基于深度神经网络的低压台区线损异常识别方法

王海云，张 岩，闫富荣，陈 雁，杨莉萍，常乾坤，张再驰，陈 茜，袁清芳

（1.国网北京市电力公司，北京 100031；2.北京中电普华信息技术有限公司，北京 100085）

随着我国经济的发展和城镇化的持续推进，能源的消耗不断增加，导致环境污染情况加剧。近几年，雾霾天气不断增加，尤其是冬季供暖期，很多城市达到重度污染水平，给人民的生产生活造成了严重的影响。为防治空气污染，某市电力公司开展“煤改电”工程，对输变电工程进行规划，如新增变电容量、送电线路长度等。此工程明显提升了电网的供电能力和户均供电能力，但是使得负荷大幅增长甚至是不均匀增长，电网负荷特性发生改变［1］，对线损造成了严重影响［2］。

现有判别线损异常的方法主要是专家经验法和对比分析法［3］。前者融入了业务专家的经验；后者主要是从数值上比较大小，此类方法的关键是选择合适的对比标准。上述方法主观性较大，过度依赖业务人员的个人经验，缺乏科学规范的线损异常诊断体系，智能化程度较低［4］。因此，如何提供一种规范标准化的线损异常判别方法，成为本领域目前急待解决的关键问题之一。

以某市实施“煤改电”工程后的低压台区的实际数据为研究对象，通过分析实施“煤改电”工程后低压台区的线损异常问题，发现异常线损和配变型号、台区所辖户数、台区生活用电占比、区域类型等有一定关系。在此基础上，建立了线损异常识别模型，对未实施“煤改电”工程的台区进行线损异常预测，从而采取有效的措施进行预防。该方法将异常点检测算法、聚类算法、深度学习算法进行有效融合，运用深度神经网络对异常线损进行分类识别，主要包括以下模块：异常台区检测、聚类分析、建立线损异常识别模型、预判线损是否异常。

1 异常台区检测

异常台区检测，即以台区的日统计线损率为研究对象，检测异常的数据，然后对异常数据进行分析，判定对应的台区线损是否异常。本文结合基于鲁棒尺度的中心化和标准化方法及3σ准则，依据混合高斯模型（gaussian mixture model，GMM）［5］对任意数据的模拟能力，提出了一种鲁棒异常点检测算法。后续的实验表明提出的异常点检测方法，与基于鲁棒尺度的中心化和标准化方法相比，可以更加准确的检测出台区中存在的异常线损。

1.1 鲁棒异常点检测算法

GMM可看作是由多个高斯分布以不同的权重组合而成。一个GMM可以表示为：θ={wj,mj,Σj}，j=1,2,…,M。上述的GMM由M个高斯成分组成，wj，mj，Σj分别表示第 j个高斯成分的权重，均值和协方差。D维特征向量x 的高斯混合密度如图1所示。

图1 高斯混合密度的示意图

D维特征向量x 的似然概率可以表示为

3σ准则是建立在正态分布的等精度重复测量基础上的准则。该准则认为一组满足正态分布的观测值，其随机误差（某观测值与该组数据均值的差值）落在±3σ（σ为该组数据的标准差）以外的概率只有0.27%，在实际中发生的可能性很小。如果一组观测数据中某值的随机误差位于±3σ之外，则认为该值在有限次测量中出现的概率极小，应作为异常值剔除。

基于GMM对任意数据的模拟能力，该检测方法首先使用GMM对“煤改电”工程实施后的低压台区的统计线损率进行拟合，然后利用3σ准则对异常点进行检测。

本文提出的鲁棒异常点检测算法的步骤如下：

（1）为避免异常数据对检测的影响，首先对统计线损率进行归一化处理［6］，方法如下

式中：xi，yi分别为归一化前后的统计线损率；xm为归一化前统计线损率{xi}的中值；sm=1.482 6 median，为数组{xi}的中值偏差绝对值的中值，常数1.482 6是sm为正态分布数据标准差的无偏估计。归一化前后的统计线损率的分布情况如图2所示。

图2 归一化前后统计线损率分布情况

（2）使用最大期望（expectation maximization,EM）算法［7—8］将归一化后的统计线损率 {}yi拟合成GMM，得到包含M个高斯成分的高斯混合模型

（3）计算归一化后的数据在上述GMM中的概率

（4）设置概率阈值η，当归一化后的统计线损率yi的概率时，判定该统计线损率异常，反之，则判定该统计线损率在该台区内处于正常水平。示意图如图3所示。

图3 异常点检测示意图

1.2 异常点检测算法对比

基于鲁棒尺度的归一化方法，是对归一化处理后的统计线损率yi进行分析，根据3σ判定规则进行异常点检测，若，则对应的统计线损率xi异常。

使用上述异常点检测方法和本文提出的鲁棒异常点检测算法对某市实施“煤改电”工程后的257个台区（包括15 677个线损数据）进行了检测，得到的检测结果如图4和图5所示。

图4 基于鲁棒尺度的归一化方法的检测结果

图5 本文提出方法的检测结果

2种方法检测到的异常统计线损率在异常范围内的个数如表1所示。

表1 异常线损统计结果 个

从线损实际意义的角度进行考虑，检测到的异常点小于0，或者大于10%，在业务角度可以判定为线损异常。其中，小于-50%范围的异常线损，可能对应计量装置异常，未抄回供电量；-50%~0%范围内的异常线损，可能对应该日售电量包含前一日补录的售电量和该日的实际用电量，导致供电量小于售电量；10%~20%范围内的异常线损，可能对应负荷分散分布，供电半径长、线路分支较多、负荷集中在线路末端；20%~50%范围内的异常线损，可能对应窃漏电嫌疑等；50%~100%范围内的异常线损，可能对应智能表无法抄回数据，售电量未计入线损等。

从2种方法的检测结果可以看到，基于鲁棒尺度的归一化方法将部分小于0的统计线损率判定为正常，而本文提出的方法对小于0的统计线损率的漏检率更低；而对于其他的异常线损情况，本文提出的方法也优于基于鲁棒尺度的归一化方法，只是对于统计线损率小于0的情况，效果尤其明显。

2 线损异常识别模型

对实施“煤改电”工程后的低压台区进行分析，提出线损异常识别的方法，以对后续的“煤改电”工作提供指导性建议。建立线损异常识别模型的过程及线损异常识别过程如图6所示。

图6 线损异常识别流程图

2.1 异常台区特征提取

为有效地对线损异常情况进行分类，整理反映线损状况的指标［9］。根据检测出的异常线损对应的低压台区，从电力数据服务器中，提取异常线损对应的低压台区的台账信息，包括变压器的使用性质、型号、额定容量、阻抗电压、空载电流、短路损耗、空载损耗、电压比、高低压侧额定电流、接地电阻、电压等级、是否农网、绝缘介质、是否非晶变、运维单位、运维班组、台区所属区域类型等；低压台区的“煤改电”信息，包括低压台区所辖的城镇居民户数、居民用电占比等；异常线损对应的气候信息，包括当日的最高温度、最低温度、平均温度、空气质量指数、空气质量等级、湿度、是否节假日等。将上述指标作为后续聚类分析、建立线损异常识别模型的指标体系。

2.2 聚类分析

引起线损异常的原因很多，比如：用户窃漏电、智能表无法抄回数据、超容量用电、设备老化等。为了确定由同类原因引起的线损异常的台区具有的相似特性，选用异常台区的线损指标体系为分析对象，采用EM算法对线损异常的台区进行聚类分析，提取可用的知识或规律。该聚类分析输出分群结果，不同的类别对应不同的引起线损异常的原因，并将结果作为深度神经网络的输出，以得到线损异常识别模型。

EM算法，在存在无法观测的隐藏变量的概率模型中对未知参数进行估计，方法是使似然或后验最大。该算法通过2个步骤的交替进行来估计参数，第一步利用对隐藏变量的现有估计值计算其最大似然估计值；第二步最大化第一步得到的最大似然值，以更新模型参数。

假设异常线损对应的指标体系为S，样本数为m，首先将S分配到k个类别中，然后计算每个样本在k个类别中出现的概率，重复计算期望和最大化，直至收敛。估计出k个类别的参数后，计算每个样本分配给k个类别的概率，从k个数值中选取最大的，即为该样本所属的类别。

假定每个类别满足正态分布，则EM算法的实现过程如下。

式中：P(j|s(i),λt)为第t步得到的先验概率wt；

（3）第二步，通过最大化上述辅助函数G(λt+1,λt)来更新参数，即分别对 w,μ,Σ 求导。更新公式为

通过以上步骤，可得到更新后的模型参数。将异常线损的指标体系输入到模型中，计算在每个类别下的概率，取概率最大的类别作为每个异常线损对应的类别。

2.3 线损异常识别模型

神经网络是模拟人类大脑的神经网络，通过学习归纳，得到可用于分类和预测的算法模型［10］。使用可直接用于模式分类的判别式深度网络后向传播（back propagation,BP）神经网络模型作为后续“煤改电”台区线损异常的识别模型。该模型能够以任意的精度接近任意的非线性数。

异常线损对应的线损指标作为深度神经网络模型的输入，EM算法得到的分群结果作为神经网络模型的输出，训练线损异常识别模型。建立的模型示意图如图7所示。建立的线损异常识别模型设置隐层层数为4，且每个隐层的神经元个数为25。隐层和输出层分别选择双曲正切和线性传递函数为其传递函数。学习算法选择梯度下降算法，性能函数选择均方误差函数，训练的误差目标为10-5，最大迭代次数为3 500，学习速率设为0.04。

图7 线损异常识别的模型示意图

以上述参数训练线损异常识别模型，得到的均方误差曲线如图8所示。迭代3 500次时达到最佳性能，误差为0.001 842 5。

图8 均方误差曲线

提出线损异常识别模型的目的是为后续需要“煤改电”的台区提供指导性建议，以降低异常线损出现的风险。对于需要“煤改电”的台区来说，只需将其对应的预改后的指标体系输入到线损异常识别模型中，即可预判线损是否异常，从而采取相应措施以降低线损出现异常的风险。

3 结论

“煤改电”工程对线损造成了重大影响，极大程度地降低了线损管理水平，并直接对供电单位的效益产生了影响。本文以实施“煤改电”工程后的台区为研究对象，对其进行了线损异常分析，并建立了线损异常识别模型，预判未进行“煤改电”工程的台区的线损是否异常，从而为其提供指导性建议。

本文在对线损数据进行分析的基础上，提取了影响线损的一系列指标，并将这些指标作为后续聚类分析、深度神经网络的输入。提出的线损异常识别的方法以实施“煤改电”工程后的低压台区为研究对象，将聚类算法、深度神经网络引入到线损异常识别中，对未进行“煤改电”工程的低压台区的线损情况进行预测，在一定程度上可以降低“煤改电”工程对线损造成的不利影响，从而提高线损管理水平。本文提出的方法数据获取难度低，计算复杂度较低，有较强的实践应用能力，值得进一步推广。D