（國(guó)網(wǎng)浙江海鹽縣供電有限公司，浙江 嘉興 314300）

0 引言

配電網(wǎng)同期線損異常治理作為“分區(qū)、分壓、分線、分臺(tái)區(qū)”同期線損監(jiān)測(cè)治理工作中重要一環(huán)，目前正面臨著多方面挑戰(zhàn)。其中10（20）kV分線線損分析工作為配電線路同期線損異常治理的重要內(nèi)容[1]。PMS2.0 系統(tǒng)中的拓?fù)潢P(guān)系是線損率的計(jì)算基礎(chǔ)，也關(guān)系到現(xiàn)場(chǎng)電力線損治理作業(yè)人員的安全。在實(shí)際配電網(wǎng)拓?fù)洚惓５闹卫磉^(guò)程中，線損治理人員需要查詢電網(wǎng)GIS（地理信息系統(tǒng)）、PMS2.0 系統(tǒng)、用電采集系統(tǒng)、營(yíng)銷業(yè)務(wù)系統(tǒng)等系統(tǒng)，提取圖形信息、檔案信息、電量負(fù)荷等多源數(shù)據(jù)，對(duì)不合理線損率進(jìn)行判斷。線路拓?fù)洚惓｜c(diǎn)分析對(duì)線損管理人員業(yè)務(wù)和數(shù)據(jù)分析處理能力要求極高，同時(shí)存在基礎(chǔ)數(shù)據(jù)量大、拓?fù)洚惓Ｔ\斷分析復(fù)雜和排查難度較高等問(wèn)題，目前缺少量化分析和綜合分析的手段[2]。

目前有關(guān)電網(wǎng)拓?fù)洚惓５膰?guó)內(nèi)研究較少，從管理和理論角度說(shuō)明配電網(wǎng)拓?fù)洚惓?duì)線損率影響的分析流程和處理策略，沒(méi)有依靠數(shù)據(jù)搭建基于大數(shù)據(jù)的數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)模型并提出有效的解決方法[3]。

為此，本文從實(shí)際應(yīng)用場(chǎng)景出發(fā)，首先分析了浙江省嘉興海鹽地區(qū)的中壓線損異常原因，針對(duì)配電網(wǎng)線路拓?fù)洚惓Ｔ斐膳_(tái)區(qū)線損異常的情況進(jìn)行分析，通過(guò)大數(shù)據(jù)挖掘技術(shù)，協(xié)同營(yíng)配專業(yè)合理分工，充分挖掘每條10（20）kV 配電線路拓?fù)洚惓５臄?shù)據(jù)價(jià)值。以機(jī)器學(xué)習(xí)算法為基礎(chǔ)，規(guī)則引擎為補(bǔ)充，構(gòu)建了線變關(guān)系、雙電源和線路轉(zhuǎn)供3 個(gè)子分析模型，并使用浙江某市的現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行模型驗(yàn)證。結(jié)果表明本模型可以有效的識(shí)別定位配電網(wǎng)拓?fù)洚惓?，減少配電網(wǎng)中高損、負(fù)損線路，大大縮短了人工排查時(shí)間和精力，大幅提升線損異常排查效率，夯實(shí)基礎(chǔ)數(shù)據(jù)質(zhì)量管理，成為泛在電力物聯(lián)網(wǎng)的建設(shè)應(yīng)用典型。

1 配電網(wǎng)線損異常分析

經(jīng)過(guò)調(diào)研，2018 年海鹽公司共有公用配電網(wǎng)線路220 條，全年累計(jì)發(fā)生線路“負(fù)損、高損”495 起，其中409 起為線路拓?fù)洚惓Ｒ穑急雀哌_(dá)82.63%，強(qiáng)化線損拓?fù)洚惓Ｖ卫砥仍诿冀蕖?/p>

傳統(tǒng)治理模式以人工排查為主，手段有限，數(shù)據(jù)量大，異常排查無(wú)目的性，診斷工作復(fù)雜，治理效果差[4-5]。結(jié)合大數(shù)據(jù)挖掘我們發(fā)現(xiàn)：線變關(guān)系異常、雙電源問(wèn)題、轉(zhuǎn)供是3 種常見(jiàn)配電網(wǎng)拓?fù)洚惓！?/p>

線路-變壓器問(wèn)題是線路在建檔和運(yùn)維過(guò)程中，檔案記錄未及時(shí)更新等原因，導(dǎo)致10 kV 線路與變壓器對(duì)應(yīng)關(guān)系混亂，存在異常（簡(jiǎn)稱線變關(guān)系異常）。

雙電源問(wèn)題是指一個(gè)高壓用戶存在兩個(gè)或多個(gè)計(jì)量點(diǎn)，每個(gè)計(jì)量點(diǎn)分別對(duì)應(yīng)著一條線路[6]。由于現(xiàn)場(chǎng)實(shí)際操作和系統(tǒng)檔案錄入等方面出入，導(dǎo)致線路與計(jì)量點(diǎn)關(guān)系錯(cuò)誤。

轉(zhuǎn)供則是一種倒閘操作，需要線路停電對(duì)設(shè)備進(jìn)行檢修時(shí)，為了保證供電可靠性，電力人員會(huì)切換配電變壓器或?qū)Ｗ冇脩舻墓╇娋€路，稱為倒閘。轉(zhuǎn)供倒閘操作通常是臨時(shí)性操作，會(huì)導(dǎo)致檔案數(shù)據(jù)變化，從而影響線損計(jì)算或配電線路相關(guān)的分析[7-8]。因此，需要從運(yùn)行數(shù)據(jù)的變化特征上進(jìn)行分析，識(shí)別轉(zhuǎn)供的情況。

在本文統(tǒng)稱為配電網(wǎng)拓?fù)洚惓＃鐖D1 所示。實(shí)際場(chǎng)景中原屬于線路A 的變壓器A3，A4轉(zhuǎn)移到線路B，而系統(tǒng)計(jì)算線損時(shí)，按照原先檔案拓?fù)溆?jì)算，則線路A 會(huì)發(fā)生大損，線路B 會(huì)發(fā)生負(fù)損的情況。將直接導(dǎo)致供電企業(yè)對(duì)每條線路的成本核算錯(cuò)誤，影響供電企業(yè)的正常經(jīng)營(yíng)和長(zhǎng)期規(guī)劃[9]。線路停電時(shí)無(wú)法及時(shí)告知用電客戶，造成用電客戶的經(jīng)濟(jì)損失。

圖1 配電網(wǎng)拓?fù)洚惓?/p>

2 配電網(wǎng)拓?fù)洚惓ＤＰ?/h2>

上一章對(duì)海鹽地區(qū)中壓線損原因進(jìn)行調(diào)研，根據(jù)調(diào)研結(jié)果，建立適用于海鹽地區(qū)的配電網(wǎng)臺(tái)區(qū)線損智能診斷模型，基于運(yùn)行數(shù)據(jù)的配電線變關(guān)系分析，雙電源分析和線路轉(zhuǎn)供分析3 個(gè)模型如圖2 所示。

圖2 多維特征量融合配電網(wǎng)拓?fù)洚惓ＤＰ?/p>

本研究對(duì)浙江省某市2 527 條線路，35 841個(gè)公變和25 574 個(gè)專變用戶進(jìn)行建模，結(jié)合電力營(yíng)銷系統(tǒng)，用電信息采集系統(tǒng)和調(diào)度OPEN3000等系統(tǒng)，獲取運(yùn)行數(shù)據(jù)如：負(fù)荷、電量、電壓、線路日電量和線損率等，根據(jù)設(shè)備采集狀態(tài)對(duì)數(shù)據(jù)異常值和缺失值過(guò)濾篩選處理，剔除電壓數(shù)據(jù)中非整時(shí)刻（15，30，45）的數(shù)據(jù)，確保采集電量數(shù)據(jù)、負(fù)荷數(shù)據(jù)的準(zhǔn)確性，匯總、關(guān)聯(lián)有效的信息進(jìn)行數(shù)據(jù)挖掘。

2.1 基于運(yùn)行數(shù)據(jù)的線變關(guān)系異常分析

本文在長(zhǎng)期穩(wěn)定運(yùn)行的線路中，選擇10 546個(gè)公變臺(tái)區(qū)和高壓用戶作為基礎(chǔ)樣本。根據(jù)2019年現(xiàn)場(chǎng)已核實(shí)發(fā)生過(guò)檔案異常的變壓器中，隨機(jī)選擇282 個(gè)公變或?qū)Ｗ優(yōu)楫惓颖?，其余未發(fā)生過(guò)檔案異常的變壓器為正常樣本。

2.1.1 樣本特征構(gòu)造

基于供電企業(yè)現(xiàn)有采集數(shù)據(jù)進(jìn)行樣本特征構(gòu)造，從用電信息采集系統(tǒng)中獲取配電變壓器的負(fù)荷數(shù)據(jù)，如電壓、電流、功率等數(shù)據(jù)。對(duì)檔案異常的特征進(jìn)行了電壓曲線對(duì)比分析如圖3 所示，橫坐標(biāo)表示異常發(fā)生時(shí)間某天的96 個(gè)時(shí)刻點(diǎn)，縱坐標(biāo)表示變壓器電壓、實(shí)際正常供電線路與錯(cuò)誤供電線路電壓。分析發(fā)現(xiàn)變壓器與實(shí)際供電線路的電壓具有明顯的相似性，而錯(cuò)誤供電線路則無(wú)相似性。

因此，本文基于電壓數(shù)據(jù)進(jìn)行特征構(gòu)造。使用皮爾遜相關(guān)系數(shù)探索線路與線路下所有變壓器的電壓相關(guān)性如式（1）所示[10]：

式中：Cp為電壓相關(guān)性特征；Cp，ij為線路下變壓器i 與變壓器j 之間的電壓相關(guān)性；Cp，il為變壓器i 與線路l 的電壓相關(guān)性。

考慮到每條線路的配變數(shù)量不一致，無(wú)法直接將電壓相關(guān)性矩陣代入模型，所以對(duì)計(jì)算得到的電壓相關(guān)性特征做列聚合，計(jì)算每一行統(tǒng)計(jì)學(xué)中的最大值、最小值、平均值、標(biāo)準(zhǔn)差等[11]，得到關(guān)于電壓相關(guān)性的統(tǒng)計(jì)矩陣，如式（2）所示：

式 中：pi，mean，pi，std，pi，max，pi，min，pi，skew，pi，kurt分 別 為變壓器i 與同線路下所有變壓器及線路的皮爾遜相關(guān)系數(shù)平均值、標(biāo)準(zhǔn)差、最大值、最小值、偏度和峰度，用于描述變壓器i 與線路的電壓相關(guān)性分布特征。以pi，mean為例，其計(jì)算為：

同時(shí)加入變壓器自身的電壓數(shù)據(jù)統(tǒng)計(jì)值，如式（4）所示：

式中：ci，mean，ci，std，ci，max，ci，min，ci，skew，ci，kurt分別為在指定時(shí)間內(nèi)變壓器i 對(duì)所屬線路l 電壓比值的平均值、標(biāo)準(zhǔn)差、最大值、最小值、偏度和峰度等。以ci，mean為例，其計(jì)算式為：

式中：Ui，k為變壓器k 在時(shí)刻的電壓值；Ul，k為線路l 在時(shí)刻k 的電壓值。

為了從全局觀測(cè)短期、中期的線路和變壓器的運(yùn)行狀態(tài)。研究選取當(dāng)前日期前1，3，7，15，30，60，90，120，150 天作為不同的觀測(cè)時(shí)間尺度特征。

在固定的觀測(cè)周期內(nèi)，統(tǒng)計(jì)負(fù)荷特征可反映線路以及變壓運(yùn)行狀態(tài)，研究統(tǒng)計(jì)了不同線路在不同時(shí)間尺度下電壓相關(guān)性的統(tǒng)計(jì)學(xué)數(shù)據(jù)，如均值、最大值、最小值、方差、標(biāo)準(zhǔn)差、分位數(shù)等數(shù)據(jù)作為入模特征，得到樣本數(shù)據(jù)集X：

式中：p1，p3，p7分別為基于1 天、3 天、7 天的電壓數(shù)據(jù)構(gòu)建的相關(guān)性特征；c1，c3，c7分別為基于1 天、3 天、7 天電壓數(shù)據(jù)構(gòu)建的統(tǒng)計(jì)學(xué)特征。

2.1.2 模型構(gòu)造

在Kaggler 比賽發(fā)布的《實(shí)踐中模型堆疊指南》中提出一種Stacking（堆疊）模型融合的思想[12]，Stacking 算法是一種特殊的集成方法，通過(guò)結(jié)合不同個(gè)體學(xué)習(xí)器的預(yù)測(cè)結(jié)果產(chǎn)生元層學(xué)習(xí)器，對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。當(dāng)訓(xùn)練數(shù)據(jù)量大時(shí),可以有效的避免單模出現(xiàn)過(guò)擬合或者欠擬合而造成模型的預(yù)測(cè)準(zhǔn)確率低的現(xiàn)象[13]。因此本文采用Stacking 思想對(duì)模型結(jié)果進(jìn)行堆疊表決。

Stacking 模型投票表決法如圖4 所示，模型構(gòu)造流程如圖5 所示。首先，分別采用邏輯回歸、樸素貝葉斯、支持向量機(jī)、決策樹(shù)、隨機(jī)森林、梯度提升決策樹(shù)、極端梯度提升和輕量梯度提升算法構(gòu)建8 個(gè)一級(jí)子模型y1，mdl，j，各個(gè)一級(jí)子模型輸出樣本被判別為1的概率值p1，mdl，i，p1，mdl，i∈[0，1][14-17]。

隨后，通過(guò)不重復(fù)組合7 個(gè)一級(jí)子模型的輸出，作為二級(jí)子模型的輸入特征值，以此構(gòu)建7個(gè)LR（邏輯回歸）二級(jí)子模型，并預(yù)測(cè)第j 個(gè)二級(jí)子模型的輸出y2，mdl，j，其中j=1，2，…，7。

進(jìn)而統(tǒng)計(jì)7 個(gè)二級(jí)子模型中輸出為0 和1 的數(shù)目count0和count1，計(jì)算公式為：

圖5 模型構(gòu)造流程

最后，通過(guò)投票法決定該樣本的輸出（0/1），即是否發(fā)生線變，投票機(jī)制為：

式中：count0和count1分別是7 個(gè)二級(jí)子模型預(yù)測(cè)出來(lái)0 和1 的數(shù)目統(tǒng)計(jì)；yfinal為樣本的二分類類別。

2.2 基于運(yùn)行數(shù)據(jù)的雙電源分析引擎

根據(jù)雙電源的特點(diǎn)，對(duì)雙電源用戶進(jìn)行定義，即1 名用戶對(duì)應(yīng)2 塊電表，且這2 塊電表分別由不同線路供電。

對(duì)浙江某供電企業(yè)的所有專變用戶進(jìn)行分析，得到雙電源用戶174 名。獲取雙電源變壓器供電的線路以及同線路的所有變壓器電壓數(shù)據(jù)，對(duì)異常和缺失數(shù)據(jù)進(jìn)行刪除，保留近1 個(gè)月數(shù)據(jù)完整度超過(guò)70%的配電變壓器[18-20]，計(jì)算待檢測(cè)的雙電源線路中變壓器與同側(cè)、對(duì)側(cè)兩條線路的電壓相關(guān)性和差值。

2.2.1 變壓器電壓相關(guān)性計(jì)算

由于雙電源用戶的戶號(hào)都存在兩塊不同的電表，且2 個(gè)電表分屬2 條線路。分別計(jì)算每個(gè)電表與同用戶下所有線路電表的電壓相關(guān)性。定義本側(cè)線路為檔案所屬線路，對(duì)側(cè)線路為同用戶下另一個(gè)表計(jì)的檔案所屬線路。

統(tǒng)計(jì)6 月份15 天每個(gè)電表與本側(cè)、對(duì)側(cè)線路的電壓相關(guān)性，得到本側(cè)線路15 天相關(guān)性箱型圖如圖6 所示，對(duì)側(cè)線路15 天相關(guān)性箱型圖如圖7 所示。從圖中我們發(fā)現(xiàn)，每日電壓相關(guān)性均在0.75～1.0 之間，大多數(shù)相關(guān)性在0.9 左右，并保持穩(wěn)定。

圖6 本側(cè)線路15 天相關(guān)性箱型圖

圖7 對(duì)側(cè)線路15 天相關(guān)性箱型圖

計(jì)算每個(gè)電表15 天內(nèi)的本側(cè)和對(duì)側(cè)線路相關(guān)性的平均值，得到分布統(tǒng)計(jì)特征如圖8 和9 所示。圖8 本側(cè)線路15 天相關(guān)性平均值分布圖中相關(guān)性平均值更聚集在0.9～1.0 之間，計(jì)數(shù)均在100 以上，平均值0.8 以下分散計(jì)數(shù)，均不足30。圖9 對(duì)側(cè)線路15 天相關(guān)性平均值分布圖中事件也聚集在0.9～1.0 之間，但計(jì)數(shù)在75 以上，0.8以下分布較多且不等計(jì)數(shù)25 左右。由此可見(jiàn)，本側(cè)線路相關(guān)性平均值比對(duì)側(cè)線路相關(guān)性更聚集，發(fā)生計(jì)數(shù)更頻繁，分布在0.95 左右，所以可以根據(jù)電壓相關(guān)性來(lái)構(gòu)造特征。

圖8 本側(cè)線路15 天相關(guān)性平均值分布圖

圖9 對(duì)側(cè)線路15 天相關(guān)性平均值分布圖

2.2.2 特征構(gòu)造

設(shè)專變用戶ID 為u,兩組變壓器分別接終端m，線路為l。電壓相關(guān)系數(shù)為Pml，u。例如：專變用戶1，有兩個(gè)終端，終端1（meterno1）與本側(cè)線路1（lineid1）電壓相關(guān)系數(shù)為P11，1，與對(duì)側(cè)線路2（lineid2）電壓相關(guān)系數(shù)為P12，1；終端2（meterno2）與本側(cè)線路2（lineid2）相關(guān)系數(shù)為P21，1，與 對(duì)側(cè)線路2（lineid2）相關(guān)系數(shù)為P22，1。

終端1 的特征Pm1，1=P12，1-P11，1，終端2 的特征Pm2，1=P21，1-P22，1，兩個(gè)特征共同構(gòu)成用戶u 的特征Pu1=[Pm1，1，Pm2，1]。

對(duì)每個(gè)用戶，以終端1 的相關(guān)性差值為X 坐標(biāo)，終端2 的相關(guān)性差值為Y 坐標(biāo)，以Pm1為X軸，Pm2為Y 軸繪制得到熱力圖如圖10 所示。得到最多的特征值分布在0～0.1 之間?？梢杂^察到大多數(shù)雙電源用戶分布在原點(diǎn)和第三象限附近，第一、二、四象限分布較少。

2.2.3 雙電源異常指標(biāo)構(gòu)建

圖10 用戶與終端的相關(guān)性差值熱力圖

雙電源用戶只存在變壓器與線路所屬關(guān)系不一致的情況，不存在兩個(gè)變壓器終端接在同一個(gè)線路上的情況[21]。比如，用戶1 的特征為Pu1=[Pm1，1，Pm2，1]。根據(jù)業(yè)務(wù)經(jīng)驗(yàn)和樣本統(tǒng)計(jì)分析，若Pm1，1大于0，說(shuō)明對(duì)終端1 與線路2 的相關(guān)性大于線路1，即終端1 屬于線路2 的概率較大。因此，研究定義雙電源發(fā)生的概率為異常嫌疑度Psp1，雙電源異常發(fā)生的概率（嫌疑度）計(jì)算結(jié)合以上樣本特征分析得到以下4 種判斷情況。

（1）Pm1，1和Pm2，1均大于0，其發(fā)生雙電源異常的概率較大，公式為：

（2）Pm1，1和Pm2，1均小于0，確定為正常用戶，雙電源發(fā)生概率（嫌疑度）為0。

（3）當(dāng)Pm1，1＞0 且Pm2，1＜0 時(shí)，若說(shuō)明用戶正常，雙電源發(fā)生概率（嫌疑度）為0；若確定為雙電源發(fā)生概率（嫌疑度）較大的用戶，計(jì)算公式為：

（4）當(dāng)Pm1，1＜0 且Pm2，1＞0 時(shí)，與情況（3）類似。

經(jīng)過(guò)以上計(jì)算，雙電源異常發(fā)生的概率（嫌疑度）分布如圖11 所示。圖中大部分用戶嫌疑度集中在0.1 以下。所以，雙電源分析引擎設(shè)定嫌疑度大于0.1 的用戶即為雙電源異常懷疑對(duì)象。

2.3 基于運(yùn)行數(shù)據(jù)的轉(zhuǎn)供分析模型

變壓器A 在線路A 下，變壓器B 屬于線路B，在實(shí)際電網(wǎng)運(yùn)維檢修過(guò)程中，線路AB 之間增加導(dǎo)線和斷路器，當(dāng)斷路器發(fā)生動(dòng)作時(shí)，變壓器A3 和A4 從線路A 供電轉(zhuǎn)換到線路B 供電，由于檔案所屬線路A，會(huì)導(dǎo)致線路A 發(fā)生負(fù)損，線路B 發(fā)生大損[22-24]。結(jié)合轉(zhuǎn)供特征大數(shù)據(jù)分析，發(fā)現(xiàn)轉(zhuǎn)供線路的有功功率具有突變性，計(jì)算線路功率當(dāng)前時(shí)刻與下一時(shí)刻的差值，正常供電時(shí)差值小且穩(wěn)定，一旦發(fā)生轉(zhuǎn)供，差值波動(dòng)大。

圖11 嫌疑度分布和異常用戶分布圖

2.3.1 特征計(jì)算

根據(jù)轉(zhuǎn)供記錄獲取對(duì)應(yīng)線路和電壓器的當(dāng)天和前后1 天（總計(jì)3 天）的數(shù)據(jù)，得到變壓器與線路的時(shí)序數(shù)據(jù)，計(jì)算每個(gè)時(shí)刻線路功率和和上一個(gè)時(shí)刻的功率差值，計(jì)為功率差ΔA：

獲取ΔA 的時(shí)間序列數(shù)據(jù)，計(jì)算均值、標(biāo)準(zhǔn)差按照6sigma 管理策略，定義功率差的均值±3sigma為合理區(qū)間。

2.3.2 異常識(shí)別

因?yàn)槊總€(gè)時(shí)刻發(fā)生轉(zhuǎn)供的事件與其他時(shí)間的事件無(wú)關(guān)，所以每個(gè)時(shí)刻發(fā)生轉(zhuǎn)供的概率符合正態(tài)分布。本文針對(duì)每條線路的每個(gè)時(shí)刻，觀察當(dāng)前時(shí)刻及后續(xù)5 個(gè)時(shí)刻的差值。利用正態(tài)分布計(jì)算這6 個(gè)時(shí)刻值是異常點(diǎn)的概率，計(jì)算公式為：

同時(shí)，每個(gè)時(shí)刻發(fā)生轉(zhuǎn)供事件為隨機(jī)事件，任何時(shí)刻都為隨機(jī)變量，服從同一分布，并且互相獨(dú)立。所以每個(gè)時(shí)刻發(fā)生轉(zhuǎn)供事件獨(dú)立同分布計(jì)算，得出時(shí)刻ti是異常的整體概率pti，公式為：

當(dāng)pti大于基于經(jīng)驗(yàn)判斷的閾值0.01，則判定為時(shí)刻ti線路發(fā)生了轉(zhuǎn)供。將轉(zhuǎn)供線路電量差值時(shí)間序列數(shù)據(jù)可視化如圖12 所示?？砂l(fā)現(xiàn)發(fā)生轉(zhuǎn)供的線路電量明顯突變，模型可以準(zhǔn)確的感知到線路發(fā)生轉(zhuǎn)供。

轉(zhuǎn)供操作是電網(wǎng)運(yùn)行的常規(guī)操作方式，因此需要每日監(jiān)控線損情況，分析線損異常線路。通過(guò)本模型的分析，能夠及時(shí)發(fā)現(xiàn)轉(zhuǎn)供線路，計(jì)算真實(shí)的線損數(shù)據(jù)。

圖12 發(fā)生轉(zhuǎn)供線路的電量波形

3 模型效果評(píng)價(jià)

本研究數(shù)據(jù)采自“浙電云”大數(shù)據(jù)平臺(tái)，穿透多系統(tǒng)進(jìn)行數(shù)據(jù)整合，數(shù)據(jù)來(lái)源廣、容量大[25]。采用8 種子模型優(yōu)劣對(duì)比，形成最優(yōu)Stacking 頂層模型，輸出結(jié)果更具有科學(xué)性，三大算法模型相輔相成，對(duì)全量數(shù)據(jù)進(jìn)行分析，精準(zhǔn)推送異常配變，結(jié)合歷史數(shù)據(jù)和樣本數(shù)據(jù)，融合分為訓(xùn)練集和測(cè)試集不斷訓(xùn)練得出優(yōu)化模型。

3.1 線變關(guān)系異常分析模型效果評(píng)估

為確保評(píng)估準(zhǔn)確，采用選擇AUC 作為評(píng)估指標(biāo)。計(jì)算分類準(zhǔn)確程度，ACC=模型正確預(yù)測(cè)樣本數(shù)/總樣本數(shù)，得到各模型在測(cè)試集上的使用效果如表1 所示。

表1 各模型測(cè)試效果

對(duì)應(yīng)的ROC_AUC 曲線如圖13 所示。

圖13 ROC_AUC 曲線

根據(jù)樣本標(biāo)簽統(tǒng)計(jì)出正、負(fù)樣本的數(shù)量，假設(shè)正樣本數(shù)量為P，負(fù)樣本數(shù)量為N；接下來(lái)，把橫軸的刻度間隔設(shè)置為1/N，縱軸的刻度間隔設(shè)置為1/P；再根據(jù)模型輸出的預(yù)測(cè)概率對(duì)樣本進(jìn)行排序（從高到低）；依次遍歷樣本，同時(shí)從零點(diǎn)開(kāi)始繪制ROC 曲線，每遇到一個(gè)正樣本就沿縱軸方向繪制一個(gè)刻度間隔的曲線，每遇到一個(gè)負(fù)樣本就沿橫軸方向繪制一個(gè)刻度間隔的曲線，直到遍歷完所有樣本，曲線最終停在（1，1）點(diǎn)，整個(gè)ROC 曲線繪制完成。這樣每一組圖像在圖中都會(huì)有一個(gè)坐標(biāo)，可以連成一條折線。一般的，希望分類器得到的分類結(jié)果是完全正確的，也就是正例樣本全部都能夠被檢測(cè)出來(lái)，并且不會(huì)混入反例樣本，這個(gè)時(shí)候TPR→1 且FPR→0，反應(yīng)在圖像上好的分類器的折線應(yīng)更加接近左上角，當(dāng)樣本足夠多時(shí)，折線就近似為圓滑的曲線。所以，從圖13 和 表1 中可以發(fā)現(xiàn)，前4 個(gè)算法Naive Bayes，LogisticRegression SVM，DecisioTree的AUC 曲線（實(shí)線）未貼近左上角1.0，因此準(zhǔn)確率較低，但是泛化能力比后幾個(gè)模型高，可以充分證明經(jīng)過(guò)Stacking 后可以結(jié)合各個(gè)模型的優(yōu)點(diǎn)，削弱缺點(diǎn)的影響。

最終模型輸出得到混淆矩陣，67 個(gè)異常用戶中，可以準(zhǔn)確定位64 個(gè)用戶，異常識(shí)別命中率達(dá)96%。本線變關(guān)系模型能夠有效識(shí)別線變關(guān)系異常的中壓線路，輔助進(jìn)行線損異常排查，保證線損指標(biāo)的真實(shí)可靠，有助于提高線變關(guān)系準(zhǔn)確性。

3.2 雙電源異常分析結(jié)果

研究對(duì)浙江某供電企業(yè)的1 027 名專變用戶進(jìn)行分析，將雙電源異常發(fā)生的概率（嫌疑度）大于0.1 的用戶進(jìn)行標(biāo)注，并繪制電壓相關(guān)性差值結(jié)果散點(diǎn)如圖14 所示。

圖14 用戶與終端的電壓相關(guān)性差值散點(diǎn)圖

圖14 中，橫、縱坐標(biāo)分別標(biāo)識(shí)用戶與終端1和2 相關(guān)性數(shù)值。從圖中可以看出用戶與終端電壓相關(guān)性差值在第二象限，標(biāo)識(shí)點(diǎn)的用戶即為雙電源異常用戶，共識(shí)別出22 個(gè)異常用戶。經(jīng)過(guò)與現(xiàn)場(chǎng)電力人員核實(shí)，準(zhǔn)確識(shí)別雙電源異常用戶20 戶。證明本分析引擎可以有助于梳理雙電源用戶真實(shí)的線變關(guān)系，提高專變用戶的供電可靠性。

3.3 配電網(wǎng)拓?fù)洚惓ＤＰ蛻?yīng)用效果

由于當(dāng)前國(guó)內(nèi)外研究工作主要是針對(duì)低壓用戶所屬臺(tái)區(qū)的校驗(yàn)和饋線拓?fù)浣Y(jié)構(gòu)關(guān)系的校驗(yàn)，并未涉及臺(tái)區(qū)配變所屬10 kV 中壓線路的校驗(yàn)（即線變關(guān)系校驗(yàn)），也無(wú)利用大數(shù)據(jù)機(jī)器學(xué)習(xí)的方法進(jìn)行配電網(wǎng)拓?fù)渥R(shí)別。所以本文與傳統(tǒng)人工10 kV 配電網(wǎng)拓?fù)渥R(shí)別方法對(duì)比如表2 所示。本研究3 種方法可以有效的提高配電網(wǎng)拓?fù)洚惓ＷR(shí)別準(zhǔn)確率，其中線變異常識(shí)別準(zhǔn)確率為96%，雙電源為85%，轉(zhuǎn)供為60%，傳統(tǒng)人工排查拓?fù)渲卫頊?zhǔn)確率為20%。配電網(wǎng)線路拓?fù)洚惓Ｅ挪闀r(shí)間下降，治理效率提高由傳統(tǒng)2 個(gè)/天/人，最高可提高到5 個(gè)/天/人。識(shí)別時(shí)間從傳統(tǒng)人工現(xiàn)場(chǎng)排查2 h，縮短到系統(tǒng)算法判別40 min 以內(nèi)。

表2 配電網(wǎng)拓?fù)渥R(shí)別方法對(duì)比

綜上，運(yùn)用本研究3 種方法配電網(wǎng)拓?fù)渥R(shí)別模型，可有效指導(dǎo)營(yíng)配協(xié)同治理，協(xié)同現(xiàn)場(chǎng)開(kāi)展現(xiàn)場(chǎng)集中核查、數(shù)據(jù)整治工作，現(xiàn)場(chǎng)核查準(zhǔn)確率高達(dá)91.3%，同期線損高損、負(fù)損線路數(shù)下降82.6%。某市公司10（20）kV 分線達(dá)標(biāo)率情況2018年為79.04%，2019 年提升至98.14%。

另外，可減少高壓用戶信息報(bào)送錯(cuò)誤，減少高壓用戶投訴風(fēng)險(xiǎn)，提升用戶滿意度。通過(guò)模型，尋找線損最小下線路聯(lián)絡(luò)開(kāi)關(guān)最優(yōu)位置，提升電網(wǎng)運(yùn)行效益。強(qiáng)化現(xiàn)場(chǎng)驗(yàn)證與模型識(shí)別相結(jié)合，提升治理效率，循環(huán)迭代最優(yōu)模型[26]，推廣應(yīng)用將推進(jìn)配電網(wǎng)線損精益化管控。

4 結(jié)語(yǔ)

配電網(wǎng)拓?fù)洚惓ＤＰ偷难芯?，可以幫助現(xiàn)場(chǎng)人員快速定位10 kV 線路線損拓?fù)洚惓?，找出線變關(guān)系異常，輔助電網(wǎng)人員制定合理的配電網(wǎng)拓?fù)浞桨?。從而提高現(xiàn)場(chǎng)排查工作效率，提升線損治理水平，將帶來(lái)大量的經(jīng)濟(jì)效益、社會(huì)效益和管理效益，模型應(yīng)用前景廣泛，可以推廣復(fù)制至各個(gè)地區(qū)。下一步，將在現(xiàn)有模型的基礎(chǔ)上，使用更多地域的電網(wǎng)運(yùn)營(yíng)數(shù)據(jù)，對(duì)現(xiàn)有模型進(jìn)行改進(jìn)，提出適用范圍更廣的配電網(wǎng)拓?fù)湓\斷模型。