基于孤立森林算法的中壓配電網(wǎng)線損異常診斷方法研究

賈沈翔

（國網(wǎng)江蘇省電力有限公司泰州市姜堰區(qū)供電分公司）

0 引言

近些年來，我國電網(wǎng)規(guī)模體量日益增大，輸電線路連接結(jié)構(gòu)愈發(fā)復雜，導致線損問題更加突出。有關(guān)數(shù)據(jù)顯示，直至2020 年我國全網(wǎng)線損率已經(jīng)超過4.5%，遠遠高于一些發(fā)達國家的平均水平，不僅影響到供電公司的經(jīng)濟效益，而且威脅著電網(wǎng)的穩(wěn)定運行，所以在電網(wǎng)運行過程中展開線損管理工作刻不容緩。但是，我國供電公司的線損管理水平與技術(shù)仍然較低，工作人員日常工作量極大，難以保障線損數(shù)據(jù)管理的準確性，這也導致我國學者將目光聚焦在電網(wǎng)線損的智能化管理研究上，文獻[1]作者拜潤卿等人結(jié)合狀態(tài)機模型設計線損原因識別方法，實現(xiàn)對配電網(wǎng)線損位置的有效控制與快速修復；文獻[2]作者高澤璞等人利用知識圖譜進行線損異常原因的判斷，提升了臺區(qū)線損異常原因的判斷速度。綜上，目前我國統(tǒng)計線損診斷工作存在效率差、精度較低等問題，研究高效準確的配電網(wǎng)線損異常診斷方法勢在必行，真實可靠的線損異常診斷結(jié)果可以為我國電網(wǎng)制定線損措施提供決策依據(jù)，對推動智能電網(wǎng)的發(fā)展具有重要現(xiàn)實意義。

1 獲取中壓配電網(wǎng)線損數(shù)據(jù)

本文針對中壓配電網(wǎng)線損異常進行診斷，首先需要獲取線損數(shù)據(jù)[3]。配電網(wǎng)線損就是全部元器件的電能損耗，主要由可變和不變這兩種類型的損耗構(gòu)成，在配電網(wǎng)運行過程中，因電氣設備故障、電表計量誤差以及用戶竊電等，均會引發(fā)線損，一般來說這種線損數(shù)據(jù)無法直接采集得到，需要采集配電網(wǎng)用電信息，通過計算得到。先進量測體系（AMI）是我國電網(wǎng)企業(yè)用來測量并存儲用戶數(shù)據(jù)的系統(tǒng)，本文通過AMI 采集供電公司的售電量以及供電量數(shù)據(jù)，然后計算配電網(wǎng)線損：

式中，L為中壓配電網(wǎng)線損數(shù)據(jù)；G為供電公司的供電量；S為供電公司的售電量。在中壓配電網(wǎng)實際運行過程中，為直觀呈現(xiàn)配電網(wǎng)的線損，常常獲取下式所描述的線損率數(shù)據(jù)[4]：

式中，η為中壓配電網(wǎng)的線損率。為保障中壓配電網(wǎng)線損異常診斷效果，根據(jù)上述內(nèi)容所獲取的中壓配電網(wǎng)線損數(shù)據(jù)通常需要進行清洗、去噪等操作，將線損率數(shù)據(jù)中冗余無用的數(shù)據(jù)剔除，然后再進行異常診斷。

2 基于孤立森林算法的線損異常數(shù)據(jù)診斷

一般來說，在中壓配電網(wǎng)運行過程中，勢必會產(chǎn)生線損，但正常線損數(shù)據(jù)較小，屬于可控范圍內(nèi)，所以如果線損數(shù)據(jù)過大，說明該配電網(wǎng)處于異常狀態(tài)，需要及時處理，所以本文引入了孤立森林算法[5]，設計中壓配電網(wǎng)線損異常診斷方法。孤立森林算法就是通過隨機超平面切割中壓配電網(wǎng)線損數(shù)據(jù)，經(jīng)過不斷循環(huán)切割，即可得到無數(shù)個僅存在一個單獨數(shù)據(jù)點的子空間，再對子空間數(shù)據(jù)點進行診斷，不僅可以保障診斷結(jié)果的精度，而且對于異常樣本數(shù)據(jù)較少的數(shù)據(jù)集也有著較好的診斷效果。那么本文在利用孤立森林算法診斷中壓配電網(wǎng)線損異常時，首先需要計算出文中上述內(nèi)容所獲取的線損數(shù)據(jù)的異常分數(shù)，假設獲取的中壓配電網(wǎng)線損數(shù)據(jù)共含有N個數(shù)據(jù)點，那么組成孤立森林的孤立樹最大高度為N- 1，此時可以根據(jù)下式計算出孤立森林切割線損數(shù)據(jù)集的路徑：

式中，f(x)為孤立樹葉子節(jié)點x到根節(jié)點的路徑。然后根據(jù)孤立樹與二叉搜索樹之間的相似性，可以計算出孤立樹的切割路徑的長度，表達式如下所示：

式中，R(N)表示根據(jù)二叉搜索樹求得的孤立樹切割路徑的平均長度。最后，在上式的基礎上，計算出線損數(shù)據(jù)的異常分數(shù)，表達式如下：

式中，F(xiàn)(x，N)表示中壓配電網(wǎng)線損數(shù)據(jù)的異常分數(shù)。再根據(jù)式（5）求得配電網(wǎng)線損異常分數(shù)后，即可進行線損異常診斷，如果所求F(x，N)趨于0，則表明該數(shù)據(jù)節(jié)點為正常節(jié)點；反之，如果所求F(x，N)趨于1，則認為該數(shù)據(jù)節(jié)點存在明顯異常，將其判定為異常數(shù)據(jù)，最后通過獲取線損數(shù)據(jù)的特征匹配結(jié)果，來得到中壓配電網(wǎng)線損異常類型。通常情況下，在利用孤立森林算法診斷中壓配電網(wǎng)線損異常時，正常線損數(shù)據(jù)會被劃分在高密度區(qū)域，而低密度區(qū)域中包括的就是異常線損數(shù)據(jù)，所以在實際的中壓配電網(wǎng)線損異常診斷時，需要循環(huán)進行線損數(shù)據(jù)集的切割判定，直到全部數(shù)據(jù)點診斷完畢。

3 仿真實驗

3.1 實驗準備

為驗證文中設計線損異常診斷方法的合理性，本章在PSCAD 仿真軟件中模擬中壓配電網(wǎng)的運行環(huán)境進行仿真實驗分析。首先采用輸電線路、電阻、發(fā)電機等組件搭建一個中壓配電網(wǎng)仿真實驗環(huán)境，如下圖所示。

圖 中壓配電網(wǎng)模擬環(huán)境

在上圖所示的實驗環(huán)境中，將輸電線路單位長度的參數(shù)設置為表1 所示數(shù)據(jù)。

表1 輸電線路單位長度的實驗參數(shù)

然后在該中壓配電網(wǎng)的模擬運行過程中，采集相關(guān)用電信息進行線損分析，本次實驗以日線損為采樣節(jié)點，對采集數(shù)據(jù)進行處理，將線損率在10%以上的數(shù)據(jù)進行剔除，并將剩下數(shù)據(jù)劃分為兩個部分，一部分數(shù)據(jù)作為訓練樣本，另一部分數(shù)據(jù)作為測試樣本，用于驗證診斷方法的診斷效果。在實驗配電網(wǎng)運行的24h 內(nèi)，統(tǒng)計零值與恒值這兩種線損異常數(shù)據(jù)如表2 所示。

表2 實驗配電網(wǎng)線損異常數(shù)據(jù)統(tǒng)計值

3.2 結(jié)果分析

在此基礎上，將本文設計方法作為實驗組，選擇基于機器學習的線損異常診斷方法與基于LSTM 神經(jīng)網(wǎng)絡的線損異常診斷方法作為對照組，分別對實驗配電網(wǎng)的線損異常電量數(shù)據(jù)進行診斷，所得診斷結(jié)果如表3 所示。

表3 不同方法的配線損異常電量數(shù)據(jù)診斷結(jié)果

根據(jù)表3 數(shù)據(jù)可知，基于機器學習的診斷方法下零值統(tǒng)計結(jié)果的平均相對誤差為11.49%，恒值統(tǒng)計結(jié)果的平均相對誤差為12.49%；基于LSTM 神經(jīng)網(wǎng)絡的診斷方法下零值統(tǒng)計結(jié)果的平均相對誤差為6.82%，恒值統(tǒng)計結(jié)果的平均相對誤差為6.89%；而本文設計方法下零值統(tǒng)計結(jié)果的平均相對誤差為2.70%，較對照組方法降低了8.79%、4.12%，恒值統(tǒng)計結(jié)果的平均相對誤差為2.11%，較對照組方法降低了9.79%、4.19%。由此可以說明，本文設計方法在線損異常診斷精度上具有一定優(yōu)勢，所得兩種類型的線損異常電量數(shù)據(jù)診斷結(jié)果更精確，有利于中壓配電網(wǎng)的線損管理工作。

4 結(jié)束語

本文針對傳統(tǒng)中壓配電網(wǎng)線損異常診斷方法存在準確率較低的問題，設計一種基于孤立森林算法的診斷方法，文中利用孤立森林算法求解線損數(shù)據(jù)的異常分支，實現(xiàn)了異常快速判定，并通過仿真實驗驗證了該方法在中壓配電網(wǎng)線損異常診斷上具有較高精度。當然，本文設計方法預設線損計算結(jié)果精確，但如何高效、準確地計算配電網(wǎng)線損需要在今后研究中進一步深入，從而推動我國電網(wǎng)的線損管理工作向智能化、信息化的方向發(fā)展。