［摘 要］配電網(wǎng)的線損異常檢測(cè)對(duì)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(shí)別復(fù)雜異常模式時(shí)存在局限性，針對(duì)這一問(wèn)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(cè)方法。該方法利用LSTM 對(duì)線損數(shù)據(jù)進(jìn)行時(shí)序分析以捕捉數(shù)據(jù)的時(shí)空特征，實(shí)現(xiàn)對(duì)配電網(wǎng)線損的實(shí)時(shí)監(jiān)測(cè)和異常檢測(cè)。試驗(yàn)結(jié)果表明，該方法具有較高的檢測(cè)精度和實(shí)時(shí)性，能有效識(shí)別出配電網(wǎng)中的線損異常，為配電網(wǎng)的優(yōu)化運(yùn)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(cè)；長(zhǎng)短期記憶網(wǎng)絡(luò)

［中圖分類號(hào)］TM714.3 ［文獻(xiàn)標(biāo)志碼］A ［文章編號(hào)］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(duì)于提高能源利用效率、降低運(yùn)營(yíng)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(jì)量錯(cuò)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(kuò)大，電能傳輸和分配過(guò)程中的線損問(wèn)題也日益突出。線損不僅影響電力企業(yè)的經(jīng)濟(jì)效益，還可能對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行造成威脅。而對(duì)配電網(wǎng)的線損異常進(jìn)行診斷，對(duì)提高電力系統(tǒng)的經(jīng)濟(jì)效益及實(shí)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(huì)發(fā)生顯著變化。

線損異常診斷可以分為兩個(gè)核心階段：①特征提取階段。主要對(duì)配電網(wǎng)的電流、電壓等關(guān)鍵數(shù)據(jù)進(jìn)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(hào)。這些特征信號(hào)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(hào)構(gòu)建相應(yīng)的模型，對(duì)配電網(wǎng)的狀態(tài)進(jìn)行準(zhǔn)確判斷與分類。通過(guò)這一步驟能夠確定異常的具體原因，并據(jù)此提出針對(duì)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(yàn)和預(yù)定義的規(guī)則集進(jìn)行異常診斷。這種方法通?；谝幌盗械倪壿嫍l件和閾值來(lái)判斷線損是否異常。例如，如果檢測(cè)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(jiǎn)單場(chǎng)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(duì)于復(fù)雜和動(dòng)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(jì)模型對(duì)配電網(wǎng)狀態(tài)進(jìn)行建模和分析。常見(jiàn)的模型包括神經(jīng)網(wǎng)絡(luò)模型、決策樹(shù)模型和支持向量機(jī)模型等。這些方法通過(guò)提取電網(wǎng)數(shù)據(jù)中的特征訓(xùn)練模型，以識(shí)別異常模式。模型方法能夠處理復(fù)雜和動(dòng)態(tài)的情況，對(duì)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(guò)大量數(shù)據(jù)的訓(xùn)練，模型方法可以實(shí)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(jì)算資源。對(duì)于某些特定場(chǎng)景，可能需要定制化的模型設(shè)計(jì)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(duì)配電網(wǎng)數(shù)據(jù)進(jìn)行特征提取和異常識(shí)別。通過(guò)訓(xùn)練大量的數(shù)據(jù)，深度學(xué)習(xí)模型能夠自動(dòng)學(xué)習(xí)復(fù)雜的數(shù)據(jù)模式，并在新數(shù)據(jù)中識(shí)別出異常。深度學(xué)習(xí)模型能夠自動(dòng)提取數(shù)據(jù)中的高級(jí)特征，避免了手動(dòng)特征工程的繁瑣過(guò)程。對(duì)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(kuò)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(jìn)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(guò)程較為耗時(shí)。

在實(shí)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(shì)。例如，可以利用規(guī)則方法進(jìn)行初步篩選和過(guò)濾，再使用深度學(xué)習(xí)模型進(jìn)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(duì)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(dòng)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(dòng)從配電網(wǎng)的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)中提取關(guān)鍵特征。這些特征可能包括電壓波動(dòng)、電流異常、功率因數(shù)變化等，它們對(duì)于識(shí)別線損異常至關(guān)重要。通過(guò)深度學(xué)習(xí)模型的訓(xùn)練，可以自動(dòng)學(xué)習(xí)到這些特征，避免了傳統(tǒng)方法中需要手動(dòng)設(shè)計(jì)和選擇特征的繁瑣過(guò)程。

（2）異常檢測(cè)與分類。深度學(xué)習(xí)模型能夠?qū)μ崛〉降奶卣鬟M(jìn)行進(jìn)一步的分析和處理，以實(shí)現(xiàn)對(duì)配電網(wǎng)線損異常的檢測(cè)和分類。例如，利用深度神經(jīng)網(wǎng)絡(luò)（DNN）或支持向量機(jī)（SVM）等模型，可以對(duì)特征進(jìn)行分類，區(qū)分出正常狀態(tài)和異常狀態(tài)。同時(shí)，深度學(xué)習(xí)還可以識(shí)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(cè)與優(yōu)化。除了實(shí)時(shí)診斷外，深度學(xué)習(xí)還可以用于預(yù)測(cè)配電網(wǎng)的線損趨勢(shì)。通過(guò)對(duì)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(cè)未來(lái)一段時(shí)間內(nèi)的線損情況，幫助電力系統(tǒng)提前進(jìn)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(guò)數(shù)據(jù)驅(qū)動(dòng)的方法對(duì)配電網(wǎng)進(jìn)行優(yōu)化，降低線損，提高能源利用效率。

（4）圖像識(shí)別與故障診斷。對(duì)于配電網(wǎng)中的設(shè)備故障，深度學(xué)習(xí)可以通過(guò)圖像識(shí)別技術(shù)進(jìn)行診斷。例如，利用CNN 對(duì)設(shè)備表面進(jìn)行圖像分析，可以自動(dòng)識(shí)別出裂紋、磨損等故障特征，進(jìn)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(diǎn)，特別適用于復(fù)雜環(huán)境和難以人工檢測(cè)的情況。

4 基于LSTM的線損異常檢測(cè)方法研究

4.1 LSTM技術(shù)

長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short–Term Memory，以下簡(jiǎn)稱“LSTM”）是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu)，設(shè)計(jì)初衷是為了解決傳統(tǒng)RNN 在處理長(zhǎng)序列時(shí)出現(xiàn)的梯度消失或爆炸問(wèn)題。通過(guò)引入門控機(jī)制，LSTM 能夠更有效地控制信息的流動(dòng)，從而更好地學(xué)習(xí)到序列數(shù)據(jù)中的長(zhǎng)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(shí)間步驟是否需要更新記憶單元中的信息，其通過(guò)一個(gè)sigmoid 函數(shù)將輸入和上一時(shí)間步驟的隱藏狀態(tài)作為輸入，輸出一個(gè)0～1的值，這個(gè)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(lái)計(jì)算一個(gè)0～1的值，表示保留多少上一時(shí)間步驟的信息，這個(gè)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(shí)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(cè)方法

采用聚類和LSTM 算法結(jié)合，對(duì)配電網(wǎng)線損問(wèn)題進(jìn)行檢測(cè)，基于聚類算法的線損異常檢測(cè)方法是一種無(wú)監(jiān)督學(xué)習(xí)技術(shù)，其可以有效處理無(wú)標(biāo)簽數(shù)據(jù)并進(jìn)行檢測(cè)，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(guò)用戶集群辨識(shí)，將具有相似用電特征的客戶聚類在一起，從而進(jìn)一步分析和識(shí)別潛在的線損異常問(wèn)題。

以某臺(tái)區(qū)的數(shù)據(jù)為例，采用聚類方法對(duì)臺(tái)區(qū)數(shù)據(jù)進(jìn)行采集，再利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)按照時(shí)間粒度對(duì)臺(tái)區(qū)的負(fù)荷進(jìn)行預(yù)測(cè)，得到的實(shí)際值與預(yù)測(cè)值偏差作為異常的判斷依據(jù)。最后輸出異常結(jié)果，對(duì)檢測(cè)的準(zhǔn)確性評(píng)價(jià)。具體線損檢測(cè)模型流程為：電網(wǎng)臺(tái)區(qū)運(yùn)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(cè)結(jié)果→線損異常診斷。

4.3 試驗(yàn)結(jié)果

在粗時(shí)間粒度情況下，將每天作為一個(gè)時(shí)間間隔進(jìn)行數(shù)據(jù)采集，將供電量、線路的長(zhǎng)度與條數(shù)、配變?nèi)萘?、變壓器?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(duì)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(yùn)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(guò)程，而剩余的后2 d 數(shù)據(jù)則用于對(duì)模型進(jìn)行線損率的預(yù)測(cè)，并隨后對(duì)預(yù)測(cè)結(jié)果的精確性進(jìn)行了評(píng)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(cè)結(jié)果進(jìn)行對(duì)比，不同模型下的預(yù)測(cè)結(jié)果見(jiàn)表1。

從表1 可看出，LSTM 算法在把握待預(yù)測(cè)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(cè)準(zhǔn)確性更高。然而，在訓(xùn)練時(shí)間和預(yù)測(cè)時(shí)間方面，LSTM 算法所需時(shí)間明顯較長(zhǎng)，隨著數(shù)據(jù)量的增加，其訓(xùn)練和預(yù)測(cè)時(shí)間都會(huì)進(jìn)一步延長(zhǎng)。盡管如此，總體時(shí)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(cè)準(zhǔn)確性和時(shí)間效率的綜合權(quán)衡下，LSTM算法在粗時(shí)間粒度下的線損預(yù)測(cè)中具有一定的優(yōu)勢(shì)。

5 結(jié)束語(yǔ)

基于深度學(xué)習(xí)的配電網(wǎng)線損異常檢測(cè)方法，避免了傳統(tǒng)方法中需要手動(dòng)設(shè)計(jì)特征的繁瑣過(guò)程，能夠有效提高線損異常檢測(cè)的準(zhǔn)確性和效率，為配電網(wǎng)的安全穩(wěn)定運(yùn)行提供了有力支持。但其仍存在一些挑戰(zhàn)和限制。此外，對(duì)于某些特定場(chǎng)景或異常情況，可能還需要結(jié)合其他方法進(jìn)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(lái)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(jì)運(yùn)行提供有力保障。

參考文獻(xiàn)

[1] 郭勇. 基于大數(shù)據(jù)的配電網(wǎng)運(yùn)行線損異常診斷研究[J]. 現(xiàn)代工業(yè)經(jīng)濟(jì)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(cè)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(cè)方法研究[D].青島：中國(guó)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(tái)區(qū)線損異常檢測(cè)[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(tái)區(qū)線損檢測(cè)研究[J]. 計(jì)算技術(shù)與自動(dòng)化，2021，40（2）：61-65.