基于计量管理的台区线损异常状况分析模型设计

余向前，王治国，张长青，张敏

（国网甘肃省电力公司营销服务中心，甘肃兰州 730000）

线损是表示电网考核的重要指标之一，代表一个电网的运行结构、运行方式以及规划设计方案，一旦台区线损出现异常，就会扰乱电网的运行，引起电网出现故障并造成一定的经济损失[1]。变电站区线损异常情况可分为公用变压器与供电量不匹配、线损变化范围大、线损率不稳定和总异常波动。传统的线损异常分析模型不能将所有异常状态都考虑在内，导致线损异常时间延迟，增加了站区线损损失[2-4]。

计量管理是通过一定的计量手段和方法，对站区线损数据和状态指标进行计量，并对这些战略性数据进行管理。计量管理技术的任务是在保证计量策略流程的规范性、数据的准确性和客观性的基础上，计算出站区线损的电耗，并根据用电量进一步判断站区线损的异常损坏状态。计量管理技术是目前计量领域最权威的计量方法。计量管理技术的主要计量变量是线损计量基准、计量标准和计量条件。计量管理是基于计量技术发展的特点和规律，运用科学技术和法制手段实现的。

为了加强台区线损的管理，提高电力企业的经济化发展，稳定电网的运行，研究了基于计量管理的台区线损异常状况分析模型，对台区线损异常情况进行分析，得出有效的解决方案。

1 台区线损异常状况判定

为了准确地分析出台区线损异常状况，文中首先分析研究判定台区线损异常状况的方法，其判定方法主要分为3 步，分别为台区线损的数据采集和预处理操作、数据聚类计算，最后完成台区线损的状态决策判断[5]。台区线损异常状况判定如图1所示。

图1 台区线损异常状况判定流程

台区线损数据采集及预处理操作主要采集待分析低压线损率数据。为了保证分析数据的真实性，文中对首次采集的低压线损率数据进行平均值计算，删除数据中的冗余数据和空白数据，一方面可以减少分析和处理，另一方面可以提高异常线损的准确性。在数据预处理过程中，计算的数据平均值以数值3%为分界点，因为平均值一旦小于3%，那么台区线损数值的波动小，聚类算法的阈值为1.5%，则数据分析无意义。因此如果数据平均值小于3%，则台区线损为低线损率区域，不需要进一步的计算分析；如果数据平均值大于3%，那么需要进行下一步聚类算法的计算[6-7]。数据预处理操作后，通过数据聚类算法对采集到的数据进行计算，聚类算法首先预处理计算时的平均值和台区线损数据的特性，计算出聚类算法的固定阈值，阈值就是聚类算法计算的评定界限[8-9]。辅助计算公式如下所示：

其中，s为聚类中心距离阈值；ai为台区线损率a的平均值[10-11]。

当数据平均值大于数值3%时，进行聚类计算才有意义。当数值大于3%且小于10%时，将此台区线损的阈值设定为3%，其意义就是台区线损内数据之间的聚类差值不大于3%。如果数据平均值大于10%，则此台区线损率过大，判定该区域为异常区域并进行离散分析，对台区线损异常区域进行状况分析。监测效果如图2 所示。

图2 监测效果

聚类算法首先对台区线损数据进行初次聚类，为了划分台区线损异常程度，文中设定两个聚类类别，分别是低级异常和高级异常，根据聚类结果将数据划分到相应的聚类类别中。根据不同级别的异常采用不同程度的二次聚类计算，如果二次聚类的数值小于设定的阈值，那么判定此处为低级台区线损异常；如果大于阈值，那么此区域为高级异常区域[12-13]。离散分析是将异常台区线损率数据中二次聚类结果和线损率数据所对应的时间点为研究对象，计算这些时间点间隔内数据波动的平均值，将此变量作为衡量线损异常程度的指标。计算公式如下所示：

其中，n为聚类中心最大的类的线损率数据数量；tu为每个线损率数据所对应的时间。

离散计算结果代表台区线损异常情况，如果离散结果越大，那么异常数据的分散程度明显，则异常状况不严重；如果离散结果数据越小，那么数据的离散程度低，则台区线损异常状况严重[14-15]。数据离散状态如图3 所示。

图3 数据离散状态

根据图3 可知，离散计算可以有效地分析台区线损的异常状态分布情况，依据聚类中心值的分散计算可以具体评估出台区线缆异常状态级别，具体公式如下所示：

其中，x为台区线损异常系数n和Td间的比值关系。实际台区线损运行规则规定，当x<0.5 时，台区线损异常状态良好；当x>0.5 时，该台区线损异常状态差，系统立即发出台区线损异常警报，请求维修[16]。

2 基于计量管理的台区线损异常状况分析模型

应用于台区线损异常状态的测量原理是通过分析台区线损异常状态数据，对数据进行分析，并结合上文对台区线损状态等级的判定结果，建立基于计量管理的台区线损异常状况分析模型，简化台区线损异常分析流程，降低异常故障的持续时间。

准确的台区线损异常状况分析结果对于线损的数据样本质量要求极其严格，因为只有台区线损的数据样本准确、客观，才能准确地观察分析出台区线损存在的隐含状态规律，进行异常状态分析。因此文中基于计量管理的台区线损异常状态分析模型进行数据样本采集时，需要进行双重数据检验，去除无效的数据，文中通过采用决策树归纳方法完成关键数据保留预处理。决策树如图4 所示。

根据图4 可知，将计量管理技术测量的台区线损数据类型分为7 类，每一类数据都具有存在的意义，不可以缺少。这7 类数据分别是台区线损属性、供电半径、低压线路总长度、配变容量、总户数、用电性质及比例以及负载率等数据。这些数据有一定采集标准，台区线损供半径必须大于200 m，低压线路总长度小于或等于供电半径，台区线损的负载率必须在90%以上、线损率在0 至20%之间。

图4 决策树归纳

其中，供电半径的单位为米，具体代表的是台区线损中心负荷点距离变压器的直线距离，主要用来判断台区线损所处的框架是否合理，对于台区线损的运行状态是否存在威胁。台区线损的低压线路总长度计量单位为米，测量的是台区线损结构中低压线路的总长度。台区线损的负载率指的是超出额度的台区线损供给电量和线损本身额度的比值，负载率数据反映台区线损的负载情况，如果负载率大，那么异常状态严重。用电性质及比例反映的是台区线损接收端的状态，不同接收端对于台区线损的损耗程度不同。

使用决策树归纳方法对研究的台区线损的实际情况进行分析后，设定决策树的节点分别是1和0，分别代表台区线损数据的有效性和无效性。算法从第一类数据进行剔选，一直划分到最后一类数据的最后一个数据为止，最后将决策树0 节点上的数据进行剔除。决策树节点如图5 所示。

图5 决策树节点

上述过程实施后，将得到变电所区域的有效线损数据，因为这些数据是通过测量方法直接获得的，可能有不同的格式和单位，因此进行标准化，具体的标准化辅助公式如下所示：

其中，zij表示台区线损数据处理的量；x′表示平均值；表示方差。

在得到了标准的台区线损状态的有效数据后，将各类数据分别代入极限算法中进行计算，最后将一个台区线损变量极限值相加，如果极限总值在1～20 范围内，则此台区线损异常状况一级预警；如果极限总值在20～40 范围内，则此台区线损异常状况二级预警；如果极限总值超过40，则此台区线损异常状况三级预警；预警级别越高代表异常状态严重。具体公式如下所示：

其中，Xij代表各个变量平均值；N代表平衡常数。

3 实验研究

为了检测提出的基于计量管理的台区线损异常状况分析模型的有效性，将其与传统分析模型进行实验对比，选用的传统模型分别为基于数据驱动的台区线损异常状况分析模型（文献[2]方法）、基于并行K-Means 聚类的台区线损异常状况分析模型（文献[4]方法）。

实验参数如表1 所示。

表1 实验参数

根据上述参数，选用文中模型和传统模型进行对比实验。分析效率实验结果如图6 所示。

图6 分析效率实验结果

根据图6 可知，提出的基于计量管理的台区线损异常状况分析模型的分析效率高于传统模型的分析效率，模型的分析能力更强。

线损值实验结果如图7 所示。

图7 线损值实验结果

根据图7 可知，提出的模型分析的线损值与实际值吻合度更高。综上所述，提出的模型实际应用价值更高。

4 结束语

文中首先明确了站区线损的含义，然后联立公式判断线损异常情况，根据计量管理技术的管理原理和数据分析方法，建立了基于计量管理的线损分析模型，完成了设计。通过以上设计，有望及时发现线损异常，降低异常线损故障的影响，促进电网领域的经济发展。