曹青青 徐國偉

（天津工業(yè)大學，天津 300384）

1.研究背景

線損能夠?qū)ε潆娋W(wǎng)整體運行狀態(tài)進行準確反映，同時也是電網(wǎng)運行重要指標，是電網(wǎng)企業(yè)管理質(zhì)量的主要考核指標。理論線損相關(guān)預測活動屬于線損管理中的重要評價手段，能夠幫助優(yōu)化配電網(wǎng)整體管理實力，提升電網(wǎng)企業(yè)經(jīng)營效益。當前大部分學者開始針對理論線損計算開展深入研究，借助簡化潮流迭代，進一步優(yōu)化線損計算速率，但該種計算方法主要是以網(wǎng)絡結(jié)構(gòu)為基礎，對采樣數(shù)據(jù)次數(shù)、頻率提出更高要求。借助等值電阻方法對配電變壓器和線路運行損耗進行準確計算，和潮流法相比，該種方法所需電氣運行參數(shù)相對較少。但在線路運行產(chǎn)生參數(shù)變化后，需要對等值電阻實施優(yōu)化計算，影響實際應用效果。同時涉及較多的配電變壓器以及分支線路，等值元件數(shù)量和線路節(jié)點增加，導致計算難度進一步擴大[1]。

不斷優(yōu)化改進BP算法內(nèi)梯度下降法，優(yōu)化BP神經(jīng)網(wǎng)絡模型綜合預測性能。形成GRU深度學習為基礎的網(wǎng)絡模型線損計算方法。采取層次分析法和互信息理論相融合方法，構(gòu)成組合賦權(quán)法，對不同電氣參數(shù)影響線損程度實施準確計算，通過GRU網(wǎng)絡針對配電網(wǎng)線損實施準確預測。

2.理論基礎分析

2.1 GRU深度學習理論

GRU屬于LSTM某種發(fā)展變體，主要是以門控循環(huán)神經(jīng)網(wǎng)絡作為主要結(jié)構(gòu)，和LSTM相比，對應訓練參數(shù)整體數(shù)量較少，可以更好優(yōu)化LSTM預測效果。GRU和LSTM擁有相似的內(nèi)部單元，而主要差異便是GRU把LSTM內(nèi)遺忘門以及輸入門進行重新合并，轉(zhuǎn)化為統(tǒng)一更新門。所以，GRU內(nèi)僅存在兩種門結(jié)構(gòu)，分成重置們和更新門。其中更新門可以對前一階段狀態(tài)信息保留至目前狀態(tài)程度進行合理控制，更新門數(shù)值越高，證明前一階段狀態(tài)信息數(shù)量更多。重置門能夠幫助確定是否需要聯(lián)系目前發(fā)展狀態(tài)和前段運行信息，隨著重置門數(shù)值降低，證明忽略信息數(shù)量增加[2]。

前饋式人工神經(jīng)網(wǎng)絡中，在信息輸出和數(shù)據(jù)輸入層內(nèi)誕生眾多隱含層，而多層神經(jīng)網(wǎng)絡類似于DNN。DNN也可以被稱作是MLP，其內(nèi)部神經(jīng)網(wǎng)絡層可以進一步細分成三種類型，分別是信息輸出層、隱藏層以及數(shù)據(jù)輸入層，其中首層作為輸入層，輸出層是最后一層，中間層各層是隱藏層。神經(jīng)網(wǎng)絡內(nèi)各層主要通過全連接方式實施有效連接，各層內(nèi)任意節(jié)點需要和下層任意節(jié)點實施有效連接。

2.2 灰色關(guān)聯(lián)分析法

針對兩種系統(tǒng)內(nèi)各種變化因素，隨時間變化以及對象差異，形成關(guān)聯(lián)性量度便是關(guān)聯(lián)度。在整個系統(tǒng)發(fā)展中，如果兩種因素形成一致變化，擁有較高程度的同步變化率，則兩者之間具有較高關(guān)聯(lián)度。相反條件下，關(guān)聯(lián)度較低。所以灰色關(guān)聯(lián)分析主要是聯(lián)系不同因素之間發(fā)展變化趨勢相似度和差異性進行判斷，也是灰色關(guān)聯(lián)度，屬于不同因素彼此聯(lián)系的重要衡量措施[3]。

灰色系統(tǒng)理論進一步提出針對不同子系統(tǒng)實施灰色關(guān)聯(lián)分析理念，嘗試借助有效方法，尋找整個系統(tǒng)內(nèi)各個子系統(tǒng)彼此關(guān)聯(lián)數(shù)值，所以，灰色關(guān)聯(lián)分析法也為某個系統(tǒng)的動態(tài)變化提供了有效度量指標，適用于動態(tài)變化分析。

2.3 數(shù)據(jù)清洗

數(shù)據(jù)清洗主要是在各種數(shù)據(jù)文件中及時發(fā)現(xiàn)和改正數(shù)據(jù)文件內(nèi)各種可識別錯誤，是錯誤識別中的最終程序，設計數(shù)據(jù)檢查一致性、缺失值以及無效值處理等。不同于問卷審核，錄入數(shù)據(jù)清理普遍是通過計算機進行操作，并非是人工操作。通過分析數(shù)據(jù)清洗的名字可以對數(shù)據(jù)文件內(nèi)各種錯誤進行準確糾正和識別，由于數(shù)據(jù)倉庫內(nèi)各種數(shù)據(jù)信息都是相同主題數(shù)據(jù)集合，通過不同系統(tǒng)內(nèi)提取的數(shù)據(jù)，涵蓋各種歷史信息，如此無法避免出現(xiàn)各種錯誤數(shù)據(jù)，甚至形成數(shù)據(jù)沖突，該種錯誤或沖突數(shù)據(jù)并非是有效數(shù)據(jù)，便是臟數(shù)據(jù)，為此需要洗掉其中臟數(shù)據(jù)，便是所謂的數(shù)據(jù)清洗。

2.4 GRU網(wǎng)絡

門控循環(huán)單元GRU網(wǎng)絡屬于深度學習典型模型，和原本的機器學習法比起來，其擁有更強的非線性擬合以及高效學習能力。GRU模型屬于對長短時記憶模型的合理優(yōu)化，不但可以有效簡化網(wǎng)絡結(jié)構(gòu)，還可以維持LSTM良好性能。GRU網(wǎng)絡結(jié)構(gòu)如圖1所示。在圖1中，xt、rt、zt、gt、ht分別是t時刻內(nèi)隱含層內(nèi)重置們、輸入、記憶狀態(tài)、更新門以及輸出，ht-1是前一階段隱含層輸出，更新門可以對前一階段隱含層信息輸出記憶程度實施有效控制，重置門可以對前一時刻隱含層信息輸出忽略程度實施有效控制。重置門和更新門主要通過激活函數(shù)影響，決定神經(jīng)元是否激活，準確計算隱含層輸入以及前一階段隱含層輸出。重置門和當前輸入通過激活函數(shù)運算，構(gòu)成目前記憶狀態(tài)，更新門針對引入信息量以及丟棄信息量實施合理控制，得到目前隱含層輸出，順利傳遞至下一GRU單元。

圖1 GRU網(wǎng)絡結(jié)構(gòu)

3.基于GRU深度學習的配電網(wǎng)線損預測方法分析

3.1 操作步驟

以GRU深度學習模型為基礎的臺區(qū)線損預測方法主要操作步驟如下：第一是對目標臺區(qū)中的多層次、多維度電氣特征運行數(shù)據(jù)參數(shù)和指標數(shù)據(jù)實施全面采集，形成原始數(shù)據(jù)集。第二是針對所采集的各種原始數(shù)據(jù)信息實施歸一化處理。除此之外，還可以借助數(shù)據(jù)平滑手段，針對其中的少部分錯誤信息實施全面處理清洗，順利得到處理數(shù)據(jù)，并隨機分成測試數(shù)據(jù)集以及訓練數(shù)據(jù)集。第三是創(chuàng)建GRU深度學習為基礎的系統(tǒng)模型，將各種基礎運行參數(shù)實施初始化處理。第四是把訓練集信息數(shù)據(jù)當成輸入信息，訓練GRU網(wǎng)絡參數(shù)，順利得到相應的深度預測模型。第五是在訓練后GRU網(wǎng)絡模型內(nèi)合理輸入各種測試數(shù)據(jù)信息，對臺區(qū)內(nèi)的線損率誤差實施準確測試分析，假如符合預設標準要求，并得到最優(yōu)化深度預測模型，可以進入下一步驟，如果不滿足，需要繼續(xù)轉(zhuǎn)入第三步驟，對網(wǎng)絡模型中的各項基礎運行參數(shù)實施合理微調(diào)。第六是聯(lián)系所得深度預測最優(yōu)模型，在新增臺區(qū)當中合理輸入相應的電氣特征運行參數(shù)，通過準確預測獲得準確線損率。

在配電網(wǎng)相關(guān)運行線損預測過程中，主要輸入信息便是各種核心數(shù)據(jù)輸入，其中涵蓋未來預測需求各種信息，可以展現(xiàn)出配電網(wǎng)線損發(fā)展變化規(guī)律。常規(guī)方法下的機器學習分析方法以及單獨DNN落實運行數(shù)據(jù)處理方法，需要通過人工手段在各種原始信息數(shù)據(jù)中提取有效特征量，比如提取前一小時的線損數(shù)值以及相同時刻內(nèi)前一天電網(wǎng)線損數(shù)值等。按照關(guān)聯(lián)性對其中的特征值實施有效選擇，會對歷史線損序列內(nèi)各種內(nèi)部潛在聯(lián)系造成直接破壞，對最終結(jié)果預測準確性產(chǎn)生不良影響，該種特征值選擇方法進一步擴大了信息預測難度。GRU神經(jīng)網(wǎng)絡可以對該種問題進行有效避免。GRU神經(jīng)網(wǎng)絡系統(tǒng)內(nèi)部門控循環(huán)結(jié)構(gòu)可以順利通過歷史線損信息數(shù)據(jù)學習內(nèi)，有效提取各種特征值，不需要通過人為方式采集特征值，優(yōu)化預測過程的簡便性，有助于預測工作的順利實施，改善電網(wǎng)線損預測準確性。除了可以參考歷史線損序列參數(shù)之外，還會受到其他因素影響。相關(guān)特征值的系統(tǒng)內(nèi)部尚未形成明顯的潛在規(guī)律，所以不適合充當GRU神經(jīng)網(wǎng)絡信息輸入。至于DNN可以對各種外部影響元素實施有效處理，系統(tǒng)學習相關(guān)特征和線損聯(lián)系，改善預測精確度。

此次研究中所提出配電網(wǎng)相關(guān)預測方法，可以進一步優(yōu)化改善系統(tǒng)預測精確度，同時還考慮到了系統(tǒng)預測時效性。和LSTM神經(jīng)網(wǎng)絡相比，GRU深度學習相關(guān)神經(jīng)網(wǎng)絡中的訓練參數(shù)有限，數(shù)值較少，所以整體收斂速度更快。除此之外把歷史線損數(shù)據(jù)當成GRU系統(tǒng)中的輸入信息，簡化預測模型結(jié)構(gòu)，能夠優(yōu)化網(wǎng)絡學習效率。

3.2 主要特征

以GRU深度學習模型為基礎的臺區(qū)線損率預測方法主要特征是臺區(qū)內(nèi)多維電氣特征參數(shù)指標數(shù)據(jù)涵蓋抄表率、安裝年限、臺區(qū)內(nèi)電能表綜合、綜合耗電量、供電量、臺區(qū)內(nèi)用戶數(shù)量、負載率以及居民電力應用比例、供電半徑、居民用戶數(shù)量、耗電量、低壓線路長度等信息。

3.3 網(wǎng)絡線損計算

上述公式內(nèi)的xi′是第i個電氣參數(shù)真實數(shù)值，xi屬于歸一化數(shù)值。

合理設置GRU網(wǎng)絡參數(shù)，針對GRU網(wǎng)絡模型相關(guān)神經(jīng)元數(shù)量、隱含層層數(shù)以及激活函數(shù)等多種運行參數(shù)實施合理設置。文中所述激活函數(shù)可以選擇tanh函數(shù)以及sigmoid函數(shù)，針對神經(jīng)元個數(shù)以及隱含層的數(shù)量實施持續(xù)優(yōu)化調(diào)整，最終合理確定具體參數(shù)。明確最優(yōu)輸入?yún)?shù)，明確不同電氣參數(shù)對于理論線損影響權(quán)重，隨后根據(jù)從高到低順利合理創(chuàng)建不同數(shù)量參數(shù)輸入集合，針對GRU網(wǎng)絡對應理論線損模型實施有效訓練測試。借助比較計算結(jié)果絕對平均誤差百分比以及均方根誤差明確采參數(shù)的最優(yōu)輸入集合模式。對GRU網(wǎng)絡模型實效性實施準確驗證中，實際應用中，可以根據(jù)參數(shù)最優(yōu)輸入模式處理新采集線路運行參數(shù)，重新組合成為信息輸入集，同時把該種參數(shù)輸入集當成GRU網(wǎng)路輸入數(shù)值，借助訓練后GRU網(wǎng)絡，對具體運行線路中的線損值實施準確計算，把等值電阻法最終計算結(jié)果數(shù)值作為基礎參考，確定以GRU網(wǎng)絡為基礎的配電網(wǎng)理論線損方法實效性。在實踐應用中把配電變壓器運行容量和無功電量供應、月度有功電量供應、線路長度總和當成配電網(wǎng)中的線損模型輸入數(shù)值進行計算，能夠得到一種最佳計算結(jié)果。GRU網(wǎng)絡計算結(jié)果接近等值電阻最終計算結(jié)果，證明文章所介紹方法可以取代等值電阻法實施有效預測。和傳統(tǒng)模式下的BP算法相比，GRU網(wǎng)絡系統(tǒng)利用自身良好的非線性擬合能力，可以進一步優(yōu)化系統(tǒng)計算、預測效果。

4.基于GRU深度學習的配電網(wǎng)線損預測研究發(fā)展趨勢

以GRU深度學習法和灰色關(guān)聯(lián)分析法為基礎合理研制配電網(wǎng)相關(guān)理論線損預測方法，借助該種方法針對特定區(qū)域內(nèi)配電網(wǎng)相關(guān)理論線損實施準確預測和科學計算。在目標區(qū)域的配電網(wǎng)中應用GRU深度學習網(wǎng)絡實施理論線損綜合計算，最終計算結(jié)果和等值電阻法最終計算結(jié)果較為相似，同時只需要將四種類型電氣參數(shù)存儲到系統(tǒng)模塊中，便能夠順利得到理論線損最終計算結(jié)果。

結(jié)合當前智能算法的實際應用效果分析，在執(zhí)行智能算法過程中，需要采集各種形式電氣參數(shù)，但普遍需要通過專業(yè)經(jīng)驗對各種電氣參數(shù)實施有效選擇，此次研究中通過灰色關(guān)聯(lián)分析法和數(shù)據(jù)清洗，對電氣運行參數(shù)實施準確計算，分析各種電氣運行參數(shù)對于理論線損影響程度，聯(lián)系具體影響系數(shù)大小明確計算系統(tǒng)模型中的最佳參數(shù)輸入集合，不但能提升檢測方法實效性，同時還能進一步降低電氣參數(shù)所用數(shù)量。和傳統(tǒng)模式下的BP算法比起來，本文所用GRU深度學習模型借助多層網(wǎng)絡模型，能夠進一步優(yōu)化非線性函數(shù)處理能力，改善函數(shù)逼近能力，提升整體計算進度。

5.結(jié)語

通過傳統(tǒng)方法對配電網(wǎng)線損實施綜合計算、預測中，因其涉及參數(shù)較多，會影響預測準確性，為此需要結(jié)合灰色關(guān)聯(lián)分析法、數(shù)據(jù)清洗、GRU深度學習法，對配電網(wǎng)線損預測系統(tǒng)實施不斷創(chuàng)新設計，改善系統(tǒng)預測效果，提升線損預測準確性，能夠?qū)ε潆娋W(wǎng)線損實施便捷、快速計算，優(yōu)化系統(tǒng)預測性能。