基于蜂群算法的配变台区负荷负载实时监控方法及系统

邰 刚，蒋季儒

（深圳供电局有限公司，广东 深圳 518001）

0 引 言

负荷负载监控是配变台区的主要任务，也是保证配电网稳定运行的基础，对于输电工作的稳定运营具有重要意义[1,2]。负荷超载或负荷不符合规定要求会给电力企业带来巨大的经济损失[3]。目前，电网终端设备逐渐智能化且供电需求不断提高，使得配变台区的负荷负载工作变动日趋复杂，因此亟需一种有效的负荷负载监测方法，实现配电网的实时监控[4]。以往的负荷负载采用持续性监控方法，虽然能有效发现异常负荷，但需要占用较多的系统资源，增加了数据处理量[5,6]。因此，准确提取异常负荷数据，减少监测数据量是目前研究的关键。本文基于上述背景，借助蜂群智能理论，构建一种智能实时监控方法。

1 配变电台区负荷负载监控问题

蜂群智能理论属于1种智能迭代计算，分为改进蜂群理论和标准蜂群理论。改进蜂群理论与其他智能算法结合，可发挥多种算法优势，扩大其适应范围[7]。标准蜂群理论是改进蜂群理论的基础，被广泛应用于建筑、计算机以及电力等领域，具有适用范围广、计算速度快、计算结果准确等优势[8]。通过实时监控配变台区的负载负荷，剔除冗余数据，准确寻找异常负荷。采用标准蜂群原理持续性收集负荷负载数据，并按照1类负荷、2类负荷以及3类负荷的标准进行分类，构建负荷负载数据集合。按照预设的阈值筛选数据，剔除小于阈值的数据[9-11]。假设配电台区中的线路为i条，线路的总功率为Q，电阻为Ri，总潮流为P，收集的数据集合为set，则有

式中：A为Q的阈值；B为P的阈值。

为了更好地分析蜂群原理，将负荷负载数据集合进行排序，赋予相应的权重k，那么式（1）可转化为

式中：seti为负荷负载数据的分类集合；Qi为各支线的功率；Pi为各支线的潮流；Si为负荷负载异常的赋值，Si=1代表超负荷，Si=0代表负荷正常。

2 负荷负载异常的判断方程

假设负载异常结果为oi，负荷异常结果为vi，依据配变台区母线两端的负荷负载数据进行异常负荷判断，公式为

式中：θi为功率变化的角度；为功率的总和；RB为Ri的阈值；PA为Pi的阈值。如果o和v均小于1，说明负荷负载正常，否则异常。

3 搜索系数与计算步骤

通过实时监控分析不同的线路，以求得负载和负荷结果。当不同线路或设备超载后，不能准确得到具体的故障位置，会给负荷负载监测带来难度。因此，依据蜂群原理，首先确定超载范围，其次寻找超载线路，最后锁定超载设备。

3.1 确定超载目标的搜索系数

依据式（1）得到权重值k，进而得到不同线路的搜索系数ς，计算公式为

搜索系数是整个配变台区的线路系数，且随线路的变化而变化，属于动态调整过程。

3.2 配变台区负荷负载监控的实施步骤

基于蜂群理论监控配变台区负荷负载，蜂群算法的计算步骤如图1所示。

图1 蜂群算法的计算步骤

蜂群算法依据负荷负载的数据量、负荷等级以及重要性，构建实时监控分析的数据集合。依据配变台区的潮流、功率以及电阻进行负荷负载分析，确定异常负荷的位置[12]。其中，对负荷负载数据的剔除和蜂群搜索顺序是影响最终结果的关键[13]。冗余数据的剔除能减少计算的负担，搜索顺序的排列可以提高搜索速度，提高异常负荷识别的准确率[14]。

4 220 V低压配电网的负荷负载实时监控分析

为了验证实时监控方法的有效性，以220 V电压配电网为研究对象进行实时监控分析。实时监控的波动指标值如表1所示。

表1 实时监控的波动结果

表1中的数据均是经过映射处理后的结果，映射后的数值范围为0～10，分值越大，说明波动越大。阶段1～阶段3的负荷负载数据存在显著相关性（P=0.521，X2=5.362），说明整个实时监测数据合理，可以为后期分析提供数据支持。

4.1 蜂群法的实时监控准确性

蜂群算法的实时监控效果较好，在配变台区负荷负载监控过程中，单次的负荷数据处理量比较稳定，未出现大幅数据波动，同时实时监控的精准度大于90%，且未随负荷数据量的增加而降低。蜂群算法的计算效果如图3所示。与实时监控方法比较，进一步验证蜂群算法的效果如图4所示。

图3 蜂群算法的计算效果

图4 不同算法的计算精准度

蜂群算法的计算精准度为90%～96%，实时监控方法的准确率为85%～92%，可见蜂群算法模型对配电台区负荷负载的判断更加精准，且精准度未出现明显波动。采用蜂群算法综合分析负荷负载数据，不仅比较单条输电线路电阻、功率以及潮流，而且比较整体输电线路的电阻、功率以及潮流，得出最终的负荷负载结果。

4.2 蜂群算法对负荷负载的计算时间

在不同条件和参考指标下分析蜂群算法，准确分析负荷负载时间[15]。条件分为负荷负载等级（Ⅰ～Ⅲ级负荷）的综合评价和负荷负载程度（严重负荷和普通负荷）的综合评价2种[16]。参考指标包括功率、电阻、潮流以及异常位置。蜂群算法的综合计算时间如表1所示。

表1 不同条件和指标下的综合计算时间

蜂群算法在功率、电阻、潮流以及异常位置的计算时间为12.3～18.3 s，显著优于实时监控方法的时间21.2～82.1 s，且不同负荷等级和负荷程度的蜂群算法的计算时间均较短。

5 结 论

针对配变台区负荷负载问题，提出1种基于蜂群理论的实时监控算法。计算单线路和配变台区的潮流、电阻以及功率等指标，以220 V低配电网的案例为例进行分析，以验证蜂群算法的有效性。结果显示，蜂群算法的计算精准度为90%～96%，计算时间为12.3～18.3 s，显著优于以往的实时监控方法，适合于配变台区的负荷负载监控，能够提高实时监控效果。