基于径向基神经网络的低压台区运行状态综合评价方法

魏 伟, 唐登平, 陈 昊, 李 帆, 李 野, 谭 煌

(1.国网湖北省电力有限公司计量中心,武汉 430080；2.中国电力科学研究院有限公司,北京 100085；3.国网天津市电力公司电力科学研究院,天津 300384)

低压台区是电网公司直接面向电力客户的最后一个环节,其管理水平高低直接影响电网企业的安全生产、经济效益和对客户的优质服务。传统的台区管理方法是通过基层台区经理人对台区进行巡查,记录异常或故障线路和设备,并通知运维检修人员排除异常或故障,由于台区经理人管理的台区较多,设备数量及种类繁多,配电线路复杂,线路或计量设备出现故障或异常时,经常无法及时发现或找到问题根源,难以提升台区管理水平。

随着电力自动化、信息化系统建设的快速发展,低压台区管理工作呈现出鲜明的“数据化”特点,为确保台区健康运行,提升台区管理水平,相关人员开始从台区运行状态着手,研究台区运行状态评估方法,以达到发现台区存在的各类问题的目的,如文献[1]提出了一种改进型序关系分析法,该方法可利用台区供电半径相关的5个台区特征指标对台区运行状态进行评价,但是该方法未考虑到不同台区各指标权重值的差异性,方法的通用性不强；文献[2]提出基于K-means聚类分析、主观权重加权及神经网络等方法的综合评价模型,可以对低台区运运行状态进行评价,但是该方法采用了主观权重加权,其评价结果存在很大主观性；文献[3]提出了一种改进序关系分析的台区健康状态评估模型,建立了包含6个状态指标的评估体系,从一定程度上实现低压台区运行状态评估,该方法与文献[1]一样,未考虑对台区进行分类评估,不同类型台区受评价指标的影响不同,模型的通用性不强；文献[4]提出了G2-熵权法的低压配网台区状态特性评估方法,从台区的线路特征、运行特征2个主要方面的指标对低压配网台区状态特性进行评估,该方法存在评估指标过少的问题,无法对低压台区运行状态开展全面评估。

为填补现有研究的不足,本文提出基于径向基(radial basis function, RBF)神经网络的低压台区运行状态综合评价方法,能开展低压台区运行状态全方位、多维度的评价,帮助和指导基层单位和人员“对症下药”,及时排除线路及计量设备故障或异常,确保台区处于最佳运行状态,有效提升台区精益化管理及优质客户服务水平。

1 台区运行状态评价指标

从影响台区健康运行方面考虑,遵循实用性、易获取的原则,结合现场工作经验,选取电压合格率、电流三相不平衡度、配变负载率、档案准确率、总表采集成功率、户表采集成功率、计量设备故障率及台区线损率组成台区运行状态评价指标体系集U,利用评价指标体系集U对低压台区运行状态开展评价。各评价指标定义如下。

(1)电压合格率u1=∑电压合格时间/电压监测总时间×100%,台区总表连续3 h的出口电压大于额定电压110%(242 V)认定为电压过高,排除断相,总表连续3 h的出口电压小于额定电压90%(198 V),认定为电压过低,电压过高或过低均认为是不合格。

(2)电流三相不平衡度u2=(三相最大电流-三相最小电流)/三相最大电流×100%。

(3)配变负载率u3=最近1个月平均功率/配变容量×100%。

(4)档案准确率u4=档案准确用户数量/台区下总用户数量×100%。

(5)总表采集成功率u5=台区总表采集成功点数/24×100%。

(6)户表采集成功率u6=台区下采集成功的智能电能表数量/台区下应采智能表数量×100%。

(7)计量设备故障率u7=台区下发生故障计量设备数量/台区下计量设备总量×100%。

(8)台区线损率u8=(当月供电量-当月用电量)/当月供电量×100%。

按评价指标对台区健康状态的影响情况,将评价指标体系集U分为正向指标、逆向指标和区间指标三种类型,可知正向指标包含电压合格率、档案准确率、总表采集成功率及户采集成功率,正向指标数值越大,台区运行健康状态越好,逆向指标包含电流三相不平衡度、计量设备故障率、台区线损率,逆向指标数值越大,台区运行健康状态越差,区间指标为配变负载率,区间指标数值处于合理区间时,台区运行健康状态越高。

因台区评价指标维度、大小不一致,在开展台区运行状态评价前,需对各评价指标进行归一化处理,归一化处理公式如下：

(1)正向指标

(1)

式(1)中：Xf表示正向指标归一化值；Xi表示被评价台区状态评价指标的实际数据；Xmax、Xmin分别表示台区中该项指标的最大值和最小值。

(2)逆向指标

(2)

式(2)中：Xr表示逆向指标归一化值。

(3)区间指标

(3)

式(3)中：Xs表示区间指标归一化值。

2 运行状态综合评价方法

综合评价方法流程如图1所示,综合评价方法首先获取多个历史台区1 d内间隔1 h的用户平均有功功率,利用改进K-means聚类算法按台区用户平均有功功率将台区进行分类,其次利用序关系权重值分析,计算出台区运行状态不同评价指标的权重值,利用加权求和计算得到历史台区运行状态评价值,最后以历史台区运行状态评价指标数据及评价值用于RBF神经网络样本模型训练,训练好的RBF神经网络模型按不同类型台区开展台区运行状态评价,评价得分用于指导基层运维人员开展低压台区故障排查。

图1 综合评价方法流程图Fig.1 Flow chart of comprehensive evaluation method

3 算法分析

3.1 改进K-means聚类算法

考虑到不同类型台区健康状态受评价指标体系集的影响会有差异,在利用低压台区评价指标体系集对台区进行运行状态评价时,选择聚类算法对台区进行分类,分类评价指标选取易于获取和计算的台区用户1 d内每间隔1 h采集到的平均有功功率P。在选择聚类算法时考虑原理简单、易于实现的K-means聚类分析法[5-6]：

j=1,2,…,n;i≠j

(4)

式(4)中：Lij为台区i与台区j的平均有功功率P之间的欧几里得距离；n为历史台区个数；Pik、Pjk分别代表台区i与台区j在k时刻的平均有功功率；m=24。

由于K-means聚类算法存在以下两个问题:①在聚类开始前,需要事先给定类别数目；②需要人为确定初始聚类中心,初使聚类中心选取不当,会存在聚类结果不合理。为解决上述问题,提出采用改进K-means聚类算法对台区进行分类。为解决上述问题①,引进评价聚类效果变量,总的轮廓系数,该系数越大,聚类效果越好,对于任意一个分类样本k,其轮廓系数计算公式为

(5)

式(5)中：f(k)为点k与其所属分类中剩余点之间的平均距离；g(k)为点k与其非所属分类中剩余点之间平均距离的最小值。聚类效果St是所有轮廓系数的平均值,计算公式为

(6)

式(6)中：t为分类数量。

为解决上述问题②,引进聚类中心选取参数CE：

(7)

式(7)中：Pimin为台区i1 d内的最小有功功率。对CE进行排序,并等分成t类,选取每类的中心有功功率值所在台区作为该类的聚类中心。

3.2 序关系权重值分析

序关系权重值分析方法[7-8]为

(8)

(9)

表1 ri赋值

3.3 RBF神经网络

RBF神经网络具有以任意精度逼近任意连续函数的能力[9-11],特别适用于多指标的状态评价问题,在低压台区运行状态评价上具有明显优势。RBF神经网络为前馈式三层神经网络,输入层为线性层,起传输信号的作用,权值固定为1,隐藏层为非线性层,曲线拟合由径向基函数完成,用于台区运行状态评估时,其隐藏层神经元数量与用于训练的台区样本数相同,输出层由线性函数组成,用于调整隐藏层输出权值,RBF神经网络的结构原理如图2所示。

图2 RBF神经网络的结构原理图Fig.2 Structural schematic diagram of RBF neural network

图2中x=[x1,x2,…,xn]T为网络输入向量,ω0为输出偏置；ω=[ω1,ω2,…,ωi]T为输出权值向量；Φi为隐藏层传输公式,取高斯函数为其表达式：

(10)

(11)

4 实例分析

4.1 获取历史台区有功功率值

取500个历史台区1 d内间隔1 h的有功功率如表2所示。表中有功功率大小不一,在进行分类前,需进行归一化处理,归一化公式为

(12)

4.2 改进K-means算法分类台区

结合式(7)和表2的数据,计算得到聚类中心参数CE如表4所示。

令聚类数目t从3到10依次递增,分别计算相应聚类数目t下聚类效果St,计算结果如表5所示。对比聚类效果可知,当t=4时,St最大,说明聚类效果最好。因此选取聚类数目为4。

表3 历史台区有功功率归一化值

表4 聚类中心参数CE

表5 不同t下聚类总轮廓系数

4.3 序关系权重值分析

由专家经验得到:R=(r1,r2,r3,r4,r5,r6,r7,r8)=(1.0,1.6,1.0,1.4,1.4,1.4,1.2)。

由式(8)、式(9)计算得到评价指标权重值:ω=(ω1,ω2,ω3,…,ω8)=(0.226, 0.226, 0.141, 0.141, 0.101, 0.071, 0.051, 0.043)。

台区运行状态加权求和计算评价值公式为

(13)

式(13)中:Os为台区运行状态评价值。

选取分类后历史台区评价指标体系集U的数据,如表6所示。根据表6的数据,利用加权式(13)计算得到历史台区运行状态评价值如表7所示。

表6 4个分类台区评价指标体系集数据

表7 历史台区运行状态评价

4.4 RBF神经网络模型

利用表7的历史台区运行状态评价值对RBF神经网络进行训练,得到训练后的RBF神经网络模型,利用模型对12个运行台区开展状态评价,评价如表8所示。

表8 台区运行状态评价

从表8可以看到,001～003号台区评分高,说明运行状态好,通过现场验证发现台区各项状态评价指标均较好；004～007号台区评分较高,说明运行状态良好,通过分析各评价指标数据发现各台区分别出现电压合格率、电流三相不平衡度、计量设备故障率等单项状态评价指标较差的问题,现场验证结果与评分结果相一致；008～009号台区评分低,说明运行状态差,通过分析各评价指标数据发现各台区出现电流三相不平衡度、档案准确率、总表采集成功率、户表采集成功率、计量设备故障率等多项状态评价指标较差的问题,现场验证结果与评分结果相一致；010～012号台区评价极低,说明运行状态极差,通过分析各评价指标数据发现台区出现户表采集成功率、总表采集成功率、计量设备故障率、台区线损率等多项状态评价指标极差的问题,现场验证结果与评分结果相一致。

通过对12个在运台区开展运行状态评价表明,提出的综合评价方法能及时发现低压台区运行中存在的各类故障及问题,证明本文低压台区综合评价方法具有实际应用价值,其评价结果可用于指导现场运维人员开展低压台区问题治理,提升台区管理水平。

5 结论

本文提出了一种基于径向基神经网络的低压台区运行状态综合评价方法,解决了现有台区评价方法中评价指标不全面、模型通用性不强等问题,利用电压合格率、电流三相不平衡度、配变负载率、档案准确率、总表采集成功率、户表采集成功率、计量设备故障率及台区线损率组成的评价指标体系集对台区运行状态开展评价,可及时有效发现低压台区存在的各类问题,指导基层运维人员开展台区问题治理,提升台区管理水平,保障电网用电安全。