GRU深度學習法為基礎的配電網線損預測分析

曹青青 徐國偉

（天津工業大學，天津 300384）

1.研究背景

線損能夠對配電網整體運行狀態進行準確反映，同時也是電網運行重要指標，是電網企業管理質量的主要考核指標。理論線損相關預測活動屬于線損管理中的重要評價手段，能夠幫助優化配電網整體管理實力，提升電網企業經營效益。當前大部分學者開始針對理論線損計算開展深入研究，借助簡化潮流迭代，進一步優化線損計算速率，但該種計算方法主要是以網絡結構為基礎，對采樣數據次數、頻率提出更高要求。借助等值電阻方法對配電變壓器和線路運行損耗進行準確計算，和潮流法相比，該種方法所需電氣運行參數相對較少。但在線路運行產生參數變化后，需要對等值電阻實施優化計算，影響實際應用效果。同時涉及較多的配電變壓器以及分支線路，等值元件數量和線路節點增加，導致計算難度進一步擴大[1]。

不斷優化改進BP算法內梯度下降法，優化BP神經網絡模型綜合預測性能。形成GRU深度學習為基礎的網絡模型線損計算方法。采取層次分析法和互信息理論相融合方法，構成組合賦權法，對不同電氣參數影響線損程度實施準確計算，通過GRU網絡針對配電網線損實施準確預測。

2.理論基礎分析

2.1 GRU深度學習理論

GRU屬于LSTM某種發展變體，主要是以門控循環神經網絡作為主要結構，和LSTM相比，對應訓練參數整體數量較少，可以更好優化LSTM預測效果。GRU和LSTM擁有相似的內部單元，而主要差異便是GRU把LSTM內遺忘門以及輸入門進行重新合并，轉化為統一更新門。所以，GRU內僅存在兩種門結構，分成重置們和更新門。其中更新門可以對前一階段狀態信息保留至目前狀態程度進行合理控制，更新門數值越高，證明前一階段狀態信息數量更多。重置門能夠幫助確定是否需要聯系目前發展狀態和前段運行信息，隨著重置門數值降低，證明忽略信息數量增加[2]。

前饋式人工神經網絡中，在信息輸出和數據輸入層內誕生眾多隱含層，而多層神經網絡類似于DNN。DNN也可以被稱作是MLP，其內部神經網絡層可以進一步細分成三種類型，分別是信息輸出層、隱藏層以及數據輸入層，其中首層作為輸入層，輸出層是最后一層，中間層各層是隱藏層。神經網絡內各層主要通過全連接方式實施有效連接，各層內任意節點需要和下層任意節點實施有效連接。

2.2 灰色關聯分析法

針對兩種系統內各種變化因素，隨時間變化以及對象差異，形成關聯性量度便是關聯度。在整個系統發展中，如果兩種因素形成一致變化，擁有較高程度的同步變化率，則兩者之間具有較高關聯度。相反條件下，關聯度較低。所以灰色關聯分析主要是聯系不同因素之間發展變化趨勢相似度和差異性進行判斷，也是灰色關聯度，屬于不同因素彼此聯系的重要衡量措施[3]。

灰色系統理論進一步提出針對不同子系統實施灰色關聯分析理念，嘗試借助有效方法，尋找整個系統內各個子系統彼此關聯數值，所以，灰色關聯分析法也為某個系統的動態變化提供了有效度量指標，適用于動態變化分析。

2.3 數據清洗

數據清洗主要是在各種數據文件中及時發現和改正數據文件內各種可識別錯誤，是錯誤識別中的最終程序，設計數據檢查一致性、缺失值以及無效值處理等。不同于問卷審核，錄入數據清理普遍是通過計算機進行操作，并非是人工操作。通過分析數據清洗的名字可以對數據文件內各種錯誤進行準確糾正和識別，由于數據倉庫內各種數據信息都是相同主題數據集合，通過不同系統內提取的數據，涵蓋各種歷史信息，如此無法避免出現各種錯誤數據，甚至形成數據沖突，該種錯誤或沖突數據并非是有效數據，便是臟數據，為此需要洗掉其中臟數據，便是所謂的數據清洗。

2.4 GRU網絡

門控循環單元GRU網絡屬于深度學習典型模型，和原本的機器學習法比起來，其擁有更強的非線性擬合以及高效學習能力。GRU模型屬于對長短時記憶模型的合理優化，不但可以有效簡化網絡結構，還可以維持LSTM良好性能。GRU網絡結構如圖1所示。在圖1中，xt、rt、zt、gt、ht分別是t時刻內隱含層內重置們、輸入、記憶狀態、更新門以及輸出，ht-1是前一階段隱含層輸出，更新門可以對前一階段隱含層信息輸出記憶程度實施有效控制，重置門可以對前一時刻隱含層信息輸出忽略程度實施有效控制。重置門和更新門主要通過激活函數影響，決定神經元是否激活，準確計算隱含層輸入以及前一階段隱含層輸出。重置門和當前輸入通過激活函數運算，構成目前記憶狀態，更新門針對引入信息量以及丟棄信息量實施合理控制，得到目前隱含層輸出，順利傳遞至下一GRU單元。

圖1 GRU網絡結構

3.基于GRU深度學習的配電網線損預測方法分析

3.1 操作步驟

以GRU深度學習模型為基礎的臺區線損預測方法主要操作步驟如下：第一是對目標臺區中的多層次、多維度電氣特征運行數據參數和指標數據實施全面采集，形成原始數據集。第二是針對所采集的各種原始數據信息實施歸一化處理。除此之外，還可以借助數據平滑手段，針對其中的少部分錯誤信息實施全面處理清洗，順利得到處理數據，并隨機分成測試數據集以及訓練數據集。第三是創建GRU深度學習為基礎的系統模型，將各種基礎運行參數實施初始化處理。第四是把訓練集信息數據當成輸入信息，訓練GRU網絡參數，順利得到相應的深度預測模型。第五是在訓練后GRU網絡模型內合理輸入各種測試數據信息，對臺區內的線損率誤差實施準確測試分析，假如符合預設標準要求，并得到最優化深度預測模型，可以進入下一步驟，如果不滿足，需要繼續轉入第三步驟，對網絡模型中的各項基礎運行參數實施合理微調。第六是聯系所得深度預測最優模型，在新增臺區當中合理輸入相應的電氣特征運行參數，通過準確預測獲得準確線損率。

在配電網相關運行線損預測過程中，主要輸入信息便是各種核心數據輸入，其中涵蓋未來預測需求各種信息，可以展現出配電網線損發展變化規律。常規方法下的機器學習分析方法以及單獨DNN落實運行數據處理方法，需要通過人工手段在各種原始信息數據中提取有效特征量，比如提取前一小時的線損數值以及相同時刻內前一天電網線損數值等。按照關聯性對其中的特征值實施有效選擇，會對歷史線損序列內各種內部潛在聯系造成直接破壞，對最終結果預測準確性產生不良影響，該種特征值選擇方法進一步擴大了信息預測難度。GRU神經網絡可以對該種問題進行有效避免。GRU神經網絡系統內部門控循環結構可以順利通過歷史線損信息數據學習內，有效提取各種特征值，不需要通過人為方式采集特征值，優化預測過程的簡便性，有助于預測工作的順利實施，改善電網線損預測準確性。除了可以參考歷史線損序列參數之外，還會受到其他因素影響。相關特征值的系統內部尚未形成明顯的潛在規律，所以不適合充當GRU神經網絡信息輸入。至于DNN可以對各種外部影響元素實施有效處理，系統學習相關特征和線損聯系，改善預測精確度。

此次研究中所提出配電網相關預測方法，可以進一步優化改善系統預測精確度，同時還考慮到了系統預測時效性。和LSTM神經網絡相比，GRU深度學習相關神經網絡中的訓練參數有限，數值較少，所以整體收斂速度更快。除此之外把歷史線損數據當成GRU系統中的輸入信息，簡化預測模型結構，能夠優化網絡學習效率。

3.2 主要特征

以GRU深度學習模型為基礎的臺區線損率預測方法主要特征是臺區內多維電氣特征參數指標數據涵蓋抄表率、安裝年限、臺區內電能表綜合、綜合耗電量、供電量、臺區內用戶數量、負載率以及居民電力應用比例、供電半徑、居民用戶數量、耗電量、低壓線路長度等信息。

3.3 網絡線損計算

上述公式內的xi′是第i個電氣參數真實數值，xi屬于歸一化數值。

合理設置GRU網絡參數，針對GRU網絡模型相關神經元數量、隱含層層數以及激活函數等多種運行參數實施合理設置。文中所述激活函數可以選擇tanh函數以及sigmoid函數，針對神經元個數以及隱含層的數量實施持續優化調整，最終合理確定具體參數。明確最優輸入參數，明確不同電氣參數對于理論線損影響權重，隨后根據從高到低順利合理創建不同數量參數輸入集合，針對GRU網絡對應理論線損模型實施有效訓練測試。借助比較計算結果絕對平均誤差百分比以及均方根誤差明確采參數的最優輸入集合模式。對GRU網絡模型實效性實施準確驗證中，實際應用中，可以根據參數最優輸入模式處理新采集線路運行參數，重新組合成為信息輸入集，同時把該種參數輸入集當成GRU網路輸入數值，借助訓練后GRU網絡，對具體運行線路中的線損值實施準確計算，把等值電阻法最終計算結果數值作為基礎參考，確定以GRU網絡為基礎的配電網理論線損方法實效性。在實踐應用中把配電變壓器運行容量和無功電量供應、月度有功電量供應、線路長度總和當成配電網中的線損模型輸入數值進行計算，能夠得到一種最佳計算結果。GRU網絡計算結果接近等值電阻最終計算結果，證明文章所介紹方法可以取代等值電阻法實施有效預測。和傳統模式下的BP算法相比，GRU網絡系統利用自身良好的非線性擬合能力，可以進一步優化系統計算、預測效果。

4.基于GRU深度學習的配電網線損預測研究發展趨勢

以GRU深度學習法和灰色關聯分析法為基礎合理研制配電網相關理論線損預測方法，借助該種方法針對特定區域內配電網相關理論線損實施準確預測和科學計算。在目標區域的配電網中應用GRU深度學習網絡實施理論線損綜合計算，最終計算結果和等值電阻法最終計算結果較為相似，同時只需要將四種類型電氣參數存儲到系統模塊中，便能夠順利得到理論線損最終計算結果。

結合當前智能算法的實際應用效果分析，在執行智能算法過程中，需要采集各種形式電氣參數，但普遍需要通過專業經驗對各種電氣參數實施有效選擇，此次研究中通過灰色關聯分析法和數據清洗，對電氣運行參數實施準確計算，分析各種電氣運行參數對于理論線損影響程度，聯系具體影響系數大小明確計算系統模型中的最佳參數輸入集合，不但能提升檢測方法實效性，同時還能進一步降低電氣參數所用數量。和傳統模式下的BP算法比起來，本文所用GRU深度學習模型借助多層網絡模型，能夠進一步優化非線性函數處理能力，改善函數逼近能力，提升整體計算進度。

5.結語

通過傳統方法對配電網線損實施綜合計算、預測中，因其涉及參數較多，會影響預測準確性，為此需要結合灰色關聯分析法、數據清洗、GRU深度學習法，對配電網線損預測系統實施不斷創新設計，改善系統預測效果，提升線損預測準確性，能夠對配電網線損實施便捷、快速計算，優化系統預測性能。