同期線損分線損耗異常辨識方法研究

張雨若，劉凱迪，孟思潔

（南京工程學院 電力工程學院，江蘇 南京 211167）

線損率是一種用于判斷電力公司總體經濟效益的指標，它既可以衡量電力系統實際應用狀態，也可以衡量供電企業的經濟和社會效益。文獻[1]提出10 kV線損分線分層統計模型設計，雖然該模型線損考核趨于精細，但不易排查到引起線損異常的原因。文獻[2]提出基于多系統數據信息交互的10 kV分線線損分析，雖然能夠快速定位，但是需各系統緊密結合。文獻[3]提出一種基于負載曲線的新技術線損計算方法，對電網數據重新排列，計算更加可靠。文獻[4]提出一種基于計量自動化系統的10 kV分線線損異常自動排查模型，提高了電網線損管理的準確性、高效率性。本文針對10 kV分線同期線損率的不同異常情況，提出了清晰有效的線損異常分析步驟，能夠對異常端數據地址快速精準定位。通過人工審核及時處理，對線損率異常線路進行整改，使線損率達到正常范圍[5-6]。

1 線損計算原理

1.1 理論損耗計算

理論損耗又被稱為技術損耗，通過計算設備提供的數值和電力實際運行狀況計算得出：

理論線損率=理論線損電量/供電量。

根據DL/T 686—2018《電力網電能損耗計算導則》，可以精確計算出線路線損的損耗情況。其中，0.4 kV低壓配電網通常采用基于實測線損的臺區損失率法，而10 kV高壓配電網則采用均方根電流法。

1.2 10 kV分線同期線損

國家電網以月為單位對電力公司進行估算，月供電量和售電量均采用計量表計量，而月同期線損率為月供電量與售電量的差值與月供電量的百分比：

式中，Wm為月供電量和售電量，Dc為月末計量表的表底值，Ds為月初計量表的表底值，K為計量倍率，ηst為月同期線損率，Wi為月同期供電量，W0為月同期售電量。從上式可知，Wm采用月末減月初的形式，這樣避免計量表的日計量誤差或采集誤差，使得計算結果更符合實際情況。

2 建立10 kV分線線損異常自動排查模型

10 kV分線線損異常自動排查模型如圖1所示。

圖1 10 kV分線線損異常自動排查模型

步驟一：判斷終端是否在線。

當線路出線口通信中斷時，系統無法精準檢索供電量，所以其對應的線損率也不能計算。當線路負載端的通信中斷時，該系統會誤算售電量，最終導致計算得到的線損率比實際值大。

通過上述分析，對終端的各種不同在線情況進行分析與處理，具體情況如下。

在計量自動化的情況下，如果某一線路的計算線損值不在預設范圍內，則需要啟動終端。計量系統會檢測某一指定線路的所有連接的終端。如果系統檢測到某一路段上所有終端的通信狀態都正常時，則表示所有的終端都處于在線狀態，可以結束現有分析，并繼續分析。

步驟二：數據完整性分析。

當終端采集數據時可能會導致線損異常情況發生，因為系統在日常運行過程中始終保持終端在線，所以對故障難以識別。在測量設備無法獲取數值的情況下，該系統便無法對線損值進行計算，因為測量系統會自動賦值為0。如果負載端或測量端數據配置失敗，在終端測量時會測0，經過線損計算，導致計算得到的線損值偏大。

結合上述分析，可以分析和處理終端的數據完整性，具體如下。

如果此時線損值不在預定的范圍內，則對終端進行分析，分析完成后如果線損異常情況未恢復，再繼續分析。自動測量系統會檢查線路上所有相關終端數據的完整性，自動完成終端數據完整性分析，并開始進行其余類型的線損分析。若系統檢測出該線路上有一個或多個終端連接失敗，則立即對終端電源數據進行補充采集。

步驟三：檔案異常情況分析。

對于路段異常由終端檔案產生的情況，其可能是在數值方面產生異常，或是增加了新的電力負載設備。因此，為了確定終端文件中是否有錯誤，需要檢查檔案中最近的所有更改，以及使用以前檔案中的數據自動重新評估線損，并加以驗證。利用以前的終端檔案數據重新評估線損值，如果重新評估數值返回正常范圍，發現異常原因是終端存檔錯誤，系統自動將分析結果發送給人事部門進行核實確認。如果線路沒有重新評估，繼續分析。

步驟四：終端計量故障分析。

終端測量的常見問題主要與電壓損失、電流損失和設備本身編程有關。流量損失可能是由用戶的空載、竊電或測量裝置故障引起的，只有借助同一時期的某戶測量裝置與歷史測量值相比對，才能得出可能出現流量損失問題的結論。

綜合上述分析，可以羅列出在終端故障分析和處理，具體如下。

在經過上述兩類的線損檢測后，如果其線損值不在預設的正常范圍內，就會采用終端故障分析。如果測得端電壓值不在正常范圍內時，則繼續進行比較；反之，則結束分析。

步驟五：系統運行方式情況分析。

系統工作方式的改變而引起的異常線損，可能是電源的變化、導電線路的變化等原因導致的GIS配電系統中的數據無法協調。系統會自動將線路損壞的結果以檔案的形式發送給操作員，進行人工核查確認，檢查系統的自動判斷結果是否正確，并確保終端沒有打開。一旦解決終端不在線問題，工作人員就可以在線完成終端分析，并上傳檔案。

3 實驗論證

2021年7月10至15日期間，某高校校區宿舍樓線路線損波動較大，如圖2所示，可能出現線路損耗異常情況。通過自動監測系統計量得到幾日線損數據，此時線損波動范圍在2%-4%。已超出正常線損波動范圍（0%～3%）因此系統可啟動10 kV分線線損異常自動排查模型。

圖2 某高校宿舍樓線路每日有功電量及線損率

確認終端在線后對數據完整性情況進行分析，此時系統可以檢測到宿舍樓內所有相關終端的通信狀態和檔案信息。經計算驗證發現，該6個終端通信正常且所有終端無異常情況發生，所有需進一步對終端數據進行分析見表1。

表1 某高校宿舍樓線路線損計算值

因為每天的線損可以在系統文件更新后的第二天計算，所以需檢索出7月10日至15日該線路上所有相關終端的檔案信息變更記錄。見表1，通過比對，在這6天內該線路所有關聯終端檔案未發生變更，因此需要繼續進行終端計量故障分析。首先對該線路上所有關聯終端電壓進行數據采集，發現電壓值雖在正常范圍內，但波動較大，初步判定該終端電壓正常并繼續比較其他終端數據。

經理論電壓值重新計算線損，發現新線損值已全部降至3%以下，如圖3所示。通過對終端數據的比較還原發現，該次線損異常的原因可能為系統運行方式的改變造成。根據流程將初步分析結果發送給工作人員進行人工審核和處理，以確保此數據分析的準確性，從而實現自動排查模型的可行性。

圖3 某高校宿舍樓還原線損電量

4 結束語

本文通過對線損異常情況進行數據整理分析，提取系統自動識別的表征，通過對終端是否在線、終端數據采集故障、終端檔案信息異常等易導致線損異常的原因進行逐步分析，最終成功構建出10 kV分線線損異常自動排查模型。通過實際計算和分析，驗證了此異常自動排除模型的可行性與實用性。