基于改进BP神经网络的宁德地区配电网络线损预测方法

张 毅 陈炜多 陈思瀚 陈 淼

（1.福州大学 2.国网宁德供电公司）

0 引言

电力行业作为我国能源消耗的主要行业，最大限度地降低电网损耗是缓解能源危机和实现节能减排的重要手段。宁德地区的配电网经过多年的发展取得了较快的发展，但是由于网架结构薄弱，设备运行年限长，部分区域电压质量差以及管理模式固化，宁德地区线损合格率不高，因此对宁德地区进行线损研究意义深远。

1 线损计算与预测的相关研究

线损率是衡量电网运行经济性的重要指标之一，能很好地反映电网规划设计阶段的合理性，电力企业经济管理水平，进而为电网节能降损政策的制定提供依据。因此在电力系统发展过程中为了保证电网能够安全可靠经济地运行，国内外专家学者对线损分析方法及线损预测理论进行了大量的研究探索并取得了很多成果。

文献［1］主要采用基于小波变换的多分辨率分析方法，完成了对谐波电流的检测，并计算出由于谐波电流而造成的电网中线路的损耗值，并且其研究结果表明线路损耗会随着电流谐波成分的增加而变大。文献［2］对配电网线损的潮流算法进行了深入研究，该种计算方法计算结果精度高，且有很多衍生的改进算法，如改进迭代算法、区间迭代算法以及匹配潮流算法等。文献［3］研究得出，同期线损与理论线损差值序列具有“秩和”近似相等特性，当同期系统中存在异常数据，可利用“秩和”近似相等特性对同期系统中存在异常数据进行辨识，通过运用该种办法，能明显降低误判率和漏判率。与本文在查找异常缺陷的方法类似。文献［4］等人研究了人工神经网络法（ANN法）在配电网线损计算中的应用，通过模拟人脑思维的神经网络以此得到数据，它反映出非线性的复杂关联，计算数据较为准确。文献［5］通过高级量测体系以及引入公共结合点与比较集合的概念，将AMI智能电表测得的用户端的相关电气量（例如电压电流等）作为其初始输入数据，解决了由于窃电因素导致配电网线损计算精度较低的问题。文献［6］考虑到特高压输电线路的线损成因主要是电阻性损耗和电晕损耗两点造成，与传统的配电网线路的线损特征之间有较大差异，因此从线路运行电气量特征及气候因素为主要输入变量，建立改进的径向神经网络模型，对特高压输电线路的线损和其特征参数之间的复杂关系具有较好的拟合效果。文献［7］指出基于传统的误差逆向传播算法训练的多层前馈（BackPropagation，BP）神经网络模型进行线损预测时需要人工指定特征和容易产生局部最优解仍然是难以解决的两大问题，提出以深度学习模型中的循环神经网络为建模基础，构建了线损预测模型并验证了该方法的预测准确率。文献［8］利用小波分解对负荷数据进行预处理，分解成不同尺度上的序列进行分析，选用相应的模型预测。根据BP神经网络模型特性与本文的分析方法，通过改进BP神经网络训练方法更能契合实际情况。文献［9］总结人工神经网络在电力系统谐波检测方面也得到了广泛应用，该网络主要为多层前馈神经网络和自适应人工神经网络。文献［10］通过现场测试采集负荷数据，结合对象的运行特性，针对负荷模型的动态性和随机性，应用回归模型建立不同过程的负荷模型，最后实现负荷预测。该方法与本文处理问题的解决步骤基本一致。文献［11］提出基于非侵入方式感知负荷用电信息进行负荷类型的分类识别的概念，可量化电能结构，提升负荷管理能力，还可为工业及居民用户提供电力负荷状态和负荷管理方面的信息，并为未来的节能管理提供建议。在电网智能化建设方面影响深远。本文正是利用非侵入式分析方法分析线路损耗从而指导智能电表等设备建设方案。

2 宁德地区配电网线损现状

2020年宁德配电网共有10kV线路812回，全市配电网平均分段数为3.34段／条，线路平均分段用户数为2876户，配电网以架空网为主。

目前宁德地区的配电网结构相对于发达地区较为薄弱，为了优化网架结构，许多线路本身需要进行改造，由于该地区配网设备运行年限较长，县城区域存在较多老旧设备，部分设备不具备电动操作功能，未配置电流、电压互感器，内部结构紧凑无法提供二次设备安装空间，同时也未配置配电自动化系统，无法实现负荷预测、负荷管理与控制、状态评估、电压与无功优化调度等功能，导致部分区域电压质量难以提升。这些问题都导致线损率不合格，且在我国具有普遍性，因此对研究降损机制并在宁德地区做相应的实证分析具有重要的意义。

为了进一步明晰宁德地区配电网的线损情况，以台区为单位对宁德地区配电网的线损分布情况做进一步分析。以2020年5月数据为例，该月全市1053个台区的线损率各频段的台区个数如下表所示。

表 各频段的台区个数

由上表可知，宁德市配电网台区的线损合格率达92.53%，但是仍然有部分台区线损率不符合要求的情况。

分析表中数据，并结合实际情况，造成线损不合格的原因可能有以下几点。

一是存在窃电情况，如台区的月用电量远远小于供电量。

二是城区小电量台区，大都以新建小区，配电室供电为主。此类新建台区，变压器容量大，CT倍率按变压器容量配置，1～3年内入住率低，存在大马拉小车现象

三是受低压台区用户与台区关口计量表计、电流互感器精度偏差的影响，对于集中式供电或是用户较少的台区，会存在供电量小于售电量的情况。假设现场供电功率为P，则该台区的供电和售电量分别为：

由此可知，对于同一等级的表计，因为关口表和用户表不同的误差，会存在供电量小于售电量的情况，因此会存在线损小于零即负损的情况。

3 宁德地区配电网线损预测

据统计，宁德市2017年月均线损达标率79.33%，2018年为80.89%，2019年为85.97%，距离目标月均线损合格率不低于97%存在一定差距。因此首先根据数据处理技术对812回线路进行聚类分析，然后采用灰色关联算法对于每一组线路进行影响要素分析，最后根据基于遗传算法改进的BP神经网络对每一组的数据进行训练，并进行对应组别的预测。

BP神经网络中输入层的配变容量、输电量、售电量、干线长度、负载率、空余容量、月最高负荷、月最低负荷、月平均负荷这9个变量中，进行灰色关联分析关联度最高的五个变量，即干线长度，负载率，输电量，售电量以及月平均负荷。因此输入层节点n为5，输出层节点为线路的线损率，输出层节点的个数为1，计算过程已经确定隐藏层的节点个数p为5。BP神经网络的学习率为0.05。

遗传算法中，设定50个初始种群，迭代代数设定为30代，交叉概率设定为0.7，变异概率设定为0.01，遗传代沟为0.95，采用二进制编码方法，染色体长度为36。

本文研究的数据对象为2019年1月到2020年5月的812回线路的电气数据，输入层为当月的干线长度，负载率，输电量，售电量以及月平均负荷，输出层为下月的线损率。数据集共有13968个样本，以8：2进行划分得到训练集的个数11174，以及测试集的个数2794。选取epoch为192，于是本文选取96000步作为最终的模型循环次数。之后对测试集上的数据进行预测。

进一步计算可知，基于遗传算法改进的BP网络的均方误差从4.030737下降为1.939615，下降了51.88%。

可以看出，遗传算法对于预测线损率有着显著的适应性，这体现在以下几点：一是算法收敛的速度更快，虽然从模型的构建上来看，使用遗传算法进行参数更新后，误差下降到最优的epoch从100左右增加到了200左右，但事实上，由于遗传算法不需要对模型的参数进行梯度的更新，而是通过简单的遗传特性不断进化，运行的时间实际上大大缩短。二是算法在训练集上的表现明显更优，误差几乎为0，而传统的BP神经网络却处于0.3到0.4之间，这说明加入遗传算法后有着更好的样本内估计能力。三是算法在测试集上有着优良的表现，不仅预测的值十分贴合，其均方误差也得到了大幅度的降低。

4 典型案例分析

本文提出的线损预测模型有着较好的预测效果，利用本文提出的线损处理办法，理论上可以达到高效的降损效果，但缺乏相应的实证依据，旨在对宁德地区的历史数据进行仿真模拟，对以往发生的典型案例进行分析。

利用模型构建的流程对2019年逐月进行预测模型的构建，训练数据使用的是当月前16个月的各项电气数据，即在每个月都重新训练模型，对下个月的线损率进行滚动的预测。

4.1 高损有效预测的典型案例

在仿真过程中，恒大小区公变台区的各月的真实值和预测值的结果如图1所示。

图1 恒大小区公变台区线损仿真模型预测图

可以看出，预测模型在各个月上都有着较为精确的预测结果。该区的线损率长期处在较高的水平，并在11月份达到高损的状态。事实上，该区长期存在着低压架空线漏电的情况，在11月份进行排查并通知运检部门对问题导线进行处理后，线损恢复到了正常的水平。从模型预测的结果来看，早在9月份预测值就已经超过了8，这说明模型对于高损的风险判断十分准确，如果利用该线损预测模型提前对风险进行检测，提前对可能的高损情况进行预处理，就可以更早地排查出低压架空线漏电的情况，使得减损有效地推进。

4.2 负损有效预测的典型案例

在仿真过程中，下宅园配变台区的各月的真实值和预测值的结果如图2所示。

图2 下宅园配变台区线损仿真模型预测图

可以看出，改进的预测模型对于每个月都能进行精准的预测。该区在5月份出现了预测值为负损的情况，这也与真实值相同。事实上，该区长期存在着关口表计联合试验接线盒故障的情况，在进行更换后台区日线损率恢复正常。因此可以看到预测模型对于负损的预测效果仍然较为理想。

4.3 异常情况的典型案例

在仿真过程中，龙威台区各月的真实值和预测值结果如图3所示。

图3 龙威台区线损仿真模型预测图

可以看出，预测模型在1～8月对于线损的预测效果较好，但在9月预测值低于1%，但真实的线损率却超过了8%，达到了高损的异常状态。真实值与预测值的差异巨大，表明有突变的情况发生。事实上，该月在台区内有1户新装用户隶属错误，该户为畜牧养殖公司，因天气原因有较高的用电量，因此导致线损率异常。而之后隶属关系调整后，线损率恢复到了正常的水平。

5 结束语

从本文的各个典型案例可以看出，预测模型基于过往数据对下月的线损率进行预测，其结果是该台区线损水平的一个合理反映，代表了该台区的数量机制和效果。因此对于长期存在的问题如电表长期损坏、电线长期漏电等，有着较为理想的预测效果。但对于无法预测的突变情况，真实值会与预测的结果产生较大的偏差，如电表的突然损坏、新增用户接线错误或是窃电情况。及时进行纠正后又会使线损率回到合理的水平上，且对于此类异常情况的处理往往十分高效简便。