基于大数据分析的电能损耗预测模型的仿真分析

张明明

摘 要： 对电能损耗进行预测的过程中，传统的预测方法，由于影响电能损耗的因素之间具有非常复杂的非线性与强相关性，导致很难得到高精度的预测结果。提出一种基于大数据分析的电能损耗预测模型，建立电能损耗预测单元模型，分析发电器模型、变电器模型和输电器模型建立的过程，引入灰色综合关联度对大数据进行分析，对各个组成区域序列累加得到整体区域电能损耗情况，并进行微分处理，通过GM（1，1）的转换实现对整体电能损耗预测模型的构建。仿真实验结果表明，所提模型具有较高的预测精度，能够很好地避免非线性因素对模型的干扰，为电力企业制定合理的电能损耗计划提供可靠依据。

关键词： 大数据分析； 电能损耗预测； 灰度关联； 仿真实验

中图分类号： TN911?34；TM711 文献标识码： A 文章编号： 1004?373X（2016）06?0153?04

Simulation analysis of electric energy loss prediction model based on big data analysis

ZHANG Mingming

（Institute of Smart Grid， CSG Science Academy， Guangzhou 510080， China）

Abstract： The traditional prediction method in the process of electric energy loss prediction is hard to obtain the high?precision prediction results due to the very complicated nonlinear and strong correlation between factors influencing on the electric energy loss. An electric energy loss prediction model based on big data analysis is put forward. The unit model of the electric energy loss prediction was established， and the building process of generator model， electric transducer model and electric transmitter model was analyzed. The gray synthesis correlation degree was introduced to analyze the big data. The electric energy loss situation of the whole region was obtained by sequence accumulation of each sub?region， and then a differential treatment was conducted. The construction of the whole electric energy loss prediction model was realized by GM （1，1） transformation. The simulation results show that the proposed model has high prediction accuracy， and can better avoid the interference from nonlinear factor. The model can provide a reliable basis for the power enterprises to make the reasonable electric energy loss plan.

Keywords： big data analysis； electric energy loss prediction； gray?scale correlation； simulation experiment

0 引 言

近年来，随着人们物质条件的逐渐发展，能源越来越紧缺，减少电能损耗成为亟需解决的问题[1?2]。随着电网运行管理的智能化，电能损耗计算对算法的精确程度要求越来越高，如何有效准确地进行电能损耗预测，对电网企业开展降损节能工作具有重要意义，其已经成为相关学者研究的重点课题[3?5]。目前，针对电能损耗的预测方法主要包括潮流方法、神经网络方法和支持向量机方法等，相关研究也取得了一定的成果。文献[6]提出一种基于BP神经网络的电能损耗预测模型，通过神经网络对电能损耗进行预测，但该方法存在局部收敛、收敛效率低以及隐含层神经元选择复杂等弊端，而且该预测模型还需要大样本容量。文献[7]提出一种基于潮流计算的电能损耗预测模型，该模型可在历史数据不多的前提下，获取电能损耗预测量的内在规律，但该模型仅在电力系统生产技术条件变化不大和影响电力系统电能损耗的因素不产生很大变化的前提下适用。文献[8]提出一种基于聚类分析和线性回归的电能损耗预测模型，通过K均值聚类将电损数据依据不同的特征进行分类，针对各数据类分别进行线性回归，通过线性回归模型实现电能损耗的预测，但该模型存在训练时间长的弊端。文献[9]提出一种基于粒子群算法和支持向量机的电能损耗预测模型，通过粒子群算法对支持向量机进行参数寻优，构建电能损耗预测模型，但该模型存在易陷于局部极小点的缺陷。文献[10]提出一种基于改进核心向量机的电能损耗预测模型，该模型将能耗的计算抽象成回归分析问题进行求解，将历史电损值构成样本集，将其作为源数据进行训练，从而实现电能损耗的预测，但该模型存在网络结构复杂的弊端，预测精度偏低。

本文提出一种基于大数据分析的电能损耗预测模型，对相关数据进行预处理，利用灰色综合关联度获取关键因素，得到该电网电能损耗变化的规律，通过GM（1，1）实现对电能损耗的预测。经实验验证，本文模型具有较高的预测精度，能够很好地避免非线性因素对模型的干扰。

1 电能损耗区域的原因分析

在电能损耗的计算过程中，发电器、变电器、输电器是产生电能损耗的主要部件；因此，对三个电器的电能损耗进行合理的分析，可以为下一步的预测工作打下较好的基础。

1.1 发电器电能损耗分析

发电器电能损耗是电能损耗的根本，其模型可通过惯性环节进行模拟，因为调制波的频率明显高于电网频率，在发电过程中产生一定的电能损耗情况，所以惯性延迟时间常数很小，变电器模型如图1所示。

图1 发电器电能损耗区域分析

1.2 变电器电能损耗分析

变电器必须快速跟随参考电流的瞬态变化，其响应速度比输电器高得多，将输电器形成的电流看作是基准[I]，通过一系列阶段，对变电器的电流进行控制，也就是形成参考电压[U]。通过dp坐标的转换将参考电压[U]变成逆变器所需的参考电压[Udp_ref]，形成触发脉冲。所以，可分析变电器电能损耗的情况，变电器的损耗区如图2所示。发电机[P1]产生的电流为[I2]，电压为[U2]的电源，通过升压变压器处理形成电流为[I12]，电压为[U12]的电源，在电流不变的情况下经过电阻[R]把电压降至[U2]通过一定的降压变压器处理形成流为[I3]，电压变为[U用]，最终变为用户可用的安全电源。但在升压和降压时产生大量的电能损耗。

图2 变电器电能损耗区域分析

1.3 输电器电能损耗分析

输电器也是产生损耗的一个关键部件。由于变电器电能损耗预测模型的响应速度较慢，所以，在对输电器进行能耗分析的过程中，首先需完成对变电器电能损耗原理的分析。通过一阶惯性环节等效变电器的特性，将其称作是等效变电器，传递函数[Geq（s）]是电流的等效，用于电压的控制回路中，完成变电器模型的等效处理，但是在等效过程中要充分考虑其电能损耗情况。则输电器电能损耗区域如图3所示。

图3 输电器电能损耗区域分析

2 基于大数据分析的电能损耗预测模型

在得到以上3个区域的能耗分析的基础上，提出一种基于灰度关联的大数据分析电能损耗预测模型，对整体的电能损耗情况进行预测建模，从数据演化过程、数据关联的角度实现对电能损耗的预测。

电网结构复杂，但是电能损耗是由第1节中的3个区域决定的，主要包括的参数有：线路电缆化率、绝缘化率、环网化率、线路截面、长度标准化率，配变、线路平均负载率和平均功率因素等。其中，只有部分因素对电能损耗起关键作用，利用灰色综合关联度（Gray Comprehensive Relationship，GCR）对得到的大数据进行分析，得到该数据变化的规律，实现对电能损耗的预测模型的构建。灰色关联分析主要适用于对系统主行为特征序列数据和影响因素序列数据进行灰关联排序。本文中，通过电能损耗历史统计数据组成的系统主行为特征序列，得到与之对应的3个区域参数等组成的影响因素可描述成：

[Xi=Xi1，Xi2，…，Xin] （1）

式中，[n]用于描述序列中元素的数量。在进行灰色关联分析之前，首先需完成[X0]，[Xi]的一致性及等时距处理。如果影响因素序列[Xi]和主行为特征序列[X0]呈负相关，则需通过逆化算子[Di]对[Xi]进行操作，如果序列[X]（也就是[X0]或[Xi]）每一对相邻观测数据之间的时距全部一致，则将[X]称作等时距序列。通常影响因素确定的情况下，需要对电能损耗参数灰色关联进行分析。

灰色综合关联分析主要包括经典灰色关联度分析、灰色绝对关联度分析和灰色相对关联度分析。经典灰色关联度主要依据序列曲线间几何形状的相似程度获取关联度，随着曲线的逐渐接近，对应序列之间的关联度也逐渐增加。灰色绝对关联度只取决于序列的几何形状，不受其空间相对位置的影响。灰色相对关联度是序列相对于始点的变化速率的体现，二者变化速率越接近则关联度越大，相对关联度不仅能够在很大程度上避免环境的干扰，而且还凸显了因素间动态变化的相似性。

综上所述，经典灰关联泛化了电能损耗情况的关联共性；绝对关联反映了电能损耗的折线相似度；相对关联反映了电能损耗情况相对于始点的变化速率的接近程度。灰色综合关联度综合了上述特性，能够更加客观、充分地体现出以上3个区域电能损耗关联关系。其表达式如下所示：

[X0′=X01X01，X02X01，…，X0nX01Xi′=Xi1Xi1，Xi2Xi1，…，XinXi1] （2）

在上述计算的基础上，通过GM（1，1）对电能的损耗情况进行预测模型构建，模型构建的详细过程如下：

（1） 对关联后的3个区域电能损耗数据进行累加生成一阶线损率数据序列[X1]=[x（1）1，x12，…，x1n]，得到整体电能损耗数据。

（2） 微分处理。最小二乘法就是通过最小化误差的平方和寻找数据的最佳函数，可以简便地求出未知的数据，并使得这些求出的数据与实际数据之间误差平方和最小。本文利用最小二乘法对整体电能损耗数据进行微分处理。

（3） 将微分处理后得到的电能损耗数据，通过GM（1，1）转换为电能损耗预测值，实现对电能损耗预测模型的建立，表达式如下所示：

[x0i=1-eax01-bae-ai-1χi′] （3）

3 仿真实验分析

为了验证本文提出的基于大数据分析的电能损耗预测模型的有效性，需要进行相关的实验分析。本文将神经网络模型作为对比，通过Matlab 7.0进行仿真，将2003—2009年某地的统计数据构建模型，用2010年和 2011年的数据对模型进行检验。

如表1所示为实验电网2003—2011年的输入变量值及相应的实际线损率。

表1 某电网年度电能损耗及相关数据

依据表1描述的数据，输入2010年和2011年的相关参数，分别采用本文模型和神经网络模型对这两年的电能损耗进行预测，得到预测结果，同时和当年实际电能损耗结果进行比较，得到的结果如表2所示。

表2 两种模型预测结果比较

分析表2可知，采用本文模型拟合2003—2009年某电网电能损耗的精度比传统神经网络模型的拟合精度更高，并且本文模型2010年、2011年度电能损耗预测结果与真实值非常接近，平均预测误差只有1.81%，远远小于传统神经网络的20.94%，说明本文模型更能满足实际需要，预测结果非常精确，验证了本文模型的有效性。为了进一步验证本文模型的有效性，对本文模型和神经网络模型的适应能力进行比较，得到的结果见图4。

图4 两种模型适应度比较结果

分析图4可以看出，本文模型和神经网络模型的适应度曲线均未和最佳适应度曲线完全吻合，但与传统神经网络模型相比，本文模型适应度曲线和最佳适应度曲线的整体趋势更加接近，说明本文模型具有更高的适应能力。而且本文模型在迭代次数为40次时即趋于平缓，而神经网络模型在迭代次数为50次时才逐渐趋于稳定，说明本文模型全局收敛能力强，进一步验证了本文模型的有效性。

4 结 语

本文提出一种基于大数据分析的电能损耗预测模型，对相关数据进行预处理，给出数据间经典灰色关联度分析、灰色绝对关联度分析和灰色相对关联度分析。综合上述特性，利用灰色综合关联度获取关键因素，得到电能损耗变化规律，在此基础上，通过GM（1，1）灰色预测模型，依据往年电能损耗数据实现对未来电能损耗的预测。仿真实验结果表明，所提模型具有较高的预测精度，能够很好的避免非线性因素对模型的干扰，为电力企业制定合理的电能损耗计划提供可靠依据。

参考文献

[1] 胡巧玲，茹金平.基于大数据分析的人口迁移量预测模型仿真[J].计算机仿真，2014，31（10）：246?249.

[2] 张勤，周步祥，林楠，等.基于灰色模型与神经网络组合的线损率预测[J].电力系统及其自动化学报，2013，25（5）：162?166.

[3] 周红艳，田丽，钱兆刚，等.基于连续隐Markov模型的理论线损率预测研究[J].南阳理工学院学报，2014（6）：38?41.

[4] 王静，田丽，夏坤，等.基于PSO?SVM模型的理论线损率预测研究[J].重庆工商大学学报（自然科学版），2013，30（8）：55?58.

[5] 艾解清，徐晖，魏理豪，等.基于最小二乘支持向量机算法的配电网线损自动计算模型[J].电力科学与工程，2014，30（z1）：43?46.

[6] 张光瑞.线损分析预测在供电管理中的应用[J].科技资讯，2013（22）：164.

[7] 王欣，张海岩，季崇军.线损分析预测在供电管理中的应用研究[J].大科技，2013（15）：103.

[8] 王艳丽.探讨线损分析预测在供电管理中的应用[J].科技风，2015（2）：113.

[9] 李滨，杜孟远，韦维，等.基于准实时数据的智能配电网理论线损计算[J].电力自动化设备，2014，34（11）：122?128.

[10] 王李，王宝，李泓泽.配电线路年理论线损率及其降损分析[J].陕西电力，2015，43（1）：50?54.