基于大数据价值挖掘的配电网线损管理方法分析

邱衍江，张 超，张新燕，张锡泉，常喜强

（1.广东电网有限责任公司江门供电局，广东 江门 529030；2.广东电网有限责任公司广州供电局，广州 510620；3.新疆大学电气工程学院，乌鲁木齐 830047；4.新疆电力公司电力调度控制中心，乌鲁木齐 830002）

0 引言

近年来，随着我国电网企业的数字化、智能化建设不断推进，输电、变电、配电及营销等领域开发并使用了多套业务系统，如数据采集与监控系统、营销管理系统、用电信息采集系统、生产管理系统及电网地理信息系统等。在这些系统的使用过程中会产生并存储海量的电网运行数据。

为了顺应电网转型和数字化建设融合发展趋势，盘活电网的数据资产并挖掘电网大数据的价值将成为电网企业未来重点关注方向，电网大数据的分析已成为研究热点。文献[1-2]建立大数据运算平台，通过分析线损大数据得到窃电预警信号；文献[3-5]从优化线损分析方法的角度出发，提出线损计算的最优算法。文献[6-8]利用大数据分析技术对线损特征进行研究，并根据线损特征建立线损管理平台。同时，线损定位技术与线损管理方法的优化也是研究热点[9-10]。当前，关于线损大数据的研究仅停留在线损运算及其数据的使用，而针对其本质的价值挖掘与线损治理的有机统一等方面仍缺乏关注。本文以配电网运行中产生的海量数据为基础，在Tableau环境下建立线损大数据价值挖掘模型，对配电网线损大数据蕴藏的信息进行深度剖析，查找影响线损率的主要因素，提出具有针对性的线损管理措施，以提升配电网线损管理水平。

1 线损大数据的数据源

用电信息采集系统是线损大数据的数据源，主要由计量终端、通信网络、工作主站等组成（如图1所示），具有用电检测、负荷管理、线损分析、电能质量分析及自动抄表等功能。

图1 用电信息采集系统结构示意图

用电信息采集系统中，配电计量终端、负控装置、终端用户电能表等计量表计对供电量、售电量、线路负载、三相电压与电流等配电台区常规数据进行采集，通过接口数据传输通道（TCP/IP规程）将其传送至计量主站或其他工作主站，以供数据调用、计算分析与监控等。而配电网线损大数据主要取自计量系统的线损管理、电能质量分析2个数据库，通过进一步整合，将其存储于数据仓库中备用。

2 线损大数据价值挖掘模型

根据线损大数据价值挖掘需求，本文建立含数据处理、Tableau可视化与价值挖掘3个环节的线损大数据价值挖掘模型，具体流程如图2所示。

图2 线损大数据价值挖掘流程

2.1 数据处理

线损率ΔP是供电企业的重要经济技术指标，不仅可以反映某个时间段内供电单位的经济性，还可以间接反映供电单位的线损管理技术条件和管理水平，其数学表达式为：

式中：Psupply—供电量；

Psale—售电量；

P′—损耗电量。

在供电量一定时，ΔP越高，P′越大，说明该线路或台区线损管理水平越差。因此选用ΔP作为线损大数据价值挖掘的影响因子。0＜ΔP≤8%为正常范围，8%＜ΔP≤20%为不合格范围。

计量终端在采集数据时可能会存在一定问题，如数据采集重复、错漏等。为了避免数据冗杂，在保证不减少数据所包含信息的前提下，将数据中每月售电量大于供电量、有供电量但无售电量、数据格式乱码等明显异常的数据进行筛查。其次，将ΔP＜0或ΔP＞20%的极端数据剔除，以提高入库数据的质量。

2.2 大数据可视化处理与分析

大数据可视化是将每一数据项作为图元元素，将海量集中的数据集以图形形式表示，数据各属性值以多维数据形式表示。大数据价值挖掘是指利用数据分析和开发工具对大数据可视化图形进行分析，挖掘大数据蕴藏的未知信息及潜在价值的处理过程。根据挖掘任务可将大数据挖掘技术分为聚类分析、预测模型挖掘、趋势发现、离群点检测及曲线拟合等。

本文基于Tableau软件建立线损大数据可视化模型，将线损大数据筛选出库进行计算与可视化。利用K均值聚类算法将线损离散数据进行特征挖掘分析，提取数据蕴藏的规律，再利用曲线拟合算法将其拟合为连续函数或离散方程，找出线损率与其他因素的相关性。

线损率数据集由n个数据点组成，且每个数据点均具有m个维度的属性。在价值挖掘前，选取k个代表点P1、P2、P3、…、Pk，建立k个聚类中心C1、C2、C3、…、Ck（1＜k≤n）。按照最小距离法则对空间聚类表样本值到聚类中心的距离逐个进行计算，表达式为：

式中：Xi—第i个聚类样本值；

Cj—第j个聚类中心；

Xit—第i个聚类样本值的第t种属性；Cjt—第j个聚类中心的第t种属性。

将样本值划分至离相应聚类中心最近的类簇中，再进行新聚类中心的计算，直到计算收敛[11]。计算公式为：

式中：Cl—第l个聚类中心，1≤l≤k；

Sl—第l个类簇的样本值个数；

Xi—第l个类簇中第i个样本值，1≤Xi≤Sl。

3 案例分析

3.1 线损情况分析

在计量系统中提取2019年11月至2020年3月某供电局7个县区局（A、B、C、D、E、F、G）的10 kV配电网线损大数据，包括供电单位名称、配电线路信息、台区信息、供电量与售电量、损失电量、线损率、负载率、三相参数等。为了对比各局在5个月内损耗电量与线损率的变化情况，在Tableau中建立损耗电量与线损率对比图（如图3所示）。由图3可知，5个月内各局损耗电量总体变化不大，其中C局在各个月中损耗电量均最大；线损率平均值由大到小依次为C、F、A、G、E、D、B局。结合损耗电量与线损率分析，F与E局线损管理水平最差。A局从2020年开始线损率大幅下降，说明其线损管理成效较好。

图3 损耗电量与线损率对比

为了详细分析各局的线损管理情况，利用K均值聚类算法将线损数据进行特征分析后在Tableau建立各局供电量与线损率散点图，进一步根据散点分布规律拟合线损率趋势线（如图4所示）。图4中，线损率趋势线代表供电量与线损率的发展趋势，对应线损的管理水平，趋势线衰减越快反映线损管理越差，反之则线损管理越好。E、F、G、D局的趋势线为减函数，说明其线损管理水平较低；C、A、B局趋势线为增函数，说明其线损管理水平较高。

图4 各局供电量与线损率散点及趋势线

取线损管理水平较差的E、F、G、D局大数据进行深入分析，确定线损率过大或线损率不合格（ΔP≥8%）的台区分布，结果如图5所示。图5中，F局不合格台区分布在12个供电所辖区内，涉及范围最广。其次是E、G局，而D局线损率不合格台区涉及供电所数量最少。D3、E8、F3及G9供电所线损问题最突出。

图5 线损率不合格台区分布

3.2 原因分析

对线损问题较严重的区域进行原因分析、重点治理。对E、F、G、D局线损率不合格台区（ΔP≥8%）的三相电流电压数据、变压器负载、配电网线路参数及供电长度等数据进行K均值线损聚类分群计算，查找线损率不合格的主要影响因素，结果如图6所示。

图6 线损率不合格影响因素占比

由于地理位置分布差异，线损率不合格的因素也不尽相同。配电网参数三相不平衡是E与F局线损率不合格的主要原因，分别占38.89%、43.24%；供电范围、供电结构不合理是G局线损率过高的主要原因，同时也是E局线损率过高的重要原因之一。而D局线损率过高主要由配电台区负载率问题引起，占比超过了50%。

3.3 线损管理方案

根据配电网线损大数据价值挖掘与分析结果，提出以下管理方案。

（1）配电网供电范围及结构不合理性的情况主要有台区配电网络中供电半径过大、线路交叉分布、供电装置超负荷运行等。E、F、G局此类问题较突出，可以对供电范围内用户的用电信息进行全面统计后更换变压器装置。其次，对交叉架设的线路进行绝缘改造，避免线路感应引起损耗。在台区新建时，合理进行台区布点，缩减配电、供电范围，实现智能台区线损治理。

（2）台区设备落后、变压器不合理运行等问题都可能引起配电网三相参数不平衡，导致计量表用电数据采集不准确。对于三相参数不平衡问题较突出的E、F局，可通过SCADA系统监测配电线路三相电压、电流等数据，分析引起三相参数不平衡的原因，不定期进行负荷检测，根据负荷电气量调整配电线路的用电负荷。

（3）正常情况下，变压器负载率在50%左右时变压器损耗率最低；轻载时变压器损耗率增加明显；重载时损耗率也会增加。由图6可知，各局由于负载率问题导致线损率不合格的占比较大，在新增台区配电变压器时，在设计阶段充分考虑供电半径及用户负载大小，平衡分配。

（4）配电台区集中器有失压、断流、接线错误及计量表故障等都可能使线损率不合格。用户窃电行为也是导致线损率较高的重要原因之一。对此，应加强配电线路和计量表计的运维，对疑似故障或存在隐患的表计及时校验和更换。核对营销系统、用电信息采集系统相关数据，确保用户用电信息采集无误，电流互感器变流比与现场一致，避免系统漏抄、错抄计量表计的情况。另外，还要加强宣传依法用电相关知识，结合智能营销平台推进反窃电工作，扼制违法用电行为。

4 结语

将线损大数据价值挖掘模型推广应用，不仅便于供电企业掌握线损管理水平，而且可以实现科学降损，减少损失电量带来的经济损失。下一阶段，考虑对线损大数据价值挖掘模型进行优化，并嵌入供电企业的生产管理系统，建设基于大数据价值挖掘的线损管理平台，实现供电企业的线损精细化管理。