基于聚类算法的配电网线损预测方法

刘乔保，黄 敏

（国网安徽省电力有限公司郎溪县供电公司，安徽 郎溪 214500）

0 引 言

无论是输电系统还是发电系统，都是通过配电网将电能传送给用户，同时配电网作为电力系统的终端，与用户直接相连。由于配电网的供电半径比较长，线路损失比较严重，在电网的各种损耗中，线损占比为20%。此外，10 kV 配电网的线路分支较多，供电负荷的性质具有多样性，统计线损时的工作也更加复杂，因此与输电主网相比，配电网的自动化水平相对较差，很难精确采集线损的具体参数和数据[1]。传统的理论线损计算方法，需要详细分析配电网的结构参数和物理参数，既需要耗费大量的人力物力，又不能保证线损预测的准确性。

周王峰等人面向配网线损精细化经营的需要，以精确掌握配网线损的短时动态为目标，采用去噪声自动编码机与长短期记忆（Long Short Term Memory，LSTM）网络联合的方法，构建配网线损的日预报模型[2]。首先，构建基于灰关联的综合评价指数，并利用该指数统计线路的日损耗率，以历史数据为输入，预测线路的日损耗率。其次，建立非监督的降噪自动编码器（Denoising Auto Encoder，DAE）学习方法。最后，通过编码和重建数据，完成数据的特征抽取和降维。将该数据集引入LSTM 神经网络中，通过对其进行拟合，建立了一种基于LSTM 神经网络的线路日损耗率预报模型。以湖南省某地多条配电网为例，计算日线损率。结果显示，该方法的计算时间短且精度高，为其在工程上的运用提供了依据。该背景下，文章将聚类算法应用于配电网线损预测，从而为配电网线损水平的评估提供依据，保证其运行的稳定性。

1 配电网线损预测方法设计

1.1 聚类处理配电网线损数据

对配电网线损数据进行聚类处理时，根据线损数据样本的具体数量，计算出线损数据空间比值γ(x)。其公式为

式中：χ(x)表示配电网线损数据在指定空间内的覆盖值；χmax表示采样空间中线损数据样本的最大值。

假设线损数据在采样空间中的变化范围为0～1，那么数据越趋近于1，线损数据样本在采样空间中的覆盖率就越高。但是，该过程中，需要考虑线损数据在采样空间中的冗余值[3]。冗余度指数计算公式为

式中：Ri,j表示线损数据xi和xj在采样空间中的关联度。Ri,j的值越大，说明线损数据中的冗余值越大，当Ri,j的值为0 时，说明线损数据中不存在冗余值或者冗余值比较低。

判断配电网线损数据的冗余程度之后，利用聚类算法对线损数据进行聚类处理[4]。具体步骤如下。

步骤一：初始化聚类算法。确定线损数据的初始聚类中心和聚类数量。

步骤二：数据划分。线损数据样本中，计算出样本数据与聚类中心之间的距离，公式为

式中：Oin表示样本集中的线损数据；Xjn表示聚类中心。根据式（3）的结果，将线损数据分配到n个聚类中。

步骤三：重新计算聚类中心。经过式（3）的计算后，重新划分n个聚类中所有线损数据样本的平均值，将其作为新的聚类中心。

步骤四：判断是否收敛。判断线损数据的聚类处理过程是否收敛的公式为

式中：Xq表示Ci类别中的线损数据样本；Qi表示类别Ci中的聚类中心。当ψ的值达到设定的误差条件或者逐渐趋于稳定时，可以判断线损数据的聚类处理结束[5]。如果ψ的值比较大，需要重复操作步骤二和步骤三，直到聚类算法收敛为止。

根据以上过程，去除线损数据的冗余值之后，根据聚类算法的收敛判断，聚类处理配电网线损数据，为配电网的线损预测提供依据。

1.2 构建配电网线损预测模型

以线损数据的聚类处理为依据，通过瞬态自适应麻雀搜索算法（Transient Adaptive Sparrow Search Algorithm，TASSA）对多粒度长短期记忆（Multi granularity-Long Short Term Memory，Mg-LSTM）网络进行优化，构建配电网线损预测模型[6]。首先，将反映配电网线损与特征参量之间关系的样本数据划分为2 部分，一部分用于线损预测建模，另一部分用于调试。具体过程如下。

步骤一：获取配电网在运行过程中的参数和结构参数。

步骤二：根据线损数据的聚类处理，提取出配电网线损数据的特征。

步骤三：设置Mg-LSTM 网络的参数，对种群进行初始化，计算个体的适应度[7]。

步骤四：更新发现者的位置，即

式中：T和C1表示一个随机数；Xbt表示个体的全局最佳位置；Xi,jt表示初始位置；r1表示[0,1]内的随机数。

步骤五：通过更新加入者的位置，计算个体在新位置的适应度，并保存个体在种群中的最优位置和最劣位置。

步骤六：满足迭代条件时，得到优化后的Mg-LSTM 网络，否则重复操作步骤（3）～步骤（5）。

步骤七：将线损原始数据输入优化后的Mg-LSTM网络，对线损数据进行预处理，剔除异常数据[8]。

步骤八：引入灰色关联分析，对配电网线损特征参数进行关联度分析，筛选对线损影响较大的特征参数。

步骤九：通过对优化后的Mg-LSTM 网络进行训练，得到基于TASSA 优化Mg-LSTM 的预测模型。

步骤十：利用步骤九中的预测模型，对配电网中的线损进行预测，构建配电网线损预测模型。

配电网线损预测的具体流程如图1 所示。

图1 配电网线损预测流程图

利用TASSA 对Mg-LSTM 网络进行优化后，建立基于TASSA 对Mg-LSTM 优化的预测模型，实现对配电网线损的预测。

2 实验对比分析

2.1 实验准备

为验证文中方法在配电网线损预测中的有效性，进行模拟实验。将采样时间设置为2 个月，收集了60 d 的配电网线路损耗数据，包括端口电流、有功功率和无功功率。同时，技术线损与输电线路所在的环境有关，必须监测周围的温度和湿度等参数。由于采样区域内的气候变化比较大，采样间隔应为1 h 一次，基础资料每隔24 h 才会刷新一次。通过数据融合的方式，对24 h 的数据和1 h 的数据统一处理，确保线损率的计算不会出现错误。

采集实验数据时，会出现采集失败的情况，需要删除采集率低于80%和错误采集的数据，如果不删除就会影响最终的预测精度，实验过程中的相关参数如表1 所示。

表1 实验参数

利用误差率作为线损预测精度的衡量标准，计算公式为

式中：εc表示线损预测值；εb表示配电网的实际线损。

2.2 结果分析

为避免实验结果单一，引入基于降噪自动编码器-长短期记忆（Denoising Auto Encoder-Long Short Term Memory，DAE-LSTM）神经网络的预测方法与文中方法进行对比，测试配电网线损预测的误差率，结果如图2 所示。

图2 配电网线损预测的误差率

从图2 的结果可以看出，采用基于DAE-LSTM神经网络的预测方法时，对配电网线损预测的误差率在3.0%～6.0%，原因是DAE-LSTM 神经网络的训练不充分，会导致线损数据存在噪声，影响预测结果。采用文中方法时，由于采用聚类算法对线损数据进行了聚类处理，并利用TASSA 对Mg-LSTM 网络进行了优化，将线损预测的误差率控制在2.0%以内，大大提高了预测的精度。

3 结 论

文章提出一种基于聚类算法的配电网线损预测方法，经过实验测试发现，该方法可以提高线损预测的精度。该方法虽然取得一定成果，但是还存在不足，在今后的研究中，希望可以引入蚁群算法与人工神经网络相结合，从而提高配电网线损预测的准确性。