電力營(yíng)銷(xiāo)管理信息平臺(tái)中線(xiàn)損異常識(shí)別方法研究

摘 要：為了準(zhǔn)確識(shí)別電力營(yíng)銷(xiāo)管理信息平臺(tái)中的線(xiàn)損異常，本文對(duì)其進(jìn)行了相關(guān)研究。從電力營(yíng)銷(xiāo)管理信息平臺(tái)中收集線(xiàn)損相關(guān)數(shù)據(jù)，提取線(xiàn)損特征。將改進(jìn)K-medoids聚類(lèi)算法與LOF算法相結(jié)合，計(jì)算2個(gè)線(xiàn)損特征量的歐幾里得距離，并針對(duì)異常線(xiàn)損特征量計(jì)算日線(xiàn)損率，明確具體異常類(lèi)型。實(shí)例證明，本文方法能夠判定對(duì)線(xiàn)損異常，并給出明確的異常類(lèi)型。

關(guān)鍵詞：電力營(yíng)銷(xiāo)管理；線(xiàn)損異常；K-medoids

中圖分類(lèi)號(hào)：TP 31" " " 文獻(xiàn)標(biāo)志碼：A

在電力系統(tǒng)中，電力營(yíng)銷(xiāo)管理信息平臺(tái)是保障電網(wǎng)安全，并保證其高效運(yùn)行的重要工具。其中，線(xiàn)損異常識(shí)別是電力營(yíng)銷(xiāo)管理信息平臺(tái)的核心功能之一，對(duì)提高電力資源利用效率、降低運(yùn)營(yíng)成本具有至關(guān)重要的作用。目前，電力營(yíng)銷(xiāo)管理信息平臺(tái)中的線(xiàn)損異常識(shí)別方法主要包括文獻(xiàn)[1]提出的基于K-medoids聚類(lèi)算法的異常低壓臺(tái)區(qū)線(xiàn)損識(shí)別方法研究、文獻(xiàn)[2]提出的基于孤立森林算法的10kV配電網(wǎng)線(xiàn)損異常智能識(shí)別技術(shù)和文獻(xiàn)[3]提出的基于多維特征的電網(wǎng)臺(tái)區(qū)線(xiàn)損數(shù)據(jù)異常識(shí)別方法。文獻(xiàn)[1]方法通?；诖罅康臍v史數(shù)據(jù)，對(duì)數(shù)據(jù)的質(zhì)量和完整性要求較高。然而，在實(shí)際電力系統(tǒng)中，各種原因?qū)е碌臄?shù)據(jù)缺失、異常等問(wèn)題使基于統(tǒng)計(jì)學(xué)的分析方法難以準(zhǔn)確識(shí)別線(xiàn)損異常。文獻(xiàn)[2]方法雖然能夠處理復(fù)雜的數(shù)據(jù)模式，但是其模型訓(xùn)練需要大量的標(biāo)注數(shù)據(jù)，模型的泛化能力也受到一定限制。此外，該算法的計(jì)算復(fù)雜度較高，對(duì)實(shí)時(shí)性要求較高的線(xiàn)損異常識(shí)別任務(wù)來(lái)說(shuō)，難以滿(mǎn)足其快速響應(yīng)的需求。文獻(xiàn)[3]方法雖然能夠處理海量數(shù)據(jù)，但是其數(shù)據(jù)預(yù)處理和特征提取過(guò)程較復(fù)雜，對(duì)數(shù)據(jù)的質(zhì)量和多樣性要求較高。此外，數(shù)據(jù)挖掘技術(shù)的結(jié)果解釋性較差，難以直接用于指導(dǎo)電網(wǎng)的運(yùn)維和管理。針對(duì)以上方法的不足，本文探索了一種更高效、準(zhǔn)確的電力營(yíng)銷(xiāo)管理信息平臺(tái)線(xiàn)損異常識(shí)別方法。

1 電力營(yíng)銷(xiāo)管理信息平臺(tái)中的線(xiàn)損特征提取

從電力營(yíng)銷(xiāo)管理信息平臺(tái)中收集與線(xiàn)損相關(guān)的數(shù)據(jù)。登錄電力營(yíng)銷(xiāo)管理信息平臺(tái)，找到數(shù)據(jù)導(dǎo)出功能。導(dǎo)出的數(shù)據(jù)類(lèi)型包括供電量、售電量（或用電量）、電壓、電流、功率因數(shù)、線(xiàn)路長(zhǎng)度和設(shè)備參數(shù)（例如變壓器容量、電阻值等），以Excel格式導(dǎo)出[4]。

在電力營(yíng)銷(xiāo)管理信息平臺(tái)上獲取電網(wǎng)分段線(xiàn)損數(shù)據(jù)包后，需要進(jìn)行數(shù)據(jù)清洗，以糾正錯(cuò)誤并填充缺失和不一致數(shù)據(jù)，保證分析的準(zhǔn)確性。K近鄰填充基于相似性來(lái)預(yù)測(cè)缺失值，具有一定的準(zhǔn)確性和可靠性，如公式（1）所示。

（1）

式中：y表示填充后的數(shù)值；xi表示與缺失值相似的k個(gè)已知數(shù)值；k表示近鄰數(shù)。

數(shù)據(jù)填充后對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將電壓、電流等物理量轉(zhuǎn)換為統(tǒng)一單位。數(shù)據(jù)標(biāo)準(zhǔn)化是將數(shù)據(jù)轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的分布。數(shù)據(jù)y的標(biāo)準(zhǔn)化數(shù)學(xué)表達(dá)式如公式（2）所示。

（2）

式中：μ表示數(shù)據(jù)y的均值；σ表示數(shù)據(jù)y的標(biāo)準(zhǔn)差。

針對(duì)上述預(yù)處理后的線(xiàn)損數(shù)據(jù)，利用小波變換進(jìn)行線(xiàn)損數(shù)據(jù)特征提取。小波變換具有時(shí)頻局部化特性，能夠在時(shí)間和頻率上提供較好的分辨率，即小波變換可以準(zhǔn)確地描述數(shù)據(jù)的瞬態(tài)特征和局部變化。在此基礎(chǔ)上，提取各個(gè)頻段中的線(xiàn)損特征，重構(gòu)第三層節(jié)點(diǎn)，此時(shí)其電流可以表示為公式（3）。

S={S1+S2+…+Sn} （3）

式中：S表示線(xiàn)損數(shù)據(jù)包中的電流數(shù)據(jù)集合；S1、S2、…、Sn表示各個(gè)頻段的電流。

進(jìn)而計(jì)算各個(gè)頻帶數(shù)據(jù)的總能量，如公式（4）所示。

（4）

式中：E1j表示總能量；S1j（t）表示各頻帶電流數(shù)據(jù)；xj表示信號(hào)頻率；n表示離散數(shù)據(jù)數(shù)量；k表示離散點(diǎn)幅值。

出現(xiàn)異常情況后，電網(wǎng)會(huì)受到影響，需要利用能量數(shù)據(jù)創(chuàng)建線(xiàn)損數(shù)據(jù)特征量，即T={T1+T2+…+Tn}。對(duì)線(xiàn)損數(shù)據(jù)特征量進(jìn)行歸一化處理，如公式（5）所示。

（5）

式中：E表示特征量總和。

計(jì)算上述公式，得到后續(xù)線(xiàn)損異常識(shí)別所需線(xiàn)損特征。這些特征量直觀地描述了電網(wǎng)的線(xiàn)損情況，可以直接用于后續(xù)的異常識(shí)別算法中。

2 異常線(xiàn)損識(shí)別

在電力營(yíng)銷(xiāo)管理信息平臺(tái)中，線(xiàn)損異常識(shí)別需要明確目標(biāo)和原因，進(jìn)行快速、準(zhǔn)確識(shí)別。結(jié)合業(yè)務(wù)需求和數(shù)據(jù)特性，本文以改進(jìn)的K-medoids聚類(lèi)算法為核心，對(duì)線(xiàn)損特征進(jìn)行聚類(lèi)分析，并利用LOF算法優(yōu)化日線(xiàn)損率數(shù)據(jù)，以提高識(shí)別效率和準(zhǔn)確性[5]。假設(shè)2個(gè)線(xiàn)損特征量分別為E1和E2，那么其歐幾里得距離可表示為公式（6）。

（6）

式中：d（E1，E2）表示2個(gè)線(xiàn)損特征量歐幾里得距離；E1n…E1m表示線(xiàn)損特征量E1的分量；E2n…E2m表示線(xiàn)損特征量E2的分量。

根據(jù)上述內(nèi)容，計(jì)算每2個(gè)數(shù)據(jù)特征間的歐幾里得距離，并設(shè)置距離閾值。如果超過(guò)閾值距離，那么說(shuō)明存在線(xiàn)損異常；如果不超過(guò)閾值距離，那么說(shuō)明不存在線(xiàn)損異常。計(jì)算線(xiàn)損異常的日線(xiàn)損率，如公式（7）所示。

R=（X/W）×100% （7）

式中：R表示日線(xiàn)損率；X表示日線(xiàn)損電量；W表示日供電量。

在臺(tái)區(qū)電力管理過(guò)程中，為了精確識(shí)別和分析線(xiàn)損情況，本文將線(xiàn)損狀態(tài)分為正常（0%～10%）、高損（gt;10%）和負(fù)損（lt;0%）3種類(lèi)型[6]。電力故障、管理問(wèn)題或數(shù)據(jù)錯(cuò)誤可能會(huì)導(dǎo)致出現(xiàn)高損和負(fù)損狀態(tài)，需要及時(shí)排查。為了高精度劃分線(xiàn)損狀態(tài)并減少異常值影響，本文采用K-medoids聚類(lèi)和LOF算法，并利用分布式計(jì)算技術(shù)處理數(shù)據(jù)，以實(shí)現(xiàn)高效的離群點(diǎn)檢測(cè)與分類(lèi)。具體步驟如下所示。

為了優(yōu)化日線(xiàn)損率數(shù)據(jù)，引入LOF算法，可達(dá)距離reachdist（a，b）考慮了數(shù)據(jù)點(diǎn)與其近鄰間的歐氏距離和最近鄰距離，有助于區(qū)分?jǐn)?shù)據(jù)點(diǎn)是否與其鄰近點(diǎn)緊密相關(guān)，也是離群點(diǎn)檢測(cè)的基礎(chǔ)，如公式（8）所示。

Ra，b=max{d（a，b），d（b，Nb）} （8）

式中：Ra，b表示可達(dá)距離；d（a，b）表示點(diǎn)a、b間的歐氏距離；Nb表示b的最近鄰。

局部可達(dá)密度lrd（a）反映了數(shù)據(jù)點(diǎn)周?chē)鷧^(qū)域的密度情況。區(qū)域的密度越高，數(shù)據(jù)點(diǎn)越可能是正常點(diǎn)；相反，區(qū)域密度越低，數(shù)據(jù)點(diǎn)越可能是離群點(diǎn)，如公式（9）所示。

lrd（a）=1/（1/k×∑Rd） （9）

式中：lrd（a）表示數(shù)據(jù)點(diǎn)a的局部可達(dá)密度；k表示近鄰數(shù)目；Rd表示數(shù)據(jù)點(diǎn)b的可達(dá)距離。

數(shù)據(jù)點(diǎn)a的近鄰平均局部可達(dá)密度A（Nka）可表示為公式（10）。

A（Nka）=1/k×lrd（a） （10）

上述步驟能夠比較數(shù)據(jù)點(diǎn)的局部可達(dá)密度及其近鄰的平均密度，有效識(shí)別離群點(diǎn)，從而清晰劃分日線(xiàn)損率數(shù)據(jù)，揭示臺(tái)區(qū)電力損失情況，有助于及時(shí)發(fā)現(xiàn)問(wèn)題并優(yōu)化電力管理。

3 實(shí)例應(yīng)用分析

3.1 參數(shù)設(shè)置

為了驗(yàn)證本文識(shí)別方法的應(yīng)用有效性，以某地區(qū)某臺(tái)區(qū)為例，采集電力營(yíng)銷(xiāo)管理信息平臺(tái)在運(yùn)行過(guò)程中產(chǎn)生的數(shù)據(jù)，對(duì)線(xiàn)損異常情況進(jìn)行識(shí)別。運(yùn)行環(huán)境中包括Oracle數(shù)據(jù)庫(kù)、Tomcat服務(wù)器和Windows XP/7客戶(hù)端操作系統(tǒng)。該臺(tái)區(qū)為期16d的日線(xiàn)損率數(shù)據(jù)見(jiàn)表1。

將表1中的數(shù)據(jù)作為本文方法的識(shí)別樣本，根據(jù)上述數(shù)據(jù)中的線(xiàn)損異常識(shí)別比較情況，對(duì)本文方法進(jìn)行初步訓(xùn)練。

3.2 線(xiàn)損率情況記錄與分析

利用訓(xùn)練后的方法對(duì)臺(tái)區(qū)運(yùn)行30d內(nèi)的線(xiàn)損率情況進(jìn)行識(shí)別與監(jiān)測(cè)。平臺(tái)運(yùn)行30d內(nèi)每天線(xiàn)損率情況如圖1所示。

分析圖1可知，在連續(xù)30d的監(jiān)測(cè)周期內(nèi)，前4天出現(xiàn)了顯著的線(xiàn)損率異常波動(dòng)現(xiàn)象。為了深入探究該現(xiàn)象背后的原因，本文分析了臺(tái)區(qū)電力數(shù)據(jù)的處理流程，發(fā)現(xiàn)偶發(fā)的大電量用戶(hù)數(shù)據(jù)采集問(wèn)題可能是導(dǎo)致這種異常波動(dòng)的關(guān)鍵因素。具體來(lái)說(shuō)，如果某個(gè)大電量用戶(hù)在某一天因某種原因（例如設(shè)備故障、通信中斷等）未能成功采集電量數(shù)據(jù)，次日數(shù)據(jù)采集恢復(fù)正常，但是系統(tǒng)可能基于某種機(jī)制同時(shí)采集了前一日和當(dāng)日的電量數(shù)據(jù)，就會(huì)對(duì)線(xiàn)損率的計(jì)算結(jié)果產(chǎn)生顯著影響。

3.3 試驗(yàn)指標(biāo)

在電力營(yíng)銷(xiāo)管理信息平臺(tái)中線(xiàn)損異常識(shí)別方法的研究中，AUC（Area Under the Curve）評(píng)價(jià)指標(biāo)具有重要作用。AUC是ROC曲線(xiàn)（Receiver Operating Characteristic Curve）下的面積，ROC曲線(xiàn)是一種描述分類(lèi)模型性能的圖形，其橫軸代表假陽(yáng)性率FPR（False Positive Rate，F(xiàn)PR），縱軸代表真陽(yáng)性率TPR（True Positive Rate）。AUC值能夠直觀反映模型在識(shí)別異常數(shù)據(jù)方面的能力，如公式（11）所示。

（11）

式中：FP為假陽(yáng)性，被錯(cuò)誤地預(yù)測(cè)為正例的樣本數(shù)；TN為真陰性，被正確地預(yù)測(cè)為負(fù)例的樣本數(shù)；TP為真陽(yáng)性，被正確地預(yù)測(cè)為正例的樣本數(shù)；FN為假陰性，被錯(cuò)誤地預(yù)測(cè)為負(fù)例的樣本數(shù)。

3.4 線(xiàn)損異常識(shí)別結(jié)果分析

在本例中，剔除前4天的異常數(shù)據(jù)點(diǎn)，使用剩余的數(shù)據(jù)作為訓(xùn)練集來(lái)訓(xùn)練本文的識(shí)別方法。訓(xùn)練完畢后，記錄了接下來(lái)5天的線(xiàn)損情況，結(jié)果見(jiàn)表2。

分析表1可知，在連續(xù)5d的監(jiān)測(cè)期內(nèi)，前2天出現(xiàn)了明顯的線(xiàn)損異常情況。具體來(lái)說(shuō)，第一天的線(xiàn)損率低于0%，根據(jù)上述線(xiàn)損狀態(tài)劃分標(biāo)準(zhǔn)，該狀態(tài)為負(fù)損狀態(tài)。負(fù)損狀態(tài)通常反映了可能存在的數(shù)據(jù)采集錯(cuò)誤、電表計(jì)量異?；螂娏芾聿呗圆划?dāng)?shù)葐?wèn)題，需要引起臺(tái)區(qū)管理者的高度重視。在第二天的數(shù)據(jù)中，線(xiàn)損率超過(guò)10%的閾值，為高損狀態(tài)。由此可見(jiàn)，本文方法不僅能夠?qū)€(xiàn)損異常情況進(jìn)行有效識(shí)別，而且能夠準(zhǔn)確判斷線(xiàn)損的具體異常狀態(tài)，提高了臺(tái)區(qū)電力管理的效率和準(zhǔn)確性，也為臺(tái)區(qū)管理提供了有力的數(shù)據(jù)支持，有助于管理者更好地掌握臺(tái)區(qū)內(nèi)的電力損失情況，從而制定更科學(xué)、合理的電力管理策略。

利用ROC曲線(xiàn)對(duì)本文算法、文獻(xiàn)[1]算法和文獻(xiàn)[2]算法的電力營(yíng)銷(xiāo)管理信息平臺(tái)中線(xiàn)損異常識(shí)別精度進(jìn)行測(cè)試，結(jié)果如圖2所示。

ROC曲線(xiàn)與橫坐標(biāo)圍成的面積為AUC，AUC越大，表明特征提取精度越高。由圖2可知，本文算法的AUC面積最大，文獻(xiàn)[1]算法的AUC值小于所提算法，但是仍然處于一個(gè)相對(duì)較高的水平，文獻(xiàn)[2]算法的AUC值最小，說(shuō)明在3種算法中，其識(shí)別精度相對(duì)較低?？梢?jiàn)本文算法在試驗(yàn)中具有較高的識(shí)別精度，因此具有廣闊的應(yīng)用前景。電力營(yíng)銷(xiāo)管理信息平臺(tái)可以利用該算法對(duì)線(xiàn)損異常進(jìn)行實(shí)時(shí)監(jiān)測(cè)和預(yù)警，從而幫助電力企業(yè)及時(shí)發(fā)現(xiàn)并解決問(wèn)題，提高電力供應(yīng)的可靠性和穩(wěn)定性。

為驗(yàn)證本文設(shè)計(jì)方法的時(shí)效性，進(jìn)行識(shí)別時(shí)間預(yù)測(cè)，3種方法的預(yù)測(cè)結(jié)果見(jiàn)表3。

由表3可以看出，隨著迭代次數(shù)增加，本文方法的識(shí)別時(shí)間普遍較低，穩(wěn)定在較低水平（5s～9s）。文獻(xiàn)[1]方法的識(shí)別時(shí)間相對(duì)較長(zhǎng)，隨著迭代次數(shù)增加，雖然其識(shí)別時(shí)間有波動(dòng)，但是總體保持在較高水平（22s～25s）。文獻(xiàn)[2]方法的識(shí)別時(shí)間最長(zhǎng)，在不同迭代次數(shù)下波動(dòng)較大（30s～36s）。結(jié)果表明本文方法具有較高的計(jì)算效率和穩(wěn)定性。該結(jié)果驗(yàn)證了本文設(shè)計(jì)方法在時(shí)效性方面的優(yōu)越性，為實(shí)際應(yīng)用提供了有力支持。

4 結(jié)語(yǔ)

本文圍繞電力營(yíng)銷(xiāo)管理信息平臺(tái)中線(xiàn)損異常識(shí)別方法進(jìn)行了深入研究，對(duì)現(xiàn)有方法進(jìn)行了梳理和分析，指出了現(xiàn)有方法的不足之處，并提出了基于機(jī)器學(xué)習(xí)和大數(shù)據(jù)技術(shù)的線(xiàn)損異常識(shí)別方法。該方法不僅具有較高的識(shí)別準(zhǔn)確率和實(shí)時(shí)性，而且能夠處理多源異構(gòu)數(shù)據(jù)，為電網(wǎng)的運(yùn)維和管理提供了有力支持。展望未來(lái)，隨著智能電網(wǎng)技術(shù)不斷發(fā)展，電力營(yíng)銷(xiāo)管理信息平臺(tái)中的線(xiàn)損異常識(shí)別方法將不斷優(yōu)化和完善。同時(shí)，隨著新型電力系統(tǒng)建設(shè)推進(jìn)，電力營(yíng)銷(xiāo)管理信息平臺(tái)將發(fā)揮更重要的作用。因此，本文的研究成果不僅具有重要的理論價(jià)值，而且具有廣泛的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)

[1]呂家慧.基于K-medoids聚類(lèi)算法的異常低壓臺(tái)區(qū)線(xiàn)損識(shí)別方法研究[J].信息與電腦（理論版），2023，35（24）：61-63.

[2]李卉祥.基于孤立森林算法的10kV配電網(wǎng)線(xiàn)損異常智能識(shí)別技術(shù)[J].裝備維修技術(shù)，2023（6）：53-56.

[3]林寶德，楊錚宇.基于多維特征的電網(wǎng)臺(tái)區(qū)線(xiàn)損數(shù)據(jù)異常識(shí)別研究[J].電力系統(tǒng)保護(hù)與控制，2022，50（9）：172-178.

[4]錢(qián)利宏，彭穗，郭曉燕，等.基于數(shù)據(jù)驅(qū)動(dòng)的低壓配電臺(tái)區(qū)線(xiàn)損分層統(tǒng)計(jì)與異常診斷方法[J].自動(dòng)化與儀器儀表，2023（8）：232-235，239.

[5]郭飛，吳佳靜，周怡，等.考慮氣象因素的臺(tái)區(qū)線(xiàn)損異常智能識(shí)別模型及應(yīng)用[J].寧夏電力，2022（6）：26-32.

[6]胡壯麗，羅毅初，陳雪.考慮分布式新能源接入的智能配電網(wǎng)線(xiàn)損異常定位系統(tǒng)[J].環(huán)境技術(shù)，2023，41（9）：111-115.