吴 裔，李 凡，田英杰，郭乃网，阮静娴

(国网上海市电力公司电力科学研究院，上海 200437)

配电网由架空(或入地)线路、杆塔、电缆、配电变压器、开关设备、无功补偿电容等配电设备及其附属设施组成。配电变压器、线路等主要设备发生重过载事件表明配电网供电能力难以满足高峰用电需求。其中，配电变压器重过载是指配电变压器在运行状态中承受的负荷接近或超过额定容量，线路重过载是指线路在运行状态中通过的电流接近或超过最大允许电流。一般而言，负荷介于额定容量70%～100%之间的配电变压器处于重载状态，负荷超过额定容量的处于过载状态；类似地，通过电流介于最大允许电流75%～100%之间的双环网线路处于重载状态，电流超过最大允许电流的处于过载状态。配电网设备重过载会影响电网安全稳定运行。以配电变压器为例，长期重过载运行可能引起绕组、线夹、引线等部件的温度上升，导致变压器绝缘受损、损耗增加，致使变压器短路、烧损等严重事故的发生。

目前，配电网设备的负载率预测和重过载预警以基于专家经验的人工方式为主，存在预测预警的准确性不高、及时性不强等缺点。近年来，基于人工智能的负载率预测方法已成为研究热点[1-14]。与基于统计分析的方法相比，基于人工智能的方法对复杂线性和非线性关系的拟合能力更强，能够更深入地挖掘数据之间的关联。本文研究设计基于人工智能的配电网设备负载预测预警系统，根据负载预测结果预警配电变压器、线路的重过载状态，为业务人员的日常工作提供技术支撑。

1 配电网设备负载率预测

1.1 预测框架

给出配电网的配电变压器、馈线的负载率预测功能设计，整个预测流程主要包括以下步骤。

步骤1：数据清洗。对配电变压器、馈线的历史负载率数据的异常值和缺失值进行修正。

步骤2：聚类分析。根据负载率曲线特征，将配电变压器、馈线划分为多类。

步骤3：关联分析。对每一类配电变压器、馈线，量化评估其负载率与温度、湿度、气压等气象特征的相关性。

步骤4：建模预测。对每一类配电变压器、馈线，构建单日96点的负载率预测模型。

1.2 数据清洗

对配电变压器、线路的单日96点负载率的历史时序数据执行数据清洗：采用离群点检测方法检出数据中的异常值并将异常值设置为缺失值；根据不同的缺失情况采用相应方法填充每个缺失区间。

情况1：缺失区间的时间跨度不超过1 h。基于负载率变化的局部相似性规律，使用上一小时的同时段数据进行填充。

情况2：缺失区间的时间跨度不超过1 d。基于负载率变化的日历周期规律，使用上一周同时段数据进行填充。

情况3：缺失区间的时间跨度不超过1个月。基于负载率变化的日历周期规律，使用上一月同时段数据进行填充。

情况4：缺失区间的时间跨度超过1个月。丢弃该条时序数据。

1.3 聚类分析

按照欧氏距离计算负载率曲线的相似度，采用层级聚类法将配电变压器划分为多类。以沿海某城市124台配电变压器为例，对同一周内的96点负载率曲线进行聚类，将所有配电变压器划分为住宅类、商业类、混用类，结果如图1至图3所示。由分析可知，三类配电变压器的负载率曲线均呈现以日为单位的周期特征。其中：住宅类和商业类的峰值区间波形分别为尖峰型和平台型，峰值时间与居民下班时间、企业营业时间相符；混用类峰值区间波形兼有住宅类和商业类的特征，该类配电变压器的典型供电对象是一楼为商店，一楼以上为居民的商住混合型楼宇。馈线的分类与其挂设的配电变压器分类一致。

图1 住宅类配电变压器负载率曲线

图2 商业类配电变压器负载率曲线

图3 混用类配电变压器负载率曲线

1.4 关联分析

采用皮尔逊相关性分析法量化评估配电变压器负载率与温度、湿度、气压等气象特征的关联性。以沿海某城市124台配电变压器为例，采用式(1)计算配电变压器负载率与同时期气象特征之间的皮尔逊相关系数。

(1)

沿海某城市住宅类配电变压器2017年的日负载率与温度、温度平方、气压、湿度的皮尔逊相关系数如图4所示。由图4可知：负载率与温度、温度平方、气压的相关性较强，相关系数分别为0.60，0.69，-0.58；负载率与气压的相关性较弱，相关系数为-0.13。进一步地，图5展示了2017—2018年某配电变压器日负载率按气温区间划分的分布情况。由图5可知，气温在30 ℃以上时，配电变压器的负载率水平显著上升，容易发生重过载事件。

图4 住宅类配电变压器日负载率与气象特征的相关性热力图

图5 按气温区间划分的住宅类配电变压器日负载率分布箱线图

住宅类线路2017年的负载率与温度、湿度、气压的皮尔逊相关系数如图6所示。由图6可知，日负载率与温度、湿度、气压等气象因素的相关系数介于-0.23～0.29之间，表明线路的负载率与气象特征的关联性“不显著”，尤其与湿度的关联性较低。

图6 住宅类线路日负载率与气象特征的相关性热力图

按照设计的步骤，分别计算各类配电变压器、馈线与气象特征之间的皮尔逊相关系数，基于相关系数确定数据建模过程中各特征的权重。

1.5 建模预测

为每类配电变压器、馈线建立基于门限递归单元(Gated Recurrent Unit，简称GRU)的Seq2Seq负载率预测模型，训练样本为历史单日96点负载率数据和同时段同采集频度的气象数据。模型的输入为前一日96点负载率数据和后一日气象数据，输出为后一日96点负载率数据。

如式(2)和(3)所示，为评估负载率预测误差，引入均方根误差RMSE和平均绝对百分比误差MAPE。

(2)

(3)

沿海某城市典型配电变压器和线路的负载率预测结果如表1和表2所示。配电变压器预测的RMSE在0.01～0.04之间，MAPE在6%～8%之间；与之相比，线路的预测误差略高，RMSE在0.05～0.06之间，MAPE在5%～9%之间。

表1 典型配电变压器负载率预测性能指标

表2 典型线路负载率预测性能指标

2 配电网元件重过载预警

2.1 预警框架

给出了配电网的配电变压器、馈线的重过载预警功能设计，整个预警流程主要包括以下步骤。

步骤1：对象过滤。根据历史负载率特征，从所有配电变压器和线路中筛选出需要关注的对象。

步骤2：状态预警。预测关注对象未来一日的96点负载率，判断是否存在重过载风险。

2.2 对象过滤

基于负载率指标的过滤流程如图7所示。由于配电变压器、线路的数量规模庞大，需根据负载率指标设置二级监测指标和二级关注状态，过滤出重点关注对象。

图7 基于负载率指标的过滤流程

一级指标：从当前时点回溯53周内的最高负载率不超过50%。

一级关注：满足一级指标的配电变压器、线路处于一级安全状态，否则处于一级关注状态。

二级指标：去年同时点±7日的最高负载率不超过50%，并且从当前时点回溯7日内最高负载率不超过50%。

二级关注：对于处于一级关注状态的配电变压器、线路，若其满足二级指标，则处于二级安全状态，否则处于二级关注状态。

考虑到预测误差，这些指标体系将50%的负载率作为阈值。处于二级关注状态的配电变压器、线路在短期未来存在较高的重过载风险，使用负载率预测模型预测其隔日96点负载率的变化情况。

2.3 状态预警

根据负载率的预测值判断配电变压器、线路的运行状态。其中，轻载、临界、重载、过载的设定如下：①轻载状态，预测值小于60%；②临界状态，预测值大于等于60%且小于70%；③重载状态，预测值大于等于70%且小于100%；④过载状态，预测值大于等于100%。

为评估预测误差，引入准确判断率C、过重误判率EH、过轻误判率EL等指标。如式(4)～式(6)所示：Tfact为实际发生重载、过载的次数；Tpre为预测发生重载、过载的次数；TR为准确预警重载、过载的次数；TH为实际处于轻载状态而预测发生临界、重载、过载的次数；TL为实际发生临界、重载、过载而预测处于轻载状态的次数。

(4)

(5)

(6)

沿海某城市典型配电变压器和线路的重过载预警结果如表3和表4所示。配电变压器重过载预警的准确判断率C的均值为0.90，过重误判率EH和过轻误判率EL的均值分别为0.15和0.11；与之相比，线路重过载预警的准确判断率和过轻误判率较好，但是过重误判率接近0.30。考虑到重过载对配电网造成的潜在风险以及处于二级关注的配电变压器、线路的数量有限，认为略高的过重误判率不会对系统使用造成严重影响。

表3 典型配电变压器重过载预警性能指标

表4 典型线路重过载预警性能指标

3 结语

本文研究设计配电网元件重过载预测预警系统，实现基于GRU的Seq2Seq负载率预测功能和基于两级过滤规则的重过载预警功能，可以及时、精准地捕捉配电变压器、线路等配电网元件的重过载风险。试运行期间的测试数据表明，负载率预测的MAPE均值为6.79%，重过载预警的准确率均值超过90%，具有应用推广价值。

负载率预测和重过载预警是设备状态检测的有机组成部分，是配电网精益化管理的重要环节。未来，可研究基于多模态的负载率预测和重过载预警方法，通过大数据和人工智能技术分析多维、实时、高频的电力设备状态信息，进一步提升预测预警的精准度。