基于改进神经网络的电网线损率预测模型分析＊

陈广宇,张 磊,赵 磊,张慧敏,李磐旎

（1．国网冀北电力有限公司承德供电公司，河北 承德 067000；2．北京中恒博瑞数字电力科技有限公司，北京 100085）

1 引言

电力供给过程的可靠性以及电网运行的安全性与我国经济的发展、人民生活水平的提高呈正相关关系，因此，提高电网的运行水平的重要性不言而喻[1]。随着全球能源危机在近些年的不断加剧，各行业加大了对节约能源的重视程度。为了改善电力资源浪费的情况，相关电力企业在电网中大规模引入降损措施[2]。将电网线损率作为指标对电力企业的管理水平、技术水平、电网结构合理性以及电网运行稳定性进行评估，有利于提升对电力资源的有效利用率[3]。而这一过程需要准确、可靠地对电网线损率展开预测。

方舟等[4]人提出基于对抗生成网络(Generative Adversarial Networks，GAN)与BP神经网络(Back Propagation，BP)的线损率预测模型，经数据预处理后，利用K-Means++算法对不同类别的低压台区训练对抗生成网络，从而增加样本数据量，再通过训练BP 神经网络构建低压台区线损预测模型。选取了合计供电量、上月线损、台区容量、总用户等特征属性作为特征值，实际中存在大量低压台区缺失特征数据，剔除这些特征数据后还剩下大量的低压台区线损相关数据，计算量庞大。丁忠安等[5]人提出基于专家样本库和最小二乘支持向量机的线损率预测模型，利用离散粒子群算法采集电网运行状态信息量，然后构建专家样本库，在专家样本库的基础上采用最小二乘支持向量机(Least Squares-Support Vector Mechine，LS-SVM)算法建立配电网线损率预测模型。由于模型构建过程中需要综合考虑台区配电网的有功供电量、无功供电量、表计数目和环境信息，计算量很大。

由于上述传统模型在应用的过程中，需要进行的数据计算量庞大，从而导致线损预测的时间增长。另外，传统模型还需要对一些缺失的特征数据进行剔除，从而导致预测的准确性降低。

神经网络是一种应用于分布式并行信息处理的数学模型，通过调整其内部大量神经元间的连接形式实现信息处理，但其内部的神经元易产生饱和现象而影响信息处理结果的可靠性。为了进一步提高电网线损预测的效率和准确性，本文考虑将对神经网络输入层中的数据作归一化处理来改进传统的神经网络模型，改进后的神经网络可以利用自身网络超强的拟合特性来映射线损和特征参数间复杂的非线性关系，记忆配电线路在结构参数以及运作参数改变时线损变动的趋势规律，由此减少计算量，提高预测的效率和准确性。

2 电网线损率的影响分析

电网的主要任务是向临近电网输电、向电力用户配电，而在输电和配电的过程中，有功功率等原因会造成线损[6-7]。为了提高对电网线损率预测的效率，需要对电损率受过网电量的影响展开分析，为电网线损率的预测提供相关依据。

首先假设电网中不存在过网电量，A代表供电量；A1代表电网售电量，通过式(1)计算电网线损率△A%：

式中：△Afz代表负载损耗率；△Akz%代表有功功率；U代表线路电压；a代表损耗结构比，其计算公式如下：

假设当电网中存在过网电量A2时，过网电量A2与供电量A之间存在比率q，其表达式如下：

若电压网络对应的电耗系数不发生变化，则可通过式(4)对综合线损率△A'%进行计算：

在此基础上，对存在过网电量时的线损构成进行考虑，存在过网电量时的损耗结构比a'可通过式(5)进行计算：

此时存在：

将公式(7)带入公式(6)中，可获得式(8)：

即可通过式(8)结果分析电网线损率受过网电量的影响。

3 电网线损率预测方法

在上述分析过电量对电网线损率的影响的基础上，先利用等值电阻法计算历史电网线损率，并通过归一化处理过程优化现有神经网络，然后将计算结果作为输入变量，输入到优化后的神经网络中，结合灰色关联分析方法实现对电网线损率的预测。

3.1 等值电阻法

假设Iav(o)代表日平均电流，可通过负荷数据、电压和电流计算得到，Iav(j)代表电网线路中各节点的平均电流，可通过各节点在线路上的日平均有功电能计算得到[8-9]，其计算公式如下：

式中：j代表节点序列号；Aa(j)代表第j节点对应的日有功电能；n代表负荷节点数量。

然后假设△AL(i)代表各个线路段的日损耗电能，可通过各线路段的电阻和平均电流计算得到，过程如下[10]：

式中：△AL(i)代表i线路段对应的日电能损耗；i代表线路段数；m代表线路段总数；Ri代表i段电路电阻。

设△AL代表导线在配电网线路中对应的总损耗电能，其计算过程如下：

已知j节点的平均电流和配电变压器的额定电流，则可对所有公用配电变压器的电能损耗进行计算，过程如下：

式中：，△Pk(j)代表j节点公用配电变压器对应的短路损耗功率；IN(j)代表j节点变压器高压侧对应的额定电流。在此基础上，通过式(13)对配电变压器对应的铁芯损耗进行计算：

式中：△Po(j)代表j节点公用配电变压器对应的空载损耗率。然后通过式(14)对电网日损耗电能进行计算：

设△Am代表的是一个月电网损耗的电能，其计算公式如下：

式中：Aam(o)代表电网月有功电量；D代表天数；Aa(o)代表电网日有功量。

若将一个月时间内电网对应的线损率设为△Am%，则可在公式(15)的基础上计算得到：

此时，将ReqL设定为电网导线等值电阻，其表达式如下：

将设备等值电阻ReqR与式(17)的计算结果结合，对电网等值电阻Req进行计算：

在此基础上可根据计算得到的电网等值电阻Req，对电网的电损率△AN展开计算，过程如下：

式中：IN．av(o)代表电网首端平均电流；KN代表首端负荷曲线形态系数。

3.2 电网线损率预测模型

将上述计算得到的历史电网线损率作为输入变量，构建电网线损率预测模型。

为了避免传统神经网络中，神经元在预测模型中出现饱和现象，需对神经网络输入层中存在的数据展开归一化处理，过程如下：

式中：Z代表典型日供电量和电网参数归一化处理后的数据；Mj代表典型日供电量和电网参数的实际值；Mmax代表典型日供电量和电网参数的最大值；d代表欧氏距离；f 代表归一化频率。

本研究设计的基于改进神经网络的电网线损率预测模型采用灰色关联分析方法确定线路长度、有功电量、变压器总容量、无功量，并将其输入改进神经网络中，从而构建神经网络BP模型[11-12]。因此在对传统神经网络进行改进后，假设Mi代表预测数列，M0代表参考系列，对以上两个序列进行无量纲化处理，获得以下结果：

式中：i=1，2，…，m；k=1，2，…，m。

式中：ρ代表分辨系数，在[0，1]区间内取值。

在此基础上，可获得灰色关联度εi如下：

在利用改进神经网络对电网线损率进行预测时，需根据预测的历史年中的数据和全年总的电量对输入层变量中存在的典型日供电量进行计算[14-15]，获得下式：

4 实验结果与分析

为了验证本研究设计的基于改进神经网络的电网线损率预测模型的整体应用性能，设计如下仿真实验加以验证。

测试所用的操作系统为Windows 10，实验平台为Simulink。实验数据来自于某台区10kV配电网的正常电力运行数据，包括有功供电量、无功供电量、变压器容量、端口电流、居民容量占比以及供电线路长度。采集时间跨度为2019年1-4季度。

为了避免实验结果过于单一、缺乏对比性，将传统的基于对抗生成网络与BP神经网络的线损率预测模型和基于专家样本库和最小二乘支持向量机的线损率预测模型作为对比模型，分别采用这两种模型与本文模型对电网线损率进行预测，从预测效率和预测准确率两个角度对比三种不同模型的应用效果。

首先，利用不同模型预测2019年1-4季度的线损率，并与实际线损率结果进行比较，从而判断不同模型的预测准确性，结果如图1所示。

图1 不同模型线损率预测结果

分析图1可知，应用基于改进神经网络的电网线损率预测模型进行预测时，预测的线损率值曲线与实际线损率值曲线基本重合。应用基于对抗生成网络与BP神经网络的预测模型进行预测时，仅在预测初期和第四季度，预测值曲线与实际值曲线存在部分重合。应用基于最小二乘支持向量机的预测模型进行预测时，前两个季度的预测值曲线与实际值曲线存在部分重合，对第三、第四季度电网线损率的误差较为明显。

通过上述对比可知，应用本研究设计的基于改进神经网络的电网线损率预测模型能够准确对电网线损率进行预测。这是因为本文模型通过对数据进行归一化处理来改进传统的神经网络，从而避免因神经元出现饱和现象而增大预测误差。

在此基础上，以预测过程的耗时为检验内容，将时间作为检验指标判断本文模型、基于对抗生成网络与BP 神经网络的预测模型、基于最小二乘支持向量机的预测模型的时效性，结果如图2所示。

分析图2可知，采用基于改进神经网络的预测模型进行预测时，所用的预测时间均在10min 以内，第三季度线损率预测耗时最少，仅为6．5min。应用基于对抗生成网络与BP神经网络的预测模型进行预测时，预测耗时呈下降态势，第三季度线损率预测耗时最多，接近15min。应用基于最小二乘支持向量机的预测模型进行预测时，预测耗时先下降后增加，但预测第二季度线损率时耗时最少，但也超过10min。

图2 不同模型预测过程时间消耗结果

通过上述对比可知，应用本研究设计的基于改进神经网络的电网线损率预测模型能够更为快速地实现对电网线损率的预测，预测时效性更高。因为本文模型分析了过网电量对电网线损率产生的影响，为电网线损率的预测提供了相关信息，且有功电量、变压器总容量、无功电量等信息经灰色关联分析过程准确输送给改进神经网络，从而有效缩短了预测过程所用的时间，提高了预测效率。

5 结束语

通过对上文设计的基于改进神经网络的电网线损率预测模型进行分析，得出以下结论：

(1)对神经网络输入层中的数据作归一化处理来改进传统的神经网络模型，并将改进后的神经网络应用到电网线损率的预测中，从而提高预测时效和准确率。

(2)基于该改进神经网络的电网线损率预测模型相比于传统模型，对电网线损率的预测准确率更高，预测所用时间更短，时效更高，应用优势明显。