徐源 施洪美 吴凯文

（云南电网有限责任公司大理供电局 云南省大理市 671000）

传统的线损异常识别和诊断大多基于人力，同时由于中低压台区及用户量测表计存在安装不全、配电网数据采集通常不全面等问题，导致传统方法不仅实时性较差，而且工程量较大，分析结果也有较大误差。

近年来智能电表和用电管理终端的大力推广，逐步达成了用电信息采集系统的全覆盖，为台区线损监测提供了数据支撑。随着机器学习等技术的快速发展，加大机器学习技术在线损管理的科技创新，提高管理科学性，已经成为提升线损精益化管理重要的新手段。

1 现状及背景

电网企业一直以来都以线损率作为衡量指标，该指标越低，说明电力损耗越少，对企业经营产生正面影响，相反，则是负面影响。因此，国内外的很多研究都是关于台区线损率、配网线损率的计算和分析等，而关于线损异常诊断分析相关方法的研究涉及较少。

2 实现思路

2.1 台区线损的按天计算

通过配置分布式计算引擎，根据台区总表、用户电能表每天的采集电量数据，遵照电网用户的电量计算规则，实现按天的用户侧电量计算和台区线损计算。

基于典型配网结构的台区线损计算模型。

2.1.1 单台变压器

低压台区线损率=（A 正向-∑用户侧电量）/ A 正向×100%

2.1.2 多台变压器低压侧环网

以A1、A2 两个台区环网供电为例，A1 台区和A2 台区的线损率=（A1 正向+A2 正向-∑A1 用户侧电量-∑A2 用户侧电量）/（A1正向+A2 正向）×100%。

如图1 所示为某台区按天进行线损计算结果。

2.2 构建台区线损异常分析模型

本文主要以有监督的分类分析算法构建台区线损异常分析模型，因导致台区线损异常的原因比较多，且与各类原因相关的特征也不一样，因此需要先梳理需要构建哪些种类的台区异常原因，然后针对每一类异常原因分析与之有相关性的特征集，收集机器学习模型训练和评价所需的样本数据，构建每一类异常的分析模型。

2.2.1 台区线损异常原因相关特征分析

如表1 所示。

2.2.2 样本数据定义

依据台区线损异常原因的相关特征分析，确定每一种异常原因分析模型的特征属性和结果属性信息，然后设计相应的样本收集表格，收集训练和评价线损异常分析模型的样本数据。如表2 所示。

2.2.3 样本数据准备

对于有监督的分析算法来说，样本数据的质量起到了关键的作用。收集样本时，需对标记空间中每一种结果都收集足够的数据，一部分用于训练，一部分用于模型准确度的验证，本节介绍一些具有可操作性的样本数据收集方法供参考。如表3 所示。

2.2.4 台区线损异常分析模型构建

对于线损异常分析这类比较复杂的分析模型，一般采用集成型学习算法，通过集成多个学习期来完成学习任务，如：随机森林、梯度下降决策树等。在本案例中，选择的是随机森林算法，具体训练过程和评价过程就不再赘述。

图1：台区线损按日计算结果

表1

表2

表3

3 结语

智能电网的发展趋势为机器学习技术在电力行业的应用创造了新机遇。通过机器学习可以更为准确地预测设备故障、更为高效地监控电网运行相关数据，实现电网的智能化、数字化、精益化管理。

通过基于机器学习的电网台区线损异常诊断方法研究：

（1）提高线损异常处理工作效率，对线损异常台区分类，构建台区线损异常判断模型，自动识别线损异常台区，对线损异常台区进行智能诊断查找并辅助判断问题，解决传统线损管理的弊端，提高线损异常处理工作效率。

（2）提高电网经济运行效益，应用机器学习技术，快速准确地诊断出线损异常的台区，对线损率居高不下的高损、重损设备重点进行检查、分析，督促供电公司针对检查出来的问题进行全面整改，为电网的经济运行提供了科学的依据。

（3）推进线损的精细化管理，通过对电网数据的深入挖掘和实时分析，找到台区线损的产生原因，对台区线损的异常状况进行智能诊断，推动台区线损管理由结果管理转向过程管理，提高线损精益化管理水平。