白 勇，熊雋迪，楊 渝，肖 睿

(1.重慶電力高等?？茖W校，重慶 400053；2.重慶大學 輸配電裝備及系統(tǒng)安全與新技術國家重點實驗室，重慶 400030)

低壓配電臺區(qū)戶變關系識別即識別電力用戶所歸屬的低壓臺區(qū)。低壓臺區(qū)戶變關系是電力網(wǎng)絡的基礎性檔案，戶變關系模糊不清將影響電網(wǎng)企業(yè)故障智能定位、故障搶修、停電信息發(fā)布等多方面工作，造成不必要的人力和物力消耗。為此，尋找一種高效、準確、易實施的戶變關系識別方法很有必要。近年來，隨著信息采集系統(tǒng)在電網(wǎng)企業(yè)的普遍使用和智能電表的普及，電網(wǎng)企業(yè)采集到大量用戶的電壓、電流等電量數(shù)據(jù)，結(jié)合大數(shù)據(jù)識別臺區(qū)戶變關系和線損管理成為臺區(qū)管理未來發(fā)展的主流趨勢。

當前，主要的臺區(qū)戶變關系識別方法分為3類。第一類方法是基于臺區(qū)電量數(shù)據(jù)采用數(shù)據(jù)預處理、特征提取及降維、聚類方法對臺區(qū)戶變關系進行識別[1-7]。文獻[1]采用改進的動態(tài)時間規(guī)整(FastDTW)算法計算電壓序列相似度，采用自組織特征映射(SOM)與K均值聚類方法結(jié)合的兩階段聚類方法進行特征聚類以識別戶變關系。文獻[2]采用導數(shù)動態(tài)時間彎曲(DDTW)算法對臺區(qū)低壓側(cè)電壓與用戶電壓的時間序列進行相似性分析，采用基于密度的有噪空間聚類應用(BDSCAN)進行聚類以識別戶變關系。文獻[3]采用自適應分段聚合近似(APAA)的方法對用戶電壓曲線進行特征提取，采用一種改進的基于密度的有噪空間聚類應用(BDSCAN)方法進行聚類以識別戶變關系。文獻[4]采用主成分分析(PCA)方法對數(shù)據(jù)進行降維并采用改進的K-means方法進行聚類以識別戶變關系。聚類識別方法避免了復雜梯度和伴隨方程的求解，對模型的表達形式和連續(xù)性沒有嚴格要求，能有效提取系統(tǒng)特征進行分類，便于實施[6]，但聚類方法尋找合適的聚類中心和確定相似度閾值較難，且部分聚類方法較為繁瑣，實際工程推廣應用較少。第二類方法通過電量信號畸變產(chǎn)生差異信息進行臺區(qū)戶變關系識別。文獻[8]通過電能表作為信號發(fā)送端通斷負載產(chǎn)生諧波電流，提取諧波電流，并采用DFT進行信號解碼后與原有特征信息對比確定戶變關系。文獻[9]在臺區(qū)低壓側(cè)注入小幅值電壓改變電壓有效值，采用數(shù)據(jù)分析電壓有效值變動點與原信息對比進而識別戶變關系。文獻[10]在電壓過零點時向低壓線路疊加改進多載波調(diào)頻特征信號，并采用離散弗雷歇距離比較電壓曲線相似性以識別戶變關系。通過信號畸變方式進行戶變關系識別準確率較高，但大多需要增加設備，增加了識別成本，且對臺區(qū)及用戶的正常用電有一定影響。第三類方法是通過深度學習等大數(shù)據(jù)挖掘算法進行戶變關系識別。深度學習算法基于大數(shù)據(jù)而產(chǎn)生，通過大量數(shù)據(jù)訓練神經(jīng)網(wǎng)絡擬合非線性函數(shù)關系，在故障診斷、圖譜識別等任務中應用廣泛[11-17]。文獻[18]采用一維卷積神經(jīng)網(wǎng)絡與長短時記憶單元(CNN-LSTM)結(jié)合的方式，以臺區(qū)與終端用戶數(shù)據(jù)為基礎數(shù)據(jù)進行戶變關系識別。文獻[19]以前向誤差傳播(BP)神經(jīng)網(wǎng)絡結(jié)合電力載波信號進行戶變關系智能識別。文獻[20]采用K-means聚類方法構(gòu)建電壓序列數(shù)據(jù)標簽，采用BP神經(jīng)網(wǎng)絡進行戶變關系識別。目前，采用神經(jīng)網(wǎng)絡的戶變關系識別研究主要基于一維信號序列的分類，相關研究較少。

臺區(qū)用戶由低壓臺區(qū)供電，同一臺區(qū)內(nèi)用戶由于屬于相同母線，其電壓曲線波動具有很強的相似性[21-22]。由于臺區(qū)用戶數(shù)量、供電半徑、用戶性質(zhì)等差異，不同臺區(qū)用戶之間電壓曲線波動相似性較差。為此，通過分析電壓曲線波動相似性區(qū)分臺區(qū)用戶，為戶變關系的識別提供理論依據(jù)。

本文中基于電壓曲線波動相似性進行戶變關系的識別，提出了一種基于格拉姆角場和改進殘差神經(jīng)網(wǎng)絡的戶變關系識別方法。該方法采用格拉姆角場和偽彩色處理生成特征圖譜并保留電壓信號序列時間依賴性。通過在殘差網(wǎng)絡中引入空間注意力突出電壓波動差異特征，使用改進的殘差網(wǎng)絡分類特征圖譜識別戶變關系。

1 理論基礎

低壓配電臺區(qū)戶變關系識別的實質(zhì)是分類問題，而神經(jīng)網(wǎng)絡對于圖譜的分類效果普遍優(yōu)于一維序列分類。若將電壓數(shù)據(jù)轉(zhuǎn)換為特征圖譜，并采用圖譜分類網(wǎng)絡進行分類則識別率可進一步提升。為此，選用合適的圖譜分類網(wǎng)絡是戶變關系識別的關鍵。

圖譜分類神經(jīng)網(wǎng)絡包含Alexnet[23]、GoolgLeNet[24]、2D-CNN[25]、殘差神經(jīng)網(wǎng)絡(ResNet)[26]等。其中，殘差網(wǎng)絡由于殘差塊的存在可訓練深層網(wǎng)絡以提取圖譜深層次信息，識別準確率較高，在圖譜分類任務中被廣泛使用[27-29]。本文以殘差神經(jīng)網(wǎng)絡為基礎引入空間注意力進行改進，使用改進殘差神經(jīng)網(wǎng)絡識別圖譜。

注意力機制包含自注意力、空間注意力、通道注意力、融合注意力等。引入注意力機制是為突出關鍵信息，考慮到不同臺區(qū)用戶特征圖譜像素點空間差異較大，為進一步突出差異信息、提高識別準確率，選擇空間注意力機制對殘差網(wǎng)絡進行改進。

1.1 殘差神經(jīng)網(wǎng)絡

殘差網(wǎng)絡(residual network，ResNet)是一種包含卷積層、池化層、殘差塊和全連接層的深度學習神經(jīng)網(wǎng)絡，其包含的跨層連接將前一層的輸出跳過中間部分卷積層直接送入后續(xù)網(wǎng)絡，避免了網(wǎng)絡層數(shù)較深時出現(xiàn)的梯度消失等不利于網(wǎng)絡訓練的問題。

殘差塊是為解決網(wǎng)絡過深導致的信息損失過多問題而提出的。殘差塊結(jié)構(gòu)示意如圖1。

圖1 殘差塊結(jié)構(gòu)示意圖

由圖1中可知，殘差塊的輸出由多次卷積輸出與原輸入相加并經(jīng)激活函數(shù)處理后得到。輸出的表達式為

out=ReLU(F(x)+x)

(1)

式中：x表示原始信息;F(x)表示經(jīng)過多層卷積層后對原始信息x的輸出；ReLU表示激活函數(shù)；out表示殘差塊輸出。

1.2 空間注意力機制

在進行圖像分類任務時，并非圖像上所有像素點對分類任務的貢獻都相同。相較于幾乎沒有差異的點，差異較大的點更應該被神經(jīng)網(wǎng)絡重視。如同人的視覺注意力總關注對于自己重要的信息而忽略邊緣信息，空間注意力機制通過改變識別區(qū)域權(quán)重以重點關注對分類任務有用的信息。

空間注意力模型見圖2。原始包含空間信息的模塊分別經(jīng)最大和平均池化操作，得到2張代表不同信息的特征圖，將兩張?zhí)卣鲌D合并后進行卷積操作融合為一張。特征圖通過sigmoid函數(shù)處理形成權(quán)重圖，權(quán)重圖疊加回原始的輸入特征圖，使得重點關注目標區(qū)域得以增強，提升了圖像分類識別效果。

圖2 空間注意力模型示意圖

針對一維序列分類神經(jīng)網(wǎng)絡存在識別準確率低、輸入序列易丟失時間依賴性、識別準確率不穩(wěn)定的問題，結(jié)合殘差網(wǎng)絡可提取深層次信息與空間注意力突出差異信息的優(yōu)勢，由此進一步提出戶變關系識別模型。

2 低壓配電臺區(qū)戶變關系識別模型

基于格拉姆角場、殘差神經(jīng)網(wǎng)絡和空間注意力提出一種低壓配電臺區(qū)戶變關系識別方法。該方法以臺區(qū)電壓數(shù)據(jù)序列為基礎，以格拉姆角場和偽彩色處理方法將電壓數(shù)據(jù)序列轉(zhuǎn)換為特征圖譜，采用空間注意力和殘差神經(jīng)網(wǎng)絡組合形成的改進殘差網(wǎng)絡進行圖譜分類。網(wǎng)絡根據(jù)輸入圖譜輸出屬于各低壓臺區(qū)的概率，最終實現(xiàn)低壓配電臺區(qū)的戶變關系識別。依據(jù)此方法，建立了低壓配電臺區(qū)戶變關系識別(consumer and transformer relationship identification，CTRI)模型，CTRI模型包含兩個部分：圖譜生成模塊及圖譜識別模塊。圖譜生成模塊利用格拉姆角和場及偽彩色處理將電壓離散序列轉(zhuǎn)換為特征圖譜。圖譜識別模塊以特征圖譜為輸入，使用空間注意力進行改進的殘差網(wǎng)絡ResNet50作為分類網(wǎng)絡特征圖譜進而識別戶變關系。CTRI模型結(jié)構(gòu)見圖3。

圖3 低壓配電臺區(qū)戶變關系識別模型結(jié)構(gòu)示意圖

2.1 圖譜生成模塊

圖譜生成模塊是將一維信號序列轉(zhuǎn)換為二維特征圖譜的模塊，其結(jié)構(gòu)見圖3第①部分。圖譜生成模塊包含格拉姆角場矩陣生成和偽彩色處理2個步驟。其中，格拉姆角場矩陣生成包含電壓離散序列縮放、序列極坐標表示和特征矩陣計算，偽彩色處理則是由特征矩陣生成特征圖譜。整個圖譜生成詳細流程如圖4。

圖4 特征圖譜生成流程框圖

格拉姆角場是將信號序列經(jīng)過縮放、直角坐標系向極坐標系轉(zhuǎn)換、內(nèi)積矩陣計算的特征矩陣生成方法。該方法生成特征矩陣的具體步驟如下：

步驟1 假設電壓離散序列為Y={y1，y2，y3，…，yN}，序列由N個時刻的幅值組成。以N個時刻為橫坐標值，每個時刻對應的幅值為縱坐標值，該序列便可通過直角坐標系表示。通過式(2)將序列Y縮放至[-1，1]范圍，即余弦函數(shù)值域，以便序列Y由直角坐標系向極坐標系轉(zhuǎn)換。

(2)

(3)

(4)

步驟4 考慮不同點之間作角度和或作角度差，格拉姆角場分為格拉姆角和場(GASF)和格拉姆角差場(GADF)。GASF矩陣計算通過余弦函數(shù)作角度和，GADF矩陣計算通過正弦函數(shù)作角度差，二者矩陣的計算式分別為：

(5)

(6)

觀察GASF矩陣可知，原序列的時間相關性通過矩陣的主對角線得到了很好的保留[30]。將矩陣元素對應為灰度圖像的灰度生成灰度圖像，將不同灰度值與不同彩色對應(即偽彩色處理)得到所需的特征圖譜。

2.2 圖譜識別模塊

圖譜識別模塊是進行特征圖譜分類并輸出所屬類別概率，進而識別戶變關系的模塊。圖譜識別模塊采用改進殘差神經(jīng)網(wǎng)絡，模塊結(jié)構(gòu)見圖3第②部分。整個模塊包含卷積層、池化層、空間注意力模塊、全連接層。改進殘差神經(jīng)網(wǎng)絡基于殘差神經(jīng)網(wǎng)絡ResNet50結(jié)構(gòu)，通過在網(wǎng)絡ResNet50的起始卷積層及末尾卷積層后增加空間注意力模塊進行改進，以空間注意力突出圖譜差異性特征，提高網(wǎng)絡戶變關系識別準確率。

改進殘差網(wǎng)絡包含5個卷積層組，2個空間注意力模塊，具體結(jié)構(gòu)及網(wǎng)絡參數(shù)見表1。

表1 改進的殘差網(wǎng)絡結(jié)構(gòu)參數(shù)

表1中，Conv_x表示卷積層組，由多個卷積層構(gòu)成。Maxpool表示最大池化層，Avgpool表示平均池化層，F(xiàn)c表示全連接層。Kernel_size表示卷積核大小，Stride表示卷積核移動步長，Padding為補零數(shù)目，in_channels為輸入通道數(shù)。

特征圖譜通過改進殘差網(wǎng)絡中卷積、池化、空間注意力模塊提取特征后到達全連接層，并經(jīng)激活函數(shù)輸出其屬于各臺區(qū)的概率，最終實現(xiàn)對用戶所屬臺區(qū)的識別。

3 實驗及結(jié)果分析

提出基于格拉姆角場和殘差神經(jīng)網(wǎng)絡的戶變關系識別方法，建立低壓配電臺區(qū)戶變關系識別(CTRI)模型。以實際數(shù)據(jù)為基礎開展兩類實驗以對比驗證該方法的有效性。3.4節(jié)為不同戶變關系識別方法的穩(wěn)定性對比分析，3.3節(jié)為不同戶變關系識別方法的準確率對比分析。

3.1 實驗數(shù)據(jù)

電壓數(shù)據(jù)來自國網(wǎng)重慶市電力公司市南供電分公司轄區(qū)內(nèi)相鄰3個低壓臺區(qū)，電壓數(shù)據(jù)采集頻率為每1 h采集1次。選取每臺區(qū)下轄的30戶用戶，每戶24 d的A相用戶電壓數(shù)據(jù)。臺區(qū)用戶性質(zhì)及所屬母線信息見表2。

表2 用戶性質(zhì)及所屬母線信息

臺區(qū)1與臺區(qū)2屬于相同低壓母線的不同段，臺區(qū)3屬于另一母線且包含較多工業(yè)負荷。數(shù)據(jù)包含來自3個臺區(qū)共90戶的A相電壓數(shù)值序列，每一用戶包含576點電壓數(shù)據(jù)，每取72點以格拉姆角和場方法形成一張?zhí)卣鲌D譜，共計形成720張圖譜。訓練集與測試集比例為4∶1，即訓練集包含576個樣本，測試集包含144個樣本。

3.2 訓練參數(shù)

神經(jīng)網(wǎng)絡初始學習率設置為0.001，數(shù)據(jù)批處理大小為20，訓練輪次設置為20。線損計算方法選擇自適應時刻優(yōu)化算法(Adam)，可根據(jù)損失函數(shù)值自動調(diào)整學習率，從而加快損失函數(shù)衰減使網(wǎng)絡獲得更好的訓練效果。

3.3 不同戶變關系識別方法的準確率對比分析

3.3.1基于一維序列的臺區(qū)戶變關系識別方法與本文方法準確率對比分析

基于一維序列的戶變關系識別不需將電壓數(shù)據(jù)序列轉(zhuǎn)換為特征圖譜，即直接分類一維時間序列，分析序列波動差異性進而識別戶變關系。該類方法多采用一維卷積神經(jīng)網(wǎng)絡(1D-CNN)、長短時記憶單元(LSTM)網(wǎng)絡、BP神經(jīng)網(wǎng)絡分類臺區(qū)用戶電壓序列。為比較基于一維序列的各類戶變關系識別方法與本文方法的識別準確率，選擇1D-CNN、BP神經(jīng)網(wǎng)絡和CTRI模型進行臺區(qū)戶變關系識別實驗。

設立3組分類實驗，分別為分類相同母線臺區(qū)用戶(臺區(qū)1和2)、分類不同母線臺區(qū)用戶(臺區(qū)1和3)、分類混合臺區(qū)用戶(臺區(qū)1、2、3)實驗，實驗分類準確率見表3。

表3 不同模型分類準確率 %

由表3可知，基于一維序列的戶變關系識別方法的識別準確率相較于CTRI模型偏低。其原因在于，一維序列在輸入1D-CNN及BP等神經(jīng)網(wǎng)絡時被打亂，丟失序列各點之間的時間依賴性，電壓波動的差異信息不明顯，容易造成誤判。

CTRI模型戶變關系識別準確率相較于1D-CNN識別方法的混合臺區(qū)識別正確率提升約18%，相較于BP神經(jīng)網(wǎng)絡識別方法的混合臺區(qū)識別正確率提升約16%。本文方法識別戶變關系準確率優(yōu)于主流的基于一維序列的戶變關系識別方法。

3.3.2基于二維圖譜的臺區(qū)戶變關系識別方法與本文方法準確率對比

目前，主流的圖譜分類方法多采用二維卷積神經(jīng)網(wǎng)絡(2D-CNN)、AlexNet、殘差神經(jīng)網(wǎng)絡(ResNet)等。為比較各基于二維圖譜臺區(qū)戶變關系識別方法的準確率，選擇相同的圖譜生成方法結(jié)合不同圖譜分類網(wǎng)絡構(gòu)成不同臺區(qū)戶變關系識別方法。圖譜生成方法均選擇格拉姆角和場及偽彩色處理。3個臺區(qū)用戶電壓數(shù)據(jù)生成的部分特征圖譜見圖5。

圖5 不同臺區(qū)用戶電壓特征圖譜

選擇GASF+ResNet50、GASF+2D-CNN、GASF+AlexNet三種基于二維圖譜的戶變關系識別方法與文中基于格拉姆角場和殘差神經(jīng)網(wǎng)絡臺區(qū)戶變關系識別方法建立的CTRI模型進行識別實驗。識別實驗分組與3.3.1節(jié)相同，圖6～8為各組實驗識別準確率圖。

圖6展示了不同的基于二維圖譜的識別方法識別相同母線臺區(qū)用戶的準確率曲線。由于臺區(qū)1與2屬同一母線，故二者臺區(qū)電壓波動具有較強相似性，對模型的識別分類造成一定困難。本文方法建立的CTRI模型能保留一維序列時間依賴性，有利于區(qū)分相同母線臺區(qū)。

圖6 相同母線臺區(qū)戶變關系識別準確率

CTRI模型在訓練輪次15次之后識別準確率達到100%，相較于GASF+2D-CNN方法的識別效果相當，相較于另外2種方法的識別準確率有約3%的提升且收斂速率更快，戶變關系識別準確率波動更小。

圖7展示了不同的基于二維圖譜的識別方法進行不同母線臺區(qū)用戶識別的準確率。臺區(qū)1與臺區(qū)3屬于不同母線，二者電壓波動相似性較差，且臺區(qū)3包含較多工業(yè)用戶，也更使得臺區(qū)之間的電壓波動差異性增大。結(jié)合圖7可知，CTRI模型和GASF+ResNet50方法識別準確率為100%，優(yōu)于另外2種方法的識別準確率，且識別準確率穩(wěn)定。

圖7 不同母線臺區(qū)戶變關系識別準確率

圖8展示了包含屬于同一母線和不同母線臺區(qū)的混合臺區(qū)用戶識別準確率。CTRI模型識別準確率在訓練輪次10次之后的識別準確率波動較小，識別準確率均在95%以上，且準確率曲線都位于其他3種方法之上。由圖8易知，本文方法相較于其他戶變關系識別方法的識別準確率有小幅提升，且網(wǎng)絡收斂快、識別準確率波動小。

圖8 混合臺區(qū)戶變關系識別準確率

結(jié)合圖6～8，本文中所提出方法能夠分類同一母線和不同母線段臺區(qū)，針對不同母線段臺區(qū)分類效果能達到100%準確率。針對混合臺區(qū)識別網(wǎng)絡訓練20次，考慮到網(wǎng)絡訓練收斂，取其后5次平均識別準確率為平均準確率，本文方法的平均識別準確率98.052%，最優(yōu)識別準確率為99.3%。

經(jīng)計算可知，CTRI模型在進行混合臺區(qū)用戶分類時，相較于2D-CNN、AlexNet、ResNet50方法的平均識別準確率分別提升10.1%、3.6%、2.64%，表明本文中所提出的方法普遍優(yōu)于基于二維圖譜的主流戶變關系識別方法。

3.4 不同戶變關系識別方法穩(wěn)定性對比分析

神經(jīng)網(wǎng)絡初始化參數(shù)是隨機的，網(wǎng)絡每次訓練的參數(shù)不一定都理想，故會導致網(wǎng)絡識別準確率不穩(wěn)定。分析識別方法的穩(wěn)定性需分析多次識別任務下方法的識別準確率的變化(即準確率數(shù)值的相對頻率)。識別準確率的變化體現(xiàn)了采用識別方法進行具體識別任務時準確率數(shù)據(jù)的可靠性與穩(wěn)定性。

為分析采用本文方法識別臺區(qū)戶變關系時的識別穩(wěn)定性，選用1D-CNN、GAF+ResNet50及本文識別模型分別進行5輪、每輪20次(共計100次)的混合臺區(qū)戶變關系識別實驗，分析各方法準確率數(shù)值的相對頻率。計算100次分類任務中識別準確率的相對頻率，并繪制相對頻率圖(圖9～11)。

圖9展示了基于一維序列的識別方法1D-CNN的準確率相對頻率。其準確率數(shù)值在90%以上的次數(shù)約占總次數(shù)的20%。圖10展示了基于二維圖譜的識別方法GAF+ResNet50的準確率的相對頻率，其識別準確率和穩(wěn)定性相較于圖9的基于一維序列識別方法均有較大提升。采用GAF+ResNet50模型的識別準確率在90%以上的次數(shù)約占總次數(shù)的70%。

圖9 1D-CNN方法識別準確率相對頻率直方圖

圖10 GAF+ResNet50方法識別準確率相對頻率直方圖

圖11展示了采用本文方法建立的CTRI模型識別準確率相對頻率。通過與GAF+ResNet50方法相比可知，CTRI模型在ResNet50中引入了空間注意力，識別準確率數(shù)值在90%以上的次數(shù)約占總次數(shù)的77.5%，且95%以上準確率的數(shù)值約占總次數(shù)的40%，相較于GAF+ResNet50網(wǎng)絡提升18%。

圖11 本文模型識別準確率相對頻率直方圖

結(jié)合圖9～11，本文所建立的CTRI模型相較于1D-CNN及GAF+ResNet50模型識別準確率90%以上的相對頻率分別提升20%和7.5%，識別準確率85%以上的相對頻率約占總次數(shù)的87.5%，表明其識別準確率波動更小、識別穩(wěn)定性更好。

4 結(jié)論

1)所建立的CTRI模型針對相同母線臺區(qū)用戶平均識別準確率為94.3%，混合臺區(qū)用戶平均識別率準確率98.52%，優(yōu)于目前主流的基于神經(jīng)網(wǎng)絡的戶變關系識別方法。

2)基于格拉姆角場和改進殘差網(wǎng)絡識別方法的識別準確率在90%以上的相對頻率相較于1D-CNN和GAF+ResNet方法分別提升了約20%和7.5%，識別準確率85%以上的相對頻率約占總次數(shù)的87.5%，說明該方法還具有識別準確率波動較小、識別穩(wěn)定性較好的特點。