大數據背景下基于改進ＲＮＮ的低壓配電網線損智能分析方法

摘 要：【目的】在電力系統中，線損率是衡量電網系統設計、運維和管理水平的重要經濟技術指標，對于保障電網的穩定經濟運行、提高供電效率具有重要意義。然而，在用戶數量激增、用能特征多樣化的大數據背景下，線損率的計算評價工作面臨較大挑戰。傳統線損計算方法依賴于電網參數，精細化程度偏低，計算準確率不佳。【方法】針對該問題，提出了一種基于改進循環神經網絡（ＲＮＮ）的低壓配電網線損智能分析方法，旨在通過智能化手段提高線損計算的準確性和效率。方法利用Ｋｍｅａｎｓ算法對智能配電網的海量用戶數據進行分類預處理，以降低數據冗余度。采用層次分析法（ＡＨＰ）從分類數據中提取線損指標，這些指標隨后被輸入到深度學習模型中，其中，核心深度學習模型是由卷積神經網絡（ＣＮＮ）和改進長短時記憶網絡（ＬＳＴＭ）模型融合而成，該模型能夠挖掘配電網數據特征，實現線損的智能分析。通過ＩＥＥＥ３３節點的仿真模型進行實驗驗證，充分展示所提方法的有效性。【結果】實驗結果表明，所提方法的均方誤差（ＭＳＥ）和相對誤差百分數（ＲＥ）分別為３１５ＭＷ 和２４３％，計算精度較高。與現有方法相比，所提方法在大數據背景下的配電網線損智能分析中具有明顯優勢，能夠全面考慮各種配電網的影響因素，獲得更精準的線損計算結果。此外，通過與兩種經典文獻方法進行對比實驗，進一步驗證所提方法的性能優勢。【結論】基于改進ＲＮＮ模型的低壓配電網線損智能分析方法通過Ｋｍｅａｎｓ算法和ＡＨＰ預處理提取線損指標，再利用ＣＮＮＬＳＴＭ模型進行深入分析，有效提高了線損計算的準確性和效率。該方法主要針對低壓配電網線路側的線損進行分析，對于更高等級電壓的線損分析尚未深入研究，但其在低壓配電網線損智能分析中顯示出優異的結果，具有實際應用價值。未來的研究將擴展到更廣泛的校驗分析，以提高方法的全面性和可靠性。此外，該方法的提出也為智能配電網的進一步研究和應用提供了新的思路和工具，有助于推動智能電網技術的發展和應用。通過這種方法，不僅可以提高線損計算的準確性，還能為電網的優化管理提供科學依據，對于提升電網運行效率、降低能源損耗具有重要的實際意義。隨著技術的不斷進步和數據量的日益增加，智能化的線損分析方法將成為電力系統運維中不可或缺的一部分。

關 鍵 詞：大數據；低壓配電網；Ｋ-ｍｅａｎｓ聚類；層次分析法；特征提取；ＣＮＮ-ＬＳＴＭ模型；智能線損分析；循環神經網絡

中圖分類號：ＴＭ７２７ 文獻標志碼：Ａ 文章編號：１０００－１６４６（２０２５）０１－０１３０－０７

線損率作為反映電網系統設計、運維和管理水平的綜合經濟技術指標，在保證電網穩定經濟運行、提高供電效率等方面均具有重要意義［１］，因此，供電部門對于線損率的計算、預測等問題高度重視。而在用戶數量激增、用能特征多樣化的背景下，線損率的分析工作也面臨著較大的挑戰［２］。

隨著智能配電網的持續發展，智能化、信息化網絡逐步成為了主流發展方向，因此大量科研人員對如何精確、快速地計算低壓配電網的線損展開了研究，并取得了一定的成果［３］。現有常見方法包括：均方根法（ｒｏｏｔｓｕｍｓｑｕａｒｅｓ，ＲＳＳ）、電量法、等值電阻法以及平均電壓法等，且均得到了廣泛的應用［４］。但上述方法對于網絡結構、線路元件等信息的依賴程度較大，且計算線損值的個數有限，所以并不適用于大規模的智能配電網。趙慶明［５］在近鄰傳播聚類算法（ａｆｆｉｎｉｔｙｐｒｏｐａｇａｔｉｏｎ，ＡＰ）的基礎上，結合隨機森林回歸模型（ｒａｎｄｏｍｆｏｒｅｓｔｒｅｇｒｅｓｓｉｏｎ，ＲＦＲ）提出了一種臺區線損率計算方法，并根據線損模型來計算電氣特征指標，提取特征參數后再采用ＡＰ算法完成數據分析，進而有效提升了線損分析的準確率。ＴＡＮ等［６］提出了一種基于改進ＢＰ神經網絡的低壓配電網線損率估計方法。該方法采用均值遷移法改進ＢＰ神經網絡模型來選擇計算線損率所需的特征數據，從而使線損分析的準確率得到大幅提高。周王峰等［７］提出一種基于降噪自編碼器（ｄｅｎｏｉｓｉｎｇａｕｔｏｅｎｃｏｄｅｒ，ＤＡＥ）結合長短時記憶網絡（ｌｏｎｇｓｈｏｒｔｔｅｒｍｍｅｍｏｒｙ，ＬＳＴＭ）的配電網日線損率預測模型。通過建立灰色綜合關聯度（ｇｒｅｙｒｅｌａｔｉｏｎａｎａｌｙｓｉｓ，ＧＲＡ）分析指標，選擇歷史同期量作為輔助預測，以無監督的方式構建ＬＳＴＭ 模型，該模型兼顧了線損預測的準確率和計算速度。然而上述方法并未考慮大數據對分析結果的影響，當數據量較大時其計算分析結果的準確性及時效性均有所下降。

針對大數據背景下低壓配電網線損情況，本文提出了一種基于改進循環神經網絡（ｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ，ＲＮＮ）的配電網線損智能分析方法。該方法通過層次分析法（ａｎａｌｙｔｉｃｈｉｅｒａｒｃｈｙｐｒｏｃｅｓｓ，ＡＨＰ）來獲取線損指標，并利用卷積神經網絡（ｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）改進ＬＳＴＭ 模型，從而有效實現對海量配網數據特征的挖掘，提高線損智能分析的效果。