基于深度學(xué)習(xí)的配電網(wǎng)線損異常檢測方法

［摘 要］配電網(wǎng)的線損異常檢測對于保障電網(wǎng)安全、優(yōu)化資源分配和提升服務(wù)質(zhì)量至關(guān)重要。傳統(tǒng)的線損分析方法在處理大規(guī)模數(shù)據(jù)集和識別復(fù)雜異常模式時存在局限性，針對這一問題，文章提出了一種基于深度學(xué)習(xí)的配電網(wǎng)線損異常檢測方法。該方法利用LSTM 對線損數(shù)據(jù)進行時序分析以捕捉數(shù)據(jù)的時空特征，實現(xiàn)對配電網(wǎng)線損的實時監(jiān)測和異常檢測。試驗結(jié)果表明，該方法具有較高的檢測精度和實時性，能有效識別出配電網(wǎng)中的線損異常，為配電網(wǎng)的優(yōu)化運行和管理提供了有力的技術(shù)支持。

［關(guān)鍵詞］深度學(xué)習(xí)；配電網(wǎng)；線損異常檢測；長短期記憶網(wǎng)絡(luò)

［中圖分類號］TM714.3 ［文獻標(biāo)志碼］A ［文章編號］2095–6487（2024）07–0129–03

1 線損異常診斷的背景與意義

配電網(wǎng)作為電力傳輸?shù)淖詈蟓h(huán)節(jié)，其線損管理對于提高能源利用效率、降低運營成本和保障供電質(zhì)量具有重要意義。線損異常通常指線損率顯著偏離正常范圍，可能是由于技術(shù)故障、操作失誤、計量錯誤、線路老化、非法竊電等因素所致。隨著現(xiàn)代電力系統(tǒng)的不斷發(fā)展，配電網(wǎng)的規(guī)模日益擴大，電能傳輸和分配過程中的線損問題也日益突出。線損不僅影響電力企業(yè)的經(jīng)濟效益，還可能對電力系統(tǒng)的安全穩(wěn)定運行造成威脅。而對配電網(wǎng)的線損異常進行診斷，對提高電力系統(tǒng)的經(jīng)濟效益及實現(xiàn)智能化管理十分重要。

2 線損異常診斷的原理及方法

2.1 線損異常診斷的原理

線損異常診斷原理主要基于配電網(wǎng)中電流與電壓之間的密切關(guān)系。一旦線路出現(xiàn)異常情況，這種關(guān)系便會發(fā)生顯著變化。

線損異常診斷可以分為兩個核心階段：①特征提取階段。主要對配電網(wǎng)的電流、電壓等關(guān)鍵數(shù)據(jù)進行采集和預(yù)處理，以提取出能夠反映線損異常的特征信號。這些特征信號可能包括功率因數(shù)、諧波等關(guān)鍵指標(biāo)。②異常診斷階段。利用之前提取的特征信號構(gòu)建相應(yīng)的模型，對配電網(wǎng)的狀態(tài)進行準(zhǔn)確判斷與分類。通過這一步驟能夠確定異常的具體原因，并據(jù)此提出針對性的解決方案。

2.2 線損異常診斷的方法

（1）傳統(tǒng)方法包括規(guī)則方法和模型方法。規(guī)則方法依賴于專家經(jīng)驗和預(yù)定義的規(guī)則集進行異常診斷。這種方法通?；谝幌盗械倪壿嫍l件和閾值來判斷線損是否異常。例如，如果檢測到某條線路的電流或電壓超出預(yù)設(shè)范圍，則可能認(rèn)為該線路存在異常。規(guī)則方法直觀且易于理解，適合快速布署。在某些簡單場景下，規(guī)則方法可能具有較高的準(zhǔn)確性。然而規(guī)則方法對于復(fù)雜和動態(tài)的異常情況處理能力較弱。

（2）模型方法利用數(shù)學(xué)和統(tǒng)計模型對配電網(wǎng)狀態(tài)進行建模和分析。常見的模型包括神經(jīng)網(wǎng)絡(luò)模型、決策樹模型和支持向量機模型等。這些方法通過提取電網(wǎng)數(shù)據(jù)中的特征訓(xùn)練模型，以識別異常模式。模型方法能夠處理復(fù)雜和動態(tài)的情況，對于非線性關(guān)系和非結(jié)構(gòu)化數(shù)據(jù)有較好的處理能力。通過大量數(shù)據(jù)的訓(xùn)練，模型方法可以實現(xiàn)較高的診斷準(zhǔn)確性。模型方法的建立和訓(xùn)練需要大量的數(shù)據(jù)和計算資源。對于某些特定場景，可能需要定制化的模型設(shè)計和優(yōu)化。

（3）基于深度學(xué)習(xí)的方法利用深度學(xué)習(xí)算法（如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等）對配電網(wǎng)數(shù)據(jù)進行特征提取和異常識別。通過訓(xùn)練大量的數(shù)據(jù)，深度學(xué)習(xí)模型能夠自動學(xué)習(xí)復(fù)雜的數(shù)據(jù)模式，并在新數(shù)據(jù)中識別出異常。深度學(xué)習(xí)模型能夠自動提取數(shù)據(jù)中的高級特征，避免了手動特征工程的繁瑣過程。對于大規(guī)模、高維度的數(shù)據(jù)，深度學(xué)習(xí)模型具有更好的處理能力和擴展性。隨著數(shù)據(jù)量的增加和模型的不斷優(yōu)化，深度學(xué)習(xí)方法的診斷準(zhǔn)確性有望進一步提高。深度學(xué)習(xí)模型的訓(xùn)練需要大量的標(biāo)記數(shù)據(jù)，且訓(xùn)練過程較為耗時。

在實際應(yīng)用中，傳統(tǒng)方法和基于深度學(xué)習(xí)的方法可以結(jié)合使用，以充分發(fā)揮各自的優(yōu)勢。例如，可以利用規(guī)則方法進行初步篩選和過濾，再使用深度學(xué)習(xí)模型進行的精確診斷，這樣可以提高診斷的效率和準(zhǔn)確性，更好地應(yīng)對復(fù)雜多變的配電網(wǎng)異常情況。

3 深度學(xué)習(xí)在配電網(wǎng)線損異常診斷中的應(yīng)用

（1）特征提取與自動學(xué)習(xí)。深度學(xué)習(xí)模型，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），能夠自動從配電網(wǎng)的實時監(jiān)測數(shù)據(jù)中提取關(guān)鍵特征。這些特征可能包括電壓波動、電流異常、功率因數(shù)變化等，它們對于識別線損異常至關(guān)重要。通過深度學(xué)習(xí)模型的訓(xùn)練，可以自動學(xué)習(xí)到這些特征，避免了傳統(tǒng)方法中需要手動設(shè)計和選擇特征的繁瑣過程。

（2）異常檢測與分類。深度學(xué)習(xí)模型能夠?qū)μ崛〉降奶卣鬟M行進一步的分析和處理，以實現(xiàn)對配電網(wǎng)線損異常的檢測和分類。例如，利用深度神經(jīng)網(wǎng)絡(luò)（DNN）或支持向量機（SVM）等模型，可以對特征進行分類，區(qū)分出正常狀態(tài)和異常狀態(tài)。同時，深度學(xué)習(xí)還可以識別不同類型的異常，如高損耗、低效率等，為后續(xù)的故障處理提供有力支持。

（3）預(yù)測與優(yōu)化。除了實時診斷外，深度學(xué)習(xí)還可以用于預(yù)測配電網(wǎng)的線損趨勢。通過對歷史數(shù)據(jù)的分析和學(xué)習(xí)，深度學(xué)習(xí)模型可以預(yù)測未來一段時間內(nèi)的線損情況，幫助電力系統(tǒng)提前進行調(diào)度和優(yōu)化。此外，深度學(xué)習(xí)還可以與大數(shù)據(jù)技術(shù)相結(jié)合，通過數(shù)據(jù)驅(qū)動的方法對配電網(wǎng)進行優(yōu)化，降低線損，提高能源利用效率。

（4）圖像識別與故障診斷。對于配電網(wǎng)中的設(shè)備故障，深度學(xué)習(xí)可以通過圖像識別技術(shù)進行診斷。例如，利用CNN 對設(shè)備表面進行圖像分析，可以自動識別出裂紋、磨損等故障特征，進而判斷設(shè)備是否存在線損異常。這種方法具有非接觸、高效、準(zhǔn)確等優(yōu)點，特別適用于復(fù)雜環(huán)境和難以人工檢測的情況。

4 基于LSTM的線損異常檢測方法研究

4.1 LSTM技術(shù)

長短期記憶網(wǎng)絡(luò)（Long Short–Term Memory，以下簡稱“LSTM”）是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu)，設(shè)計初衷是為了解決傳統(tǒng)RNN 在處理長序列時出現(xiàn)的梯度消失或爆炸問題。通過引入門控機制，LSTM 能夠更有效地控制信息的流動，從而更好地學(xué)習(xí)到序列數(shù)據(jù)中的長期依賴關(guān)系。LSTM 主要包括輸入門、遺忘門、輸出門。輸入門負(fù)責(zé)決定當(dāng)前時間步驟是否需要更新記憶單元中的信息，其通過一個sigmoid 函數(shù)將輸入和上一時間步驟的隱藏狀態(tài)作為輸入，輸出一個0～1的值，這個值決定了新輸入信息被保留到記憶單元中的程度。遺忘門決定是否從記憶單元中刪除信息，同樣使用sigmoid 函數(shù)來計算一個0～1的值，表示保留多少上一時間步驟的信息，這個值決定了記憶單元中已有的信息被保留或遺忘的程度。輸出門決定當(dāng)前時間步驟的隱藏狀態(tài)中包含多少記憶單元的信息。

4.2 基于LSTM的線損異常檢測方法

采用聚類和LSTM 算法結(jié)合，對配電網(wǎng)線損問題進行檢測，基于聚類算法的線損異常檢測方法是一種無監(jiān)督學(xué)習(xí)技術(shù)，其可以有效處理無標(biāo)簽數(shù)據(jù)并進行檢測，因此特別適用于尚未構(gòu)建完整線損異常數(shù)據(jù)集或處于電網(wǎng)建設(shè)初期的階段?？紤]到中低壓配網(wǎng)客戶用電行為的規(guī)律性和相似性，文章通過用戶集群辨識，將具有相似用電特征的客戶聚類在一起，從而進一步分析和識別潛在的線損異常問題。

以某臺區(qū)的數(shù)據(jù)為例，采用聚類方法對臺區(qū)數(shù)據(jù)進行采集，再利用長短時記憶網(wǎng)絡(luò)按照時間粒度對臺區(qū)的負(fù)荷進行預(yù)測，得到的實際值與預(yù)測值偏差作為異常的判斷依據(jù)。最后輸出異常結(jié)果，對檢測的準(zhǔn)確性評價。具體線損檢測模型流程為：電網(wǎng)臺區(qū)運行數(shù)據(jù)→確定模型的輸入及輸出變量→數(shù)據(jù)預(yù)處理→數(shù)據(jù)集劃分→算法超參數(shù)設(shè)置→深度LSTM 網(wǎng)絡(luò)訓(xùn)練→預(yù)測結(jié)果→線損異常診斷。

4.3 試驗結(jié)果

在粗時間粒度情況下，將每天作為一個時間間隔進行數(shù)據(jù)采集，將供電量、線路的長度與條數(shù)、配變?nèi)萘俊⒆儔浩髫?fù)載率和功率因數(shù)等關(guān)鍵參數(shù)作為模型的輸入特征，而對應(yīng)的線損率則作為模型的輸出目標(biāo)。共收集了2021 年3 月1—31 日這31 d 的運行數(shù)據(jù)，其中前29 d 的數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，而剩余的后2 d 數(shù)據(jù)則用于對模型進行線損率的預(yù)測，并隨后對預(yù)測結(jié)果的精確性進行了評估。將BP 人工神經(jīng)網(wǎng)絡(luò)、RBF 神經(jīng)網(wǎng)絡(luò)與LSTM網(wǎng)絡(luò)的預(yù)測結(jié)果進行對比，不同模型下的預(yù)測結(jié)果見表1。

從表1 可看出，LSTM 算法在把握待預(yù)測線損與眾多輸入特征之間的非線性關(guān)系方面表現(xiàn)出色，相較于BP 神經(jīng)網(wǎng)絡(luò)和RBF 神經(jīng)網(wǎng)絡(luò)，其預(yù)測準(zhǔn)確性更高。然而，在訓(xùn)練時間和預(yù)測時間方面，LSTM 算法所需時間明顯較長，隨著數(shù)據(jù)量的增加，其訓(xùn)練和預(yù)測時間都會進一步延長。盡管如此，總體時間仍能控制在1 min 以內(nèi)，且準(zhǔn)確率能夠滿足線損分析的要求。因此，在考慮預(yù)測準(zhǔn)確性和時間效率的綜合權(quán)衡下，LSTM算法在粗時間粒度下的線損預(yù)測中具有一定的優(yōu)勢。

5 結(jié)束語

基于深度學(xué)習(xí)的配電網(wǎng)線損異常檢測方法，避免了傳統(tǒng)方法中需要手動設(shè)計特征的繁瑣過程，能夠有效提高線損異常檢測的準(zhǔn)確性和效率，為配電網(wǎng)的安全穩(wěn)定運行提供了有力支持。但其仍存在一些挑戰(zhàn)和限制。此外，對于某些特定場景或異常情況，可能還需要結(jié)合其他方法進行綜合診斷。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展和完善，深度學(xué)習(xí)方法將在未來配電網(wǎng)領(lǐng)域發(fā)揮更加重要的作用，為電力系統(tǒng)的安全、穩(wěn)定和經(jīng)濟運行提供有力保障。

參考文獻

[1] 郭勇. 基于大數(shù)據(jù)的配電網(wǎng)運行線損異常診斷研究[J]. 現(xiàn)代工業(yè)經(jīng)濟和信息化，2023，13（9）：297-299.

[2] 賀林曉. 基于人工智能的線損數(shù)據(jù)異常檢測模型學(xué)習(xí)方法構(gòu)建[J]. 建設(shè)科技，2023（24）：101-103.

[3] 羅霖. 基于深度學(xué)習(xí)的配電網(wǎng)線損異常檢測方法研究[D].青島：中國石油大學(xué)（華東），2021.

[4] 王巨灝，蔡嘉輝，王琨，等. 基于KNN 與LOF 算法的臺區(qū)線損異常檢測[J]. 電工技術(shù)，2021（24）：175-177.

[5] 程慧，王鏡芳，胡程平，等. 基于數(shù)據(jù)挖掘技術(shù)的低壓臺區(qū)線損檢測研究[J]. 計算技術(shù)與自動化，2021，40（2）：61-65.