叶劲龙

（广东东莞城区供电局，广东 东莞 523000）

0 引 言

当配电网线损出现异常时，能源损耗增加，同时导致电力成本增加[1,2]。因此，高效识别配电网线损异常是电力企业减少管理成本、提高电网经济效益的重要举措[3]。然而传统的配电网线损异常识别方法具有局限性，电能损耗量计算不够精准，导致线损识别误差大，配电网线损识别的精确度较低[4]。

当前，对于配电网线损情况的识别方法有模糊识别法、神经网络识别法等。模糊识别法是在模糊集理论的基础上发展起来的，虽然已经得到了广泛应用，但仍有一定的局限性，容易使变压器电流的模糊选择判断变得困难[5]。神经网络算法具有较强的学习能力，能够反映复杂的非线性函数关系，但由于缺少固定的模型，仍然存在识别精度不足的缺陷[6]。为此，本文在研究孤立森林算法的基础上提出了一种新的线损异常识别方法。通过对比实验，结果表明，本文设计方法与传统方法相比误差较小，识别准确度极高。

1 基于孤立森林算法的10 kV配电网线损异常智能识别方法设计

1.1 计算10 kV配电网线损特征参数

本文使用等值电阻法进行计算[7]。假设配电网的全天平均电压参数为Q，各电路内平均电流参数为W，相应的形状系数为E，那么对于整个配电网，其内部各个电气节点的平均电流参数Wz为：

式中：z为输电网中的某节点；Rz为z的日有供电量参数；n为电路中负荷节点的参数值。

通过式（1）可以求得配电网电路中的平均电流参数，在此基础上可以计算出10 kV配电网中全天所损耗的电能，相应公式为：

式中：j=1,2,…,d（d≥0），表示的是配电网站的某线路；Wj为线路j内的平均电流参数；Y为电阻值参数；E为形状系数参数[8]。

基于式（1）和式（2），可以求得配电线路的总耗电量，相应公式为：

式中：d为10 kV配电网的线路总量参数；Yj为线路j内的电阻值参数。

对于配电变压器对配电网线损的影响分析，本文使用其各节点的额定电流参数Az和平均电流参数Wz进行计算，相应的公式为：

式中：∑Iz为配电变压器的绕组耗电量参数；Cz为配电网节点z处配电变压器在发生短路情况时相应的功率参数。

假设在10 kV配电网中，一天内，配电变压器的铁心损耗为Bz，其损耗公式为：

式中：Pz为在10 kV配电网中某一节点z处，变压器空载时所造成损耗的功率参数。

10 kV配电网中，一天内电线的电能损耗O的计算公式为：

由此可以算出，一个月内的电能损耗率参数为：

式中：v为输电网起点处在整个月内的有功电量参数[9,10]；L为月内天数量；k为一天内电网的有功电量参数。

1.2 基于孤立森林算法建立10 kV配电网线损异常识别模型

面对大量的配电网电气设备参数数据，使用孤立森林算法对其进行计算，能够提高线损异常识别的精准度。

对于某一划分好的孤立二叉树模型，其中的叶子节点集合可以表示为G，且满足G={g1,g2,…,gn}；在该森林划分模型中，各个路径的长度标准差为α，具体公式为：

式中：n为叶子节点的数量，取值为非零的正整数；β为模型中划分路径的平均长度。假设每个孤立二叉树都存在其划分的路径长度标准差α，那么可以建立一个标准差集合 α={α1,α2,α3,…,αn}，将其进行归一化处理，相应的公式为：

式中：δn为对于某一路径n归一化后的数值参数；αmin为标准差最小值参数；αmax为最大值参数。

假设配电网中电气设备的线损数据集合为K，对于其中的样本k来说，各个划分的路径长度为Lk，且满足Lk={L1,L2,…,Ln}；假设该模型中各个二叉树的权重为Fd，且满足Fd={f1,f2,…,fn}，相应的异常识别计算公式为：

式中：fk、lk分别表示在集合中某样本k的权重以及路径长度参数。通过计算可以求得对于k的异常值参数s，区分数据中的线损异常。

1.3 加权孤立森林优化异常识别模型

在建立好基于孤立森林的线损异常识别模型后，本文对该模型进行优化加权。

构建加权孤立森林模型，根据前文所述计算公式进行计算，求得划分路径的标准差参数，计算相应的权重参数。加权孤立森林的异常识别模型计算流程如图1所示。

如图1所示，本文采取分布式框架，对于10 kV配电网线损数据使用加权孤立森林算法进行处理，通过随机抽样的方法选取识别数据作为识别样本，建立相应的数据子集，通过线损特征参数进行数据划分，建立孤立二叉树模型，计算相关的路径长度以及权值参数，综合计算配电网中电气设备的异常数据参数，进而分析出异常点。

图1 配电网线损的异常识别模型计算流程

2 实验论证

为了验证本文设计的线损异常智能识别方法的有效性，进行实验论证，测试重点在于区别传统方法，具体内容如下。

2.1 实验准备

本文以某10 kV配电网H为实验对象，进行线损异常的识别操作，分别使用传统的反向传播神经网络（Back Propagation Neural Network，BPNN）计算识别方法以及本文设计的基于孤立森林算法的识别方法对线损异常情况进行识别。本次实验的计算机硬件配置为Core（TM）i5-6200U，中央处理器（Central Processing Unit，CPU）的运行效率为2.3 GHz，计算机内存为8 GB，能够满足实际的计算所需。

本文将预处理后的数据使用孤立森林算法进行配电网线损的异常识别工作，通过随机分割的方式确定配电网电气元件线损数据的样本子集为100，且其中的样本数量同为100。

2.2 实验结果

本文设计方法中，分别使用传统BPNN算法、带极值扰动粒子群优化（extremum distributed Particle Swarm Optimization，tPSO）算法、简化粒子群优化（simple Particle Swarm Optimization，sPSO）算法、孤立森林算法对配电网电能数据进行线损异常识别，测试次数为20次。统计计算过程中各算法相应的适应度参数，具体结果如表1所示。

表1 传统与本文算法识别适应度对比表

由表1可以看出，对比其余3种算法，本文设计的识别算法综合性能最佳，具有明显优势。能够保证适应度数值极低，在线损异常识别过程中保持较好的全局搜寻能力。同时，在迭代到20代时，本文设计方法的适应度与其他算法差距较大，适应度差值高达20，说明所设计的线损异常识别算法具有极高的收敛速度。

对比传统的BPNN方法，在配电网线损异常检测的过程中记录真实线损、本文设计方法计算值、传统方法计算值，相应的识别误差结果对比如表2所示。

对比上述结果可以看出，本文设计方法对于线损异常的计算精度明显提高，误差值控制在0.05%以内，基本可以忽略不计，极大提高了线损异常的识别精确度。

3 结 语

本文在研究孤立森林算法的基础上设计了新的线损异常识别方法，实现了对于10 kV配电网线损异常的智能识别。实验结果表明，本文设计方法在对10 kV配电网进行线损异常的智能识别操作过程中具有极小的计算误差，识别准确度极高，具备极高的有效性。