基于聚類算法的配電網(wǎng)線損預(yù)測方法

劉喬保，黃 敏

（國網(wǎng)安徽省電力有限公司郎溪縣供電公司，安徽 郎溪 214500）

0 引 言

無論是輸電系統(tǒng)還是發(fā)電系統(tǒng)，都是通過配電網(wǎng)將電能傳送給用戶，同時配電網(wǎng)作為電力系統(tǒng)的終端，與用戶直接相連。由于配電網(wǎng)的供電半徑比較長，線路損失比較嚴(yán)重，在電網(wǎng)的各種損耗中，線損占比為20%。此外，10 kV 配電網(wǎng)的線路分支較多，供電負荷的性質(zhì)具有多樣性，統(tǒng)計線損時的工作也更加復(fù)雜，因此與輸電主網(wǎng)相比，配電網(wǎng)的自動化水平相對較差，很難精確采集線損的具體參數(shù)和數(shù)據(jù)[1]。傳統(tǒng)的理論線損計算方法，需要詳細分析配電網(wǎng)的結(jié)構(gòu)參數(shù)和物理參數(shù)，既需要耗費大量的人力物力，又不能保證線損預(yù)測的準(zhǔn)確性。

周王峰等人面向配網(wǎng)線損精細化經(jīng)營的需要，以精確掌握配網(wǎng)線損的短時動態(tài)為目標(biāo)，采用去噪聲自動編碼機與長短期記憶（Long Short Term Memory，LSTM）網(wǎng)絡(luò)聯(lián)合的方法，構(gòu)建配網(wǎng)線損的日預(yù)報模型[2]。首先，構(gòu)建基于灰關(guān)聯(lián)的綜合評價指數(shù)，并利用該指數(shù)統(tǒng)計線路的日損耗率，以歷史數(shù)據(jù)為輸入，預(yù)測線路的日損耗率。其次，建立非監(jiān)督的降噪自動編碼器（Denoising Auto Encoder，DAE）學(xué)習(xí)方法。最后，通過編碼和重建數(shù)據(jù)，完成數(shù)據(jù)的特征抽取和降維。將該數(shù)據(jù)集引入LSTM 神經(jīng)網(wǎng)絡(luò)中，通過對其進行擬合，建立了一種基于LSTM 神經(jīng)網(wǎng)絡(luò)的線路日損耗率預(yù)報模型。以湖南省某地多條配電網(wǎng)為例，計算日線損率。結(jié)果顯示，該方法的計算時間短且精度高，為其在工程上的運用提供了依據(jù)。該背景下，文章將聚類算法應(yīng)用于配電網(wǎng)線損預(yù)測，從而為配電網(wǎng)線損水平的評估提供依據(jù)，保證其運行的穩(wěn)定性。

1 配電網(wǎng)線損預(yù)測方法設(shè)計

1.1 聚類處理配電網(wǎng)線損數(shù)據(jù)

對配電網(wǎng)線損數(shù)據(jù)進行聚類處理時，根據(jù)線損數(shù)據(jù)樣本的具體數(shù)量，計算出線損數(shù)據(jù)空間比值γ(x)。其公式為

式中：χ(x)表示配電網(wǎng)線損數(shù)據(jù)在指定空間內(nèi)的覆蓋值；χmax表示采樣空間中線損數(shù)據(jù)樣本的最大值。

假設(shè)線損數(shù)據(jù)在采樣空間中的變化范圍為0～1，那么數(shù)據(jù)越趨近于1，線損數(shù)據(jù)樣本在采樣空間中的覆蓋率就越高。但是，該過程中，需要考慮線損數(shù)據(jù)在采樣空間中的冗余值[3]。冗余度指數(shù)計算公式為

式中：Ri,j表示線損數(shù)據(jù)xi和xj在采樣空間中的關(guān)聯(lián)度。Ri,j的值越大，說明線損數(shù)據(jù)中的冗余值越大，當(dāng)Ri,j的值為0 時，說明線損數(shù)據(jù)中不存在冗余值或者冗余值比較低。

判斷配電網(wǎng)線損數(shù)據(jù)的冗余程度之后，利用聚類算法對線損數(shù)據(jù)進行聚類處理[4]。具體步驟如下。

步驟一：初始化聚類算法。確定線損數(shù)據(jù)的初始聚類中心和聚類數(shù)量。

步驟二：數(shù)據(jù)劃分。線損數(shù)據(jù)樣本中，計算出樣本數(shù)據(jù)與聚類中心之間的距離，公式為

式中：Oin表示樣本集中的線損數(shù)據(jù)；Xjn表示聚類中心。根據(jù)式（3）的結(jié)果，將線損數(shù)據(jù)分配到n個聚類中。

步驟三：重新計算聚類中心。經(jīng)過式（3）的計算后，重新劃分n個聚類中所有線損數(shù)據(jù)樣本的平均值，將其作為新的聚類中心。

步驟四：判斷是否收斂。判斷線損數(shù)據(jù)的聚類處理過程是否收斂的公式為

式中：Xq表示Ci類別中的線損數(shù)據(jù)樣本；Qi表示類別Ci中的聚類中心。當(dāng)ψ的值達到設(shè)定的誤差條件或者逐漸趨于穩(wěn)定時，可以判斷線損數(shù)據(jù)的聚類處理結(jié)束[5]。如果ψ的值比較大，需要重復(fù)操作步驟二和步驟三，直到聚類算法收斂為止。

根據(jù)以上過程，去除線損數(shù)據(jù)的冗余值之后，根據(jù)聚類算法的收斂判斷，聚類處理配電網(wǎng)線損數(shù)據(jù)，為配電網(wǎng)的線損預(yù)測提供依據(jù)。

1.2 構(gòu)建配電網(wǎng)線損預(yù)測模型

以線損數(shù)據(jù)的聚類處理為依據(jù)，通過瞬態(tài)自適應(yīng)麻雀搜索算法（Transient Adaptive Sparrow Search Algorithm，TASSA）對多粒度長短期記憶（Multi granularity-Long Short Term Memory，Mg-LSTM）網(wǎng)絡(luò)進行優(yōu)化，構(gòu)建配電網(wǎng)線損預(yù)測模型[6]。首先，將反映配電網(wǎng)線損與特征參量之間關(guān)系的樣本數(shù)據(jù)劃分為2 部分，一部分用于線損預(yù)測建模，另一部分用于調(diào)試。具體過程如下。

步驟一：獲取配電網(wǎng)在運行過程中的參數(shù)和結(jié)構(gòu)參數(shù)。

步驟二：根據(jù)線損數(shù)據(jù)的聚類處理，提取出配電網(wǎng)線損數(shù)據(jù)的特征。

步驟三：設(shè)置Mg-LSTM 網(wǎng)絡(luò)的參數(shù)，對種群進行初始化，計算個體的適應(yīng)度[7]。

步驟四：更新發(fā)現(xiàn)者的位置，即

式中：T和C1表示一個隨機數(shù)；Xbt表示個體的全局最佳位置；Xi,jt表示初始位置；r1表示[0,1]內(nèi)的隨機數(shù)。

步驟五：通過更新加入者的位置，計算個體在新位置的適應(yīng)度，并保存?zhèn)€體在種群中的最優(yōu)位置和最劣位置。

步驟六：滿足迭代條件時，得到優(yōu)化后的Mg-LSTM 網(wǎng)絡(luò)，否則重復(fù)操作步驟（3）～步驟（5）。

步驟七：將線損原始數(shù)據(jù)輸入優(yōu)化后的Mg-LSTM網(wǎng)絡(luò)，對線損數(shù)據(jù)進行預(yù)處理，剔除異常數(shù)據(jù)[8]。

步驟八：引入灰色關(guān)聯(lián)分析，對配電網(wǎng)線損特征參數(shù)進行關(guān)聯(lián)度分析，篩選對線損影響較大的特征參數(shù)。

步驟九：通過對優(yōu)化后的Mg-LSTM 網(wǎng)絡(luò)進行訓(xùn)練，得到基于TASSA 優(yōu)化Mg-LSTM 的預(yù)測模型。

步驟十：利用步驟九中的預(yù)測模型，對配電網(wǎng)中的線損進行預(yù)測，構(gòu)建配電網(wǎng)線損預(yù)測模型。

配電網(wǎng)線損預(yù)測的具體流程如圖1 所示。

圖1 配電網(wǎng)線損預(yù)測流程圖

利用TASSA 對Mg-LSTM 網(wǎng)絡(luò)進行優(yōu)化后，建立基于TASSA 對Mg-LSTM 優(yōu)化的預(yù)測模型，實現(xiàn)對配電網(wǎng)線損的預(yù)測。

2 實驗對比分析

2.1 實驗準(zhǔn)備

為驗證文中方法在配電網(wǎng)線損預(yù)測中的有效性，進行模擬實驗。將采樣時間設(shè)置為2 個月，收集了60 d 的配電網(wǎng)線路損耗數(shù)據(jù)，包括端口電流、有功功率和無功功率。同時，技術(shù)線損與輸電線路所在的環(huán)境有關(guān)，必須監(jiān)測周圍的溫度和濕度等參數(shù)。由于采樣區(qū)域內(nèi)的氣候變化比較大，采樣間隔應(yīng)為1 h 一次，基礎(chǔ)資料每隔24 h 才會刷新一次。通過數(shù)據(jù)融合的方式，對24 h 的數(shù)據(jù)和1 h 的數(shù)據(jù)統(tǒng)一處理，確保線損率的計算不會出現(xiàn)錯誤。

采集實驗數(shù)據(jù)時，會出現(xiàn)采集失敗的情況，需要刪除采集率低于80%和錯誤采集的數(shù)據(jù)，如果不刪除就會影響最終的預(yù)測精度，實驗過程中的相關(guān)參數(shù)如表1 所示。

表1 實驗參數(shù)

利用誤差率作為線損預(yù)測精度的衡量標(biāo)準(zhǔn)，計算公式為

式中：εc表示線損預(yù)測值；εb表示配電網(wǎng)的實際線損。

2.2 結(jié)果分析

為避免實驗結(jié)果單一，引入基于降噪自動編碼器-長短期記憶（Denoising Auto Encoder-Long Short Term Memory，DAE-LSTM）神經(jīng)網(wǎng)絡(luò)的預(yù)測方法與文中方法進行對比，測試配電網(wǎng)線損預(yù)測的誤差率，結(jié)果如圖2 所示。

圖2 配電網(wǎng)線損預(yù)測的誤差率

從圖2 的結(jié)果可以看出，采用基于DAE-LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測方法時，對配電網(wǎng)線損預(yù)測的誤差率在3.0%～6.0%，原因是DAE-LSTM 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練不充分，會導(dǎo)致線損數(shù)據(jù)存在噪聲，影響預(yù)測結(jié)果。采用文中方法時，由于采用聚類算法對線損數(shù)據(jù)進行了聚類處理，并利用TASSA 對Mg-LSTM 網(wǎng)絡(luò)進行了優(yōu)化，將線損預(yù)測的誤差率控制在2.0%以內(nèi)，大大提高了預(yù)測的精度。

3 結(jié) 論

文章提出一種基于聚類算法的配電網(wǎng)線損預(yù)測方法，經(jīng)過實驗測試發(fā)現(xiàn)，該方法可以提高線損預(yù)測的精度。該方法雖然取得一定成果，但是還存在不足，在今后的研究中，希望可以引入蟻群算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，從而提高配電網(wǎng)線損預(yù)測的準(zhǔn)確性。