基于多源數(shù)據(jù)挖掘的低壓配電網(wǎng)線損智能診斷模型

宋惠忠，顧華忠，顧 韜，韋安強(qiáng)，周子譽(yù)

（1.國網(wǎng)浙江海寧市供電有限公司，浙江 海寧 314400；2.國網(wǎng)浙江省電力有限公司嘉興供電公司，浙江 嘉興 314000）

0 引言

電網(wǎng)線損是電網(wǎng)企業(yè)的重要管理和考核內(nèi)容，發(fā)電、輸電、變電、配電和用電等各環(huán)節(jié)均會帶來線損。其中，配電網(wǎng)的臺區(qū)線損是供電企業(yè)的重要指標(biāo)之一。由于配電網(wǎng)存在線路雜亂、用戶量大、臺區(qū)檔案管理薄弱、現(xiàn)場環(huán)境復(fù)雜、業(yè)務(wù)系統(tǒng)復(fù)雜、數(shù)據(jù)質(zhì)量較差等問題，導(dǎo)致臺區(qū)線損存在管理難度大、治理效率低等問題。目前，臺區(qū)線損治理主要方法為人工經(jīng)驗(yàn)法，即由工作人員憑借個人經(jīng)驗(yàn)進(jìn)行判斷和治理，而缺乏科學(xué)、智能的診斷模型。隨著電網(wǎng)信息化、智能化建設(shè)的發(fā)展，各個環(huán)節(jié)信息化、智能化水平得到不同程度的提高，使得全網(wǎng)線損管理的信息化、智能化成為可能。

目前，國內(nèi)外大量的研究工作集中在臺區(qū)理論線損計算和線損管理方式方面[1-10]，傳統(tǒng)的理論線損計算方法通過電網(wǎng)實(shí)時負(fù)荷數(shù)據(jù)、拓?fù)鋽?shù)據(jù)進(jìn)行計算[2-3]，但實(shí)際應(yīng)用比較困難。因此提出了基于統(tǒng)計學(xué)的簡便計算方法，如使用回歸算法[4]、聚類算法[1]、神經(jīng)網(wǎng)絡(luò)算法[5，11-12]、支持向量機(jī)[13]等等。而關(guān)于診斷與降低線損的論文較少，且主要集中在網(wǎng)架結(jié)構(gòu)和運(yùn)行方式、管理水平優(yōu)化上，根據(jù)理論線損對網(wǎng)架結(jié)構(gòu)和運(yùn)行方式進(jìn)行優(yōu)化[2，14-15]，或者在現(xiàn)有的管理基礎(chǔ)上提出具有針對性的管理方式[8-9，16-17]，但對線損智能診斷的研究更少。以下通過技術(shù)手段融合計算機(jī)科學(xué)、電力專業(yè)、統(tǒng)計學(xué)等多學(xué)科，通過變革傳統(tǒng)的人工線損報表與管理模式，使線損管理走向信息化、透明化和智能化。

文章首先分析了浙江省海寧地區(qū)的臺區(qū)線損現(xiàn)狀，針對海寧地區(qū)的線損現(xiàn)狀，提出了相應(yīng)的診斷模型，并使用海寧的準(zhǔn)確數(shù)據(jù)對模型進(jìn)行校核。然后對海寧地區(qū)316個典型低壓臺區(qū)進(jìn)行模型驗(yàn)證，結(jié)果顯示模型能夠有效識別異損臺區(qū)存在的異常問題。

1 海寧地區(qū)低壓臺區(qū)線損現(xiàn)狀

供電所負(fù)責(zé)所轄區(qū)內(nèi)的低壓臺區(qū)線損管理，目前主要是通過線損治理專員每日通過系統(tǒng)查詢異損臺區(qū)，并手工比對相關(guān)用戶數(shù)據(jù)，查找異損原因，效率低下。調(diào)研統(tǒng)計發(fā)現(xiàn)，線損治理效率約為1人·天/臺區(qū)。

為分析海寧地區(qū)的線損現(xiàn)狀，對海寧地區(qū)的3個供電所進(jìn)行線損異常原因調(diào)研。表1統(tǒng)計了海寧市2017年1月的線損異常數(shù)據(jù)，其中電量缺失、電量異常、戶變關(guān)系異常、竊電、接線/設(shè)備故障占比分別為42.12%，28.08%，10.27%，8.22%和4.79%。電網(wǎng)運(yùn)行方式、功率因數(shù)和設(shè)備選型等問題占比不高，并涉及到電網(wǎng)設(shè)計問題，整改難度大、周期長。因此，海寧地區(qū)線損異常的主要原因?yàn)椴杉娏咳笔А㈦娏慨惓?、戶變關(guān)系異常、竊電和接線/設(shè)備故障等。

表1 海寧地區(qū)線損異常原因調(diào)研

目前采用人工方式分析異損臺區(qū)，具體流程如圖1所示。通過人工比對臺區(qū)的檔案數(shù)據(jù)、電量數(shù)據(jù)、運(yùn)行狀態(tài)、拓?fù)鋽?shù)據(jù)等電網(wǎng)運(yùn)營數(shù)據(jù)，找到嫌疑用戶。其中，電網(wǎng)運(yùn)營數(shù)據(jù)比較完整，用電采集提供客戶端抄表與關(guān)口抄表情況、關(guān)口表負(fù)荷數(shù)據(jù)較完整，客戶表負(fù)荷數(shù)據(jù)需要通過召測獲取；營銷業(yè)務(wù)系統(tǒng)中用戶檔案數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)較完整。但這些數(shù)據(jù)散亂分布，缺乏科學(xué)分析模型，導(dǎo)致人工比對效率和準(zhǔn)確率都較低。

圖1 線損異常臺區(qū)人工分析流程

為提高線損分析效率，對多系統(tǒng)/多業(yè)務(wù)模塊的數(shù)據(jù)進(jìn)行整合，包括：營銷檔案數(shù)據(jù)、營銷業(yè)務(wù)數(shù)據(jù)、電網(wǎng)運(yùn)行數(shù)據(jù)、拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)、抄表數(shù)據(jù)等，建立基于電網(wǎng)多源數(shù)據(jù)的配電網(wǎng)線損智能診斷模型，實(shí)現(xiàn)線損分析的智能化，具體分析流程如圖2所示。

圖2 線損智能診斷分析流程

2 配電網(wǎng)線損異常智能診斷模型及參數(shù)

通過對海寧地區(qū)線損基本情況調(diào)研，掌握線損治理現(xiàn)狀、線損異常原因總結(jié)、電網(wǎng)運(yùn)營數(shù)據(jù)情況等。根據(jù)調(diào)研結(jié)果，建立適用于海寧地區(qū)的配電網(wǎng)臺區(qū)線損智能診斷模型，分為戶變關(guān)系異常分析、用電數(shù)據(jù)采集異常分析和異常用電行為分析3個模塊。

2.1 戶變關(guān)系異常分析模型及參數(shù)整定

由于電網(wǎng)業(yè)務(wù)流程中檔案錄入失誤，導(dǎo)致用戶與臺區(qū)對應(yīng)關(guān)系錯誤。臺區(qū)中戶變關(guān)系異常的用戶會影響臺區(qū)的總用電量計算結(jié)果，造成臺區(qū)線損異常。電網(wǎng)運(yùn)營數(shù)據(jù)中能夠反映戶變關(guān)系的數(shù)據(jù)極少，其中用戶的用電地址能夠一定程度上幫助找到戶變異常的臺區(qū)。根據(jù)配電網(wǎng)線路的設(shè)計特點(diǎn)，用戶就近連接配電變壓器，即同一臺區(qū)的用戶地址比較接近。因此，提出基于用電地址的戶變關(guān)系異常分析模型，找到距離臺區(qū)整體用電地址較遠(yuǎn)的用戶，并定義為戶變關(guān)系異常嫌疑用戶。

用戶地址為文本數(shù)據(jù)，針對文本數(shù)據(jù)的分類算法通常包括文本分詞、重構(gòu)文本數(shù)據(jù)、模型訓(xùn)練、模型測試等過程[18]。中文分詞算法可分為兩大類，第一類是基于詞典的分詞算法（字符串匹配分詞算法），第二類是基于統(tǒng)計的機(jī)器學(xué)習(xí)算法[19-20]。目前，用電地址已實(shí)現(xiàn)結(jié)構(gòu)化，按省、市、縣、街道等地域從大至小共同構(gòu)成，具有地理詞語規(guī)律和詞長較短的規(guī)律。因此，首先基于詞典進(jìn)行分詞，針對未收錄詞典的詞語基于統(tǒng)計學(xué)進(jìn)行分詞。戶變關(guān)系異常識別歸屬于異常點(diǎn)識別范疇，通?；诰嚯x、密度、頻率等特征進(jìn)行識別?？紤]到地理詞語的隨機(jī)性，不具有普通文本詞語的連貫性，因此采用基于頻率的異常點(diǎn)識別算法。Apriori算法是一種挖掘關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集算法，其核心思想是通過候選集生成和情節(jié)的向下封閉檢測兩個階段來挖掘頻繁項(xiàng)集[21]，通過給定的最小支持度，找到出現(xiàn)概率滿足最小支持度的頻繁項(xiàng)集。

為驗(yàn)證模型可行性，選取海寧地區(qū)戶變關(guān)系正常臺區(qū)作為實(shí)驗(yàn)臺區(qū)。考慮到城區(qū)（小區(qū)）、城郊和農(nóng)村地理特征差別，隨機(jī)選取海寧地區(qū)424個線損長期正常臺區(qū)，其中城市（小區(qū)）臺區(qū)85個，農(nóng)村臺區(qū)219個，城郊（鎮(zhèn)）臺區(qū)120個。根據(jù)歷史現(xiàn)場查驗(yàn)比例，隨機(jī)選擇1‰的用戶打亂其臺區(qū)屬性，計算模型的最優(yōu)準(zhǔn)確率和召回率。重復(fù)進(jìn)行100次實(shí)驗(yàn)，平均準(zhǔn)確率和召回率如圖3所示?？梢钥闯觯倩芈屎蜏?zhǔn)確率均最優(yōu)時，城郊用戶的準(zhǔn)確率最低，但也達(dá)到了91.75%，可滿足現(xiàn)場檢查需求。

圖3 海寧地區(qū)城市（小區(qū)）、城郊、農(nóng)村（鎮(zhèn)）調(diào)參曲線

2.2 用電數(shù)據(jù)采集異常分析

用電采集系統(tǒng)采集各表計的凍結(jié)電量數(shù)據(jù)，計算臺區(qū)線損率。用電數(shù)據(jù)采集異常分為3類：采集電量缺失、采集電量異常變小、采集電量異常變大。針對不同異常類型，給出對應(yīng)的判斷規(guī)則。若當(dāng)日抄表電量為空，則判斷為采集電量缺失。若當(dāng)日抄表電量小于前日抄表電量，則判斷為采集電量異常變小。采集電量異常變大的判斷規(guī)則較為復(fù)雜，因此將其納入異常用電行為分析模塊中。

用電數(shù)據(jù)采集異常分析的目的是為評估采集異常對臺區(qū)線損的影響。常用的預(yù)測方法較多，包括平均數(shù)法、趨勢預(yù)測法、統(tǒng)計回歸法等[22]。同時，新的理論和方法不斷涌現(xiàn)[23-26]，神經(jīng)網(wǎng)絡(luò)、時間序列、貝葉斯、模糊理論、小波分析、回歸分析、支持向量機(jī)等技術(shù)為電力負(fù)荷預(yù)測提供了有力的工具。但目前的方法均有其不足之處，短期負(fù)荷預(yù)測方法受壞數(shù)據(jù)、氣候因素、用電隨機(jī)性的影響，導(dǎo)致預(yù)測誤差較大。為避免上述因素對電量預(yù)測的影響，選取部分適用的歷史電量用于電量預(yù)測：

（1）為避免壞數(shù)據(jù)的影響，選取線損正常日期的電量。

（2）為避免用電隨機(jī)性的影響，將歷史電量根據(jù)工作日/節(jié)假日屬性進(jìn)行分類，選取預(yù)測當(dāng)日屬性相同的歷史電量。

（3）為避免氣候原因的影響，選取預(yù)測日期近期電量作為歷史電量。

針對訓(xùn)練數(shù)量較少的情況，一般采用簡單模型，降低因參數(shù)精度對模型準(zhǔn)確度的影響，即采用最常用的平均值模型。

式中：Wi為近期同類型且臺區(qū)線損正常的用電量；W估算為估算得到的電量；N為相似天數(shù)。

為驗(yàn)證模型的可行性，選用海寧地區(qū)抄表數(shù)據(jù)均正常的用戶作為實(shí)驗(yàn)數(shù)據(jù)?？紤]到不同類別用戶的用電習(xí)慣，分別選用海寧地區(qū)200名工業(yè)、商業(yè)、農(nóng)業(yè)和居民用戶的電量數(shù)據(jù)作為訓(xùn)練集合。用于計算平均值的相似天數(shù)從1～50 d，分別計算其電量估算相對誤差，結(jié)果如圖4所示。其中，農(nóng)業(yè)用戶相對誤差最高，達(dá)到12.82%；工業(yè)用戶相對誤差最低，為9.86%。因此，模型滿足現(xiàn)場使用需要。

圖4 不同相似天數(shù)時電量估算精度統(tǒng)計

2.3 異常用電行為分析

竊電、違約用電、設(shè)備故障等異常特征不明顯，影響難以估量，是臺區(qū)線損異常的主要因素之一，因此將其歸類為異常用電行為?？紤]到現(xiàn)有的數(shù)據(jù)，分為以下4個維度進(jìn)行分析：表計電量變化趨勢、表計電量與臺區(qū)線損率關(guān)聯(lián)性、異常事件與臺區(qū)異損關(guān)聯(lián)性、歷史異常用電行為。

2.3.1 表計電量變化趨勢異常分析

為避免壞數(shù)據(jù)、氣候因素、用電隨機(jī)性的影響，將用電數(shù)據(jù)分類為工作日且線損正常、節(jié)假日且線損正常、工作日且線損異常、節(jié)假日且線損異常4類。針對每塊表計，根據(jù)分析日期的節(jié)假日/工作日屬性，選擇歷史節(jié)假日/工作日且線損正常的用電數(shù)據(jù)為對比數(shù)據(jù)。統(tǒng)計學(xué)中常定義最小值與最大值之間為合理區(qū)間，因此，找到對比數(shù)據(jù)的電量值及電量占比（電量占比指表計電量占臺區(qū)總電量的比例）的合理區(qū)間。若線損異常當(dāng)天，客戶/關(guān)口表計的電量值或電量占比任一超過合理區(qū)間，則定義該塊表計的電量變化趨勢異常。

2.3.2 表計電量與臺區(qū)線損關(guān)聯(lián)性分析

若表計電量的波動與臺區(qū)線損率波動相關(guān)，則該表計電量為臺區(qū)線損波動的因素之一。為找到與臺區(qū)線損率波動關(guān)聯(lián)性強(qiáng)的表計，使用皮爾遜相關(guān)系數(shù)作為關(guān)聯(lián)系數(shù)[27]，計算每塊表計與臺區(qū)線損率的關(guān)聯(lián)性。皮爾遜相關(guān)系數(shù)公式如下：

式中：ρx，y為待分析用戶用電量和所屬臺區(qū)線損率的皮爾遜相關(guān)系數(shù)；xi和yi分別為第i天該用戶用電量和所屬臺區(qū)的線損率。

給定最小相關(guān)系數(shù)，若皮爾遜相關(guān)系數(shù)的絕對值大于給定值，則定義為該用戶電量與臺區(qū)線損關(guān)聯(lián)性異常。根據(jù)文獻(xiàn)[27]研究，當(dāng)相關(guān)系數(shù)絕對值大于0.5，即認(rèn)定為具有強(qiáng)關(guān)聯(lián)。

2.3.3 異常事件與臺區(qū)異損關(guān)聯(lián)性分析

部分異常用電行為，如表計故障、竊電都會引起表計異常，具體表現(xiàn)如開蓋記錄、失流、失壓、斷相、斷流、電能表倒走、電能表飛走、反向電量異常、恒定磁場干擾、電壓斷相、單項(xiàng)表分流等。因此，將表計的異常事件與臺區(qū)異損結(jié)合分析，能夠有效識別導(dǎo)致臺區(qū)異損的異常事件。針對前兩個維度發(fā)現(xiàn)的異常用戶，后臺進(jìn)行數(shù)據(jù)召測，分析判斷是否存在異常事件，若存在，則異常事件與臺區(qū)異損關(guān)聯(lián)性異常。

2.3.4 歷史異常用電行為嫌疑系數(shù)

為合理評估用戶的異常級別，綜合上述的3個異常用電分析維度，建立能反映用戶異常級別的嫌疑系數(shù)。常用的方法為加權(quán)法，與異常用電行為關(guān)聯(lián)性強(qiáng)的維度權(quán)重高，關(guān)聯(lián)性弱的維度權(quán)重低。為驗(yàn)證上述3個維度的可行性，選擇歷史查處的164名存在異常用電行為用戶，分析異常用戶是否在這3個維度出現(xiàn)異常。由統(tǒng)計（見圖5）可知，3個維度發(fā)生的頻次分別為151，74，46。為合理表征3個維度的權(quán)重，根據(jù)其發(fā)生頻次進(jìn)行歸一化后得到權(quán)重，分別為0.56，0.27和0.17。

圖5 歷史異常用戶各維度異常統(tǒng)計

2.4 線損治理智能決策

線損智能診斷模型從戶變關(guān)系異常分析、用電數(shù)據(jù)采集異常分析和異常用電行為等3個模塊精準(zhǔn)定位臺區(qū)異常嫌疑用戶。為進(jìn)一步提高線損治理效率，應(yīng)根據(jù)嫌疑用戶對臺區(qū)線損的影響程度，合理安排檢查計劃。異常用電行為包括竊電、違約用電、表計故障，影響難以評估，因此根據(jù)異常嫌疑系數(shù)優(yōu)先處理。戶變關(guān)系異常和用電數(shù)據(jù)采集異常則根據(jù)對臺區(qū)線損的影響程度進(jìn)行排序，優(yōu)先處理對臺區(qū)線損影響大的異常。通常采用線損試算結(jié)果評估異常用戶對臺區(qū)線損的影響程度，即計算修正異常用戶后臺區(qū)線損率的變化情況。

3 案例分析

選取海寧地區(qū)配電網(wǎng)數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，導(dǎo)出海寧地區(qū)38 107名用戶的用電地址，分析其戶變關(guān)系。經(jīng)分析共識別68名嫌疑用戶，經(jīng)現(xiàn)場查證其中57名確為異常用戶，另有4名異常用戶未識別，準(zhǔn)確率約為93.44%，召回率約為83.82%，結(jié)果如圖6所示。

圖6 海寧地區(qū)戶變關(guān)系異常分析案例結(jié)果

自2017年1—6月累計分析了海寧地區(qū)316個異損臺區(qū)，共計12 017名用戶（異常用電分析結(jié)果如圖7所示），準(zhǔn)確識別用電數(shù)據(jù)采集異常的次數(shù)9 517次；共計識別異常用電嫌疑用戶93名，準(zhǔn)確識別76名，未識別8名。

圖7 異常用電分析案例結(jié)果

海寧地區(qū)的案例分析結(jié)果如圖8所示，配電網(wǎng)線損智能診斷模型能夠有效識別包括戶變關(guān)系異常、用電數(shù)據(jù)采集異常、異常用電行為等用戶，并給出合理的治理策略。

圖8 海寧地區(qū)案例分析結(jié)果

4 結(jié)語

線損智能診斷技術(shù)能夠快速定位導(dǎo)致臺區(qū)線損異常的關(guān)鍵點(diǎn)，精準(zhǔn)識別戶變關(guān)系異常、電量缺失或不準(zhǔn)確、異常用電行為的表計或用戶，輔助工作人員合理制定工作計劃和臺區(qū)整改工程布點(diǎn)，極大減輕了基層人員工作量，有效提升了線損管理水平，取得了顯著的經(jīng)濟(jì)效益、社會效益和管理效益，為其他地區(qū)臺區(qū)線損治理提供了可推廣復(fù)制的新途徑。下一步將在現(xiàn)有模型的基礎(chǔ)上，使用更多地域的電網(wǎng)運(yùn)營數(shù)據(jù)，對現(xiàn)有模型進(jìn)行改進(jìn)，提出適用范圍更廣的智能診斷模型。