考慮分布式光伏的低壓臺區線損異常辨識方法

劉曉軍，高彬彬，張 剛，夏遠德，劉元振

（國網喀什供電公司，新疆 喀什 844200）

隨著社會的發展，工業和農業用電需求不斷增加，導致大量分布式光伏并網接入電網，這對配電網的電能質量和運行效率都產生了一定的影響[1]。因此，準確辨識線損異常臺區并及時采取措施治理線損異常現象，對于提升配電網運行效率、降低線損具有重要意義。目前，國內外學者對線損異常辨識方法進行了研究。有專家提出了一種基于改進的支持向量機（Support Vector Machine，SVM）的線損異常辨識方法，并將該方法應用于某地區實際配電網數據進行仿真驗證；另有專家提出了一種基于模糊理論與BP 神經網絡相結合的配電網線損異常辨識方法。但現有方法大都以配電網線損正常為前提條件，在考慮分布式光伏接入的低壓臺區線損異常辨識中存在一定的不足，因此有必要對此進行進一步的研究。

1 低壓臺區線損波動特征

低壓臺區的線損波動特征主要分為兩類：一類是分布式光伏接入引起的線損波動；另一類是電壓、電流互感器變比故障引起的線損波動。對兩類線損波動特征進行關聯度分析，從關聯度大小可知，分布式光伏接入引起的線損波動特征關聯矩陣與電壓、電流互感器變比故障引起的線損波動特征關聯矩陣之間的關聯程度較高，與分布式光伏接入引起的低壓臺區線損波動特征關聯度相對較低[2]。從系統結構可知，低壓臺區線損率數據采集系統結構復雜，存在分布式光伏接入、電壓、電流互感器變比故障、配電變壓器故障等多種不確定因素，線損率數據采集系統與其他系統關聯較弱。

2 含分布式光伏的低壓臺區異常線損特點分析

通過兩個基礎模型對分布式光伏前后的線損來進行簡單計算，如圖1 所示。模型A 為未接入光伏配電網，相反，模型B 為接入光伏配電網，其中模型使用的負荷、電源、線路阻抗都是相同的。設整個電路長為L、線路單位阻抗為R+jX，所接負荷的功率為PL+jQL；在模型B 中電源距離分布式光伏接入位置為K，光伏出力為PPV+jQPV。模型A 的線損ΔP；模型B 電源距離分布式光伏接入之間的線損為ΔP1和分布式光伏到負荷之間的線損ΔP2，總線損為ΔP∑。

圖1 簡化的配電網模型圖

設分布式光伏發出的無功功率為0，并采用近似計算法，節點電壓近似為U。

如圖1 可知模型A 的線損為：

模型B 的線損為：

模型B 的總線損為：

接入分布式光伏前后配電網線損變化量為：

由式（5）可知，在接入分布式光伏后，低壓臺區線路損耗的加減呈現出一種不確定性，若分布式光伏發出的功率小于兩倍的負荷量，會降低配電網的線路損耗；若分布式光伏發出的功率等于兩倍的負荷量，配電網線路損耗不發生變化；若分布式光伏發出的功率大于兩倍的負荷量時，反而使得配電網線路損耗增加。

分布式光伏引起的線損不確定性，也給線損異常判斷帶來了問題：（1）分布式光伏發電時，由于光伏組件等設備的運行特性，會造成電能損耗，進而導致低壓臺區線損異常。（2）分布式光伏發電系統接入配電網后，配電網電壓波動會導致低壓臺區出現電壓、電流不平衡的情況，進而使低壓臺區線損異常[3]。

3 線損異常臺區判別流程

3.1 數據預處理

由于低壓臺區采集的數據量大，數據類型多樣，同時受到設備故障、電壓質量等因素影響，使得數據不穩定，存在數據缺失、異常點、異常值等情況。因此，需要對采集到的低壓臺區線損數據進行預處理。在線損數據預處理中，首先需要進行數據清洗。由于采集系統中的采集終端對數據的采集和記錄方式不一致，導致同一臺區的線損數據在不同采集終端中具有不同的屬性值，并且不同終端之間存在差異。在線損數據預處理過程中，首先需要將線損異常樣本與正常樣本進行分類和歸一化處理，將線損率大于正常值的樣本定義為臺區線損異常樣本，將線損率小于正常值的樣本定義為臺區線損正常樣本[4]。

3.2 特征指標選取

在臺區線損異常辨識中，特征指標的選取是影響模型訓練精度的關鍵因素之一。針對臺區線損異常樣本，選取線損數據中的特征指標。考慮到臺區線損數據的非平穩性，采用主成分分析法對臺區線損數據進行特征提取。主成分分析是一種降維技術，其基本思想是將一個變量的數據信息經過線性變換變成幾個變量的線性組合，即將原始變量進行降維，從而減少原始數據之間的相關性。基于主成分分析法，可以通過提取臺區線損數據中的特征指標來建立模型。根據臺區線損數據特性選取的特征指標主要包括：線損均值、標準差、變異系數、偏度和峰度等。其中，線損均值是衡量臺區線損異常樣本數量最常用的指標，變異系數是衡量臺區線損異常樣本離散程度最常用的指標，而偏度則用于描述臺區線損數據離散程度和分布情況，峰度則用于衡量臺區線損異常樣本離散程度和分布情況。

4 線損異常判定方法

4.1 基于灰色關聯度的線損異常指標選取

4.1.1 灰色關聯度概念

灰色關聯度概念是一種用于分析和評估不確定性和模糊性數據的方法。它是由中國科學家陳三立在1980年代初提出的。灰色關聯度理論基于灰色系統理論，它通過對數據序列中的變化趨勢和模式進行分析，揭示出因素之間的關聯程度。灰色關聯度可以用于研究多個因素之間的相關性，并且可以處理部分已知信息的情況下的數據不完整問題。它適用于各種領域的數據分析，包括工程、經濟、管理、環境科學等。

在灰色關聯度分析中，首先需要確定一個參考因素，然后將其他因素與參考因素進行比較。通過計算各個因素的關聯度，可以評估它們與參考因素之間的相關性程度。關聯度值越大，表示兩個因素之間的相關性越高。灰色關聯度分析可以幫助我們在復雜的數據中提取出有用的信息，并洞察因素之間的關系。它常用于預測、決策分析、優化設計等問題中，為決策提供科學依據。

計算灰色關聯度的關聯度系數和關聯度表達式分別為：

4.1.2 線損相關指標分析

線損率反映了一個臺區的線損水平，所以選擇線損率作為臺區線損的映射量[5]。在臺區拓撲結構和用戶固定的前提下，考慮溫度對光伏的影響，以及光伏對線損影響的潛在可能，同時考慮與用戶相關的電量指標，選取光伏發電量、平均溫度、相對濕度、供電量和售電量等進行灰色關聯度分析，探索考慮分布式光伏接入的線損關聯因素。

以某實際配電臺區拓撲為基礎，定義臺區1 有3個光伏用戶，光伏接入總容量為12kW；臺區2 有15 個光伏用戶，光伏接入總容量為35kW。對兩個臺區的光伏發電量、平均溫度、相對濕度、供電量、售電量和線損率因素進行關聯性分析，可得出以下結論：（1）供電量和售電量對線損率的關聯度比較大。（2）臺區1 光伏用戶少，光伏發電量較少，光伏發電量和平均溫度對線損率的關聯度都比較低(關聯度小于0.7)；臺區2 光伏用戶多，光伏發電量比較大，平均光伏發電量約占平均售電量的25%，光伏發電量和平均溫度對線損率的關聯度也較高(關聯度大于0.7)。

根據上述分析，光伏發電量的大小將影響光伏發電量對線損的影響程度，當光伏發電量比較大的時候，光伏發電量對線損率的關聯度比較大，反之當光伏發電量比較小的時候，光伏發電量對線損率的關聯度比較低。因此，在實際線損異常判別時，應首先對臺區的情況進行分析，再結合關聯度分析選擇合適的指標進行離群點檢測，尋找線損異常的數據，以此來判斷臺區線損是否有異常的可能。

4.2 基于時間離散度的線損異常臺區判別

4.2.1 時間離散度計算

對于分布式光伏而言，其主要輸出電量為太陽能電池板所接收的光能，而非電力系統內部消耗的電能，其與電力系統內部電能損耗之間存在一定的差異，因此在考慮分布式光伏對配電網線損分析影響時，應首先考慮分布式光伏電量對線損分析的影響。

基于分布式光伏電量信息計算得到臺區線損時間離散度可表示為：

其中，nj為第j 簇的總天數；tk為數據對應的時間。

4.2.2 線損異常臺區判別

低壓臺區線損率是衡量低壓臺區的經濟性能指標，具有明確的經濟含義。由于其與分布式光伏發電系統相結合，可將分布式光伏發電系統所發電量與電能計量裝置計量的電量進行疊加，從而形成綜合線損。通過綜合線損可以反映出分布式光伏發電系統所發電能是否為用戶所用，從而進一步判斷線損異常的原因[6]。

基于對分布式光伏發電系統發電量的分析，本節從以下兩個方面對低壓臺區線損異常辨識進行研究：

通過分析分布式光伏發電系統發電量與臺區用戶用電之間的關系，得到臺區分布式光伏電量與臺區用戶電量之間的關系曲線。由于分布式光伏發電系統的特殊性，其在運行過程中存在波動，因此需要對其所發電能進行多項式擬合，將擬合后的電量和實際電量進行對比，從而確定出分布式光伏發電系統所發電能是否為用戶所用。對該部分內容進行詳細介紹。

異常系數是用來判斷一個臺區是否異常的，為方便比較，對臺區時間離散度量化處理。通過本文方法，并根據實際情況和數據分析，參考以往文獻，當異常系數大于0.5 時判定為異常臺區。臺區線損異常系數的計算公式為：

式中：x 為臺區線損異常系數；cj為第j 簇離群點所占總離群點的比重；tjmax為Tj的最大值；n 為總天數。

5 結論

由于低壓臺區線損率數據采集系統結構復雜，存在分布式光伏接入、電壓、電流互感器變比故障、配電變壓器故障等多種不確定因素，線損率數據采集系統與其他系統關聯較弱。本文針對低壓臺區線損異常辨識問題，基于分布式光伏電量信息，分析了包含分布式光伏的低壓臺區線損異常辨識方法，實現臺區線損異常辨識。