配電網臺區重過載風險預測方法

白 練，張舒杰，王春雨

（國網浙江嵊泗縣供電公司，浙江 舟山 202450）

0 引 言

隨著電力用戶的陸續接入，區域電網負荷不斷增加，在負荷高峰時部分配變處于重過載狀態，有效的重過載風險預測能夠減少或者避免配電網故障。此外對于電力系統的規劃工作，準確的重過載預測是整個電力系統規劃工作的前提。進入新世紀后，隨著中國的電力系統市場化、電力人員精簡化、電力資源共享化的進程日益加快，重過載風險預測作為現代預測評估系統中最重要的核心之一，具有極強的實際意義。

在配電網配變重過載影響因素方面，有關研究分析了氣象指標、用電類型、行業類型與配變重過載的概率關系，分析了重過載原因[1]。在預測方法方面，文獻[2]對負荷快速增長區域，從用戶本身、氣象數據和歷史數據出發，提出了臺區中長期重過載預測算法，該方法基于邏輯回歸概念；文獻[3]針對春節期間的重過載的預測情況，考慮春節時間短、樣本數量較少的問題，利用BP神經網絡和灰色模型對樣本開展預測，從而判斷設備重過載情況。文獻[4]以一周的居民用戶臺區數據為周期，以每周每天共7類負荷曲線為研究對象，并加入了氣象和經濟等外部數據。但該研究沒有考慮負荷一年四季的變化，預測效果有待提升。在預測模型方面，文獻[5]基于線性回歸模型，研究了不同模型處理下預測精確度的不同，然后通過實際案例，說明了通過對模型中訓練節點進行簡單分解，能夠有效提高預測精度，但實際案例只采用了天氣和時間數據兩種外部數據進行算法模型的訓練，考慮的影響因素不夠多。在影響因素方面，文獻[6]通過關聯規則提取重過載影響因素。

本文通過對配電網臺區運行負荷數據的分析，結合重過載內外部因素，設計預測算法，建立重過載預測模型，最后運用BP神經網絡方法對模型進行驗證，以達到重過載風險預測的目的。

1 臺區重過載相關模型

對于臺區重過載模型而言，常用多元回歸模型和BP神經網絡模型。其中BP神經網絡算法適應性較好，能夠有效解決重過載預測相關問題。該算法可以很好地解決多影響因素的現實問題，可以綜合考慮各類影響因素。通過數據的學習提高預測準確度，滿足工程預測需求。

2 臺區重過載數據處理與分析

首先根據重過載的定義，配電變壓器在正常使用周期中，承受接近或超過其正常負荷值的運行狀態稱為變壓器重過載運行狀態。通常情況下，變壓器負荷介于其銘牌容量的70%～100%范圍內定義為重載狀態；超過銘牌容量的100%時，稱為過載狀態。變壓器發生重載、過載狀態是允許短時間內持續，通常不超過2 h。若超過這個時間，就會引發各種故障或事故。對于96點有功功率數據，重過載的定義相應調整為：每天配變功率曲線中，重載為連續兩個或以上點三相負載率中的最大值超過80%；過載為連續3個點負載率超過100%。以此作為判定是否重過載的條件。

選取線路上一臺具有代表性、數據缺失較少、所在位置天氣數據易收集的配電變壓器進行分析，作為重過載風險預測的研究對象。為了使數據便于進一步分析，需要對原始數據進行數據變換和缺失補齊等數據變換操作。從審查系統數據庫和互聯網中抽取多類型數據，通過數據集成將不同源數據歸類統一。按照日期時間為索引將氣象數據與臺區功率數據合并為一張表，刪除冗余屬性。通過電能質量大數據清洗對整理的配變負荷數據進行預處理。通過對明顯異常數據進行修正和空缺數據的補充，可以提高后續數據處理的精度。

對于外部數據，經過關聯分析，溫度是影響負荷的重要影響因素，日類型次之，則本BP模型算法采用這兩個外部數據作為模型輸入量的補充。

3 基于Matlab BP神經網絡工具的風險預測

對于做Matlab中BP神經網絡問題時，訓練函數逼近時，將現有樣本其中80%的數據作為訓練樣本，其余數據為測試樣本，當然比例可以設定，但依然需要滿足最基本的訓練樣本多余測試樣本的原則。

圖1為BP神經網絡訓練結果圖，其中最上方的第一部分Neural Network是神經結構圖，可見輸入層、輸出層和輸出層的個數，均可直接得到；第二部分是訓練算法（Algorithms），此部分說明了數據的處理方式，如采用隨機（Random）對原始數據進行處理，性能（Performance）采用均方誤差（MSE）的最大值；第三部分訓練進度（Progress）即是顯示程序目前或者結果的運行狀況。其中訓練次數（Epoch）是人為規定的，可以設置為20 000次。時間（Time）為10 s。對于性能（Performance），由于這里采用MSE最大值，則進度條中顯示的是當前的均方誤差。

圖1 BP神經網絡結果示意圖

訓練完成的條件為實時均方誤差值小于設置的值。對這里的BP神經網絡算法來說，泛化能力檢查是指如果連續20 000次訓練后，訓練誤差不降反升，則結束訓練。

4 算例分析

以四川某地典型配變為例進行重過載風險預測分析。根據重載閾值為80%，過載閾值為100%，設置預警值為70%，為優化算法減少耗時，并與負荷預測進行區分，低于70%的點值不預測，高于70%的點值才做預測。考慮到夏季負荷比冬季負荷更具有代表性，選取某年7月份數據進行分析。日負荷中往往負荷高峰出現在晚高峰，選擇96個功率數據點中的56—96點，每天47點，一個月共1 410點數據作為模型的原始數據。

對于原始數據，由于數據具有黑箱理論，即事先并不知道過載的點在哪里，且由于外部數據和內部數據的匹配性并不是很好，即功率數據為每天96點，15 min為一個間隔，但由于氣象數據的模糊性和局限性，只有每天的氣象數據，作為對點驗證，采用堆積劃分訓練集和測試集的方法進行建模。經過權衡，且為了減少誤差，選擇預測點前兩天的n-1時刻，n-2時刻和n-3時刻，以及前兩天的外部數據，一共8個輸入量作為模型的輸入。采用Matlab中的神經網絡工具包進行預測。

根據以上算法，結合BP神經網絡和多次驗證后，輸出結果如圖2和圖3所示。最后結果平均誤差率為0.159 6，平均準確率為0.840 4。

圖2 預測結果1

圖3 預測結果2

為了對比輸入量的多少對預測結果準確度、誤差以及耗時的影響，現減少輸入量，分作4種方案進行神經網絡計算。

方案一，原始8個輸入量；方案二，減去溫度，其余保留；方案三，減去日類型，其余保留；方案四，減去前天的n-1、n-2、n-3功率數據，其余保留。論證分析結果如表1所示。

表1 對比論證分析結果表

可見減少溫度和日類型后，平均誤差率均上升，平均準確率均下降，但減去部分功率數據后雖誤差有部分下降，準確率有上升，但存在過擬合的現象，綜上所述，使用8個輸入量的模型預測效果較好。

5 結 論

對于BP神經網絡算法，為減小耗時、提高機器運算速度，選擇7月份每天的50—96個功率點進行建模。并根據前面的初步整理分析，選擇關聯度最高的兩個外部數據作為算法數據的補充。得出基本誤差和準確率后，為進一步論證準確率和原始數據的關系，采用不同方案進行對比，有步驟地對原始數據進行削減，得出原始數據準確率最高、結果最優的結論，最后根據重過載預測的結果來發布預警信息。