基于智能终端的台区线损率计算方法*

殷 超，张文霞，樊永红，张理放，白露薇，毛永梅，张 帆

（内蒙古电力科学研究院，内蒙古 呼和浩特010010）

台区线损率是电力系统中一个重要的技术经济指标[1]，降低台区线损率通常能够带来非常可观的经济与社会效益。因此，台区线损率通常是台区管理中非常重要的评价指标。运维人员能否及时、准确地预测台区线损率，通常能够决定台区降损措施的有效程度。

目前，国内对低压用户实行分片台区管理。在某一台区范围之内，台区线损率直接反映某一地区电网建设的技术和管理水平。长期以来，国内低压台区的建设与管理水平参差不齐[2]，大部分低压台区只能实现对用户用电信息的采集，缺少对低压台区的管控手段，无法实现对低压台区内各级停电事件、分支线损等方面的有效管控[3]。此外，低压台区的管理工作大量依靠人工方式，无法实现有效监控和提前预警，不仅浪费人力和物力，同时存在安全隐患[3]。基于上述问题，怎样快速、准确地对台区线损率进行计算是目前低压台区管理中的重要问题。

目前，大量的研究工作正在逐步展开[1-15]，文献[4-7]通过负荷实测，在理论层面对台区线损率进行分析，计算台区线损的分布构成；文献[8-9]运用线性回归算法，提出基于聚类分析和线性回归的合理线损预测方法，但是这些方案的回归方程很难确定；神经网络模型具有强大的自学能力[10-13]，可以用来计算台区线损率[14-17]，并且无需建立数学模型[2]。文献[2，18]基于神经网络模型快速计算低压台区线损率，有效提高了模型的收敛速度。随着智能电表的推广应用以及智能终端的升级改造[19]，如何充分发挥智能终端的潜在能力，快速、准确地进行台区线损率计算，是目前亟待解决的重要问题。

综上所述，本文提出了一种基于智能终端的台区线损率计算方案，充分挖掘边缘节点的边缘计算能力。首先，根据电气特征参数，使用AP聚类算法对低压台区进行分类管理；随后，建立BP神经网络模型，依此计算低压台区线损率。实验结果表明，所提方案成功实现了就地分析并处理台区的相关数据，充分发挥了智能终端的边缘计算能力，提高了低压台区线损率的计算效率，具有一定的实用性、合理性和可靠性。

1 边缘计算与低压台区结构

1.1 从云计算到边缘计算

深度学习任务是计算密集型任务，通常涉及大量的训练数据，对硬件的要求非常严格。最近的一个趋势是使用GPU取代CPU作为深度学习计算硬件。GPU拥有数千个计算核，在深度学习算法中大量涉及的矩阵计算中，GPU的性能大大超过了CPU。由于强大的GPU资源价格昂贵，亚马逊等云提供商开发了GPU云平台，为用户提供了分配灵活的大型GPU计算资源。然而，云的延迟通常很高，因此不适合对延迟敏感的应用程序。

最近，边缘计算被提出作为云计算的一种补充，边缘被定义为可以通过无线接入网络（RAN）、无线局域网（WLAN）、以太网等网络连接访问近终端设备网络拓扑。与云服务器相比，边缘服务器通常具有相对较小的规模，中等功能强大的计算资源，在分布式数据被转发到数据中心的中央服务器时，可以在聚合、预处理方面发挥关键作用。通过将部分计算和存储资源从云端移动到网络边缘，可以在边缘计算卸载[13]、边缘缓存[14]和边缘资源分配[15]等应用中获得较大的网络性能提升。最近关于将深度学习应用移动到边缘的研究也表明，可以成功降低通信成本[16]、推理延迟和能量消耗[17]，这促使我们将边缘计算引入智能电网中台区线损管理的应用场景。

1.2 基于边缘计算模式的台区结构

传统台区结构通常指代一台变压器的供电范围，一般由母线、电表、开关、配电变压器等部分组成[5]。传统台区结构的计算能力相对较弱，无法支持边缘计算模式，不能进行台区线损率的精益计算。因此，需要对传统台区结构进行升级改造，将传统台区系统升级为智能台区系统。

智能台区系统由智能配变终端、分支数据监测装置、电流互感器、环境采集单元以及配套主站平台组成[3]。其中，智能配变终端通过与各级分支数据监测装置间进行通信获取各级的电压、电流功率、电能示值等相关信息，并通过路由抄读户表相关信息（见图1）。

图1 台区线损管理结构示意图

台区总线损可表示为：

分支线损可表示为：

2 台区线损率计算方案

文献[2]指出，考虑到台区电气特征参数易获取性以及可靠性[16]，台区电气特征指标通常选取以下3种参数，即供电半径L1、最远供电长度L2、配变负载率L3。

其中，L1、L2通常用来反映网架特征，L3通常用来反映负荷特性。

2.1 AP聚类算法模型

AP聚类算法是一种基于数据点之间的“信息传递”的聚类算法[17]，首先根据“数据点”之间的相似程度进行聚类，随后构建两种信息矩阵，即吸引度矩阵l和归属度矩阵a。利用信息矩阵在数据元素之间进行信息传递，进行迭代计算，同时更新矩阵元素，直到满足结束条件。利用AP聚类算法，可以筛选出用电性质相近的低压台区。计算公式如下：式中：lt（i，j）、at（i，j）分别表示i点与j点之间的吸引度矩阵、归属度矩阵；G（i，k）表示i点与k之间的相似度。

AP聚类算法在迭代过程中容易出现数值振荡现象，因此在每次迭代过程中都需要加上阻尼系数λ，λ∈（0，1），此时：

AP聚类算法的流程如图2所示，首先更新吸引度矩阵信息，根据计算结果更新归属度矩阵信息，并对信息矩阵进行求和，进而检测聚类中心。

图2 AP聚类算法流程图

如果在经历Nth次迭代计算之后，检测到聚类中心并未发生变化，那么算法宣告结束。如果迭代次数i大于最高迭代次数Nmax，算法同样宣告结束。

在每次迭代过程之中，AP聚类算法需要更新两种信息矩阵，在数据量较大的情况下计算时间较长，这是AP聚类算法的主要问题。边缘计算能将云中心的计算任务分配到智能终端之中，边缘节点就地处理数据，缓解了云中心的计算压力，从而成功解决了这一问题。

2.2 标准BP神经网络模型

BP神经网络模型在多变量、非线性预测领域应用得比较广泛，它依靠计算机强大的计算能力，不需要建立明确的数学模型也可以获得较好的计算精度[18]。该算法包括正向传播和反向传播两个过程，这两个过程反复交替，类似于最小二乘法，神经网络不断修正权值和阀值，直到网络能够收敛，并且获得最小误差平方和。BP神经网络模型结构如图3所示。神经网络模型分为输入层、隐含层和输出层，其中隐含层可以有一层或者多层。

图3 BP神经网络模型结构图

对于任意一台区，假设台区的电气特征参数为N个，台区样本数量为R个。由此可知输入层有N个BP神经元输入。为了保证网络能够良好收敛，需要对初始电气特征参数数据进行标准化处理，如下所示：

式中，Iij表示标准化处理之后的电气特征参数数据，i=1，2，3…；R表示第i个台区样本；j=1，2，3…N表示第j个电气特征参数。

对初始电气特征数据标准化处理后，在输入层中输入处理后的电气特征参数数据I=I（I1，I2，…，In，…，IN），通过正向传播将数据从输出层传送至隐含层，经过系列运算，隐含层的输出数据为H=H（H1，H2，…，Hp，…，HP），然后将隐含层的输出数据传送至输出层，经过函数作用输出层的输出数据为O=O（O1，O2，…，Ol，…，OL），计算得到的输出数据和期望输出数据对比，看是否满足要求，期望输出数据为E=E（E1，E2，…，El，…，EL）。

在正向传播过程中，需要设定每层之间的权值和阀值，因此每层之间的函数关系可以表述为：

式中：mnp，bnp分别为神经网络的权值和阈值；mpl，bpl分别为隐含层到输出层之间函数关系的权值和阈值。

输出误差err为：

初始样本输入后，首先按照正向传播从输入层到隐含层，经过设定函数计算再到输出层得到目标值。输出目标值和期望值相差较大时，需要进入反向传播阶段。神经网络对权值和阀值进行修改，误差值传递到隐含层再到输入层反向传播，直至网络输出达到预先设定精度为止，计算完成。

2.3 基于边缘计算的台区线损率计算流程

本文所提基于边缘计算的台区线损率计算主要步骤如下：

（1）对传统台区进行改造，安装边缘计算装置。

（2）利用边缘计算装置采集不同台区的历史数据作为训练样本，采集待测台区的当前数据作为待测样本，并进行标准化处理。样本集包括：a.训练样本：某历史时间段内的不同时刻的电气特征参数，及其对应的线损率。b.待测样本：待测台区的实时电气特征参数。

（3）利用AP聚类法对训练样本中的数据进行聚类处理，从而将台区划分为多个类簇。

（4）分析待测样本中数据的特征，在训练样本中选择与之相同或相近的类簇数据，作为预测模型的训练样本集，通过BP神经网络训练，获得台区线损率预测模型。

（5）将台区线损率预测模型移植到边缘计算，将待测样本中的数据作为预测模型的输入数据，计算实时预测的线损率，判断误差率是否合格，与操作人员进行信息实时交互。

（6）定期更新边缘计算设备的线损率预测模型，以保证预测结果的准确性。

综上所述，基于边缘计算的台区线损率的计算流程图如图4所示。

图4 计算流程图

3 算例分析

3.1 台区实际线损率计算

本节以某地区台区数据为算例，计算其实际线损率，并观察其特征，验证所建模型的合理性。由于不同台区的线损率存在差异，因此本节选取了该地区内的20个台区数据进行线损率计算，以观察台区线损率特征。采集其供电和售电量，并通过计算得到台区实际线损率如图5所示。

根据图5可知，不同台区之间的实际线损率水平存在较大差异，该特征导致不同台区的线损率衡量缺乏统一标准，给台区异常用电行为的判断带来困难。

图5 台区线损率

3.2 有效性验证

为解决上述问题，本文提出了在边缘计算模式下，首先对台区数据进行聚类预处理，然后用标准BP神经网络对台区线损率进行预测，云中心将利用实际线损率与预测线损率的误差作为异常用电判断的依据。

本节选取3.1节同地区台区数据为算例进行仿真以验证本文所提方法的有效性。根据电气特征进行聚类预处理后，提取出8个聚类中心，即将该地区台区分为8类，以聚类中心台区的线损率代表该类中所有台区的线损率，其电气特征参数如表1所示。该方法大大缩减了台区线损率损计算量，降低了对数据的需求。

表1 台区电气特征参数

利用本文所提方法预测这8个台区的线损率，并与实际线损率进行对比，并计算误差率，结果如图6所示。本文规定异常预警值为误差率≥5%。若某台区误差率大于该值则认为该台区存在窃电或漏电等异常行为，同时向运维人员发出警示。

根据图6可知，利用本文所提方法预测的线损率与实际线损率曲线较为吻合，说明本文所提方法能够对台区线损率预测的精度较高；大部分台区的误差率小于限制，说明在当前场景下，该地区台区均正常运行，无需向运维人员发出预警信号。

图6 计算结果

4 结束语

传统台区线损管理方式费时费力，无法就地完成台区线损率计算，难以发挥智能终端的边缘计算能力。针对此问题，本文提出了一种基于智能终端的台区线损率预测方案并且给出了计算流程。

本文将低压台区作为边缘计算节点，首先利用AP聚类算法对低压台区进行分类，解决了台区线损率的数值分散问题；随后，建立BP神经网络模型，利用BP神经网络拟合样本数据与电气特征参数之间的关系，从而快速计算低压台区线损率。最后，通过某一地区内20个台区数据进行线损率计算，对台区线损率进行预测，从而观察台区线损率特征。结果表明，所提方案有效提高了低压台区线损率的计算效率，具有一定的实用性和可靠性，在一定程度上可以辅助运维人员进行台区维护和管理。