基于多任務輔助學習的全景感知低電壓監(jiān)測技術及應用

摘" 要：針對目前配網低電壓數(shù)據(jù)量大且零散，提取數(shù)據(jù)特征效率低下且分析定位能力較差等問題，該文基于多任務輔助學習構建全景感知低電壓監(jiān)測模型。提出一種基于DBSCAN聚類的電力客戶分群方法，實現(xiàn)高效、準確的電力客戶分群。構建一種基于多任務輔助學習的配網低電壓成因分析模型，將BiGRU與多任務學習有機結合，面對復雜的電力數(shù)據(jù)也能有效地定位引發(fā)配網低電壓的原因。結果表明，實現(xiàn)低電壓智能分級可以更好地進行配網低電壓可視化監(jiān)測，模型的構建可大大提升低電壓成因分析的效率與準確性。

關鍵詞：低電壓；全景感知；DBSCAN；多任務輔助學習；BiGRU

中圖分類號：TM714" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2024）35-0094-04

Abstract： Aiming at the current problems of large and scattered low voltage data in distribution networks， inefficient data feature extraction， and poor analysis and location capabilities， this paper builds a panoramic sensing low voltage monitoring model based on multi-task assisted learning. A power customer clustering method based on DBSCAN clustering is proposed to achieve efficient and accurate power customer clustering. A multi-task assisted learning based analysis model for the causes of low voltage in the distribution network is constructed. It organically combines BiGRU with multi-task learning to effectively locate the causes of low voltage in the distribution network in the face of complex power data. The results show that realizing intelligent classification of low voltages can better perform visual monitoring of low voltages in the distribution network， and the construction of the model greatly improves the efficiency and accuracy of the analysis of the causes of low voltages.

Keywords： low voltage; panoramic sensing; DBSCAN; multi-task assisted learning; BiGRU

近年來，隨著城鄉(xiāng)用電戶數(shù)及負荷持續(xù)增加，農田灌溉、農業(yè)生產及充電設備大規(guī)模接入，造成末端用戶低電壓問題顯著增長，給用戶的生產和生活帶來嚴重影響，問題主要表現(xiàn)為供電線路線徑小、供電半徑長、抗災害能力差和低壓設備運維不到位等[1]。因此，亟需提升對低電壓工單、電網設備、服務資源的高效管理與業(yè)務支撐能力。

目前，配網低電壓數(shù)據(jù)量大且零散，通過人工方式提取數(shù)據(jù)特征的工作量過于龐大，且無法精準提取數(shù)據(jù)的有效特征，同時，現(xiàn)有研究較少考慮特征之間的關聯(lián)，從而導致分析定位能力較差，難以精準定位配網低電壓的具體原因[2-4]。故本文基于DBSCAN聚類方法，提出了一種可以實現(xiàn)高效、準確的電力客戶分群的智能分級模型，同時將BiGRU與多任務學習有機結合，構建基于多任務輔助學習的配網低電壓成因分析模型，該模型充分利用了BiGRU在時序信息捕獲方面的能力和多任務學習中信息共享及關聯(lián)關系學習的優(yōu)勢，實現(xiàn)配網低電壓成因的精準識別，提升了低電壓監(jiān)測技術的效率與精確率。

1" 構建低電壓智能分級模型

1.1" 數(shù)據(jù)預處理與特征提取

在進行聚類分析之前，需要對數(shù)據(jù)進行預處理。本文研究中，結合數(shù)據(jù)集中存在的一些問題，對于數(shù)據(jù)的預處理主要包括填補缺失值、數(shù)據(jù)類型轉換、提取特征值和標準化處理等操作，對數(shù)據(jù)進行一些必要的轉換，以便于后續(xù)的建模和分析。

1.1.1" 缺失值處理

數(shù)據(jù)缺失值會對數(shù)據(jù)分析或挖掘的結果產生影響。數(shù)據(jù)缺失值的處理通常采取刪除法和填充法。本文研究的數(shù)據(jù)集中有缺失值，主要存在于用電時刻屬性中。若部分用戶存在某一時刻的數(shù)據(jù)缺失，為避免空值導致數(shù)據(jù)計算有誤或者刪除客戶值造成樣本損失帶來的影響，對缺失數(shù)據(jù)用數(shù)值0進行填充。

1.1.2" 異常值處理

針對超出正常范圍的異常值，采用數(shù)據(jù)平滑法來統(tǒng)一處理。

1.1.3" 數(shù)據(jù)類型轉換

數(shù)據(jù)類型轉換是將數(shù)據(jù)源的數(shù)據(jù)類型統(tǒng)一轉換為一種兼容的數(shù)據(jù)類型。

1.1.4" 特征值提取

特征值提取是從原始數(shù)據(jù)中選擇或構造出有用的特征來降低數(shù)據(jù)的維度，減少計算量。通過多層次提煉數(shù)據(jù)，提高模型的泛化能力。

首先，結合供電公司對客戶分析的要求，確定電力客戶聚類分群這一中心議題，讓參與會議的人員交換相互之間的信息，進行頭腦風暴，初步選出備選特征值；其次，再對所有備選特征值進行整理、分析、篩選及合并同類項；最后，聘請有關的電力資深專家進行專家評審，經過多次比選，確定數(shù)據(jù)集的特征值。

1.1.5" 標準化處理

標準化處理是對數(shù)據(jù)進行線性或非線性的變換，使其符合標準正態(tài)分布或者映射到指定的區(qū)間內，以消除量綱、量級和分布的影響。由于本文研究的數(shù)據(jù)集中，存在極端最大值和最小值的情況，因此，對特征值進行標準化處理時采用了Z-Score標準化的方法。

1.2" 模型的構建

1.2.1" DBSCAN聚類算法

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法是基于密度的聚類算法，常用于非線性或非球面數(shù)據(jù)集。DBSCAN算法主要有領域半徑（Eps）和最小點數(shù)（MinPts）2個參數(shù)，其值不同，聚類的結果也往往不同。具體步驟如下。

1）任意選取一個點p，并得到所有從p關于？著和MinPts密度可達的點。

如果p是一個核心點，則找到一個聚類。

如果p是一個邊界點，沒有從p密度可達的點，DBSCAN 將訪問數(shù)據(jù)集中的下一個點。

2）繼續(xù)這一過程，直到數(shù)據(jù)集中的所有點都被處理。

1.2.2" 模型構建

先自定義DBSCAN聚類算法中的2個參數(shù)：領域半徑（Eps）和最小點數(shù)（MinPts），然后將標準化后的數(shù)據(jù)放在DBSCAN聚類算法中進行訓練。不同的Eps和MinPts，會得到不同的模型。“cluster_db”表示聚類的類別，數(shù)值-1表示噪聲點類，屬于偏離類數(shù)據(jù)，其他非負數(shù)值表示某一聚類群。當Eps=0.004，MinPts=10時，其聚類結果見表1。

1.3" 實驗與結果分析

1.3.1" 實驗環(huán)境設計

實驗采用由1個master主節(jié)點和3個工作節(jié)點組成的Spark集群。Client是用來執(zhí)行Spark任務中的main方法，也是作為Spark的驅動器節(jié)點，從Client向Master提交任務；Executor主要負責運行組成Spark中的應用任務task，將數(shù)據(jù)存在內盤或磁盤中，再將結果返回給Client驅動器進程。

1.3.2" 模型評估與結果分析

輪廓系數(shù)（Silhouette Coefficient）是聚類算法的常見評估方法，體現(xiàn)簇的密集與分散程度，是一個較為合適的評價指標。輪廓系數(shù)的值介于-1和1之間，該值越接近于1，說明簇越緊湊，聚類越好。

經分析，當Eps為0.006，MinPts為10時，整體聚類效果較好。此時聚類數(shù)目為5類，其中類別1為噪聲點類別，本文不作深入分析；類別2為標準差相對較小，且其他特征值較為穩(wěn)定的用電客戶；類別3為標準差相對較大，低谷段用電負荷極低，高峰段用電負荷略低于平段用電負荷的用電客戶；類別4為低谷段用電負荷明顯高于高峰段和平段的用電客戶；類別5為標準差極大，用電負荷不穩(wěn)定，且工作日用電均值和周末用電均值的用電負荷較為不穩(wěn)定的用電客戶。

無論是在工作日還是周末，無論是高峰段、平段還是低谷段，類別2的用電負荷都較為穩(wěn)定，可以正常供電；類別3、類別4、類別5用電負荷不穩(wěn)定，可以根據(jù)高峰段、平段、低谷段的用電負荷量進行適當?shù)恼{整，錯峰供電，對這些客戶提供個性化和精準化的供電服務。

2" 構建低電壓成因分析模型

2.1" 配網低電壓成因分析模型

2.1.1" 輸入層

由于配網低電壓用戶數(shù)據(jù)和配網低電壓相關數(shù)據(jù)是2個獨立的數(shù)據(jù)集，無法直接作為模型的輸入。本文利用配網低電壓用戶數(shù)據(jù)，對配網低電壓相關數(shù)據(jù)中的電流、電壓等數(shù)據(jù)進行關聯(lián)操作。與此同時，為了確保數(shù)據(jù)的完整性和一致性，進行預處理操作，經過預處理后的數(shù)據(jù)會作為模型的輸入X，設序列為n的輸入數(shù)據(jù)X=[x1，x2，x3，…，xn]。

2.1.2" BiGRU共享層

首先，經過輸入層處理后的數(shù)據(jù)X，將作為BiGRU共享層的輸入，數(shù)據(jù)進入BiGRU共享層之后，將分別輸送到正向GRU神經元和反向GRU神經元中，先經過GRU中的重置門和更新門，利用配網低電壓數(shù)據(jù)樣本在當前時間步t的時序特征Xt和上一個時間步t-1的隱藏狀態(tài)Ht-1，得到保留部分隱藏狀態(tài)Ht-1后的重置特征Rt及替換部分當前狀態(tài)Xt后的更新特征Zt，如式（1）、（2）所示。

， （1）

， （2）

式中：Ｗxr、Ｗhr、Ｗxz、Ｗhz為權重矩陣；bz和br為偏置。

其次，重置特征Rt和更新特征Zt再結合上一個時間步t-1的隱藏狀態(tài)Ht-1，得到配網低電壓數(shù)據(jù)樣本時間步t的候選隱藏信息t，與此同時，將配網低電壓數(shù)據(jù)樣本在時間步t的重置特征Rt、更新特征Zt及候選隱藏信息t進行整合操作，得到配網低電壓數(shù)據(jù)樣本在時間步t的時序特征Ht。

最后，將前向GRU神經元和反向GRU神經元計算得到的時序特征t和t合并，得到配網低電壓數(shù)據(jù)樣本最終的雙向時序特征" "，如式（3）、（4）及（5）所示。

， （3）

， （4）

， （5）

式中：Ｗxh、Ｗhh為權重矩陣；bh為偏置；⊙為向量間的點乘；tanh為激活函數(shù)；t、t分別為前向GRU神經元和反向GRU神經元計算得到的時序特征。

2.1.3" 多任務輔助訓練層

為了挖掘并學習各原因間的關聯(lián)特征，本文模型設置了7個輔助任務幫助提高主任務的泛化能力。其中，主任務為獲得引起配網低電壓的7種原因（臺區(qū)出口側配網低電壓、無功補償不足、三相電流不平衡、配變重過載、戶均容量小、供電半徑大和低壓線路線徑細）的主成因。輔助任務分別為：獲得由臺區(qū)出口側配網低電壓引起配網低電壓的概率；獲得由無功補償不足引起配網低電壓的概率；獲得由三相電流不平衡引起配網低電壓的概率；獲得由配變重過載引起配網低電壓的概率；獲得由戶均容量小引起配網低電壓的概率；獲得由供電半徑大引起配網低電壓的概率；獲得由低壓線路線徑細引起配網低電壓的概率。

從BiGRU共享層學習的雙向時序特征" 在全連接層中對主任務進行輔助特征融合和降維運算，對子任務進行降維運算。

經過全連接層運算后的雙向時序特征將作為任務層的輸入，并在任務層中利用softmax激活函數(shù)，計算降維后配網低電壓數(shù)據(jù)特征的類別概率分布yt，并對yt進行最大值的下標取值操作，得到預測結果ypredict。

得到預測結果ypredict之后，將利用交叉熵損失函數(shù)計算主任務和各子任務的預測結果ypredict與真實結果ytrue之間的誤差LOSSi，并根據(jù)主任務和各子任務的損失權重Wi，對主任務和各子任務的損失加權求和，計算模型的整體損失TotalLoss。在TotalLoss反向傳播過程中，各任務的全連接網絡會與BiGRU共享層之間進行參數(shù)交互，共同優(yōu)化模型參數(shù)，尋求模型最優(yōu)解，促使模型學習更好表征。

2.2" 實驗及分析

2.2.1" 數(shù)據(jù)集及數(shù)據(jù)預處理

實驗使用的數(shù)據(jù)來自于本市電網獲取的配網低電壓數(shù)據(jù)集，通過對原始數(shù)據(jù)進行缺失數(shù)據(jù)填充、異常數(shù)值替換及單位統(tǒng)一等操作，構建了用于本實驗的無標簽原始數(shù)據(jù)集。

由于原始數(shù)據(jù)的局限性，本項目僅針對臺區(qū)出口側配網低電壓、配變重載、配變過載、無功補償不足和三相電流不平衡5種原因進行分析。

2.2.2" 實驗環(huán)境及超參設置

本項目實驗使用12th Gen Intel（R） Core（TM） i7-12700 2.10 GHz處理器，NVIDIA RTX 2080Ti顯卡，在Anaconda（基于python3.8）環(huán)境下進行。同時，將數(shù)據(jù)集的80%劃分為訓練集，20%劃分為驗證集，BiGRU的層數(shù)設置為4層，每層128個神經元，使用Adam優(yōu)化更新網絡參數(shù)，初始學習率為0.001，訓練輪數(shù)為500輪。

2.2.3" 評價指標

由于5種原因的數(shù)據(jù)占比分布非常不平衡，評估指標只采用準確率（Accuracy）是不可靠的，故本文實驗又加入了精確度（Precision）、綜合指標F1-score及Recall等適用于數(shù)據(jù)分布不平衡情況的評估指標，用來綜合評估模型分析定位引發(fā)配網低電壓原因的能力。

Accuracy代表被正確分類的樣本總數(shù)占總樣本數(shù)的比例；Precision代表精確度，表示真實正樣本占預測為正樣本的比例；Recall代表召回率，表示正樣本被正確分類的樣本總數(shù)占正樣本總數(shù)的比例；F1-score代表Precision和Recall的調和平均，越趨近于1表示分類的綜合性能越好。

2.2.4" 實驗與結果分析

1）損失占比分析。為促進模型更好地理解任務之間的關聯(lián)性、平衡各任務對模型的影響，并提升模型性能，本文對比了各任務在不同損失占比情況下模型的性能。

當主任務的損失占比在0.90及以上時，模型的各項評估指標都很出色，都在95%以上，其中，當各輔助任務損失占比分別為0.005、0.015、0.05、0.01和0.02時，模型的準確率、召回率、F1-score達到最高，分別為95.58%、95.58%、95.41%；而當主任務和輔助任務的損失占比分別為0.80、0.03、0.03、0.08、0.03和0.03時，模型的各項評估指標達到最低，相比最高值分別下降1.35%、1.12%、1.35%和1.17%。出現(xiàn)這種情況，原因在于輔助任務損失占比偏多且各輔助任務的占比分配不合理，致使模型的性能下降。

2）消融分析。針對本文提出的多任務輔助學習模塊進行消融分析。本文通過實驗對比添加輔助任務與不添加輔助任務的損失和準確率，可得模型在添加輔助任務的情況下，模型的準確率比未添加輔助任務的準確率整體偏高。與此同時，在前200輪的訓練中，添加輔助任務的模型損失比未添加輔助任務的模型損失整體偏大，且損失下降速度相比較慢；而從200輪以后，添加輔助任務的模型損失比未添加輔助任務的模型損失普遍偏小，并且損失下降的速度比其更快。

此外，還將本項目提出的模型與GRU、LSTM、BiLSTM、CNN和RNN 5種分類模型進行對比實驗，得到的模型分類結果見表2。

由表2可以看出，本文采用的模型分類效果普遍高于其余5種分類模型，具有更好的泛化能力。

3" 結束語

綜上所述，在配電網供電中，低電壓屬于較為常見的問題，但其較容易影響到用戶的正常用電，甚至對用戶的用電設備造成損害，為了提升配網低電壓成因分析的效率與精確程度，本文基于多任務輔助學習研究了全景感知低電壓監(jiān)測技術。研究結果表明，該監(jiān)測模型可實現(xiàn)高效、準確的電力客戶分群，面對復雜的電力數(shù)據(jù)能有效地定位引發(fā)配網低電壓的原因，給相關部門提供更加精準的結果。

參考文獻：

[1] 陳光明.配電線路低電壓問題分析及綜合治理方案研究[J].電氣技術與經濟，2023（10）：1-3.

[2] 曾小剛，歐陽安妮.配電網低電壓成因分析及治理措施[J].科技創(chuàng)新與應用，2022，12（8）：108-110.

[3] 夏得青，向星宇，李寬龍，等.農村配電網低電壓治理研究進展[J].電氣技術，2023，24（6）：1-5.

[4] 王小虎，戴喬旭.低電壓問題成因分析及措施制定系統(tǒng)的設計[J].機電工程技術，2022，51（12）：238-240，256.