基于徑向基神經網絡的低壓臺區運行狀態綜合評價方法

魏 偉, 唐登平, 陳 昊, 李 帆, 李 野, 譚 煌

(1.國網湖北省電力有限公司計量中心,武漢 430080；2.中國電力科學研究院有限公司,北京 100085；3.國網天津市電力公司電力科學研究院,天津 300384)

低壓臺區是電網公司直接面向電力客戶的最后一個環節,其管理水平高低直接影響電網企業的安全生產、經濟效益和對客戶的優質服務。傳統的臺區管理方法是通過基層臺區經理人對臺區進行巡查,記錄異?；蚬收暇€路和設備,并通知運維檢修人員排除異常或故障,由于臺區經理人管理的臺區較多,設備數量及種類繁多,配電線路復雜,線路或計量設備出現故障或異常時,經常無法及時發現或找到問題根源,難以提升臺區管理水平。

隨著電力自動化、信息化系統建設的快速發展,低壓臺區管理工作呈現出鮮明的“數據化”特點,為確保臺區健康運行,提升臺區管理水平,相關人員開始從臺區運行狀態著手,研究臺區運行狀態評估方法,以達到發現臺區存在的各類問題的目的,如文獻[1]提出了一種改進型序關系分析法,該方法可利用臺區供電半徑相關的5個臺區特征指標對臺區運行狀態進行評價,但是該方法未考慮到不同臺區各指標權重值的差異性,方法的通用性不強；文獻[2]提出基于K-means聚類分析、主觀權重加權及神經網絡等方法的綜合評價模型,可以對低臺區運運行狀態進行評價,但是該方法采用了主觀權重加權,其評價結果存在很大主觀性；文獻[3]提出了一種改進序關系分析的臺區健康狀態評估模型,建立了包含6個狀態指標的評估體系,從一定程度上實現低壓臺區運行狀態評估,該方法與文獻[1]一樣,未考慮對臺區進行分類評估,不同類型臺區受評價指標的影響不同,模型的通用性不強；文獻[4]提出了G2-熵權法的低壓配網臺區狀態特性評估方法,從臺區的線路特征、運行特征2個主要方面的指標對低壓配網臺區狀態特性進行評估,該方法存在評估指標過少的問題,無法對低壓臺區運行狀態開展全面評估。

為填補現有研究的不足,本文提出基于徑向基(radial basis function, RBF)神經網絡的低壓臺區運行狀態綜合評價方法,能開展低壓臺區運行狀態全方位、多維度的評價,幫助和指導基層單位和人員“對癥下藥”,及時排除線路及計量設備故障或異常,確保臺區處于最佳運行狀態,有效提升臺區精益化管理及優質客戶服務水平。

1 臺區運行狀態評價指標

從影響臺區健康運行方面考慮,遵循實用性、易獲取的原則,結合現場工作經驗,選取電壓合格率、電流三相不平衡度、配變負載率、檔案準確率、總表采集成功率、戶表采集成功率、計量設備故障率及臺區線損率組成臺區運行狀態評價指標體系集U,利用評價指標體系集U對低壓臺區運行狀態開展評價。各評價指標定義如下。

(1)電壓合格率u1=∑電壓合格時間/電壓監測總時間×100%,臺區總表連續3 h的出口電壓大于額定電壓110%(242 V)認定為電壓過高,排除斷相,總表連續3 h的出口電壓小于額定電壓90%(198 V),認定為電壓過低,電壓過高或過低均認為是不合格。

(2)電流三相不平衡度u2=(三相最大電流-三相最小電流)/三相最大電流×100%。

(3)配變負載率u3=最近1個月平均功率/配變容量×100%。

(4)檔案準確率u4=檔案準確用戶數量/臺區下總用戶數量×100%。

(5)總表采集成功率u5=臺區總表采集成功點數/24×100%。

(6)戶表采集成功率u6=臺區下采集成功的智能電能表數量/臺區下應采智能表數量×100%。

(7)計量設備故障率u7=臺區下發生故障計量設備數量/臺區下計量設備總量×100%。

(8)臺區線損率u8=(當月供電量-當月用電量)/當月供電量×100%。

按評價指標對臺區健康狀態的影響情況,將評價指標體系集U分為正向指標、逆向指標和區間指標三種類型,可知正向指標包含電壓合格率、檔案準確率、總表采集成功率及戶采集成功率,正向指標數值越大,臺區運行健康狀態越好,逆向指標包含電流三相不平衡度、計量設備故障率、臺區線損率,逆向指標數值越大,臺區運行健康狀態越差,區間指標為配變負載率,區間指標數值處于合理區間時,臺區運行健康狀態越高。

因臺區評價指標維度、大小不一致,在開展臺區運行狀態評價前,需對各評價指標進行歸一化處理,歸一化處理公式如下：

(1)正向指標

(1)

式(1)中：Xf表示正向指標歸一化值；Xi表示被評價臺區狀態評價指標的實際數據；Xmax、Xmin分別表示臺區中該項指標的最大值和最小值。

(2)逆向指標

(2)

式(2)中：Xr表示逆向指標歸一化值。

(3)區間指標

(3)

式(3)中：Xs表示區間指標歸一化值。

2 運行狀態綜合評價方法

綜合評價方法流程如圖1所示,綜合評價方法首先獲取多個歷史臺區1 d內間隔1 h的用戶平均有功功率,利用改進K-means聚類算法按臺區用戶平均有功功率將臺區進行分類,其次利用序關系權重值分析,計算出臺區運行狀態不同評價指標的權重值,利用加權求和計算得到歷史臺區運行狀態評價值,最后以歷史臺區運行狀態評價指標數據及評價值用于RBF神經網絡樣本模型訓練,訓練好的RBF神經網絡模型按不同類型臺區開展臺區運行狀態評價,評價得分用于指導基層運維人員開展低壓臺區故障排查。

圖1 綜合評價方法流程圖Fig.1 Flow chart of comprehensive evaluation method

3 算法分析

3.1 改進K-means聚類算法

考慮到不同類型臺區健康狀態受評價指標體系集的影響會有差異,在利用低壓臺區評價指標體系集對臺區進行運行狀態評價時,選擇聚類算法對臺區進行分類,分類評價指標選取易于獲取和計算的臺區用戶1 d內每間隔1 h采集到的平均有功功率P。在選擇聚類算法時考慮原理簡單、易于實現的K-means聚類分析法[5-6]：

j=1,2,…,n;i≠j

(4)

式(4)中：Lij為臺區i與臺區j的平均有功功率P之間的歐幾里得距離；n為歷史臺區個數；Pik、Pjk分別代表臺區i與臺區j在k時刻的平均有功功率；m=24。

由于K-means聚類算法存在以下兩個問題:①在聚類開始前,需要事先給定類別數目；②需要人為確定初始聚類中心,初使聚類中心選取不當,會存在聚類結果不合理。為解決上述問題,提出采用改進K-means聚類算法對臺區進行分類。為解決上述問題①,引進評價聚類效果變量,總的輪廓系數,該系數越大,聚類效果越好,對于任意一個分類樣本k,其輪廓系數計算公式為

(5)

式(5)中：f(k)為點k與其所屬分類中剩余點之間的平均距離；g(k)為點k與其非所屬分類中剩余點之間平均距離的最小值。聚類效果St是所有輪廓系數的平均值,計算公式為

(6)

式(6)中：t為分類數量。

為解決上述問題②,引進聚類中心選取參數CE：

(7)

式(7)中：Pimin為臺區i1 d內的最小有功功率。對CE進行排序,并等分成t類,選取每類的中心有功功率值所在臺區作為該類的聚類中心。

3.2 序關系權重值分析

序關系權重值分析方法[7-8]為

(8)

(9)

表1 ri賦值

3.3 RBF神經網絡

RBF神經網絡具有以任意精度逼近任意連續函數的能力[9-11],特別適用于多指標的狀態評價問題,在低壓臺區運行狀態評價上具有明顯優勢。RBF神經網絡為前饋式三層神經網絡,輸入層為線性層,起傳輸信號的作用,權值固定為1,隱藏層為非線性層,曲線擬合由徑向基函數完成,用于臺區運行狀態評估時,其隱藏層神經元數量與用于訓練的臺區樣本數相同,輸出層由線性函數組成,用于調整隱藏層輸出權值,RBF神經網絡的結構原理如圖2所示。

圖2 RBF神經網絡的結構原理圖Fig.2 Structural schematic diagram of RBF neural network

圖2中x=[x1,x2,…,xn]T為網絡輸入向量,ω0為輸出偏置；ω=[ω1,ω2,…,ωi]T為輸出權值向量；Φi為隱藏層傳輸公式,取高斯函數為其表達式：

(10)

(11)

4 實例分析

4.1 獲取歷史臺區有功功率值

取500個歷史臺區1 d內間隔1 h的有功功率如表2所示。表中有功功率大小不一,在進行分類前,需進行歸一化處理,歸一化公式為

(12)

4.2 改進K-means算法分類臺區

結合式(7)和表2的數據,計算得到聚類中心參數CE如表4所示。

令聚類數目t從3到10依次遞增,分別計算相應聚類數目t下聚類效果St,計算結果如表5所示。對比聚類效果可知,當t=4時,St最大,說明聚類效果最好。因此選取聚類數目為4。

表3 歷史臺區有功功率歸一化值

表4 聚類中心參數CE

表5 不同t下聚類總輪廓系數

4.3 序關系權重值分析

由專家經驗得到:R=(r1,r2,r3,r4,r5,r6,r7,r8)=(1.0,1.6,1.0,1.4,1.4,1.4,1.2)。

由式(8)、式(9)計算得到評價指標權重值:ω=(ω1,ω2,ω3,…,ω8)=(0.226, 0.226, 0.141, 0.141, 0.101, 0.071, 0.051, 0.043)。

臺區運行狀態加權求和計算評價值公式為

(13)

式(13)中:Os為臺區運行狀態評價值。

選取分類后歷史臺區評價指標體系集U的數據,如表6所示。根據表6的數據,利用加權式(13)計算得到歷史臺區運行狀態評價值如表7所示。

表6 4個分類臺區評價指標體系集數據

表7 歷史臺區運行狀態評價

4.4 RBF神經網絡模型

利用表7的歷史臺區運行狀態評價值對RBF神經網絡進行訓練,得到訓練后的RBF神經網絡模型,利用模型對12個運行臺區開展狀態評價,評價如表8所示。

表8 臺區運行狀態評價

從表8可以看到,001～003號臺區評分高,說明運行狀態好,通過現場驗證發現臺區各項狀態評價指標均較好；004～007號臺區評分較高,說明運行狀態良好,通過分析各評價指標數據發現各臺區分別出現電壓合格率、電流三相不平衡度、計量設備故障率等單項狀態評價指標較差的問題,現場驗證結果與評分結果相一致；008～009號臺區評分低,說明運行狀態差,通過分析各評價指標數據發現各臺區出現電流三相不平衡度、檔案準確率、總表采集成功率、戶表采集成功率、計量設備故障率等多項狀態評價指標較差的問題,現場驗證結果與評分結果相一致；010～012號臺區評價極低,說明運行狀態極差,通過分析各評價指標數據發現臺區出現戶表采集成功率、總表采集成功率、計量設備故障率、臺區線損率等多項狀態評價指標極差的問題,現場驗證結果與評分結果相一致。

通過對12個在運臺區開展運行狀態評價表明,提出的綜合評價方法能及時發現低壓臺區運行中存在的各類故障及問題,證明本文低壓臺區綜合評價方法具有實際應用價值,其評價結果可用于指導現場運維人員開展低壓臺區問題治理,提升臺區管理水平。

5 結論

本文提出了一種基于徑向基神經網絡的低壓臺區運行狀態綜合評價方法,解決了現有臺區評價方法中評價指標不全面、模型通用性不強等問題,利用電壓合格率、電流三相不平衡度、配變負載率、檔案準確率、總表采集成功率、戶表采集成功率、計量設備故障率及臺區線損率組成的評價指標體系集對臺區運行狀態開展評價,可及時有效發現低壓臺區存在的各類問題,指導基層運維人員開展臺區問題治理,提升臺區管理水平,保障電網用電安全。