基于聚類算法的配電網線損預測方法

劉喬保，黃 敏

（國網安徽省電力有限公司郎溪縣供電公司，安徽 郎溪 214500）

0 引 言

無論是輸電系統還是發電系統，都是通過配電網將電能傳送給用戶，同時配電網作為電力系統的終端，與用戶直接相連。由于配電網的供電半徑比較長，線路損失比較嚴重，在電網的各種損耗中，線損占比為20%。此外，10 kV 配電網的線路分支較多，供電負荷的性質具有多樣性，統計線損時的工作也更加復雜，因此與輸電主網相比，配電網的自動化水平相對較差，很難精確采集線損的具體參數和數據[1]。傳統的理論線損計算方法，需要詳細分析配電網的結構參數和物理參數，既需要耗費大量的人力物力，又不能保證線損預測的準確性。

周王峰等人面向配網線損精細化經營的需要，以精確掌握配網線損的短時動態為目標，采用去噪聲自動編碼機與長短期記憶（Long Short Term Memory，LSTM）網絡聯合的方法，構建配網線損的日預報模型[2]。首先，構建基于灰關聯的綜合評價指數，并利用該指數統計線路的日損耗率，以歷史數據為輸入，預測線路的日損耗率。其次，建立非監督的降噪自動編碼器（Denoising Auto Encoder，DAE）學習方法。最后，通過編碼和重建數據，完成數據的特征抽取和降維。將該數據集引入LSTM 神經網絡中，通過對其進行擬合，建立了一種基于LSTM 神經網絡的線路日損耗率預報模型。以湖南省某地多條配電網為例，計算日線損率。結果顯示，該方法的計算時間短且精度高，為其在工程上的運用提供了依據。該背景下，文章將聚類算法應用于配電網線損預測，從而為配電網線損水平的評估提供依據，保證其運行的穩定性。

1 配電網線損預測方法設計

1.1 聚類處理配電網線損數據

對配電網線損數據進行聚類處理時，根據線損數據樣本的具體數量，計算出線損數據空間比值γ(x)。其公式為

式中：χ(x)表示配電網線損數據在指定空間內的覆蓋值；χmax表示采樣空間中線損數據樣本的最大值。

假設線損數據在采樣空間中的變化范圍為0～1，那么數據越趨近于1，線損數據樣本在采樣空間中的覆蓋率就越高。但是，該過程中，需要考慮線損數據在采樣空間中的冗余值[3]。冗余度指數計算公式為

式中：Ri,j表示線損數據xi和xj在采樣空間中的關聯度。Ri,j的值越大，說明線損數據中的冗余值越大，當Ri,j的值為0 時，說明線損數據中不存在冗余值或者冗余值比較低。

判斷配電網線損數據的冗余程度之后，利用聚類算法對線損數據進行聚類處理[4]。具體步驟如下。

步驟一：初始化聚類算法。確定線損數據的初始聚類中心和聚類數量。

步驟二：數據劃分。線損數據樣本中，計算出樣本數據與聚類中心之間的距離，公式為

式中：Oin表示樣本集中的線損數據；Xjn表示聚類中心。根據式（3）的結果，將線損數據分配到n個聚類中。

步驟三：重新計算聚類中心。經過式（3）的計算后，重新劃分n個聚類中所有線損數據樣本的平均值，將其作為新的聚類中心。

步驟四：判斷是否收斂。判斷線損數據的聚類處理過程是否收斂的公式為

式中：Xq表示Ci類別中的線損數據樣本；Qi表示類別Ci中的聚類中心。當ψ的值達到設定的誤差條件或者逐漸趨于穩定時，可以判斷線損數據的聚類處理結束[5]。如果ψ的值比較大，需要重復操作步驟二和步驟三，直到聚類算法收斂為止。

根據以上過程，去除線損數據的冗余值之后，根據聚類算法的收斂判斷，聚類處理配電網線損數據，為配電網的線損預測提供依據。

1.2 構建配電網線損預測模型

以線損數據的聚類處理為依據，通過瞬態自適應麻雀搜索算法（Transient Adaptive Sparrow Search Algorithm，TASSA）對多粒度長短期記憶（Multi granularity-Long Short Term Memory，Mg-LSTM）網絡進行優化，構建配電網線損預測模型[6]。首先，將反映配電網線損與特征參量之間關系的樣本數據劃分為2 部分，一部分用于線損預測建模，另一部分用于調試。具體過程如下。

步驟一：獲取配電網在運行過程中的參數和結構參數。

步驟二：根據線損數據的聚類處理，提取出配電網線損數據的特征。

步驟三：設置Mg-LSTM 網絡的參數，對種群進行初始化，計算個體的適應度[7]。

步驟四：更新發現者的位置，即

式中：T和C1表示一個隨機數；Xbt表示個體的全局最佳位置；Xi,jt表示初始位置；r1表示[0,1]內的隨機數。

步驟五：通過更新加入者的位置，計算個體在新位置的適應度，并保存個體在種群中的最優位置和最劣位置。

步驟六：滿足迭代條件時，得到優化后的Mg-LSTM 網絡，否則重復操作步驟（3）～步驟（5）。

步驟七：將線損原始數據輸入優化后的Mg-LSTM網絡，對線損數據進行預處理，剔除異常數據[8]。

步驟八：引入灰色關聯分析，對配電網線損特征參數進行關聯度分析，篩選對線損影響較大的特征參數。

步驟九：通過對優化后的Mg-LSTM 網絡進行訓練，得到基于TASSA 優化Mg-LSTM 的預測模型。

步驟十：利用步驟九中的預測模型，對配電網中的線損進行預測，構建配電網線損預測模型。

配電網線損預測的具體流程如圖1 所示。

圖1 配電網線損預測流程圖

利用TASSA 對Mg-LSTM 網絡進行優化后，建立基于TASSA 對Mg-LSTM 優化的預測模型，實現對配電網線損的預測。

2 實驗對比分析

2.1 實驗準備

為驗證文中方法在配電網線損預測中的有效性，進行模擬實驗。將采樣時間設置為2 個月，收集了60 d 的配電網線路損耗數據，包括端口電流、有功功率和無功功率。同時，技術線損與輸電線路所在的環境有關，必須監測周圍的溫度和濕度等參數。由于采樣區域內的氣候變化比較大，采樣間隔應為1 h 一次，基礎資料每隔24 h 才會刷新一次。通過數據融合的方式，對24 h 的數據和1 h 的數據統一處理，確保線損率的計算不會出現錯誤。

采集實驗數據時，會出現采集失敗的情況，需要刪除采集率低于80%和錯誤采集的數據，如果不刪除就會影響最終的預測精度，實驗過程中的相關參數如表1 所示。

表1 實驗參數

利用誤差率作為線損預測精度的衡量標準，計算公式為

式中：εc表示線損預測值；εb表示配電網的實際線損。

2.2 結果分析

為避免實驗結果單一，引入基于降噪自動編碼器-長短期記憶（Denoising Auto Encoder-Long Short Term Memory，DAE-LSTM）神經網絡的預測方法與文中方法進行對比，測試配電網線損預測的誤差率，結果如圖2 所示。

圖2 配電網線損預測的誤差率

從圖2 的結果可以看出，采用基于DAE-LSTM神經網絡的預測方法時，對配電網線損預測的誤差率在3.0%～6.0%，原因是DAE-LSTM 神經網絡的訓練不充分，會導致線損數據存在噪聲，影響預測結果。采用文中方法時，由于采用聚類算法對線損數據進行了聚類處理，并利用TASSA 對Mg-LSTM 網絡進行了優化，將線損預測的誤差率控制在2.0%以內，大大提高了預測的精度。

3 結 論

文章提出一種基于聚類算法的配電網線損預測方法，經過實驗測試發現，該方法可以提高線損預測的精度。該方法雖然取得一定成果，但是還存在不足，在今后的研究中，希望可以引入蟻群算法與人工神經網絡相結合，從而提高配電網線損預測的準確性。