基于大数据技术的配电网络节能降损技术分析

李雷 王磊 赵丽 陈思 谢杰

（国网河南内乡县供电公司 河南省内乡县 474350）

随着大数据技术的发展，可以将大数据技术应用在电力行业中多个不同的领域，如电力设备状态评价、电力网络优化运行及节能降损、电力系统建模等，本文主要对大数据技术在配电网络节能降损中的应用进行了分析。通过大数据技术，能够对配电系统的运行数据进行全面的计算和分析，从而提出有针对性的配电网络节能降损技术措施，优化配电网络的运行，本文详细对如何将大数据技术应用在配电网络节能降损领域进行了阐述。

1 配电大数据系统

在配电大数据系统中，包括数据采集器，汇集器，配电数据子站，配电数据主站等。数据采集器主要用来采集配电终端的实时数据，并将所采集到的数据传输到汇集器中。配电数据经过汇集之后，就可以集中传输到所属的配电子站中。配电数据子站和配电数据主站之间可以实现数据的双向通信和数据交互，主站可以接收子站所传输的数据，也通过对子站的数据进行监控[1]。通过分析配电系统中的数据，包括用电负荷大小、用电行为特征、线损区域分布、设备容量等台账信息，可以找出配电网节能降损的方法和措施，提高配电网运行的经济性。

2 基于大数据技术的配电网络节能降损技术

2.1 大数据技术在配电网络节能降损中的应用

准确对配电网中的各类运行数据进行采集，是配电网节能降损的重要前提，根据采集到的配电数据结果，可以合理安排配电网的运行方式，优化配电网的潮流分布。同时在用户终端设置数据采集器，收集基础数据，能使智能化配电网络分析系统有了基础数据支持。此外利用大数据平台系统能够掌握配电网的实时运行状态，当发现某个配电网格或配电台区的线损较高时，则可以提出相应的配电网络线损治理方案[2]。对于电压偏低的配电区域，可以通过无功补偿提高电压水平。对于线损较高的配电网格，可以通过采用截面较大的线路或者在该地区推广节能产品，降低配电线损。

2.2 配电系统的运行优化

当利用先进的通信技术，采集到完整的各类配电运行数据信息后，可以对配电系统的运行方式加以优化。优化控制模型的目标函数为配电系统的线损最小，如下式（1）所示：

约束条件主要包括功率平衡约束、支路潮流约束、电压上下限约束、有功及无功约束等，分别如以下下式所示：

图1：内点法计算流程图

图2：K 均值聚类的聚类过程

建立好配电系统优化运行模型之后，就可以利用优化算法对所建立的模型进行求解。对于优化算法的选取，可以选用人工智能算法或者数值计算的方法。一般而言，数值计算通过不断进行迭代的方式寻找到最优解，每次计算的结果较为一致，在实际应用中也具有较高的效率[3]。本文选用内点法对建立的模型进行求解，计算流程图如图1所示。

通过计算，可以得到整个配电系统的潮流分布、发电数据和负荷数据等，并进一步分析计算系统的网损。在此基础上，可以实现对线损的在线实时分析计算，并进行实时监测。通过对比各个配电台区的线损情况，可以有针对性地对线损高的台区采取降损措施。上述方法是通过以配电系统线损最小为目标，优化配电系统的运行，来达到配电系统节能降损的目的，在实际中具有较强的实际应用价值。

3 数据聚类分析在配电网线损预测中的应用

除了通过优化配电系统运行达到节能降损的目的之外，还可以通过对大数据平台中的配电数据进行聚类分析，并进行配电线损预测，指导线损管理。在配电大数据平台中，应包括设备台账信息、配电网络拓扑结构和配电系统运行数据信息等[4]。根据所掌握的众多数据信息，运用数据聚类分析算法，可以构建配电网线损预测模型，并可以提供相应的配电台区线损异常告警，发现配电系统在用电过程中存在的问题，为配电网的节能降损提供重要的参考，故配电网的线损预测具有重要的实际应用价值。

3.1 数据聚类分析

聚类分析算法一般包含四个部分：特征获取与选择、计算相似度、分组、聚类结果展示，本文选用k 均值聚类算法进行配电网线损预测。该聚类方法的基本思想是，在一个平面层次上对所有的样本点先做出某种较为粗略的划分[5]，然后按照某种最优的准则进行修正，通过算法的迭代执行，得到一个较为合理的聚类结果。具体聚类过程可由图2 来表达。

通过大数据聚类分析对配电网进行线损预测，可以提升对配电网节能降损的管理效益，指导配电线路改造方案的制定，从而提高电网企业的经营效益。

3.2 配电网的线损预测

采用数据聚类分析算法进行配电网线损预测时，根据配电网中的负荷总量、负荷率和负荷峰谷差等具有较强代表性的负荷特征数据，采用数据聚类分析算法对地区配网中你给的历史负荷数据进行聚类，并将数据分为K 类，每个类别中包括n 个相似日。根据待预测日的负荷特征数据，将待预测日划入到某个类别中，根据历史线损数据进行线损预测，k 均值聚类的详细算法介绍如下：

3.2.1 条件与约定

在进行线损数据聚类分析之前，需要先设定样本的特征向量集为{X1,X2,...,XN}，并且需要分成的类数量是固定，为K 类。

3.2.2 基本思想

K 数据聚类分析的基本思想是通过计算不断调整样本所属的类别，使得样本到聚类中心之间的距离最小，实现对数据的聚类。在具体的实现过程中，可以首先确定k 个初始聚类中心，经过初始聚类之后，再将各样本划入到具体的类别中，使得各个样本离所属类别的距离最小，完成样本的聚类。

3.2.3 算法步骤

在数据聚类编程实现的过程中，可以按照以下步骤进行，第一步是根据样本的特征向量选取K 个初始聚类中心，即第二步是对待预测的样本数据进行具体的分类，根据样本的特征向量集{Xi}，按照与聚类中心的距离最小的原则进行聚类划分，若则可以将样本判断为式中表示Xi和的中心的距离，上角标表示迭代次数，于是产生新的聚类第三步是在第二步的基础上，重新计算各个类型的类心：

4 结论

大数据技术在配电网的分析计算中具有较大的应用空间，本文详细分析了大数据技术在配电网节能降损中的应用，包括基于大数据技术的配电网络节能降损技术、数据聚类分析在配电网线损预测中的应用等，对于促进配电网节能降损技术水平的提高具有一定的价值。