基于人工神经网络的线损计算及窃电探析

黄文科，谭致远，胡 文

（广东电网有限责任公司广州供电局，广东 广州 510000）

0 引 言

进入21世纪之后，人们的生活水平不断提升，电力深入到了我国的各个行业，成为我国经济发展不可缺少的能源，而社会对电力的需求量也迅猛增长。调查发现，2018年时，我国发电总量达到6.791 42×1012kW·h，相比于2017年增长了约5×1011kW·h。2019年时，我国发电总量已经达到7.142 2×1012kW·h，增长了约3×1011kW·h。目前，我国发电总量的增长速度已据世界首位。但是，在电力行业迅猛发展的背后，粗放型增长方式导致线损管理困难且计算难度大，偷电漏电问题发生频繁。如何降低线损和精准及时地发现窃电行为，成为各电力公司思考的重点。

1 线损与窃电管理的简述

随着电力普及程度的不断加深，电网更加复杂，增大了线损计算难度。一方面，采用传统的线损计算方式计算效率低下，难以保障计算准确性。另一方面，在电力网运行中，线路末端窃电现象发生频繁。因此，快速定位窃电位置，加强窃电精准管理，有助于提升线损水平[1]。随着技术的发展、电力仪表的改进以及多表合一等政策的推广，企业对窃电行为判断准确度明显提升，但是在量化性和可靠性上仍受到了模型的影响。如何保障计算的娴熟精确和快速，提升统计线损的规范性、标准化以及科学性，成为电力企业亟待解决的难题。

2 人工神经网络的发展情况

在线损管理中，神经网络具有天然优势。科学技术不断发展，对配电网络数据采集量不断增大，不同层次的配电数据在时间轴上愈发密集，而不同电网单位的信息传输进一步增大了网络信息量[2]。若采用传统方式，信息量不断增大会导致线损计算量增大和计算难度上升。但是，机器本身学习的数据量非常庞大，数据量增大进一步精确了机器学习所得模型的精确度与实用性。传统线损计算方式以理论驱动，而神经网络以数据驱动，最大限度地简化了电力系统的理论框架，降低了随着电网规模逐渐扩大而不断增长的线损计算难度，显著提升了线损计算效率，保障了计算的准确性。计算机在不断发展，数据驱动新算法的效用逐渐凸显。随着科学技术的不断发展，智能化水平显著提升，人工神经网络的相关研究也在不断深入，并产生了多种算法，如记忆神经网络和卷积神经网络等。而电力领域的自动化和智能化发展中，人工神经网络应用深入，为线损管理奠定了优良基础，显著提升了窃电判断准确性。基于神经网络的各类算法在线损计算中发挥了重要作用，却因对线损分析不充分，对理论与管理线损的差异判断不全面，影响了计算结果的准确性，难以在线损管理中发挥作用。

3 人工神经网络的原理

神经网络主要是指利用计算机模拟人的神经元，通过简单单元之间的连接形成复杂模型，以便快速解决复杂问题。在多种神经网络模型中，人工神经网络是多层前馈网络，主要通过误差逆向传播算法展开训练，应用非常广泛。人工神经网络主要包含输入层、输出层以及隐含层3层。输入信号在通过输入层和隐含层后输出被激活函数。利用输出误差对输入层和隐含层神经元的连接权值进行修正，降低了误差，满足了目标要求。

在搭建神经网络模型时，主要流程如下：有训练样本n个，输入信号x1,x2,…,xn，信号经过神经网络，对应输出函数为y1,y2,…,yn，不断改进实际输入误差，实际输入对应值为z1,z2,…,zn，以此改变偏差量和连接权限值，使输出数值与期望值无限接近。设定期望输出值和实际输出值两者平方误差与定义是误差函数ε，则：

式中，xi表示输出层实际输出值；yi表示期望输出值。

在修改权重系数Wij时，主要以负梯度方向为主，因此修正量ΔWij与误差函数关系为：

式中，η表示学习步长。最终，得出：

式中，表示k层i神经元。

想要提升收敛速度，可考虑上一个迭代次数权重系数，得到修正公式：

式中，t表示迭代次数；α表示权重系数。

人工神经网络算法流程如下：

（1）科学设定输入量、输出量、隐含层数以及激活函数等，并给出初始阈值和权重值；

（2）依照设定函数和权重值等对各层输出计算；

（3）计算得出各层学习误差，依照误差修正权重值和阈值；

（4）根据计算结果的精度和误差判断是否达标，若满足可退出计算，若不满足返回（2）再次进行计算。

4 模型搭建和潮流模拟

4.1 理论线损

在构建神经网络模型时，离不开海量典型和准确的训练数据支持。在实际情况下，配电网不同变电位置和不同终端都装设有表计装置，为数据采集提供了保障。样本训练中，可选择科学仿真数据。理论线损计算中，由于现实仪表记录线损数据有限，无法实时获取线损数据，因此需要采集不同位置有功负荷、无功负荷和线损情况等数据。本次研究中可采用标准网络展开仿真模拟，模拟基准容量有100 MVA，基准电压23 kV。在典型潮流的分布下对数据进行仿真模拟，因现实内负荷波动和切负荷情况，具体展开如下仿真：

（1）小范围负荷波动300组，负荷波动在±10%左右；

（2）大范围负荷波动300组，负荷波动在±50%左右；

（3）切除部分负荷节点，每次切除1个，共切除40组；

（4）在得到所有输入后，以典型潮流计算获得潮流输出，最终获得共1 020组数据，神经网络输入量22组，与算例配电网11个PQ节点有功值和无功值对应，输出量表示线损值，以此为训练样本展开模拟工作。

4.2 窃电位置分析

在潮流仿真模拟中，线路采用标准配电网。该配电网内有14个节点，且节点对称。本次仿真中，选择5个典型节点为窃电考虑节点，分别是节点3、节点4、节点9、节点10以及节点14。选择负荷波动范围在±20%左右的潮流数据和对应线损值3 000组，看作未发生窃电。不考虑表计故障等外在因素的情况下，理论线损值等于统计线损。对于分组窃电，每600组对应一个节点，发生窃电幅度10%，表计值相应减小。在实际用电量不变、统计线损值保持不变的情况下，最终得出3 000组负荷对应理论线损和统计线损。以潮流状况与线损值作为输入，以窃电发生情况和位置作为输出，经过模拟训练最终得出窃电分析模型。在训练结果检验中，不仅要设置训练样本，还要设置测试样本。测试样板设置情况如下：两处同时窃电，分别是节点3、节点4和节点9、节点10，每种情况20组负荷；3处同时窃电，分别是节点4、节点9以及节点10，选择20组；未窃电选择20组；单一节点窃电概率为5%，50组；单一节点窃电概率3%，50组。

4.3 设置神经网络训练模型

神经网络参数调节有助于提升计算效率，增强计算准确性。想要提升计算精度，增强训练效率，应对海量数据进行归一化处理，将数值归一化到[-1，1]区间。

归一函数如下：

式中，y表示归一化后的数值；x表示原始数值；xmax表示原始值最大值；xmin表示原始值最小值；ymax表示为1；ymin表示为-1。设置神经网络节点与函数，为增强计算准确性，可引进双隐含层，节点为11和10。训练函数以梯度下降算法为基础，最终激活函数是tansig，公式如下：

式中，n表示上一神经元所传递输入，值域为（-1，1）。

训练过程中，假设迭代次数为10 000，精度为0.01%，学习步长为0.1，落实有效性检验，若两次迭代偏差低于一定值或者偏差呈升高状态，迭代自动停止。

5 算例结果和分析

5.1 理论线损计算结果

在本次模拟计算中，潮流模拟数据共有1 020组。依照类别，高低负荷波动各选择20组，不同情况的负荷切除选择28组，共有68组为测试样本，其余为训练样本，然后展开模拟训练，最终得出理论线损的期望值。结果显示，低负荷组理论线损值和实际值误差在1.5%以下，高负荷理论线损值和实际误差在3%以下，负荷切除组的误差有一组超过4%，其他组误差都控制在2%以下。

5.2 窃电位置模拟结构

在本次窃电位置模拟训练中，测试样本如下。第一，单一位置窃电的测试组为150组，准确组150组，准确率高达100%。第二，双位置窃电测试组40组，准确组数量0组，准确率为0%。第三，三位置窃电与无窃电测试组分别选择20组，准确组数量都为0组，准确率为0%。第四，低比例窃电测试组50组，准确组10组，准确率达到20%。由数据可知，梯度下降算法的应用与训练样本保持一致，窃电位置判别具有较高准确率。但是，当情况发生变化时，如窃电量下降和窃电节点增多等，将无法全面识别，缺乏泛化性。因此，梯度下降算法已经无法达到实际需求，可引入列文伯格算法。其中，非线性最小二乘算法应用最广泛，能够提供局部最小非线性数字解，具有高收敛速度和高泛化性等优质，且占比内存相对较大，但迭代时间较长。采用该算法分析窃电位置，结果显示单一位置与双位置窃电测试准确度达到100%，三位置窃电的测试准确性达到85%，而无窃电与低比例窃电的测试准确率不变。可见，该种算法具有明显优势，但在无窃电与低比例窃电样本训练测试中仍难以识别，可能是训练样本单一导致的。各节点5%窃电情况数据增加3 000组，无窃电情况增加500组，再次进行神经网络训练。结果表示，无窃电准确率达到100%，低比率窃电准确率升高到92.7%，获得了良好收益。

6 结 论

近年来，电力市场化改革不断深入，电力企业之间的竞争愈发激烈。为在市场中脱颖而出，提高企业经济效益，我国各个电力公司和电力企业高度重视线损管理工作，使得高效科学地降低线损、提高电力可靠性以及增强电力质量成为电力企业的迫切需求。因此，应积极应用人工神经网络，做好线损计算与窃电分析工作，以降低线损值，提高窃电管理水平，带动电力行业获得进一步的发展。