線損警報(bào)統(tǒng)計(jì)和各區(qū)線損率對比等。此外，對于線損率較高的臺區(qū)，還需進(jìn)行深入的供電數(shù)據(jù)分析。即對用電數(shù)據(jù)進(jìn)行系統(tǒng)解析，排查供電可能存在的異常損壞進(jìn)而促使臺區(qū)線損上升。用電數(shù)據(jù)內(nèi)容大致包含有：異常供電數(shù)據(jù)、異常警報(bào)和異常修復(fù)；

(3)售電和異常處理。為了充分診斷臺區(qū)線損的致因同時(shí)制定解決模型，在進(jìn)行供電側(cè)數(shù)據(jù)分析的同時(shí)還應(yīng)關(guān)注售電側(cè)數(shù)據(jù)存在的異常情況。異常數(shù)據(jù)包含有以下幾類：異常售電、異常退補(bǔ)記錄、異常零電量、異常抄表等。而對此類可能導(dǎo)致線損的異常情況處理，還需制定規(guī)范的流程：首先結(jié)合數(shù)據(jù)結(jié)果進(jìn)行線損成因分析，隨后對臺區(qū)實(shí)施內(nèi)場及外場的工作處理，最后再進(jìn)行嚴(yán)格的線損消缺。

1.3 案例評估

本文臺區(qū)線損數(shù)據(jù)采用某供電公司數(shù)據(jù)，對于公司下屬的900多異常線損臺區(qū)進(jìn)行系統(tǒng)的模型數(shù)據(jù)分析，最終得到導(dǎo)致線損率的主要因素如表2所示。

表2 臺區(qū)異常線損成因

(1)電力損失。電力損失主要來源于竊電問題、人群分布復(fù)雜、管理疲軟，加上竊電手段的隱蔽化和技術(shù)化，電力損失加劇促使線損率上升；

(2)信息數(shù)據(jù)異常。信息系統(tǒng)類數(shù)據(jù)異常成因分類，如表3所示。

表3 信息數(shù)據(jù)異常成因

(3)接線故障問題。接線問題原因分類，如表4所示；

表4 接線問題分類

(4)設(shè)備故障。設(shè)備故障原因分類，如表5所示；

表5 設(shè)備故障成因分析

(5)通信問題。通信故障主要來源于SIM卡的故障，常見的故障類型有：SIM卡損壞、老化、接觸不良，SIM卡APN節(jié)點(diǎn)未開通，設(shè)備參數(shù)錯(cuò)誤以及程序BUG等；

(6)門閉和失電。門閉和失電原因分類，如表6所示。

表6 門閉和失電原因分類

通過以上的臺區(qū)線損數(shù)據(jù)原因分析可發(fā)現(xiàn)，線損率的成因通常與基礎(chǔ)數(shù)據(jù)有著緊密聯(lián)系，且在某種程度呈非線性。

2 支持向量機(jī)下的線損模型

2.1 支持向量機(jī)原理分析

支持向量機(jī)屬于一種機(jī)器學(xué)習(xí)類模型。SVM結(jié)構(gòu)遵循風(fēng)險(xiǎn)規(guī)避原則，通過高維變換對現(xiàn)實(shí)生活中存在的非線性問題進(jìn)行映射分類，從而在高位特征空間中找到最優(yōu)分類面，繼而得到變量與輸入輸出的關(guān)系[3]。

不同的核心函數(shù)，可得到不同的SVM。常用分類如下：

線性核函數(shù)K(x,y)=x×y；

多項(xiàng)式核函數(shù)K(x,y)=[(x×y)+1]d；

徑向核函數(shù)K(x,y)=exp(-|x-y|2/d2)；

二層神經(jīng)網(wǎng)絡(luò)核函數(shù)K(x,y)=tanh(a(x×y)+b)。

此外，SVM是建立在統(tǒng)計(jì)學(xué)基礎(chǔ)上的。因此，在進(jìn)行結(jié)構(gòu)風(fēng)險(xiǎn)最小分析時(shí)，根據(jù)樣本信息的復(fù)雜程度和信息量的大小，可以進(jìn)行模型樣本學(xué)習(xí)精度與學(xué)習(xí)深度的比例調(diào)整，從而獲得最佳的分析和推理能力[4-5]。SVM可以進(jìn)行多樣本的統(tǒng)計(jì)分類，歸一化后不同種類樣本將被幾何間隔分隔開來，分類如圖1所示。

圖1 歸一化二維樣本分類

對上述樣本集合(x,y)，x∈Rn，y∈R，i=1，…，n。線性回歸函數(shù)為

f(x)=wT×x+b

(1)

求其最優(yōu)解，再經(jīng)過最小二乘法轉(zhuǎn)換即可得到非線性預(yù)測表達(dá)式為

(2)

其中，k(x，xi)為核函數(shù)。

2.2 模型設(shè)計(jì)與應(yīng)用

基于上述非線性函數(shù)模型，以k(x，xi)為核函數(shù)建立線損診斷模型。仿真使用Matlab對模型進(jìn)行測試評估[6-10]。導(dǎo)入數(shù)據(jù)/建立SVM模型。通過數(shù)據(jù)庫導(dǎo)入臺區(qū)線損異常樣本數(shù)據(jù)集，根據(jù)前文描述的線損異常成因類型進(jìn)行標(biāo)簽設(shè)定，再運(yùn)行Matlab進(jìn)行數(shù)據(jù)集的矩陣歸一化。

表7 標(biāo)簽設(shè)定關(guān)系

綜合考慮核函數(shù)以及相關(guān)影響參數(shù)對模型性能可能存在的影響，文中采用交叉驗(yàn)證的方法來獲取最佳影響參數(shù)模型[11-14]。(1)仿真測試。對于采集的樣本分組進(jìn)行仿真測試，同時(shí)不同組間用交叉驗(yàn)證法找出影響參數(shù)的最佳模型；(2)性能評估。根據(jù)數(shù)據(jù)分組的隨機(jī)性，每次樣本的運(yùn)行結(jié)果均有所差別。綜合預(yù)測數(shù)據(jù)集，取平均值，得到測試過程的預(yù)測正確率為82.53%[15]。數(shù)據(jù)測試集預(yù)測結(jié)果，如表8所示。

表8 測試集預(yù)測結(jié)果與實(shí)際值對比

3 結(jié)束語

由于真實(shí)工作中環(huán)境因素的復(fù)雜性和線路的不確定性，造成線損的誘因在診斷模型中無法進(jìn)行完全的還原，82.53%的預(yù)測正確率不足以實(shí)現(xiàn)完備的線損分析和異常診斷。但在一定程度上，基于支持向量機(jī)的診斷模型將代替執(zhí)行大部分的線損分析工作，降低人工診斷的消耗，提升處理效率。此外，該種診斷管理模型還將隨著數(shù)據(jù)庫的擴(kuò)充和模型的深入化而具備更高的準(zhǔn)確性和時(shí)效性，其將成為專業(yè)線損分析人員的輔助工具和技術(shù)參考，為無序分布的臺區(qū)線損管理提供了一種規(guī)范化、流程化的高效途徑。

[1] Nello C,Johnshawe T.支持向量機(jī)導(dǎo)論[M].北京:電子工業(yè)出版社,2004.

[2] 祖凱濤,林卓瓊.配電網(wǎng)精細(xì)化線損計(jì)算及降損分析[J].陜西電力,2016,44(1):60-64.

[3] 王剛.基于支持向量機(jī)的滾動(dòng)軸承故障智能診斷研究[D].沈陽:沈陽工業(yè)大學(xué),2013.

[4] 徐玉秀,趙曉清,楊文平,等.多參數(shù)與多測點(diǎn)信息融合的行星輪故障診斷[J].儀器儀表學(xué)報(bào),2014,35(8):1789-1795.

[5] 趙曉清.風(fēng)力機(jī)組齒輪箱傳動(dòng)系統(tǒng)故障微弱信號特征識別方法研究[D].天津:天津工業(yè)大學(xué),2014.

[6] 閆蓓,王曉晶,蔣兆國.基于支持向量機(jī)回歸模型的視線定位算法研究[J].儀器儀表學(xué)報(bào),2014,35(10):2299-2305.

[7] 林國虎.基于支持向量機(jī)的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位方法研究[D].鎮(zhèn)江:江南大學(xué),2014.

[8] 黃悅,王強(qiáng),韓玲娟,等.基于支持向量機(jī)的分布式光纖泄漏檢測定位系統(tǒng)及實(shí)驗(yàn)分析[J].應(yīng)用光學(xué),2015,36(3):424-429.

[9] 張東東.基于遺傳算法的支持向量機(jī)分類算法[J].電子科技,2015,28(12):32-35.

[10] 李健坤,宋壽鵬,李建平,等.基于支持向量機(jī)的貫流風(fēng)葉葉片粘連缺陷診斷[J].電子科技,2016,29(11):154-156.

[11] 丁世飛,齊丙娟,譚紅艷.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報(bào),2011,40(1):2-10.

[12] Wang Haiyan,Li Jianhui,Yang Fenglei.支持向量機(jī)理論及算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究,2014,31(5):1281-1286.

[13] 郭明瑋,趙宇宙,項(xiàng)俊平,等.基于支持向量機(jī)的目標(biāo)檢測算法綜述[J].控制與決策,2014(2):193-200.

[14] 王振武,孫佳駿,于忠義,等.基于支持向量機(jī)的遙感圖像分類研究綜述[J].計(jì)算機(jī)科學(xué),2016,43(9):11-17.

[15] Suykens J A K,Vandewalle J.Least squares sup— port vector machine classifiers[J].Neural Processing Letters,2009,9(3):293-300.

Fault Diagnosis Model of Low Voltage Area Line Loss Management Based on Support Vector Machines

XIA Taoyong

(Ji’an Power Supply Branch,Jiangxi Electric Power Company,Ji’an 343000,China)

Line loss management and maintenance is the core work that affects the economic benefits of power supply enterprises. Due to a large number of distribution of low voltage units at the grass-roots level,the efficiency of the work is seriously affected by the lack of technical personnel and non-standard management. Aiming at this kind of problem,this paper introduces the support vector machines (SVM) method based on the traditional line area loss management,and combines the information management system to realize the fine model of line loss work. Through the establishment of the station line loss and abnormal diagnosis and analysis model,the scientific and standardized work management can be realized,and the management lag problem can be effectively solved,and the management efficiency of Taiwan district will be greatly improved.

tai-area line loss; support vector machines; diagnosis analysis; diagnosis model

TP391.4

A

1007-7820(2017)11-113-04

2017- 06- 23

夏桃勇(1984-)，男，工程師。研究方向：電力營銷管理,營銷技術(shù)。

10.16180/j.cnki.issn1007-7820.2017.11.031