神经网络背景下低压配电网的线损预测方法.pdf

ElectricalAutomationPowerSystem&Automation电力系统及其自动化电气自动化2 0 2 3年第45卷第4期神经网络背景下低压配电网的线损预测方法吴晓强，张远亮，谷海彤，陈恺妍（广东电网有限责任公司广州供电局，广东广州510 6 2 0）摘要：为解决现有方法预测精度低的问题，对低压配电网线损量预测方法进行了研究。首先根据低压配电网连接方式建立等值电路，实时处理数据；然后计算低压配电网元件的当前线损量，利用循环神经网络提取线损量的变化特征；最后综合考虑无功补偿和配电线路平均长度等影响因素，完成低压配电网线损量预测。试验结果表明：所提方法的总预测误差约为1.6 kW，远低于其余对比方法，预测精度得到明显提升，可应用于配电网线损预测，促进低压配电网节能发展。关键词：低压配电网；线损预测；无功补偿D01:10.3969/j.issn.1000-3886.2023.04.002中图分类号TP183文献标志码A文章编号10 0 0-38 8 6（2 0 2 3)0 4-0 0 0 4-0 3Line Loss Prediction Method of Low-voltage Distribution Networkunder the Background of Neural NetworkWu Xiaoqiang,Zhang Yuanliang,Gu Haitong,Chen Kaiyan(Guangzhou Power Supply Bureau,Guangdong Power Grid Co.,Ltd.,Guangzhou Guangdong 510620,China)Abstract:In order to solve the problem of low prediction accuracy of existing methods,the prediction method of line loss in low-voltagedistribution network was studied.Firstly,an equivalent circuit was established according to the connection mode of the low-voltagedistribution network,and the data was processed in real time;then the current line loss of the components of the low-voltagedistribution network was calculated,and the variation characteristics of the line loss were extracted by using a recurrent neuralnetwork.Finally,the influence factors such as reactive power compensation and average length of distribution lines werecomprehensively considered to complete the prediction of line loss of low-voltage distribution network.The experimental results showthat the total prediction error of the proposed method is about 1.6 kW,which is much lower than that of other comparison methods,and the prediction accuracy has been significantly improved.Keywords:low-voltage distribution network;line loss prediction;reactive power compensation0引言在规定时间段内电流流经低压配电网各设备元件时所产生的电能损耗为线损。通过对低压配电网理论线损和统计线损的分析与比较，在一定程度上反映了低压配电网的内在运行和管理机制。为实现对低压配电网线损的有效控制，需要加强线损管理和分解线损指标，以实现降损节能功能2。本文以低压配电网为研究背景，提出线损量预测方法，将循环神经网络算法应用到低压配电网线损量预测中，以期提高预测精度性能，为低压配电网的降损节能提供参考数据。1低压配电网线损量预测方法设计1.1建立低压配电网及其元件的等值电路低压配电网线损的计算需要在等值电路环境下进行。根据配电网的拓扑结构和组成元件建立等值电路，如图1所示。图1中：G为绝缘电阻；C为交变电场电容；X为电感；R为电阻。如图1所示，低压配电网由配电变压器和电容器等组成，其中由配电变压器引起的损耗占配电系统总损耗很大的比例定稿日期：2 0 2 2-0 1-2 9基金项目：国家自然科学基金项目（6 19 7 52 48）；中国南方电网有限责任公司科技项目（GZHKJXM20180036）RRXGCGCGCRRXXXGCGC图1长线路配电网的等值电路图1.2低压配电网负荷数据处理异常数据处理可以分为缺失数据恢复和错误数据修正两个方面，若负荷点i单一缺失，则缺失点数值按缺失点前后数据平均值进行补足3处理结果表示为：Xi-1+X;+1X=(1)2式中：xi-1、x i+1和x分别为缺失点前后数据以及缺失点数据恢复结果。若负荷点i至连续丢失，丢失点数据从对应时段内选取4。在错误数据的修正处理过程中，首先计算原始负载数据的平均值和方差，分别标记为和，设置为错误数据过滤阈值。根据式（2）提取负荷数据中的错误数据。5ElectricalAutomationPowerSystem&Automation电力系统及其自动化电气自动化2 0 2 3年第45卷第4期Ix-/3gw(2)由此得出的负荷错误数据修正结果为：xa.622Xa.bI+Yu(3)式中：、和均为常数系数；xa1、x a.b 1分别为距离待修正点最近的水平和垂直负荷点。为使低电压配电网中的负荷数据规范化处理，应用循环神经网络（recurrentneuralnetwork，RNN）算法进行学习、训练数据，便于网络收敛。对丢失的数据与异常数据进行处理后，将全部负荷数据进行归一化。处理过程如下：Xa.blXa,b=(4)将异常处理完成的负荷数据逐一代人到式（4）中，由此完成对低压配电网负荷初始数据的处理1.3计算低压配电网元件损耗低压配电网受电阻作用、磁场作用和管理方面的因素影响，会产生不同类型的线损。配电网线损类型的划分情况如表1所示。表1低压配电网线损类型表线损类型组别线损名称标记方式变压器导线损耗AEuan可变线损电缆导线损耗AEdle电能表电流线圈损耗AEene-i电能表电压线圈损耗AEene-li固定线损电容器介质损耗AEcap变压器空载损耗AEFe计量表计数误差损耗AEmel其他线损电网元件漏电损耗AEleck表1中的可变线损和固定线损可归总为理论线损，其他线损为营业线损。按照线损的定义，线损量可视为一段时间内有功功率损耗与时间的积分，其数学表达式如下：TAE=P(t)d t 10-3(5)0式中：P(t）、T 分别为配电网的综合有功功率和时间周期。在实际的线损量计算过程中，需要针对配电网中的不同组成元件进行具体计算。1.4利用RNN提取线损量变化特征计算低压配电网中所有元件的实时线损值，在此基础上构建RNN。通过网络的学习训练，提取出配电网线损量的变化特征规律。构建的RNN结构如图2 所示。1维输出层4维输出层16维输出层变压器架空线电缆线串并联电抗串并联电容线损量路线损量损量器线损量器线损量图2RNN结构图从图2 可以看出，构建RNN由三部分组成，分别为输人层、隐含层和输出层，且都是单独一层，输出层节点数目始终为1。在选择隐含层数和节点数时，用十折交叉验证法进一步结合实际低压配电网数据确定隐含层节点数。最后得出RNN隐含层节点数为：n=V0.43ml+0.121+2.54m+0.77l+0.35(6)式中：m、l 分别为输人层和输出层的节点数量。对式（6)的计算结果取整，该数值即为隐含层的节点数。RNN的训练原理如图3所示。前向传播变化特征规律Sigmoid反向传播输入值输入值输入值tanhtanh+tanhs(O)5(O)S(O)隐含层隐含层隐含层前一层输出/)当前层输出1）后一层输出（1）Sigmoid图3RNN学习训练原理图在前向传播过程中，上一层输出结果按照网络连接及权值将处理结果传输给下一层，计算过程可以表示为：rx(t)=(t)+入(t-1)入(t)=fUp(t)+W入(t-1)（7)Ly(t)=gV入(t)式中:f（）g（)分别为两种激活函数;x(t）、入(t)和y(t)分别为RNN中的各层处理数据；U、W 为任意两层之间的权值矩阵；(t)为计算出的初始线损量数据。通过上述RNN的前向传播学习可以得出线损量变化特征的初始提取结果，再按图4中表示的反向学习原理，对特征提取结果进行误差修正处理，以此作为线损的时空分布规律。1.5实现低压配电网线损量预测影响低压配电网线损量的因素具体包括无功补偿、配电线路平均长度、配电变压器平均负载率及其分布特性、配电网供电量和高损配变台数等。在考虑上述影响因素的情况下，选择任意一个时间节点，利用式（8）得出低压配电网线损量的预测值。AEforecastAE,(A,XT)(8)式中：E，为低压配电网当前线损量的计算结果；AA为影响因素作用下的电能损耗变化量；T为目标预测时间与当前时间的差值。按照上述流程可计算得出任意时刻的线损量预测值，并以可视化的方式输出预测结果2预测性能测试试验2.1选择低压配电网研究对象以某供电局区域的低压配电网作为试验背景，该区域共包括166条供电线路，且在供电线路中设置8 个变电站。为降低试验6ElectricalAutomationPowerSystem&Automation电力系统及其自动化电气自动化2 0 2 3年第45卷第4期工作量，选择一条配电支路作为研究对象，其拓扑结构如图4所示。选择低压配电网区段的线路长度为30.6 4km，其中包含33个变压器装置、56 个电阻、2 9 个电容和13个电抗设备。78（8）239三(1)10（10）（4）(5)(6）（7）1211(11)(12)13(13)14(14)(15图4试验低压配电网拓扑结构图2.2准备低压配电网运行数据样本试验选择2 0 2 1年6 月到2 0 2 1年9 月的低压配电网运行数据作为数据样本，数据内容包括配电网负荷和元件设备运行参数等，由此计算出该时段的线损量数据，如图5所示。30002.000100004812162024时间/h图5训练低压配电网线损量数据时序图将图5表示的计算结果作为试验的训练数据，另外还需要准备低压配电网在测试过程中影响因素的变化数据，为试验提供充足的数据支持2.3设置RNN运行参数网络参数会影响算法的运行时间和存储成本，甚至会影响网络学习训练的质量和推断正确结果的能力。在此次预测性能测试试验中，设置神经网络隐含层数为6，每层神经元数目为10 2 4，迭代次数为18 0 次，学习率0.0 0 0 2 52.4设定预测性能量化测试指标试验中设置预测误差作为试验的量化测试指标，其数值结果可表示为：8=AEEact-AE,forecast(9)C式中：AEac、Er o r e a s t 分别为低压配电网线损量的实际值和预测值。计算得出的越大，说明预测精度越低，即预测性能越差。2.5性能测试试验过程与结果分析试验设置2 0 2 1年11月1日的线损量作为预测目标，并利用实时数据采集的方式得出该日的实际线损量作为试验的对比标准数据，也就是Eac的具体取值。为了体现出设计预测方法的性能优势，试验选取文献3方法和文献5方法作为试验的两个对比方法。将初始准备的训练数据代人到线损量预测方法中，得出三种方法输出的预测结果，如表2 所示。表2低压配电网线损量预测结果文献3方法文献5方法本文方法真实线损类型输出的线损量输出的线损量输出的线损量值/kW预测结果/kW预测结果/kW预测结果/kW变压器铜损239.8238.7239.2239.8变压器铁损207.0206.3206.5207.1架空线路线损2.955.52.952.52.953.82.956.4电缆线损1894.81892.11892.61895.2总线损量7044.37033.27.037.27045.9将表2 中的数据代人到式（9）中，可得出文献3方法、文献5方法和本文设计预测方法的总预测误差，分别为11.1kW、7.1kW和1.6 kW。由此可见设计方法的预测误差更小，证明设计方法的预测性能更优。3结束语电力作为一种清洁的二次能源，对当今国家和社会发展具有重大的战略意义。从研究结果看出，通过基于RNN的低压配电网线损量预测方法的设计与开发，有效地解决了现有预测方法存在精度低的问题。然而由于RNN收敛速度慢，训练次数较多,导致低压配电网线损量预测方法可能存在预测速度慢的问题。另外此次试验只使用一组样本数据,因此得出的预测性能测试结果存在一定的偶然性和局限性，针对上述问题还需在今后的研究中进一步优化和补充参考文献：1梁飞令，赵云，马喆非，等。基于动态三相不平衡度的线损电量预测模型构建J自动化技术与应用，2 0 2 1，40（7）：9 1-9 5.【2 赵允，何立强，于景亮：基于灰色关联分析和IPSO-LSSVM的线损预测模型研究J东北电力技术，2 0 2 0，41（4）：6-10.【3王云，王巍，邱婷基于灰色分析的低压台区线损率预测模型设计J.信息技术，2 0 2 0，44（10)：112-115；12 0.【4秦勇明，张伟，周荣，等基于径向基函数神经网络的低压配电网三相不平衡附加线损研究J.电气自动化，2 0 19，41(5：45-48.【5王磊，张建宾，余昆，等。基于典型负荷曲线的配电网线损计算方法研究J.智慧电力，2 0 2 0，48（3）：12 4-130.【作者简介】吴晓强（19 9 0 一），男，广东广州人，硕士，工程师，主要研究方向为用电信息采集与计量自动化。张远亮（19 7 2 一），男，广东梅州人，硕士，高级工程师，主要研究方向为信息与自动化。谷海彤（19 7 7 一），男，浙江温州人，硕士，高级工程师，主要研究方向为用电信息采集与计量自动化。陈恺妍（19 9 1一），女，广东惠州人，硕士，工程师，主要研究方向为用电信息采集与计量自动化。