配电网台区重过载风险预测方法

白 练，张舒杰，王春雨

（国网浙江嵊泗县供电公司，浙江 舟山 202450）

0 引 言

随着电力用户的陆续接入，区域电网负荷不断增加，在负荷高峰时部分配变处于重过载状态，有效的重过载风险预测能够减少或者避免配电网故障。此外对于电力系统的规划工作，准确的重过载预测是整个电力系统规划工作的前提。进入新世纪后，随着中国的电力系统市场化、电力人员精简化、电力资源共享化的进程日益加快，重过载风险预测作为现代预测评估系统中最重要的核心之一，具有极强的实际意义。

在配电网配变重过载影响因素方面，有关研究分析了气象指标、用电类型、行业类型与配变重过载的概率关系，分析了重过载原因[1]。在预测方法方面，文献[2]对负荷快速增长区域，从用户本身、气象数据和历史数据出发，提出了台区中长期重过载预测算法，该方法基于逻辑回归概念；文献[3]针对春节期间的重过载的预测情况，考虑春节时间短、样本数量较少的问题，利用BP神经网络和灰色模型对样本开展预测，从而判断设备重过载情况。文献[4]以一周的居民用户台区数据为周期，以每周每天共7类负荷曲线为研究对象，并加入了气象和经济等外部数据。但该研究没有考虑负荷一年四季的变化，预测效果有待提升。在预测模型方面，文献[5]基于线性回归模型，研究了不同模型处理下预测精确度的不同，然后通过实际案例，说明了通过对模型中训练节点进行简单分解，能够有效提高预测精度，但实际案例只采用了天气和时间数据两种外部数据进行算法模型的训练，考虑的影响因素不够多。在影响因素方面，文献[6]通过关联规则提取重过载影响因素。

本文通过对配电网台区运行负荷数据的分析，结合重过载内外部因素，设计预测算法，建立重过载预测模型，最后运用BP神经网络方法对模型进行验证，以达到重过载风险预测的目的。

1 台区重过载相关模型

对于台区重过载模型而言，常用多元回归模型和BP神经网络模型。其中BP神经网络算法适应性较好，能够有效解决重过载预测相关问题。该算法可以很好地解决多影响因素的现实问题，可以综合考虑各类影响因素。通过数据的学习提高预测准确度，满足工程预测需求。

2 台区重过载数据处理与分析

首先根据重过载的定义，配电变压器在正常使用周期中，承受接近或超过其正常负荷值的运行状态称为变压器重过载运行状态。通常情况下，变压器负荷介于其铭牌容量的70%～100%范围内定义为重载状态；超过铭牌容量的100%时，称为过载状态。变压器发生重载、过载状态是允许短时间内持续，通常不超过2 h。若超过这个时间，就会引发各种故障或事故。对于96点有功功率数据，重过载的定义相应调整为：每天配变功率曲线中，重载为连续两个或以上点三相负载率中的最大值超过80%；过载为连续3个点负载率超过100%。以此作为判定是否重过载的条件。

选取线路上一台具有代表性、数据缺失较少、所在位置天气数据易收集的配电变压器进行分析，作为重过载风险预测的研究对象。为了使数据便于进一步分析，需要对原始数据进行数据变换和缺失补齐等数据变换操作。从审查系统数据库和互联网中抽取多类型数据，通过数据集成将不同源数据归类统一。按照日期时间为索引将气象数据与台区功率数据合并为一张表，删除冗余属性。通过电能质量大数据清洗对整理的配变负荷数据进行预处理。通过对明显异常数据进行修正和空缺数据的补充，可以提高后续数据处理的精度。

对于外部数据，经过关联分析，温度是影响负荷的重要影响因素，日类型次之，则本BP模型算法采用这两个外部数据作为模型输入量的补充。

3 基于Matlab BP神经网络工具的风险预测

对于做Matlab中BP神经网络问题时，训练函数逼近时，将现有样本其中80%的数据作为训练样本，其余数据为测试样本，当然比例可以设定，但依然需要满足最基本的训练样本多余测试样本的原则。

图1为BP神经网络训练结果图，其中最上方的第一部分Neural Network是神经结构图，可见输入层、输出层和输出层的个数，均可直接得到；第二部分是训练算法（Algorithms），此部分说明了数据的处理方式，如采用随机（Random）对原始数据进行处理，性能（Performance）采用均方误差（MSE）的最大值；第三部分训练进度（Progress）即是显示程序目前或者结果的运行状况。其中训练次数（Epoch）是人为规定的，可以设置为20 000次。时间（Time）为10 s。对于性能（Performance），由于这里采用MSE最大值，则进度条中显示的是当前的均方误差。

图1 BP神经网络结果示意图

训练完成的条件为实时均方误差值小于设置的值。对这里的BP神经网络算法来说，泛化能力检查是指如果连续20 000次训练后，训练误差不降反升，则结束训练。

4 算例分析

以四川某地典型配变为例进行重过载风险预测分析。根据重载阈值为80%，过载阈值为100%，设置预警值为70%，为优化算法减少耗时，并与负荷预测进行区分，低于70%的点值不预测，高于70%的点值才做预测。考虑到夏季负荷比冬季负荷更具有代表性，选取某年7月份数据进行分析。日负荷中往往负荷高峰出现在晚高峰，选择96个功率数据点中的56—96点，每天47点，一个月共1 410点数据作为模型的原始数据。

对于原始数据，由于数据具有黑箱理论，即事先并不知道过载的点在哪里，且由于外部数据和内部数据的匹配性并不是很好，即功率数据为每天96点，15 min为一个间隔，但由于气象数据的模糊性和局限性，只有每天的气象数据，作为对点验证，采用堆积划分训练集和测试集的方法进行建模。经过权衡，且为了减少误差，选择预测点前两天的n-1时刻，n-2时刻和n-3时刻，以及前两天的外部数据，一共8个输入量作为模型的输入。采用Matlab中的神经网络工具包进行预测。

根据以上算法，结合BP神经网络和多次验证后，输出结果如图2和图3所示。最后结果平均误差率为0.159 6，平均准确率为0.840 4。

图2 预测结果1

图3 预测结果2

为了对比输入量的多少对预测结果准确度、误差以及耗时的影响，现减少输入量，分作4种方案进行神经网络计算。

方案一，原始8个输入量；方案二，减去温度，其余保留；方案三，减去日类型，其余保留；方案四，减去前天的n-1、n-2、n-3功率数据，其余保留。论证分析结果如表1所示。

表1 对比论证分析结果表

可见减少温度和日类型后，平均误差率均上升，平均准确率均下降，但减去部分功率数据后虽误差有部分下降，准确率有上升，但存在过拟合的现象，综上所述，使用8个输入量的模型预测效果较好。

5 结 论

对于BP神经网络算法，为减小耗时、提高机器运算速度，选择7月份每天的50—96个功率点进行建模。并根据前面的初步整理分析，选择关联度最高的两个外部数据作为算法数据的补充。得出基本误差和准确率后，为进一步论证准确率和原始数据的关系，采用不同方案进行对比，有步骤地对原始数据进行削减，得出原始数据准确率最高、结果最优的结论，最后根据重过载预测的结果来发布预警信息。