基于人工神經網絡的線損計算及竊電探析

黃文科，譚致遠，胡 文

（廣東電網有限責任公司廣州供電局，廣東 廣州 510000）

0 引 言

進入21世紀之后，人們的生活水平不斷提升，電力深入到了我國的各個行業，成為我國經濟發展不可缺少的能源，而社會對電力的需求量也迅猛增長。調查發現，2018年時，我國發電總量達到6.791 42×1012kW·h，相比于2017年增長了約5×1011kW·h。2019年時，我國發電總量已經達到7.142 2×1012kW·h，增長了約3×1011kW·h。目前，我國發電總量的增長速度已據世界首位。但是，在電力行業迅猛發展的背后，粗放型增長方式導致線損管理困難且計算難度大，偷電漏電問題發生頻繁。如何降低線損和精準及時地發現竊電行為，成為各電力公司思考的重點。

1 線損與竊電管理的簡述

隨著電力普及程度的不斷加深，電網更加復雜，增大了線損計算難度。一方面，采用傳統的線損計算方式計算效率低下，難以保障計算準確性。另一方面，在電力網運行中，線路末端竊電現象發生頻繁。因此，快速定位竊電位置，加強竊電精準管理，有助于提升線損水平[1]。隨著技術的發展、電力儀表的改進以及多表合一等政策的推廣，企業對竊電行為判斷準確度明顯提升，但是在量化性和可靠性上仍受到了模型的影響。如何保障計算的嫻熟精確和快速，提升統計線損的規范性、標準化以及科學性，成為電力企業亟待解決的難題。

2 人工神經網絡的發展情況

在線損管理中，神經網絡具有天然優勢。科學技術不斷發展，對配電網絡數據采集量不斷增大，不同層次的配電數據在時間軸上愈發密集，而不同電網單位的信息傳輸進一步增大了網絡信息量[2]。若采用傳統方式，信息量不斷增大會導致線損計算量增大和計算難度上升。但是，機器本身學習的數據量非常龐大，數據量增大進一步精確了機器學習所得模型的精確度與實用性。傳統線損計算方式以理論驅動，而神經網絡以數據驅動，最大限度地簡化了電力系統的理論框架，降低了隨著電網規模逐漸擴大而不斷增長的線損計算難度，顯著提升了線損計算效率，保障了計算的準確性。計算機在不斷發展，數據驅動新算法的效用逐漸凸顯。隨著科學技術的不斷發展，智能化水平顯著提升，人工神經網絡的相關研究也在不斷深入，并產生了多種算法，如記憶神經網絡和卷積神經網絡等。而電力領域的自動化和智能化發展中，人工神經網絡應用深入，為線損管理奠定了優良基礎，顯著提升了竊電判斷準確性。基于神經網絡的各類算法在線損計算中發揮了重要作用，卻因對線損分析不充分，對理論與管理線損的差異判斷不全面，影響了計算結果的準確性，難以在線損管理中發揮作用。

3 人工神經網絡的原理

神經網絡主要是指利用計算機模擬人的神經元，通過簡單單元之間的連接形成復雜模型，以便快速解決復雜問題。在多種神經網絡模型中，人工神經網絡是多層前饋網絡，主要通過誤差逆向傳播算法展開訓練，應用非常廣泛。人工神經網絡主要包含輸入層、輸出層以及隱含層3層。輸入信號在通過輸入層和隱含層后輸出被激活函數。利用輸出誤差對輸入層和隱含層神經元的連接權值進行修正，降低了誤差，滿足了目標要求。

在搭建神經網絡模型時，主要流程如下：有訓練樣本n個，輸入信號x1,x2,…,xn，信號經過神經網絡，對應輸出函數為y1,y2,…,yn，不斷改進實際輸入誤差，實際輸入對應值為z1,z2,…,zn，以此改變偏差量和連接權限值，使輸出數值與期望值無限接近。設定期望輸出值和實際輸出值兩者平方誤差與定義是誤差函數ε，則：

式中，xi表示輸出層實際輸出值；yi表示期望輸出值。

在修改權重系數Wij時，主要以負梯度方向為主，因此修正量ΔWij與誤差函數關系為：

式中，η表示學習步長。最終，得出：

式中，表示k層i神經元。

想要提升收斂速度，可考慮上一個迭代次數權重系數，得到修正公式：

式中，t表示迭代次數；α表示權重系數。

人工神經網絡算法流程如下：

（1）科學設定輸入量、輸出量、隱含層數以及激活函數等，并給出初始閾值和權重值；

（2）依照設定函數和權重值等對各層輸出計算；

（3）計算得出各層學習誤差，依照誤差修正權重值和閾值；

（4）根據計算結果的精度和誤差判斷是否達標，若滿足可退出計算，若不滿足返回（2）再次進行計算。

4 模型搭建和潮流模擬

4.1 理論線損

在構建神經網絡模型時，離不開海量典型和準確的訓練數據支持。在實際情況下，配電網不同變電位置和不同終端都裝設有表計裝置，為數據采集提供了保障。樣本訓練中，可選擇科學仿真數據。理論線損計算中，由于現實儀表記錄線損數據有限，無法實時獲取線損數據，因此需要采集不同位置有功負荷、無功負荷和線損情況等數據。本次研究中可采用標準網絡展開仿真模擬，模擬基準容量有100 MVA，基準電壓23 kV。在典型潮流的分布下對數據進行仿真模擬，因現實內負荷波動和切負荷情況，具體展開如下仿真：

（1）小范圍負荷波動300組，負荷波動在±10%左右；

（2）大范圍負荷波動300組，負荷波動在±50%左右；

（3）切除部分負荷節點，每次切除1個，共切除40組；

（4）在得到所有輸入后，以典型潮流計算獲得潮流輸出，最終獲得共1 020組數據，神經網絡輸入量22組，與算例配電網11個PQ節點有功值和無功值對應，輸出量表示線損值，以此為訓練樣本展開模擬工作。

4.2 竊電位置分析

在潮流仿真模擬中，線路采用標準配電網。該配電網內有14個節點，且節點對稱。本次仿真中，選擇5個典型節點為竊電考慮節點，分別是節點3、節點4、節點9、節點10以及節點14。選擇負荷波動范圍在±20%左右的潮流數據和對應線損值3 000組，看作未發生竊電。不考慮表計故障等外在因素的情況下，理論線損值等于統計線損。對于分組竊電，每600組對應一個節點，發生竊電幅度10%，表計值相應減小。在實際用電量不變、統計線損值保持不變的情況下，最終得出3 000組負荷對應理論線損和統計線損。以潮流狀況與線損值作為輸入，以竊電發生情況和位置作為輸出，經過模擬訓練最終得出竊電分析模型。在訓練結果檢驗中，不僅要設置訓練樣本，還要設置測試樣本。測試樣板設置情況如下：兩處同時竊電，分別是節點3、節點4和節點9、節點10，每種情況20組負荷；3處同時竊電，分別是節點4、節點9以及節點10，選擇20組；未竊電選擇20組；單一節點竊電概率為5%，50組；單一節點竊電概率3%，50組。

4.3 設置神經網絡訓練模型

神經網絡參數調節有助于提升計算效率，增強計算準確性。想要提升計算精度，增強訓練效率，應對海量數據進行歸一化處理，將數值歸一化到[-1，1]區間。

歸一函數如下：

式中，y表示歸一化后的數值；x表示原始數值；xmax表示原始值最大值；xmin表示原始值最小值；ymax表示為1；ymin表示為-1。設置神經網絡節點與函數，為增強計算準確性，可引進雙隱含層，節點為11和10。訓練函數以梯度下降算法為基礎，最終激活函數是tansig，公式如下：

式中，n表示上一神經元所傳遞輸入，值域為（-1，1）。

訓練過程中，假設迭代次數為10 000，精度為0.01%，學習步長為0.1，落實有效性檢驗，若兩次迭代偏差低于一定值或者偏差呈升高狀態，迭代自動停止。

5 算例結果和分析

5.1 理論線損計算結果

在本次模擬計算中，潮流模擬數據共有1 020組。依照類別，高低負荷波動各選擇20組，不同情況的負荷切除選擇28組，共有68組為測試樣本，其余為訓練樣本，然后展開模擬訓練，最終得出理論線損的期望值。結果顯示，低負荷組理論線損值和實際值誤差在1.5%以下，高負荷理論線損值和實際誤差在3%以下，負荷切除組的誤差有一組超過4%，其他組誤差都控制在2%以下。

5.2 竊電位置模擬結構

在本次竊電位置模擬訓練中，測試樣本如下。第一，單一位置竊電的測試組為150組，準確組150組，準確率高達100%。第二，雙位置竊電測試組40組，準確組數量0組，準確率為0%。第三，三位置竊電與無竊電測試組分別選擇20組，準確組數量都為0組，準確率為0%。第四，低比例竊電測試組50組，準確組10組，準確率達到20%。由數據可知，梯度下降算法的應用與訓練樣本保持一致，竊電位置判別具有較高準確率。但是，當情況發生變化時，如竊電量下降和竊電節點增多等，將無法全面識別，缺乏泛化性。因此，梯度下降算法已經無法達到實際需求，可引入列文伯格算法。其中，非線性最小二乘算法應用最廣泛，能夠提供局部最小非線性數字解，具有高收斂速度和高泛化性等優質，且占比內存相對較大，但迭代時間較長。采用該算法分析竊電位置，結果顯示單一位置與雙位置竊電測試準確度達到100%，三位置竊電的測試準確性達到85%，而無竊電與低比例竊電的測試準確率不變。可見，該種算法具有明顯優勢，但在無竊電與低比例竊電樣本訓練測試中仍難以識別，可能是訓練樣本單一導致的。各節點5%竊電情況數據增加3 000組，無竊電情況增加500組，再次進行神經網絡訓練。結果表示，無竊電準確率達到100%，低比率竊電準確率升高到92.7%，獲得了良好收益。

6 結 論

近年來，電力市場化改革不斷深入，電力企業之間的競爭愈發激烈。為在市場中脫穎而出，提高企業經濟效益，我國各個電力公司和電力企業高度重視線損管理工作，使得高效科學地降低線損、提高電力可靠性以及增強電力質量成為電力企業的迫切需求。因此，應積極應用人工神經網絡，做好線損計算與竊電分析工作，以降低線損值，提高竊電管理水平，帶動電力行業獲得進一步的發展。