基于遗传算法的配网线损分析及节能降损措施研究

张 卓 崔家殷

（广东电网有限责任公司广州供电局）

0 引言

随着用户用电需求的不断加大，配电负载持续上升，配网线损居高不下，在一定程度上增大了配网成本投入和安全风险。尤其是在10kV配网中，其接线方式较为复杂、线路半径较长、电压波动较为明显，很容易出现线损过高问题，进而影响输配电经济效益。如何量化分析配网线损致因，通过数据模型精准拟合线损异常情况、有效控制线损量，已经成为新时期人们关注的重点。

1 问题分析

2016年以来，某地进一步深化城镇化建设发展进程，区域生产生活用电量逐年上升，供用电形势日益严峻。为缓解供需紧张矛盾，该地区大规模扩建配电网络，给予新用户报装优惠，用户侧配电系统发展迅速。但在上述过程中，配网规划设计不合理、配变线路负载率不一致、用电计量信息不准确，均加大了配网线路损耗，部分用户用电集中区域线损率可达15%，严重影响了配网运行效益。

调查数据显示，2016～2018年，某地区10kV配网线损率均超过8%。进入2019年以来该地区加大了对线损管理的力度，从配网半径规划和无功补偿配置两方面出发，开展针对性线损管控，线损率有所改善，配网线损率整体下降到3.8%，但仍存在线损不定时“骤增”，造成大量电能损耗。因此，应转变配网线损管控理念，构建配网线损自动检测模型，展开主动性、前瞻性、定量化地计量计算，以便及时发现配网运行缺陷，快速解决线损异常问题。

2 技术方案

本文通过神经网络模型进行配网线损的自动计算，在遗传算法改进基础上，调整优化神经网络的连接权值、节点参数及网络学习参数，以增强线损自适应计算的可靠性、准确性和有效性，其具体研究内容如下。

2.1 聚类分析，确定特征向量

线路设计不合理、网架结构不规范、用电计量不准确是造成配网线损异常的关键原因［1-2］。在10kV配网线损分析过程中，应从以上三部分内容出发采集有关电气量，如线路参数、设备参数、电压电流值等，详见下表。

表 特征向量分析

受时间和空间限制，对于相同时间段内完全相同的数据，可直接取值；对于短时间内连续变化的特征量，可取算术平均值；若单个采集周期内数据缺失时，可采用最小二乘法拟合填充近似数据。

数据采集完毕后，可使用改进的k-means算法进行清洗处理和聚类分析，按照空间序列上的距离确定其与聚类中心的关联程度，从而进行特征向量的归集整理，得到有关10kV配网线损自动计算的元数据，即：

（1）若含有n个数据采集样本，且数据集维度为m。

此时，可将特征向量数据集记为：

可将第m维下的元数据记为：

则以初始化聚类算法时的随机聚类中心ci为参照，其空间距离为：

（2）按照空间距离进行k-means聚类排序，则线损成本函数值为：

式中，pk为聚类线损特征向量第k个线损中心的位置；I为成本函数计算距离阈值。

此时，成本越低则元数据越靠近聚类中心，与配网线损关联越密切。按照成本函数结算结果分项聚类，则可得到基于遗传算法的配网线损自动计算所需的特征向量。

2.2 自动计算，检测线损异常

传统配网线损计算主要通过神经网络迭代，基于遗传算法进行配网线损分析时，对神经网络的节点参数、适应度函数和约束模型进行调整，从根本上提升了线损预测结果的精度［3-5］。

（1）参数优化，在通过神经网络计算节点数量时，可考虑隐含层情况，将输入节点数量Ni设置为数据集维度，输出节点No数量设置为1，再赋值0～10区间上的不同常数q，可计算出隐含层节点Nh取值范围为：

（2）确定神经网络的隐含层节点数量取值范围后，可将神经网络线损值的均方误差E的倒数迭代，得到配网线损的适应度函数：

上述计算可直接根据第ω次迭代时，第k个节点的理论线损值和计算线损值的均方误差直接反映配网线损的参数关系，直至反复迭代后无最优结果，则此时达到最佳线损计算参数。

（3）得到最佳线损计算参数后，可建立线损自动计算模型，进行自适应线损计算。一般配电线路损耗按照单位时间内的有功功率计算，则有：

若考虑配网线路节点参数，则可将单位时间内的配网线损叠加，以总线负荷和支线负荷关系量建立约束模型，此时线损自动计算结果为：

分别将不同时间、不同节点的电气参数导入到模型中，可得到该时段的配网线损值。连续加权求和，则为配网理论线损值。

（4）把线损自动计算模型移植到隐含层模型中，将适应度函数中的最佳线损计算参数导入，设定学习率，输入样本集，将sigmoid函数激活，最终输出配网自动计算线损图像。

3 应用分析

3.1 效益评估

以2022年某地区10kV配网运行情况为例，采集1～12月的配电设备参数、线路参数、运行数据、状态数据等，通过聚类分析实现特征向量归集，并将其输入到遗传算法改进模型中，设置学习率为0.1，通过梯度下降训练得到最终计算结果，预测该年度10kV配网线损率均值为4.28%，与真实值基本一致，如下图所示。

图 配网线损自动计算结果对比

对比预测值和真实值可发现：

（1）1～8月，10kV配网线损自动计算结果与实际线损情况基本一致，配网运行基本正常；

（2）9月，10kV配网实际线损（9.25%）明显超过自动计算结果（0.82%），对照检修记录可确定为该月份新装用户计量信息填写错误导致。新装用户为畜牧养殖公司，夏季用电较高，在填写报装单时登记为农业用户，隶属关系错误导致线损计算结果出现误差，纠正后线损值达到正常水平；

（3）10～11月，10kV配网线损自动计算结果超过实际线损，对照检修记录可确定，为保障冬季安全用电，10kV配网开展迎冬检大改造，对低压架空线路漏电问题进行全面整治，同时更换老旧线路，配网异常线损控制效果明显改善［6］。

由此可知基于遗传算法的配网线损自动计算系统能够针对配网运行现状，精准拟合配网线损变化曲线，为配网线损异常监测提供有效参考依据。根据上述预测结果，检修人员可及时到场检查并处理，从根本上提升了配网运行的安全性能和经济效益，值得深入研究和推广。

3.2 降损措施

（1）根据预测结果，展开综合治理。在确定存在配网线损异常问题后，检修人员应根据对比结果，快速确定线损异常时段、区间等，到场进行检查和处理。若为临时用电导致的线路损耗居高不下，则治理过程中应现场检查临时用电情况，分析是否存在异常用电行为［7］。并针对异常用电行为开展节约用电指导、线损补偿管控等，以达到堵住电量的“跑、冒、漏、滴”，改善临时用电质量；若为线路结构不合理造成的线损问题，则治理过程中应合理优化配网线路结构，调整网架布设情况，尽量减少支线交叉和支线数量等，通过配网线路布局调整，做好线损过高问题的治理。尤其是要减少线路迂回、迁回供电，直接缩短供电半径。

（2）针对负值线损，加强计量管控。基于遗传算法的配网线损自动计算过程中，若存在负值，则可能为计量装置问题导致。在处理的过程中应进一步优化计量抄核收管理，从装置管控、抄表优化和自动监测三部分出发，避免由抄核收引起的计量误差。可采用自动计量装置实时监测用户用电情况、线路电压电流数值等，分析其是否存在异常用电行为或异常线路损耗。尤其是要监测是否存在偷电、窃电等行为，对照历史用电数据判断异常损耗情况，及时到场整治和处理；应定期对计量抄核收装置进行检查，保证电力计量的准确性、可靠性和有效性。若发现不合格装置应及时进行更换，尤其是在计量表针铅封出现破损时，要重新进行仪表检查和测试，确定各项均无问题后，方可重新铅封使用［8］。

（3）优化模型参数，做好无功补偿。本次设计的基于遗传算法的配网线损自动计算模型主要考虑有功参数，对无功负荷分析还存在一定疏漏，在计算过程中可能出现由无功负荷过高引起的线损异常情况。为增强计算结果的准确性、有效性和可靠性，配网设计过程中必须做好无功补偿装置的设置，采用“无功＋电压”组合控制，确保线路功率因数与指标一致，从而得到理想的计算结果。

4 结束语

基于遗传算法的配网线损自动计算模型在kmeans聚类分析、神经网络迭代计算、隐含层及适应度优化中提升了线损预测结果的可靠性和精确度，达到了较为理想的预测效果，为配网线损管控提供了有效依据。针对上述由环境因素、设计因素、技术因素等引起的线损居高不下问题，检修人员应设置合理的控制方案和管理措施，如适当调整供电半径、增设无功补偿装置、加强电力计量管理、开展线损综合治理等，以便于全面改善配网节能降损工作成效。