基于人工智能的配電網設備負載預測預警系統設計研究

吳 裔，李 凡，田英杰，郭乃網，阮靜嫻

(國網上海市電力公司電力科學研究院，上海 200437)

配電網由架空(或入地)線路、桿塔、電纜、配電變壓器、開關設備、無功補償電容等配電設備及其附屬設施組成。配電變壓器、線路等主要設備發生重過載事件表明配電網供電能力難以滿足高峰用電需求。其中，配電變壓器重過載是指配電變壓器在運行狀態中承受的負荷接近或超過額定容量，線路重過載是指線路在運行狀態中通過的電流接近或超過最大允許電流。一般而言，負荷介于額定容量70%～100%之間的配電變壓器處于重載狀態，負荷超過額定容量的處于過載狀態；類似地，通過電流介于最大允許電流75%～100%之間的雙環網線路處于重載狀態，電流超過最大允許電流的處于過載狀態。配電網設備重過載會影響電網安全穩定運行。以配電變壓器為例，長期重過載運行可能引起繞組、線夾、引線等部件的溫度上升，導致變壓器絕緣受損、損耗增加，致使變壓器短路、燒損等嚴重事故的發生。

目前，配電網設備的負載率預測和重過載預警以基于專家經驗的人工方式為主，存在預測預警的準確性不高、及時性不強等缺點。近年來，基于人工智能的負載率預測方法已成為研究熱點[1-14]。與基于統計分析的方法相比，基于人工智能的方法對復雜線性和非線性關系的擬合能力更強，能夠更深入地挖掘數據之間的關聯。本文研究設計基于人工智能的配電網設備負載預測預警系統，根據負載預測結果預警配電變壓器、線路的重過載狀態，為業務人員的日常工作提供技術支撐。

1 配電網設備負載率預測

1.1 預測框架

給出配電網的配電變壓器、饋線的負載率預測功能設計，整個預測流程主要包括以下步驟。

步驟1：數據清洗。對配電變壓器、饋線的歷史負載率數據的異常值和缺失值進行修正。

步驟2：聚類分析。根據負載率曲線特征，將配電變壓器、饋線劃分為多類。

步驟3：關聯分析。對每一類配電變壓器、饋線，量化評估其負載率與溫度、濕度、氣壓等氣象特征的相關性。

步驟4：建模預測。對每一類配電變壓器、饋線，構建單日96點的負載率預測模型。

1.2 數據清洗

對配電變壓器、線路的單日96點負載率的歷史時序數據執行數據清洗：采用離群點檢測方法檢出數據中的異常值并將異常值設置為缺失值；根據不同的缺失情況采用相應方法填充每個缺失區間。

情況1：缺失區間的時間跨度不超過1 h。基于負載率變化的局部相似性規律，使用上一小時的同時段數據進行填充。

情況2：缺失區間的時間跨度不超過1 d。基于負載率變化的日歷周期規律，使用上一周同時段數據進行填充。

情況3：缺失區間的時間跨度不超過1個月。基于負載率變化的日歷周期規律，使用上一月同時段數據進行填充。

情況4：缺失區間的時間跨度超過1個月。丟棄該條時序數據。

1.3 聚類分析

按照歐氏距離計算負載率曲線的相似度，采用層級聚類法將配電變壓器劃分為多類。以沿海某城市124臺配電變壓器為例，對同一周內的96點負載率曲線進行聚類，將所有配電變壓器劃分為住宅類、商業類、混用類，結果如圖1至圖3所示。由分析可知，三類配電變壓器的負載率曲線均呈現以日為單位的周期特征。其中：住宅類和商業類的峰值區間波形分別為尖峰型和平臺型，峰值時間與居民下班時間、企業營業時間相符；混用類峰值區間波形兼有住宅類和商業類的特征，該類配電變壓器的典型供電對象是一樓為商店，一樓以上為居民的商住混合型樓宇。饋線的分類與其掛設的配電變壓器分類一致。

圖1 住宅類配電變壓器負載率曲線

圖2 商業類配電變壓器負載率曲線

圖3 混用類配電變壓器負載率曲線

1.4 關聯分析

采用皮爾遜相關性分析法量化評估配電變壓器負載率與溫度、濕度、氣壓等氣象特征的關聯性。以沿海某城市124臺配電變壓器為例，采用式(1)計算配電變壓器負載率與同時期氣象特征之間的皮爾遜相關系數。

(1)

沿海某城市住宅類配電變壓器2017年的日負載率與溫度、溫度平方、氣壓、濕度的皮爾遜相關系數如圖4所示。由圖4可知：負載率與溫度、溫度平方、氣壓的相關性較強，相關系數分別為0.60，0.69，-0.58；負載率與氣壓的相關性較弱，相關系數為-0.13。進一步地，圖5展示了2017—2018年某配電變壓器日負載率按氣溫區間劃分的分布情況。由圖5可知，氣溫在30 ℃以上時，配電變壓器的負載率水平顯著上升，容易發生重過載事件。

圖4 住宅類配電變壓器日負載率與氣象特征的相關性熱力圖

圖5 按氣溫區間劃分的住宅類配電變壓器日負載率分布箱線圖

住宅類線路2017年的負載率與溫度、濕度、氣壓的皮爾遜相關系數如圖6所示。由圖6可知，日負載率與溫度、濕度、氣壓等氣象因素的相關系數介于-0.23～0.29之間，表明線路的負載率與氣象特征的關聯性“不顯著”，尤其與濕度的關聯性較低。

圖6 住宅類線路日負載率與氣象特征的相關性熱力圖

按照設計的步驟，分別計算各類配電變壓器、饋線與氣象特征之間的皮爾遜相關系數，基于相關系數確定數據建模過程中各特征的權重。

1.5 建模預測

為每類配電變壓器、饋線建立基于門限遞歸單元(Gated Recurrent Unit，簡稱GRU)的Seq2Seq負載率預測模型，訓練樣本為歷史單日96點負載率數據和同時段同采集頻度的氣象數據。模型的輸入為前一日96點負載率數據和后一日氣象數據，輸出為后一日96點負載率數據。

如式(2)和(3)所示，為評估負載率預測誤差，引入均方根誤差RMSE和平均絕對百分比誤差MAPE。

(2)

(3)

沿海某城市典型配電變壓器和線路的負載率預測結果如表1和表2所示。配電變壓器預測的RMSE在0.01～0.04之間，MAPE在6%～8%之間；與之相比，線路的預測誤差略高，RMSE在0.05～0.06之間，MAPE在5%～9%之間。

表1 典型配電變壓器負載率預測性能指標

表2 典型線路負載率預測性能指標

2 配電網元件重過載預警

2.1 預警框架

給出了配電網的配電變壓器、饋線的重過載預警功能設計，整個預警流程主要包括以下步驟。

步驟1：對象過濾。根據歷史負載率特征，從所有配電變壓器和線路中篩選出需要關注的對象。

步驟2：狀態預警。預測關注對象未來一日的96點負載率，判斷是否存在重過載風險。

2.2 對象過濾

基于負載率指標的過濾流程如圖7所示。由于配電變壓器、線路的數量規模龐大，需根據負載率指標設置二級監測指標和二級關注狀態，過濾出重點關注對象。

圖7 基于負載率指標的過濾流程

一級指標：從當前時點回溯53周內的最高負載率不超過50%。

一級關注：滿足一級指標的配電變壓器、線路處于一級安全狀態，否則處于一級關注狀態。

二級指標：去年同時點±7日的最高負載率不超過50%，并且從當前時點回溯7日內最高負載率不超過50%。

二級關注：對于處于一級關注狀態的配電變壓器、線路，若其滿足二級指標，則處于二級安全狀態，否則處于二級關注狀態。

考慮到預測誤差，這些指標體系將50%的負載率作為閾值。處于二級關注狀態的配電變壓器、線路在短期未來存在較高的重過載風險，使用負載率預測模型預測其隔日96點負載率的變化情況。

2.3 狀態預警

根據負載率的預測值判斷配電變壓器、線路的運行狀態。其中，輕載、臨界、重載、過載的設定如下：①輕載狀態，預測值小于60%；②臨界狀態，預測值大于等于60%且小于70%；③重載狀態，預測值大于等于70%且小于100%；④過載狀態，預測值大于等于100%。

為評估預測誤差，引入準確判斷率C、過重誤判率EH、過輕誤判率EL等指標。如式(4)～式(6)所示：Tfact為實際發生重載、過載的次數；Tpre為預測發生重載、過載的次數；TR為準確預警重載、過載的次數；TH為實際處于輕載狀態而預測發生臨界、重載、過載的次數；TL為實際發生臨界、重載、過載而預測處于輕載狀態的次數。

(4)

(5)

(6)

沿海某城市典型配電變壓器和線路的重過載預警結果如表3和表4所示。配電變壓器重過載預警的準確判斷率C的均值為0.90，過重誤判率EH和過輕誤判率EL的均值分別為0.15和0.11；與之相比，線路重過載預警的準確判斷率和過輕誤判率較好，但是過重誤判率接近0.30。考慮到重過載對配電網造成的潛在風險以及處于二級關注的配電變壓器、線路的數量有限，認為略高的過重誤判率不會對系統使用造成嚴重影響。

表3 典型配電變壓器重過載預警性能指標

表4 典型線路重過載預警性能指標

3 結語

本文研究設計配電網元件重過載預測預警系統，實現基于GRU的Seq2Seq負載率預測功能和基于兩級過濾規則的重過載預警功能，可以及時、精準地捕捉配電變壓器、線路等配電網元件的重過載風險。試運行期間的測試數據表明，負載率預測的MAPE均值為6.79%，重過載預警的準確率均值超過90%，具有應用推廣價值。

負載率預測和重過載預警是設備狀態檢測的有機組成部分，是配電網精益化管理的重要環節。未來，可研究基于多模態的負載率預測和重過載預警方法，通過大數據和人工智能技術分析多維、實時、高頻的電力設備狀態信息，進一步提升預測預警的精準度。