线损分析及智能评估系统方案.docx
- 文档编号:13160807
- 上传时间:2023-06-11
- 格式:DOCX
- 页数:22
- 大小:108.91KB
线损分析及智能评估系统方案.docx
《线损分析及智能评估系统方案.docx》由会员分享,可在线阅读,更多相关《线损分析及智能评估系统方案.docx(22页珍藏版)》请在冰点文库上搜索。
线损分析及智能评估系统方案
线损分析及智能评估系统
1.目的和意义
电能在传输和营销过程中所产生的电能消耗和损失称为线损。
线损产生于输电、变电、配电、售电各个环节,线损率作为电力企业的重要综合性经济指标,线损率有着重要的作用,它不仅能够反映电力企业的经济性还能够反映企业的盈利率。
线损直接体现了电网规划设计的合理性,反应了生产技术和运营管理水平的高低线。
根据损耗的来源和特征的不同,可以将线损进行分类,如图1-1所示
变压器的空载损耗
固定损耗
电容器的介质损耗
电能表线圈和铁芯的损耗
线路导线中的损耗
理论线损
(技术性损耗)
可变损耗
变压器绕组中的损耗
电流表电流线圈的损耗
用户违章用电和窃电损失
营业中抄核收之差错损失
电网元件漏电损失
管理线损
(非技术性损耗)
计量表计误差损失
图1-1线损分类
实际线损(或统计线损)通常指由电表抄录值所提供的总发电量与售电量之差,分为理论线损和管理线损。
其中理论线损是电网本身结构、设备决定的,电能传输不可避免地造成损失,它主要与技术状况、运行方式、电网结构有关,包含各电力元件可变损耗部分及固定损耗部分。
可变损耗包括线路中的损耗、变压器绕组中的铜耗及电能表电流线圈中的损耗等,由于这些损耗的值与流过电流或功率的平方成正比,所以是可变值;固定损耗包括变压器的空载损耗(也称为铁损)、电容器介质损耗和电能表电压线圈或铁芯中的损耗等,这些损耗主要只受两端电压的影响,所以是固定值。
统计线损的另一部分称为管理线损,其中主要包括电网元件中的漏电损耗、计量表误差损耗、营业朝核收差错损失及用户窃电
损耗等。
管理线损主要是由于电力企业在营销过程中由于用户管理不当、计量误差等造成,取决于供电企业生产经营活动中降损节能的管理水平。
在我国电网损耗中,配电网损耗占了绝大部分。
配电网长期资产利用率低,经济运行指标低,网损严重,城乡配电网损耗占总量的70%左右,配电自动化系
统覆盖围不到9%远低于发达国家。
所以,配电网线损分析及降损研究是电网线损研究的重中之重。
对此,国家能源局2015年提出了推进配电自动化和智能用电信息采集系统建设,实现配电网可观可控,推动智能电网建设与互联网深度融合的配电网建设改造行动计划。
但是,配电网具有地域分布广、规模大、设备种类多、网架和运行方式复杂的显著特点。
随着配电自动化、用电信息采集等应用系统的推广应用,配电网中产生了指数级增长的海量异构、多态的数据,数据集合的规模已经达到了大数据级别。
但是,围绕配电网大数据的应用缺乏,所以,如何有效利用、挖掘配电网数据信息,提高配电网供电可靠性,实现配电网信息可控可观,降低网损成为亟待解决的问题。
对此,本项目依托已有的数据资源,研究具备配电网态势感知、智能线损分析评估、故障定位等功能的配电网应用系统。
以精细化管理为实施载体,深化精准降损,建设一套可用的基础数据完善、相关业务融合、数据共享贯通、监管落地到位的线损可视化监管分析系统,实现计量资产可视化、线损率变化可溯源、降损任务可分解、专家辅助诊断全面、降损整改措施闭环、管理责任评价排名等功能,全方位、多维度支撑管理降损和技术降损。
2.国外线损分析研究现状
线损分为理论线损和管理线损两类,目前国外的研究也集中于这两个方面。
其中,理论线损包括变压器空载损耗、电容器介质损耗、线路导线的损耗等,是由电网本身所决定的损耗,ChouZhou[1]等人根据负荷实测结果,用理论计算的方法,对电网主网线损的构成、分布及影响因素进行了分析,但是该工作只针对220KV以上的电网,并且理论计算没有考虑用电站、电晕损失和其他辅助损耗。
JakobSahlin[2]等人建立了利用多元线性回归和交换流模型对第二天的线损进行预测的模型,但是结果依赖于对输入数据和交换流的准确预测。
管理线损包括窃电、计量表误差、漏电等,其中,窃电占了绝大部分,所以,国外的管理线损分析研究主要集中在窃电分析上。
BharatDangar[3]等人提出了一种使用极限学习机(ELM、改进ELM(OS-ELM、支持向量机(SVM三种算法来进行电力损耗识别、检测和预测的电力损耗分析框架,并应用于印度古吉拉特邦GUVN公司,减少由于窃电导致的配电损耗,取得了较好的成果。
SamWeckx[4]等人提出了一种在未知或不确定电缆长度的智能电网过电网中的非法连接检测窃电的算法,使用智能电表的测量值来识别电网参数,并检测特定客户的违规行为。
YinghuiLi[5]等人提出了基于BP神经网络的客户消费行为分析模型,利用该模型可以计算出窃电的怀疑系数,并对电力用户的信用等级进行分类,并选取了一些典型的企业,对窃电模型进行了验证,得出了一个可行的解决窃电问题的思路。
曾虎[6]首先利用模糊C均值(FCM算法对负荷曲线进行聚类,得到典型特征曲线,再与用户负荷曲线进行匹配,筛选出疑似窃电用户,再使用基于粒子群算法优化的SVM算法进行进一步检测,准确性较SVM算法高。
综上所述,目前基于大数据的窃电研究仍然存在着问题,例如,需要大量的窃电样本对模型进行训练,以提高模型精度,但是窃电样本通常都不多,导致准确率不高。
并且,用
户的用电行为可能会因为各种原因发生变化,所以即使用户的用电发生变化,模型计算得出的窃电用户仍然需要工作人员进一步确定,不能直接判定为窃电。
3.研究容
综上所述,目前对于线损的研究大都处于理论研究层面,几乎没有针对配电网线损,包括理论线损和管理线损的综合分析,也没有直接应用于电网进行线损分析及降损研究。
因此,本项目依托已有的数据资源,研究智能线损分析评估系统,主要包括线损可视化展示、线损分析与评估两个部分。
研究容如下图所示,
地区线损监测数据
线损分析与
评估
线损可视化展示
线损因素评估数据
地区线损排序情况
理论计算方法
理论线损分析
J智能评估方法
平均电流法
「等值电阻法
聚类算法
随机森林
管理线损分析
决策树
典型特征分析
异常用电检测
窃电检测
决策树算法
关联关系分析
——
Apriori算法
图3-1研究容
3.1线损可视化展示
可视化展示主要展示线损分布,线损数据图表以及各地区线损分类排行。
可分为以下三个部分:
⑴开发基于三维GIS的配电网监视与管理信息系统、配电网状态实时感知系统和大数据智慧图表统计系统。
利用配电网实时监测数据及电网拓扑结构,结合日损耗、月损耗数据,监测配电网线损情况,并以热力图形式展示线损总体分布。
(2)利用决策树等分类算法对线损进行分线、分压、分台区精细化分类,结合三维GIS和实时3D可视化技术,展示各地区线损分类排行,生成线损数据图表。
当工作人员通过热力图点击进入GIS地图时,可以在线路沿布图、SVG单线图可视化查看线损相关指标数据及线损原因。
(3)结合线损分析与评估模块输出的数据,利用echarts等技术结合XX地图坐标点分线、分压、分台区展现全省综合线损率指标变化及各地综合线损率指标排名,以及线损指标之间的关联关系,方便管理层直观观察高损区域、综合线损率指标变化态势,辅助制订降损方案等决策。
3.2线损分析与评估该模块主要从基础数据、设备监测、采集监测、通信监测、运行方式五个维度全方面实现对电气设备线损状况的监测管控,找出线损异常原因,为异常线损治理找准“脉搏”,从而采取适当的技术措施、管理措施实现降损的目标。
线损分析与评估主要分为三个部分,分别为理论线损分析、管理线损分析和线损关联关系分析。
理论线损分析的目的是找出导致线损异常的发生故障的设备,管理线损分析的目的是分析设备管理异常或者用户管理不当产生的线损,关联关系分析的目的在于找出线损、地区和设备、时间之间的关联关系,为电力公司降损和电网运行检测提供指导。
3.2.1理论线损分析
理论线损的分析目前主要有两种方式,一种是基于电网潮流断面、拓扑结构、系统参数构成的电网理论线损计算与分析模型,另一种是利用大数据理论,使用机器学习算法建立线路理论线损评估模型。
3.2.1.1理论计算与分析电网理论线损计算模型是分层构建的,涵盖主网主接线图、厂站站接线图、
配电网单线图以及低压台区接线图。
结合电网运行数据(包括负荷、母线电压、电量和电网运行方式数据),实现主网、配电网和低压网的全电压等级线损理论计算。
参照计算评估标准对计算结果进行评估,按照“四分”原则进行数据汇总,定制生成电网理论线损计算汇总统计报表及电网理论线损计算分析报告。
理论线损计算是基于电网实时监测装置监测的海量数据,结合电网拓扑结构,运行方式以及系统参数等数据,计算各电网元件电能损耗量。
整个电力网电能损耗计算可以分解为如下元件的电能损耗计算:
1)35kV及以上交流线路及变压器。
2)20kV交流线路及公用配电变压器。
3)10kV交流线路及公用配电变压器。
4)6kV交流线路及公用配电变压器。
5)0.4kV及以下电力网。
6)其他交流元件,如并联电容器、并联电抗器、调相机、电压互感器和站
用变压器等。
7)直流线路、接地极系统和换流站(如换流变压器、换流阀、交流滤波器、平波电抗器、直流滤波器、并联电抗器、并联电容器和站用变压器)等高压直流输电系统。
理论计算方法主要有平均电流法、等值电阻法等。
通过理论计算各电网元件的理论线损量,可以找出导致线损异常的设备,实现线损异常定位。
理论线损率表达式为理论线损率二(本网理论线损电量/计算供电量)x100%
3.2.1.2智能线损评估
由于理论计算存在着假设简单,计算复杂等缺点,因此提出了利用大数据方法对线损进行预测估计的方法来进行补充。
基于大数据的智能线损评估,首先要利用电力公司线损系统、生产管理系统(PMS、营销系统(CMS的多源数据,构建线损特征数据库,然后再利用基于聚类算法的随机森林算法模型进行线损评估。
将评估结果与理论计算结果进行比较,帮助工作人员确定线损异常原因。
3.2.2管理线损分析管理线损是由电力公司在营销管理过程中由于管理不当造成的电能损失,主
要由设备信息异常、通信异常和窃电损失造成。
3.2.2.1设备信息异常和通信异常
集成GIS、营销、计量系统基础台账数据,利用决策树分类算法实现GIS与
营销、GIS与计量、营销与计量三个系统变电站、线路、配变数据的分类与匹配,分析各系统间设备台账一致率、匹配率,从而进行针对性治理设备信息异常和通信异常,提高基础数据准确性,减少不必要的电能损失。
主要步骤为:
(1、集成GIS营销、计量三个业务系统的基础台账,利用决策树算法进行分类,实现基础台账的一致性匹配检查。
(2、按区域对业务系统数据匹配情况进行图表展现。
(3、对不匹配数据提供逐级钻取功能,分析不匹配数据原因。
3.2.2.2窃电分析
窃电损失作为管理线损的重要组成部分,每年都会给国家带来巨大的经济损失,据统计,在美国,电力公司每年会因为窃电而损失大约60亿美元,而我国每年因为窃电造成的经济损失有200亿元,窃电不仅损害了国家和供电企业的经济利益,而且严重影响了社会经济的正常发展。
同时,窃电还存在着比较大的安全隐患,影响着电网的安全运行,如造成线路短路,引发火灾,给其他用户的正常用电带来了较大影响。
窃电分析主要分为三个部分组成,典型用电特征分析、异常用电检测和窃电检测。
主要流程如图3-2所示,
典型用电特征
用户分类
层级分类
异常用电
窃电检测
相关系数
欧氏距离
SVRPS
检测算法
图3-2窃电分析流程图
首先,利用基于决策树思想的层级分类法结合聚类算法,利用电压等级、年
用电负荷特征、日用电负荷特征分别作为三级分类节点,分别对海量用电数据进
行精细化分类,挖掘典型用电特征。
1选择电压等级为第一级节点,对用户进行分类;
2挖掘年负荷曲线特征属性,例如负荷率,假期用电差异,峰谷用电差异等,作为第二级节点,对用户进行聚类;
3挖掘日负荷曲线特征属性,例如负荷率,峰谷用电等,作为第三级节点,对用户进行聚类;
4分析用户典型用电特征。
其次,利用特征匹配法对比典型用电特征与用户或计量点用电行为特征,检
测异常用电;
最后,利用基于SVM算法(SupportVectorMachine,SVM)改进的支持向量机回归算法(SupportVectorRegression,SVR,并利用粒子群算法(ParticleSwarmOptimization,PSO)对其进行优化,建立窃电检测模型,对异常用电用户或计量点的窃电行为作进一步检测。
3.3关联关系分析
将理论线损分析模块和管理线损分析模块得出的线损分析数据(包括线损率、线损原因)集成线损特征数据库,利用决策树算法将线损按照分线、分压、分台区以及线损原因进行分类,得出各地区线损分类排行,将数据导入可视化模块,通过GIS地图进行综合展示,地图显示界面同时含各线损因素评估数据,各
地区线损排序情况等直观报表。
将分类后的线损数据利用Apriori关联算法进行关联分析,结合电力系统物理特征,构建关联规则,进行综合评估,形成各级线损产生因素及其占比。
关联法则分析是一种从事物数据集中挖掘频繁项集的工具,旨在揭示事物之间存在的关联关系。
线损的关联分析用于分析线损各因素、物理连接关系或各项线损之间存在的相关关系和关联规律,可用于研究线损的产生相关关系或线损之间的相关关系。
可以对电力公司电网运行、检测、降损提供重要的指导作用
4.主要技术理论
4.1理论线损分析4.1.1理论计算
(1)平均电流法
平均电流法的基本思想为:
一段时间平均电流在线路中损耗掉的电能与在相
同时间段实际负荷电能的损耗是相等的。
线损计算时要乘以小于1的修正系数,
就是为了减少等效带来的误差。
计算公式为:
(4-1)
式中,二代表日线路损耗电量,R为线路电阻,t为线路实际运行时间,代表日平均电流,K为形态系数。
优点:
算法简单,只需要知道平均电流和计算出形状系数就可W求得线损;
电量较容易获得,并且形态系数有一定的公式可循,省去了大量计算工作量。
缺点:
没有考虑负荷曲线变化带来的误差;形态系数值大小和负荷曲线有密切的关系,形态系数伴随负荷曲线变化而变化;计算中只考虑负荷季度的变化,不考虑负荷昼夜的变化,这必然降低计算结果的精准性。
(2)等值电阻法
基本思想是在低压配电线路首端假设一个等值的线路电阻,该等值电阻产生
的损耗等于各个分段线路分段电阻在同时间产生的损耗。
已知线路首端的电流、电压和负荷数据时,可以计算出首端代表日平均电流區d,平均电压耳和形态系数K。
根据线路上各节点日平均有功电能求得各节点的平均电流为:
(4-2)
已知各个线路段的平均电流和电阻,可以计算出各个线路段代表日损耗电能,公式为:
(4-3)
=31a^K2x24x10
等值电阻的优点:
改进的均方根电流方法,解决了低压配电网线损难计算的问题;不需要收集很多数据,根据配电网结构参数计算出等值电阻后就可以进行线损的计算;当配电网结构没发生变化时等值电阻可直接使用。
等值电阻的缺点:
推导等值电阻时,没有考虑实际负荷情况和三相不平衡对
线损的影响,从而该等值电阻求出的线损存在一定的误差。
4.1.2基于聚类的随机森林算法
随机森林算法是一种集成学习算法,它是一系列的回归树的集合,其输出是所有回归树的预测值的平均值。
随机森林算法采用自助重采样技术,克服了回归树的过拟合问题,大幅提高了模型的性能;而且能够处理高维度数据,适用于数值型变量和类别型变量;可以并行化处理,以适应大数据集。
随机森林算法的步骤如下:
a.
yn};
设训练集中预测变量为X={x1,x2,…,xn},响应变量为丫={y1,y2,…,
b.
对b=1,2,…,bs重复步骤c、d;
c.
集;
通过自助重抽样技术从X、丫中随机选择一个子样本集Xb、Yb作为训练
d.
对Xb、Yb训练一个回归树模型rfb。
在回归树的训练中,采用分类回归树CAR(TClassificationAndRegressionTree)算法。
它是一种二分递归分割的技术,将当前的训练集分成2个子训练集,使得生成的树的每个非叶子节点都有2个分支。
非叶子节点代表特征,叶子节点就是树模型给出的预测值。
基于聚类的随机森林模型如图4-1所示,
首先要利用电力公司线损系统、生产管理系统(PMS营销系统(CMS的多源数据,构建线损特征数据库。
其次,对于分类部分,从线损特征数据库中选择相应的特征,然后利用层次聚类算法进行聚类分析。
对已经分好类的台区,利用决策树算法进行精细分类,建立分类模型,用于线损率估计部分。
最后,对于估计模型部分,首先根据台区类型选择相应的台区特征输入随机森林算法,算法输出相应台区的随机森林模型,最后给出各类台区的估计模型。
估计模型估计的是连续变量,采用平均绝对误差MAE(MeanAbsoluteError)和标准化均方误差NMS(ENormalizedMeanSquaredError)指标衡量。
图4-1基于聚类的随机森林模型
4.2窃电分析
窃电分析主要分为三个部分组成,典型用电特征分析、异常用电检测和窃电检测。
4.2.1典型用电特征分析
典型用电特征分析的核心就是对用户进行精细化分类。
本项目拟采用基于决
策树思想的层级分类结合聚类算法的方法对海量用户进行精细化分类。
(1)层级分类法
层级分类法是基于决策树思想的新型分类方法。
它的主要思想就是运用不同的节点将海量用户不断细分,类似于一个树杈形状。
该方法的重点在于节点的选取,节点一定要具有科学性、可操作性。
本项目中拟采用的节点如下:
1选择电压等级为第一级节点,对用户进行分类;
2挖掘年负荷曲线特征属性,例如负荷率,假期用电差异,峰谷用电差异等,作为第二级节点,对用户进行聚类;
3挖掘日负荷曲线特征属性,例如负荷率,峰谷用电等,作为第三级节点,对用户进行聚类。
(2)FCM算法
FCM算法是一种基于划分的聚类算法,它的思想就是使得被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小。
模糊C均值算法是普通C
均值算法的改进,普通C均值算法对于数据的划分是硬性的,而FCM则是一种柔性的模糊划分。
FCM算法步骤如下:
步骤1:
用值在0,1间的随机数初始化隶属矩阵U,使其满足式(4-4)中的约束条件。
£(-_—打.“”
(4-4)
步骤2:
用式(4-5)计算c个聚类中心ci,i=1,…,c
(4-5)
步骤3:
根据式(4-6)计算价值函数。
如果它小于某个确定的阀值,或它
(4-6)
相对上次价值函数值的改变量小于某个阀值,则算法停止,否则继续步骤4
其中,—表示第i个聚类中心与第j个数据点之间的欧几里得距离
步骤4:
用式(4-7)计算新的U矩阵。
返回步骤2
(4-7)
4.2.2异常用电检测
异常用电检测,其实就是通过比对用户用电行为与典型特征,如果相差过大则说明该用户用电行为发生了改变,即判定为异常用电。
通过对用户进行精细化分类,得到典型用电特征,反映了用户正常用电情况下的用电特征,通过计算用户的日负荷曲线与其日负荷特征曲线相似性就可以筛选出疑似异常用电用户,然
后再比对该类用户的其他用电特征,便可以得出异常用电用户。
由于用户的负荷曲线是由一系列与时间顺序的相关的负荷值所组成的,因此可以采用基于时间序列的相似性来度量来判断两条曲线之间的匹配度。
常用的相似性度量有相关系数和欧氏距离。
(1)基于相关系数的相似性度量
相关系数反映的是变量之间线性相关度的一种度量。
通过相关系数我们就可以知道两条曲线之间的变化趋势。
在用户正常的用电情况下,用户的负荷变化一般会有一定的规律,因此可以采用相关系数作为评价用户负荷曲线与其负荷特征曲线之间的相似性。
假设用户考察日的负荷曲线为x=(E!
…,冋),用户日负荷特征曲线为
L=(|y;j则相关系数r为:
£=】(叫-刁
通过计算两条负荷曲线之间的相关系数我们就可以判断曲线的变化趋势。
若相关系数越大大,则说明两条曲线之间的相似度越大;若相关系数越小,则说明两条曲线之间的相似度越小,越有窃电的嫌疑。
(2)基于欧氏距离的相似性度量
欧氏距离可以看作是多维空间点与点的几何距离。
欧氏距离侧重于考虑了两
条曲线在值上的相关性。
两条负荷曲线之间的欧氏距离为:
件9)
当两条负荷曲线之间的欧氏距离越大时,则说明曲线之间的相似性越小,越
有窃电的嫌疑;当两条负荷曲线之间的欧氏距离越小时,则说明曲线之间的相似
性越大,窃电嫌疑越小。
本项目在进行相似性度量之后,若有窃电嫌疑,要再与该类用户其他典型特征进行匹配,例如学校在假期时用电减少,但不能判定为异常用电。
423基于PSO优化的SVR窃电检测模型
支持向量机回归(SupportVectorRegression,SVR是用于解决回归问题的支持向量机。
它是建立在支持向量机(SupportVectorMachine,SVM)的原理
上的,广泛用于预测、异常检测等领域,与BP神经网络相比,不会受到样本的
影响而陷入局部最优解。
SVR的基本思想如下:
设训练样本集为(x1,y1),(x2,y2),…,(xn,yn),xi位m维向量,yi为对应的目标值,线性回归函数为『(力二川,我们需要寻找w使得f(x)与y
之间的差值最小,所以线性回归问题可以转换成约束条件下的最优解问题。
采用
拉格朗日乘子法求解约束问题,最后得到的线性回归函数为:
心)=廿;血-必)山勺+片(4-10)
引入核函数怨内)=祖忑)’叫勺1,最后求得非线性拟合函数为:
代羽=》;:
1耳引工)何-叮)+片(4-11)
粒子群算法(ParticleSwarmOptimization,PSO来源于鸟类觅食过程的模拟和研宄。
它的基本思想是通过群体之间的协作和信息共享来寻找最优解。
粒
子群算法具有记忆特点,可以动态跟踪当前的搜索状态,调整搜索策略。
粒子群算法相对于其他算法来说比较简单,收敛速度比较快,而且具有较好的全局搜索性。
PSO-SV算法的流程如下图所示:
图4-2PSO-SVR算法的流程图
PSO-SV算法的主要步骤如下:
Step1:
选择训练样本数据;
Step2:
设置PSO勺相关参数,如种群规模、惯性权重系数、迭代终止条件、粒子的速度和位置的围;
Step3:
初始化粒子种群,包括每个粒子的初始位置和初始速度;
Step4:
通过训练样本数据以及粒子的位置参数建立SVR模型,并计算其k-折交叉验证的平均均方误差作为每个粒子的适应度函数值;
Step5:
对每个粒子更新其当前最优位置以及粒子群的全局最优位置;
Step6:
更新每个粒子的速度以及位置;
Step7:
判断是否结束,若结束,则输出最优参数,否则跳转到Step4;
Step8:
将最优参数带入到SVR模型中并通过样本数据进行训练得到SV
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 分析 智能 评估 系统 方案