中压配电网规划态线损计算方法

张 勤 马 玮 付 锦 冯 超

（1. 国网四川省电力公司南充供电公司，四川 南充 637000；2. 国网四川省电力公司达州供电公司，四川 达州 635000）

线损率反映了电力系统设计、运行以及管理水平，它是考核供电企业的一项重要技术和经济指标。为了降低损耗，节约能源，提高供电的经济效益，供电企业需要对线损进行计算和分析，以提出合理的降损措施。

目前，对配电网线损的研究较多，但大多是对于现状的分析和计算[2-5]。规划年的线损可以对电网设计方案进行对比和对电网进行优化等，然而对规划年线损的研究并不是很多。文献[6]采用灰色模型与神经网络组合的方法对线损率进行预测，运用灰色关联度确定出神经网络的输入变量，建立线损率预测的 BP模型。文献[7]引入了损失系数法和允许损失率修正因子法，提出了适合于不同电压等级线损的估算方法。文献[8]结合线损二项式，人工神经网络对线损进行预测。

对规划网络不同电压等级的线损计算，其中高压输配电网的线损可以根据潮流计算结果得到，低压配电网由于数据的缺乏，很难对其做出直接的预测。中压配电网由于元件数量多，分布复杂，数据不易收集，损耗较大，因而其线损的计算一直受到关注。本文针对规划中配电网的特点对线损进行计算。采用人工神经网络中改进的 BP算法进行线损基本分量的预测，由于该预测模型中未考虑规划改造项目对线损的影响，因此需要对 BP算法预测的结果进行修正。

1 线损基本量预测

对线损基本量的预测采取人工神经网络中的三层 BP网络模型，即输入层、隐含层、输出层。输入层变量是对线损影响较大的参数，输出层变量是预测的线损率。

输入层变量的选取是建模前的一项重要工作。是否能选择一组最能反映输出变量性能的变量直接关系着神经网络预测的性能[9]。配电网线损与很多参数都有关系，如供电量，线路的长度与条数，配变容量与台数，负荷率，功率因数等。考虑到数据的收集和所研究地区线损的特点，在这里只研究前5个参数与线损的关系。建立的线损预测三层BP模型如图1所示。

图1 三层BP网络

图1 中ijw为权值，b为隐含层输出结果，′为输出层线损预测值。

1.1 原始数据的处理

在 BP算法中，对原始数据的处理很重要，否则容易导致神经元节点饱和，收敛速度减慢等。对于自变量，其取值范围和单位都存在差异，首先需要对样本中的数据进行标准化处理[10]，即

由于样本因变量线损率的变化较小，再加上计算机在处理时的舍入处理等，数据之间的差异很小，在训练时很难提高精度[10]，因此对因变量也要作适当的处理，即

式中，1iL′为处理后的因变量；1iL为样本中的因变量；a、k的取值由式（3）、式（4）确定。

式中， L1imin、 L1imax分别为样本因变量的最小和最大值；ξ为较小的正数，在这里取ξ=0.01；μ为接近1的正数，本文取μ=0.99。

线损率在经过以上处理后，数值间的差异就变大了很多。BP网络训练的输出层变量为 L1′，需要经过式（2）变换得到神经网络最终预测的结果L1。

1.2 改进的BP算法

BP算法中因为网络采用的是沿梯度下降的搜索求解算法，这就不可避免的出现了网络学习收敛速度慢以及容易陷入局部极小等问题。传统的 BP算法中，在修正权值时，没有考虑以前的经验累积，而只是取k时刻的负梯度作为依据[11]，因此在训练的过程中常出现学习过程缓慢或发散的情况。针对这种情况，有如下的改进算法：

式中， w (k + 1 )为连接权值；α为学习率； D (k)和D(k − 1 )分别为k时刻和k−1时刻的负梯度；η为动量因子，其取值在0和1之间。

在常规的 BP算法中采用定学习率的算法，这在很大程度上影响了算法的收敛性，因而需要对学习率进行改变。如果两次迭代的误差在允许的误差范围之内，就说明该学习率有助于迭代的收敛性，学习率乘以2，即

反之，如果误差超过了允许的范围，就将学习率乘以0.5。

2 电网规划改造项目对线损的影响

在电网规划中，各种规划改造项目对线损也有较大的影响。有的项目能使线损率得到降低，有的则可能使其升高。对于这部分在人工神经网络中没有反映的因素，本文对其中主要的因素进行了分析并根据结果对神经网络中预测的线损率进行修正。

2.1 线损升高因素

电网规划改造中，有的项目会使线损在一定程度上有所升高，其中一个比较重要的因素就是远距离输电。由于新的电站上网，电量不能得到就地平衡，可能出现线路的远距离输电，所以需要对这部分外送电量的损耗进行计算。

对于规划网络，不能确定外送负荷的分布形式，通常情况下认为负荷集中于线路末端，但这样计算出来的损耗与实际情况相差较大。本文采取综合功率损失系数法对负荷集中分布于线路末端的损耗进行修正计算，以使预测的线损值与实际情况更加接近。

实际线路中的负荷分布情况可以看作几种典型分布方式：末端集中负荷，平均分布负荷，逐渐增加负荷，逐渐减少负荷，中间较重分布负荷的一种或者是几种的组合，各种典型分布的功率损失系数分别为1G、2G、…、nG[12]。则综合损失系数G可以取加权平均值。

式中，λi为各种负荷分布方式所占的比例，0≤ λi≤1且 λ1+λ2+ … + λn=1。

则线路的功率损耗可以修正为

式中，ΔPE为负荷集中于线路末端时的功率损耗。

根据最大损耗小时数法可以得到外送电量的能量损耗ΔA为

式中，maxτ为最大负荷损耗小时数；k为考虑分支线损耗引入的系数，一般情况下k=0.8。

2.2 线损降低因素

在电网规划中，有的规划改造项目使线损得到降低。如网内电源的上网使部分区域得到就地供电，避免来自其他地方远距离输电带来的能量损耗；提高功率因数，三相不平衡功率的调整等。

1）提高功率因数对线路的影响

功率因数与线损有着密切的关系，提高功率因数，可以减少电网对无功的传输，从而降低能量的损耗。设功率因数由1cosϕ提高到2cosϕ，则网络中降低的功率损耗L%PΔ为

2）电源就地供电降低的损耗

由于网内新上网的电源等，使该地区的电量得到就地供应，避免来自其他地方的远距离输电将会降低电网损耗。可以根据式（9）计算出规划后该部分线路的损耗，对比电源上网前由于远距离输电带来的损耗，从而可以得到由于电源的就地供电降低的损耗。

2.3 规划改造项目对线损率的影响

把规划电网升高和降低的能量损耗除以规划年中预测的电量，就可以得到规划改造项目对线损率的影响部分，即

式中，L2为规划改造项目的线损率；sAΔ为增加的能量损耗；jAΔ为降低的能量损耗；A为规划年预测的电量。

3 规划年的综合线损率

根据人工神经网路预测的线损率L1和规划改造项目对线损率的影响部分L2，就可以得到规划年的综合线损率L，即

4 实例分析

4.1 基于BP算法的线损基本量预测

应用本文的方法对某地区“十三五”规划年中的线损进行了预测。由于该地区的发展特点，城市和农村的电网结构和负荷特性存在较大的差异。同时根据电网规划方案中的城网和农网片区的划分，因此对线损的预测分城网和农网分别建模。现状年中的原始数据在这里不再罗列，规划年中各分区的原始数据见表1。

表1 配电网设备数据

用神经网络预测线损时，为了使预测的结果更加准确，采取滚动预测法，即用训练好的模型预测出2017年的线损率，则2017年的数据可以加入到样本数据库中形成新的数据库，根据新的样本数据库进行训练预测2018年的线损率，这样依次计算出“十三五”期间各年的线损。最终得到的线损率基本分量结果见表2。

表2 线损基本分量预测结果

4.2 规划改造项目对线损影响

在“十三五”规划中，该地区的电站上网，线路改造，无功补偿等改造项目对线损的影响通过本文计算方法的分析结果见表3。

表3 规划改造项目线损预测结果

从表3结果可以看出，在“十三五”期间，电网升级改造的项目对线损整体影响的趋势是降低的，其中城网2018年，农网2017年和2020年改造项目使线损率略有升高，这是由于在此期间有新上网的电站其电量不能就地平衡，远距离输电等原因造成的。

4.3 综合线损率

用规划改造项目中的线损率修正 BP神经网络中预测的结果。同时根据各个分区预测的电量结果和线损率即可以得到线损电量，从而得出该地区在规划年中压配电网全网的线损率。最终预测结果见表4。

表4 规划年线损最终预测结果

从表4中线损率预测的结果来看，2020年，该地区中压配电网总的线损率为2.979%。在“十三五”期间，线损率逐年有所下降，且各年的值都在电网公司关于规划年配电网线损率允许的范围之内。

5 结论

本文通过改进的 BP算法对规划年线损的基本分量进行了预测，并用规划改造项目中影响线损因素所得结果修正 BP网络预测的线损值，既考虑了理论线损的变化趋势，又考虑了引起线损升降的其他因素。通过对实际电网线损的预测，证明了本文算法的实用性。

[1] 杨秀台. 电力网线损的理论计算和分析[M]. 北京:水利电力出版社, 1985.

[2] 王家华. 基于台区分群的线损标准化管理模式研究[J]. 电气技术, 2017, 18(2): 117-119, 123.

[3] 付学谦, 陈皓勇. 平均电流损耗法在配网线损计算中的应用[J]. 电工技术学报, 2015, 30(12): 377-382.

[4] 李学平, 刘怡然, 卢志刚, 等. 基于聚类的阶段理论线损快速计算与分析[J]. 电工技术学报, 2015,30(12): 367-376.

[5] 卢志刚, 李爽. 厂站量测信息不完整时的全网理论线损计算[J]. 电网技术, 2007, 31(16): 83-87.

[6] 张勤, 周步祥, 林楠, 等. 基于灰色模型与神经网络组合的线损率预测[J]. 电力系统及其自动化学报,2013, 25(5): 162-166.

[7] 叶云, 王主丁, 张宗益, 等. 一种规划态配电网线损规划方法[J]. 电力系统保护和控制, 2010, 38(17):82-87.

[8] 田宏杰. 线损分析预测在供电管理中的应用[J]. 电力系统保护与控制, 2010, 38(7): 77-80.

[9] 高山, 单渊达. 神经网络短期负荷预测输入变量选择新方法[J]. 电力系统自动化, 2001, 25(22): 41-44.

[10] 文福拴, 韩祯祥. 基于分群算法和人工神经元网络的配电网线损计算[J]. 中国电机工程学报, 1993,13(3): 41-50.

[11] 成蓬勃, 袁福科, 刘灿萍, 等. 改进 BP网络算法在配电网故障诊断中的应用研究[J]. 继电器, 2007,35(12): 27-31, 40.

[12] 赵俊光, 王主丁, 乐欢. 中压配电网规划中馈线电气计算的估算方法[J]. 电力系统自动化, 2008,32(16): 98-102.

[13] 王涛, 张坚敏, 李小平. 计划线损率的计算及其评价[J]. 华中电力, 2003, 16(1): 5-7.