基于关联关系和深度学习方法的配电网线损成因研究.pdf

摘要

随着大数据、人工智能、物联网等技术的不断成熟，助力智能电网的快速发

展，但与此同时，逐年递增的线损电量也引起了广泛关注。在建设智能电网的过

程中，电网运行的每个环节产生了大量多源异构数据，其中就包括了线损数据以

及线损成因相关数据，构成了线损大数据。配电网是线损的高发区域，配电网结

构的复杂性也决定了线损成因的多样复杂化。线损成因分析是线损分析中的重

要一环，有利于线损的准确定位以及线损关联关系的探索。因此，开展针对配电

网的线损成因研究具有重要意义。

针对配电网线损成因复杂且难以定位、精准预测线损难度大的问题。本文提

出基于关联关系和深度学习预测的线损成因分析方法，以配电网台区作为分析

对象，从非技术线损的角度，在档案异常、表计异常、采集异常、台区运行异常

这四种异常成因中的挖掘线损特征。由于不同的台区可能表现出不同线损特征

及关联特征，本文结合负荷曲线等台区特征对台区进行聚类划分，再针对每种类

型台区的线损特征进行降维优化，包括剔除相似特征、剔除无关特征和提取主元

特征，在保留原始特征主要信息的同时将线损特征数据集精简化。通过分别将未

优化、只进行信息熵的部分优化、进行信息熵和主元分析的完全优化的线损特征

数据集输入到BP神经网络进行线损预测训练，验证得到经过特征优化的模型预

测效果最好。

优化的特征数据集将用于线损成因之间的关联分析和线损成因与线损的关

联分析。首先，考虑到在大数据中的挖掘效率，选择关联规则学习中的FP-Growth

算法来搜索线损特征的频繁项集，以支持度、置信度和提升度作为评估指标，分

析线损成因之间的关联关系；其次，建立基于深度学习的线损预测模型，通过依

次消除线损特征的影响，计算线损成因对于线损的关联贡献度，实现将线损成因

造成的线损进行量化。经过验证，将深度置信网络和BP深度神经网络作为深度

学习方法的预测模型，在预测效果上都要优于浅层的人工神经网络模型，预测的

准确率意味着贡献度计算的可靠性。最后，结合以上两方面的分析，对台区线损

成因进行综合评估，给出指导建议以辅助电力企业进行决策。

关键词：配电网线损，特征优化，关联规则，线损预测，深度学习

ABSTRACT

Withthecontinuousmaturityofbigdata,artificialintelligence,InternetofThings

andothertechnologies,thedevelopmentofsmartgridhasalsobeenrapidlypromoted,

butatthesametime,theincreasinglinelosshasalsoattractedwideattention.Inthe

processofbuildingsmartpowergrid,eachlinkofpowergridoperationproducesalarge

amountofmulti-sourceheterogeneousdata,includinglinelossdataandlinelosscause-

relateddata,whichconstitutethebigdataoflineloss.Distributionnetworkisaregion

withhighincidenceoflineloss.Thecomplexityofdistributionnetworkstructurealso

determinesthediversityandcomplexityofthecausesoflineloss.Theanalysisofthe

causeoflinelossisanimportantpartoflinelossanalysis,whichisbeneficialtothe

accuratelocationoflinelossandtheexplorationoflinelosscorrelation.Therefore,itis

ofgreatsignificancetoresearchthe