基于智能終端的臺區線損率計算方法*

殷 超，張文霞，樊永紅，張理放，白露薇，毛永梅，張 帆

（內蒙古電力科學研究院，內蒙古 呼和浩特010010）

臺區線損率是電力系統中一個重要的技術經濟指標[1]，降低臺區線損率通常能夠帶來非常可觀的經濟與社會效益。因此，臺區線損率通常是臺區管理中非常重要的評價指標。運維人員能否及時、準確地預測臺區線損率，通常能夠決定臺區降損措施的有效程度。

目前，國內對低壓用戶實行分片臺區管理。在某一臺區范圍之內，臺區線損率直接反映某一地區電網建設的技術和管理水平。長期以來，國內低壓臺區的建設與管理水平參差不齊[2]，大部分低壓臺區只能實現對用戶用電信息的采集，缺少對低壓臺區的管控手段，無法實現對低壓臺區內各級停電事件、分支線損等方面的有效管控[3]。此外，低壓臺區的管理工作大量依靠人工方式，無法實現有效監控和提前預警，不僅浪費人力和物力，同時存在安全隱患[3]?；谏鲜鰡栴}，怎樣快速、準確地對臺區線損率進行計算是目前低壓臺區管理中的重要問題。

目前，大量的研究工作正在逐步展開[1-15]，文獻[4-7]通過負荷實測，在理論層面對臺區線損率進行分析，計算臺區線損的分布構成；文獻[8-9]運用線性回歸算法，提出基于聚類分析和線性回歸的合理線損預測方法，但是這些方案的回歸方程很難確定；神經網絡模型具有強大的自學能力[10-13]，可以用來計算臺區線損率[14-17]，并且無需建立數學模型[2]。文獻[2，18]基于神經網絡模型快速計算低壓臺區線損率，有效提高了模型的收斂速度。隨著智能電表的推廣應用以及智能終端的升級改造[19]，如何充分發揮智能終端的潛在能力，快速、準確地進行臺區線損率計算，是目前亟待解決的重要問題。

綜上所述，本文提出了一種基于智能終端的臺區線損率計算方案，充分挖掘邊緣節點的邊緣計算能力。首先，根據電氣特征參數，使用AP聚類算法對低壓臺區進行分類管理；隨后，建立BP神經網絡模型，依此計算低壓臺區線損率。實驗結果表明，所提方案成功實現了就地分析并處理臺區的相關數據，充分發揮了智能終端的邊緣計算能力，提高了低壓臺區線損率的計算效率，具有一定的實用性、合理性和可靠性。

1 邊緣計算與低壓臺區結構

1.1 從云計算到邊緣計算

深度學習任務是計算密集型任務，通常涉及大量的訓練數據，對硬件的要求非常嚴格。最近的一個趨勢是使用GPU取代CPU作為深度學習計算硬件。GPU擁有數千個計算核，在深度學習算法中大量涉及的矩陣計算中，GPU的性能大大超過了CPU。由于強大的GPU資源價格昂貴，亞馬遜等云提供商開發了GPU云平臺，為用戶提供了分配靈活的大型GPU計算資源。然而，云的延遲通常很高，因此不適合對延遲敏感的應用程序。

最近，邊緣計算被提出作為云計算的一種補充，邊緣被定義為可以通過無線接入網絡（RAN）、無線局域網（WLAN）、以太網等網絡連接訪問近終端設備網絡拓撲。與云服務器相比，邊緣服務器通常具有相對較小的規模，中等功能強大的計算資源，在分布式數據被轉發到數據中心的中央服務器時，可以在聚合、預處理方面發揮關鍵作用。通過將部分計算和存儲資源從云端移動到網絡邊緣，可以在邊緣計算卸載[13]、邊緣緩存[14]和邊緣資源分配[15]等應用中獲得較大的網絡性能提升。最近關于將深度學習應用移動到邊緣的研究也表明，可以成功降低通信成本[16]、推理延遲和能量消耗[17]，這促使我們將邊緣計算引入智能電網中臺區線損管理的應用場景。

1.2 基于邊緣計算模式的臺區結構

傳統臺區結構通常指代一臺變壓器的供電范圍，一般由母線、電表、開關、配電變壓器等部分組成[5]。傳統臺區結構的計算能力相對較弱，無法支持邊緣計算模式，不能進行臺區線損率的精益計算。因此，需要對傳統臺區結構進行升級改造，將傳統臺區系統升級為智能臺區系統。

智能臺區系統由智能配變終端、分支數據監測裝置、電流互感器、環境采集單元以及配套主站平臺組成[3]。其中，智能配變終端通過與各級分支數據監測裝置間進行通信獲取各級的電壓、電流功率、電能示值等相關信息，并通過路由抄讀戶表相關信息（見圖1）。

圖1 臺區線損管理結構示意圖

臺區總線損可表示為：

分支線損可表示為：

2 臺區線損率計算方案

文獻[2]指出，考慮到臺區電氣特征參數易獲取性以及可靠性[16]，臺區電氣特征指標通常選取以下3種參數，即供電半徑L1、最遠供電長度L2、配變負載率L3。

其中，L1、L2通常用來反映網架特征，L3通常用來反映負荷特性。

2.1 AP聚類算法模型

AP聚類算法是一種基于數據點之間的“信息傳遞”的聚類算法[17]，首先根據“數據點”之間的相似程度進行聚類，隨后構建兩種信息矩陣，即吸引度矩陣l和歸屬度矩陣a。利用信息矩陣在數據元素之間進行信息傳遞，進行迭代計算，同時更新矩陣元素，直到滿足結束條件。利用AP聚類算法，可以篩選出用電性質相近的低壓臺區。計算公式如下：式中：lt（i，j）、at（i，j）分別表示i點與j點之間的吸引度矩陣、歸屬度矩陣；G（i，k）表示i點與k之間的相似度。

AP聚類算法在迭代過程中容易出現數值振蕩現象，因此在每次迭代過程中都需要加上阻尼系數λ，λ∈（0，1），此時：

AP聚類算法的流程如圖2所示，首先更新吸引度矩陣信息，根據計算結果更新歸屬度矩陣信息，并對信息矩陣進行求和，進而檢測聚類中心。

圖2 AP聚類算法流程圖

如果在經歷Nth次迭代計算之后，檢測到聚類中心并未發生變化，那么算法宣告結束。如果迭代次數i大于最高迭代次數Nmax，算法同樣宣告結束。

在每次迭代過程之中，AP聚類算法需要更新兩種信息矩陣，在數據量較大的情況下計算時間較長，這是AP聚類算法的主要問題。邊緣計算能將云中心的計算任務分配到智能終端之中，邊緣節點就地處理數據，緩解了云中心的計算壓力，從而成功解決了這一問題。

2.2 標準BP神經網絡模型

BP神經網絡模型在多變量、非線性預測領域應用得比較廣泛，它依靠計算機強大的計算能力，不需要建立明確的數學模型也可以獲得較好的計算精度[18]。該算法包括正向傳播和反向傳播兩個過程，這兩個過程反復交替，類似于最小二乘法，神經網絡不斷修正權值和閥值，直到網絡能夠收斂，并且獲得最小誤差平方和。BP神經網絡模型結構如圖3所示。神經網絡模型分為輸入層、隱含層和輸出層，其中隱含層可以有一層或者多層。

圖3 BP神經網絡模型結構圖

對于任意一臺區，假設臺區的電氣特征參數為N個，臺區樣本數量為R個。由此可知輸入層有N個BP神經元輸入。為了保證網絡能夠良好收斂，需要對初始電氣特征參數數據進行標準化處理，如下所示：

式中，Iij表示標準化處理之后的電氣特征參數數據，i=1，2，3…；R表示第i個臺區樣本；j=1，2，3…N表示第j個電氣特征參數。

對初始電氣特征數據標準化處理后，在輸入層中輸入處理后的電氣特征參數數據I=I（I1，I2，…，In，…，IN），通過正向傳播將數據從輸出層傳送至隱含層，經過系列運算，隱含層的輸出數據為H=H（H1，H2，…，Hp，…，HP），然后將隱含層的輸出數據傳送至輸出層，經過函數作用輸出層的輸出數據為O=O（O1，O2，…，Ol，…，OL），計算得到的輸出數據和期望輸出數據對比，看是否滿足要求，期望輸出數據為E=E（E1，E2，…，El，…，EL）。

在正向傳播過程中，需要設定每層之間的權值和閥值，因此每層之間的函數關系可以表述為：

式中：mnp，bnp分別為神經網絡的權值和閾值；mpl，bpl分別為隱含層到輸出層之間函數關系的權值和閾值。

輸出誤差err為：

初始樣本輸入后，首先按照正向傳播從輸入層到隱含層，經過設定函數計算再到輸出層得到目標值。輸出目標值和期望值相差較大時，需要進入反向傳播階段。神經網絡對權值和閥值進行修改，誤差值傳遞到隱含層再到輸入層反向傳播，直至網絡輸出達到預先設定精度為止，計算完成。

2.3 基于邊緣計算的臺區線損率計算流程

本文所提基于邊緣計算的臺區線損率計算主要步驟如下：

（1）對傳統臺區進行改造，安裝邊緣計算裝置。

（2）利用邊緣計算裝置采集不同臺區的歷史數據作為訓練樣本，采集待測臺區的當前數據作為待測樣本，并進行標準化處理。樣本集包括：a.訓練樣本：某歷史時間段內的不同時刻的電氣特征參數，及其對應的線損率。b.待測樣本：待測臺區的實時電氣特征參數。

（3）利用AP聚類法對訓練樣本中的數據進行聚類處理，從而將臺區劃分為多個類簇。

（4）分析待測樣本中數據的特征，在訓練樣本中選擇與之相同或相近的類簇數據，作為預測模型的訓練樣本集，通過BP神經網絡訓練，獲得臺區線損率預測模型。

（5）將臺區線損率預測模型移植到邊緣計算，將待測樣本中的數據作為預測模型的輸入數據，計算實時預測的線損率，判斷誤差率是否合格，與操作人員進行信息實時交互。

（6）定期更新邊緣計算設備的線損率預測模型，以保證預測結果的準確性。

綜上所述，基于邊緣計算的臺區線損率的計算流程圖如圖4所示。

圖4 計算流程圖

3 算例分析

3.1 臺區實際線損率計算

本節以某地區臺區數據為算例，計算其實際線損率，并觀察其特征，驗證所建模型的合理性。由于不同臺區的線損率存在差異，因此本節選取了該地區內的20個臺區數據進行線損率計算，以觀察臺區線損率特征。采集其供電和售電量，并通過計算得到臺區實際線損率如圖5所示。

根據圖5可知，不同臺區之間的實際線損率水平存在較大差異，該特征導致不同臺區的線損率衡量缺乏統一標準，給臺區異常用電行為的判斷帶來困難。

圖5 臺區線損率

3.2 有效性驗證

為解決上述問題，本文提出了在邊緣計算模式下，首先對臺區數據進行聚類預處理，然后用標準BP神經網絡對臺區線損率進行預測，云中心將利用實際線損率與預測線損率的誤差作為異常用電判斷的依據。

本節選取3.1節同地區臺區數據為算例進行仿真以驗證本文所提方法的有效性。根據電氣特征進行聚類預處理后，提取出8個聚類中心，即將該地區臺區分為8類，以聚類中心臺區的線損率代表該類中所有臺區的線損率，其電氣特征參數如表1所示。該方法大大縮減了臺區線損率損計算量，降低了對數據的需求。

表1 臺區電氣特征參數

利用本文所提方法預測這8個臺區的線損率，并與實際線損率進行對比，并計算誤差率，結果如圖6所示。本文規定異常預警值為誤差率≥5%。若某臺區誤差率大于該值則認為該臺區存在竊電或漏電等異常行為，同時向運維人員發出警示。

根據圖6可知，利用本文所提方法預測的線損率與實際線損率曲線較為吻合，說明本文所提方法能夠對臺區線損率預測的精度較高；大部分臺區的誤差率小于限制，說明在當前場景下，該地區臺區均正常運行，無需向運維人員發出預警信號。

圖6 計算結果

4 結束語

傳統臺區線損管理方式費時費力，無法就地完成臺區線損率計算，難以發揮智能終端的邊緣計算能力。針對此問題，本文提出了一種基于智能終端的臺區線損率預測方案并且給出了計算流程。

本文將低壓臺區作為邊緣計算節點，首先利用AP聚類算法對低壓臺區進行分類，解決了臺區線損率的數值分散問題；隨后，建立BP神經網絡模型，利用BP神經網絡擬合樣本數據與電氣特征參數之間的關系，從而快速計算低壓臺區線損率。最后，通過某一地區內20個臺區數據進行線損率計算，對臺區線損率進行預測，從而觀察臺區線損率特征。結果表明，所提方案有效提高了低壓臺區線損率的計算效率，具有一定的實用性和可靠性，在一定程度上可以輔助運維人員進行臺區維護和管理。