基于孤立森林算法的10 kV配電網(wǎng)線損異常智能識別方法

葉勁龍

（廣東東莞城區(qū)供電局，廣東 東莞 523000）

0 引 言

當(dāng)配電網(wǎng)線損出現(xiàn)異常時，能源損耗增加，同時導(dǎo)致電力成本增加[1,2]。因此，高效識別配電網(wǎng)線損異常是電力企業(yè)減少管理成本、提高電網(wǎng)經(jīng)濟(jì)效益的重要舉措[3]。然而傳統(tǒng)的配電網(wǎng)線損異常識別方法具有局限性，電能損耗量計算不夠精準(zhǔn)，導(dǎo)致線損識別誤差大，配電網(wǎng)線損識別的精確度較低[4]。

當(dāng)前，對于配電網(wǎng)線損情況的識別方法有模糊識別法、神經(jīng)網(wǎng)絡(luò)識別法等。模糊識別法是在模糊集理論的基礎(chǔ)上發(fā)展起來的，雖然已經(jīng)得到了廣泛應(yīng)用，但仍有一定的局限性，容易使變壓器電流的模糊選擇判斷變得困難[5]。神經(jīng)網(wǎng)絡(luò)算法具有較強(qiáng)的學(xué)習(xí)能力，能夠反映復(fù)雜的非線性函數(shù)關(guān)系，但由于缺少固定的模型，仍然存在識別精度不足的缺陷[6]。為此，本文在研究孤立森林算法的基礎(chǔ)上提出了一種新的線損異常識別方法。通過對比實驗，結(jié)果表明，本文設(shè)計方法與傳統(tǒng)方法相比誤差較小，識別準(zhǔn)確度極高。

1 基于孤立森林算法的10 kV配電網(wǎng)線損異常智能識別方法設(shè)計

1.1 計算10 kV配電網(wǎng)線損特征參數(shù)

本文使用等值電阻法進(jìn)行計算[7]。假設(shè)配電網(wǎng)的全天平均電壓參數(shù)為Q，各電路內(nèi)平均電流參數(shù)為W，相應(yīng)的形狀系數(shù)為E，那么對于整個配電網(wǎng)，其內(nèi)部各個電氣節(jié)點(diǎn)的平均電流參數(shù)Wz為：

式中：z為輸電網(wǎng)中的某節(jié)點(diǎn)；Rz為z的日有供電量參數(shù)；n為電路中負(fù)荷節(jié)點(diǎn)的參數(shù)值。

通過式（1）可以求得配電網(wǎng)電路中的平均電流參數(shù)，在此基礎(chǔ)上可以計算出10 kV配電網(wǎng)中全天所損耗的電能，相應(yīng)公式為：

式中：j=1,2,…,d（d≥0），表示的是配電網(wǎng)站的某線路；Wj為線路j內(nèi)的平均電流參數(shù)；Y為電阻值參數(shù)；E為形狀系數(shù)參數(shù)[8]。

基于式（1）和式（2），可以求得配電線路的總耗電量，相應(yīng)公式為：

式中：d為10 kV配電網(wǎng)的線路總量參數(shù)；Yj為線路j內(nèi)的電阻值參數(shù)。

對于配電變壓器對配電網(wǎng)線損的影響分析，本文使用其各節(jié)點(diǎn)的額定電流參數(shù)Az和平均電流參數(shù)Wz進(jìn)行計算，相應(yīng)的公式為：

式中：∑Iz為配電變壓器的繞組耗電量參數(shù)；Cz為配電網(wǎng)節(jié)點(diǎn)z處配電變壓器在發(fā)生短路情況時相應(yīng)的功率參數(shù)。

假設(shè)在10 kV配電網(wǎng)中，一天內(nèi)，配電變壓器的鐵心損耗為Bz，其損耗公式為：

式中：Pz為在10 kV配電網(wǎng)中某一節(jié)點(diǎn)z處，變壓器空載時所造成損耗的功率參數(shù)。

10 kV配電網(wǎng)中，一天內(nèi)電線的電能損耗O的計算公式為：

由此可以算出，一個月內(nèi)的電能損耗率參數(shù)為：

式中：v為輸電網(wǎng)起點(diǎn)處在整個月內(nèi)的有功電量參數(shù)[9,10]；L為月內(nèi)天數(shù)量；k為一天內(nèi)電網(wǎng)的有功電量參數(shù)。

1.2 基于孤立森林算法建立10 kV配電網(wǎng)線損異常識別模型

面對大量的配電網(wǎng)電氣設(shè)備參數(shù)數(shù)據(jù)，使用孤立森林算法對其進(jìn)行計算，能夠提高線損異常識別的精準(zhǔn)度。

對于某一劃分好的孤立二叉樹模型，其中的葉子節(jié)點(diǎn)集合可以表示為G，且滿足G={g1,g2,…,gn}；在該森林劃分模型中，各個路徑的長度標(biāo)準(zhǔn)差為α，具體公式為：

式中：n為葉子節(jié)點(diǎn)的數(shù)量，取值為非零的正整數(shù)；β為模型中劃分路徑的平均長度。假設(shè)每個孤立二叉樹都存在其劃分的路徑長度標(biāo)準(zhǔn)差α，那么可以建立一個標(biāo)準(zhǔn)差集合 α={α1,α2,α3,…,αn}，將其進(jìn)行歸一化處理，相應(yīng)的公式為：

式中：δn為對于某一路徑n歸一化后的數(shù)值參數(shù)；αmin為標(biāo)準(zhǔn)差最小值參數(shù)；αmax為最大值參數(shù)。

假設(shè)配電網(wǎng)中電氣設(shè)備的線損數(shù)據(jù)集合為K，對于其中的樣本k來說，各個劃分的路徑長度為Lk，且滿足Lk={L1,L2,…,Ln}；假設(shè)該模型中各個二叉樹的權(quán)重為Fd，且滿足Fd={f1,f2,…,fn}，相應(yīng)的異常識別計算公式為：

式中：fk、lk分別表示在集合中某樣本k的權(quán)重以及路徑長度參數(shù)。通過計算可以求得對于k的異常值參數(shù)s，區(qū)分?jǐn)?shù)據(jù)中的線損異常。

1.3 加權(quán)孤立森林優(yōu)化異常識別模型

在建立好基于孤立森林的線損異常識別模型后，本文對該模型進(jìn)行優(yōu)化加權(quán)。

構(gòu)建加權(quán)孤立森林模型，根據(jù)前文所述計算公式進(jìn)行計算，求得劃分路徑的標(biāo)準(zhǔn)差參數(shù)，計算相應(yīng)的權(quán)重參數(shù)。加權(quán)孤立森林的異常識別模型計算流程如圖1所示。

如圖1所示，本文采取分布式框架，對于10 kV配電網(wǎng)線損數(shù)據(jù)使用加權(quán)孤立森林算法進(jìn)行處理，通過隨機(jī)抽樣的方法選取識別數(shù)據(jù)作為識別樣本，建立相應(yīng)的數(shù)據(jù)子集，通過線損特征參數(shù)進(jìn)行數(shù)據(jù)劃分，建立孤立二叉樹模型，計算相關(guān)的路徑長度以及權(quán)值參數(shù)，綜合計算配電網(wǎng)中電氣設(shè)備的異常數(shù)據(jù)參數(shù)，進(jìn)而分析出異常點(diǎn)。

圖1 配電網(wǎng)線損的異常識別模型計算流程

2 實驗論證

為了驗證本文設(shè)計的線損異常智能識別方法的有效性，進(jìn)行實驗論證，測試重點(diǎn)在于區(qū)別傳統(tǒng)方法，具體內(nèi)容如下。

2.1 實驗準(zhǔn)備

本文以某10 kV配電網(wǎng)H為實驗對象，進(jìn)行線損異常的識別操作，分別使用傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）計算識別方法以及本文設(shè)計的基于孤立森林算法的識別方法對線損異常情況進(jìn)行識別。本次實驗的計算機(jī)硬件配置為Core（TM）i5-6200U，中央處理器（Central Processing Unit，CPU）的運(yùn)行效率為2.3 GHz，計算機(jī)內(nèi)存為8 GB，能夠滿足實際的計算所需。

本文將預(yù)處理后的數(shù)據(jù)使用孤立森林算法進(jìn)行配電網(wǎng)線損的異常識別工作，通過隨機(jī)分割的方式確定配電網(wǎng)電氣元件線損數(shù)據(jù)的樣本子集為100，且其中的樣本數(shù)量同為100。

2.2 實驗結(jié)果

本文設(shè)計方法中，分別使用傳統(tǒng)BPNN算法、帶極值擾動粒子群優(yōu)化（extremum distributed Particle Swarm Optimization，tPSO）算法、簡化粒子群優(yōu)化（simple Particle Swarm Optimization，sPSO）算法、孤立森林算法對配電網(wǎng)電能數(shù)據(jù)進(jìn)行線損異常識別，測試次數(shù)為20次。統(tǒng)計計算過程中各算法相應(yīng)的適應(yīng)度參數(shù)，具體結(jié)果如表1所示。

表1 傳統(tǒng)與本文算法識別適應(yīng)度對比表

由表1可以看出，對比其余3種算法，本文設(shè)計的識別算法綜合性能最佳，具有明顯優(yōu)勢。能夠保證適應(yīng)度數(shù)值極低，在線損異常識別過程中保持較好的全局搜尋能力。同時，在迭代到20代時，本文設(shè)計方法的適應(yīng)度與其他算法差距較大，適應(yīng)度差值高達(dá)20，說明所設(shè)計的線損異常識別算法具有極高的收斂速度。

對比傳統(tǒng)的BPNN方法，在配電網(wǎng)線損異常檢測的過程中記錄真實線損、本文設(shè)計方法計算值、傳統(tǒng)方法計算值，相應(yīng)的識別誤差結(jié)果對比如表2所示。

對比上述結(jié)果可以看出，本文設(shè)計方法對于線損異常的計算精度明顯提高，誤差值控制在0.05%以內(nèi)，基本可以忽略不計，極大提高了線損異常的識別精確度。

3 結(jié) 語

本文在研究孤立森林算法的基礎(chǔ)上設(shè)計了新的線損異常識別方法，實現(xiàn)了對于10 kV配電網(wǎng)線損異常的智能識別。實驗結(jié)果表明，本文設(shè)計方法在對10 kV配電網(wǎng)進(jìn)行線損異常的智能識別操作過程中具有極小的計算誤差，識別準(zhǔn)確度極高，具備極高的有效性。