BiLSTM与TCN在户变关系异常识别中的应用

杨 健，周亚同，刘 君

（1.河北工业大学电子信息工程学院，天津 300401；2.朗新科技集团股份有限公司，天津 300041）

户变关系是指用户电表与变压器（台区）的归属关系。低压户变关系识别是电力大数据处理领域里重要问题之一。准确的低压台区户变关系是线损得以精确分析调整的前提。有效计算低压台区线损并制定相应的降损策略，对提高企业经营效益，提升电网运行效率具有重要价值[1]。截至2014年底，全国网已完成智能电表的大范围普及，可实时采集用户负荷、电压、电量等信息，为准确进行户变关系异常识别提供了精准的电力大数据支持。

现实中，由于低压台区用户数量众多，网络结构复杂，以及频繁的施工改造（如迁建、扩容、割接、布点等），使得营销系统中用户台区归属没有得到及时更新，造成部分终端用户的真实户变关系与台区档案记载不相符，而台区户变关系异常必然导致同期线损分析结果不准确[2]。影响电网精益化管理。因此，户变关系异常成为一个亟待解决的关键问题。

目前户变关系识别方法主要有以下方式：

（1）台区停电判别法。一线工作人员采用人工分台区停电法，然后现场排查所有线路完成台区用户户变关系的校验。该方法识别结果虽然准确，但随着用户对供电要求的不断提高，对台区停电进行低压台区户变关系判定的方法已无法大范围实施。

（2）高速电力线载波HPLC（high-speed power line carrier）通信技术判别法。通过变压器侧的载波通信终端和用户侧的接收端进行载波通信，依据通信结果判定户变关系异常。Xu等[3]提出了一种高速电力线载波辨识方法，变压器端的拓扑单元与用户设备进行信息交换并记录，变压器终端通过记录汇总生成台区拓扑层次关系。采用载波通讯方式进行户变关系识别对采集器、集中器等硬件设备要求较高，且载波通信易受到噪声干扰，若台区用户电压波动较大，则识别准确率较低。

（3）我国智能电表已实现大范围普及，用电信息采集系统可以自动采集变压器和台区用户用电数据。海量电力数据使得通过大数据分析判别低压台区用户归属成为可能。利用采集到的96点/日采样数据来实现拓扑识别则是一个最经济的方法。Tian等[4]针对径向运行的配电网络提出了一种基于混合整数二次规划MIQP（mixed integer quadratic programming）的拓扑识别模型；Babakemehr等[5]将压缩感知和图论相结合，提出了一种在线拓扑识别和监控方案；Pappu[6]提出一种涉及主成分分析及图论解释的数据驱动方法来识别低压配电网的网络拓扑。

电压日冻结曲线数据是典型的时间序列数据，当用户电压采样时间节点不一致或台区负荷较轻导致电压日冻结曲线波动性减小时，仅采用用户一天的电压日冻结曲线进行户变关系识别极易造成误判。为提高台区归属判别的准确度，应将用户多日电压数据拼接成长时间序列进行户变关系异常识别。

1 户变关系识别原理

在低压配电网中，电力用户呈放射状挂接在供电线路上。同一台区内的电表，由于挂接在同一变压器下，电气距离相对较近，电表采集的线路电压波动趋势与变压器端大致相同[7]，如图1所示。图中，3条曲线分别为同一台区下用户电压日冻结曲线，智能电表每隔15 min采集一次用户电压数据，其中横坐标为一天96个采样点，纵坐标表示电压。

图1 同一台区用户电压曲线Fig.1 User voltage curves in the same station area

当电表处于不同的变压器区域时，因为变压器的终端输出不同，电气距离相对较长，电表采集的线路电压波动趋势各不相同。不同台区下用户电压日冻结曲线如图2所示。

图2 不同台区用户电压曲线Fig.2 User voltage curves in different station areas

由于用电负荷存在不确定性，变压器与用户侧电压经常产生波动。由相同台区及不同台区下用户电压曲线波动性对比可知，通过分析用户电压曲线波动性可以进行户变关系识别。本文提出了一种基于台区用户用电负荷数据及电压日冻结曲线数据的户变关系异常识别方法，识别流程如图3所示。

图3 户变关系异常识别流程Fig.3 Flow chart for anomaly recognition of users-transformer relationship

首先计算台区线损率识别户变关系异常台区。然后确定异常台区相邻台区，将用户一周的电压曲线拼接成长时间序列识别异常用户，并在相邻台区间进行户变关系调整。最后通过调整前后台区线损率对比验证识别结果是否准确。

2 户变关系异常识别

2.1 异常台区判定

据统计，我国线损多是由于中低压台区存在户变关系异常引起的。通常户变关系异常发生在相邻台区间，仅分析同一台区用户电力数据难以定位异常用户。本文在台区异常用户识别时，首先根据台区线损波动情况和平均线损率，区分台区异常类型，定位存在户变关系异常台区。

当某台区线损率出现异常时，首先考虑变压器、集中器、互感器等台区设备故障或线路状况导致线损异常。经排查，设备均正常运行且线路状况良好，供电半径合格率指标正常，初步排除设备故障或线路不合理因素。然后工作人员对该台区下用户进行排查，无窃电行为发生。通过对台区线损率波动异常及采集成功率异常情况分析，怀疑该台区因户变关系异常导致线损率不合格。通常情况下，正常台区线损率处于正常范围内且波动较为平稳，存在用户缺失的台区线损率高且波动较大，包含多余用户的台区线损率低于正常值或为负值[8]。

为真实反映某台区线损波动情况，对台区线损率数据进行一阶运算。线损低于阈值的台区内通常存在较多其他台区用户，需要进行优先处理。线损率高于正常值且波动较大的台区通常存在用户缺失情况，应在其他台区识别异常用户后再行处理[9]。

根据异常台区及其相邻台区下所有用户的用电数据，计算所有待识别台区多日的线损率及线损波动情况[10]，计算公式为

式中：δ为台区线损率波动；FM,i为第M个台区在第i天的变压器负荷；fM,i为M台区下用户第i天用电量总和；C为该台区n天内线损率波动大小；δM,q为M台区户变关系调整前台区原线损率波动；δM,p为M台区户变关系调整后新线损率波动；δN,q和δN,p为户变关系调整前后N台区线损率波动。C表示用户拓扑关系调整对线损率变化产生的影响。

计算各台区线损率，确定可能存在户变关系异常的台区及其相邻台区。例如，某台区2020年7月之前线损率一直保持正常，2020年7月台区线损率突然增高，经分析可能存在台区用户挂接错误，需要定位相邻台区判定异常用户所属台区。该台区线损率统计如表1所示。

表1 某台区线损率统计结果Tab.1 Statistics results of line loss rate in one station area

2.2 相邻台区判定

户变关系异常通常产生于相邻台区间，根据台区距离远近可以确定相邻台区。低压台区线路对供电范围有明确要求：通常Ⅰ类台区服务半径为150 m，Ⅱ类台区服务半径为250 m，Ⅲ类台区服务半径为400 m，Ⅳ类台区服务半径为500 m，相邻台区关系示意如图4所示。

图4 物理位置相邻台区示意Fig.4 Schematic of station areas at adjacent physical locations

2个台区距离远近的计算公式为

式中：(jA,ωA),(jB,ωB)分别为变压器A、B的经纬度；R为地球半径。

通过供电台区地理位置坐标找到异常台区周边至少5个相邻台区，获取异常台区及相邻台区内所有用户电压日冻结曲线数据组建本文算法数据集。仅在相邻台区间进行户变关系调整，可以节约大量人力物力，避免全供电区域内调整产生异常结果。

2.3 现有研究方法分析

目前，国内外采用电力数据研究台区户变关系通常采用以下3种方案。

（1）将电压日冻结曲线数据进行降维，然后采用逻辑回归、SVM、K-means等传统机器学习方法实现户变关系识别。Liu Chen等[11]提出了一种改进的K-means算法对用户电压数据聚类以识别用户台区归属；Zhao Guoai等[12]建立了多源数据挖掘的异常识别模型，应用孤立森林、K-means、LSTM等算法并进行特征融合识别拓扑异常用户；冯人海等[13]首先采用主成分分析法PCA（principal component analysis）对电力数据降维，然后将范数处理和凸松弛原理应用于电力拓扑识别上，提高了识别准确率。这类方法简单易于实现，但缺点是物理原理不够清晰，将电压数据降至低维会降低台区识别的精度，若两个用户电压曲线波动较为相似会导致误判[14]。

（2）对用户电压曲线进行动态时间规整DTW（dynamic time warping）度量，或计算电压曲线间的欧式距离，皮尔逊相关系数进行判别。皮尔逊相关系数定义为

（3）基于“同台区用户电压波形相似”的方法进行户变关系识别。电压日冻结曲线由于用电负荷的不确定性造成扭曲变形，将电压曲线划分成多个子片段，利用滑动时间窗口分析电压曲线的极值点、曲线斜率、变化趋势等信息，进行户变关系判别[16-17]。

采用传统的机器学习方法如K近邻算法KNN（K-nearest neighbor）、SVM、Logistic Regression等进行分析需要大量的人工处理或者复杂的特征工程，在处理该任务时有一定的难度，而基于集成学习的方法由于计算复杂度极高并不适用[18]。

相比于一般的机器学习方法，深度学习在进行时间序列分类时无需人工提取特征，且在面对大量数据样本时，性能往往更优越。Karim等[19]提出了用于时间序列分类的LSTM-FCN网络，无需进行复杂数据预处理且分类准确度较高。Liu Chien-Liang等[20]将时间序列数据转化为张量表示，提出了一种多元卷积神经网络MVCNN（multivariate convolutional neural network）用于处理时间序列数据。

神经网络无需对数据集进行繁杂的特征工程即可提取时间序列不同特征。本文提出一种基于双向长短期记忆网络和时间序列卷积BiLSTM-TCN（bidirectional long and short-term memory network and temporal convolutional network）的网络模型解决单变量时间序列分类问题，相比于一般机器学习算法，识别准确度进一步提升。

2.4 供电台区数据获取

为检验所提出的BiLSTM-TCN模型对时间序列分类的效果，采用天津市某电力公司提供的多个台区下变压器和用户电压日冻结曲线数据。供电台区数据以台区和用户为核心，以链表形式存储在Oracle数据库中。本文所用数据如表2所示。

表2 户变关系识别数据Tab.2 Data of recognition of users-transformer relationship

在选取台区下用户电压数据时应注意以下3点。

（1）选取相同时间段的电压数据。在进行户变关系判别时，必须选取相同时间段的电力数据。随着智能电表的普及，我国已基本实现电力数据的静态采集，并针对电力数据中的漏点进行补召。若补召后仍未采集到数据，则用前一时刻的数值对漏点进行补充，保证数据完整性。

（2）合适的电压数据量。由于有些用户电压波动差异较小，仅选取一天的电压曲线数据无法精确判断用户台区归属。目前对于采用多日电压值进行户变关系判别的研究仍是空白。但如果选取电力数据周期太长，虽然可以提高识别精度，但样本过于复杂，对算法要求较高且运算速度会很慢。为兼顾识别准确性与运算速度，本实验将用户一周的电压数据拼接成一个长时间序列，通过时间序列分类进行用户台区归属判别。某用户一周电压波动曲线如图5所示。

图5 台区用户一周电压曲线示意Fig.5 Schematic of one-week voltage curve for user in station area

（3）电力数据异常值处理。智能电表通过网络时间协议NTP（network time protocol）定点向采集系统上传该时刻的冻结数据。由于数据传输过程中会受到干扰产生错误数据，这些错误数据会导致数据分析结果不准确，因此需要对用户用电数据进行预处理，对于异常值进行数据清洗[21]。电力大数据中数据错误一般分为重复数据和异常数据两类。

由于电网状态存在波动性，智能电表采集数据经常产生重复记录。针对数据中存在的重复数据需要进行检查处理并剔除。异常数据可分为无效数据和不符合业务逻辑的数据，无效数据主要是指所有或大部分实例为null或缺省的数据，不符合逻辑的数据主要是指数据中存在的违反规则的实例，或者不在指定集合范围内的实例。数据不完整主要是指缺少本该存在的信息[22]。

对于采集系统中的缺失值、异常值及不符合业务逻辑的数据进行分析并剔除。例如对于线损异常的数据，需要根据台区下用户容量等信息进行数据筛选。对于小于200 V及大于250 V的电压数据进行剔除。由于同一变压器区域内电表的电压曲线相似度高，在户变关系判别中，电压数据为无效数据，电压曲线数据为有效数据。将已明确台区归属的所有用户一周内的电压日冻结曲线数据及其户变关系作为正样本，将台区归属存在异常的用户作为负样本。对用户数量较少的台区，可以对数据进行增强扩充训练集样本，提升神经网络识别精确度。

3 本文解决方案

3.1 实验原理分析

3.1.1 双向长短期记忆网络层

双向长短期记忆网络BiLSTM由正、反两个传播方向的LSTM结合而成。由于拼接后的电压曲线数据为长时间序列，传统递归神经网络RNN（recursive neural network）识别长时间序列会产生梯度消失和梯度爆炸，为了能够有效利用前后时间序列信息，故采用BiLSTM结构。

BiLSTM由正向和反向LSTM拼接而成，LSTM包含输入门、输出门和遗忘门三部分。遗忘门选用sigmoid函数对前面时刻的记忆信息和新输入信息进行选择。遗忘门的出现使得LSTM很难出现梯度消失问题。LSTM各个计算细节如下。

式中，ft为通过的信息量。输入门可以描述为

细胞状态（信息传导）Ct的计算公式为

输出门的计算公式为

Ct通过门限结构控制记忆单元中的输入信息是否被记忆或者遗忘，从而实现传递有用信息，丢弃无用信息，弥补了RNN难以获取到长时间序列信息的不足。

为更好提取前后时间序列特征，本文引入BiLSTM网络用于户变关系异常识别，其网络结构如图6所示。这类网络在正向传递信息的同时还会进行逆向传递，正向传播层单元学习当前时间序列之前的信息，反向传播层学习当前时间序列之后的信息，然后拼接两个方向学习到的特征，进而结合前后向时间序列信息。BiLSTM有效解决了LSTM只能保存前面信息这一问题，更有利于时间序列分类[23-24]。BiLSTM具有长距离捕获能力，被应用于各种文本及时间序列分类任务中。Sharfuddin等[23]将BiLSTM深度递归网络用于情感分类，Zeng等[25]提出Densenet-BiLSTM网络用于关键字定位，通过BiLSTM提取时间序列特征，减少人机交互中时间消耗，在指令识别任务中取得了较高的准确率。

图6 BiLSTM网络结构示意Fig.6 Schematic of BiLSTM network structure

3.1.2 时序卷积网络

由于时间序列数据具有次序性，传统的神经网络由于卷积核的大小限制不能很好的抓取长时间序列的依赖特征，不适用于长时间序列分类。时序卷积网络TCN引入因果卷积，使得上下层之间具有因果关系，并使用残差连接和扩张卷积避免梯度消失问题，更好地控制模型记忆长短，使其可以提取长时间序列特征，提升时间序列分类准确度[26]。

相比于普通一维卷积网络，TCN主要有两点改进：

（1）因果卷积（causal convolution）。因果卷积通过某个时刻之前的时间序列信息得到这一时刻的值，具有严格的时间限制，可以充分利用之前时刻的时间序列信息。因果卷积示意如图7所示。

图7 因果卷积示意Fig.7 Schematic of causal convolution

本文中电压数据为长度672的长时间序列数据。为了扩大卷积的感受野，更好地提取长时间序列特征，因果卷积必须增加网络层数或选用更大的过滤器。但这会增加网络模型复杂度，造成梯度消失、梯度爆炸、拟合效果差等问题。因此引入扩张卷积。

（2）扩张卷积（dilated convolution）。随着卷积层数增加，扩张卷积的扩张系数成倍增加，通过在卷积窗口中引入更多的空洞，可以显著增大感受野，降低计算量，简化网络结构。扩张卷积示意如图8所示。

在图8中，扩张卷积感受野扩大了1、2、4、8倍，可以在网络层数相同的情况下使得感受野得到明显提升，提取到更长时间序列特征。为避免神经网络层数增加产生梯度消失，TCN网络使用残差结构将输入与非线性输出直接相连，提高了户变关系识别的精度[27]。

图8 扩张卷积示意Fig.8 Schematic of dilated convolution

3.1.3 BiLSTM-TCN网络模型

不同的神经网络可以提取时间序列不同特征。考虑到时间序列数据之间具有次序性，且单一的TCN对时间序列进行建模存在无法编码从后到前信息的问题[28]，本文将双向长短期记忆网络与时序卷积网络并行拼接，提出了BiLSTM-TCN并行神经网络用于户变关系识别。

基于BiLSTM-TCN的电压时间序列分类模型由时序卷积网络模块和BiLSTM模块两部分组成。由于提取时间序列特征的质量直接影响到识别结果的准确性，与传统方法相比，该方法无需对时间序列数据进行复杂的特征工程即可实现从原始输入到输出的端到端映射。在分类过程中不仅能够保留数据原始样本，还通过融合两个网络提取到的不同时间序列特征，提高了分类的准确率。BiLSTMTCN并行神经网络的结构框架如图9所示。

图9 BiLSTM-TCN网络结构模型Fig.9 Structural model of BiLSTM-TCN network

将长时间序列分别输入到BiLSTM模块和TCN模块，第1条支路中时间序列首先经过维度混洗层，维度混洗层将时间序列维度转换为具有单个时间步长的多变量时间序列，从而提高模型训练的速度。然后经过BiLSTM模块后送入Dropout层。

第2条支路中每个时序卷积模块包含扩张因果卷积、WN层、Relu激活函数和Dropout层。

首先采用因果扩张卷积提取具有多个时间步长的单变量时间序列特征，然后将提取到的特征送入WN层进行权值归一化处理，最后通过Relu激活函数后送入Dropout层。由于卷积层数较多，在第2条支路中还引入残差结构避免梯度消失产生。2条支路将提取到的时间序列特征送入Concat模块进行特征融合。最后，经过Dense层输出分类结果。

3.2 实验仿真

3.2.1 可调参数设置

TCN卷积层中使用的过滤器数为64，卷积核大小设置为3；TCN网络层中扩张因果卷积层数设置为5，扩张因子分别设置为1、2、4、8、16；激活函数选用Relu函数，Resnet层数设置为1，配置训练方法使用Adam优化器，学习率为0.01，使用均方误差损失函数。

Keras的Bidirectional双向层wrapper实质上将具有前向处理能力和后向处理能力的并行LSTM进行拼接。定义隐藏在一个Bidirectional层中的LSTM层，在正向LSTM隐藏层中使用128个存储单元，平行于第1层的反向LSTM隐藏层也有128个存储单元。

Concatenate层将两个框架提取出的特征融合后，经过一层Dense层输出分类结果。由于需要将待识别用户分成8类，所以全连接Dense设定为8。batch_size设置为64，在整个数据集上的迭代次数设定为15次。

3.2.2 对比实验

为验证BiLSTM-TCN算法在户变关系异常识别中的有效性，本文引入6组对比实验，实验数据为多个台区下用户一周电压曲线组成的单变量长时间序列。使用识别准确率，F1-score与损失函数作为评价标准。设置对比实验如下。

（1）LSTM：在一般RNN的基础上添加了门限结构，选择性提取信息。第1层LSTM神经元个数设定为128，返回全部时刻输出，Dropout层参数设定为0.2。第2层LSTM神经元个数设定为128，仅返回最后时间步输出，Dropout层参数设定为0.2，最后送入Dense层，输出分类结果。

（2）BiLSTM：时间序列首先经过embedding层进行编码，Bidirectional双向层将正向和反向LSTM进行堆叠，分别从正、反两个方向对时间序列特征进行学习，前向LSTM与后向LSTM均有128个神经元，Dropout层参数设定为0.2，最后经过Dense层输出，进行户变关系识别。

（3）FCN将传统的卷积神经网络CNN（convolutional neural network）网络层中的全连接层替换为卷积层，在时间序列分类中取得了不错的效果。本文中全卷积网络由滤波器大小分别为128、256、128的3个全卷积块堆叠而成，全卷积模块选用Relu激活函数，时间序列经过一维卷积后送入BN层进行批量归一化，经全局平均池化后送入Dense层输出分类结果。

（4）LSTM-FCN：将LSTM网络与FCN网络经Concat层进行并联。

（5）Dense-FCN：将全连接层与FCN网络经过Concat层进行并联，Dense层选用sigmoid激活函数，Dropout层参数设定为0.2。

（6）GRU-FCN：门控循环单元GRU（gated recurrent unit）将LSTM中的遗忘门和输入门融合为更新门，实现对LSTM网络的简化。GRU参数与LSTM参数设置相同，将GRU网络与FCN网络经Concat层进行并联。

（7）BiLSTM-TCN：本文提出模型，TCN可以提取长时间序列特征，同时增加BiLSTM网络层补足单向TCN无法连结前后时间序列的缺陷。

3.2.3 实验环境设置

所有实验均在华为云ModelArts上运行，开发框架使用Tensorflow2.1.0，操作系统为Linux运行环境，使用python语言进行编程，数据集为多个台区下用户一周的电压曲线拼接成的长时间序列。具体实验运算环境如表3所示。

表3 实验运算环境Tab.3 Experimental computing environment

3.2.4 识别性能评价指标

为对比各算法优劣，本文引入了准确率以及F1-score作为算法评价指标。准确率Racc、精准率Rpre、召回率Rrec及F1-score计算公式为

式中：TP为实际为某台区用户且算法分类正确的样本数；FP为不属于某台区但被算法划分为该台区的样本数；FN为属于该台区但被算法划分到其他台区的样本数；TN为不属于某台区且算法未划分到该台区的样本数；Racc为准确率，表示所有用户中算法正确识别台区归属用户所占比例；Rpre为精准率，表示算法识别为某台区用户数中实际属于该台区用户数所占比例；Rrec为召回率，表示正确识别台区用户数占该台区实际用户总数的比例。交叉熵其损失函数公式为

式中：m为台区类别数量，如果预测类别与实际类别相同则为1，不同则为0；pic为样本i第c类的概率；yic为指示变量；H(p,q)为目标分布与预测分布的交叉熵；L(H)为多分类交叉熵损失函数。

3.3 实验结果分析

本文在同一数据集上进行了6组对比实验，将准确率、F1-score和交叉熵损失函数值作为评价标准，对比本文提出的BiLSTM-TCN模型与其他网络模型。各组模型识别准确率如图10所示。由各网络模型准确率对比图可知，并行连接网络对户变关系识别准确率显著优于单体神经网络，识别精度均达到90%以上，说明采用两种神经网络分别提取时间序列不同特征并进行特征融合的方式能更好地提升户变关系识别准确率。其中BiLSTM-TCN与LSTM-FCN经15轮迭代后识别准确率均达到100%，GRU-FCN识别准确率为95.74%，Dense-FCN识别准确率为93.25%。

图10 各组神经网络模型准确度对比Fig.10 Comparison of accuracy among different neural network models

在单体神经网络中，FCN对于长时间序列识别精度弱于另外两种循环神经网络，经过15轮迭代后识别精度为72.37%。LSTM经过15轮迭代后识别精度为78.31%。BiLSTM神经网络将正反向LSTM网络进行堆叠，对于长时间序列建模能力明显优于单体LSTM网络，经过15轮迭代后识别精度达到85.94%。各组神经网络模型交叉熵损失函数对比如图11所示。

图11 各组神经网络模型损失对比Fig.11 Comparison of loss among different neural network models

由实验结果可知，随着训练轮次的增加，各组神经网络模型损失函数显著下降。经过15轮迭代后FCN损失函数最高，BiLSTM-TCN损失函数明显低于其他神经网络模型。BiLSTM和LSTM网络损失函数初始值较低，但趋于收敛速度较慢。FCN网络与其他并行卷积网络损失函数初始值较大，但下降到稳定值的速度较快。

相比于单一LSTM，BiLSTM增加了反向传播单元，能够融合前后时间序列特征，效果更优。TCN引入了扩张卷积，可以在网络层数相同的情况下提取到更多时间序列特征。将BiLSTM和TCN并行连接可获得更优的分类结果。各网络模型准确率、交叉熵损失值、F1-score、参数量的对比分析如表4所示。

表4 各网络模型识别性能对比分析Tab.4 Comparative analysis for recognition performance of each network model

相比于其他神经网络模型，BiLSTM-TCN模型经过较少的训练轮次就能达到较高的识别准确率，在各台区用户电压曲线数据集上的性能表现更优，具有较高实用价值。

3.4 户变关系调整准确性判别

模型输出包括存在户变关系异常的疑似用户以及这些用户应属台区判定结果两部分。为判定算法识别的准确性，本文采用台区线损率判定法进行验证。通常10 kV电网线损率最高不超过6%。线损率超过9%的台区划为高损台区，会造成大量电能损失，这类台区往往存在台区用户缺失，需要待其他台区户变关系调整后再行处理。而线损率太低甚至为负值的台区往往存在较多其他台区用户，需要进行优先处理。将异常用户加入到算法识别的台区下，计算户变关系调整前后各台区线损波动情况。某台区调整前后线损率波动如图12所示。

图12 某台区户变关系调整前后线损波动曲线示意Fig.12 Schematic of line loss fluctuation curve before and after the adjustment of users-transformer relationship in one station area

调整前该台区线损率为10%左右且线损波动性较大，调整后台区线损率达到正常范围且线损率波动显著下降。由前后线损率对比可知，该台区户变关系调整正确，将该用户户变关系划归到该台区下，否则该用户不属于该台区。

4 结 语

准确的户变关系是营配贯通深化应用的前提，也是实现降损增效的根本途径。频繁的台区改造使得大量用户存在户变关系异常，造成台区线损计算出现较大偏差。本文首先根据各台区变压器及台区下所有用户不同时段的历史负荷数据，计算该台区线损率及线损波动情况，从而确定异常台区。由于户变关系异常通常发生在相邻台区间，根据台区位置及变压器供电范围确定邻近台区关系，避免全局性户变关系调整，可显著提高户变关系识别效率。对于异常台区下异常用户识别，传统户变关系识别仅采用一天的电压曲线数据进行降维或计算皮尔逊相关系数，若曲线波动性相似容易造成台区归属误判。本文根据同台区下电压曲线波动相似性原理，将台区用户一周的电压曲线拼接成长时间序列，以提高识别准确率。

传统的机器学习方法处理长时间序列需要进行特征工程，而神经网络可以避免复杂的数据处理。由于传统卷积神经网络不能很好提取长时间序列特征，因此本文提出基于BiLSTM-TCN的并行神经网络用于户变关系识别。TCN通过引入扩张卷积和残差块使得网络层数相同时可以显著增大感受野，从而提取更多时间序列特征。BiLSTM层由正向LSTM和反向LSTM拼接而成，从而结合提取到的前后向时间序列信息，具有对时间序列特征的长距离捕获能力。通过与其他传统神经网络对比，本文提出的BiLSTM-TCN模型对户变关系识别准确度最高，且在训练轮次最少的情况下能较快达到收敛，具有较高的应用价值。

为验证户变关系识别的准确性，分别计算户变关系调整前后台区线损率波动性。若调整后异常台区线损率达到正常阈值范围内则户变关系判别正确，将该异常用户加入该台区，否则户变关系判别错误。