中壓配電網規劃態線損計算方法

張 勤 馬 瑋 付 錦 馮 超

（1. 國網四川省電力公司南充供電公司，四川 南充 637000；2. 國網四川省電力公司達州供電公司，四川 達州 635000）

線損率反映了電力系統設計、運行以及管理水平，它是考核供電企業的一項重要技術和經濟指標。為了降低損耗，節約能源，提高供電的經濟效益，供電企業需要對線損進行計算和分析，以提出合理的降損措施。

目前，對配電網線損的研究較多，但大多是對于現狀的分析和計算[2-5]。規劃年的線損可以對電網設計方案進行對比和對電網進行優化等，然而對規劃年線損的研究并不是很多。文獻[6]采用灰色模型與神經網絡組合的方法對線損率進行預測，運用灰色關聯度確定出神經網絡的輸入變量，建立線損率預測的 BP模型。文獻[7]引入了損失系數法和允許損失率修正因子法，提出了適合于不同電壓等級線損的估算方法。文獻[8]結合線損二項式，人工神經網絡對線損進行預測。

對規劃網絡不同電壓等級的線損計算，其中高壓輸配電網的線損可以根據潮流計算結果得到，低壓配電網由于數據的缺乏，很難對其做出直接的預測。中壓配電網由于元件數量多，分布復雜，數據不易收集，損耗較大，因而其線損的計算一直受到關注。本文針對規劃中配電網的特點對線損進行計算。采用人工神經網絡中改進的 BP算法進行線損基本分量的預測，由于該預測模型中未考慮規劃改造項目對線損的影響，因此需要對 BP算法預測的結果進行修正。

1 線損基本量預測

對線損基本量的預測采取人工神經網絡中的三層 BP網絡模型，即輸入層、隱含層、輸出層。輸入層變量是對線損影響較大的參數，輸出層變量是預測的線損率。

輸入層變量的選取是建模前的一項重要工作。是否能選擇一組最能反映輸出變量性能的變量直接關系著神經網絡預測的性能[9]。配電網線損與很多參數都有關系，如供電量，線路的長度與條數，配變容量與臺數，負荷率，功率因數等。考慮到數據的收集和所研究地區線損的特點，在這里只研究前5個參數與線損的關系。建立的線損預測三層BP模型如圖1所示。

圖1 三層BP網絡

圖1 中ijw為權值，b為隱含層輸出結果，′為輸出層線損預測值。

1.1 原始數據的處理

在 BP算法中，對原始數據的處理很重要，否則容易導致神經元節點飽和，收斂速度減慢等。對于自變量，其取值范圍和單位都存在差異，首先需要對樣本中的數據進行標準化處理[10]，即

由于樣本因變量線損率的變化較小，再加上計算機在處理時的舍入處理等，數據之間的差異很小，在訓練時很難提高精度[10]，因此對因變量也要作適當的處理，即

式中，1iL′為處理后的因變量；1iL為樣本中的因變量；a、k的取值由式（3）、式（4）確定。

式中， L1imin、 L1imax分別為樣本因變量的最小和最大值；ξ為較小的正數，在這里取ξ=0.01；μ為接近1的正數，本文取μ=0.99。

線損率在經過以上處理后，數值間的差異就變大了很多。BP網絡訓練的輸出層變量為 L1′，需要經過式（2）變換得到神經網絡最終預測的結果L1。

1.2 改進的BP算法

BP算法中因為網絡采用的是沿梯度下降的搜索求解算法，這就不可避免的出現了網絡學習收斂速度慢以及容易陷入局部極小等問題。傳統的 BP算法中，在修正權值時，沒有考慮以前的經驗累積，而只是取k時刻的負梯度作為依據[11]，因此在訓練的過程中常出現學習過程緩慢或發散的情況。針對這種情況，有如下的改進算法：

式中， w (k + 1 )為連接權值；α為學習率； D (k)和D(k ? 1 )分別為k時刻和k?1時刻的負梯度；η為動量因子，其取值在0和1之間。

在常規的 BP算法中采用定學習率的算法，這在很大程度上影響了算法的收斂性，因而需要對學習率進行改變。如果兩次迭代的誤差在允許的誤差范圍之內，就說明該學習率有助于迭代的收斂性，學習率乘以2，即

反之，如果誤差超過了允許的范圍，就將學習率乘以0.5。

2 電網規劃改造項目對線損的影響

在電網規劃中，各種規劃改造項目對線損也有較大的影響。有的項目能使線損率得到降低，有的則可能使其升高。對于這部分在人工神經網絡中沒有反映的因素，本文對其中主要的因素進行了分析并根據結果對神經網絡中預測的線損率進行修正。

2.1 線損升高因素

電網規劃改造中，有的項目會使線損在一定程度上有所升高，其中一個比較重要的因素就是遠距離輸電。由于新的電站上網，電量不能得到就地平衡，可能出現線路的遠距離輸電，所以需要對這部分外送電量的損耗進行計算。

對于規劃網絡，不能確定外送負荷的分布形式，通常情況下認為負荷集中于線路末端，但這樣計算出來的損耗與實際情況相差較大。本文采取綜合功率損失系數法對負荷集中分布于線路末端的損耗進行修正計算，以使預測的線損值與實際情況更加接近。

實際線路中的負荷分布情況可以看作幾種典型分布方式：末端集中負荷，平均分布負荷，逐漸增加負荷，逐漸減少負荷，中間較重分布負荷的一種或者是幾種的組合，各種典型分布的功率損失系數分別為1G、2G、…、nG[12]。則綜合損失系數G可以取加權平均值。

式中，λi為各種負荷分布方式所占的比例，0≤ λi≤1且 λ1+λ2+ … + λn=1。

則線路的功率損耗可以修正為

式中，ΔPE為負荷集中于線路末端時的功率損耗。

根據最大損耗小時數法可以得到外送電量的能量損耗ΔA為

式中，maxτ為最大負荷損耗小時數；k為考慮分支線損耗引入的系數，一般情況下k=0.8。

2.2 線損降低因素

在電網規劃中，有的規劃改造項目使線損得到降低。如網內電源的上網使部分區域得到就地供電，避免來自其他地方遠距離輸電帶來的能量損耗；提高功率因數，三相不平衡功率的調整等。

1）提高功率因數對線路的影響

功率因數與線損有著密切的關系，提高功率因數，可以減少電網對無功的傳輸，從而降低能量的損耗。設功率因數由1cos?提高到2cos?，則網絡中降低的功率損耗L%PΔ為

2）電源就地供電降低的損耗

由于網內新上網的電源等，使該地區的電量得到就地供應，避免來自其他地方的遠距離輸電將會降低電網損耗。可以根據式（9）計算出規劃后該部分線路的損耗，對比電源上網前由于遠距離輸電帶來的損耗，從而可以得到由于電源的就地供電降低的損耗。

2.3 規劃改造項目對線損率的影響

把規劃電網升高和降低的能量損耗除以規劃年中預測的電量，就可以得到規劃改造項目對線損率的影響部分，即

式中，L2為規劃改造項目的線損率；sAΔ為增加的能量損耗；jAΔ為降低的能量損耗；A為規劃年預測的電量。

3 規劃年的綜合線損率

根據人工神經網路預測的線損率L1和規劃改造項目對線損率的影響部分L2，就可以得到規劃年的綜合線損率L，即

4 實例分析

4.1 基于BP算法的線損基本量預測

應用本文的方法對某地區“十三五”規劃年中的線損進行了預測。由于該地區的發展特點，城市和農村的電網結構和負荷特性存在較大的差異。同時根據電網規劃方案中的城網和農網片區的劃分，因此對線損的預測分城網和農網分別建模。現狀年中的原始數據在這里不再羅列，規劃年中各分區的原始數據見表1。

表1 配電網設備數據

用神經網絡預測線損時，為了使預測的結果更加準確，采取滾動預測法，即用訓練好的模型預測出2017年的線損率，則2017年的數據可以加入到樣本數據庫中形成新的數據庫，根據新的樣本數據庫進行訓練預測2018年的線損率，這樣依次計算出“十三五”期間各年的線損。最終得到的線損率基本分量結果見表2。

表2 線損基本分量預測結果

4.2 規劃改造項目對線損影響

在“十三五”規劃中，該地區的電站上網，線路改造，無功補償等改造項目對線損的影響通過本文計算方法的分析結果見表3。

表3 規劃改造項目線損預測結果

從表3結果可以看出，在“十三五”期間，電網升級改造的項目對線損整體影響的趨勢是降低的，其中城網2018年，農網2017年和2020年改造項目使線損率略有升高，這是由于在此期間有新上網的電站其電量不能就地平衡，遠距離輸電等原因造成的。

4.3 綜合線損率

用規劃改造項目中的線損率修正 BP神經網絡中預測的結果。同時根據各個分區預測的電量結果和線損率即可以得到線損電量，從而得出該地區在規劃年中壓配電網全網的線損率。最終預測結果見表4。

表4 規劃年線損最終預測結果

從表4中線損率預測的結果來看，2020年，該地區中壓配電網總的線損率為2.979%。在“十三五”期間，線損率逐年有所下降，且各年的值都在電網公司關于規劃年配電網線損率允許的范圍之內。

5 結論

本文通過改進的 BP算法對規劃年線損的基本分量進行了預測，并用規劃改造項目中影響線損因素所得結果修正 BP網絡預測的線損值，既考慮了理論線損的變化趨勢，又考慮了引起線損升降的其他因素。通過對實際電網線損的預測，證明了本文算法的實用性。

[1] 楊秀臺. 電力網線損的理論計算和分析[M]. 北京:水利電力出版社, 1985.

[2] 王家華. 基于臺區分群的線損標準化管理模式研究[J]. 電氣技術, 2017, 18(2): 117-119, 123.

[3] 付學謙, 陳皓勇. 平均電流損耗法在配網線損計算中的應用[J]. 電工技術學報, 2015, 30(12): 377-382.

[4] 李學平, 劉怡然, 盧志剛, 等. 基于聚類的階段理論線損快速計算與分析[J]. 電工技術學報, 2015,30(12): 367-376.

[5] 盧志剛, 李爽. 廠站量測信息不完整時的全網理論線損計算[J]. 電網技術, 2007, 31(16): 83-87.

[6] 張勤, 周步祥, 林楠, 等. 基于灰色模型與神經網絡組合的線損率預測[J]. 電力系統及其自動化學報,2013, 25(5): 162-166.

[7] 葉云, 王主丁, 張宗益, 等. 一種規劃態配電網線損規劃方法[J]. 電力系統保護和控制, 2010, 38(17):82-87.

[8] 田宏杰. 線損分析預測在供電管理中的應用[J]. 電力系統保護與控制, 2010, 38(7): 77-80.

[9] 高山, 單淵達. 神經網絡短期負荷預測輸入變量選擇新方法[J]. 電力系統自動化, 2001, 25(22): 41-44.

[10] 文福拴, 韓禎祥. 基于分群算法和人工神經元網絡的配電網線損計算[J]. 中國電機工程學報, 1993,13(3): 41-50.

[11] 成蓬勃, 袁福科, 劉燦萍, 等. 改進 BP網絡算法在配電網故障診斷中的應用研究[J]. 繼電器, 2007,35(12): 27-31, 40.

[12] 趙俊光, 王主丁, 樂歡. 中壓配電網規劃中饋線電氣計算的估算方法[J]. 電力系統自動化, 2008,32(16): 98-102.

[13] 王濤, 張堅敏, 李小平. 計劃線損率的計算及其評價[J]. 華中電力, 2003, 16(1): 5-7.