基于知識圖譜的臺區線損異常分析

高澤璞，趙云，張提提，張蓮梅

（1.武漢大學電氣與自動化學院，湖北 武漢 430072；2.南方電網科學研究院，廣東 廣州 510080）

在低壓配電網中，隨著人們生活水平的不斷提高，各種電力設備數量的急劇增加導致用電量飛速增長，電網企業越來越關注統計線損率，其成為衡量供電公司管理水平、經濟效益的核心指標[1]。低壓配電網作為大電網線路末梢，錯綜復雜的拓撲結構使得線損異常問題愈加嚴重。配電網端提高線損管理水平是降損、減損以及消除異常線損的有效手段。

目前，確定線損異常原因的方法多為電網工作人員現場勘查、總結，之后人工錄入[2]。伴隨電網信息化的技術引入，目前南方電網在積極推進配電側信息檔案化管理，與配電網相匹配的檔案線損異常原因分析模型的研究尚處于起步階段。目前，低壓配電網線損管理的主要形式為分臺區管理[3]。針對臺區線損所存在的異常問題，國內外學者也做了大量研究。文獻[4]使用實測負荷數據和理論線損計算方法分析線損產生機制，提出了節能降損的策略，但該文獻僅分析了理論情況，未就實際的用電情況進行討論，不具備實際可操作性。文獻[5]使用小波變換對電流諧波進行檢測，通過分析頻譜信息解決了因電流畸變導致線損異常的問題，但存在一定的局限性，臺區線損異常包含諸多因素，該文獻僅僅討論了其中一種，不具備代表性。文獻[6]提出了一種灰色關聯分析與改進神經網絡相結合的線損預測方法，并與實際線損比較從而確定線損是否異常，該方法可以較好地篩選出異常線損，但無法確定線損異常的具體原因，從源頭解決線損異常問題。文獻[7]使用相似性方法，分析了與線損相關的氣象因素，從而有針對性地對不同區域采取不同線損異常治理方法，但其采用外部因素對線損異常進行宏觀調控，沒有分析內部因素對臺區線損異常的影響。

基于現有的線損異常原因分析研究現狀，針對目前研究者對線損異常分析的研究尚處于局部分析的問題，本文提出了一種基于檔案管理的整體線損異常原因研究，將較好地推動當前線損管理方面的研究進程，提高線損異常原因判斷的實用性和實時性。其具體實施方案為：將大量的線損異常原因檔案數據依照相似性歸類，依據每類異常原因不同的表現特征，設定不同的異常原因判斷規則，并將規則集合成線損異常判斷知識圖譜，用作線損異常分析判斷。知識圖譜技術在處理數據關系時具有優勢，與線損異常原因的分類及特性分析的研究需要完全契合。文獻[8]將知識圖譜運用在電氣設備缺陷查詢中，產生了良好的效果。因此，本文提出了一種使用知識庫的線損異常原因判斷方法，并運用推演格算法對其進行規則優化。采用實際數據進行檢驗，并與傳統專家庫進行對比，驗證了本方法在線損異常原因判斷方面具有良好的效果。

1 知識圖譜技術

1.1 知識圖譜簡述

知識圖譜又稱知識領域映射地圖，能夠挖掘、分析、構建、繪制和顯示知識及它們之間的聯系，利用可視化技術，直觀清楚地展示知識之間的關系，并將知識之間的關系轉化成三元組的形式，存儲到圖數據庫中[9]。知識圖譜的基本結構為“實體—關系—實體”或“實體—屬性—屬性值”的形式。圖譜顯示為以實體為節點、關系為邊的多實體、多關系的網狀結構圖[10]。

目前，知識圖譜多應用于學科發展趨勢分析和互聯網領域，在電力行業中應用較少。根據應用領域的不同，知識圖譜可分為通用知識圖譜和行業知識圖譜[11]。通用知識圖譜知識來源多、覆蓋范圍廣，通常采用自底向上的知識圖譜構建方法，其多用于搜索引擎中，最具代表性的是國外的谷歌知識圖譜以及國內百度知心知識圖譜等[12]。行業知識圖譜是以特定領域中的知識作為基礎來構建，知識之間的關系網簡單、明確，抗干擾能力強。行業知識圖譜通常采用自頂向下與自底向上相結合的構建方法。最具代表性的行業知識圖譜有Geonames，Linked Movie Database等[13]。

1.2 知識圖譜的構建環節

通常知識圖譜的構建環節包括知識抽取、知識表示、知識融合、知識存儲等4個步驟[14]。

1）知識抽取：根據不同形式的數據源，采用適當方法分別抽取出實體、關系、屬性等知識。

2）知識表示：將抽取出的實體、關系和屬性按照該領域的知識結構和人的思維方式轉化為計算機可處理的形式。

3）知識融合：不同數據源所獲取的知識在表示命名時，可能存在重疊關系，需進行消岐整合。

4）知識存儲：將知識及關系依照三元組的結構存儲到圖數據庫中，方便查詢與顯示。

2 臺區線損異常知識圖譜的構建

在電網稽查部門的線損檔案數據庫中，對線損異常臺區的異常原因及處理辦法的記錄方式通常為自然語言[15]。知識圖譜技術可以將記錄中的實體及關系以三元組的形式清晰明確地表示出來，解決了臺區線損異常原因查詢、復檢以及參考難的問題。

線損檔案中的臺區線損異常原因所涉及范圍的數據既包括結構化數據（電壓、設備容量等），也包含自然語言類的無結構化數據。因此，在知識抽取、融合及構建三元組時，需分開進行。

2.1 實體、屬性抽取及關系建立

臺區線損異常原因知識圖譜中，所涉及的實體包括：臺區、變壓器、低壓用戶表、臺區總表等。首先，每一類對象建立本體V，本體是一類物理設備的抽象概念，例如變壓器。每一類本體包含若干實體V={v1,v2,…,vn}，n表示每一類本體下的實體數，實體數量由構建知識圖譜時所抽取的對應知識數來決定。每個實體表示為（vi|id,E），id為每個實體的唯一標識，E為實體自身的屬性集合。實體與實體之間可能存在關系r，[vt,r,vh]為兩個存在關系的實體組成的三元組結構。從電網信息系統中，抽取出線損異常原因所涉及的實體及其主要屬性。這些數據為結構化數據，保存在源數據庫中，源數據庫表的字段表示每一列的數據類型，源數據庫表的每一行為同一實體的各個屬性[16]。將抽取出的知識按照上述方法，根據關系組成三元組，即構成知識圖譜雛形。例如抽取出“臺區A”的電壓值，則構成“臺區A—電壓—電壓數值”。

2.2 線損異常原因抽取及分詞處理

設備名稱、屬性這些結構化數據知識抽取方法比較簡單，而臺區線損異常原因為非結構化數據，沒有規則性，知識抽取較困難。本文采用自然語言處理（natural language processing，NLP）基于詞典的分詞算法對臺區線損異常原因的非結構化數據（自然語言表示的數據）進行劃分，并過濾掉停用詞[17]。分詞結果實例如表1所示。基于分詞的結果，可以將自然語言組成[臺區，連接（錯誤），用戶]的三元組。

表1 分詞結果實例Tab.1 Examples of segmentation results

對分詞結果使用TF-IDF算法，將涉及的實體及異常表現形式按照權重進行排序，對權重較大的實體及異常形式著重分析并建立判斷規則[18]。TF-IDF算法表達式如下：

當該詞的TF×IDF越大，表明該詞在臺區線損異常原因中占比越大。對453個臺區的線損異常原因樣進行NLP分詞及TF-IDF算法分析，結果如表2所示。從表2可以看出，臺區線損異常原因多集中在總表、分表、采集器等數據傳輸塊，異常形式也多與數據采集相關。

表2 實體及異常原因前三名關鍵詞Tab.2 Top three keywords for entities and abnormal reasons

將線損異常原因中的實體與實體、實體與異常形式之間建立完善的三元組關系，并與1.1節中的知識圖譜相結合，則構成了臺區線損異常知識圖譜。

3 臺區線損異常原因判斷方法

本文對臺區線損異常做了大量調研以及參考電網中的相關線損文件，將異常原因分為6大類：檔案因素、計量因素、采集因素、統計因素、技術因素以及竊電因素[19]。根據2.2節臺區線損異常原因關鍵詞提取結果，所掌握數據未涉及統計因素與竊電因素，因此只針對其余4類異常原因進行分析。臺區線損異常原因分類如圖1所示。

圖1 臺區線損異常原因分類圖Fig.1 Classification diagram of the cause of transformer areas line loss anomaly

3.1 臺區線損異常原因判斷規則

本文針對每大類異常原因，挑選出異常形式占比較高的具體小類原因設定規則。具體線損異常原因判斷規則如表3所示。

表3 異常原因判斷規則Tab.3 Judgment rules for abnormal causes

所挑選出的臺區異常原因包括失壓、失流、臺戶關系不正確、三相不平衡等在內的10種異常原因。借鑒電網中對這些臺區異常原因的定義和判斷方法，改進后形成本文的臺區線損異常原因的判斷規則步驟。判斷算法不是本文研究的重點，在此不再過多贅述。

3.2 臺區線損異常原因判斷流程

將表3每小類線損異常原因按照各自判斷規則構建出算法流程圖。每類算法的執行步驟之間存在先后順序，根據這種先后關系將其整理成三元組的形式，構成異常判斷知識圖譜。將推演格算法應用于異常判斷知識圖譜中，利用知識融合技術將異常判斷知識圖譜的各算法步驟優化整合。

推演格算法是一種智能高效的偏序推理模型[20]。推演規則包括：1）C1∧ C2∧ …∧Cn→h，其中，C1，C2，…，Cn是條件，h 為結論；2）若C1∧C2∧（Ci∨…∨Ci+n）→h，須拆分為：C1∧ C2∧ Ci→ h,…,C1∧ C2∧ Ci+n→ h；3）若存在C1∧C2∧C3→h1和h1∧C4∧C5→h，則可將其合并為C1∧C2∧C3∧C4∧C5→h。

以計量、采集因素下的線損異常原因為例，在未經過推演格優化前，每個異常原因小類的算法流程步驟都是獨立的，實際運用中需要對每個算法逐個運行進行判斷。經過推演格優化后的算法流程步驟如圖2所示，從圖2中可以看出，不同的小類異常原因的算法中存在相同的判斷步驟，如果按照先前的異常原因判斷方法，會造成大量的判斷冗余，影響線損異常原因的判斷速度。優化之后的算法步驟不需從根節點進行算法判斷，線損異常判斷速度得到了提高。

圖2 優化后異常規則流程圖Fig.2 Flow chart of the optimized exception rules

4 算例分析

為驗證本文所述的線損異常分析方法在實際應用中的效果，以現有臺區線損異常數據進行實驗，并與電網中現有的線損異常判斷專家庫的實驗結果作對比。

從某電網公司中選取600個線損異常臺區作為實驗數據源。選取判斷正確率和判斷速度作為臺區線損異常原因判斷效果的評判標準。600個臺區中的線損異常原因分類數量如表4所示。

表4 各大類線損異常臺區數量Tab.4 Quantity of major types of abnormal line loss transformers

4.1 臺區線損異常判斷庫判斷結果分析

從電網信息系統中抽取此600個目標臺區的屬性數據，按照本文方法構建出臺區線損異常知識圖譜。運用本文的優化后的臺區線損異常原因規則對600個線損異常臺區的異常原因進行判斷，并與電網中的專家庫判斷結果相比較，如圖3、表5所示。

圖3 臺區線損異常原因判斷結果Fig.3 Judgment results of the cause of transformer areas line loss anomaly

表5 臺區線損異常原因判斷結果Tab.5 Judgment results of the cause of transformer areas line loss anomaly

從圖3和表5中可以看出，本文方法對臺區線損異常的原因判斷正確率與電網中所使用方法的異常原因判斷正確率相當，特別是檔案原因與技術原因，判斷正確率分別達到了98.7%和96.0%，超過了電網方法的正確率，表明了本文方法在臺區線損異常原因判斷方面具有可行性與實際應用價值。其中計量因素與采集因素的判斷正確率稍低，其原因有2個：1）本文構建的異常判斷規則沒有涵蓋電網中所有的線損異常行為，存在原因遺漏；2）計量與采集因素的規則判斷多依賴于配電網采集數據（電壓、電流、電量等），這類數據處于動態變化中，其數據質量直接影響著異常原因判斷結果的準確性。以某電網公司某臺區為例說明判斷流程：該臺區原始數據包括各相電壓和電流，數據頻率為15 min 1個數據點，每天96個數據點。該臺區數據如表6所示。表6中為各相電壓、電流1 d的平均值，通過方法流程判斷，A相電壓小于78%的正常工作電壓，A相電流大于0.5%的額定電流，因此該臺區線損異常原因判斷為A相失壓。

表6 某臺區計量數據Tab.6 Measurement data of a certain transformer area

本文方法中所使用的臺區線損異常原因判斷規則參考了電網中已有的規則，并根據每一種異常原因所表現的電力數據特點，構建的規則更具針對性。當判斷出當前臺區的異常原因時，對臺區線損異常原因知識圖譜進行知識拓展，將該臺區的判斷算法及判斷結果以三元組的形式擴充入知識圖譜中，將其不斷完善，為電網工作人員日后的線損異常處理提供參考，具有借鑒意義。知識圖譜實例如圖4所示。

圖4 知識圖譜實例展示Fig.4 Example of knowledge graph

4.2 臺區線損異常判斷庫判斷速度分析

在正確率保持在較高水平的基礎上，對本文方法的異常原因判斷速度做進一步的實驗驗證。根據不同異常判斷算法的流程步驟個數，將現有樣本臺區線損異常原因分為[1，9]區間的復雜程度，異常判斷算法的步驟越多、流程越長，其復雜程度也就越高。將本文方法對復雜程度為1的臺區線損異常原因的判斷所需時間作為基礎，判斷其他復雜程度的異常原因所需時間與該時間相比較，求得出相對速度。本文方法和電網方法的異常原因判斷速度對比結果如圖5所示。

圖5 臺區線損異常原因判斷速度結果Fig.5 Speed result of judging the cause of transformer areas line loss anomaly

從圖5中可以看出，在對臺區線損異常原因進行判斷時，本文方法的判斷相對速度優于電網方法的判斷相對速度，并且隨著判斷規則復雜程度的增加，判斷相對速度的差距越來越大。本文方法的判斷相對速度下降趨勢遠小于電網方法的下降趨勢，且逐漸趨于穩定；而電網方法的判斷相對速度隨著判斷規則復雜程度的增加而急劇下降。這是因為本文方法運用了推演格算法進行優化，將各算法規則中的冗余步驟相融合，在對目標臺區進行異常判斷時，無需每次都從頭運行算法規則流程，從而節約了異常原因判斷的時間，大大提升了臺區線損異常原因的判斷速度。

5 結論

本文將知識圖譜技術運用于臺區線損異常原因判斷分析中，構建出臺區線損異常知識圖譜。分析并建立對臺區線損異常原因的判斷規則，并利用知識圖譜技術將判斷規則按照步驟先后順序組合為三元組進行存儲，運用推演格算法理論和知識融合技術，對判斷規則優化整合，構建出本文的臺區線損異常原因判斷方法。與電網現使用的臺區線損異常判斷方法相比較，所提方法能夠在準確率上與其處于持平狀態，并大大提高了臺區線損異常原因的判斷速度，具有極好的實用性和高效性。異常判斷結果和所使用的判斷算法可對現有臺區線損異常原因知識圖譜進行增補完善。利用知識圖譜的可視化技術，能夠給電網工作人員提供參考借鑒，便于對線損異常臺區進行查詢、復檢等工作。

本文不足之處是所采用的異常原因判斷算法沒有涵蓋當前所有的臺區線損異常原因，在之后的研究中，將繼續擴大臺區線損異常判斷規則的數量和范圍，不斷對臺區線損異常知識圖譜進行完善，提高其完備性及應用范圍。