基于循环神经网络的配网电压异常数据检测方法

柯子桓，罗楚楠，黎少凡

（1.中国南方电网有限责任公司，广东广州 510700；2.广东电网能源发展有限公司，广东广州 510160）

随着智能配电网络的不断发展，监控、控制和智能调度成为了电网运行的关键环节。分析电力监控系统的大量数据可以为合理地进行电网的控制和优化调度提供参考。

对电网静态、计量、会计数据进行准确合理分析，可达到对电网进行实时监测和调度的目的。反之，如果因监控系统故障、信道传输丢失、延迟等原因造成的数据差错，则会使调度人员产生错误的判断。

为了维护电网的安全和稳定，必须确保数据的质量。因此，有必要对异常配网进行监测。为此，相关学者提出了一种并行K-means 聚类算法，该算法采用三支动态阈值K-means 聚类方法，通过动态调整阈值，优化聚类数量，在一定程度上消除固定K 值对异常数据检测结果[1]；也有学者提出极限学习机检测方法，利用极限学习机制建立目标函数，使用萤火虫算法对目标函数进行优化，并对其进行全面评价[2]。然而，这两种方法不能反映动态数据间的变化规律，导致检测效果不理想。

针对上述问题，提出了基于循环神经网络的配网电压异常数据检测方法。

1 构建循环神经网络检测模型

配网电压值随着时间的推移可以被视为一种时间序列，即当前时刻的电压与先前的电压值（或先前的）之间存在着一个函数映射关系[3]。因此，该研究使用递归神经网络来逼近这一关系。循环神经网络示意图如图1 所示。

图1 循环神经网络示意图

为了便于“记忆”，在循环神经网络的最内层加入一个循环层[4]。基于上述原理，计算循环神经网络输出向量，公式为：

式中，ct表示隐藏门遗忘门数值；ω2表示隐藏层与输出层权重系数；α(·) 表示两层之间的激活函数。

隐藏层的遗忘门数值计算公式，如下所示：

式中，β(·) 表示隐藏层与输入层之间的激活函数[5]。

输出值与输入值和隐藏值均有一定关系，能够直观体现循环神经网络的记忆功能。根据这一点，建立了一个用于检测配网电压异常数据的模型，其主要步骤如下：

步骤1：将历史电压数据划分成训练组和测试组，测试组是要检测的电压资料；利用训练集的方法，训练网络电压数据，并以此来构建检测模型[6-8]。

步骤2：对多个电压误差进行统计，并根据以下公式求出电压误差标准差值：

式中，m表示误差值数量；et表示在t时间出现电压误差的数量；eˉ表示误差标准值[9]。

步骤3：基于该标准差值，构建配网电压预测模型，公式为：

式中，M表示电压质量；ωj表示第j个电压特征分布集。

利用上述构建的配网电压预测模型，能够获取配网电压异常数据集。

2 配网电压异常数据检测

2.1 模型训练

使用归一化处理方法训练配网电压预测模型，提高电压数据集收敛速度。归一化具体方式可以由下列公式表示：

式中，Ut表示t时刻的实际电压值；Umin、Umax分别表示检测序列中最小和最大电压值[10]。

在此基础上，有必要从一系列的正规化电压序列中生成一组数据以进行循环神经网络的训练。该数据集由多条数据线路组成，每条线路由两个部分组成：输入数值和对应标识[11-12]。首先，把三个连续的序列值作为一条直线，并对其进行标识。然后，针对所得数据进行重新分类，将其分为训练组和测验组；最后，通过训练集方法对网络进行训练，并对其进行测试与评估。再将神经网络输出层次的预测值与标记值之间的平均偏差作为损耗函数进行训练[13]。

循环神经网络损失函数计算公式如下所示：

2.2 异常数据标注

由于大量的过电压数据集都是由参数自动迭代产生的，因此在大量的数据波形中，会存在一部分的异常波形，因此必须对数据进行标注[14]。

异常数据标注步骤如下所示：以JPEG 格式存储全部的时频图像；接着，根据异常数据标注特征标记该图像，并将其保存在注释中。然后，通过每幅图像和标记所产生的XML 文档，在JPEG 图像文件夹中训练任意图像，使注释中任何一个XML 文档名称保持一致[15]。

2.3 异常数据检测流程

在循环神经网络的基础上构建的检测模型能够实时检测异常电压数据。在该模型中输入待检测电压数据集，根据检测规则获取预测结果。计算实际电压与检测电压间的差值，能够判定目标电压是否异常[16]。

主要的异常数据检测流程如下：

步骤1：根据异常数据标识特征，分析配网数据集中电网超负荷数据，这类数据是以毫秒级为单位的。对于由雷电引起的感应电压，难以在短期内被发现。通常，内变电压的振幅不会超过额定值的两倍。所以，以超过额定值两倍的电压数据质量的初始值为测量突变阈值，当待检测电压高于该阈值时，说明该电压为异常电压。

步骤2：在配电网络中，由多个具有拓扑相关性的多个节点测量数据和线路参数，可以得到各节点的电压幅度。在电压振幅达到一定的准确度后，可以对对应的系统进行电压信号的检测与修正。通过对多个具有拓扑关系的多个节点进行检测，得出了各个节点的电压振幅。当电压幅度达到一定精度时，就能对相应的配网电压数据进行检测和校正。

在不考虑配电网并联阻抗的前提下，可以用以下公式来表达线路两端节点电压关系：

式中，U0、Us分别表示配网初始端和末端节点电压；UP、UQ分别表示配网初始端节点流向末端节点的有功和无功作用下的电压。

步骤3：针对与检测节点相连的多条线路上，存在一个该时刻电压计算值最大可能误差e，如果Us≤e时，则说明检测结果中的数据是正常数据；如果Us＞e时，则说明检测结果中的数据是异常数值。

3 实验与分析

3.1 数据集

选择一个12 kV 配网为研究对象，其结构如图2所示。

图2 配网结构示意图

在该配网结构中设置一个可控有载调压器，用于负责调整整个配网的结构电压。实时统计电压数据集，从中随机选择了三组电压数据，并将其分为A、B、C 三组，如表1 所示。

表1 实验数据集

在每一组中，选择1 000 个数据，并按8∶2 的比例将其分为800 个、200 个。在测试集中添加10%的样本以检验基于循环神经网络的配网电压异常数据检测方法使用的正确性。在测试样本中加入20 个异常数据，并加上1%～3%的噪音，以生成异常数据。

3.2 实验指标

采用检测准确率和召回率为实验指标：

式（8）、（9）中，TP 表示电压实际是异常数据，且检测结果为异常数据的数据量；TN 表示电压实际是正常数据，且检测结果为正常数据的数据量；FP 表示电压实际是正常数据，但检测结果为异常数据的数据量；FN 表示电压实际是异常数据，但检测结果为正常数据的数据量。

3.3 实验结果与分析

为了验证该文方法的有效性，将其与并行K-means聚类算法、极限学习机检测方法进行对比分析，结果如图3 所示。

图3 三种方法电压异常数据检测结果对比

由图3 可知，使用并行K-means 聚类算法检测的A、B、C 异常电压数据集，最高电压和最低电压均超过了电压上限和下限，其中三种方法所对应的异常电压最大值分别为13 V、13 V、16 V，异常电压最小值分别为-9 V、-5 V、-7 V；使用极限学习机检测方法检测的A、B、C 异常电压数据集，最高电压和最低电压均超过了电压上限和下限，其中三种方法所对应的异常电压最大值分别为16 V、14 V、12 V，异常电压最小值均为-7 V；使用循环神经网络检测方法检测的A、B、C 异常电压数据集，最高电压和最低电压均在电压上限和下限范围内，与表1 所示实验集数据一致。

再次使用这三种方法对比分析异常电压数据集A、B、C 的不同指标，结果如表2 所示。

表2 三种方法不同数据集下指标对比分析

由表2 可知，使用循环神经网络方法最高检测准确率为0.991，最高召回率为0.90，其数值明显高于两种对比方法。由此可知，使用所研究方法检测精准度较高。

4 结束语

面对传统方法电压异常数据检测精准度低的问题，该研究利用循环神经网络结构，提出了一种配网电压异常数据检测方法。通过构建检测模型，能够实时对异常电压判定与评估，比对预测数据与实际数据之间的差值，获取检测结果。通过对实验数据进行实验研究可知，所研究方法检测精准度较高，为配网稳定运行奠定了基础。