基于人工神經(jīng)網(wǎng)絡(luò)的配電線損分析

盧兆軍， 宋士瞻， 袁飛， 劉玉嬌， 康文文

(1. 國家電網(wǎng)公司山東省電力公司，山東 濟(jì)南 250002；2. 國網(wǎng)山東省電力公司棗莊供電公司，山東 棗莊 277000)

0 引 言

配電網(wǎng)的線損水平是評(píng)估配電系統(tǒng)運(yùn)行效率的重要依據(jù)。進(jìn)行精確的配電線損計(jì)算和分析需要收集大量線損數(shù)據(jù)，包括線路電壓、線路電流、線路阻抗、變壓器銅損和鐵損、負(fù)荷水平以及變壓器容量等。由于低壓配電網(wǎng)的自動(dòng)化水平參差不齊，線路連接存在一定不確定性，負(fù)荷分布復(fù)雜。因此在中低壓配電網(wǎng)開展精確線損計(jì)算工作存在實(shí)際困難。

常規(guī)的線損計(jì)算方法有回歸分析法、均方根電流法、等值電阻法以及潮流計(jì)算法等[1-6]?；貧w分析法是用潮流計(jì)算程序完成電網(wǎng)的潮流計(jì)算，根據(jù)計(jì)算結(jié)果建立與線損影響因素相對(duì)應(yīng)的回歸模型，完成線損計(jì)算和分析。由于中低壓配電系統(tǒng)的有效數(shù)據(jù)范圍狹窄以及數(shù)據(jù)處理效率較低，回歸分析法得到的線損數(shù)據(jù)準(zhǔn)確性欠佳。

針對(duì)配電線損計(jì)算和分析中存在的問題，提出了將人工神經(jīng)網(wǎng)絡(luò)(axtficial neural network, ANN)技術(shù)應(yīng)用于線損計(jì)算的方法。本文討論了所提出ANN的拓?fù)浣Y(jié)構(gòu)、輸入變量、輸出變量、訓(xùn)練集的結(jié)構(gòu)以及訓(xùn)練方法，并通過基于兩條饋線的負(fù)荷數(shù)據(jù)的仿真對(duì)比試驗(yàn)證明了該方法的有效性。

1 線損靈敏度分析

1.1 負(fù)荷數(shù)據(jù)采集

為了開發(fā)ANN損耗模型，確定影響?zhàn)伨€損耗的最關(guān)鍵因素，以最貼近實(shí)際的方式分析線損，首先需要通過現(xiàn)場數(shù)據(jù)采集和統(tǒng)計(jì)分析得出饋線的負(fù)荷模式。本文以某地區(qū)配電網(wǎng)中的饋線MJ66和LI32為研究對(duì)象，通過在變電站中安裝功耗記錄儀的方式，以5 min的時(shí)間間隔收集該兩條饋線的負(fù)荷數(shù)值，最后統(tǒng)計(jì)得出兩條饋線的典型日負(fù)荷曲線。

1.2 線損靈敏度分析

為了得出ANN線損計(jì)算模型，需通過對(duì)目標(biāo)饋線進(jìn)行饋線損耗與饋線負(fù)荷、導(dǎo)線長度以及變壓器總?cè)萘康拿舾行苑治?，確定關(guān)鍵影響因素[7]。通過改變上述關(guān)鍵因素進(jìn)行精確的三相潮流分析計(jì)算機(jī)仿真，得出如下所述的配電線損與影響因素之間的關(guān)系。

(1) 線路負(fù)荷的影響。饋線負(fù)荷的增加將引入更大的電流，從而使線路損耗和變壓器銅損耗也增加。線損隨饋線負(fù)荷的平方成比例關(guān)系。

(2) 功率因數(shù)的影響。饋線負(fù)載功率因數(shù)的提高可以減少電流的無功分量，從而降低導(dǎo)線損耗和變壓器銅損耗。一般來說，饋線損耗隨功率因數(shù)的平方而減小。

(3) 線路長度的影響。導(dǎo)線的長度越長，電阻越大，因此當(dāng)饋線負(fù)荷大小相同時(shí)，線路損耗也會(huì)增加。由于電壓降較大，變壓器鐵芯損耗略有降低。系統(tǒng)損耗與主干線路長度成線性關(guān)系。

(4) 變壓器容量的影響。配電系統(tǒng)中的變壓器鐵芯損耗由母線電壓和變壓器總?cè)萘繘Q定[8]。如果變壓器總?cè)萘吭黾樱儔浩麒F芯損耗將增大，而變壓器銅損耗將因使用更大的變壓器繞組而變小。

ANN將線損計(jì)算模型視為一個(gè)黑匣子，輸入?yún)?shù)為影響線損的關(guān)鍵因素，輸出為歸一化的線損值，如圖1所示。

圖1 線損與關(guān)鍵因素之間的關(guān)系

2 基于ANN的饋線損耗計(jì)算方法

ANN在電力系統(tǒng)分析中的主要應(yīng)用領(lǐng)域有回歸、分類和組合優(yōu)化[9-12]。本文所提出的ANN線損計(jì)算模型是基于誤差反向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，采用有監(jiān)督的訓(xùn)練方式。訓(xùn)練集同時(shí)為監(jiān)督學(xué)習(xí)提供輸入和輸出信號(hào)。訓(xùn)練過程是根據(jù)預(yù)設(shè)的學(xué)習(xí)規(guī)則調(diào)整處理單元之間的連接權(quán)重。當(dāng)實(shí)際輸出與期望輸出的匹配度在允許范圍內(nèi)時(shí)，訓(xùn)練過程就完成了。

2.1 輸入和輸出變量

輸入層由上述的5個(gè)關(guān)鍵因素和1個(gè)偏置項(xiàng)作為輸入變量節(jié)點(diǎn)組成，即饋線負(fù)載、功率因數(shù)、主干線路長度、分支線路長度和變壓器容量。

隱藏層的結(jié)構(gòu)反映輸入層和輸出層的復(fù)雜映射關(guān)系，且影響網(wǎng)絡(luò)的收斂速度。根據(jù)經(jīng)驗(yàn)隱藏層節(jié)點(diǎn)數(shù)為8。隱藏層傳遞函數(shù)使用S型正切函數(shù),輸出層只有一個(gè)節(jié)點(diǎn)，其輸出取值范圍為[0,1]的饋線損耗。輸出層傳遞函數(shù)使用S型對(duì)數(shù)函數(shù)。

2.2 模型訓(xùn)練

模型訓(xùn)練過程中調(diào)整節(jié)點(diǎn)之間的連接權(quán)重以減少期望輸出與實(shí)際輸出之間的差異。選擇并測試不同模型參數(shù)的組合，如訓(xùn)練周期和訓(xùn)練數(shù)據(jù)序列等，以確保模型不斷完善。通過數(shù)據(jù)統(tǒng)計(jì)和損耗計(jì)算得出饋線MJ66的訓(xùn)練集樣本如表1所示。將上述關(guān)鍵因素的變化信號(hào)輸入至輸入層節(jié)點(diǎn)。輸入層節(jié)點(diǎn)中所有的變量都在[0,1]范圍內(nèi)按照自身基準(zhǔn)值進(jìn)行歸一化，以確保易于收斂。

表1 MJ666的訓(xùn)練數(shù)據(jù)集樣本

2.3 線損計(jì)算流程

線損計(jì)算流程如圖2所示。

圖2 線損計(jì)算流程

首先通過實(shí)測和統(tǒng)計(jì)分析得到了目標(biāo)饋線的日負(fù)荷曲線。然后用Python編寫潮流計(jì)算程序形成ANN訓(xùn)練集，通過靈敏度分析確定ANN輸入變量。最后應(yīng)用ANN推導(dǎo)出線損計(jì)算模型。

3 仿真測試

以在某地區(qū)配電網(wǎng)中35 kV饋線MJ66和10 kV饋線LI32為研究對(duì)象，驗(yàn)證所提出的ANN模型的有效性和準(zhǔn)確性。表2給出了目標(biāo)饋線的統(tǒng)計(jì)數(shù)據(jù)。首先得到主干和分支線路長度，配電變壓器總?cè)萘?。然后求解基于ANN的季節(jié)和年度饋線損耗計(jì)算模型，并與使用常規(guī)回歸方法推導(dǎo)出的多項(xiàng)式饋線損耗計(jì)算模型進(jìn)行準(zhǔn)確性對(duì)比。

表2 目標(biāo)饋線的參數(shù)

在24 h內(nèi)以小時(shí)為單位對(duì)MJ66和LI32使用回歸損耗模型和ANN損耗模型進(jìn)行仿真計(jì)算,結(jié)果分別如表3和表4所示。數(shù)據(jù)表明，表3中MJ66的ANN模型誤差在0.10%～4.00%之間，平均誤差為1.24%,而回歸損失模型的仿真誤差為4.84%。表4的結(jié)果與之類似。這表明了ANN損耗模型的有效性。

表3 MJ66線損仿真計(jì)算結(jié)果

表4 LI32線損仿真計(jì)算結(jié)果

基于不同模型所求解的MJ66和LI32的日負(fù)荷曲線和線損曲線如圖3和圖4所示。需要注意的是，兩個(gè)目標(biāo)饋線的負(fù)荷特性有很大的不同，其中MJ66主要連接住宅和商業(yè)客戶的混合負(fù)荷，而LI32連接住宅和小型工業(yè)客戶的混合負(fù)荷。通過損耗分析發(fā)現(xiàn)，線損隨小時(shí)負(fù)載變化，這主要是由于變壓器銅損和導(dǎo)線阻抗損耗隨著負(fù)載電流的增大而增大。此外，與精確的饋線損耗模型相比，ANN損耗模型可以用更少的計(jì)算時(shí)間和更少的準(zhǔn)備輸入數(shù)據(jù)來非常精確地求解饋線損耗。還應(yīng)注意，如果提供了更多的訓(xùn)練集，則需要更多的學(xué)習(xí)次數(shù)以及更長的訓(xùn)練時(shí)間才能完成訓(xùn)練過程。仿真結(jié)果表明，ANN線損模型的計(jì)算誤差低于回歸線損模型。

圖3 MJ66的夏季日損耗曲線

圖4 LI32的夏季日損耗曲線

4 結(jié)束語

本文建立了一種基于ANN的配電饋線損耗分析模型。ANN是一種前饋網(wǎng)絡(luò)，使用反向傳播算法來調(diào)整任意兩個(gè)節(jié)點(diǎn)之間連接路徑上的權(quán)重。針對(duì)幾個(gè)關(guān)鍵因素對(duì)饋線損耗進(jìn)行敏感性分析，以確定ANN輸入變量。仿真結(jié)果表明，該方法比常規(guī)回歸方法獲得的饋線損耗更準(zhǔn)確。

低壓配電系統(tǒng)中用戶與配電變壓器之間的連通性存在較大的模糊性，這增加了用精確的計(jì)算機(jī)模擬方法分析饋線損耗的難度。然而，ANN方法可以繞開上述難題，基于電力大數(shù)據(jù)相當(dāng)準(zhǔn)確地解決饋線損耗問題。經(jīng)過訓(xùn)練的ANN線損計(jì)算方法不但準(zhǔn)確性更優(yōu)，還可以節(jié)省計(jì)算所需的時(shí)間。因此，對(duì)于一個(gè)有數(shù)百條饋線的地區(qū)配電系統(tǒng)，所提出的ANN損耗模型可以高效率地解決整個(gè)系統(tǒng)的線損問題，是電力工程師評(píng)估配電系統(tǒng)運(yùn)行效率的有效工具。