低壓臺區分段線損率預測系統設計

湯中壹，金杭曉，姚雅艷，周緣杰，陳 瑜

(國網浙江省電力有限公司縉云供電公司，浙江 麗水 321400)

0 引言

在為用戶供電的過程中，電力系統會受到阻抗作用而產生一定的線損。線損表示一種電量的損失。如果線損過大，則經濟收益減少，不利于電力設備的運行。對低壓臺區進行線損率預測，是目前供電企業重點研究的科研項目之一。這不僅能夠提高企業的經濟效益，在當前可持續發展的要求下，還能夠促進節能減排，為構建綠色低碳型社會提供支撐。

文獻[1]建立了一個基于專家樣本庫和最小二乘支持向量機的線損率預測模型。該模型采用優化的離散粒子群算法，在低壓臺區的工作運行記錄數據中篩選出運行狀態信息，并將其作為樣本記錄；以此為基礎建立專家樣本庫，對配電網的供電量、電流等信息進行記錄；在專家樣本庫的基礎上，結合最小二乘支持向量機算法，完成線損率預測模型的建立。但該方法運算過程復雜，收斂速度較低。文獻[2]提出了基于大數據分析的低壓配電臺區線損自動測算方法。該方法利用大數據分析方法構建定量回歸分析模型；利用分段檢驗分析配電臺區線損的大數據序列，構建數據相空間的重構模型；利用遞歸圖譜分析對低壓配電臺區所產生的線損進行定量回歸分析，得到規則性特征完成低壓配電臺區線損率的預測和度量。該方法面對龐大且復雜的低壓臺區供電數據流時，預測準確性不高。

基于上述方法的不足，為解決收斂速度慢和線損率預測準確性低的問題，本文設計了基于B+搜索樹算法的低壓臺區分段線損率預測系統。該系統采用智能電表和通用無線分組業務(general packet radio service，GPRS)通信技術，優化了預測系統的硬件拓撲結構；引入B+搜索樹算法篩選整理原始數據；將B+樹參數作為索引參數，歸一化處理線損數據；創新性地基于B+搜索樹的索引，構建低壓臺區分段線損率預測模型，完成了低壓臺區分段線損率預測。

1 低壓臺區分段線損率預測系統

1.1 硬件設計

供電企業對線損的預測，一般是根據統計分布量與實際用戶繳費額折算的用戶用電量進行比較，提取比較差異后，即可將其記錄為線損。因此，受到外界干擾較大的低壓變電站區域的分段線損率極不準確。對此，本文需要優化線損率預測系統。

首先，要從源頭上實現用電和供電數據的采集和分析，獲取低壓站區詳細的用電數據[3-6]。因此，本文設計的預測系統硬件拓撲如圖1所示。

圖1 預測系統硬件拓撲圖

圖1中，將電力用戶端的數據采集設備從傳統電表更換為智能電表。該型號的電表具有通信接口。與老舊的人工抄表方式相比，智能電表的主要通信方式是GPRS。低壓變電所區間的線損計算，需要同時統計所有用戶節點的數據，以保證計算結果的準確性。在通信過程中，用戶端的智能儀表通過RS-485通信協議傳輸到采集器；采集器和供電端的智能儀表通過GPRS協議與系統服務器進行通信。

1.2 軟件設計

1.2.1 利用B+搜索樹算法建立索引

電力系統用戶數量龐大，所以采集數據量大且格式也不統一。因此，本文在軟件設計中引入B+搜索樹算法建立索引，以便對數據進行篩選與整理。

B+搜索樹是數樹形結構的多層次索引的一種變形結構。經典三層B+搜索樹結構如圖2所示。

圖2 經典三層B+搜索樹結構示意圖

圖1中，B+搜索樹的元素分布在樹形的各個節點中，且非葉子節點與葉子節點之間具有排斥性。B+搜索樹具有高效率、動態的檢索特性，能夠調節多路檢索樹的平衡，且隨機檢索的效率較高。

B+搜索樹索引建立流程如圖3所示。

圖3 B+搜索樹索引建立流程

B+搜索樹在系統中能夠實現查詢、插入以及刪除等基本操作。在系統中自帶的存儲引擎中，需要以低壓臺區的電表時間窗口為基礎，從時間的維度切分臺區分段線損數據，并依據不同時間段的數據流，根據實際情況進行微批量處理。

圖3中：w1，w2，...，wk分別為不同的數據流時間窗口；Tw為時間窗的長短；P1為索引構建過程的三個階段，①表示底層索引的構建、②表示底層索引的發布、③表示頂層索引的更新；P2為當前時間窗索引構建完畢后的時間點與下一時間窗開始建立索引時間點的構建間隔[7-9]，用于保證建立索引的穩定性。

在索引構建的過程中，需要對數據進行排序。為了提高排序效率，分段時間窗口，需設計一個線程作為分段排序任務的歸并與簡化依據。排序完成后，可以得到B+搜索樹的骨架層數：

Fn=[logNbNw]

(1)

式中：Nb為節點的容量；Nw為時間窗數據流的量。

本文以組為計算單位，計算B+搜索樹的子節點數：

(2)

依據B+搜索樹自身性質所建立的數據索引，能夠節省系統內的存儲開銷，并根據時間窗的變化實現數據的實時分配。

1.2.2 實現低壓臺區分段線損率預測

在系統線損率預測過程中，由于數據格式不同、分屬不同的單元[10]，采集到的樣本會受到一定的限制。因此，本文對采集到的數據進行了預處理。

對數據進行標準化，即將其轉換成無量綱數據。電網特征數據的標準化處理函數表示為：

(3)

在此基礎上，引入改進的誤差反向傳播(back propagation，BP)神經網絡。其傳遞函數的格式為：

(4)

式中：e-x為定義域內所有實數，值域為0～1。

這表明，經過BP神經網絡預測之后，線損值能夠歸一化到0～1之間。

通過以上分析，經過數據預處理后，將用電數據與線損進行歸一化，得到線損無量綱數據的樣本集，并基于改進的BP神經網絡構建線損預測模型，利用訓練集進行學習訓練后，將測試集輸入到預測模型中，從而輸出預測結果，完成低壓臺區分段式線損率預測。

2 實例測試

2.1 實例測試環境及數據

為了驗證本文設計的線損率預測系統的有效性，隨機選取某市供電公司供電覆蓋區域內容量變壓器為350 kVA的低壓臺區180個。這些臺區采集到的數據共5.3 GB，但大部分都具有模糊性或數據殘缺。因此，本文對數據集進行清洗，過濾、刪除重復數據，檢查所獲取數據的完整性。對于一些缺失的數據，可以選擇刪除或利用平均值進行估算補全，檢測孤立點。孤立點檢測流程如圖4所示。

圖4 孤立點檢測流程

在完成數據清洗與孤立點檢測之后，對得到的3.9 GB預處理數據集作分檔，并設定其孤立線損預測評判標準。低壓臺區分段線損評估標準如表1所示。

表1 低壓臺區分段線損評估標準

在對數據進行分類和歸一化后，將這些數據作為樣本，利用本文設計的線損率預測系統和文獻[1]系統對線損率進行預測，并對預測結果進行比較。

2.2 試驗結果對比與分析

為了準確得到兩個系統的實際預測結果，將所選擇的用戶線路按照15∶1的比例劃分為訓練集和測試集，得到如表2所示的兩種系統的線損預測結果。

表2 兩種系統的線損預測結果

從表2所示的預測結果可知，在相同的試驗環境下，本文系統得到的相對誤差最高為4.27%，明顯小于文獻[1]系統。這是因為本文系統引入B+搜索樹算法、采用了智能電表和GPRS通信技術、優化了供電數據的采集與傳輸，使得初始階段數據采集與分析的準確性得到提升，保證了收斂速度，進而提升了線損預測結果的準確性。

3 結論

針對傳統線損預測系統存在分段線損評估評判標準不一、線損率預測準確度較低的問題，本文設計了基于B+搜索樹算法的低壓變電站區域分段線損率預測系統。該設計改進了硬件拓撲結構，引入B+搜索樹算法建立索引，便于對原始數據進行過濾和排序；通過優化B+搜索樹的建立過程，得到B+搜索樹參數作為索引參數；在線損率預測過程中，對數據進行預處理與歸一化處理，實現了線損預測。

但是受到試驗樣本來源的限制，本文尚未對預測線損率與實際線損率進行比較分析。在未來的研究中，將結合海量實際低壓臺區運行歷史數據，以多個維度的臺區電氣特征參數作為輸入，進一步構建低壓配電網同期線損率預測模型，從而為該領域的相關研究提供更為完善的線損計算與預測結果。