基于孤立森林算法的中壓配電網線損異常診斷方法研究

賈沈翔

（國網江蘇省電力有限公司泰州市姜堰區供電分公司）

0 引言

近些年來，我國電網規模體量日益增大，輸電線路連接結構愈發復雜，導致線損問題更加突出。有關數據顯示，直至2020 年我國全網線損率已經超過4.5%，遠遠高于一些發達國家的平均水平，不僅影響到供電公司的經濟效益，而且威脅著電網的穩定運行，所以在電網運行過程中展開線損管理工作刻不容緩。但是，我國供電公司的線損管理水平與技術仍然較低，工作人員日常工作量極大，難以保障線損數據管理的準確性，這也導致我國學者將目光聚焦在電網線損的智能化管理研究上，文獻[1]作者拜潤卿等人結合狀態機模型設計線損原因識別方法，實現對配電網線損位置的有效控制與快速修復；文獻[2]作者高澤璞等人利用知識圖譜進行線損異常原因的判斷，提升了臺區線損異常原因的判斷速度。綜上，目前我國統計線損診斷工作存在效率差、精度較低等問題，研究高效準確的配電網線損異常診斷方法勢在必行，真實可靠的線損異常診斷結果可以為我國電網制定線損措施提供決策依據，對推動智能電網的發展具有重要現實意義。

1 獲取中壓配電網線損數據

本文針對中壓配電網線損異常進行診斷，首先需要獲取線損數據[3]。配電網線損就是全部元器件的電能損耗，主要由可變和不變這兩種類型的損耗構成，在配電網運行過程中，因電氣設備故障、電表計量誤差以及用戶竊電等，均會引發線損，一般來說這種線損數據無法直接采集得到，需要采集配電網用電信息，通過計算得到。先進量測體系（AMI）是我國電網企業用來測量并存儲用戶數據的系統，本文通過AMI 采集供電公司的售電量以及供電量數據，然后計算配電網線損：

式中，L為中壓配電網線損數據；G為供電公司的供電量；S為供電公司的售電量。在中壓配電網實際運行過程中，為直觀呈現配電網的線損，常常獲取下式所描述的線損率數據[4]：

式中，η為中壓配電網的線損率。為保障中壓配電網線損異常診斷效果，根據上述內容所獲取的中壓配電網線損數據通常需要進行清洗、去噪等操作，將線損率數據中冗余無用的數據剔除，然后再進行異常診斷。

2 基于孤立森林算法的線損異常數據診斷

一般來說，在中壓配電網運行過程中，勢必會產生線損，但正常線損數據較小，屬于可控范圍內，所以如果線損數據過大，說明該配電網處于異常狀態，需要及時處理，所以本文引入了孤立森林算法[5]，設計中壓配電網線損異常診斷方法。孤立森林算法就是通過隨機超平面切割中壓配電網線損數據，經過不斷循環切割，即可得到無數個僅存在一個單獨數據點的子空間，再對子空間數據點進行診斷，不僅可以保障診斷結果的精度，而且對于異常樣本數據較少的數據集也有著較好的診斷效果。那么本文在利用孤立森林算法診斷中壓配電網線損異常時，首先需要計算出文中上述內容所獲取的線損數據的異常分數，假設獲取的中壓配電網線損數據共含有N個數據點，那么組成孤立森林的孤立樹最大高度為N- 1，此時可以根據下式計算出孤立森林切割線損數據集的路徑：

式中，f(x)為孤立樹葉子節點x到根節點的路徑。然后根據孤立樹與二叉搜索樹之間的相似性，可以計算出孤立樹的切割路徑的長度，表達式如下所示：

式中，R(N)表示根據二叉搜索樹求得的孤立樹切割路徑的平均長度。最后，在上式的基礎上，計算出線損數據的異常分數，表達式如下：

式中，F(x，N)表示中壓配電網線損數據的異常分數。再根據式（5）求得配電網線損異常分數后，即可進行線損異常診斷，如果所求F(x，N)趨于0，則表明該數據節點為正常節點；反之，如果所求F(x，N)趨于1，則認為該數據節點存在明顯異常，將其判定為異常數據，最后通過獲取線損數據的特征匹配結果，來得到中壓配電網線損異常類型。通常情況下，在利用孤立森林算法診斷中壓配電網線損異常時，正常線損數據會被劃分在高密度區域，而低密度區域中包括的就是異常線損數據，所以在實際的中壓配電網線損異常診斷時，需要循環進行線損數據集的切割判定，直到全部數據點診斷完畢。

3 仿真實驗

3.1 實驗準備

為驗證文中設計線損異常診斷方法的合理性，本章在PSCAD 仿真軟件中模擬中壓配電網的運行環境進行仿真實驗分析。首先采用輸電線路、電阻、發電機等組件搭建一個中壓配電網仿真實驗環境，如下圖所示。

圖 中壓配電網模擬環境

在上圖所示的實驗環境中，將輸電線路單位長度的參數設置為表1 所示數據。

表1 輸電線路單位長度的實驗參數

然后在該中壓配電網的模擬運行過程中，采集相關用電信息進行線損分析，本次實驗以日線損為采樣節點，對采集數據進行處理，將線損率在10%以上的數據進行剔除，并將剩下數據劃分為兩個部分，一部分數據作為訓練樣本，另一部分數據作為測試樣本，用于驗證診斷方法的診斷效果。在實驗配電網運行的24h 內，統計零值與恒值這兩種線損異常數據如表2 所示。

表2 實驗配電網線損異常數據統計值

3.2 結果分析

在此基礎上，將本文設計方法作為實驗組，選擇基于機器學習的線損異常診斷方法與基于LSTM 神經網絡的線損異常診斷方法作為對照組，分別對實驗配電網的線損異常電量數據進行診斷，所得診斷結果如表3 所示。

表3 不同方法的配線損異常電量數據診斷結果

根據表3 數據可知，基于機器學習的診斷方法下零值統計結果的平均相對誤差為11.49%，恒值統計結果的平均相對誤差為12.49%；基于LSTM 神經網絡的診斷方法下零值統計結果的平均相對誤差為6.82%，恒值統計結果的平均相對誤差為6.89%；而本文設計方法下零值統計結果的平均相對誤差為2.70%，較對照組方法降低了8.79%、4.12%，恒值統計結果的平均相對誤差為2.11%，較對照組方法降低了9.79%、4.19%。由此可以說明，本文設計方法在線損異常診斷精度上具有一定優勢，所得兩種類型的線損異常電量數據診斷結果更精確，有利于中壓配電網的線損管理工作。

4 結束語

本文針對傳統中壓配電網線損異常診斷方法存在準確率較低的問題，設計一種基于孤立森林算法的診斷方法，文中利用孤立森林算法求解線損數據的異常分支，實現了異常快速判定，并通過仿真實驗驗證了該方法在中壓配電網線損異常診斷上具有較高精度。當然，本文設計方法預設線損計算結果精確，但如何高效、準確地計算配電網線損需要在今后研究中進一步深入，從而推動我國電網的線損管理工作向智能化、信息化的方向發展。