低压配电网线损异常智能识别方法

低压配电网线损异常智能识别方法

李贵雄 王国栋

贵州电网有限责任公司安顺普定供电局 贵州 562100

摘要：由于我国大力倡导节能减排，所以，加强线损管理成为了电力企业的首要任务，作为配电网管理的关键运作环节，设计出合理可靠的线损异常识别方法，保证配电网高效经济、环保节能地工作更是重中之重。因发电、输电、变电、配电以及用电等因素而产生的线损，是供电企业管理与考核的重要内容之一。配电网因其线路复杂混乱、用户量庞大、台区管理不及时、业务系统与现场环境复杂以及数据质量不理想等诸多弊端，提升了线损管理的难度，降低了治理效率。当前的线损识别方法大多数还停留在人工经验阶段，根据操作人员的个人经验，实施判定与管理，缺乏一定的科学性与智能性。随着电网的科技化、信息化发展，令线损异常的智能化识别也拥有了极大的可能性。

关键词：低压配电网；线损异常；智能识别

引言

针对传统的低压配电网线损异常识别方法识别效果不理想，提出一种新的低压配电网线损异常智能识别方法。通过联立整体等值电阻、配线等值电阻以及配电变压器等值电阻关系，推导出线损率的计算公式，基于鲁棒尺度的中心化与标准化策略，采用3σ准则与混合高斯模型的数据仿真能力，检测配电网异常点，通过能够反映线损情况的参考标准体系，划分线损异常状态，利用最大期望算法聚类分析低压配电网，依据隐藏变量当前估算数据，推算出似然估算极大值，经过最大化处理，更新模型参数，利用深度网络后向传播神经网络模型，使线损异常得到智能化识别。仿真实验表明，所提方法不仅能够有效识别线损异常，且具有理想的精准度。

常用的线损识别方法主要是通过皮尔逊算法得以实现，提出基于皮尔逊算法的电网线损异常智能识别方法，从线损电量与用户电量关系出发，阐述了皮尔逊相关系数算法的原理，并介绍了供电公司运用皮尔逊相关系数算法查找异常电能表用户的实例。但是该方法的识别效果并不理想。因此，为了推动线损识别的信息化、智能化发展，本文在传统线损识别方法的基础上，提出一种低压配电网线损异常智能识别方法。通过等值电阻法完成线损率的计算，利用混合高斯模型的数据仿真性能，拟合低压配电网的统计线损率，根据3σ准则达成异常点的检测，采用聚类分析和识别方法设计的参考标准体系，完成线损异常状态的有效划分，选取皮尔逊相关系数描述表计电量与线损率的关联性，初始化参数后，应用K-means均值算法获取混合高斯模型的初始参数，经过最大化处理辅助函数，实现参数的更新，依据求取的各类别样本发生概率，用最大概率类别来表示各异常线损所对应的类别，随后将深度网络后向传播神经网络模型作为识别模型，完成线损参考指标与分群结果的输入、输出设定，最终通过参考指标体系的代入，完成线损异常的智能识别。

1低压配电网线损的原因

1.1管理水平较低

由于目前我国各个区域的经济发展水平参差不齐,这就容易造成在电气设备的使用上存在一些差异,其内部管理体系也有着较大的漏洞。而在供电企业不断创新发展时主要是针对建设项目的优化,但是在开展电力运行的管理工作上却存在较大的问题,某些供电设备由于其使用年限较长,很容易造成线损的出现。因为在低压配电的工作中缺少有效的管理体系,导致在供电系统中其线损问题尤为突出。

1.2线损技术管理手段低下,管理人员素质较低

当前情况下线损管理的主要内容大部分依赖于科技装置及计算。而且,大部分地方的供电所还使用着比较老旧的相关供电设备,由于资金紧缺,大部分的基础设备更替速度都比较慢,所以整个电网系统工作质量较差,线损率非常高。另外,由于供电所针对其管理人员的综合素质水平要求不高,没有系统的电网运行体系,当发生突发事件时,不可以快速的采取正确的应急措施,对于自动化仪器的依赖程度过高。

1.3用户电表没有按照指定的位置进行配置

在进行线损工作的管理过程中,因为用户电表无法安装在网下的要求位置而造成的线损现象也是尤为突出的。部分网下的业主在进行电表安装时,并没能遵循特定的标准将电表安装在要求的位置,导致在进行线损统计时,总是会将这一环节的用电消耗量漏掉,进而使得其具体用电量计算不精准,所以导致线损现象严重影响供电运行。

1.4三相负荷不平衡

如果三相负载不协调,则会导致零序电流增大。这种现象不仅使得相线有所损耗,还会造成中性线出现损耗,进而无形中提高了配电线路的损耗量,此类损耗主要是对变压器的电能质量产生一定的影响,从而造成其自身损耗提高,减少了变压器的使用寿命。因此,在进行线损管理时如遇网内三相负载不协调程度较大,必须进行线路修改,均衡分担负荷。

1.5部分网用户没有进行变压器使用存档

就目前的线损情况来看,有一些用户所采用的变压器没能进行存档的问题将会对供电系统的线损巨大的威胁。在进行线损耗量的计算时,会造成用户的具体用电量和支出电量产生差异,从而使得线损问题所影响的区域不断增大。

2配电网线损计算原理

输电、变电以及配电阶段所生成的电能损耗就叫做线损，而配电网的线损计算主要采用等值电阻法。等值电阻R_eq的整个配电网总均方根电流I_rms形成的损耗，等同于配电网全部可变损耗与全部变压器负载损耗的总和。

3配电网异常检测

为了对低压配电网的线损情况做出准确判定，应先检测并分析配电网异常的线损率数据。根据鲁棒尺度的中心化与标准化策略，采用3σ准则与混合高斯模型(Gaussianmixturemodel，简称GMM)所具有的数据仿真性能，完成配电网异常点的检测。

4线损异常智能识别方法

4.1皮尔逊相关系数

为了给予后续管理工作指导性的建议，在检测完低压配电网的异常点之后，统计整理出能够反映线损情况的参考标准，以便完成线损异常状态的有效划分。在采集到异常线损的低压配电网中，从其电力数据服务器里，对变压器的性质、型号、阻抗电压、短路损耗、高低压侧额定电流、绝缘介质以及电压比等台账信息进行提取，除此之外，作为聚类分析和识别方法设计的参考标准体系，还包括异常线损相应的温度、湿度以及空气质量等气象信息。

4.2参数更新

用户窃漏电、超容量用电以及设备老化等因素都会引发线损异常。将异常配电网的线损参考标准体系作为分析目标，利用最大期望算法聚类分析线损异常的配电网，通过提取有效的知识或者规律，发现线损异常的引发因素相同时，其低压配电网存在一定的相似特性。为了完善线损异常智能识别方法，在聚类分析的过程中，对分群结果进行输出，且每个类别都与导致线损异常的不同因素一一对应，深度神经网络的最终输出即为分群结果。

已知一个概率模型，具有无法观测的隐藏变量，最大期望算法就是令似然或者后验概率为极大值，从而对其中的未知参数实施估算。最大期望算法由两个阶段架构而成，参数的估算则是通过两阶段的交替操作实现的：首先，根据隐藏变量的当前估算数据，推算出其似然估算的极大值；其次，对似然估算的极大值进行最大化处理，完成识别模型参数的更新。

4.3识别模型创建

通过仿真人类大脑的神经网络，经过学习归纳，对分类与预测的算法模型进行架构。将低压配电网线损异常智能识别模型选取为基于模式分类的判别式深度网络后向传播(backpropagation，简称BP)神经网络模型，可以实现任意精度与任意非线性系数的无限趋近。设定深度神经网络模型的输入为异常线损对应的线损参考指标，模型输出为最大期望算法的分群结果，对线损异常智能识别模型进行训练。

5结语

低压配电网的线损能耗是不能忽视的部分，供电企业应加强线路管理的技术性，确保电能的高效利用，为此，本文提出一种低压配电网线损异常智能识别方法，依据整体等值电阻相当于配线等值电阻和配电变压器等值电阻之和的关系，对线损率进行求取，采用最大期望算法拟合归一化处理过的统计线损率，构建混合高斯模型，根据概率阈值与统计线损率概率的对比，判定其异常状态；基于参考标准体系，聚类分析样本与类别的概率分配问题，经过辅助函数的最大化处理，对模型参数进行更新，通过隐藏层与输出层的设计，创建出整体的智能识别方法。该方法的计算复杂度较低，且具有较强的实践价值与重要的现实意义，为今后的相关领域研究提出了指导性的建议。

参考文献

[1]陈敬德,盛戈皞,吴继健,等.大数据技术在智能电网中的应用现状及展望[J].高压电器,2018,54(1):35-43.

[2]邵凡,陈辰,葛淼佳,等.基于电网线损的皮尔逊算法分析[J].科技创新与应用,2017(14):54-55.

[3]杨林超,楼伯良,徐政,等.适用于交直流系统电磁暂态仿真的三序网络动态等值方法及其在华东电网的应用[J].电力建设,2019,40(7):57-64.

[4]夏澍,毛俊,施灵,等.基于负线损分析的计量异常辨识方法[J].电测与仪表,2019,56(16):85-89,112.

[5]王学伟,王婧,袁瑞铭,等.正交伪随机测量动态测试信号建模与电能表动态误差的似然函数间接测量方法[J].中国电机工程学报,2019,39(23):6886-6898.

[6]张永斌,聂明林,张俊鹏,等.考虑分布式电源不确定性的配电网网架模糊规划[J].电工技术学报,2019,34(A1):258-263.