一種基于混合模型的配電網(wǎng)三相線損異常檢測(cè)新方法

中圖分類號(hào)：TM744+.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(yùn)行中熱能引起的能量損失，是影響電力企業(yè)經(jīng)濟(jì)效益的主要因素。線損率是衡量電網(wǎng)電力損耗的一個(gè)重要經(jīng)濟(jì)指標(biāo)。在正常情況下，線損率有一個(gè)固定的區(qū)間，低于這個(gè)區(qū)間或高于這個(gè)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(yùn)行造成隱患[45]。

隨著傳感器技術(shù)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(píng)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(jìn)支持向量機(jī)的電力工程數(shù)據(jù)異常檢測(cè)模型。秦志沁等8提出了一種結(jié)合數(shù)據(jù)分解和隨機(jī)矩陣?yán)碚摰漠惓顟B(tài)檢測(cè)模型。王璞等提出一種改進(jìn)FCM聚類算法，并將其應(yīng)用于電力異常數(shù)據(jù)檢測(cè)。隨著深度學(xué)習(xí)技術(shù)[1]飛速發(fā)展，有學(xué)者將其引入線損異常檢測(cè)領(lǐng)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(jī)制長(zhǎng)短期記憶網(wǎng)絡(luò)（DAMLSTM）與卷積自動(dòng)編碼器的混合框架。該方法首先利用VMD對(duì)原始線損序列進(jìn)行自適應(yīng)分解，抑制非平穩(wěn)信號(hào)中的模態(tài)混疊；繼而通過(guò)DAMLSTM網(wǎng)絡(luò)動(dòng)態(tài)加權(quán)多變量特征（如日供電量、溫度、三相不平衡量），以捕捉長(zhǎng)期依賴與季節(jié)性規(guī)律；最后采用卷積自動(dòng)編碼器對(duì)預(yù)測(cè)殘差進(jìn)行無(wú)監(jiān)督聚類，實(shí)現(xiàn)早期異常識(shí)別。

1 線路預(yù)測(cè)網(wǎng)絡(luò)

1.1 多維信息矩陣

低壓配電網(wǎng)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(duì)原始序列進(jìn)行預(yù)測(cè)，可能導(dǎo)致預(yù)測(cè)曲線相對(duì)真實(shí)值發(fā)生較大偏移。為改善這一問(wèn)題，本文采用變分模態(tài)分解（VMD）對(duì)線損數(shù)據(jù)進(jìn)行預(yù)處理，將其分解為若干相對(duì)平穩(wěn)的子信號(hào)。假設(shè)待分解序列為 {x} ，其約束變分優(yōu)化問(wèn)題可表述為：

式中： K 為通過(guò)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(gè)模態(tài)分量； {ω_k} 為該模態(tài)對(duì)應(yīng)的中心頻率。

為求解上述約束變分問(wèn)題，可引入拉格朗日乘子將其轉(zhuǎn)化為無(wú)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(jìn)一步地，通過(guò)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(guān)聯(lián)，篩選出與線損值相關(guān)性顯著的網(wǎng)絡(luò)特征參數(shù)；同時(shí)，結(jié)合時(shí)間序列分解提取季節(jié)性及趨勢(shì)成分，作為預(yù)測(cè)模型的重要輸入，以增強(qiáng)線損預(yù)測(cè)的魯棒性和解釋性。之后，將前兩部分的序列進(jìn)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(wǎng)絡(luò)架構(gòu)

DAMLSTM是一種專為多維時(shí)間序列預(yù)測(cè)設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)架構(gòu)，其結(jié)構(gòu)如圖1所示。

圖1 DAMLSTM結(jié)構(gòu) Fig.1 DAMLSTMstructure

DAMLSTM卷積層分別對(duì)歷史數(shù)據(jù)特征矩陣和多維信息矩陣進(jìn)行卷積運(yùn)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(jīng)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(quán)重； b_k 為卷積層的偏置。

引入DAM對(duì)卷積層輸出的特征矩陣進(jìn)行增強(qiáng)處理。該機(jī)制首先通過(guò)全局平均池化提取每個(gè)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(xué)習(xí)通道間的依賴關(guān)系，生成權(quán)重向量并構(gòu)建權(quán)重矩陣。遞歸跳躍層是一種基于LSTM的變體，通過(guò)引入周期性跳躍連接以捕捉序列中的長(zhǎng)期依賴關(guān)系。LSTM基本結(jié)構(gòu)如圖2所示，主要包含一個(gè)存儲(chǔ)單元及三種門控機(jī)制：遺忘門、輸入門和輸出門。這些門控機(jī)制使LSTM能夠有效學(xué)習(xí)長(zhǎng)期時(shí)間依賴。

圖2LSTM結(jié)構(gòu) Fig.2LSTMstructure

自回歸層的核心功能在于對(duì)多維信息矩陣進(jìn)行時(shí)序預(yù)測(cè)，其通過(guò)引入線性分量（如趨勢(shì)或均值估計(jì)）并將其疊加至預(yù)測(cè)輸出中，有效緩解了信號(hào)周期性波動(dòng)對(duì)預(yù)測(cè)精度的影響。自回歸層計(jì)算過(guò)程如下：

式中： 為自回歸層的輸出預(yù)測(cè)值； y_t-k，i 為自回歸層的輸入值; W_k^ar 為自回歸層的權(quán)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(yù)測(cè)結(jié)果：

式中： 為網(wǎng)絡(luò)最終的預(yù)測(cè)結(jié)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(cè)網(wǎng)絡(luò)

2.1 卷積自動(dòng)編碼器

基于卷積自動(dòng)編碼器的聚類網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3基于卷積自動(dòng)編碼器的聚類網(wǎng)絡(luò)結(jié)構(gòu)

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(lái)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(gè)卷積核可以用二維張量 表示，i、 j 分別表示沿著時(shí)間軸和變量軸的維度。通常，在每個(gè)卷積層中使用多個(gè)卷積核，從而產(chǎn)生多個(gè)特征圖，隨后使特征圖成為二維張量。因此每個(gè)卷積核負(fù)責(zé)從輸入數(shù)據(jù)中提取不同的特征。反卷積，有時(shí)稱為轉(zhuǎn)置卷積運(yùn)算，執(zhí)行與卷積運(yùn)算相同的逆運(yùn)算，從而將單個(gè)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(gòu)潛在變量 Z_r 兩個(gè)子集。分割潛在空間的目的是更好地平衡重構(gòu)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(shí)成本函數(shù)； M_j 為第 j 個(gè)聚類中心； s_i 為第i 個(gè)數(shù)據(jù)點(diǎn)的所屬類別，本研究劃分?jǐn)?shù)據(jù)為正常或異常，即0和1； z_jⁱ 為第 j 個(gè)聚類中第 i 個(gè)數(shù)據(jù)點(diǎn)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(guò)輸入和重構(gòu)輸出之間的重構(gòu)損失訓(xùn)練，則重構(gòu)損失定義如下：

式中： L_AE 為重構(gòu)損失； N_B 為批量歸一化大小； 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(wǎng)絡(luò)通過(guò)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(gè)類別的距離損失。

綜合重構(gòu)損失和聚類損失，則聚類網(wǎng)絡(luò)的總損失定義為：

式中： α 和 β 分別為重構(gòu)損失和聚類損失的權(quán)重，且有 a+β=1 。

3實(shí)驗(yàn)驗(yàn)證與分析

3.1 數(shù)據(jù)集和實(shí)驗(yàn)設(shè)置

采用的歷史線損數(shù)據(jù)及相關(guān)特征參數(shù)均來(lái)自中國(guó)某市低壓配電網(wǎng)，時(shí)間為2020年8月～2021年8月。所選特征包括配電網(wǎng)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(fù)荷形狀因子等多項(xiàng)指標(biāo)。

DAMLSTM預(yù)測(cè)網(wǎng)絡(luò)與卷積自編碼器異常檢測(cè)網(wǎng)絡(luò)的關(guān)鍵超參數(shù)設(shè)置如下：初始學(xué)習(xí)率為0.01，學(xué)習(xí)率衰減因子為0.1，衰減周期為10個(gè)epoch，最大迭代次數(shù)為 3000 所有神經(jīng)網(wǎng)絡(luò)均基于Python3.8、Py-Torch1.9.1、CUDA11.1及TorchVision0.10.1構(gòu)建，并在PyCharm2023社區(qū)版中完成編譯與調(diào)試。訓(xùn)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(nèi)存，并配備一塊NVIDIARTX2080Ti顯卡。

3.2 線損預(yù)測(cè)結(jié)果與分析

本節(jié)對(duì)線損預(yù)測(cè)結(jié)果進(jìn)行實(shí)驗(yàn)分析。數(shù)據(jù)集中的數(shù)據(jù)按8：2分為訓(xùn)練集和測(cè)試集。將所提預(yù)DAML-STM預(yù)測(cè)網(wǎng)絡(luò)與SVR、RF、GRU、LSTM、CNN-LSTM、EMD-LSTM等基準(zhǔn)模型進(jìn)行對(duì)比。為了評(píng)估模型性能，本研究使用均方根誤差（RMSE）和 R² 系數(shù)作為評(píng)估指標(biāo)。不同模型預(yù)測(cè)結(jié)果如圖4所示。

由圖4可知，DAMLSTM預(yù)測(cè)網(wǎng)絡(luò)在線損率預(yù)測(cè)中表現(xiàn)出更高的準(zhǔn)確性和穩(wěn)定性，適用于配電網(wǎng)線損分析的工程應(yīng)用。

圖4不同模型預(yù)測(cè)結(jié)果Fig.4Predictionresultsofdifferentmodels

3.3異常檢測(cè)結(jié)果與分析

在低壓站區(qū)運(yùn)行中，線損率通常維持在 3.0% ～5.0% 范圍內(nèi)，超出該范圍則被視為異常狀態(tài)，會(huì)對(duì)電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性造成負(fù)面影響。為評(píng)估不同方法的異常檢測(cè)性能，本研究隨機(jī)選取8組參考線損率數(shù)據(jù)（如表1所示）進(jìn)行實(shí)驗(yàn)。

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

所選對(duì)比基準(zhǔn)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(duì)比基準(zhǔn)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(cè)結(jié)果實(shí)驗(yàn)結(jié)果如圖5所示。

由圖5可知，本文所提方法在線損異常檢測(cè)中誤差最小，可靠性更高，可為配電網(wǎng)三相線損異常檢測(cè)的實(shí)際應(yīng)用提供參考。

4結(jié)語(yǔ)

本文針對(duì)配電網(wǎng)線損異常檢測(cè)中預(yù)測(cè)精度不高和異常識(shí)別滯后的問(wèn)題，提出了一種融合線損預(yù)測(cè)與異常檢測(cè)的混合框架。該方法首先利用VMD對(duì)非平穩(wěn)線損數(shù)據(jù)進(jìn)行預(yù)處理，以減輕序列波動(dòng)帶來(lái)的預(yù)測(cè)偏差；其次，構(gòu)建了DAMLSTM，通過(guò)對(duì)多維特征動(dòng)態(tài)加權(quán)，提升了關(guān)鍵參數(shù)在預(yù)測(cè)中的貢獻(xiàn)；最后，采用基于卷積自動(dòng)編碼器的聚類網(wǎng)絡(luò)對(duì)預(yù)測(cè)結(jié)果進(jìn)行異常判別，實(shí)現(xiàn)了故障前的早期預(yù)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(zhì)量，且未充分考慮極端天氣與突發(fā)負(fù)載沖擊的影響。盡管如此，該框架在配電網(wǎng)線損管理領(lǐng)域具有較高的應(yīng)用潛力，為線損異常預(yù)警提供了更可靠的技術(shù)路徑。

【參考文獻(xiàn)】

[1]陶媛穎.基于海量數(shù)據(jù)的低壓配電網(wǎng)線損預(yù)測(cè)與竊電診斷研究[J].電氣技術(shù)與經(jīng)濟(jì)，2024（2）：53-56.

[2]王輝.基于徑向基函數(shù)的配電網(wǎng)不平衡線損預(yù)測(cè)方法[J].電子設(shè)計(jì)工程，2024，32（4）：121-124.

[3]呂冰，韓桂芳.基于GA和BP神經(jīng)網(wǎng)絡(luò)的配電線損計(jì)算研究[J].微型電腦應(yīng)用，2024，40（01）：170-173.

[4]王肖亞，孫奉杰，謝志平.增量配電網(wǎng)線損率預(yù)測(cè)模型的構(gòu)建與應(yīng)用[J].自動(dòng)化應(yīng)用，2023，64（22）：44-46.

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

[6]陳輝，李艷，林思遠(yuǎn).大數(shù)據(jù)驅(qū)動(dòng)下全接觸渠道的電力客戶精準(zhǔn)畫像[J].云南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，43（2）：34-38.

[7]王楠，周鑫，周云浩，等.基于改進(jìn)SVM算法的電力工程異常數(shù)據(jù)檢測(cè)方法設(shè)計(jì)[J].電子設(shè)計(jì)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(jī)矩陣?yán)碚摰漠惓Ｓ秒姞顟B(tài)檢測(cè)[J].太原理工大學(xué)學(xué)報(bào)，2024，55（1）：66-72.

[9]王璞，謝曉娜.基于改進(jìn)FCM算法的電力數(shù)據(jù)異常檢測(cè)方法[J].電子設(shè)計(jì)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(yīng)用綜述與展望[J].電力系統(tǒng)自動(dòng)化，2024，48（4）：169-191.

[11]張蓓蕾，王國(guó)亮，謝奮龍，等.深度神經(jīng)網(wǎng)絡(luò)的電力數(shù)據(jù)異常檢測(cè)研究[J].單片機(jī)與嵌入式系統(tǒng)應(yīng)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(cè)中的應(yīng)用[J]單片機(jī)與嵌入式系統(tǒng)應(yīng)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(zé)任編輯：張玉平）