基于現場數據采集的配電網低壓線損預測方法

薛之裔

（蘇州三新供電服務有限公司 常熟分公司虞北業務所 ，江蘇 蘇州 215500）

0 引 言

電網預測實際上是一個十分復雜且煩瑣的處理過程，尤其是針對于電力混合調度、低壓線損等問題的維護，更是較為關鍵[1]。低壓線損是低電壓線路對于特殊位置的異常計算，多指380/220 V的線損，低壓線損率一般也需要控制在12%左右[2]。通常情況下，為了提升配電網整體的應用效果，增強實際的電力調度能力，會采用單向預測的方法來計算出預期、往期的低壓線損[3]。但是這種方式很容易受到外部因素的影響，再加上電壓不穩，導致最終測定的結果并不可靠[4]。

為了解決上述問題，結合配電網的應用現狀，本文融合現場數據采集法，構建更加靈活、多變的低壓線損預測方法。現場數據的采集有利于實時數據的提取與測定，便于電力調度的同時可以構建出更為全面的線損率預測模型[5]。針對于不同類別的低壓臺區訓練，逐漸消除存在的大量低壓臺區缺失特征數，以期增加線損預測的可靠性，營造出科學、穩定的預測環境，為電網技術的創新奠定基礎[6]。

1 設計配電網線損速率預測方法

1.1 多元負荷預測目標設定

在對現場數據采集的配電網低壓線損預測方法進行設計分析之前，需要先結合實際的電網調度現狀，設定多元負荷預測目標[7]。與傳統單向預測目標不同的是，多元預測目標的覆蓋范圍會更大一些[8]。

結合現場數據采集模式，將所獲取的數值、信息進行整合，并采用深度學習技術關聯長短時記憶網絡，設定預測梯度[9]。需要注意的是，梯度中的每一階段均需要對應預測目標[10]。再隨著配電網負荷預測程度的變化，進行調整、修改，構建單元結構，具體如圖1所示。

根據圖1，可以完成對單元預測結構的設計與應用。隨后，針對于配電網實際運行狀態，在多目標的背景下，測定出各個節點的電力負荷數值，為后續的預測工作奠定基礎。

圖1 單元預測結構圖示

1.2 BLSTM交換預測節點布設

在完成對多元負荷預測目標的設定之后，接下來采用雙向長短期記憶網絡（Bidirectional Long Short-Term Memory，BLSTM）交換預測模式，在配電網所覆蓋的區域內設定對應的預測節點。通常情況下，預測節點會將各位置聯絡線傳輸容量及其具體電量數值進行收集，然后設定電容限制，實現各區域功率均衡。

與此同時，調整上述設定的目標，營造實時預測的環境。在不同的區域中，將對應的預測節點關聯在一起，再利用最小二乘法計算出標定的單元輸出功率、輸入功率，并獲取最終的疊加比，測算出負荷預測線損率，具體公式如下：

式中：Ploss表示負荷預測線損率；i表示預測次數；Pin、Pout表示輸入和輸出功率。通過上述計算，最終可以得出實際的負荷預測線損率。根據得出的負荷預測線損率，結合BLSTM交換預測框架，設定單元的預測節點，采用循環布設的方式，提升整體的預測密度，為后續的預測處理提供參考數據。

1.3 等效數據采集線損預測模型設計

在完成對BLSTM交換預測節點的布設之后，需要設計等效數據采集線損預測模型。首先，構建歸一化預測環境，獲取歷史電網線損數值，并將其作為輸入變量。再將神經元融入預測模型中，營造等效預測飽和狀態。最后展開歸一化處理程序，并觀測出此時的線損狀態。

此時，可以測定出日供電量和電網參數的實際值，計量出預測的最大值和最小值，形成極限預測標準。采用灰色關聯方法先確定配電網的線路長度，測定出有功電量、無功電量等數據，通過現場數據采集獲得實時數值。通過不斷調整預測的目標構建多目標的預測數列，實現無量綱化處理，建立等效數據采集線損預測模型結構，具體如圖2所示。

根據圖2可以完成對等效數據采集線損預測模型結構的設計與構建，根據預測需求及標準的變更，調整預測目標，實現動態實時配電網低壓線損預測模型的建立。

圖2 等效數據采集線損預測模型結構圖示

1.4 等值電阻法實現線損預測

在完成對等效數據采集線損預測模型的設計之后，接下來需要采用等值電阻法實現線損預測。根據預測目標的變動，核定出對應的線損預測差值。在標定的范圍內計算出線損的損耗比，一般需要控制在0.5～1.25，并在低壓線路中設定小型的限制電路，以此來確保配電網運行及預測工作的穩定、安全性。在電路中設定等值的電阻，控制電網的總損耗電能，以提升變壓器的配電比，幫助預測工作順利執行，在控制誤差的同時，增強整體的預測精準度。

2 方法測試

本次主要是對現場數據采集下配電網低壓線損預測方法的實際應用效果進行分析與研究。考慮到最終測試結果的可靠性與精準性，需要選擇H配電網作為測試的主要目標對象。設定傳統功率交換低壓線損預測組、傳統改進神經低壓線損預測組以及本文所設計的現場數據采集低壓線損預測組。將測試最終得出的結果以對比的方式展開分析。結合實際的預測需求，搭建相關的測試環境。

2.1 測試準備

在對現場數據采集下配電網低壓線損預測方法的實際應用效果進行分析與研究之前，需要先搭建相應的測試環境。選取H配電網中50個臺區2 000組數據作為測試的主要預測目標，采用改進層次聚類法對其進行數據分類，預設有效聚類為6個。此外，利用專業的設備，在配電網現場進行數據采集，隨著電壓的變動作出對應的更改調整，具體如表1所示。

根據表1可以完成對數據采集輪廓數值設定。檢測配電網的低壓線損情況，調整模型中的指標參數，營造穩定的測試環境。核定測試的設備與裝置是否處于穩定的運行狀態，并確保不存在影響最終測試結果的外部因素，核定無誤后，開始具體測試。

表1 數據采集輪廓數值設定表

2.2 測試過程及結果分析

在上述搭建的測試環境中，結合數據現場采集方法，對H配電網的實際低壓線損進行預測。隨著數值、電壓的變動，測定出對應的線損異常比，并獲取供電半徑、線路總長度、負荷水平值等。當線損率達到最高時，測定出其對應的預測負荷峰值，分析所選臺區電氣參數的合理性。

根據所采集的數據，設定各個配電區域的預測模型聚類系數，計算出線損的實際平均值為83.272 kW·h，測定線損預測情況，具體如圖3所示。

根據圖3，可以完成對線損預測情況的分析與研究。結合線損率的變化，計算出異常比，具體公式如下：

圖3 線損預測情況對比圖示

式中：H表示低壓線損異常比；r表示聚類輪廓系數；β1表示預設電壓；β2表示實測電壓；k表示預估差值。通過上述計算最終可以得出實際的低壓線損異常比，并將其設定在預測模型中，營造穩定的測試環境。根據異常比和線損情況，測定出H配電網50個臺區的預測時間，并對得出的結果進行實踐研究，具體如表2所示。

根據表2可以完成對測試結果的分析與研究。對比于傳統功率交換低壓線損預測組、傳統改進神經低壓線損預測組以及本文所設計的現場數據采集低壓線損預測組，最終得出的預測時間相對較短，均勻控制在了1 s以內。表明其在實際應用的過程中，對于H配電網的低壓線損預測速度更快、誤差小、效果更佳，更具有實際應用價值。

表2 測試結果對比分析表

3 結 論

結合現場數據采集，構建了低壓線損預測方法。對比于傳統的方法，本文所設計的預測方法更加靈活、準確，而且在復雜的電網環境下，結合往期數據和信息對固定區域的配電網線損水平進行了一個合理的反映，更好地呈現出預測的效果。不僅如此，通過現場數據的采集與匯總，可以營造系統、完整的預測環境，能夠全面掌握配電網的線損狀態，一定程度上可以消除存在的預測偏差，及時進行糾正，促使線損率回到合理的范圍，確保整體的預測效果。