基于现场数据采集的配电网低压线损预测方法

薛之裔

（苏州三新供电服务有限公司 常熟分公司虞北业务所 ，江苏 苏州 215500）

0 引 言

电网预测实际上是一个十分复杂且烦琐的处理过程，尤其是针对于电力混合调度、低压线损等问题的维护，更是较为关键[1]。低压线损是低电压线路对于特殊位置的异常计算，多指380/220 V的线损，低压线损率一般也需要控制在12%左右[2]。通常情况下，为了提升配电网整体的应用效果，增强实际的电力调度能力，会采用单向预测的方法来计算出预期、往期的低压线损[3]。但是这种方式很容易受到外部因素的影响，再加上电压不稳，导致最终测定的结果并不可靠[4]。

为了解决上述问题，结合配电网的应用现状，本文融合现场数据采集法，构建更加灵活、多变的低压线损预测方法。现场数据的采集有利于实时数据的提取与测定，便于电力调度的同时可以构建出更为全面的线损率预测模型[5]。针对于不同类别的低压台区训练，逐渐消除存在的大量低压台区缺失特征数，以期增加线损预测的可靠性，营造出科学、稳定的预测环境，为电网技术的创新奠定基础[6]。

1 设计配电网线损速率预测方法

1.1 多元负荷预测目标设定

在对现场数据采集的配电网低压线损预测方法进行设计分析之前，需要先结合实际的电网调度现状，设定多元负荷预测目标[7]。与传统单向预测目标不同的是，多元预测目标的覆盖范围会更大一些[8]。

结合现场数据采集模式，将所获取的数值、信息进行整合，并采用深度学习技术关联长短时记忆网络，设定预测梯度[9]。需要注意的是，梯度中的每一阶段均需要对应预测目标[10]。再随着配电网负荷预测程度的变化，进行调整、修改，构建单元结构，具体如图1所示。

根据图1，可以完成对单元预测结构的设计与应用。随后，针对于配电网实际运行状态，在多目标的背景下，测定出各个节点的电力负荷数值，为后续的预测工作奠定基础。

图1 单元预测结构图示

1.2 BLSTM交换预测节点布设

在完成对多元负荷预测目标的设定之后，接下来采用双向长短期记忆网络（Bidirectional Long Short-Term Memory，BLSTM）交换预测模式，在配电网所覆盖的区域内设定对应的预测节点。通常情况下，预测节点会将各位置联络线传输容量及其具体电量数值进行收集，然后设定电容限制，实现各区域功率均衡。

与此同时，调整上述设定的目标，营造实时预测的环境。在不同的区域中，将对应的预测节点关联在一起，再利用最小二乘法计算出标定的单元输出功率、输入功率，并获取最终的叠加比，测算出负荷预测线损率，具体公式如下：

式中：Ploss表示负荷预测线损率；i表示预测次数；Pin、Pout表示输入和输出功率。通过上述计算，最终可以得出实际的负荷预测线损率。根据得出的负荷预测线损率，结合BLSTM交换预测框架，设定单元的预测节点，采用循环布设的方式，提升整体的预测密度，为后续的预测处理提供参考数据。

1.3 等效数据采集线损预测模型设计

在完成对BLSTM交换预测节点的布设之后，需要设计等效数据采集线损预测模型。首先，构建归一化预测环境，获取历史电网线损数值，并将其作为输入变量。再将神经元融入预测模型中，营造等效预测饱和状态。最后展开归一化处理程序，并观测出此时的线损状态。

此时，可以测定出日供电量和电网参数的实际值，计量出预测的最大值和最小值，形成极限预测标准。采用灰色关联方法先确定配电网的线路长度，测定出有功电量、无功电量等数据，通过现场数据采集获得实时数值。通过不断调整预测的目标构建多目标的预测数列，实现无量纲化处理，建立等效数据采集线损预测模型结构，具体如图2所示。

根据图2可以完成对等效数据采集线损预测模型结构的设计与构建，根据预测需求及标准的变更，调整预测目标，实现动态实时配电网低压线损预测模型的建立。

图2 等效数据采集线损预测模型结构图示

1.4 等值电阻法实现线损预测

在完成对等效数据采集线损预测模型的设计之后，接下来需要采用等值电阻法实现线损预测。根据预测目标的变动，核定出对应的线损预测差值。在标定的范围内计算出线损的损耗比，一般需要控制在0.5～1.25，并在低压线路中设定小型的限制电路，以此来确保配电网运行及预测工作的稳定、安全性。在电路中设定等值的电阻，控制电网的总损耗电能，以提升变压器的配电比，帮助预测工作顺利执行，在控制误差的同时，增强整体的预测精准度。

2 方法测试

本次主要是对现场数据采集下配电网低压线损预测方法的实际应用效果进行分析与研究。考虑到最终测试结果的可靠性与精准性，需要选择H配电网作为测试的主要目标对象。设定传统功率交换低压线损预测组、传统改进神经低压线损预测组以及本文所设计的现场数据采集低压线损预测组。将测试最终得出的结果以对比的方式展开分析。结合实际的预测需求，搭建相关的测试环境。

2.1 测试准备

在对现场数据采集下配电网低压线损预测方法的实际应用效果进行分析与研究之前，需要先搭建相应的测试环境。选取H配电网中50个台区2 000组数据作为测试的主要预测目标，采用改进层次聚类法对其进行数据分类，预设有效聚类为6个。此外，利用专业的设备，在配电网现场进行数据采集，随着电压的变动作出对应的更改调整，具体如表1所示。

根据表1可以完成对数据采集轮廓数值设定。检测配电网的低压线损情况，调整模型中的指标参数，营造稳定的测试环境。核定测试的设备与装置是否处于稳定的运行状态，并确保不存在影响最终测试结果的外部因素，核定无误后，开始具体测试。

表1 数据采集轮廓数值设定表

2.2 测试过程及结果分析

在上述搭建的测试环境中，结合数据现场采集方法，对H配电网的实际低压线损进行预测。随着数值、电压的变动，测定出对应的线损异常比，并获取供电半径、线路总长度、负荷水平值等。当线损率达到最高时，测定出其对应的预测负荷峰值，分析所选台区电气参数的合理性。

根据所采集的数据，设定各个配电区域的预测模型聚类系数，计算出线损的实际平均值为83.272 kW·h，测定线损预测情况，具体如图3所示。

根据图3，可以完成对线损预测情况的分析与研究。结合线损率的变化，计算出异常比，具体公式如下：

图3 线损预测情况对比图示

式中：H表示低压线损异常比；r表示聚类轮廓系数；β1表示预设电压；β2表示实测电压；k表示预估差值。通过上述计算最终可以得出实际的低压线损异常比，并将其设定在预测模型中，营造稳定的测试环境。根据异常比和线损情况，测定出H配电网50个台区的预测时间，并对得出的结果进行实践研究，具体如表2所示。

根据表2可以完成对测试结果的分析与研究。对比于传统功率交换低压线损预测组、传统改进神经低压线损预测组以及本文所设计的现场数据采集低压线损预测组，最终得出的预测时间相对较短，均匀控制在了1 s以内。表明其在实际应用的过程中，对于H配电网的低压线损预测速度更快、误差小、效果更佳，更具有实际应用价值。

表2 测试结果对比分析表

3 结 论

结合现场数据采集，构建了低压线损预测方法。对比于传统的方法，本文所设计的预测方法更加灵活、准确，而且在复杂的电网环境下，结合往期数据和信息对固定区域的配电网线损水平进行了一个合理的反映，更好地呈现出预测的效果。不仅如此，通过现场数据的采集与汇总，可以营造系统、完整的预测环境，能够全面掌握配电网的线损状态，一定程度上可以消除存在的预测偏差，及时进行纠正，促使线损率回到合理的范围，确保整体的预测效果。