基于機器學習的電網(wǎng)臺區(qū)線損異常診斷方法研究

徐源 施洪美 吳凱文

（云南電網(wǎng)有限責任公司大理供電局 云南省大理市 671000）

傳統(tǒng)的線損異常識別和診斷大多基于人力，同時由于中低壓臺區(qū)及用戶量測表計存在安裝不全、配電網(wǎng)數(shù)據(jù)采集通常不全面等問題，導(dǎo)致傳統(tǒng)方法不僅實時性較差，而且工程量較大，分析結(jié)果也有較大誤差。

近年來智能電表和用電管理終端的大力推廣，逐步達成了用電信息采集系統(tǒng)的全覆蓋，為臺區(qū)線損監(jiān)測提供了數(shù)據(jù)支撐。隨著機器學習等技術(shù)的快速發(fā)展，加大機器學習技術(shù)在線損管理的科技創(chuàng)新，提高管理科學性，已經(jīng)成為提升線損精益化管理重要的新手段。

1 現(xiàn)狀及背景

電網(wǎng)企業(yè)一直以來都以線損率作為衡量指標，該指標越低，說明電力損耗越少，對企業(yè)經(jīng)營產(chǎn)生正面影響，相反，則是負面影響。因此，國內(nèi)外的很多研究都是關(guān)于臺區(qū)線損率、配網(wǎng)線損率的計算和分析等，而關(guān)于線損異常診斷分析相關(guān)方法的研究涉及較少。

2 實現(xiàn)思路

2.1 臺區(qū)線損的按天計算

通過配置分布式計算引擎，根據(jù)臺區(qū)總表、用戶電能表每天的采集電量數(shù)據(jù)，遵照電網(wǎng)用戶的電量計算規(guī)則，實現(xiàn)按天的用戶側(cè)電量計算和臺區(qū)線損計算。

基于典型配網(wǎng)結(jié)構(gòu)的臺區(qū)線損計算模型。

2.1.1 單臺變壓器

低壓臺區(qū)線損率=（A 正向-∑用戶側(cè)電量）/ A 正向×100%

2.1.2 多臺變壓器低壓側(cè)環(huán)網(wǎng)

以A1、A2 兩個臺區(qū)環(huán)網(wǎng)供電為例，A1 臺區(qū)和A2 臺區(qū)的線損率=（A1 正向+A2 正向-∑A1 用戶側(cè)電量-∑A2 用戶側(cè)電量）/（A1正向+A2 正向）×100%。

如圖1 所示為某臺區(qū)按天進行線損計算結(jié)果。

2.2 構(gòu)建臺區(qū)線損異常分析模型

本文主要以有監(jiān)督的分類分析算法構(gòu)建臺區(qū)線損異常分析模型，因?qū)е屡_區(qū)線損異常的原因比較多，且與各類原因相關(guān)的特征也不一樣，因此需要先梳理需要構(gòu)建哪些種類的臺區(qū)異常原因，然后針對每一類異常原因分析與之有相關(guān)性的特征集，收集機器學習模型訓練和評價所需的樣本數(shù)據(jù)，構(gòu)建每一類異常的分析模型。

2.2.1 臺區(qū)線損異常原因相關(guān)特征分析

如表1 所示。

2.2.2 樣本數(shù)據(jù)定義

依據(jù)臺區(qū)線損異常原因的相關(guān)特征分析，確定每一種異常原因分析模型的特征屬性和結(jié)果屬性信息，然后設(shè)計相應(yīng)的樣本收集表格，收集訓練和評價線損異常分析模型的樣本數(shù)據(jù)。如表2 所示。

2.2.3 樣本數(shù)據(jù)準備

對于有監(jiān)督的分析算法來說，樣本數(shù)據(jù)的質(zhì)量起到了關(guān)鍵的作用。收集樣本時，需對標記空間中每一種結(jié)果都收集足夠的數(shù)據(jù)，一部分用于訓練，一部分用于模型準確度的驗證，本節(jié)介紹一些具有可操作性的樣本數(shù)據(jù)收集方法供參考。如表3 所示。

2.2.4 臺區(qū)線損異常分析模型構(gòu)建

對于線損異常分析這類比較復(fù)雜的分析模型，一般采用集成型學習算法，通過集成多個學習期來完成學習任務(wù)，如：隨機森林、梯度下降決策樹等。在本案例中，選擇的是隨機森林算法，具體訓練過程和評價過程就不再贅述。

圖1：臺區(qū)線損按日計算結(jié)果

表1

表2

表3

3 結(jié)語

智能電網(wǎng)的發(fā)展趨勢為機器學習技術(shù)在電力行業(yè)的應(yīng)用創(chuàng)造了新機遇。通過機器學習可以更為準確地預(yù)測設(shè)備故障、更為高效地監(jiān)控電網(wǎng)運行相關(guān)數(shù)據(jù)，實現(xiàn)電網(wǎng)的智能化、數(shù)字化、精益化管理。

通過基于機器學習的電網(wǎng)臺區(qū)線損異常診斷方法研究：

（1）提高線損異常處理工作效率，對線損異常臺區(qū)分類，構(gòu)建臺區(qū)線損異常判斷模型，自動識別線損異常臺區(qū)，對線損異常臺區(qū)進行智能診斷查找并輔助判斷問題，解決傳統(tǒng)線損管理的弊端，提高線損異常處理工作效率。

（2）提高電網(wǎng)經(jīng)濟運行效益，應(yīng)用機器學習技術(shù)，快速準確地診斷出線損異常的臺區(qū)，對線損率居高不下的高損、重損設(shè)備重點進行檢查、分析，督促供電公司針對檢查出來的問題進行全面整改，為電網(wǎng)的經(jīng)濟運行提供了科學的依據(jù)。

（3）推進線損的精細化管理，通過對電網(wǎng)數(shù)據(jù)的深入挖掘和實時分析，找到臺區(qū)線損的產(chǎn)生原因，對臺區(qū)線損的異常狀況進行智能診斷，推動臺區(qū)線損管理由結(jié)果管理轉(zhuǎn)向過程管理，提高線損精益化管理水平。