基于數據挖掘技術的臺區線損智能診斷探討

馬美娟 馬朝星

摘要：本文圍繞臺區線損異常治理效率低、降損成效弱、異常監測難等問題，依托營銷SG186系統、用電信息采集系統等海量數據，運用聚類算法和關聯分析法，進行靜態與動態數據的集成整合與優化，實現對臺區數據信息的深度挖掘;通過搭建階梯化線損管控模型、線損評估與智能診析模型和線損治理配型庫，開發臺區線損“慧診”助手開發應用，可實現“一臺一策”臺區線損管理的快速診斷決策與智能管控。

關鍵詞：大數據;臺區線損;數據挖掘;聚類算法;智能診斷

當前國家電網有限公司定義臺區同期線損值合格區間在-1%～10%之間，隨著集抄改造全面完成，這種“一刀切”模式亟待改變，另外因多專業參與、低壓配網結構和客戶性質復雜、依賴硬件設施條件和人員專業素質等現狀突出，臺區改造投入產出比低，粗放式治理與被動式監管影響了精準投資與精益管理。大數據、云計算等技術的廣泛應用，為實現臺區同期線損管理變革創造了條件，推進臺區同期線損精益管理，實現降損增效勢在必行。

1臺區線損智能診斷原理和目標

線損的診斷主要包括三個方面：判定臺區線損是否正常、臺區線損異常成因判定以及診斷建議。為實現診斷的智能化，對來源于營銷SG186、用電信息采集系統的海量數據進行數據處理和信息挖掘，可以根據客戶電價碼等因素，實現不同類型臺區的階梯化線損目標分類管理，精細診斷臺區線損正常與否。運用聚類分析對基于用電信息采集系統的日線損數據進行處理，將臺區日線損波動的形態進行異常問題二次分類，匹配營銷SG186系統臺區基礎檔案關聯的智能電能表測量信息等，輔以專家經驗集成，即可用于智能診斷，實現自動診斷結果輸出。

2基于數據挖掘技術的臺區線損智能診斷模型

2.1階梯化線損定標

以長沙地區為分析基礎，通過營銷SG186系統336萬客戶電價碼信息（涉及45個字段）和2.9萬臺區基礎信息關聯，建立負荷電價碼庫，引入K均值聚類算法進行臺區負荷構成分類，進行3—10類和10—100次收斂計算后形成5類，選取正態分布曲線進行擬合計算，

2. 2線損評估與智能診析

獲取所有臺區基礎檔案構成臺區畫像信息庫，并隨機抽取連續三日線損率報表及電能表測量信息、狀態字數據，用于智能診析模型開發。

1） 應用大數據技術（Hadoop、HAWQ等數據倉庫），集成臺區檔案、運行信息、地理位置與臺區負荷構成，形成唯一“畫像”。一方面完成臺區運行狀態的快速掃描，另一方面進行臺區線損狀態計算與評估，并根據評估結果選擇是否進行一鍵診斷。臺區線損狀態計算與評估采用決策樹歸納的分析方法，有針對性地判別臺區狀態、提高診斷效率。通過甄別“采集成功率≥98%∩日供電量>20kWh”條件，剔除由大面積缺抄與小電量導致的線損異常，進而完成臺區類別辨識與偏離目標值計算，明確臺區線損異常等級，觸發智能診析功能。

2）應用聚類分析與相關性挖掘技術，采用OGG/DSG方式，存儲、組織、關聯和聚合線損成因字段，借助專家經驗建立關系分析模型：一是根據線損走勢鎖定異常發生節點，提取連續三日線損率報表進行聚類分析得到最佳聚類數為10的聚類中心;二是鎖定線損成因，結合專家經驗與典型案例確定31項核心因子。線損成因分為獨立成因與關聯成因：獨立成因來自業務系統監測數據，采用固定報表與即席查詢方式;關聯成因采用比對碰撞與關系分析方式推導關聯模型。

注：1.正常：連續線損率在各類臺區的線損目標值區間;2.疑似：連續線損率在各類臺區的線損目標值區間外±3%波動;3.間歇：線損率在各類臺區的線損目標值區間外非連續性波動，且波動浮動超過±3%;4.頑固：連續線損率遠超出各類臺區的線損目標值區間。

3）采用專家經驗與樣本訓練結合方式，建立線損波動規律與成因匹配模型

3基于數據挖掘技術的臺區線損診斷平臺開發及應用

3.1基于數據挖掘技術的臺區線損“慧診”助手設計

根據臺區線損治理需求分析，臺區線損智能診斷平臺———“慧診”助手包含三個模塊：一是根據客戶用電行為特征對臺區分類，并定位每類臺區線損率的最優值區間;二是實現臺區信息一鍵查詢和線損異常智能診析，包括線損波動規律分析、搭建線損成因模型、建立波動與成因最優映射;三是研制多應用場景的線損治理配型庫，為現場工作提供指導。

3. 2基于數據挖掘技術的臺區線損

“慧診”助手設計實現臺區線損“慧診”助手采用可視化界面，具有人機交互友好、操作便捷易上手、信息清晰明了等特點，

4基于數據挖掘技術的臺區線損智能診斷的意義

4.1提升執行層治損效率和業務水平

根據班組和供電所應用反饋結果，智能診斷現場異常因素排查提速42.9%，調研6個臺區治理閉環時限，治理時間由23天縮短至1天;異常成因判別準確度78%，較人工判別準確度提升1倍，其中間歇型成因判別準確度90%;抽測40個線損率8%～10%城鎮居民生活類臺區，診斷疑似臺區32個，表計日停走又有電流、零線大于火線電流、表計時鐘異常三類成因超過90%，現場反饋處理異常臺區27個，平均降損2.3%。4.2支撐管理層精益管理和經營決策為制定基層降損目標提供科學、直觀依據，使線損可控、能控、在控，也為定員測算及績效考核提供可靠依據;提供隨時隨地、線上線下培訓平臺，突破場地時間、師資等條件限制;為推進臺區經理隊伍建設與全能型供電所建設提供科學依據與評價標準;打破壁壘，為輔助決策電網末端改造規劃提供支撐。

5結語

本文以大數據挖掘與應用為基礎，以支撐線損異常治理與專業管理為目標，構建臺區分類、線損分型管理的臺區線損智能評估診析模型及線損治理配型庫，提出“一臺一策”治理模式，實現優化決策與精準控制，便于專業管理部門掌握基層線損管控情況的同時，為一線班組提供智能化線損治理工具，科學降損，提質增效。下一階段，考慮引入拓寬分類定標維度、搭建預測預警模型和優化完善集成診析模型等，持續提升診斷結果和治理指導建議的精準性和可操作性。

參考文獻：

[1]黃靜，張敏，徐溦，等.基于同期線損系統數據挖掘技術的低壓臺區線損診斷模型[J].重慶電力高等專科學校學報，2018，23（006）：26-30.

[2]劉寅，李懋.基于智能用電大數據分析的臺區線損管理研究[J].中國新技術新產品，2019.

[3]王玻，彭偉.基于數據挖掘的服務企業診斷信息情報智能采集模型研究[J].科技管理研究，2020.

[4]何俊智.基于大數據分析的電力營銷管理研究[D].2018.

（作者單位：國網河北省電力有限公司河間市供電分公司）