一種基于混合模型的配電網三相線損異常檢測新方法

中圖分類號：TM744+.1 文獻標識碼：A 文章編號：1001-5922（2025）10-0246-05

A new method for three-phase line loss anomaly detection in distribution network based on hybrid model

GUOLei1，LI Xiaofei2， ZHANG Huan3， GUO Peng，HU Meilin5 （1.Beijing Guodentsu Network Technology Co.，Ltd.，Beijing 1Ooo85，China; 2.Beijing Tianyi Digital Technology Co.，Ltd.，Beijing1OoO70，China）

Abstract：Aimingatthe problem of insufficient detectionaccuracy causedby non-stationarydata，multi-variable couplingand hidden abnormal modes in abnormal detection of line loss in distribution network，this paper proposes a hybrid diagnosis framework thatcombines variational mode decomposition（VMD），dimensional attention mechanism long short-term memory network（DAMLSTM） and convolutional autoencoder.The experiment is based on theactualdataofacity‘slow-voltage distribution network throughouttheyear.Theresults show thattheRMSE index of the proposed method is 49.3 % lower than that of the mainstream models such as SVR，RF，GRU，LSTM and EMD-LSTM，and the R2 coefficient is increased by 30.1 % . The range of anomaly detection error is controlled within 0%～4% .The research provides a high-precision and interpretable intelligent diagnosis scheme for line loss managementof distribution network，which has application value for improving the economy and securityof power grid.

Key words：distribution network line loss;anomalydetection;variational modal decomposition;dimension attention mechanism;long short-term memory network

線損[1-3是指電力系統(tǒng)運行中熱能引起的能量損失，是影響電力企業(yè)經濟效益的主要因素。線損率是衡量電網電力損耗的一個重要經濟指標。在正常情況下，線損率有一個固定的區(qū)間，低于這個區(qū)間或高于這個區(qū)間，都是線路損耗率的異常狀態(tài)，給電力系統(tǒng)的正常運行造成隱患[45]。

隨著傳感器技術的飛速發(fā)展，電力系統(tǒng)可基于多種傳感器收集電力數(shù)據(jù)，這為評估電力系統(tǒng)線損提供了重要的數(shù)據(jù)支撐。王楠等提出了一種基于改進支持向量機的電力工程數(shù)據(jù)異常檢測模型。秦志沁等8提出了一種結合數(shù)據(jù)分解和隨機矩陣理論的異常狀態(tài)檢測模型。王璞等提出一種改進FCM聚類算法，并將其應用于電力異常數(shù)據(jù)檢測。隨著深度學習技術[1]飛速發(fā)展，有學者將其引入線損異常檢測領域[11-12]

本研究提出一種融合變分模態(tài)分解（VMD）、維度注意力機制長短期記憶網絡（DAMLSTM）與卷積自動編碼器的混合框架。該方法首先利用VMD對原始線損序列進行自適應分解，抑制非平穩(wěn)信號中的模態(tài)混疊；繼而通過DAMLSTM網絡動態(tài)加權多變量特征（如日供電量、溫度、三相不平衡量），以捕捉長期依賴與季節(jié)性規(guī)律；最后采用卷積自動編碼器對預測殘差進行無監(jiān)督聚類，實現(xiàn)早期異常識別。

1 線路預測網絡

1.1 多維信息矩陣

低壓配電網的線損數(shù)據(jù)常表現(xiàn)出非周期性和非平穩(wěn)性，若直接對原始序列進行預測，可能導致預測曲線相對真實值發(fā)生較大偏移。為改善這一問題，本文采用變分模態(tài)分解（VMD）對線損數(shù)據(jù)進行預處理，將其分解為若干相對平穩(wěn)的子信號。假設待分解序列為 {x} ，其約束變分優(yōu)化問題可表述為：

式中： K 為通過約束變分分解得到的模態(tài)分量總數(shù)；{u_k} 為分解后得到的第 k 個模態(tài)分量； {ω_k} 為該模態(tài)對應的中心頻率。

為求解上述約束變分問題，可引入拉格朗日乘子將其轉化為無約束變分形式，并采用ADMM迭代優(yōu)化各模態(tài)分量 {u_k} 及其中心頻率 {ω_k} 。進一步地，通過最大信息系數(shù)（MIC）分析線損數(shù)據(jù)與各潛在特征之間的線性及非線性關聯(lián)，篩選出與線損值相關性顯著的網絡特征參數(shù)；同時，結合時間序列分解提取季節(jié)性及趨勢成分，作為預測模型的重要輸入，以增強線損預測的魯棒性和解釋性。之后，將前兩部分的序列進行組合，得到多維信息矩陣 W_M ：

式中： D 為參數(shù)的類別數(shù)； L 為序列中元素的數(shù)量。

1.2 DAMLSTM網絡架構

DAMLSTM是一種專為多維時間序列預測設計的神經網絡架構，其結構如圖1所示。

圖1 DAMLSTM結構 Fig.1 DAMLSTMstructure

DAMLSTM卷積層分別對歷史數(shù)據(jù)特征矩陣和多維信息矩陣進行卷積運算：

式中： W_i 和 W₂ 分別為歷史數(shù)據(jù)特征矩陣和多維信息矩陣； W_l^' 和 W₂^' 為經卷積操作后的輸出矩陣； σ 為激活函數(shù)，本研究采樣RELU激活函數(shù)； ω_k 為卷積層的權重； b_k 為卷積層的偏置。

引入DAM對卷積層輸出的特征矩陣進行增強處理。該機制首先通過全局平均池化提取每個特征圖的全局空間信息，將其壓縮為通道描述符；隨后利用全連接層學習通道間的依賴關系，生成權重向量并構建權重矩陣。遞歸跳躍層是一種基于LSTM的變體，通過引入周期性跳躍連接以捕捉序列中的長期依賴關系。LSTM基本結構如圖2所示，主要包含一個存儲單元及三種門控機制：遺忘門、輸入門和輸出門。這些門控機制使LSTM能夠有效學習長期時間依賴。

圖2LSTM結構 Fig.2LSTMstructure

自回歸層的核心功能在于對多維信息矩陣進行時序預測，其通過引入線性分量（如趨勢或均值估計）并將其疊加至預測輸出中，有效緩解了信號周期性波動對預測精度的影響。自回歸層計算過程如下：

式中： 為自回歸層的輸出預測值； y_t-k，i 為自回歸層的輸入值; W_k^ar 為自回歸層的權重； b_ar 為自回歸層的偏置； q_ar 為矩陣窗口尺寸。

最后，融合層將遞歸跳躍層的輸出與完全連接的層集成，最終給出預測結果：

式中： 為網絡最終的預測結果； y₁ 為歷史數(shù)據(jù)特征矩陣的輸出； y₂ 為多維信息矩陣的輸出； y₃ 為自回歸層的輸出。

2 異常檢測網絡

2.1 卷積自動編碼器

基于卷積自動編碼器的聚類網絡結構如圖3所示。

圖3基于卷積自動編碼器的聚類網絡結構

Fig.3 Clustering network structure based on convolutional auto encoder

在編碼器和解碼器處，使用卷積和反卷積層來提取潛在表示中的基本信息。令特征表示的大小為n_r×m ，其跨越輸入的 T×m 維序列。卷積層中的第 p 個卷積核可以用二維張量 表示，i、 j 分別表示沿著時間軸和變量軸的維度。通常，在每個卷積層中使用多個卷積核，從而產生多個特征圖，隨后使特征圖成為二維張量。因此每個卷積核負責從輸入數(shù)據(jù)中提取不同的特征。反卷積，有時稱為轉置卷積運算，執(zhí)行與卷積運算相同的逆運算，從而將單個特征圖上采樣到原始輸入。

為提升聚類性能，本研究將潛在空間Z劃分為聚類變量 Z_c 和重構潛在變量 Z_r 兩個子集。分割潛在空間的目的是更好地平衡重構精度和判別聚類精度。隨后在潛在空間 Z 上使用 k- means算法，從而優(yōu)化以下成本函數(shù)：

式中： f 時成本函數(shù)； M_j 為第 j 個聚類中心； s_i 為第i 個數(shù)據(jù)點的所屬類別，本研究劃分數(shù)據(jù)為正?；虍惓?，即0和1； z_jⁱ 為第 j 個聚類中第 i 個數(shù)據(jù)點的所屬的潛在空間。

2.2 損失函數(shù)

編碼器 f_θ 和解碼器 g_? 的參數(shù)都是通過輸入和重構輸出之間的重構損失訓練，則重構損失定義如下：

式中： L_AE 為重構損失； N_B 為批量歸一化大?。?xⁱ 為輸入序列； θ 和 ? 分別為編碼器和解碼器的參數(shù)。

此外，聚類網絡通過聚類潛在變量從而反饋聚類損失，則聚類損失定義如下：

式中： L_j，CL 為第 j 個類別的距離損失。

綜合重構損失和聚類損失，則聚類網絡的總損失定義為：

式中： α 和 β 分別為重構損失和聚類損失的權重，且有 a+β=1 。

3實驗驗證與分析

3.1 數(shù)據(jù)集和實驗設置

采用的歷史線損數(shù)據(jù)及相關特征參數(shù)均來自中國某市低壓配電網，時間為2020年8月～2021年8月。所選特征包括配電網日平均線損率、日供電量、日平均溫度、三相不平衡量、供電半徑、終端功率比、用戶數(shù)、負荷形狀因子等多項指標。

DAMLSTM預測網絡與卷積自編碼器異常檢測網絡的關鍵超參數(shù)設置如下：初始學習率為0.01，學習率衰減因子為0.1，衰減周期為10個epoch，最大迭代次數(shù)為 3000 所有神經網絡均基于Python3.8、Py-Torch1.9.1、CUDA11.1及TorchVision0.10.1構建，并在PyCharm2023社區(qū)版中完成編譯與調試。訓練階段所使用的硬件環(huán)境為：Ubuntu18.04操作系統(tǒng)，Intel Xeon ProcessorE7-4870CPU，64GB內存，并配備一塊NVIDIARTX2080Ti顯卡。

3.2 線損預測結果與分析

本節(jié)對線損預測結果進行實驗分析。數(shù)據(jù)集中的數(shù)據(jù)按8：2分為訓練集和測試集。將所提預DAML-STM預測網絡與SVR、RF、GRU、LSTM、CNN-LSTM、EMD-LSTM等基準模型進行對比。為了評估模型性能，本研究使用均方根誤差（RMSE）和 R² 系數(shù)作為評估指標。不同模型預測結果如圖4所示。

由圖4可知，DAMLSTM預測網絡在線損率預測中表現(xiàn)出更高的準確性和穩(wěn)定性，適用于配電網線損分析的工程應用。

圖4不同模型預測結果Fig.4Predictionresultsofdifferentmodels

3.3異常檢測結果與分析

在低壓站區(qū)運行中，線損率通常維持在 3.0% ～5.0% 范圍內，超出該范圍則被視為異常狀態(tài)，會對電力系統(tǒng)運行的經濟性造成負面影響。為評估不同方法的異常檢測性能，本研究隨機選取8組參考線損率數(shù)據(jù)（如表1所示）進行實驗。

表1參考線損率值Tab.1Reference line loss rate value

所選對比基準包括K-Medoids聚類方法以及kmeans-FCM混合聚類算法。參考線損率值如表1所示。對比基準模型選取K-Medoid3聚類方法以及、kmeans-FCM混合聚類算法[14]。異常檢測結果實驗結果如圖5所示。

由圖5可知，本文所提方法在線損異常檢測中誤差最小，可靠性更高，可為配電網三相線損異常檢測的實際應用提供參考。

4結語

本文針對配電網線損異常檢測中預測精度不高和異常識別滯后的問題，提出了一種融合線損預測與異常檢測的混合框架。該方法首先利用VMD對非平穩(wěn)線損數(shù)據(jù)進行預處理，以減輕序列波動帶來的預測偏差；其次，構建了DAMLSTM，通過對多維特征動態(tài)加權，提升了關鍵參數(shù)在預測中的貢獻；最后，采用基于卷積自動編碼器的聚類網絡對預測結果進行異常判別，實現(xiàn)了故障前的早期預警。本研究也存在一定局限性，如模型依賴大量歷史數(shù)據(jù)質量，且未充分考慮極端天氣與突發(fā)負載沖擊的影響。盡管如此，該框架在配電網線損管理領域具有較高的應用潛力，為線損異常預警提供了更可靠的技術路徑。

【參考文獻】

[1]陶媛穎.基于海量數(shù)據(jù)的低壓配電網線損預測與竊電診斷研究[J].電氣技術與經濟，2024（2）：53-56.

[2]王輝.基于徑向基函數(shù)的配電網不平衡線損預測方法[J].電子設計工程，2024，32（4）：121-124.

[3]呂冰，韓桂芳.基于GA和BP神經網絡的配電線損計算研究[J].微型電腦應用，2024，40（01）：170-173.

[4]王肖亞，孫奉杰，謝志平.增量配電網線損率預測模型的構建與應用[J].自動化應用，2023，64（22）：44-46.

[5]黃雁，肖榮洋.電能質量損耗量化評估及降損減排方案研究與應用[J].自動化與儀器儀表，2023（11）：230-233.

[6]陳輝，李艷，林思遠.大數(shù)據(jù)驅動下全接觸渠道的電力客戶精準畫像[J].云南師范大學學報（自然科學版），2023，43（2）：34-38.

[7]王楠，周鑫，周云浩，等.基于改進SVM算法的電力工程異常數(shù)據(jù)檢測方法設計[J].電子設計工程，2024，32（4）：162-166.

[8]秦志沁，韓玉環(huán)，張毅，等.基于VMD分解和隨機矩陣理論的異常用電狀態(tài)檢測[J].太原理工大學學報，2024，55（1）：66-72.

[9]王璞，謝曉娜.基于改進FCM算法的電力數(shù)據(jù)異常檢測方法[J].電子設計工程，2023，31（24）：33-37.

[10]王小君，竇嘉銘，劉，等.可解釋人工智能在電力系統(tǒng)中的應用綜述與展望[J].電力系統(tǒng)自動化，2024，48（4）：169-191.

[11]張蓓蕾，王國亮，謝奮龍，等.深度神經網絡的電力數(shù)據(jù)異常檢測研究[J].單片機與嵌入式系統(tǒng)應用，2023，23（10）：36-39.

[12]陳敏.LSTM混合算法在用戶電量數(shù)據(jù)異常檢測中的應用[J]單片機與嵌入式系統(tǒng)應用，2022，22（10）：21-24.

[13]AL-OTAIBIS，CHERAPPAV，THANGARAJANT，etal.HybridK-medoidswithenergy-efficientsunfloweroptimi-zationalgorithm for wireless sensor networks[J].Sustain-ability，2023，15（7）：5759-5774.

[14]SETIAWANKE，KURNIAWANA，CHOWANDAA，etal. Clustering models for hospitals in Jakarta using fuzzyc-meansand k-means[J].Procedia Computer Science，2023（12），216：356-363.

（本欄目責任編輯：張玉平）