基于改進RBF神經網絡的線損不良數據辨別

胡行濤，劉大明

（上海電力大學，上海，201300）

0 引言

相比以往，2021年我國經濟的發展和人民生活水平已經得到很大提高，與之而來的問題就是資源的巨大消耗和環境的嚴重污染。去年，黨中央把生態文明建設列為國家的當務之急，提倡資源重復利用，同時資源重復利用的方式也隨之改變。電網是高耗能、高污染的行業，急需提高資源管理效率和資源利用率。線損成為提高電能管理效率和大幅度減少資源消耗所必須直面的難題。在高電壓長距離、長時間的輸送過程之間，在發電系統、輸變電系統和消費者三者之間，不可避免地導致的電力系統電能損耗，就是我們常說的線損。詳細劃分可以分為兩個層面：一是在電力系統輸電過程中輸電、配電和變電過程中因設備性能產生損失；二是從電力系統發電端到電力部門電表的電力損失。

線損的具體計算方式：

線損率表示為線損電量占供電量的百分比：

國家電網公司的電能在網絡傳輸中，每年產生的損耗大概占全年發電量的8%[1]。隨著社會的發展，國家電網公司在全國建立越來越多的輸電線路，與此同時，出于節能減排的目標，大幅度地減少線路損耗是國網公司必行之舉[2]。

Deep Learning 的迅猛發展為線損的預測提供了新的方法，如將縱向對比法結合到RBFNN 的網絡中，定位電力線線路損耗模型中的不良數據[3]，周福舉[4]等利用BP 神經網絡算法對電力不良數據進行判斷，并對線損進行預測。龔月華等[5]分析總結了幾個具有代表性的深度學習模型，針對傳統深度學習模型在線路損耗預測中存在的過擬合、收斂速度慢等問題，提出了結合深度置信網絡相與深度學習網絡的算法對線損率進行計算。李亞等[6]提出使用改進的K-Means 算法對數據進行分類優化BP 神經網絡中的參數，從而提高線損率預測準確性。

目前，線損率計算有兩類方法：一類是基于等值模型，如：電流方差法、電流期望法、電流極限值回測法、電壓-電流法[7-10]，這幾個方法依賴采集數據的準確性和完整性，并且只考慮電氣因素而忽略環境因素；另一類是利用現代神經網絡為基礎，神經網絡可以模擬出大腦對視覺信息的感知。是一種非常強大的特征學習方法，通過層層的融合目標物體的底層特征信息，從而可以將抽象的高層次信息在大腦匯聚而成[12-13]。

1 RBF 神經網絡的參數優化

1.1 粒子群優化算法

粒子群優化算法是由動物覓食以及捕食的一種策略而衍生出來的一種算法，根據群體內“社會信息共享”的思想，做的一種人為方式的量化，把這種量化以一種數學的方式推導出來，最終得到一個全新的基于Swarm Intelligence 的優化智能算法，又稱作鳥群算法。可以抽象的理解為：社會組織要面對并解決復雜的問題涉及其成員的個人能力，以及群體的社會動力。一群人，其中每個人都有一點智慧，可以創建一個復雜的社交平臺使用一組簡單的交互規則的智能。社會的組織被稱為群體，個人被稱為群體粒子。在PSO 搜索空間中，每個單個解決方案都像鳥一樣被稱為粒子。

粒子只有各自的位置和速度矢量，這些群粒子被叫做種群，種群在一個目標函數解值的相關區域內行動，任意搜尋最優解，當然種群是無法確定最優位置在哪里的，每個粒子也是不知道各自的當前位置和需要搜尋到最優解的距離，他們只能根據整個群體中的頭例子來改變方向和速度，從而來尋找最優解[17-18]。該算法模擬自然生物如何表現出一群人的行為。在多維搜索空間中，單個粒子被隨機吸引到它們自己先前的最佳位置和群的最佳解決方案。群體學習的計算取決于兩個重要信息：每個粒子的最佳解決方案（直至評估點）和群體的最佳體驗（即，到目前為止已發現的最佳點）。粒子被告知其鄰域和關于群體最好的鄰里解決方案，因為粒子使用了最佳的全局解決方案來調整其即將發生的位移。粒子位移服從以下等式：

等式（1）由三個項組成，第一個w 是慣性權重，它用來調節當前粒子的速度。第二項是粒子當前位置與自己最好位置之間的矢量距離，懲罰因子 c1用于調整個人“認知”能力。 最后一項代表社會群體的行為，它是由因子 c2控制群體認知對個體的影響。等式（2）是例子位移公式，下一個時刻的位置是上一個時刻位置和速度的矢量和，PSO 算法只需要幾個參數即可運行。

1.2 PSO-RBF 算法

采用粒子群算法優化RBF 神經網絡層級，如圖1 所示。

體過程如下：

（1）數據歸一化。對線損樣本進行歸一化處理，使得每一維數據xi都在[0，1]之間；如下式：

式中：O為樣本容量；x i為樣本點；min（）為最大值函數、max（）為極小值函數。

（2）改進后的RBF 神經網絡的隱含層節點數由粒子群優化算法確定。

（3）改良的PSO 算法對RBF NN 的參數訓練達到優化的目的，參數包括隱含層到輸出層的連接權值 、核函數中心Ch、核函數的寬度σh，將這些參數組合構成了BIRD 的坐標參數。

圖1 粒子群算法優化RBF 的訓練流程

（4）初始化流程中注意初始化BIRD 數目N、BIRD 的坐標xi、速率Vi；的初始值隨機賦予；使用誤差的均方值作為PSO 算法的適應度函數。

（5）根據上一步計算出的適應度值來決定是否更新BIRD的最優解以及全局最優解。

（6）由式（1）和式（2）來更新BIRD 的坐標和速率。

（7）若目標函數小于設定的值，則停止迭代，否則重新計算適應度；迭代結束后，全局最優解即為所求的解。

1.3 算法的具體實現

(1)數據的預處理

在RBF 神經網絡的訓練過程中，必須選擇關鍵特征量，以便訓練后的改進RBF 神經網絡模型可以達到預期的效果，進而快速地實現訓練目標。另外，特征數據獲取的難度和可重復性也必須考慮進去，防止訓練時發生維度災難。

有許多功能參數會影響線損，根據特征參數和線路損耗兩者之間的關系，選擇以下幾組參數作為神經網絡的特征輸入量：

供電線路的平均有功功率：送電端按日統計的有功功率，該參數反映了線路的負載水平以及線路中平均電流的大小。

電線路的平均無功功率：導線本身存在電阻，其阻值與線路長度成正比。線路越長，阻值越大，從而線損也越大。單位時間內，交流電路中負載消耗并轉換為熱能、光能、機械能或化學能等且轉換過程不可逆的電量。

供電線路的長度：導線本身存在電阻。并且，線路越長，阻值越大，從而線損也越大。

供電線路的均方根電流：交流電流的有效值；當輸電線參數一定時，均方根電流越大，損耗越大。

降水量：由于雨雪等天氣都會增大電暈損耗，為了方便研究它們對線損的影響，可間接研究降水量對線損的影響。

相對濕度：線路損耗受空氣濕度影響，一般采用相對濕度來衡量空氣的濕度。

為了量化同一每一個特征值以及模型收斂速度更快。另外，數據集中的不良數據也將對導致神經網絡訓練結果精度低效果差。因此，為了提高數據處理的準確性，有必要歸一化訓練的數據集中的數據。使所有訓練集的數據值的大小都將處于0 到1 的范圍之內。在線損預測領域用的最多的方式是min-max 歸一化，其計算公式為：

其中，x i為上述六個特征輸入量之一，Xmax和Xmin分別為xi的最大值和最小值,Xmin_max表示min-max 后的數值，在0-1 之間。

(2)不良數據的辨別

選擇歸一化后的數據對神經網絡進行訓練，使用訓練后的模型預測線路中的平均有功功率，并獲得一組數據Yd。對比由現場采集到的實際值Y，然后計算Y與Yd兩者之間的差值。如果差異在允許范圍內，則為好數據；如果差異不在允許范圍內，則將數據組標記為不良數據。本文算法對線損數據辨識具體的流程如圖2 所示。

圖2 不良數據辨識的流程

使用上海市電網某變電站2019年的七條線路（編號x1，x2，x7）的全年數據為數據集進行實驗。選擇供電線路的長度、供電線路的平均無功功率、供電線路的平均電流、供電線路的平均有功功率、相對濕度和降水量作為改進后的RBF神經網絡的輸入，并選擇供電線路的線損率作為輸出量來訓練構建的模型。將前265 天的數據劃分為訓練神經網絡的基準，并在接下來的100 天的數據上測試經過訓練的改進后的RBF 神經網絡模型。設置3500 為最大收斂次數，并設置目標誤差均方為0.0001。迭代的次數與誤差均方值如表1 所示，可知網絡累計迭代到1000 次后達到了預計的精度，實驗數據的均方誤差為9.4e-05，實現了相對高的精確度。

表1 迭代次數與均方誤差

對倒數100 天進行測試從而檢驗改進后的RBF 神經網絡模型的性能，下表1.2 所示，兩組不良數據的誤差大于了規定的閾值，視為為不良的數據。

表2 樣本數據與預測值對比

2 總結

本文根據粒子群優化算法迭代尋優且方便實現的特點去優化結合RBF 神經網絡，使用改進后的算法進行訓練，從而對歸一化后的電網線損數據進行標記、剔除。最后通過實驗驗證了該模型可以比較準確地處理電網不良數據。