马鹏程

（国网南通市通州区供电公司，江苏南通 226000）

0 引言

线损是体现电力系统稳定、安全、高效运行的一项重要参考依据，它能有效反映出电网运行的效率，为优化电力网络提供了重要参考。此外，在计算电网的线损后，可以为制定线损方案提供重要的理论数据，同时也能为电网的规划提供指导意见[1]。因此，为了有效提升电网运行效率，研究线损预测计算具有重要作用。

1 线损的概念与分类

1.1 线损的概念

线损电量主要指电流在流经电网的过程中，除了用户端产生负载造成电流损失以外，一些电力设备或者供电线产生的电能损耗。在传统线损计算方法中，计算出的电能损耗量误差较大。因此，需要一种先进的计算方法来进行计算。

1.2 线损的分类

根据线损电量不同，可以将其分为不变损耗、变动损耗及其他损耗。其中，不变损耗又称之为固定损耗，该损耗不会随着负荷电流的变化而变化，只要线路中接有电力设备，就会产生相应的电能损耗，并且这部分电能损耗是固定的。

变动损耗指在电力负荷产生变化时形成的损耗。其他损耗是固定损耗及变动损耗以外的损耗，如窃电行为等。线路中电流越大，损耗量越大[2]。

在线损管理工作中，一般都会将线损分成理论损耗、实际损耗、定额损耗3 部分。其中，理论损耗是根据现实的供电设备以及电流的负荷情况，或者预计供电设备的负荷情况来计算相应的线损。实际损耗指计量仪表所显示的损耗值。定额损耗指根据电力系统中过去的实际损耗量，结合下一阶段内供电量计划和采取的降损措施，然后再根据计划来拟定出相应的损失指标，其实质在于降低线路损耗量。

2 国内外研究背景

为了计算电力运行中的线损，国内外研究人员纷纷开展了相应的研究工作，并取得了相应的成效。张承智等提出了一种计算线损的方法即因果关系计算方法。HU Jingzhe 等为了准确测量线损，使用矩阵、置信网络的方式来进行数据训练。虽然国内外研究人员在计算电网线损方面取得了较大突破，但是缺乏在人工智能预测这方面的研究[3]。为了提升线损预测的精确度，本研究对基于电力物联网下双向长短时记忆的线损预测计算方法进行研究。

3 双向长短时记忆网损计算

3.1 长短时记忆网络

在智能学习领域中，深度学习有着十分关键的作用，它能够让机器模仿人类的学习模式，以此来学习技术、挖掘数据等[4]。在深度学习中，有一种能解决神经网络梯度消失问题的网络即长短时记忆网络（LSTM），因其具有的特点，被广泛应用于负荷预测、经济调度中，其基本结构单元见图1。

图1 LSTM结构

3.2 双向长短记忆网络

在长短时记忆网络的基础上，相关研究学者研发出了一种双向长短时网络（BLSTE），这种网络形式能够实现前后的相互迭代训练。它不仅解决了传统梯度中出现的问题，而且还在一定程度上改变了传统LSTE中存在的训练过程。

在这种网络形式训练的过程中，首先将学习数据输入到试件过程中，然后再通过向后学习将未来输入数据加入到其中，将两者的关联性充分挖掘出来。在经过向前向后的学习训练后，在一定程度上提升了LSTM 的精度。BLSTM 结构图如图2 所示。主要计算步骤如下。

图2 BLSTM结构

计算中间处理单元：

3.3 线损值计算方法

在长短时记忆网络与双向长短记忆网络中，两者一般都是通过计算输入量来完成权系数。在计算结束后，将预测的结果与数据转变为输入量的形式，实现精确网损值的预测。在计算开始前，需要将双向长短时记忆网络中的系数进行训练处理。其过程主要如下：设t为当前时刻，并在前时刻的基础上选择相应的时间长度N进行训练，从而得到，1,...t-N+1，取X作为输入量，则有：

4 算例仿真

为了验证上述方法的可行性，主要使用IEEE 5节点系统来验证。系统结构如图3所示。IEEE 5节点系统的参数详见表1。

表1 IEEE 5节点系统参数（标幺值）

图3 IEEE 5节点系统结构

在图3中，含有相应的负荷节点，本文通过采用实际电网中3 个月的负荷历史数据，将其作为计算对象，详见表2。

表2 某实际变电站电网部分负荷的变化数据

在经过潮流计算后，其计算结果见表3。

表3 有功潮流结果

从表3 与表2 中的数据可见，双向长短记忆网络（LSTM）计算的线损值具有较高的精确度，因此，该方法可作为电网中线损值计算方法[6]。

5 结束语

随着电力企业规模的不断增大，电力系统的管理与调度已经不能满足企业发展的需求，降低线损值在电力物联网发展中成为了一种必然趋势。因此，本研究对双向长时短期记忆的线损计算方法进行了研究。经研究发现这种方法计算的线损值具有较高的精确度，对于电力企业制定电力运行调控决策有重要作用。