李 敏，王诚意，蔡嘉辉，王 琨，董 康，徐业峻，周杨柳

（1.国网江苏省电力有限公司 苏州供电分公司，江苏 苏州 215000；2.江南大学 机械工程学院，江苏 无锡 214122；3.南海西部石油油田服务（深圳）有限公司，广东 深圳 518000）

0 引言

专家系统将某个领域一个或多个专家的知识与经验集成为智能计算机程序，模拟专家思维对现实问题进行判断、推理和决策。对用户的用电信息不能进行快速准确的统计阻碍着线损的有效计算与管理，但随着用电信息采集系统和网络通信等技术的发展，台区线损管理引入智能化管理理念，为此一些专家学者对台区线损进行有效监测与诊断进行了大量的理论研究与实践。

倪瑞明等提出了一种基于数据聚类分析台区线损异常判断的方法［1］，可实现台区线损的自动判断。宋煜等人通过台区线损异常智能诊断模型，能够实时分析影响台区线损异常的原因［2］。文献［3］针对窃电行为提出了一种基于格兰杰归因分析的窃电检测方法，该方法能够有效判别用户的窃电行为。有学者提出了一种考虑三相不平衡度的线损计算方法［4］，该算法能在一定程度提高线损精度。文献［5］提出了用于辅助调度员决策，且具有在线学习功能的电网自主优化控制和决策框架。文献［6］总结了人工智能技术在调度中电力系统故障诊断、稳定性评估和运行方式制定等应用。文献［7］设计了基于知识图谱技术的电网运营监测分析系统，为电网运营监测提供参考。不同台区之间电力网络环境不同，在进行线损率计算时往往由于没有考虑到各个台区的网络特征而造成线损计算精度低。

本文提出建立以专家系统为核心的线损异常智能诊断系统。该系统可根据不同台区网络环境的差异分别建立不同的专家系统知识库，针对不同台区提出不同的线损异常智能诊断策略。提高了线损异常智能诊断的精度与可靠性。

1 台区线损异常智能诊断系统架构

台区线损异常智能诊断系统以台区电力数据采集系统为主要数据来源，经过专家系统的智能诊断查找出线损异常的台区，并将线损异常台区信息存储于台区线损异常数据库中。管理者可对线损异常台区信息进行横向和纵向比较，分析出线损异常的一般规律，为线损治理提供参考。台区线损异常智能诊断系统的结构框架如图1所示，N为台区数量。

图1 台区线损异常智能诊断系统架构Fig.1 Architecture of intelligent diagnosis system for abnormal line loss in station

2 数据库设计

台区线损异常智能诊断系统数据库主要由原始数据库和线损异常数据库2个部分组成。原始数据库用来存储各个台区的基本用电信息，线损异常数据库存放经专家系统诊断后线损异常的台区用电数据信息。

原始数据库由每日各台区用电信息生成的数据表组成，为了避免在与其他系统数据交换时因数据格式引起错误，表中字段统一为nvarchar类型，且以台区编号为数据表的主键各字段均无默认值，数据表字段如表1所示。台区线损异常数据库存储每日线损异常台区的相关信息，并以台区编号为数据表的主键，数据表存储字段如表2所示。

表1 台区电力信息原始数据库数据表字段Table 1 Data table field of original database of power information in station

表2 台区线损异常数据库数据表字段Table 2 Data table field of station area abnormal line loss database

3 专家系统设计

3.1 知识库设计

知识库和推理机是专家系统的核心，是正确进行台区线损异常智能诊断的关键。

（1）知识库的建立

知识库由外部和内部组成，外部知识库输入的既可以是线损异常判断规则，也可以是实际线损例程。内部知识库则是系统根据大量线损诊断筛选出来的典型诊断结果，并将这些典型诊断结果补充为知识库中的专家知识。

（2）知识库规则

知识库主要包含3大逻辑判断，规则如下。

①数据完整性判断：检查台区电力信息原始数据是否存在非法字符或关键用电信息缺失，并对原始数据中的错误数据进行修复。

②线损稳定合格台区判断：根据电力信息原始数据的数值特征，结合专家系统知识库知识内容，生成线损稳定合格台区的判别算法。

③线损异常判断：根据专家经验及线损合格率的阈值设置，原始数据和各线损异常类型的特征值分布规律，生成判断线损异常台区和线损异常类型的算法。该规则的准确率是系统能够准确进行线损诊断的关键。

3.2 推理机设计

本文专家系统推理机采用正向推理即由条件推出结论，根据知识库中的判断规则进行线损异常台区和线损异常类型推理。线损异常类型推理机制如图2所示，主要内容如下。

图2 线损异常类型推导流程Fig.2 Derivation process of abnormal line loss type

（1）数据完整且合法：从原始数据库中取出数据，检查该数据的完整性及正确性，对存在问题的数据进行修复。若修复失败则丢弃当前数据进行下一条数据的读取与判断，若原始数据没有问题则将数据送入下一判断环节。

（2）线损合格判断：根据知识库中的判断规则和电力信息原始数据，判断线损是否合格。若是，丢弃当前数据读取下一条数据并判断，若为疑似线损异常，则进入下一环节判断具体线损异常类型。

（3）线损异常类型判断：根据知识库中的规则和台区电力信息原始数据判断当前台区的线损异常类型，在成功判断后将线损异常类型及原始数据存入台区线损异常数据库中；若未能成功判断，则将原始数据存入疑似线损异常数据库中，待知识库更新后再进行判断。

3.3 解释器设计

根据推理机得到的结论对线损异常原因分配合理的解释，并送入数据库系统展现给用户。

台区线损异常的原因主要有6种，分别为近期采集异常、长期采集异常、台区总表故障、数据关联错误、用户窃电行为、变压器设置错误。

4 系统主要功能设计

台区线损异常智能诊断系统，由5个功能模块组成，分布如图3所示。

图3 系统功能模块分布Fig.3 system function module distribution

4.1 数据管理

（1）原始数据导入：用电原始数据支持离线导入方式和在线数据采集方式。

（2）数据库管理：对原始数据库和线损异常数据库进行管理，包括数据表的创建与删除，表内数据的增加、查看与删除等操作。

4.2 线损异常智能诊断

利用线损异常智能诊断功能，找出原始数据库中的线损异常的台区信息，并综合线损异常的数据特征，分析线损异常原因。然后将线损异常台区信息及异常原因一起存入线损异常数据库中。

4.3 异常数据查询分析

（1）任意日线损数据：查看线损数据库中当日的线损异常台区信息，信息以表格的形式显示，以饼状图的形式显示6个线损异常类型占该日总线损异常台区数量的比例，如图4所示。

图4 线损异常类型分布Fig.4 Distribution of abnormal types of line loss

（2）连续多日线损数据：选择开始日期和结束日期，查看期间每日台区信息。现以查询2019年11月10日至2019年11月16日连续7天都有线损台区为例，说明查找流程如图5所示。

图5 连续多日线损异常台区查找流程Fig.5 Continuous multi-day abnormal line loss station searching process

读取2019年11月10日线损数据表Loss 20191110中的第1行记录，设该表共有N行数据；并以该行记录的主键台区编号为查询项，依次查找数据表Loss20191111，…，Loss20191116主键中是否含有该台区编号的记录；若都含有，则将该台区编号的该行记录存储的台区信息写入客户端页面中，若其中某一数据表中没有，则停止查找，并重新读取数据表Loss20191110中第2行记录的台区编号；依次查找数据表Loss20191111，…，Loss20191116中是否含有此主键台区编号记录，重复上述查找过程，直至表Loss20191110的所有主键数据均被查找。

（3）任意2日线损数据对比：查询过程与查找连续多日线损数据类似，不同的是只需进行2个线损数据表的比较。

4.4 专家系统知识库维护

（1）线损合格率阈值设置：线损合格率阈值设置流程如图6所示。重置阈值后，只有线损数据库更新成功完成，线损合格率阈值才设置成功。

图6 线损合格率阈值设置Fig.6 Threshold setting of line loss qualification rate

（2）知识库逻辑规则维护：对知识库中的逻辑判断规则进行增加、修改和删除以提高知识库内专家知识的数量和质量，提高专家系统诊断台区线损异常的准确性。

4.5 用户管理

对登录系统的用户账号基本信息进行管理。包括新建、删除、修改用户信息等，用户权限如图7所示。

图7 用户权限分布Fig.7 User right distribution

5 系统的实现与应用

5.1 系统技术实现

采用Visual Studio作为系统开发平台、使用SQL Server为系统数据库。系统采用C/S模式开发，其中服务器端负责数据管理，客户机端负责完成与用户的交互任务。

系统客户机与服务器对用户数据请求响应的流程如图8所示。用户在人机交互界面输入操作命令，客户端页面响应程序解析返回值后，用户即可在人机交互界面上看到输入的操作命令经处理后的输出结果。

图8 人机交互响应流程Fig.8 Human computer interaction response process

5.2 系统的应用

表3为2019年12月30日苏州供电分公司10个台区的部分用电数据，线损合格率阈值为-1～5，其中台区编号S014、S018为长期采集失败的线损异常台区，S012、S013、S016、S017、S019为近期采集失败的线损异常台区，S011、S015、S020为线损合格台区，图9、图10为系统对该日这10个台区线损的诊断结果。

图9 近期采集异常线损台区Fig.9 Recent acquisition of abnormal line loss area

图10 长期采集异常线损台区Fig.10 Long term acquisition of abnormal line loss area

表3 某台区用电数据Table 3 Power consumption data of a certain station area

从系统的线损诊断结果可以得出实际线损异常台区及异常原因与诊断结果相一致，诊断系统达到了预期的线损异常诊断功能。

6 结束语

本文将专家系统与线损异常诊断结合起来，专家系统中推理机利用知识库内专家知识与经验进行智能推理与决策的功能进行线损诊断，提高了线损诊断的正确率。同时将线损台区信息统一存入线损异常数据库中，用户可对线损异常数据库中的线损异常信息进行横向和纵向对比，从而在整体和局部上找到线损的一般规律，管理者可根据这些规律采取相应措施降低线损率。本系统的应用提高了台区线损诊断的准确率，提升了电力企业的智能化综合管理水平。D