基于支持向量机的低压台区线损管理诊断模型

夏桃勇

(江西省电力公司 吉安供电分公司，江西 吉安 343000)

基于支持向量机的低压台区线损管理诊断模型

夏桃勇

(江西省电力公司 吉安供电分公司，江西 吉安 343000)

线损管理与维护是影响供电企业经济效益的核心工作，由于大量分布的基层低压台区因缺乏技术人才、管理不规范等问题严重影响了工作效率。针对此类问题，文中在传统台区线损管理的基础上引进支持向量机方法，结合信息管理系统实现线损工作的精细化模式。通过建立台区线损与异常诊断、分析模型，从而真正实现科学、规范化的工作管理，有效地解决管理滞后问题，大幅提升台区管理效率。

台区线损；支持向量机；诊断分析；诊断模型

线损管理工作随着“智能电网”发展工作的不断推进，在一线城市逐渐出现人才缺乏、管理断层的现象。同时，为了适应企业结构的扁平化管理改革，更高效、先进的管理模式也成了首要解决的问题。而支持向量机(Support Vector Machine，SVM)技术可以整合现有的小样本数据，建立科学系统的分析体系[1]。在保持结构简单特性下，其泛化性能有大幅提升，对于样本识别和非线性模式分析具有突出的性能优势。这也使得支持向量机广泛应用于军事、医学等领域，并逐渐形成了较为系统的研究体系，且具备良好的移植基础。本文将支持向量机引入到台区线损的诊断、分析中来，并通过建立模型，达到优化管理模式的目的。

1 台区线损案例分析

1.1 案例综述

当前的低压台区主要包含配变、杆变变压器区域内的线损[2]。拿上海市台区分布作为分析对象，依据电网技术原则，城区的低压网络供电线路的尺寸有着严格的标准：供电长度半径在100～150 m之间最佳，分布距离不可超过150 m。同时，依据周边城镇属性进行变压器负荷科学化分配。人口密集、用电集中的城镇商业地段一般线长在400 m以下，其他弱用电区域控制在500 m以下即可。

表1 各类典型低压台区理论参考线损值

1.2 台区线损分析

某市从2009年开始了台区线损的精细化管理措施，统计CMS系统中所有月电量数据并标准地区分布。结合低压台区拆分数据进行线损趋势对比，审查各方面影响因素，找出线损管理中所存在的问题，并改进管理方案。从而达到提升电力利用率，降低电压损耗的目的。

现有的线损分析模型主要从台区的基础数据统计、供电数据统计、基础数据分布、售电区域分布和线路异常处理等方面进行分析。

(1)基础数据统计。这一部分主要进行大量的基础区域用户信息和用电信息的收集、分类、统计整理工作。在确保信息准确性的同时，将分析采样得到的数据作为分析办法的基础参考。参考内容包含有电力系统分析、台区PMS和CMS信息比对以及区域分布特点等；

(2)线损及供电数据统计。获取台区供电、售电线损率是数据统计与分析的核心。主要围绕线损数据、电力亏损数据开展分析工作，分析内容主要包括线损区域分布、线损率计算、异常线损警报统计和各区线损率对比等。此外，对于线损率较高的台区，还需进行深入的供电数据分析。即对用电数据进行系统解析，排查供电可能存在的异常损坏进而促使台区线损上升。用电数据内容大致包含有：异常供电数据、异常警报和异常修复；

(3)售电和异常处理。为了充分诊断台区线损的致因同时制定解决模型，在进行供电侧数据分析的同时还应关注售电侧数据存在的异常情况。异常数据包含有以下几类：异常售电、异常退补记录、异常零电量、异常抄表等。而对此类可能导致线损的异常情况处理，还需制定规范的流程：首先结合数据结果进行线损成因分析，随后对台区实施内场及外场的工作处理，最后再进行严格的线损消缺。

1.3 案例评估

本文台区线损数据采用某供电公司数据，对于公司下属的900多异常线损台区进行系统的模型数据分析，最终得到导致线损率的主要因素如表2所示。

表2 台区异常线损成因

(1)电力损失。电力损失主要来源于窃电问题、人群分布复杂、管理疲软，加上窃电手段的隐蔽化和技术化，电力损失加剧促使线损率上升；

(2)信息数据异常。信息系统类数据异常成因分类，如表3所示。

表3 信息数据异常成因

(3)接线故障问题。接线问题原因分类，如表4所示；

表4 接线问题分类

(4)设备故障。设备故障原因分类，如表5所示；

表5 设备故障成因分析

(5)通信问题。通信故障主要来源于SIM卡的故障，常见的故障类型有：SIM卡损坏、老化、接触不良，SIM卡APN节点未开通，设备参数错误以及程序BUG等；

(6)门闭和失电。门闭和失电原因分类，如表6所示。

表6 门闭和失电原因分类

通过以上的台区线损数据原因分析可发现，线损率的成因通常与基础数据有着紧密联系，且在某种程度呈非线性。

2 支持向量机下的线损模型

2.1 支持向量机原理分析

支持向量机属于一种机器学习类模型。SVM结构遵循风险规避原则，通过高维变换对现实生活中存在的非线性问题进行映射分类，从而在高位特征空间中找到最优分类面，继而得到变量与输入输出的关系[3]。

不同的核心函数，可得到不同的SVM。常用分类如下：

线性核函数K(x,y)=x×y；

多项式核函数K(x,y)=[(x×y)+1]d；

径向核函数K(x,y)=exp(-|x-y|2/d2)；

二层神经网络核函数K(x,y)=tanh(a(x×y)+b)。

此外，SVM是建立在统计学基础上的。因此，在进行结构风险最小分析时，根据样本信息的复杂程度和信息量的大小，可以进行模型样本学习精度与学习深度的比例调整，从而获得最佳的分析和推理能力[4-5]。SVM可以进行多样本的统计分类，归一化后不同种类样本将被几何间隔分隔开来，分类如图1所示。

图1 归一化二维样本分类

对上述样本集合(x,y)，x∈Rn，y∈R，i=1，…，n。线性回归函数为

f(x)=wT×x+b

(1)

求其最优解，再经过最小二乘法转换即可得到非线性预测表达式为

(2)

其中，k(x，xi)为核函数。

2.2 模型设计与应用

基于上述非线性函数模型，以k(x，xi)为核函数建立线损诊断模型。仿真使用Matlab对模型进行测试评估[6-10]。导入数据/建立SVM模型。通过数据库导入台区线损异常样本数据集，根据前文描述的线损异常成因类型进行标签设定，再运行Matlab进行数据集的矩阵归一化。

表7 标签设定关系

综合考虑核函数以及相关影响参数对模型性能可能存在的影响，文中采用交叉验证的方法来获取最佳影响参数模型[11-14]。(1)仿真测试。对于采集的样本分组进行仿真测试，同时不同组间用交叉验证法找出影响参数的最佳模型；(2)性能评估。根据数据分组的随机性，每次样本的运行结果均有所差别。综合预测数据集，取平均值，得到测试过程的预测正确率为82.53%[15]。数据测试集预测结果，如表8所示。

表8 测试集预测结果与实际值对比

3 结束语

由于真实工作中环境因素的复杂性和线路的不确定性，造成线损的诱因在诊断模型中无法进行完全的还原，82.53%的预测正确率不足以实现完备的线损分析和异常诊断。但在一定程度上，基于支持向量机的诊断模型将代替执行大部分的线损分析工作，降低人工诊断的消耗，提升处理效率。此外，该种诊断管理模型还将随着数据库的扩充和模型的深入化而具备更高的准确性和时效性，其将成为专业线损分析人员的辅助工具和技术参考，为无序分布的台区线损管理提供了一种规范化、流程化的高效途径。

[1] Nello C,Johnshawe T.支持向量机导论[M].北京:电子工业出版社,2004.

[2] 祖凯涛,林卓琼.配电网精细化线损计算及降损分析[J].陕西电力,2016,44(1):60-64.

[3] 王刚.基于支持向量机的滚动轴承故障智能诊断研究[D].沈阳:沈阳工业大学,2013.

[4] 徐玉秀,赵晓清,杨文平,等.多参数与多测点信息融合的行星轮故障诊断[J].仪器仪表学报,2014,35(8):1789-1795.

[5] 赵晓清.风力机组齿轮箱传动系统故障微弱信号特征识别方法研究[D].天津:天津工业大学,2014.

[6] 闫蓓,王晓晶,蒋兆国.基于支持向量机回归模型的视线定位算法研究[J].仪器仪表学报,2014,35(10):2299-2305.

[7] 林国虎.基于支持向量机的无线传感器网络节点定位方法研究[D].镇江:江南大学,2014.

[8] 黄悦,王强,韩玲娟,等.基于支持向量机的分布式光纤泄漏检测定位系统及实验分析[J].应用光学,2015,36(3):424-429.

[9] 张东东.基于遗传算法的支持向量机分类算法[J].电子科技,2015,28(12):32-35.

[10] 李健坤,宋寿鹏,李建平,等.基于支持向量机的贯流风叶叶片粘连缺陷诊断[J].电子科技,2016,29(11):154-156.

[11] 丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(1):2-10.

[12] Wang Haiyan,Li Jianhui,Yang Fenglei.支持向量机理论及算法研究综述[J].计算机应用研究,2014,31(5):1281-1286.

[13] 郭明玮,赵宇宙,项俊平,等.基于支持向量机的目标检测算法综述[J].控制与决策,2014(2):193-200.

[14] 王振武,孙佳骏,于忠义,等.基于支持向量机的遥感图像分类研究综述[J].计算机科学,2016,43(9):11-17.

[15] Suykens J A K,Vandewalle J.Least squares sup— port vector machine classifiers[J].Neural Processing Letters,2009,9(3):293-300.

Fault Diagnosis Model of Low Voltage Area Line Loss Management Based on Support Vector Machines

XIA Taoyong

(Ji’an Power Supply Branch,Jiangxi Electric Power Company,Ji’an 343000,China)

Line loss management and maintenance is the core work that affects the economic benefits of power supply enterprises. Due to a large number of distribution of low voltage units at the grass-roots level,the efficiency of the work is seriously affected by the lack of technical personnel and non-standard management. Aiming at this kind of problem,this paper introduces the support vector machines (SVM) method based on the traditional line area loss management,and combines the information management system to realize the fine model of line loss work. Through the establishment of the station line loss and abnormal diagnosis and analysis model,the scientific and standardized work management can be realized,and the management lag problem can be effectively solved,and the management efficiency of Taiwan district will be greatly improved.

tai-area line loss; support vector machines; diagnosis analysis; diagnosis model

TP391.4

A

1007-7820(2017)11-113-04

2017- 06- 23

夏桃勇(1984-)，男，工程师。研究方向：电力营销管理,营销技术。

10.16180/j.cnki.issn1007-7820.2017.11.031