基于电能计量的线损异常自动检测系统

李 磊，彭自强，李政鸿，李荣卿，许苗苗

(国网甘肃庆阳市供电公司，甘肃 庆阳745000)

电能计量是电力行业正常运行的关键，原有的集中式控制电网不再适合现阶段的用电模式需求。在当下存在的电网基本上都是单向的，只有不到二分之一的燃料产能能被转化为电能，并且没有废能回收，最主要的是发电站所输出的电能会沿着其输出路线造成10%的线路损耗，造成在高峰期不能满足电能需求的现象[1]。由此智能电网这一概念逐渐在电力行业显现出来，已经被认为是目前电网设计的基础环节，能够通过自动化控制完成高效率的电能转换，从传感质量和信息可靠性等多个方面，提高电网的工作效率。文献[2]中，针对于监测系统中多方面管理数据利用率水平低的问题，通过融合多源数据，提取线损数据特征，实现台区线损的一键检测。文献[3]中，利用变分自编码器将原始日线损率数据转换为时间序列编码，在重建中记录不同时间点的重建概率，利用阈值判定异常数据，实现日线损率的异常检测。上述方法在应用中存在信号质量未评估的问题，导致对线损的判定不够精准。

本文在研究电能计量对线损异常分析检测中的优势，利用程序化管理模式，设计一个基于电能计量的线损异常自动检测系统，实现通信故障检测，提高电网的可靠性和稳定性。

1 基于电能计量的线损异常自动检测系统硬件设计

一般电量负荷的检测设备能够直接测出电流值，再将测试电缆连接到数据采集箱中，才能得到二次负荷值，但由于终端电压输出较小，受磁场干扰较大[4]，使得信号反馈机制较弱，须设置高抗阻信号反馈电路，如图1所示。

如图1 所示，在二次信号回路中构建耦合采集回路，能够将电流信号直接完成采集的切换输入。采用某公司的AD650芯片，其是高精度高频型单片集成电压频率和频率电压转换电路。利用两个以上电阻保护过压下的电力信号[5]，将高压大电流转化为较小电流信号，经波形压缩转换成正弦输出的叠加信号，保证信号数据能够真实安全地进行反馈。

图1 信号反馈电路图

2 基于电能计量的线损异常自动检测系统软件设计

在线损异常自动检测系统中，主要采用Java 编写web 服务器程序，操作存储于Oracle 数据库中的线损数据，进而实现线损数据的管理、计算分析等。首先通过数据集成工具从源系统获取线损数据，存储于分布式计算集群的存储中，然后通过定时任务进行预处理，对信号质量进行评估，确保信号质量满足分析的要求，接着，计算线损异常特征，读取公变、专变电量数据，输出线损分析结果。并将输出结果存储于关系数据库Oracle 中，通过WebSer‐vice进行实时调用展示。

2.1 设计通信数据传输管理模式

电网的线损异常检测主要是对采集到的电力信息进行分析和修正的环节，通过实时得到用户的电力负荷和用电状态，及时发现电网线路存在的异常情况[6]。因此要对通信数据的传输模式进行有效管理，营造良好的用电环境，减少电力行业的经济损失，有效提高电网智能监控水平。首先在对数据采集的设备进行终端设计时须根据用户用电量的实时电量状态，将不同类型的通信方式合并成为一种相似性的结果，以该类型将数据上传至服务器。其次在主站机对所流经的电路网针对合并数据进行处理，要对采集到的数据进行清洗[7]，在清洗完毕后所得数据会被分成两组，其一是在合理规划下的电力数据，其二是即刻须处理的电力数据。最后将分类好的电力数据信息按照对应的原数据进行合理规划，直接对即刻处理的电力数据定位到异常用户中，在不考虑空间结构的时间交叉性能上，将庞大的数据信息电力数据直接拆分。按照以数据流的走向为设计依据，制定通信数据的传输管理模式，以电网底层线路的最简单走向实现对整个数据的采集，在多个区域内都能够及时对获取信息进行更新和处理。

2.2 基于电能计量构建信号质量评估模型

在无数个电力数据信号集中传输到主站时，如果没有信号质量的准确分类，其中异常信号的存在会扰乱整个电网的工作状态，导致线路电力损耗情况不断出现。在此思维模式下须对传输信号的质量进行有效评估，依据电能计算方法为信号数据构建一个模型，使其能够在不分析该信号数据的邻近时间点上，直接对处理对象进行质量拟合评估[8]。

Hzy为当前状态下电力传输信号原始数据受到干扰进行变换的概率，即矩阵中的对象从z状态向y状态变化的可能性，转变概率计算公式如下：

2.3 KNN算法实现线损异常自动检测

根据建立好的评估模型对信号质量作出评估，则对于线损异常的判断则转换为分类问题，算法的输入项是判断指标，输出是正常或故障的分类标签。对线损的分析主要通过线损表、线损明细表和表码表，记录了线路某时间段的线损率、输入输出电量、用户用电信息等。根据这一数据来源，选取线损波动指标作为特征量输入算法。在进行相应分类后，对不同类型的信号数据进行计算，得到特征向量维度，标签未知，则利用K最近邻（k-nearest neigh‐bor,KNN）算法给出[9]。

此算法是以K 均值算法为基础的分类打分，利用邻近点距离对该类型的得分进行标签设定，包括待测数据包样本和专家库数据。其中专家数据库中的信号数据会有相对应的固定维度向量。则KNN算法的步骤为：

首先须计算测试向量和信号数据库中的欧式距离，计算公式如下：

式中：q为信号数据的特征向量欧式距离；m和n为不同的向量，两者的维度具有一致性；i为维度，该数值存在最大限度值，须在计算前进行设定，一般标准为10维。在样本数据测试中存在k个特征向量，通过对各数据特征向量的相邻关系进行分析，得到了各特征向量的欧氏距离；将各计算结果的距离按照从小到大的顺序排列；选择最短距离的特征向量对应的台区作为线损分类结果。

k的选择对线损分类效果有很大的作用，当k的数值越低时，采用更少的区域内的样本来进行计算，虽然训练误差可以保持较低，但是由于计算过程的复杂性，会造成过度的拟合；当k的数值变大时，采用更大范围内的样本量进行计算时，会增加训练的误差，还可能出现欠拟合的问题。上述问题可以通过设定不同的k值交叉验证对比训练分类效果，降低误差，得到合适的k值。

离信号数据最近的特征向量对应的结果为最终判定结果，计算其分数为：

式中：qo为该算法中测试向量与数据库中最接近的专家数据特征向量，到测试向量的距离。每一个分数前的正号和负号是对象的数据库中标签和结果的对应决定值，如果qo对应的专家判决的标签结果与信号质量分类结果相一致，则该检测分数加1，否则须减1。在获得所有信号质量的特征向量后，根据判断结果完成数据信号的自检工作，增加分数的信号为非损伤线路，直接回归到正常线路中，当分数减少至零以下时，判定该线路存在损伤情况，须进行修改。至此通过对传输信号管理模式的改变和信号质量评估模型的建立，依据KNN算法完成线损异常自动检测的软件设计。

3 实验测试与分析

为了验证本文设计的自动检测系统具有实际使用效果，通过对照实验检测系统的应用效果。测试分为两部分：首先测试检测系统识别线损异常的能力，即通过分析真实的电网用户数据信息，评价系统识别数据的能力。其次是将检测系统应用到实际用电用户中，通过多组实验测试讨论结果，比较系统检测结果的准确性。

以某台区历史线损异常数据为数据集进行测试，用以选定k值，测试不同k值下，对线损异常检测的误差率，结果如表1 所示。分析表1 可知，在k值为2 时，该算法的误差率较低，可在较少的计算量下得到较高的线损检测结果。因此，设置k值为2。

表1 不同k值下线损检测误差率 %

首先对本文方法的信号质量评估有效性进行验证，将电力信号数据输入进行设计检测系统，对于信号质量的判定如图2所示.

图2 信号质量判定

由图2 可知，设计系统可有效实现对信号质量的评估，并针对不同波形给出判定结果，便于进一步分析。

在实验测试开始之前须须检验3 组系统的检测异常信号，选择某省中用电量较高的小区作为实验对象，以6 月每日的用电情况作为数据样本，将判定为异常和可疑的线路线损汇总，如图3所示。

图3 全部异常用户线损情况图

由图可知，该小区异常线路线损波动范围较大，主要为负线损。由此表明本文系统可以有效实现对用户线损的异常检测。

进一步对线损结果进行分析，根据线损情况，选取其中较为线损量较大的用户作为典型样例进行分析，该用户的输入输出电量和线损率如图4所示。

图4 输入输出电量和线损率结果

由图4 可知，该用户线路线损符合馈线电量丢失的特征，因此，判定该用户造成线损的原因主要为馈线电量丢失。

为了保证测试结果的准确性，对采集到的样本数据进行10组测试，比较不同系统检测线损异常的准确性，该值的获取可通过下列公式计算获得：

式中：RT为线损异常检测准确率；U为系统获取的正常通信数据值；I为出现的错误通信数据值。表2是通过上述公式得到的5组测试结果。

表2 两组系统下线损异常检测准确率 %

计算5 组测试下，两组系统的平均准确率分别为83.60%和99.46%，文中系统的准确率，比传统系统高了15.86%。由此可见，新系统对于异常线损的检测能力更强，结果更准确。

4 结束语

考虑电网运行的特殊环境和线路设备的复杂情况，本文在程序化管理模式下，利用电量计算的优势设计了一个新的线损异常检测系统。通过建立信号质量评估模型，改变原有数据分类方式，并依据均值算法更准确地获取数据。实验结果表明，设计系统的线损异常检测准确率平均为99.4%。表明该系统能够满足可靠性和实用性的要求。但本次研究在实验中仅针对历史数据进行分析，缺少实时数据的验证。在未来的研究中，考虑将设计系统应用于实际，以提高适用性，为电力行业健康发展提供可靠的技术支持。