基于孤立森林算法的中压配电网线损异常诊断方法研究

贾沈翔

（国网江苏省电力有限公司泰州市姜堰区供电分公司）

0 引言

近些年来，我国电网规模体量日益增大，输电线路连接结构愈发复杂，导致线损问题更加突出。有关数据显示，直至2020 年我国全网线损率已经超过4.5%，远远高于一些发达国家的平均水平，不仅影响到供电公司的经济效益，而且威胁着电网的稳定运行，所以在电网运行过程中展开线损管理工作刻不容缓。但是，我国供电公司的线损管理水平与技术仍然较低，工作人员日常工作量极大，难以保障线损数据管理的准确性，这也导致我国学者将目光聚焦在电网线损的智能化管理研究上，文献[1]作者拜润卿等人结合状态机模型设计线损原因识别方法，实现对配电网线损位置的有效控制与快速修复；文献[2]作者高泽璞等人利用知识图谱进行线损异常原因的判断，提升了台区线损异常原因的判断速度。综上，目前我国统计线损诊断工作存在效率差、精度较低等问题，研究高效准确的配电网线损异常诊断方法势在必行，真实可靠的线损异常诊断结果可以为我国电网制定线损措施提供决策依据，对推动智能电网的发展具有重要现实意义。

1 获取中压配电网线损数据

本文针对中压配电网线损异常进行诊断，首先需要获取线损数据[3]。配电网线损就是全部元器件的电能损耗，主要由可变和不变这两种类型的损耗构成，在配电网运行过程中，因电气设备故障、电表计量误差以及用户窃电等，均会引发线损，一般来说这种线损数据无法直接采集得到，需要采集配电网用电信息，通过计算得到。先进量测体系（AMI）是我国电网企业用来测量并存储用户数据的系统，本文通过AMI 采集供电公司的售电量以及供电量数据，然后计算配电网线损：

式中，L为中压配电网线损数据；G为供电公司的供电量；S为供电公司的售电量。在中压配电网实际运行过程中，为直观呈现配电网的线损，常常获取下式所描述的线损率数据[4]：

式中，η为中压配电网的线损率。为保障中压配电网线损异常诊断效果，根据上述内容所获取的中压配电网线损数据通常需要进行清洗、去噪等操作，将线损率数据中冗余无用的数据剔除，然后再进行异常诊断。

2 基于孤立森林算法的线损异常数据诊断

一般来说，在中压配电网运行过程中，势必会产生线损，但正常线损数据较小，属于可控范围内，所以如果线损数据过大，说明该配电网处于异常状态，需要及时处理，所以本文引入了孤立森林算法[5]，设计中压配电网线损异常诊断方法。孤立森林算法就是通过随机超平面切割中压配电网线损数据，经过不断循环切割，即可得到无数个仅存在一个单独数据点的子空间，再对子空间数据点进行诊断，不仅可以保障诊断结果的精度，而且对于异常样本数据较少的数据集也有着较好的诊断效果。那么本文在利用孤立森林算法诊断中压配电网线损异常时，首先需要计算出文中上述内容所获取的线损数据的异常分数，假设获取的中压配电网线损数据共含有N个数据点，那么组成孤立森林的孤立树最大高度为N- 1，此时可以根据下式计算出孤立森林切割线损数据集的路径：

式中，f(x)为孤立树叶子节点x到根节点的路径。然后根据孤立树与二叉搜索树之间的相似性，可以计算出孤立树的切割路径的长度，表达式如下所示：

式中，R(N)表示根据二叉搜索树求得的孤立树切割路径的平均长度。最后，在上式的基础上，计算出线损数据的异常分数，表达式如下：

式中，F(x，N)表示中压配电网线损数据的异常分数。再根据式（5）求得配电网线损异常分数后，即可进行线损异常诊断，如果所求F(x，N)趋于0，则表明该数据节点为正常节点；反之，如果所求F(x，N)趋于1，则认为该数据节点存在明显异常，将其判定为异常数据，最后通过获取线损数据的特征匹配结果，来得到中压配电网线损异常类型。通常情况下，在利用孤立森林算法诊断中压配电网线损异常时，正常线损数据会被划分在高密度区域，而低密度区域中包括的就是异常线损数据，所以在实际的中压配电网线损异常诊断时，需要循环进行线损数据集的切割判定，直到全部数据点诊断完毕。

3 仿真实验

3.1 实验准备

为验证文中设计线损异常诊断方法的合理性，本章在PSCAD 仿真软件中模拟中压配电网的运行环境进行仿真实验分析。首先采用输电线路、电阻、发电机等组件搭建一个中压配电网仿真实验环境，如下图所示。

图 中压配电网模拟环境

在上图所示的实验环境中，将输电线路单位长度的参数设置为表1 所示数据。

表1 输电线路单位长度的实验参数

然后在该中压配电网的模拟运行过程中，采集相关用电信息进行线损分析，本次实验以日线损为采样节点，对采集数据进行处理，将线损率在10%以上的数据进行剔除，并将剩下数据划分为两个部分，一部分数据作为训练样本，另一部分数据作为测试样本，用于验证诊断方法的诊断效果。在实验配电网运行的24h 内，统计零值与恒值这两种线损异常数据如表2 所示。

表2 实验配电网线损异常数据统计值

3.2 结果分析

在此基础上，将本文设计方法作为实验组，选择基于机器学习的线损异常诊断方法与基于LSTM 神经网络的线损异常诊断方法作为对照组，分别对实验配电网的线损异常电量数据进行诊断，所得诊断结果如表3 所示。

表3 不同方法的配线损异常电量数据诊断结果

根据表3 数据可知，基于机器学习的诊断方法下零值统计结果的平均相对误差为11.49%，恒值统计结果的平均相对误差为12.49%；基于LSTM 神经网络的诊断方法下零值统计结果的平均相对误差为6.82%，恒值统计结果的平均相对误差为6.89%；而本文设计方法下零值统计结果的平均相对误差为2.70%，较对照组方法降低了8.79%、4.12%，恒值统计结果的平均相对误差为2.11%，较对照组方法降低了9.79%、4.19%。由此可以说明，本文设计方法在线损异常诊断精度上具有一定优势，所得两种类型的线损异常电量数据诊断结果更精确，有利于中压配电网的线损管理工作。

4 结束语

本文针对传统中压配电网线损异常诊断方法存在准确率较低的问题，设计一种基于孤立森林算法的诊断方法，文中利用孤立森林算法求解线损数据的异常分支，实现了异常快速判定，并通过仿真实验验证了该方法在中压配电网线损异常诊断上具有较高精度。当然，本文设计方法预设线损计算结果精确，但如何高效、准确地计算配电网线损需要在今后研究中进一步深入，从而推动我国电网的线损管理工作向智能化、信息化的方向发展。