基于循環神經網絡的配網電壓異常數據檢測方法

柯子桓，羅楚楠，黎少凡

（1.中國南方電網有限責任公司，廣東廣州 510700；2.廣東電網能源發展有限公司，廣東廣州 510160）

隨著智能配電網絡的不斷發展，監控、控制和智能調度成為了電網運行的關鍵環節。分析電力監控系統的大量數據可以為合理地進行電網的控制和優化調度提供參考。

對電網靜態、計量、會計數據進行準確合理分析，可達到對電網進行實時監測和調度的目的。反之，如果因監控系統故障、信道傳輸丟失、延遲等原因造成的數據差錯，則會使調度人員產生錯誤的判斷。

為了維護電網的安全和穩定，必須確保數據的質量。因此，有必要對異常配網進行監測。為此，相關學者提出了一種并行K-means 聚類算法，該算法采用三支動態閾值K-means 聚類方法，通過動態調整閾值，優化聚類數量，在一定程度上消除固定K 值對異常數據檢測結果[1]；也有學者提出極限學習機檢測方法，利用極限學習機制建立目標函數，使用螢火蟲算法對目標函數進行優化，并對其進行全面評價[2]。然而，這兩種方法不能反映動態數據間的變化規律，導致檢測效果不理想。

針對上述問題，提出了基于循環神經網絡的配網電壓異常數據檢測方法。

1 構建循環神經網絡檢測模型

配網電壓值隨著時間的推移可以被視為一種時間序列，即當前時刻的電壓與先前的電壓值（或先前的）之間存在著一個函數映射關系[3]。因此，該研究使用遞歸神經網絡來逼近這一關系。循環神經網絡示意圖如圖1 所示。

圖1 循環神經網絡示意圖

為了便于“記憶”，在循環神經網絡的最內層加入一個循環層[4]。基于上述原理，計算循環神經網絡輸出向量，公式為：

式中，ct表示隱藏門遺忘門數值；ω2表示隱藏層與輸出層權重系數；α(·) 表示兩層之間的激活函數。

隱藏層的遺忘門數值計算公式，如下所示：

式中，β(·) 表示隱藏層與輸入層之間的激活函數[5]。

輸出值與輸入值和隱藏值均有一定關系，能夠直觀體現循環神經網絡的記憶功能。根據這一點，建立了一個用于檢測配網電壓異常數據的模型，其主要步驟如下：

步驟1：將歷史電壓數據劃分成訓練組和測試組，測試組是要檢測的電壓資料；利用訓練集的方法，訓練網絡電壓數據，并以此來構建檢測模型[6-8]。

步驟2：對多個電壓誤差進行統計，并根據以下公式求出電壓誤差標準差值：

式中，m表示誤差值數量；et表示在t時間出現電壓誤差的數量；eˉ表示誤差標準值[9]。

步驟3：基于該標準差值，構建配網電壓預測模型，公式為：

式中，M表示電壓質量；ωj表示第j個電壓特征分布集。

利用上述構建的配網電壓預測模型，能夠獲取配網電壓異常數據集。

2 配網電壓異常數據檢測

2.1 模型訓練

使用歸一化處理方法訓練配網電壓預測模型，提高電壓數據集收斂速度。歸一化具體方式可以由下列公式表示：

式中，Ut表示t時刻的實際電壓值；Umin、Umax分別表示檢測序列中最小和最大電壓值[10]。

在此基礎上，有必要從一系列的正規化電壓序列中生成一組數據以進行循環神經網絡的訓練。該數據集由多條數據線路組成，每條線路由兩個部分組成：輸入數值和對應標識[11-12]。首先，把三個連續的序列值作為一條直線，并對其進行標識。然后，針對所得數據進行重新分類，將其分為訓練組和測驗組；最后，通過訓練集方法對網絡進行訓練，并對其進行測試與評估。再將神經網絡輸出層次的預測值與標記值之間的平均偏差作為損耗函數進行訓練[13]。

循環神經網絡損失函數計算公式如下所示：

2.2 異常數據標注

由于大量的過電壓數據集都是由參數自動迭代產生的，因此在大量的數據波形中，會存在一部分的異常波形，因此必須對數據進行標注[14]。

異常數據標注步驟如下所示：以JPEG 格式存儲全部的時頻圖像；接著，根據異常數據標注特征標記該圖像，并將其保存在注釋中。然后，通過每幅圖像和標記所產生的XML 文檔，在JPEG 圖像文件夾中訓練任意圖像，使注釋中任何一個XML 文檔名稱保持一致[15]。

2.3 異常數據檢測流程

在循環神經網絡的基礎上構建的檢測模型能夠實時檢測異常電壓數據。在該模型中輸入待檢測電壓數據集，根據檢測規則獲取預測結果。計算實際電壓與檢測電壓間的差值，能夠判定目標電壓是否異常[16]。

主要的異常數據檢測流程如下：

步驟1：根據異常數據標識特征，分析配網數據集中電網超負荷數據，這類數據是以毫秒級為單位的。對于由雷電引起的感應電壓，難以在短期內被發現。通常，內變電壓的振幅不會超過額定值的兩倍。所以，以超過額定值兩倍的電壓數據質量的初始值為測量突變閾值，當待檢測電壓高于該閾值時，說明該電壓為異常電壓。

步驟2：在配電網絡中，由多個具有拓撲相關性的多個節點測量數據和線路參數，可以得到各節點的電壓幅度。在電壓振幅達到一定的準確度后，可以對對應的系統進行電壓信號的檢測與修正。通過對多個具有拓撲關系的多個節點進行檢測，得出了各個節點的電壓振幅。當電壓幅度達到一定精度時，就能對相應的配網電壓數據進行檢測和校正。

在不考慮配電網并聯阻抗的前提下，可以用以下公式來表達線路兩端節點電壓關系：

式中，U0、Us分別表示配網初始端和末端節點電壓；UP、UQ分別表示配網初始端節點流向末端節點的有功和無功作用下的電壓。

步驟3：針對與檢測節點相連的多條線路上，存在一個該時刻電壓計算值最大可能誤差e，如果Us≤e時，則說明檢測結果中的數據是正常數據；如果Us＞e時，則說明檢測結果中的數據是異常數值。

3 實驗與分析

3.1 數據集

選擇一個12 kV 配網為研究對象，其結構如圖2所示。

圖2 配網結構示意圖

在該配網結構中設置一個可控有載調壓器，用于負責調整整個配網的結構電壓。實時統計電壓數據集，從中隨機選擇了三組電壓數據，并將其分為A、B、C 三組，如表1 所示。

表1 實驗數據集

在每一組中，選擇1 000 個數據，并按8∶2 的比例將其分為800 個、200 個。在測試集中添加10%的樣本以檢驗基于循環神經網絡的配網電壓異常數據檢測方法使用的正確性。在測試樣本中加入20 個異常數據，并加上1%～3%的噪音，以生成異常數據。

3.2 實驗指標

采用檢測準確率和召回率為實驗指標：

式（8）、（9）中，TP 表示電壓實際是異常數據，且檢測結果為異常數據的數據量；TN 表示電壓實際是正常數據，且檢測結果為正常數據的數據量；FP 表示電壓實際是正常數據，但檢測結果為異常數據的數據量；FN 表示電壓實際是異常數據，但檢測結果為正常數據的數據量。

3.3 實驗結果與分析

為了驗證該文方法的有效性，將其與并行K-means聚類算法、極限學習機檢測方法進行對比分析，結果如圖3 所示。

圖3 三種方法電壓異常數據檢測結果對比

由圖3 可知，使用并行K-means 聚類算法檢測的A、B、C 異常電壓數據集，最高電壓和最低電壓均超過了電壓上限和下限，其中三種方法所對應的異常電壓最大值分別為13 V、13 V、16 V，異常電壓最小值分別為-9 V、-5 V、-7 V；使用極限學習機檢測方法檢測的A、B、C 異常電壓數據集，最高電壓和最低電壓均超過了電壓上限和下限，其中三種方法所對應的異常電壓最大值分別為16 V、14 V、12 V，異常電壓最小值均為-7 V；使用循環神經網絡檢測方法檢測的A、B、C 異常電壓數據集，最高電壓和最低電壓均在電壓上限和下限范圍內，與表1 所示實驗集數據一致。

再次使用這三種方法對比分析異常電壓數據集A、B、C 的不同指標，結果如表2 所示。

表2 三種方法不同數據集下指標對比分析

由表2 可知，使用循環神經網絡方法最高檢測準確率為0.991，最高召回率為0.90，其數值明顯高于兩種對比方法。由此可知，使用所研究方法檢測精準度較高。

4 結束語

面對傳統方法電壓異常數據檢測精準度低的問題，該研究利用循環神經網絡結構，提出了一種配網電壓異常數據檢測方法。通過構建檢測模型，能夠實時對異常電壓判定與評估，比對預測數據與實際數據之間的差值，獲取檢測結果。通過對實驗數據進行實驗研究可知，所研究方法檢測精準度較高，為配網穩定運行奠定了基礎。