基于DBN,深度学习算法的低压台区反窃电诊断
时间：2023-06-20 14:20:05 来源：雅意学习网 本文已影响 人 
任盛，周志飞，卜龙敏，刘文婕，王艺錂
（国网湖南省电力有限公司供电服务中心（计量中心）智能电气量测与应用技术湖南省重点实验室，湖南 长沙 410004）
在电网覆盖率不断上升的背景下，居民的用电量逐渐增加，一些不法分子实施窃电行为损害电力公司的权益，为电力公司带来了巨大的经济损失，同时也带来了一定的安全隐患。随着科学技术的不断发展，不法分子的窃电手段已逐渐科技化，由传统的分压、分流发展成高频干扰器非侵入式窃电等，尤其在低压台区，窃电的地点更加隐秘，窃电过程更为复杂，给电力公司的反窃电诊断工作带来了极大的挑战。
为此，国内的许多专家学者对此展开了相关的研究。以往提出的基于时空关联矩阵的低压台区反窃电诊断方法[1]，通过大数据挖掘技术对智能电表的高频率数据进行了挖掘，通过挖掘出的高频率数据建立了诊断模型，在诊断模型中对用户窃电量进行了预估，该诊断方法改变了传统人工调查的窃电方式，实现了对低压台区窃电用户的准确认定与反窃电手段的诊断，但该方法对窃电用户的窃电行为没有进行具体分辨，诊断效率较差。基于大数据挖掘的反窃电诊断识别定位方法[2]分析了窃电用户的时空分布特征，统计了窃电用户的窃电开始时间、终止时间、用电容量等窃电信息，对其进行了综合诊断，但是该方法诊断精准性过低。
为了解决以上问题，该文提出了基于DBN 深度学习算法的低压台区反窃电诊断方法，通过实验进行了验证。
为了实现对低压台区反窃电的诊断，首先需要对低压台区反窃电数据进行挖掘。利用数据挖掘技术分析窃电用户窃电的交流频率，进行电压融合分析，采用电源融合方法对交流频率负荷进行管理，由此获得的反窃电数据参数模型为：
式中，xn(t)表示在t窃电时刻的窃电交流频率；
pi表示输电配电网电压分布参数；
gi表示直流微电网负荷参数；
i表示输电配电网电流；
di表示输电配电网的母线电容；
n(t)表示窃电用户n在t时刻的窃电数据量[3]。
通过该反窃电数据参数模型分析窃电用户窃电的有功功率变化，利用电网内电源辨识诊断输电配电网的母线差异性，获得三相交流电流与交直流母线的关联性，由两者之间表现出的关联性对反窃电数据的差异性进行判断与识别，得到反窃电直流输出功率的分布情况，将直流微电网反窃电扩频序列与母线差异性结合起来，可得出反窃电数据的模糊度参数，将母线电容与反窃电相角差进行数据融合，融合后的低压台区反窃电数据为：
式中，yi表示挖掘出的低压台区反窃电数据；
gi1表示反窃电数据变化值；
m1表示直流微电网的输出功率变化值；
gi2表示反窃电交流侧电压；
m2表示反窃电数据的模糊度参数[4-5]。
在均衡分配下，通过挖掘出的低压台区反窃电数据，可获得窃电用户窃电量以及窃电时间、电流等相关窃电信息，通过这些窃电信息以及反窃电数据可建立低压台区反窃电诊断模型[6-7]。
通过以上挖掘的低压台区反窃电数据构建反窃电诊断模型。在建立低压台区反窃电诊断模型时，采用了DBN 深度学习算法，该算法通过一个RBM（受限玻尔兹曼机）的训练使DBN 进行学习，通过自下而上进行每一层的训练，使DBN 对输入的每个数据都能够进行很好的学习与训练[8]。
该文将DBN 深度学习算法应用在反窃电诊断模型中，主要将挖掘出的反窃电数据分为样本数据集与训练数据集，利用样本数据集建立反窃电样本诊断模型，采用训练数据集建立反窃电训练诊断模型，最后将样本诊断模型与训练诊断模型进行融合，形成低压台区反窃电诊断模型[9-12]。
首先建立低压台区反窃电样本诊断模型。利用DBN 深度学习算法对挖掘出的反窃电数据进行预处理，分成样本数据集与训练数据集。样本数据集内含有输入层、隐含层与输出层，每层中均含有数量不等的反窃电样本数据，在这些反窃电样本数据中含有一定数量的无效数据，无效数据会影响反窃电样本诊断模型的建立，因此需要先将其剔除出去。无效反窃电数据通常存在于输入层、隐含层、输出层中数量最少的节点内，对比不同层中节点的数量，找出数量最少的节点，将其中的无效数据剔除即可。根据剩下的反窃电样本数据集建立的反窃电样本诊断模型为：
式中，Xε表示反窃电样本诊断模型的系数；
j表示节点数量；
γ表示节点的总数量；
Ak表示在输入层上的反窃电样本数据；
Br表示在隐含层上的反窃电样本数据；
Rj表示在输出层上的反窃电样本数据；
通过该模型可实现反窃电样本数据集的诊断[13-14]。
采用DBN 深度学习算法对训练数据集进行训练，训练数据集中反窃电数据量较大，导致DBN 深度学习算法的训练速度较慢，会使反窃电训练诊断模型出现误差，因此需要在模型中增加一个训练系数，以消除误差，建立的反窃电训练诊断模型如下：
式中，Ya表示训练诊断模型的参数；
a表示训练系数；
Δsa表示反窃电训练数据[15]。
最后将建立的反窃电样本诊断模型与反窃电训练诊断模型进行融合处理，形成的低压台区反窃电诊断模型为：
式中，δ表示融合后的模型系数；
l表示反窃电诊断常数。通过该低压台区反窃电诊断模型，可以实现反窃电诊断。
以上建立的基于DBN 深度学习算法的低压台区反窃电诊断模型，其诊断过程如图1 所示。
图1 低压台区反窃电诊断过程
首先，清洗补正反窃电数据。反窃电数据在传输过程中由于网络中断、设备故障等原因会导致部分反窃电数据的缺失，影响反窃电诊断的进行，因此需要对反窃电数据进行清洗补正，清洗补正的方法为线性差值法，利用DBN 深度学习算法对清洗补正的反窃电数据进行差值运算，计算出反窃电数据的缺失值，计算公式如下：
式中，W表示反窃电数据的缺失值；
λ表示缺失系数；
q1表示反窃电数据的清洗补正权值；
h1表示预估的反窃电电量。根据得出的缺失值可实现反窃电数据的清洗补正。
其次，对低压台区的窃电风险进行辨识。低压台区中的低压用户在窃电时，会导致线损升高，在判断低压台区内的窃电情况时，可通过检测低压台区内的线损变化范围来实现，在窃电行为发生前，记录低压台区内线损的数值，当窃电行为发生后，记录台区内线损的数值，如果线损的变化范围超过标准数值，根据超出的线损数值大小分析低压台区内的窃电情况。
再次，分析低压台区内用户的窃电行为。当低压台区内出现窃电行为时，会导致窃电用户以及邻户的电表电流下降，电压、额定功率、电压等均将发生异常，因此需要分析用户的窃电行为，在分析窃电行为时主要进行空间维度的辨识，在空间维度辨识方面，主要监测低压台区内低压户表的电压值，根据户表电压的变化情况分析窃电行为。
最后，对窃电量进行估算。窃电量的估算可保证反窃电诊断的顺利进行，窃电用户窃电量的多少主要取决于窃电时间与窃电功率，窃电用户电表异常电压的起始时间即为窃电时间，窃电量的计算公式为：
式中，G表示低压用户的窃电量；
P1表示窃电用户窃电功率；
T1表示窃电用户的窃电时间。通过以上的诊断过程可实现低压台区反窃电的诊断[16]。
为了检测该文提出的基于DBN 深度学习算法的低压台区反窃电诊断方法的有效性，选用该文提出的方法与传统的基于时空关联矩阵的低压台区反窃电诊断方法和基于大数据挖掘的低压台区反窃电诊断方法进行实验对比。
首先辨识分析用户的窃电嫌疑，对某供电公司的4 个台区进行供电分析，每个台区共有12 个用户。
综合分析已经获得的低压用户表，根据电压、电流和功率等多种因素，确定线损波动率阈值为13，超过线损波动率阈值则为窃电用户，对应每个台区可知，台区1 的窃电用户为5，台区2 的窃电用户为7，台区3 的窃电用户为6，记录窃电用户分别为K15、K27、K36、K44，分别使用三种方法对三个台区用户的线损波动率进行实验，得到的对比结果如下。
台区1 的窃电用户线损判定结果如图2 所示。
图2 台区1的窃电用户线损判定结果
台区2 的窃电用户线损判定结果如图3 所示。
图3 台区2的窃电用户线损判定结果
台区3 的窃电用户线损判定结果如图4 所示。
图4 台区3的窃电用户线损判定结果
由图2-4 可知，该文提出的基于DBN 深度学习算法的低压台区反窃电诊断方法在对三个台区进行诊断的过程中，都能精准地确定出用电用户中出现窃电的用户，在三次计算中，该文提出的方法都能确定出线损值超出阈值的用户，即K15、K27、K36、K44，实现精确检测。
针对传统低压台区反窃电诊断方法存在的诊断精度低、计算过程复杂等问题，该文提出了基于DBN深度学习算法的低压台区反窃电诊断方法。挖掘反窃电数据，通过实验研究验证了该文诊断方法的性能较好，使反窃电工作更加高效、规范，可以有效遏制各种反窃电行为，促进电网的快速发展。该文设计的反窃电诊断模型可能在某些地区适应性不强，有待进一步研究。
猜你喜欢 诊断模型台区深度 配电台区变-户拓扑关系异常辨识方法河北电力技术(2022年1期)2022-03-25深度理解一元一次方程中学生数理化·七年级数学人教版(2020年11期)2020-12-14CD4细胞计数联合IGRA预测AIDS/Ⅲ型TB影像诊断模型分析甘肃科技(2020年20期)2020-04-13深度观察艺术品鉴证.中国艺术金融(2018年8期)2019-01-14深度观察艺术品鉴证.中国艺术金融(2018年10期)2019-01-08深度观察艺术品鉴证.中国艺术金融(2018年12期)2018-08-26降低台区实时线损整治工作方法电子制作(2017年2期)2017-05-1710kV变压器台区设计安装技术研究电子制作(2016年1期)2016-11-07低压台区载波抄表技术研究现代工业经济和信息化(2016年8期)2016-05-17对于电站锅炉燃烧经济性诊断模型的研究科技经济市场(2014年5期)2014-09-09
