首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于堆叠稀疏自编码器与GAN的线损分层定位

基于堆叠稀疏自编码器与GAN的线损分层定位

2025-03-11 54 上传者：管理员

摘要：线损数据中存在噪声数据，维度与线损数据一致，导致线损定位结果不精准。为此，提出基于堆叠稀疏自编码器与GAN的线损分层定位方法。构建线损分层定位GAN结构，判别假数据和真数据，获取线损分层数据。依据分层采集结果，计算分层供入、供出电量和统计线损，以此作为分层存在异常线损的依据。基于堆叠稀疏自编码器的定位原理，通过在代价函数中增加散度，引导输出结果稀疏。根据确定的稀疏编码所在空间，借助SVM分类核函数，定位线损所在层次。由实验结果可知，所研究方法统计的四种线损变化范围分别是3.0～4.0 kW·h、1.0～3.0 kW·h、0.4～0.7 kW·h、4.2～4.8 kW·h，对应的窃电位置分别为表箱1层、表箱2层、表箱3层、表箱4层，具有精准的定位效果。

关键词：
SVM分类
堆叠稀疏自编码器
生成对抗网络
稀疏编码
线损分层定位
加入收藏

在我国的电力系统中,线损是影响电力系统可靠性和经济性的关键因素｡精准定位线损位置有助于解决电力系统中的能量损耗问题,提高电力系统运行效率,降低能源浪费｡因此,为了达到线损管理的目的,最重要的一项手段是对线损进行定位分析｡

文献[1]提出了基于双模调频分解的定位方法,该方法利用双模调频混合调制方法,对调制信号降噪处理｡采用分级节点辨识方法分割电力系统中的负荷节点,得到每个负荷节点的输入电流｡采用支持向量机(SupportVectorMachine,SVM)算法构建同步线路损耗速率预测模型,并将采集到的注入电流导入预测模型,获取线损定位结果;文献[2]提出了基于电能表误差和窃电分析方法｡该方法以基尔霍夫法则为基础,将线损理论计算方法应用到台区线损层次计算中,以达到对线损分级处理的目的｡同时,该方法划分了高损耗区域,通过建立电能表误差分析模型甄别高损耗区域,以发现有错的､有异常的电能表误差,从而达到准确定位台区高损耗区域的目的｡

目前,对电网线损层间位置关系的研究主要基于实测点日历史数据,存在计算时间过久､故障诊断与分析功能不完备､高损点位置难以精准确定等问题,严重影响了台区线损管理工作的开展｡因此,提出了基于堆叠稀疏自编码器与生成对抗网络(GenerativeAdversarialNetworks,GAN)的线损分层定位方法｡

1、线损分层定位GAN结构设计

GAN是非监督学习方法之一,主要包含生成网络和判别网络两个网络,在训练时上述两种网络互相竞争,从而使之强化,形成一个“博弈过程”[3]｡

对于GAN对抗生成网络而言,判别网络A､生成网络B的损失函数表示为:

式中,x表示实际线损数据;ι表示噪声数据[4]｡通过判别网络､生成网络的不断对抗,最终使两个网络达到一个动态平衡,促使生成的线损分层定位数据接近真实数据[5]｡

因为所生成的线损分层定位数据为(-1,1)间噪声数据,其维数与实际数据一致,所以将杂乱的信息输入到一个生成器中,形成一个假的信息,然后由该生成器辨别假信息和真信息[6-7]｡由此,设计线损分层定位GAN结构,如图1所示｡

随着时间推移,生成网络与判别网络相互对抗,使得生成网络与判别网络的损耗函数逐渐降低直至达到极小值｡在生成对抗网络中,对生成器的参数进行优化,能使两个网络的损失函数结果处于较低水平,说明其可以较为稳定地输出样本数据,获得线损分层数据｡

图1线损分层定位GAN结构

2、线损分层定位

线损分层定位GAN结构需要训练大量的样本数据,才能生成高质量的假数据｡然而,线损定位所涉及的数据较为有限,堆叠稀疏自编码器是一种非监督学习的方法,可以有效地处理数据不足的问题｡因此,基于线损分层定位GAN结构得到的样本数据,在计算线损的基础上,将其作为堆叠稀疏自编码器的输入,借助SVM分类器实现线损分层定位｡

2.1线损计算

根据线损分层定位GAN结构判别层得到的不同等级前､后两级的正､反向有功电量示值,分别计算出不同等级之间的有功､有功总示值和有功电示值,从而得到相应等级的线损[8]｡具体计算步骤如下:

步骤1:计算分层的供入电量,公式为:

式中,Wup1k､Wup2k分别表示第k个上级节点的结束和起始正向有功总电能;Wdown1l､Wdown2l分别表示第l个下级节点的结束和起始反向有功总电能;P表示上级节点与下级节点的变比;m表示供入电量层[9-11]｡

步骤2:计算分层的供出电量,公式为:

式中,Wdown3l(4)表示下级节点l的起始正向有功总电能[12];Wup3k､Wup4k分别表示第k个上级节点的结束和起始反向有功总电能｡

步骤3:计算分层的统计线损,公式为:

通过计算线损数值[13],锁定高损范围｡设置每一层的统计线损异常阈值,当某一层的线损超过阈值时,判断该层存在异常线损｡

2.2线损分层定位

将计算的线损作为数据输入堆叠系数自编码器中进行分层定位,基于堆叠稀疏自编码器的定位原理如图2所示｡

图2基于堆叠稀疏自编码器的定位原理

设输入为统计线损Lm,由此计算堆叠稀疏自编码器输出结果为:

式中,f()·表示激活函数[14];E表示编码器权重;e1表示编码偏置｡

经过编码压缩后,得到的输出结果为:

式中,R表示解码器权重;e2表示解码偏置[15]｡

在解码结果基础上,通过在代价函数中增加散度,引导输出结果稀疏,从而获取稀疏自编码器｡堆叠稀疏自编码器收敛的期望解码输出结果[16],能够作为无损输入样本,通过重构误差结合散度计算代价函数:

式中,N表示样本总数;t表示解码个数;α表示稀疏项系数;K表示散度｡堆叠稀疏自编码器训练阶段通过反向传播迭代更新,当重构误差达到全局最小时,则认为输出的稀疏编码是原始样本所在空间｡

在确定稀疏编码所在空间后,使用分类器SVM于在线阶段实现线损分层定位[17-18]｡SVM借助核函数,能够较好地进行线损分层定位｡

用核函数替代内积操作,选取核函数作为径向基函数μ()Lam,Lbm,其中,Lam､Lbm分别表示第a､b层线损｡核函数法不仅可以提高SVM分类器的非线性拟合性能,还可以解决在高维特征空间中进行内积计算导致的庞大运算量的问题｡

将最佳超平面函数和符号函数sign相结合,获得了一个分类判别函数:

在定位阶段,将支持向量机模型以实时稀疏信息作为输入,将最终的位置结果作为支持向量机的加权平均｡假定在某个参考点上,分类器输出M个分类结果:

3、实验分析

3.1实验设置

实验时,在某市供电公司于2019年1月至2021年8月期间,每月统计低压台区电能表(如图3所示)50000个线损相关数据及台区线损比率,得到了全市所有低压台区在时间､空间上分布情况｡

图3现场窃电电能表

为了保证采集数据的可靠性,首先要对最初的数据进行删除空数据的操作,通过筛选出与实际运维情况不一致的数据,并将其规范化,最后将其汇总为一张表,以便在需要时使用,利用式(11)表示标准化的处理形式:

式中,xi表示i个样本;xmin､xmax分别表示样本最大和最小值｡

经现场核实,统计的线损及实际窃电位置如表1所示｡

表1统计的线损及实际窃电位置

将表1数据作为标准,对比分析基于双模调频分解的定位方法､基于电能表误差和窃电分析方法和基于堆叠稀疏自编码器与GAN定位方法的线损定位精准度｡

3.2实验结果与分析

使用三种方法,对比分析线损定位结果,如图4所示｡

由图4可知,使用基于双模调频分解的定位方法和基于电能表误差和窃电分析方法统计第一种数据线损变化范围为3.0~4.5kW·h和2.8~4.2kW·h,第二种数据线损变化范围为2.5~3.8kW·h和1.9~3.5kW·h,第三种数据线损变化范围为2.5~3.2kW·h和1.4~2.6kW·h,第四种数据线损变化范围为1.8~2.8kW·h和0.8~2.1kW·h,虽然部分定位结果超过了实际线损变化范围,但定位窃电位置存在一定的偏差｡使用所研究方法的统计第一种至第四种数据的线损变化范围为3.0~4.0kW·h､1.0~3.0kW·h､0.4~0.7kW·h和4.2~4.8kW·h,分别对应的定位窃电位置为表箱1层､表箱2层､表箱3层和表箱4层｡通过上述定位结果可知,使用所研究方法的线损分层定位结果精准｡

4、结束语

研究了基于堆叠稀疏自编码器与GAN的线损分层定位方法,通过建立线损分层定位GAN结构,利用堆叠稀疏自编码器对线损层状进行特征抽取,利用SVM分类器完成线损分层定位｡经实验验证,所研究方法可以实现线损精准定位,为电力公司提供有效的降低线损的方法,进而为电力公司带来更大的收益｡

图4不同方法线损定位结果对比分析

参考文献:

[1]杨斌,伏蕾.基于双模调频分解的低压配电网同期线损率预测模型[J].电机与控制应用,2021,48(11):98-103.

[2]刘永光,谭煌,李志鹏.一种基于电能表误差和窃电分析的线损分层定位方法[J].电测与仪表,2022,59(9):188-194.

[3]杨耿杰,韦先灿,高伟.基于改进动态线损估计法的超差智能电表识别[J].电网技术,2022,46(9):3662-3671.

[4]张会清,王宇桐.基于堆叠稀疏自动编码器和SVM的CSI室内定位方法[J].北京工业大学学报,2021,47(12):1321-1329.

[5]郝崇正,党小宇,李赛,等.基于稀疏自编码器的混合信号符号检测研究[J].电子与信息学报,2022,44(12):4204-4210.

[6]金利娜,于炯,杜旭升,等.基于生成对抗网络和变分自编码器的离群点检测算法[J].计算机应用研究,2022,39(3):774-779.

[7]周丰丰,张亦弛.基于稀疏自编码器的无监督特征工程算法BioSAE[J].吉林大学学报(工学版),2022,52(7):1645-1656.

[8]张国令,吴崇明,李睿,等.基于一维堆叠池化融合卷积自编码器的HRRP目标识别方法[J].系统工程与电子技术,2021,43(12):3533-3541.