基于數據挖掘的供電企業線損問題與用電檢查研究

國網陜西省電力有限公司延安供電公司 賀 鑫 高海朝 代佳豪 馬榮琛 王陳禾

供電企業線損大小與企業內部的技術應用和管理水平關系密切，為此企業對電能傳輸環節中線損總量是否超出預計指標十分重視。但傳統線損計算所采用的方法中并未對海量數據中的異常值和缺失值進行清洗，導致所得到的樣本數據不滿足后續精細化分析的要求，得到的降損策略與實際情況契合度不高。

用電檢查是及時發現線損問題的日常管理手段，檢查人員應當利用多種符合數字化時代特征的檢查方法，以此實現從分析到維護全方位管控線損的目標。本文以某公司為例，對基于數據挖掘的供電企業線損問題與用電檢查進行研究。

1 基于數據挖掘的供電企業線損問題

1.1 配電網線損計算

1.1.1 數據清洗

數據清洗是將臟數據在利用重復記錄清除、深度學習、機器學習和統計學習方法后轉換為高質量數據的操作，最終得到的數據標準差、均方根誤差和平均絕對誤差越小，越能夠證明數據具備精度高和平滑的特征。在線損數據中主要存在異常數據和缺失值兩種情況，針對以上兩種情況所對應的清洗方法如下。

采取統計值填充的方法易造成數據質量不高以及適用范圍小的問題，因此本文給出FCM 聚類算法，用聚類中心粒子群優化過程替代聚類中心自我更新過程，防止出現聚類中心在迭代過程中陷入局部最優問題，提高歷史數據聚類中心的精準度。

算法應用的流程為：供電企業將配電網歷史日負荷數據提取，經格式處理確定缺失水平。當缺失數據的總量較大時，利用歷史負荷曲線和電量數據預填充缺失數據。根據Xie-Beni 挖掘歷史負荷數據，尋找分類情況，將聚類數進行確定。設定迭代次數，令其為0，初始化RODDPSO 算法中的所有參數，計算出粒子目標函數，更新pbest和gbest。依據演化狀態更新粒子位置和速度方程，判斷是否滿足迭代條件，滿足條件后輸出經填充的數據。

在整個過程中，粒子位置和速度的更新公式為：

其中，c2r2（gbest（t）-xi（t））為粒子的社會認知；c1r1（pbest（t）-xi（t））為粒子的自我認知；ωvi（t）為粒子的記憶部分；r1、r2為隨機數；c1、c2為自我認知和社會認知學習率；gbest（t）為粒子歷史最優位置；pbest（t）為第i 個粒子的歷史最優位置；vi（t+1）為第個粒子在第t 次迭代的速度；為慣性權重。

聚類算法表示為：

其中，V 為維度為c 個的d 聚類中心向量組成的矩陣；U 為隸屬度矩陣；xi為樣本；uij為隸屬度；pj為聚類中心。

迭代終止條件為：

RODDPSO 算法為：

1.1.2 線損計算

經數據清洗后，按照如圖1所示的形式設計饋線節點系統，表示出分層矩陣中的各個節點。在圖1中包含15個層次，所形成的節點分層矩陣為：

圖1 節點系統節點分層示意圖

計算支路電流的公式為：

節點電壓的逐層計算公式為：

經收斂判定，求取饋線中各條支路的電流和節點電壓，基于此，求出線路總損耗。計算公式為：

其中，Ii為支路i 的電流幅值；Ri為支路電阻；L 為饋線的支路數。

變壓器損耗的計算公式為：

其中，Vk%為阻抗電壓百分數；SN為變壓器的額定容量；VN為變壓器的額定電壓；pk為變壓器短路損耗。

總損耗由固定損耗和可變損耗組成，對應的計算公式為：

ΔPT=P0+PR

其中，PR為變壓器等值電阻的損耗；P0為固定損耗。

線損率的計算公式為：

其中，T 為饋線售電的持續時間；Wes為饋線的總受電量；λ 為擴線線損率。

1.2 配電網饋線成因辨識

配電網饋線線損成因識別的基本流程為：指標參數收集與數據預處理，輸出線損指標參數→數據歸一化處理→饋線整體邏輯回歸，得到多類饋線，輸出實際配電網線損相關因素→對各類饋線進行邏輯回歸訓練，將新饋線利用馬氏距離判別確定其具體類別，并構建不同類別的饋線線損識別模型→通過模型確定饋線線損成因及新饋線的線損大小。

其中，傳統邏輯回歸算法在應用中容易帶來擬合問題，為此，通過添加懲罰項的方式提升精度。具體計算公式為：

其中，λ 為懲罰項的正則化參數；n 為樣本維度；r 為輸入樣本數；θj為第j 維權重；j（θ）為邏輯回歸損失函數。

馬氏距離判別法的應用步驟為：設定G=（X1，X2，…，Xr）T為樣本總體，共含有r 個樣本，用Xi=（x1，x2，…，xn）代表n 維樣本。假定μ=E（Gr×i）i=1，2，…，n，則n 維樣本的均值向量可表示為μ=（μ1，μ2，…，μn），n 階矩陣的協方差矩陣為S=Cov（G）。馬氏距離可定義為：

其中，S-1為協方差矩陣的逆矩陣。

現有C 個總體，對于任一樣本Xnew=（x1，x2，…，xn），其需滿足：

通過求出每一類總體與Xnew的馬氏距離，判斷二者大小。若Xnew到總體Gl的馬氏距離為最小值，則在總體Gl內添入Xnew。

1.3 實例驗證

以某地級市的供電企業為實例驗證背景，對1.2中所給出的線損計算方法予以驗證。對于線損率Y而言，其二維指標體系中可分成饋線屬性和運行參數兩大維度。其中，饋線屬性維度下細分為線路運行年限X1、線路截面X2、配變容量X3、電纜化率X4、線路總長度X5、配變型號X6、供電半徑X7；運行參數維度下細分為功率因素X8、負荷率X9、配變負載率X10、平均電流X11、最大電流X12。

經調查，供電企業各供電分區的饋線線損情況為：A 線損率不合格、合格饋線數分別為1和13，高線損概率為7%；B 線損率不合格、合格饋線數分別為55和207，高線損概率為21%；C 線損率不合格、合格饋線數分別為34和85，高線損概率為29%；D 線損率不合格、合格饋線數分別為288和272，高線損概率為51%?？梢钥吹?，D 區為饋線線損率最高的區域，A區基本合格，B、C 區線損率雖低于D 區，但線損率仍舊偏高。因此，線損成因分析的對象為B、C、D 區。

分別設計相應供電分區饋線測試集和訓練集，保證訓練集的總數量占總數據集的80%，以此保證模型驗證的準確性可信。經超參數優化，借助網絡搜索，優化正則化參數和學習率。通過優化，形成不同顏色的超參數優化結果示意圖。經統計，B、C、D 區的最優超參數處于第175～200種的范圍內。對所研究的饋線進行邏輯回歸處理，得到變量的權重、SE、t 值和p 值。

經過處理，線路截面X2、電纜化率X4、負荷率X9和配變負載率X10的權重較低，分別為0.23、-0.62、0.68、-0.77，且p 值超過0.05，代表以上幾種因素并非影響配電網線損的主要要素，應當將以上要素剔除。通過對剩余指標單個分析，得到供電半徑長、饋線平均電流高、電阻大的條件下，饋線中存在線損率偏高的概率就越大的結論。

為驗證分析結果，引入AUC 值，判定邏輯回歸預測的準確性。經評估，饋線B 的邏輯回歸AUC值為0.980，邏輯回歸預測準確性為92.8%；饋線C的邏輯回歸AUC 值為0.978，邏輯回歸預測準確性為90.2%；饋線D 的邏輯回歸AUC 值為0.977，邏輯回歸預測準確性為90.0%?？梢钥闯?，模型精度較高，表明可靠度高。

2 基于數據挖掘的供電企業用電檢查問題

用電檢查是日常線損問題稽查的主要方式，輔助線損計算和分析系統實現供電企業線損問題成功解決的現實目標。針對實際檢查提出兩點與數字化時代契合的優化方案。

2.1 引入數據稽查系統

數據稽查系統為電力營銷業務的稽查系統之一，其能夠在大數據支持下，檢查業務相關數據統計結果，分割應急業務處理的數據，分析供電質量、核查電價電費。實際應用中就要針對系統傳輸的用戶用電荷載稽查結果，確定存在異常的用電節點，以此給出針對性的應對意見。

2.2 研制數字化用電檢查儀

研發基于AI+AR 技術的組合式檢查終端（電流鉗）的集成裝置，應用于現場用電巡查作業的場景和設備感知識別，實現設備實體和數據信息之間交互融合。分析用電檢查知識服務以及記錄服務過程，對異常情況信息留存?；贏I 技術用電檢查方法，構建用電檢查典型知識庫，建立用電安全狀態模型，引入用電檢查智能分析技術，實現異?，F象的發現與分析協助。

為此，本文提出基于數據挖掘的配電網線損數據清洗、數據計算和成因識別分析的具體方法，并從用電檢查策略方面給出輔助配電網線損問題管控的有效方案，希望能夠為其他人員研究此課題給予一定支持。