线损分析及智能评估系统

线损分析及智能评估系统1.目的和意义电能在传输和营销过程中所产生的电能消耗和损失称为线损。线损产生于输电、变电、配电、售电各个环节，线损率作为电力企业的重要综合性经济指标，线损率有着重要的作用,它不仅能够反映电力企业的经济性还能够反映企业的盈利率。线损直接体现了电网规划设计的合理性，反应了生产技术和运营管理水平的高低线。根据损耗的来源和特征的不同，可以将线损进行分类，如图1-1所示。图1-1线损分类实际线损（或统计线损）通常指由电表抄录值所提供的总发电量与售电量之差,分为理论线损和管理线损。其中理论线损是电网本身结构、设备决定的，电能传输不可避免地造成损失，它主要与技术状况、运行方式、电网结构有关，包含各电力元件可变损耗部分及固定损耗部分。可变损耗包括线路中的损耗、变压器绕组中的铜耗及电能表电流线圈中的损耗等，由于这些损耗的值与流过电流或功率的平方成正比，所以是可变值；固定损耗包括变压器的空载损耗（也称为铁损）、电容器介质损耗和电能表电压线圈或铁芯中的损耗等，这些损耗主要只受两端电压的影响，所以是固定值。统计线损的另一部分称为管理线损，其中主要包括电网元件中的漏电损耗、计量表误差损耗、营业朝核收差错损失及用户窃电损耗等。管理线损主要是由于电力企业在营销过程中由于用户管理不当、计量误差等造成，取决于供电企业生产经营活动中降损节能的管理水平。在我国电网损耗中，配电网损耗占了绝大部分。配电网长期资产利用率低，经济运行指标低，网损严重，城乡配电网损耗占总量的70%左右，配电自动化系统覆盖范围不到9%，远低于发达国家。所以，配电网线损分析及降损研究是电线损固定损耗可变损耗管理损耗变压器的空载损耗电容器的介质损耗电能表线圈和铁芯的损耗线路导线中的损耗变压器绕组中的损耗电流表电流线圈的损耗用户违章用电和窃电损失电网元件漏电损失营业中抄核收之差错损失计量表计误差损失理论线损（技术性损耗）管理线损（非技术性损耗）网线损研究的重中之重。对此，国家能源局2015年提出了推进配电自动化和智能用电信息采集系统建设，实现配电网可观可控，推动智能电网建设与互联网深度融合的配电网建设改造行动计划。但是，配电网具有地域分布广、规模大、设备种类多、网架和运行方式复杂的显著特点。随着配电自动化、用电信息采集等应用系统的推广应用，配电网中产生了指数级增长的海量异构、多态的数据，数据集合的规模已经达到了大数据级别。但是，围绕配电网大数据的应用缺乏，所以，如何有效利用、挖掘配电网数据信息，提高配电网供电可靠性，实现配电网信息可控可观，降低网损成为亟待解决的问题。对此，本项目依托已有的数据资源，研究具备配电网态势感知、智能线损分析评估、故障定位等功能的配电网应用系统。以精细化管理为实施载体，深化精准降损，建设一套可用的基础数据完善、相关业务融合、数据共享贯通、监管落地到位的线损可视化监管分析系统，实现计量资产可视化、线损率变化可溯源、降损任务可分解、专家辅助诊断全面、降损整改措施闭环、管理责任评价排名等功能，全方位、多维度支撑管理降损和技术降损。2.国内外线损分析研究现状线损分为理论线损和管理线损两类，目前国内外的研究也集中于这两个方面。其中，理论线损包括变压器空载损耗、电容器介质损耗、线路导线的损耗等，是由电网本身所决定的损耗，ChouZhou[1]等人根据负荷实测结果，用理论计算的方法，对湖北电网主网线损的构成、分布及影响因素进行了分析，但是该工作只针对220KV以上的电网，并且理论计算没有考虑用电站、电晕损失和其他辅助损耗。JakobSahlin[2]等人建立了利用多元线性回归和交换流模型对第二天的线损进行预测的模型，但是结果依赖于对输入数据和交换流的准确预测。管理线损包括窃电、计量表误差、漏电等，其中，窃电占了绝大部分，所以，国内外的管理线损分析研究主要集中在窃电分析上。BharatDangar[3]等人提出了一种使用极限学习机（ELM）、改进ELM（OS-ELM）、支持向量机（SVM）三种算法来进行电力损耗识别、检测和预测的电力损耗分析框架，并应用于印度古吉拉特邦GUVNL公司，减少由于窃电导致的配电损耗，取得了较好的成果。SamWeckx[4]等人提出了一种在未知或不确定电缆长度的智能电网中通过电网中的非法连接检测窃电的算法，使用智能电表的测量值来识别电网参数，并检测特定客户的违规行为。YinghuiLi[5]等人提出了基于BP神经网络的客户消费行为分析模型，利用该模型可以计算出窃电的怀疑系数，并对电力用户的信用等级进行分类，并选取了一些典型的企业，对窃电模型进行了验证，得出了一个可行的解决窃电问题的思路。曾虎[6]首先利用模糊C均值（FCM）算法对负荷曲线进行聚类，得到典型特征曲线，再与用户负荷曲线进行匹配，筛选出疑似窃电用户，再使用基于粒子群算法优化的SVM算法进行进一步检测，准确性较SVM算法高。综上所述，目前基于大数据的窃电研究仍然存在着问题，例如，需要大量的窃电样本对模型进行训练，以提高模型精度，但是窃电样本通常都不多，导致准确率不高。并且，用户的用电行为可能会因为各种原因发生变化，所以即使用户的用电发生变化，模型计算得出的窃电用户仍然需要工作人员进一步确定，不能直接判定为窃电。3.研究内容综上所述，目前对于线损的研究大都处于理论研究层面，几乎没有针对配电网线损，包括理论线损和管理线损的综合分析，也没有直接应用于电网进行线损分析及降损研究。因此，本项目依托已有的数据资源，研究智能线损分析评估系统，主要包括线损可视化展示、线损分析与评估两个部分。研究内容如下图所示，图3-1研究内容3.1线损可视化展示可视化展示主要展示线损分布，线损数据图表以及各地区线损分类排行。可分为以下三个部分：(1)开发基于三维GIS的配电网监视与管理信息系统、配电网状态实时感知系统和大数据智慧图表统计系统。利用配电网实时监测数据及电网拓扑结构，结线损可视化展示线损分析与评估地区线损监测数据线损因素评估数据地区线损排序情况理论线损分析管理线损分析关联关系分析理论计算方法智能评估方法平均电流法等值电阻法聚类算法随机森林设备信息异常通讯信息异常窃电分析典型特征分析异常用电检测窃电检测决策树算法Apriori算法线损定位及智能诊断系统决策树合日损耗、月损耗数据，监测配电网线损情况，并以热力图形式展示线损总体分布。(2)利用决策树等分类算法对线损进行分线、分压、分台区精细化分类，结合三维GIS和实时3D可视化技术，展示各地区线损分类排行，生成线损数据图表。当工作人员通过热力图点击进入GIS地图时，可以在线路沿布图、SVG单线图可视化查看线损相关指标数据及线损原因。(3)结合线损分析与评估模块输出的数据，利用echarts等技术结合百度地图坐标点分线、分压、分台区展现全省综合线损率指标变化及各地综合线损率指标排名，以及线损指标之间的关联关系，方便管理层直观观察高损区域、综合线损率指标变化态势，辅助制订降损方案等决策。3.2线损分析与评估该模块主要从基础数据、设备监测、采集监测、通信监测、运行方式五个维度全方面实现对电气设备线损状况的监测管控，找出线损异常原因，为异常线损治理找准“脉搏”，从而采取适当的技术措施、管理措施实现降损的目标。线损分析与评估主要分为三个部分，分别为理论线损分析、管理线损分析和线损关联关系分析。理论线损分析的目的是找出导致线损异常的发生故障的设备，管理线损分析的目的是分析设备管理异常或者用户管理不当产生的线损，关联关系分析的目的在于找出线损、地区和设备、时间之间的关联关系，为电力公司降损和电网运行检测提供指导。3.2.1理论线损分析理论线损的分析目前主要有两种方式，一种是基于电网潮流断面、拓扑结构、系统参数构成的电网理论线损计算与分析模型，另一种是利用大数据理论，使用机器学习算法建立线路理论线损评估模型。3.2.1.1理论计算与分析电网理论线损计算模型是分层构建的，涵盖主网主接线图、厂站站内接线图、配电网单线图以及低压台区接线图。结合电网运行数据（包括负荷、母线电压、电量和电网运行方式数据），实现主网、配电网和低压网的全电压等级线损理论计算。参照计算评估标准对计算结果进行评估，按照“四分”原则进行数据汇总，定制生成电网理论线损计算汇总统计报表及电网理论线损计算分析报告。理论线损计算是基于电网实时监测装置监测的海量数据，结合电网拓扑结构，运行方式以及系统参数等数据，计算各电网元件电能损耗量。整个电力网电能损耗计算可以分解为如下元件的电能损耗计算：1）35kV及以上交流线路及变压器。2）20kV交流线路及公用配电变压器。3）10kV交流线路及公用配电变压器。4）6kV交流线路及公用配电变压器。5）0.4kV及以下电力网。6）其他交流元件，如并联电容器、并联电抗器、调相机、电压互感器和站用变压器等。7）直流线路、接地极系统和换流站（如换流变压器、换流阀、交流滤波器、平波电抗器、直流滤波器、并联电抗器、并联电容器和站用变压器）等高压直流输电系统。理论计算方法主要有平均电流法、等值电阻法等。通过理论计算各电网元件的理论线损量，可以找出导致线损异常的设备，实现线损异常定位。理论线损率表达式为理论线损率＝(本网理论线损电量/计算供电量)×100%。3.2.1.2智能线损评估由于理论计算存在着假设简单，计算复杂等缺点，因此提出了利用大数据方法对线损进行预测估计的方法来进行补充。基于大数据的智能线损评估，首先要利用电力公司线损系统、生产管理系统（PMS）、营销系统（CMS）的多源数据，构建线损特征数据库，然后再利用基于聚类算法的随机森林算法模型进行线损评估。将评估结果与理论计算结果进行比较，帮助工作人员确定线损异常原因。3.2.2管理线损分析管理线损是由电力公司在营销管理过程中由于管理不当造成的电能损失，主要由设备信息异常、通信异常和窃电损失造成。3.2.2.1设备信息异常和通信异常集成GIS、营销、计量系统基础台账数据，利用决策树分类算法实现GIS与营销、GIS与计量、营销与计量三个系统变电站、线路、配变数据的分类与匹配，分析各系统间设备台账一致率、匹配率，从而进行针对性治理设备信息异常和通信异常，提高基础数据准确性，减少不必要的电能损失。主要步骤为：（1）集成GIS、营销、计量三个业务系统的基础台账，利用决策树算法进行分类，实现基础台账的一致性匹配检查。（2）按区域对业务系统数据匹配情况进行图表展现。（3）对不匹配数据提供逐级钻取功能，分析不匹配数据原因。3.2.2.2窃电分析窃电损失作为管理线损的重要组成部分，每年都会给国家带来巨大的经济损失，据统计，在美国，电力公司每年会因为窃电而损失大约60亿美元，而我国每年因为窃电造成的经济损失有200亿元，窃电不仅损害了国家和供电企业的经济利益，而且严重影响了社会经济的正常发展。同时，窃电还存在着比较大的安全隐患，影响着电网的安全运行，如造成线路短路，引发火灾，给其他用户的正常用电带来了较大影响。窃电分析主要分为三个部分组成，典型用电特征分析、异常用电检测和窃电检测。主要流程如图3-2所示，图3-2窃电分析流程图首先，利用基于决策树思想的层级分类法结合聚类算法，利用电压等级、年用电负荷特征、日用电负荷特征分别作为三级分类节点，分别对海量用电数据进行精细化分类，挖掘典型用电特征。①选择电压等级为第一级节点，对用户进行分类；②挖掘年负荷曲线特征属性，例如负荷率，假期用电差异，峰谷用电差异等，作为第二级节点，对用户进行聚类；③挖掘日负荷曲线特征属性，例如负荷率，峰谷用电等，作为第三级节点，对用户进行聚类；④分析用户典型用电特征。其次，利用特征匹配法对比典型用电特征与用户或计量点用电行为特征，检测异常用电；最后，利用基于SVM算法（SupportVectorMachine,SVM）改进的支持向量机回归算法（SupportVectorRegression,SVR），并利用粒子群算法（ParticleSwarmOptimization,PSO）对其进行优化，建立窃电检测模型，对异常用电用户或计量点的窃电行为作进一步检测。3.3关联关