基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的寧德地區(qū)配電網(wǎng)絡(luò)線損預(yù)測(cè)方法

張 毅 陳煒多 陳思瀚 陳 淼

（1.福州大學(xué) 2.國(guó)網(wǎng)寧德供電公司）

0 引言

電力行業(yè)作為我國(guó)能源消耗的主要行業(yè)，最大限度地降低電網(wǎng)損耗是緩解能源危機(jī)和實(shí)現(xiàn)節(jié)能減排的重要手段。寧德地區(qū)的配電網(wǎng)經(jīng)過(guò)多年的發(fā)展取得了較快的發(fā)展，但是由于網(wǎng)架結(jié)構(gòu)薄弱，設(shè)備運(yùn)行年限長(zhǎng)，部分區(qū)域電壓質(zhì)量差以及管理模式固化，寧德地區(qū)線損合格率不高，因此對(duì)寧德地區(qū)進(jìn)行線損研究意義深遠(yuǎn)。

1 線損計(jì)算與預(yù)測(cè)的相關(guān)研究

線損率是衡量電網(wǎng)運(yùn)行經(jīng)濟(jì)性的重要指標(biāo)之一，能很好地反映電網(wǎng)規(guī)劃設(shè)計(jì)階段的合理性，電力企業(yè)經(jīng)濟(jì)管理水平，進(jìn)而為電網(wǎng)節(jié)能降損政策的制定提供依據(jù)。因此在電力系統(tǒng)發(fā)展過(guò)程中為了保證電網(wǎng)能夠安全可靠經(jīng)濟(jì)地運(yùn)行，國(guó)內(nèi)外專家學(xué)者對(duì)線損分析方法及線損預(yù)測(cè)理論進(jìn)行了大量的研究探索并取得了很多成果。

文獻(xiàn)［1］主要采用基于小波變換的多分辨率分析方法，完成了對(duì)諧波電流的檢測(cè)，并計(jì)算出由于諧波電流而造成的電網(wǎng)中線路的損耗值，并且其研究結(jié)果表明線路損耗會(huì)隨著電流諧波成分的增加而變大。文獻(xiàn)［2］對(duì)配電網(wǎng)線損的潮流算法進(jìn)行了深入研究，該種計(jì)算方法計(jì)算結(jié)果精度高，且有很多衍生的改進(jìn)算法，如改進(jìn)迭代算法、區(qū)間迭代算法以及匹配潮流算法等。文獻(xiàn)［3］研究得出，同期線損與理論線損差值序列具有“秩和”近似相等特性，當(dāng)同期系統(tǒng)中存在異常數(shù)據(jù)，可利用“秩和”近似相等特性對(duì)同期系統(tǒng)中存在異常數(shù)據(jù)進(jìn)行辨識(shí)，通過(guò)運(yùn)用該種辦法，能明顯降低誤判率和漏判率。與本文在查找異常缺陷的方法類似。文獻(xiàn)［4］等人研究了人工神經(jīng)網(wǎng)絡(luò)法（ANN法）在配電網(wǎng)線損計(jì)算中的應(yīng)用，通過(guò)模擬人腦思維的神經(jīng)網(wǎng)絡(luò)以此得到數(shù)據(jù)，它反映出非線性的復(fù)雜關(guān)聯(lián)，計(jì)算數(shù)據(jù)較為準(zhǔn)確。文獻(xiàn)［5］通過(guò)高級(jí)量測(cè)體系以及引入公共結(jié)合點(diǎn)與比較集合的概念，將AMI智能電表測(cè)得的用戶端的相關(guān)電氣量（例如電壓電流等）作為其初始輸入數(shù)據(jù)，解決了由于竊電因素導(dǎo)致配電網(wǎng)線損計(jì)算精度較低的問(wèn)題。文獻(xiàn)［6］考慮到特高壓輸電線路的線損成因主要是電阻性損耗和電暈損耗兩點(diǎn)造成，與傳統(tǒng)的配電網(wǎng)線路的線損特征之間有較大差異，因此從線路運(yùn)行電氣量特征及氣候因素為主要輸入變量，建立改進(jìn)的徑向神經(jīng)網(wǎng)絡(luò)模型，對(duì)特高壓輸電線路的線損和其特征參數(shù)之間的復(fù)雜關(guān)系具有較好的擬合效果。文獻(xiàn)［7］指出基于傳統(tǒng)的誤差逆向傳播算法訓(xùn)練的多層前饋（BackPropagation，BP）神經(jīng)網(wǎng)絡(luò)模型進(jìn)行線損預(yù)測(cè)時(shí)需要人工指定特征和容易產(chǎn)生局部最優(yōu)解仍然是難以解決的兩大問(wèn)題，提出以深度學(xué)習(xí)模型中的循環(huán)神經(jīng)網(wǎng)絡(luò)為建?；A(chǔ)，構(gòu)建了線損預(yù)測(cè)模型并驗(yàn)證了該方法的預(yù)測(cè)準(zhǔn)確率。文獻(xiàn)［8］利用小波分解對(duì)負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，分解成不同尺度上的序列進(jìn)行分析，選用相應(yīng)的模型預(yù)測(cè)。根據(jù)BP神經(jīng)網(wǎng)絡(luò)模型特性與本文的分析方法，通過(guò)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法更能契合實(shí)際情況。文獻(xiàn)［9］總結(jié)人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)諧波檢測(cè)方面也得到了廣泛應(yīng)用，該網(wǎng)絡(luò)主要為多層前饋神經(jīng)網(wǎng)絡(luò)和自適應(yīng)人工神經(jīng)網(wǎng)絡(luò)。文獻(xiàn)［10］通過(guò)現(xiàn)場(chǎng)測(cè)試采集負(fù)荷數(shù)據(jù)，結(jié)合對(duì)象的運(yùn)行特性，針對(duì)負(fù)荷模型的動(dòng)態(tài)性和隨機(jī)性，應(yīng)用回歸模型建立不同過(guò)程的負(fù)荷模型，最后實(shí)現(xiàn)負(fù)荷預(yù)測(cè)。該方法與本文處理問(wèn)題的解決步驟基本一致。文獻(xiàn)［11］提出基于非侵入方式感知負(fù)荷用電信息進(jìn)行負(fù)荷類型的分類識(shí)別的概念，可量化電能結(jié)構(gòu)，提升負(fù)荷管理能力，還可為工業(yè)及居民用戶提供電力負(fù)荷狀態(tài)和負(fù)荷管理方面的信息，并為未來(lái)的節(jié)能管理提供建議。在電網(wǎng)智能化建設(shè)方面影響深遠(yuǎn)。本文正是利用非侵入式分析方法分析線路損耗從而指導(dǎo)智能電表等設(shè)備建設(shè)方案。

2 寧德地區(qū)配電網(wǎng)線損現(xiàn)狀

2020年寧德配電網(wǎng)共有10kV線路812回，全市配電網(wǎng)平均分段數(shù)為3.34段／條，線路平均分段用戶數(shù)為2876戶，配電網(wǎng)以架空網(wǎng)為主。

目前寧德地區(qū)的配電網(wǎng)結(jié)構(gòu)相對(duì)于發(fā)達(dá)地區(qū)較為薄弱，為了優(yōu)化網(wǎng)架結(jié)構(gòu)，許多線路本身需要進(jìn)行改造，由于該地區(qū)配網(wǎng)設(shè)備運(yùn)行年限較長(zhǎng)，縣城區(qū)域存在較多老舊設(shè)備，部分設(shè)備不具備電動(dòng)操作功能，未配置電流、電壓互感器，內(nèi)部結(jié)構(gòu)緊湊無(wú)法提供二次設(shè)備安裝空間，同時(shí)也未配置配電自動(dòng)化系統(tǒng)，無(wú)法實(shí)現(xiàn)負(fù)荷預(yù)測(cè)、負(fù)荷管理與控制、狀態(tài)評(píng)估、電壓與無(wú)功優(yōu)化調(diào)度等功能，導(dǎo)致部分區(qū)域電壓質(zhì)量難以提升。這些問(wèn)題都導(dǎo)致線損率不合格，且在我國(guó)具有普遍性，因此對(duì)研究降損機(jī)制并在寧德地區(qū)做相應(yīng)的實(shí)證分析具有重要的意義。

為了進(jìn)一步明晰寧德地區(qū)配電網(wǎng)的線損情況，以臺(tái)區(qū)為單位對(duì)寧德地區(qū)配電網(wǎng)的線損分布情況做進(jìn)一步分析。以2020年5月數(shù)據(jù)為例，該月全市1053個(gè)臺(tái)區(qū)的線損率各頻段的臺(tái)區(qū)個(gè)數(shù)如下表所示。

表 各頻段的臺(tái)區(qū)個(gè)數(shù)

由上表可知，寧德市配電網(wǎng)臺(tái)區(qū)的線損合格率達(dá)92.53%，但是仍然有部分臺(tái)區(qū)線損率不符合要求的情況。

分析表中數(shù)據(jù)，并結(jié)合實(shí)際情況，造成線損不合格的原因可能有以下幾點(diǎn)。

一是存在竊電情況，如臺(tái)區(qū)的月用電量遠(yuǎn)遠(yuǎn)小于供電量。

二是城區(qū)小電量臺(tái)區(qū)，大都以新建小區(qū)，配電室供電為主。此類新建臺(tái)區(qū)，變壓器容量大，CT倍率按變壓器容量配置，1～3年內(nèi)入住率低，存在大馬拉小車現(xiàn)象

三是受低壓臺(tái)區(qū)用戶與臺(tái)區(qū)關(guān)口計(jì)量表計(jì)、電流互感器精度偏差的影響，對(duì)于集中式供電或是用戶較少的臺(tái)區(qū)，會(huì)存在供電量小于售電量的情況。假設(shè)現(xiàn)場(chǎng)供電功率為P，則該臺(tái)區(qū)的供電和售電量分別為：

由此可知，對(duì)于同一等級(jí)的表計(jì)，因?yàn)殛P(guān)口表和用戶表不同的誤差，會(huì)存在供電量小于售電量的情況，因此會(huì)存在線損小于零即負(fù)損的情況。

3 寧德地區(qū)配電網(wǎng)線損預(yù)測(cè)

據(jù)統(tǒng)計(jì)，寧德市2017年月均線損達(dá)標(biāo)率79.33%，2018年為80.89%，2019年為85.97%，距離目標(biāo)月均線損合格率不低于97%存在一定差距。因此首先根據(jù)數(shù)據(jù)處理技術(shù)對(duì)812回線路進(jìn)行聚類分析，然后采用灰色關(guān)聯(lián)算法對(duì)于每一組線路進(jìn)行影響要素分析，最后根據(jù)基于遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)每一組的數(shù)據(jù)進(jìn)行訓(xùn)練，并進(jìn)行對(duì)應(yīng)組別的預(yù)測(cè)。

BP神經(jīng)網(wǎng)絡(luò)中輸入層的配變?nèi)萘俊⑤旊娏?、售電量、干線長(zhǎng)度、負(fù)載率、空余容量、月最高負(fù)荷、月最低負(fù)荷、月平均負(fù)荷這9個(gè)變量中，進(jìn)行灰色關(guān)聯(lián)分析關(guān)聯(lián)度最高的五個(gè)變量，即干線長(zhǎng)度，負(fù)載率，輸電量，售電量以及月平均負(fù)荷。因此輸入層節(jié)點(diǎn)n為5，輸出層節(jié)點(diǎn)為線路的線損率，輸出層節(jié)點(diǎn)的個(gè)數(shù)為1，計(jì)算過(guò)程已經(jīng)確定隱藏層的節(jié)點(diǎn)個(gè)數(shù)p為5。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率為0.05。

遺傳算法中，設(shè)定50個(gè)初始種群，迭代代數(shù)設(shè)定為30代，交叉概率設(shè)定為0.7，變異概率設(shè)定為0.01，遺傳代溝為0.95，采用二進(jìn)制編碼方法，染色體長(zhǎng)度為36。

本文研究的數(shù)據(jù)對(duì)象為2019年1月到2020年5月的812回線路的電氣數(shù)據(jù)，輸入層為當(dāng)月的干線長(zhǎng)度，負(fù)載率，輸電量，售電量以及月平均負(fù)荷，輸出層為下月的線損率。數(shù)據(jù)集共有13968個(gè)樣本，以8：2進(jìn)行劃分得到訓(xùn)練集的個(gè)數(shù)11174，以及測(cè)試集的個(gè)數(shù)2794。選取epoch為192，于是本文選取96000步作為最終的模型循環(huán)次數(shù)。之后對(duì)測(cè)試集上的數(shù)據(jù)進(jìn)行預(yù)測(cè)。

進(jìn)一步計(jì)算可知，基于遺傳算法改進(jìn)的BP網(wǎng)絡(luò)的均方誤差從4.030737下降為1.939615，下降了51.88%。

可以看出，遺傳算法對(duì)于預(yù)測(cè)線損率有著顯著的適應(yīng)性，這體現(xiàn)在以下幾點(diǎn)：一是算法收斂的速度更快，雖然從模型的構(gòu)建上來(lái)看，使用遺傳算法進(jìn)行參數(shù)更新后，誤差下降到最優(yōu)的epoch從100左右增加到了200左右，但事實(shí)上，由于遺傳算法不需要對(duì)模型的參數(shù)進(jìn)行梯度的更新，而是通過(guò)簡(jiǎn)單的遺傳特性不斷進(jìn)化，運(yùn)行的時(shí)間實(shí)際上大大縮短。二是算法在訓(xùn)練集上的表現(xiàn)明顯更優(yōu)，誤差幾乎為0，而傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)卻處于0.3到0.4之間，這說(shuō)明加入遺傳算法后有著更好的樣本內(nèi)估計(jì)能力。三是算法在測(cè)試集上有著優(yōu)良的表現(xiàn)，不僅預(yù)測(cè)的值十分貼合，其均方誤差也得到了大幅度的降低。

4 典型案例分析

本文提出的線損預(yù)測(cè)模型有著較好的預(yù)測(cè)效果，利用本文提出的線損處理辦法，理論上可以達(dá)到高效的降損效果，但缺乏相應(yīng)的實(shí)證依據(jù)，旨在對(duì)寧德地區(qū)的歷史數(shù)據(jù)進(jìn)行仿真模擬，對(duì)以往發(fā)生的典型案例進(jìn)行分析。

利用模型構(gòu)建的流程對(duì)2019年逐月進(jìn)行預(yù)測(cè)模型的構(gòu)建，訓(xùn)練數(shù)據(jù)使用的是當(dāng)月前16個(gè)月的各項(xiàng)電氣數(shù)據(jù)，即在每個(gè)月都重新訓(xùn)練模型，對(duì)下個(gè)月的線損率進(jìn)行滾動(dòng)的預(yù)測(cè)。

4.1 高損有效預(yù)測(cè)的典型案例

在仿真過(guò)程中，恒大小區(qū)公變臺(tái)區(qū)的各月的真實(shí)值和預(yù)測(cè)值的結(jié)果如圖1所示。

圖1 恒大小區(qū)公變臺(tái)區(qū)線損仿真模型預(yù)測(cè)圖

可以看出，預(yù)測(cè)模型在各個(gè)月上都有著較為精確的預(yù)測(cè)結(jié)果。該區(qū)的線損率長(zhǎng)期處在較高的水平，并在11月份達(dá)到高損的狀態(tài)。事實(shí)上，該區(qū)長(zhǎng)期存在著低壓架空線漏電的情況，在11月份進(jìn)行排查并通知運(yùn)檢部門對(duì)問(wèn)題導(dǎo)線進(jìn)行處理后，線損恢復(fù)到了正常的水平。從模型預(yù)測(cè)的結(jié)果來(lái)看，早在9月份預(yù)測(cè)值就已經(jīng)超過(guò)了8，這說(shuō)明模型對(duì)于高損的風(fēng)險(xiǎn)判斷十分準(zhǔn)確，如果利用該線損預(yù)測(cè)模型提前對(duì)風(fēng)險(xiǎn)進(jìn)行檢測(cè)，提前對(duì)可能的高損情況進(jìn)行預(yù)處理，就可以更早地排查出低壓架空線漏電的情況，使得減損有效地推進(jìn)。

4.2 負(fù)損有效預(yù)測(cè)的典型案例

在仿真過(guò)程中，下宅園配變臺(tái)區(qū)的各月的真實(shí)值和預(yù)測(cè)值的結(jié)果如圖2所示。

圖2 下宅園配變臺(tái)區(qū)線損仿真模型預(yù)測(cè)圖

可以看出，改進(jìn)的預(yù)測(cè)模型對(duì)于每個(gè)月都能進(jìn)行精準(zhǔn)的預(yù)測(cè)。該區(qū)在5月份出現(xiàn)了預(yù)測(cè)值為負(fù)損的情況，這也與真實(shí)值相同。事實(shí)上，該區(qū)長(zhǎng)期存在著關(guān)口表計(jì)聯(lián)合試驗(yàn)接線盒故障的情況，在進(jìn)行更換后臺(tái)區(qū)日線損率恢復(fù)正常。因此可以看到預(yù)測(cè)模型對(duì)于負(fù)損的預(yù)測(cè)效果仍然較為理想。

4.3 異常情況的典型案例

在仿真過(guò)程中，龍威臺(tái)區(qū)各月的真實(shí)值和預(yù)測(cè)值結(jié)果如圖3所示。

圖3 龍威臺(tái)區(qū)線損仿真模型預(yù)測(cè)圖

可以看出，預(yù)測(cè)模型在1～8月對(duì)于線損的預(yù)測(cè)效果較好，但在9月預(yù)測(cè)值低于1%，但真實(shí)的線損率卻超過(guò)了8%，達(dá)到了高損的異常狀態(tài)。真實(shí)值與預(yù)測(cè)值的差異巨大，表明有突變的情況發(fā)生。事實(shí)上，該月在臺(tái)區(qū)內(nèi)有1戶新裝用戶隸屬錯(cuò)誤，該戶為畜牧養(yǎng)殖公司，因天氣原因有較高的用電量，因此導(dǎo)致線損率異常。而之后隸屬關(guān)系調(diào)整后，線損率恢復(fù)到了正常的水平。

5 結(jié)束語(yǔ)

從本文的各個(gè)典型案例可以看出，預(yù)測(cè)模型基于過(guò)往數(shù)據(jù)對(duì)下月的線損率進(jìn)行預(yù)測(cè)，其結(jié)果是該臺(tái)區(qū)線損水平的一個(gè)合理反映，代表了該臺(tái)區(qū)的數(shù)量機(jī)制和效果。因此對(duì)于長(zhǎng)期存在的問(wèn)題如電表長(zhǎng)期損壞、電線長(zhǎng)期漏電等，有著較為理想的預(yù)測(cè)效果。但對(duì)于無(wú)法預(yù)測(cè)的突變情況，真實(shí)值會(huì)與預(yù)測(cè)的結(jié)果產(chǎn)生較大的偏差，如電表的突然損壞、新增用戶接線錯(cuò)誤或是竊電情況。及時(shí)進(jìn)行糾正后又會(huì)使線損率回到合理的水平上，且對(duì)于此類異常情況的處理往往十分高效簡(jiǎn)便。