薛之裔

（苏州三新供电服务有限公司 常熟分公司虞北业务所，江苏 苏州 215500）

0 引 言

国内配电网规模庞大，关联区域较为广泛，整体具有点多、线长、面广等特点[1]。近年来，随着人们对电力需求的提升，用电负荷也在逐年增加，部分地区的低压配电网实际运行线损量已达到总损耗电量的45%左右，这也使线损问题逐渐突出[2]。而在这之中，属于低压台区的线损问题分布密集[3]。通常情况下，低压台区作为电网的末端环节，应该加强对线损情况的控制与核查，确保稳定的电力调度环境，为工作人员准确、快速地计算台区线损率奠定基础条件[4]。

随着电力调度工作量的增加，传统的台区线损计算方法容易受到多种因素的影响，对于线损计算得出的结果并不精准，线损目标误差较大，影响配网线损计算的工作效率。

为了解决上述问题，提升电网线损的处理计算效果，从负荷分类的角度考虑，设定多维度的计算目标，设计一种更加有效的低压台区线损率计算方法[5]。考虑到最终测试结果的完整程度，选择真实的背景，结合区域电网的运行情况，对初始的计算、测定模式进行更改、调整，在复杂的电力环境下，进行细节化、模块化的阶段式测定，为后续的低压台区线损处理工作提供理论依据[6]。

1 构建低压台区负荷线损率方法

1.1 有源低压台区线损影响因子选取

在结合负荷分类设计低压台区线损率计算方法之前，需要先针对测定区域的有源低压台区选取基础的线损影响因子[7]。针对校核线损数据质量，建立特定的定向属性集，为提升整体的线损处理效果，提高可靠性，可以选择15% 的台区数据进行实测，设定等效线损计算比率[8]。测定配电网区域之内的供电半径，计算出线损负载率为

式中：M表示线损负载率；α表示供电半径；φ表示覆盖范围；u表示低压承载误差。通过上述计算，最终可以得出实际的线损负载率。根据得出的线损负载率，可以进一步划定配电网的模糊线损区域。当低压线路的总长度小于供电半径时，负载率一般会升至25%以上，这表明有源低压台区的线损影响因子选取相对较为均衡。针对首端电压、末端电压以及总表功率等项目指标，均需要按照实际的线损计算需求、标准，调整对应参数，以特殊的模式，选取有源低压台区线损影响因子，为后续的交互计算奠定基础条件[9]。

1.2 线损多负荷归一计算流程设计

通常情况下，区域内的低压台区出现的线损均是具有一定关联性的[10]。受到周围电力设备的多方向影响，为避免对设备造成损坏，可以将其所承受的负荷分化，实现定向线损数据校核后，测算出实时低压台区线损率。采用归一处理的方式，依据特定的计算比例，缩放线损数据，促使获取的数据映射到一个特定的计算区间之内，通过对电网负荷运行情况的观测，选取logsig函数，结合BF神经网络模型，构建计算传递状态，具体如图1所示。

图1 线损传递函数状态图像

根据图1，可以完成对线损传递函数状态的分析与研究。结合实时电网的线损情况，在不同的负荷区段之中，设定归一计算标准，融合至流程之中，完成对线损多负荷归一计算流程的设计。

1.3 WNN负荷分类线损计算模型构建

在完成对线损多负荷归一计算流程的设计之后，根据低压台区的电网运行现状，以电力负荷分类为引导，构建小波神经网络（Wavelet Neural Network，WNN）线损计算模型。获取区域性的电力负荷值，计算出拓扑比为

式中：q表示线损拓扑比；ϖ表示负荷误差；c表示小波函数；b1表示预设电力变量；b2表示实测电力变量。通过上述计算，最终可以得出实际的线损拓扑比。结合WNN负荷计算框架，测定出此时电网的线损传递函数状态。随后，采用 WNN 建立计算模型。以BP 神经网络的拓扑框架作为基础，结合电力负荷变量，在模型中通过计算目标建立对应的计算类别，通过小波函数来传递隐层负荷节点，采用反向测算的形式，获取期望值，构建WNN负荷分类线损计算模型结构，具体如图2所示。

图2 WNN负荷分类线损计算模型结构图示

根据图2，可以完成对WNN负荷分类线损计算模型结构的设计。将所设定的计算流程融入模型之中，依据需求调整模型的应用目标，进一步细化模型的计算精准度及效果。

1.4 K-Means 负荷聚类实现线损率计算

在完成对WNN负荷分类线损计算模型的构建之后，需要采用K-Means 负荷聚类法实现低压台区的线损率计算。这部分可以调整计算模型中的电力负荷变量，依据计算类别，设定K-Means聚类结构，将获取的电力值设定在模型与K-Means负荷聚类结构之中，计算出实时线损率为

式中：K表示实时线损率；π表示线损定位差值；Z表示单元距离；X表示变化向量；M1表示预设聚类范围；M2表示实测聚类范围。通过上述计算，最终可以得出实时的线损率。此时，将线损结果设定在计算程序之中，检测线损结果的精准性，进一步确保测试的可靠性。

2 方法测试

本次主要是对负荷分类下低压台区线损率计算方法实际应用效果进行分析与研究。考虑到最终测试结果的精准性、可靠性，选择D配电站作为测试的主要目标对象，并设定传统的改进 K-Means 聚类台区线损计算测试组、传统BP 神经网络台区线损计算测试组以及本文所设计的负荷分类台区线损计算测试组。测定最终得出的计算结果以对比的形式展开分析，同时，测试必须确保在相同的环境下进行。根据线损测试的需求、标准，搭建相应的测试环境。

2.1 测试准备

在对负荷分类下低压台区线损率计算方法实际应用效果进行分析与研究之前，需要先搭建相应的测试环境。将D配电站周围的覆盖区域划定为4个，在每一个区域之中设定对应的监控装置，以此来捕捉线损数值、信息。设定供电半径为25.5 m，负载率需要控制在89%以上，结合改进计算状态，构建台区线损率计算流程，具体如图3所示。

图3 台区线损率计算流程图示

根据图3，可以完成对台区线损率计算流程的设计。结合上述流程，调整低压台区的线损模型中的指标数值，营造稳定、可靠的计算环境。核定测试的设备及装置是否处于稳定的运行状态，并确保不存在影响最终测试结果的外部因素，核定无误后，开始具体测验。

2.2 测试过程及结果分析

在上述搭建的测试环境之中，结合负荷分类需求、标准，进行线损计算测试。通过聚类处理，将线损数据作出对应汇总、整合，利用WNN负荷分类线损计算模型，将D配电站的线路测定依据电力负荷的状态，划分为对应的层级，每一个层级均需要设定一个执行目标，并搭配计算机制，形成循环线损计算框架。此时，对于获取的负荷数值进行测定，了解具体的线损状态，具体如表1所示。

表1 负荷数值、线损状态数值表

根据表1，可以完成对负荷数值、线损状态数值的测定与研究。将基于改进 K-Means 聚类台区线损计算方法与基于BP 神经网络台区线损计算方法作为测试组，与本文设计的考虑负荷分类台区线损计算方法共同进行测试。计算出实时线损率，测定出目标误差，结合测定需求，对得出的测试结果对比分析，如表2所示。

根据表2，可以完成对测试结果的分析与研究：与基于改进 K-Means 聚类台区线损计算测试组、基于BP 神经网络台区线损计算测试组相对比，本文所设计的考虑负荷分类台区线损计算测试组得出的线损目标误差被均匀控制在1.5%以下，表明此种计算方法的误差小，覆盖范围更为广泛，具有实际的应用价值。

表2 测试结果对比分析（单位：%）

3 结 论

对比于传统的计算模式，本文所设计的线损率计算方法更加灵活、多元，尤其针对于庞大、复杂的数据群，可以快速、大范围分析电网的线损情况，从多个方向考虑、研究电力调度的异常，实现精准定位。与此同时，针对于线损计划指标的分解，可以更为有效地提取出低压台区线损问题的特征，并制定具有针对性的解决方案，依据平衡三相负载数值、信息，进一步细化、完善降损节电工作，推动线损计算模式的创新与应用。