白 練，張舒杰，王春雨

（國網(wǎng)浙江嵊泗縣供電公司，浙江 舟山 202450）

0 引 言

隨著電力用戶的陸續(xù)接入，區(qū)域電網(wǎng)負荷不斷增加，在負荷高峰時部分配變處于重過載狀態(tài)，有效的重過載風(fēng)險預(yù)測能夠減少或者避免配電網(wǎng)故障。此外對于電力系統(tǒng)的規(guī)劃工作，準(zhǔn)確的重過載預(yù)測是整個電力系統(tǒng)規(guī)劃工作的前提。進入新世紀后，隨著中國的電力系統(tǒng)市場化、電力人員精簡化、電力資源共享化的進程日益加快，重過載風(fēng)險預(yù)測作為現(xiàn)代預(yù)測評估系統(tǒng)中最重要的核心之一，具有極強的實際意義。

在配電網(wǎng)配變重過載影響因素方面，有關(guān)研究分析了氣象指標(biāo)、用電類型、行業(yè)類型與配變重過載的概率關(guān)系，分析了重過載原因[1]。在預(yù)測方法方面，文獻[2]對負荷快速增長區(qū)域，從用戶本身、氣象數(shù)據(jù)和歷史數(shù)據(jù)出發(fā)，提出了臺區(qū)中長期重過載預(yù)測算法，該方法基于邏輯回歸概念；文獻[3]針對春節(jié)期間的重過載的預(yù)測情況，考慮春節(jié)時間短、樣本數(shù)量較少的問題，利用BP神經(jīng)網(wǎng)絡(luò)和灰色模型對樣本開展預(yù)測，從而判斷設(shè)備重過載情況。文獻[4]以一周的居民用戶臺區(qū)數(shù)據(jù)為周期，以每周每天共7類負荷曲線為研究對象，并加入了氣象和經(jīng)濟等外部數(shù)據(jù)。但該研究沒有考慮負荷一年四季的變化，預(yù)測效果有待提升。在預(yù)測模型方面，文獻[5]基于線性回歸模型，研究了不同模型處理下預(yù)測精確度的不同，然后通過實際案例，說明了通過對模型中訓(xùn)練節(jié)點進行簡單分解，能夠有效提高預(yù)測精度，但實際案例只采用了天氣和時間數(shù)據(jù)兩種外部數(shù)據(jù)進行算法模型的訓(xùn)練，考慮的影響因素不夠多。在影響因素方面，文獻[6]通過關(guān)聯(lián)規(guī)則提取重過載影響因素。

本文通過對配電網(wǎng)臺區(qū)運行負荷數(shù)據(jù)的分析，結(jié)合重過載內(nèi)外部因素，設(shè)計預(yù)測算法，建立重過載預(yù)測模型，最后運用BP神經(jīng)網(wǎng)絡(luò)方法對模型進行驗證，以達到重過載風(fēng)險預(yù)測的目的。

1 臺區(qū)重過載相關(guān)模型

對于臺區(qū)重過載模型而言，常用多元回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型。其中BP神經(jīng)網(wǎng)絡(luò)算法適應(yīng)性較好，能夠有效解決重過載預(yù)測相關(guān)問題。該算法可以很好地解決多影響因素的現(xiàn)實問題，可以綜合考慮各類影響因素。通過數(shù)據(jù)的學(xué)習(xí)提高預(yù)測準(zhǔn)確度，滿足工程預(yù)測需求。

2 臺區(qū)重過載數(shù)據(jù)處理與分析

首先根據(jù)重過載的定義，配電變壓器在正常使用周期中，承受接近或超過其正常負荷值的運行狀態(tài)稱為變壓器重過載運行狀態(tài)。通常情況下，變壓器負荷介于其銘牌容量的70%～100%范圍內(nèi)定義為重載狀態(tài)；超過銘牌容量的100%時，稱為過載狀態(tài)。變壓器發(fā)生重載、過載狀態(tài)是允許短時間內(nèi)持續(xù)，通常不超過2 h。若超過這個時間，就會引發(fā)各種故障或事故。對于96點有功功率數(shù)據(jù)，重過載的定義相應(yīng)調(diào)整為：每天配變功率曲線中，重載為連續(xù)兩個或以上點三相負載率中的最大值超過80%；過載為連續(xù)3個點負載率超過100%。以此作為判定是否重過載的條件。

選取線路上一臺具有代表性、數(shù)據(jù)缺失較少、所在位置天氣數(shù)據(jù)易收集的配電變壓器進行分析，作為重過載風(fēng)險預(yù)測的研究對象。為了使數(shù)據(jù)便于進一步分析，需要對原始數(shù)據(jù)進行數(shù)據(jù)變換和缺失補齊等數(shù)據(jù)變換操作。從審查系統(tǒng)數(shù)據(jù)庫和互聯(lián)網(wǎng)中抽取多類型數(shù)據(jù)，通過數(shù)據(jù)集成將不同源數(shù)據(jù)歸類統(tǒng)一。按照日期時間為索引將氣象數(shù)據(jù)與臺區(qū)功率數(shù)據(jù)合并為一張表，刪除冗余屬性。通過電能質(zhì)量大數(shù)據(jù)清洗對整理的配變負荷數(shù)據(jù)進行預(yù)處理。通過對明顯異常數(shù)據(jù)進行修正和空缺數(shù)據(jù)的補充，可以提高后續(xù)數(shù)據(jù)處理的精度。

對于外部數(shù)據(jù)，經(jīng)過關(guān)聯(lián)分析，溫度是影響負荷的重要影響因素，日類型次之，則本BP模型算法采用這兩個外部數(shù)據(jù)作為模型輸入量的補充。

3 基于Matlab BP神經(jīng)網(wǎng)絡(luò)工具的風(fēng)險預(yù)測

對于做Matlab中BP神經(jīng)網(wǎng)絡(luò)問題時，訓(xùn)練函數(shù)逼近時，將現(xiàn)有樣本其中80%的數(shù)據(jù)作為訓(xùn)練樣本，其余數(shù)據(jù)為測試樣本，當(dāng)然比例可以設(shè)定，但依然需要滿足最基本的訓(xùn)練樣本多余測試樣本的原則。

圖1為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果圖，其中最上方的第一部分Neural Network是神經(jīng)結(jié)構(gòu)圖，可見輸入層、輸出層和輸出層的個數(shù)，均可直接得到；第二部分是訓(xùn)練算法（Algorithms），此部分說明了數(shù)據(jù)的處理方式，如采用隨機（Random）對原始數(shù)據(jù)進行處理，性能（Performance）采用均方誤差（MSE）的最大值；第三部分訓(xùn)練進度（Progress）即是顯示程序目前或者結(jié)果的運行狀況。其中訓(xùn)練次數(shù)（Epoch）是人為規(guī)定的，可以設(shè)置為20 000次。時間（Time）為10 s。對于性能（Performance），由于這里采用MSE最大值，則進度條中顯示的是當(dāng)前的均方誤差。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)果示意圖

訓(xùn)練完成的條件為實時均方誤差值小于設(shè)置的值。對這里的BP神經(jīng)網(wǎng)絡(luò)算法來說，泛化能力檢查是指如果連續(xù)20 000次訓(xùn)練后，訓(xùn)練誤差不降反升，則結(jié)束訓(xùn)練。

4 算例分析

以四川某地典型配變?yōu)槔M行重過載風(fēng)險預(yù)測分析。根據(jù)重載閾值為80%，過載閾值為100%，設(shè)置預(yù)警值為70%，為優(yōu)化算法減少耗時，并與負荷預(yù)測進行區(qū)分，低于70%的點值不預(yù)測，高于70%的點值才做預(yù)測?？紤]到夏季負荷比冬季負荷更具有代表性，選取某年7月份數(shù)據(jù)進行分析。日負荷中往往負荷高峰出現(xiàn)在晚高峰，選擇96個功率數(shù)據(jù)點中的56—96點，每天47點，一個月共1 410點數(shù)據(jù)作為模型的原始數(shù)據(jù)。

對于原始數(shù)據(jù)，由于數(shù)據(jù)具有黑箱理論，即事先并不知道過載的點在哪里，且由于外部數(shù)據(jù)和內(nèi)部數(shù)據(jù)的匹配性并不是很好，即功率數(shù)據(jù)為每天96點，15 min為一個間隔，但由于氣象數(shù)據(jù)的模糊性和局限性，只有每天的氣象數(shù)據(jù)，作為對點驗證，采用堆積劃分訓(xùn)練集和測試集的方法進行建模。經(jīng)過權(quán)衡，且為了減少誤差，選擇預(yù)測點前兩天的n-1時刻，n-2時刻和n-3時刻，以及前兩天的外部數(shù)據(jù)，一共8個輸入量作為模型的輸入。采用Matlab中的神經(jīng)網(wǎng)絡(luò)工具包進行預(yù)測。

根據(jù)以上算法，結(jié)合BP神經(jīng)網(wǎng)絡(luò)和多次驗證后，輸出結(jié)果如圖2和圖3所示。最后結(jié)果平均誤差率為0.159 6，平均準(zhǔn)確率為0.840 4。

圖2 預(yù)測結(jié)果1

圖3 預(yù)測結(jié)果2

為了對比輸入量的多少對預(yù)測結(jié)果準(zhǔn)確度、誤差以及耗時的影響，現(xiàn)減少輸入量，分作4種方案進行神經(jīng)網(wǎng)絡(luò)計算。

方案一，原始8個輸入量；方案二，減去溫度，其余保留；方案三，減去日類型，其余保留；方案四，減去前天的n-1、n-2、n-3功率數(shù)據(jù)，其余保留。論證分析結(jié)果如表1所示。

表1 對比論證分析結(jié)果表

可見減少溫度和日類型后，平均誤差率均上升，平均準(zhǔn)確率均下降，但減去部分功率數(shù)據(jù)后雖誤差有部分下降，準(zhǔn)確率有上升，但存在過擬合的現(xiàn)象，綜上所述，使用8個輸入量的模型預(yù)測效果較好。

5 結(jié) 論

對于BP神經(jīng)網(wǎng)絡(luò)算法，為減小耗時、提高機器運算速度，選擇7月份每天的50—96個功率點進行建模。并根據(jù)前面的初步整理分析，選擇關(guān)聯(lián)度最高的兩個外部數(shù)據(jù)作為算法數(shù)據(jù)的補充。得出基本誤差和準(zhǔn)確率后，為進一步論證準(zhǔn)確率和原始數(shù)據(jù)的關(guān)系，采用不同方案進行對比，有步驟地對原始數(shù)據(jù)進行削減，得出原始數(shù)據(jù)準(zhǔn)確率最高、結(jié)果最優(yōu)的結(jié)論，最后根據(jù)重過載預(yù)測的結(jié)果來發(fā)布預(yù)警信息。