基于多任務(wù)輔助學(xué)習(xí)的全景感知低電壓監(jiān)測(cè)技術(shù)及應(yīng)用

摘" 要：針對(duì)目前配網(wǎng)低電壓數(shù)據(jù)量大且零散，提取數(shù)據(jù)特征效率低下且分析定位能力較差等問(wèn)題，該文基于多任務(wù)輔助學(xué)習(xí)構(gòu)建全景感知低電壓監(jiān)測(cè)模型。提出一種基于DBSCAN聚類的電力客戶分群方法，實(shí)現(xiàn)高效、準(zhǔn)確的電力客戶分群。構(gòu)建一種基于多任務(wù)輔助學(xué)習(xí)的配網(wǎng)低電壓成因分析模型，將BiGRU與多任務(wù)學(xué)習(xí)有機(jī)結(jié)合，面對(duì)復(fù)雜的電力數(shù)據(jù)也能有效地定位引發(fā)配網(wǎng)低電壓的原因。結(jié)果表明，實(shí)現(xiàn)低電壓智能分級(jí)可以更好地進(jìn)行配網(wǎng)低電壓可視化監(jiān)測(cè)，模型的構(gòu)建可大大提升低電壓成因分析的效率與準(zhǔn)確性。

關(guān)鍵詞：低電壓；全景感知；DBSCAN；多任務(wù)輔助學(xué)習(xí)；BiGRU

中圖分類號(hào)：TM714" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：2095-2945（2024）35-0094-04

Abstract： Aiming at the current problems of large and scattered low voltage data in distribution networks， inefficient data feature extraction， and poor analysis and location capabilities， this paper builds a panoramic sensing low voltage monitoring model based on multi-task assisted learning. A power customer clustering method based on DBSCAN clustering is proposed to achieve efficient and accurate power customer clustering. A multi-task assisted learning based analysis model for the causes of low voltage in the distribution network is constructed. It organically combines BiGRU with multi-task learning to effectively locate the causes of low voltage in the distribution network in the face of complex power data. The results show that realizing intelligent classification of low voltages can better perform visual monitoring of low voltages in the distribution network， and the construction of the model greatly improves the efficiency and accuracy of the analysis of the causes of low voltages.

Keywords： low voltage; panoramic sensing; DBSCAN; multi-task assisted learning; BiGRU

近年來(lái)，隨著城鄉(xiāng)用電戶數(shù)及負(fù)荷持續(xù)增加，農(nóng)田灌溉、農(nóng)業(yè)生產(chǎn)及充電設(shè)備大規(guī)模接入，造成末端用戶低電壓?jiǎn)栴}顯著增長(zhǎng)，給用戶的生產(chǎn)和生活帶來(lái)嚴(yán)重影響，問(wèn)題主要表現(xiàn)為供電線路線徑小、供電半徑長(zhǎng)、抗災(zāi)害能力差和低壓設(shè)備運(yùn)維不到位等[1]。因此，亟需提升對(duì)低電壓工單、電網(wǎng)設(shè)備、服務(wù)資源的高效管理與業(yè)務(wù)支撐能力。

目前，配網(wǎng)低電壓數(shù)據(jù)量大且零散，通過(guò)人工方式提取數(shù)據(jù)特征的工作量過(guò)于龐大，且無(wú)法精準(zhǔn)提取數(shù)據(jù)的有效特征，同時(shí)，現(xiàn)有研究較少考慮特征之間的關(guān)聯(lián)，從而導(dǎo)致分析定位能力較差，難以精準(zhǔn)定位配網(wǎng)低電壓的具體原因[2-4]。故本文基于DBSCAN聚類方法，提出了一種可以實(shí)現(xiàn)高效、準(zhǔn)確的電力客戶分群的智能分級(jí)模型，同時(shí)將BiGRU與多任務(wù)學(xué)習(xí)有機(jī)結(jié)合，構(gòu)建基于多任務(wù)輔助學(xué)習(xí)的配網(wǎng)低電壓成因分析模型，該模型充分利用了BiGRU在時(shí)序信息捕獲方面的能力和多任務(wù)學(xué)習(xí)中信息共享及關(guān)聯(lián)關(guān)系學(xué)習(xí)的優(yōu)勢(shì)，實(shí)現(xiàn)配網(wǎng)低電壓成因的精準(zhǔn)識(shí)別，提升了低電壓監(jiān)測(cè)技術(shù)的效率與精確率。

1" 構(gòu)建低電壓智能分級(jí)模型

1.1" 數(shù)據(jù)預(yù)處理與特征提取

在進(jìn)行聚類分析之前，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。本文研究中，結(jié)合數(shù)據(jù)集中存在的一些問(wèn)題，對(duì)于數(shù)據(jù)的預(yù)處理主要包括填補(bǔ)缺失值、數(shù)據(jù)類型轉(zhuǎn)換、提取特征值和標(biāo)準(zhǔn)化處理等操作，對(duì)數(shù)據(jù)進(jìn)行一些必要的轉(zhuǎn)換，以便于后續(xù)的建模和分析。

1.1.1" 缺失值處理

數(shù)據(jù)缺失值會(huì)對(duì)數(shù)據(jù)分析或挖掘的結(jié)果產(chǎn)生影響。數(shù)據(jù)缺失值的處理通常采取刪除法和填充法。本文研究的數(shù)據(jù)集中有缺失值，主要存在于用電時(shí)刻屬性中。若部分用戶存在某一時(shí)刻的數(shù)據(jù)缺失，為避免空值導(dǎo)致數(shù)據(jù)計(jì)算有誤或者刪除客戶值造成樣本損失帶來(lái)的影響，對(duì)缺失數(shù)據(jù)用數(shù)值0進(jìn)行填充。

1.1.2" 異常值處理

針對(duì)超出正常范圍的異常值，采用數(shù)據(jù)平滑法來(lái)統(tǒng)一處理。

1.1.3" 數(shù)據(jù)類型轉(zhuǎn)換

數(shù)據(jù)類型轉(zhuǎn)換是將數(shù)據(jù)源的數(shù)據(jù)類型統(tǒng)一轉(zhuǎn)換為一種兼容的數(shù)據(jù)類型。

1.1.4" 特征值提取

特征值提取是從原始數(shù)據(jù)中選擇或構(gòu)造出有用的特征來(lái)降低數(shù)據(jù)的維度，減少計(jì)算量。通過(guò)多層次提煉數(shù)據(jù)，提高模型的泛化能力。

首先，結(jié)合供電公司對(duì)客戶分析的要求，確定電力客戶聚類分群這一中心議題，讓參與會(huì)議的人員交換相互之間的信息，進(jìn)行頭腦風(fēng)暴，初步選出備選特征值；其次，再對(duì)所有備選特征值進(jìn)行整理、分析、篩選及合并同類項(xiàng)；最后，聘請(qǐng)有關(guān)的電力資深專家進(jìn)行專家評(píng)審，經(jīng)過(guò)多次比選，確定數(shù)據(jù)集的特征值。

1.1.5" 標(biāo)準(zhǔn)化處理

標(biāo)準(zhǔn)化處理是對(duì)數(shù)據(jù)進(jìn)行線性或非線性的變換，使其符合標(biāo)準(zhǔn)正態(tài)分布或者映射到指定的區(qū)間內(nèi)，以消除量綱、量級(jí)和分布的影響。由于本文研究的數(shù)據(jù)集中，存在極端最大值和最小值的情況，因此，對(duì)特征值進(jìn)行標(biāo)準(zhǔn)化處理時(shí)采用了Z-Score標(biāo)準(zhǔn)化的方法。

1.2" 模型的構(gòu)建

1.2.1" DBSCAN聚類算法

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法是基于密度的聚類算法，常用于非線性或非球面數(shù)據(jù)集。DBSCAN算法主要有領(lǐng)域半徑（Eps）和最小點(diǎn)數(shù)（MinPts）2個(gè)參數(shù)，其值不同，聚類的結(jié)果也往往不同。具體步驟如下。

1）任意選取一個(gè)點(diǎn)p，并得到所有從p關(guān)于？著和MinPts密度可達(dá)的點(diǎn)。

如果p是一個(gè)核心點(diǎn)，則找到一個(gè)聚類。

如果p是一個(gè)邊界點(diǎn)，沒(méi)有從p密度可達(dá)的點(diǎn)，DBSCAN 將訪問(wèn)數(shù)據(jù)集中的下一個(gè)點(diǎn)。

2）繼續(xù)這一過(guò)程，直到數(shù)據(jù)集中的所有點(diǎn)都被處理。

1.2.2" 模型構(gòu)建

先自定義DBSCAN聚類算法中的2個(gè)參數(shù)：領(lǐng)域半徑（Eps）和最小點(diǎn)數(shù)（MinPts），然后將標(biāo)準(zhǔn)化后的數(shù)據(jù)放在DBSCAN聚類算法中進(jìn)行訓(xùn)練。不同的Eps和MinPts，會(huì)得到不同的模型?！癱luster_db”表示聚類的類別，數(shù)值-1表示噪聲點(diǎn)類，屬于偏離類數(shù)據(jù)，其他非負(fù)數(shù)值表示某一聚類群。當(dāng)Eps=0.004，MinPts=10時(shí)，其聚類結(jié)果見(jiàn)表1。

1.3" 實(shí)驗(yàn)與結(jié)果分析

1.3.1" 實(shí)驗(yàn)環(huán)境設(shè)計(jì)

實(shí)驗(yàn)采用由1個(gè)master主節(jié)點(diǎn)和3個(gè)工作節(jié)點(diǎn)組成的Spark集群。Client是用來(lái)執(zhí)行Spark任務(wù)中的main方法，也是作為Spark的驅(qū)動(dòng)器節(jié)點(diǎn)，從Client向Master提交任務(wù)；Executor主要負(fù)責(zé)運(yùn)行組成Spark中的應(yīng)用任務(wù)task，將數(shù)據(jù)存在內(nèi)盤或磁盤中，再將結(jié)果返回給Client驅(qū)動(dòng)器進(jìn)程。

1.3.2" 模型評(píng)估與結(jié)果分析

輪廓系數(shù)（Silhouette Coefficient）是聚類算法的常見(jiàn)評(píng)估方法，體現(xiàn)簇的密集與分散程度，是一個(gè)較為合適的評(píng)價(jià)指標(biāo)。輪廓系數(shù)的值介于-1和1之間，該值越接近于1，說(shuō)明簇越緊湊，聚類越好。

經(jīng)分析，當(dāng)Eps為0.006，MinPts為10時(shí)，整體聚類效果較好。此時(shí)聚類數(shù)目為5類，其中類別1為噪聲點(diǎn)類別，本文不作深入分析；類別2為標(biāo)準(zhǔn)差相對(duì)較小，且其他特征值較為穩(wěn)定的用電客戶；類別3為標(biāo)準(zhǔn)差相對(duì)較大，低谷段用電負(fù)荷極低，高峰段用電負(fù)荷略低于平段用電負(fù)荷的用電客戶；類別4為低谷段用電負(fù)荷明顯高于高峰段和平段的用電客戶；類別5為標(biāo)準(zhǔn)差極大，用電負(fù)荷不穩(wěn)定，且工作日用電均值和周末用電均值的用電負(fù)荷較為不穩(wěn)定的用電客戶。

無(wú)論是在工作日還是周末，無(wú)論是高峰段、平段還是低谷段，類別2的用電負(fù)荷都較為穩(wěn)定，可以正常供電；類別3、類別4、類別5用電負(fù)荷不穩(wěn)定，可以根據(jù)高峰段、平段、低谷段的用電負(fù)荷量進(jìn)行適當(dāng)?shù)恼{(diào)整，錯(cuò)峰供電，對(duì)這些客戶提供個(gè)性化和精準(zhǔn)化的供電服務(wù)。

2" 構(gòu)建低電壓成因分析模型

2.1" 配網(wǎng)低電壓成因分析模型

2.1.1" 輸入層

由于配網(wǎng)低電壓用戶數(shù)據(jù)和配網(wǎng)低電壓相關(guān)數(shù)據(jù)是2個(gè)獨(dú)立的數(shù)據(jù)集，無(wú)法直接作為模型的輸入。本文利用配網(wǎng)低電壓用戶數(shù)據(jù)，對(duì)配網(wǎng)低電壓相關(guān)數(shù)據(jù)中的電流、電壓等數(shù)據(jù)進(jìn)行關(guān)聯(lián)操作。與此同時(shí)，為了確保數(shù)據(jù)的完整性和一致性，進(jìn)行預(yù)處理操作，經(jīng)過(guò)預(yù)處理后的數(shù)據(jù)會(huì)作為模型的輸入X，設(shè)序列為n的輸入數(shù)據(jù)X=[x1，x2，x3，…，xn]。

2.1.2" BiGRU共享層

首先，經(jīng)過(guò)輸入層處理后的數(shù)據(jù)X，將作為BiGRU共享層的輸入，數(shù)據(jù)進(jìn)入BiGRU共享層之后，將分別輸送到正向GRU神經(jīng)元和反向GRU神經(jīng)元中，先經(jīng)過(guò)GRU中的重置門和更新門，利用配網(wǎng)低電壓數(shù)據(jù)樣本在當(dāng)前時(shí)間步t的時(shí)序特征Xt和上一個(gè)時(shí)間步t-1的隱藏狀態(tài)Ht-1，得到保留部分隱藏狀態(tài)Ht-1后的重置特征Rt及替換部分當(dāng)前狀態(tài)Xt后的更新特征Zt，如式（1）、（2）所示。

， （1）

， （2）

式中：Ｗxr、Ｗhr、Ｗxz、Ｗhz為權(quán)重矩陣；bz和br為偏置。

其次，重置特征Rt和更新特征Zt再結(jié)合上一個(gè)時(shí)間步t-1的隱藏狀態(tài)Ht-1，得到配網(wǎng)低電壓數(shù)據(jù)樣本時(shí)間步t的候選隱藏信息t，與此同時(shí)，將配網(wǎng)低電壓數(shù)據(jù)樣本在時(shí)間步t的重置特征Rt、更新特征Zt及候選隱藏信息t進(jìn)行整合操作，得到配網(wǎng)低電壓數(shù)據(jù)樣本在時(shí)間步t的時(shí)序特征Ht。

最后，將前向GRU神經(jīng)元和反向GRU神經(jīng)元計(jì)算得到的時(shí)序特征t和t合并，得到配網(wǎng)低電壓數(shù)據(jù)樣本最終的雙向時(shí)序特征" "，如式（3）、（4）及（5）所示。

， （3）

， （4）

， （5）

式中：Ｗxh、Ｗhh為權(quán)重矩陣；bh為偏置；⊙為向量間的點(diǎn)乘；tanh為激活函數(shù)；t、t分別為前向GRU神經(jīng)元和反向GRU神經(jīng)元計(jì)算得到的時(shí)序特征。

2.1.3" 多任務(wù)輔助訓(xùn)練層

為了挖掘并學(xué)習(xí)各原因間的關(guān)聯(lián)特征，本文模型設(shè)置了7個(gè)輔助任務(wù)幫助提高主任務(wù)的泛化能力。其中，主任務(wù)為獲得引起配網(wǎng)低電壓的7種原因（臺(tái)區(qū)出口側(cè)配網(wǎng)低電壓、無(wú)功補(bǔ)償不足、三相電流不平衡、配變重過(guò)載、戶均容量小、供電半徑大和低壓線路線徑細(xì)）的主成因。輔助任務(wù)分別為：獲得由臺(tái)區(qū)出口側(cè)配網(wǎng)低電壓引起配網(wǎng)低電壓的概率；獲得由無(wú)功補(bǔ)償不足引起配網(wǎng)低電壓的概率；獲得由三相電流不平衡引起配網(wǎng)低電壓的概率；獲得由配變重過(guò)載引起配網(wǎng)低電壓的概率；獲得由戶均容量小引起配網(wǎng)低電壓的概率；獲得由供電半徑大引起配網(wǎng)低電壓的概率；獲得由低壓線路線徑細(xì)引起配網(wǎng)低電壓的概率。

從BiGRU共享層學(xué)習(xí)的雙向時(shí)序特征" 在全連接層中對(duì)主任務(wù)進(jìn)行輔助特征融合和降維運(yùn)算，對(duì)子任務(wù)進(jìn)行降維運(yùn)算。

經(jīng)過(guò)全連接層運(yùn)算后的雙向時(shí)序特征將作為任務(wù)層的輸入，并在任務(wù)層中利用softmax激活函數(shù)，計(jì)算降維后配網(wǎng)低電壓數(shù)據(jù)特征的類別概率分布yt，并對(duì)yt進(jìn)行最大值的下標(biāo)取值操作，得到預(yù)測(cè)結(jié)果ypredict。

得到預(yù)測(cè)結(jié)果ypredict之后，將利用交叉熵?fù)p失函數(shù)計(jì)算主任務(wù)和各子任務(wù)的預(yù)測(cè)結(jié)果ypredict與真實(shí)結(jié)果ytrue之間的誤差LOSSi，并根據(jù)主任務(wù)和各子任務(wù)的損失權(quán)重Wi，對(duì)主任務(wù)和各子任務(wù)的損失加權(quán)求和，計(jì)算模型的整體損失TotalLoss。在TotalLoss反向傳播過(guò)程中，各任務(wù)的全連接網(wǎng)絡(luò)會(huì)與BiGRU共享層之間進(jìn)行參數(shù)交互，共同優(yōu)化模型參數(shù)，尋求模型最優(yōu)解，促使模型學(xué)習(xí)更好表征。

2.2" 實(shí)驗(yàn)及分析

2.2.1" 數(shù)據(jù)集及數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)使用的數(shù)據(jù)來(lái)自于本市電網(wǎng)獲取的配網(wǎng)低電壓數(shù)據(jù)集，通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行缺失數(shù)據(jù)填充、異常數(shù)值替換及單位統(tǒng)一等操作，構(gòu)建了用于本實(shí)驗(yàn)的無(wú)標(biāo)簽原始數(shù)據(jù)集。

由于原始數(shù)據(jù)的局限性，本項(xiàng)目?jī)H針對(duì)臺(tái)區(qū)出口側(cè)配網(wǎng)低電壓、配變重載、配變過(guò)載、無(wú)功補(bǔ)償不足和三相電流不平衡5種原因進(jìn)行分析。

2.2.2" 實(shí)驗(yàn)環(huán)境及超參設(shè)置

本項(xiàng)目實(shí)驗(yàn)使用12th Gen Intel（R） Core（TM） i7-12700 2.10 GHz處理器，NVIDIA RTX 2080Ti顯卡，在Anaconda（基于python3.8）環(huán)境下進(jìn)行。同時(shí)，將數(shù)據(jù)集的80%劃分為訓(xùn)練集，20%劃分為驗(yàn)證集，BiGRU的層數(shù)設(shè)置為4層，每層128個(gè)神經(jīng)元，使用Adam優(yōu)化更新網(wǎng)絡(luò)參數(shù)，初始學(xué)習(xí)率為0.001，訓(xùn)練輪數(shù)為500輪。

2.2.3" 評(píng)價(jià)指標(biāo)

由于5種原因的數(shù)據(jù)占比分布非常不平衡，評(píng)估指標(biāo)只采用準(zhǔn)確率（Accuracy）是不可靠的，故本文實(shí)驗(yàn)又加入了精確度（Precision）、綜合指標(biāo)F1-score及Recall等適用于數(shù)據(jù)分布不平衡情況的評(píng)估指標(biāo)，用來(lái)綜合評(píng)估模型分析定位引發(fā)配網(wǎng)低電壓原因的能力。

Accuracy代表被正確分類的樣本總數(shù)占總樣本數(shù)的比例；Precision代表精確度，表示真實(shí)正樣本占預(yù)測(cè)為正樣本的比例；Recall代表召回率，表示正樣本被正確分類的樣本總數(shù)占正樣本總數(shù)的比例；F1-score代表Precision和Recall的調(diào)和平均，越趨近于1表示分類的綜合性能越好。

2.2.4" 實(shí)驗(yàn)與結(jié)果分析

1）損失占比分析。為促進(jìn)模型更好地理解任務(wù)之間的關(guān)聯(lián)性、平衡各任務(wù)對(duì)模型的影響，并提升模型性能，本文對(duì)比了各任務(wù)在不同損失占比情況下模型的性能。

當(dāng)主任務(wù)的損失占比在0.90及以上時(shí)，模型的各項(xiàng)評(píng)估指標(biāo)都很出色，都在95%以上，其中，當(dāng)各輔助任務(wù)損失占比分別為0.005、0.015、0.05、0.01和0.02時(shí)，模型的準(zhǔn)確率、召回率、F1-score達(dá)到最高，分別為95.58%、95.58%、95.41%；而當(dāng)主任務(wù)和輔助任務(wù)的損失占比分別為0.80、0.03、0.03、0.08、0.03和0.03時(shí)，模型的各項(xiàng)評(píng)估指標(biāo)達(dá)到最低，相比最高值分別下降1.35%、1.12%、1.35%和1.17%。出現(xiàn)這種情況，原因在于輔助任務(wù)損失占比偏多且各輔助任務(wù)的占比分配不合理，致使模型的性能下降。

2）消融分析。針對(duì)本文提出的多任務(wù)輔助學(xué)習(xí)模塊進(jìn)行消融分析。本文通過(guò)實(shí)驗(yàn)對(duì)比添加輔助任務(wù)與不添加輔助任務(wù)的損失和準(zhǔn)確率，可得模型在添加輔助任務(wù)的情況下，模型的準(zhǔn)確率比未添加輔助任務(wù)的準(zhǔn)確率整體偏高。與此同時(shí)，在前200輪的訓(xùn)練中，添加輔助任務(wù)的模型損失比未添加輔助任務(wù)的模型損失整體偏大，且損失下降速度相比較慢；而從200輪以后，添加輔助任務(wù)的模型損失比未添加輔助任務(wù)的模型損失普遍偏小，并且損失下降的速度比其更快。

此外，還將本項(xiàng)目提出的模型與GRU、LSTM、BiLSTM、CNN和RNN 5種分類模型進(jìn)行對(duì)比實(shí)驗(yàn)，得到的模型分類結(jié)果見(jiàn)表2。

由表2可以看出，本文采用的模型分類效果普遍高于其余5種分類模型，具有更好的泛化能力。

3" 結(jié)束語(yǔ)

綜上所述，在配電網(wǎng)供電中，低電壓屬于較為常見(jiàn)的問(wèn)題，但其較容易影響到用戶的正常用電，甚至對(duì)用戶的用電設(shè)備造成損害，為了提升配網(wǎng)低電壓成因分析的效率與精確程度，本文基于多任務(wù)輔助學(xué)習(xí)研究了全景感知低電壓監(jiān)測(cè)技術(shù)。研究結(jié)果表明，該監(jiān)測(cè)模型可實(shí)現(xiàn)高效、準(zhǔn)確的電力客戶分群，面對(duì)復(fù)雜的電力數(shù)據(jù)能有效地定位引發(fā)配網(wǎng)低電壓的原因，給相關(guān)部門提供更加精準(zhǔn)的結(jié)果。

參考文獻(xiàn)：

[1] 陳光明.配電線路低電壓?jiǎn)栴}分析及綜合治理方案研究[J].電氣技術(shù)與經(jīng)濟(jì)，2023（10）：1-3.

[2] 曾小剛，歐陽(yáng)安妮.配電網(wǎng)低電壓成因分析及治理措施[J].科技創(chuàng)新與應(yīng)用，2022，12（8）：108-110.

[3] 夏得青，向星宇，李寬龍，等.農(nóng)村配電網(wǎng)低電壓治理研究進(jìn)展[J].電氣技術(shù)，2023，24（6）：1-5.

[4] 王小虎，戴喬旭.低電壓?jiǎn)栴}成因分析及措施制定系統(tǒng)的設(shè)計(jì)[J].機(jī)電工程技術(shù)，2022，51（12）：238-240，256.