配電網線損問題研究的國內外文獻綜述目錄TOC\o"1-3"\h\u25090配電網線損問題研究的國內外文獻綜述 170871.1線損異常分析與定位 1308721.2線損與電力負荷預測、關聯(lián)分析 326432參考文獻 5線損是電力數(shù)據(jù)研究的重要環(huán)節(jié)，國內外對線損存在很多方面的研究，主要體現(xiàn)在兩個方面。第一是研究線路運行狀況，這類研究主要以研究理論線損與分析用戶竊電行為為主，以電網線損的實時運行數(shù)據(jù)，如電壓、電流、功率等以及配電網固有屬性，如配電網結構、變壓器與導線型號等計算配電網實時線損。通過理論線損將實際統(tǒng)計線損對比，分析線損構成可以有效幫助電力企業(yè)發(fā)現(xiàn)配電網運行時存在的問題，制定相應的降損方案。這類研究，往往研究方向單一，主要研究針對性地降損措施，無法從全局角度對線損的整體構成進行分析判斷。第二類是研究對各線損類型進行關聯(lián)關系分析并進行線損預測，分析線損類型間的相互作用，從全局角度預測一定時間內線損的變化趨勢，輔助電力企業(yè)的運營決策。這類研究無法對實際發(fā)生的線損進行精確定位，無法指導線損的降損工作。1.1線損異常分析與定位(1)理論線損理論線損是線損研究的重要組成部分，對理論線損的研究由來已久，最早可以追溯到上個世紀三十年代。傳統(tǒng)理論線損根據(jù)配電網結構與配電網運行狀態(tài)、潮流分布等計算，結果可以用于考核配電網設計的合理性，也可以以此數(shù)據(jù)改進配電網結構以及輔助臺區(qū)管理。由于長期以來配電網采集自動化程度較低，智能化采集裝置普及率不高等問題，電力數(shù)據(jù)往往存在缺失、異常等問題，計算理論線損的方法如潮流迭代法、匹配潮流法等無法很好的適應理論線損計算的實際情況。同時傳統(tǒng)理論線損分析方式不能準確考慮負荷曲線變化趨勢、存在收斂不可靠等問題。隨著智能電表的廣泛普及與用電信息采集系統(tǒng)的快速發(fā)展，電網的運行管理方式更加智能化、實時化?，F(xiàn)代社會對線損計算的精度要求與時效性要求也越來越高，線損的計算已經不再拘泥于傳統(tǒng)的理論線損算法，新型的智能算法逐漸得到重視。文獻[11]針對配電網理論線損標桿值往往根據(jù)經驗設置從而缺乏理論依據(jù)，同時配電網結構復雜往往查出人工處理極限的問題，采用模糊聚類與等值電阻法等傳統(tǒng)理論線損計算方式結合的方式，通過將線路屬性、配電網運行狀態(tài)等指標通過模糊聚類方法聚類后，引入基態(tài)修正方法優(yōu)化線路標桿值設置，使配電網標桿值設置更加合理，取得了很好的效果。文獻[12]針對低壓配電網支路眾多與電力設備復雜等原因導致線損率計算準確度低的問題，首先采用主城分析法提取對線損影響程度較高的臺區(qū)電氣參數(shù)指標，通過近鄰傳播聚類算法對臺區(qū)電氣參數(shù)相近的臺區(qū)進行聚類后，使用隨機森林算法計算按類計算臺區(qū)線損率。相較于多元線性回歸算法具有更高的準確性。文獻[13]表現(xiàn)臺區(qū)特征的參數(shù)，如用電量、配電網電壓等作為輸入自變量，引用輪廓系數(shù)優(yōu)化K-means算法的聚類效果對臺區(qū)分類后，利用LM算法優(yōu)化BP神經網絡的誤差修正函數(shù)，計算臺區(qū)線損，收斂更加迅速且準確性較高。文獻[14]針對傳統(tǒng)配電網理論線損計算無法自動實現(xiàn)、工作量大、計算結果不準確等問題，提出一種基于電力線損綜合的配電網理論線損計算方法提出管理系統(tǒng)。與傳統(tǒng)理論線損計算結果進行對比。結果表明，基于電力線損一體化管理系統(tǒng)的配電網理論線損計算方法可以達到與傳統(tǒng)計算方法相同甚至更高的計算精度。同時，可以提高當前線性計算理論計算的自動化程度。(2)竊電配電網線損占整體線損的比重很大，竊電是配電網線損來源的重要環(huán)節(jié)，也是線損研究的重要環(huán)節(jié)。據(jù)統(tǒng)計，中國和美國每年因竊電導致的經濟損失高達數(shù)十億美元。竊電行為對于電力企業(yè)而言，除了影響其經濟效益，也會危機電網安全，影響電力系統(tǒng)穩(wěn)定運行。隨著技術手段的發(fā)展，竊電已經從傳統(tǒng)手段逐步發(fā)展為高科技竊電方式，隱蔽性更強，更難被察覺，檢測難度巨大。如何高效且準確地發(fā)現(xiàn)竊電用戶對于電力企業(yè)也是研究線損的一大挑戰(zhàn)。傳統(tǒng)竊電定位由于技術限制，電力公司按月計算臺區(qū)的月結電量后，對超過閾值的線損率較高的臺區(qū)進行統(tǒng)計，然后根據(jù)用戶歷史行為與行業(yè)特征進行高風險竊電用戶的稽查工作，往往效率較低，且準確性不高，是一種基于經驗判斷竊電的方法。隨著用電信息采集系統(tǒng)的發(fā)展與智能電表的普及，電力數(shù)據(jù)采集率大大提高，采集周期從原來的按月抄表轉化為按日計算，為竊電用戶的稽查工作奠定了重要基礎?，F(xiàn)代竊電研究工作大致可以依據(jù)研究思路的不同大致分為研究用戶分類與研究用戶狀態(tài)兩類。研究用戶分類一般認為相較于大量的正常用電用戶，竊電用戶的日用電量曲線往往遠離正常用戶用電曲線，并且竊電用戶自身在用電行為上表現(xiàn)出相似的性質。以此作為定位竊電用戶的思路，往往采用聚類算法對用戶日用電量曲線聚類后，選取不符合多數(shù)用戶的用電行為記為異常模式識別竊電用戶。文獻[15]應用密度聚類方法與關聯(lián)分析算法進行用戶的異常用電識別工作。以DBSCAN方法對用戶用電特征曲線聚類，查找用戶電量異常區(qū)間后，引入關聯(lián)分析與ROC曲線分析用戶用電量異常率，相較傳統(tǒng)竊電方法收斂更加迅速，計算結果相對準確。文獻[16]采用DCGAN方法作為特征提取器，以二范數(shù)線性支持向量機訓練模型定位竊電用戶，相較于其他竊電算法同時兼顧了竊電識別的準確性與計算復雜度。研究用戶狀態(tài)一般認為同一臺區(qū)的用戶往往在用電行為上表現(xiàn)出相似的性質。與以用戶為單位判定竊電不同，研究用戶狀態(tài)往往利用同一臺區(qū)內用戶電量與用電行為的強耦合性檢測。文獻[17]針對竊電用戶識別困難的問題，引入邊限協(xié)整檢驗方法從整體角度分析線損電量與用戶電量的影響關系，以局部向量自回歸模型建立分析線損電量與用戶電量的VAR模型并進行脈沖響應分解與方差分解，將波動程度較大的用戶判定為竊電用戶，并實際現(xiàn)場驗證，具有很高的可靠性。文獻[18]引入格蘭杰歸因分析方法協(xié)整檢驗疑似竊電用戶與對應臺區(qū)線損時間序列的因果關系，對經過協(xié)整分析的時間特征曲線建立誤差修正模型，將影響突出的用戶判定為竊電用戶，取得了很好的效果。文獻[19]針對低壓配電網線損率計算精度不高的問題，從竊電角度切入對理論線損的計算進行修正。通過考慮普通竊電用戶的竊電量與計量電表的電壓、電流關系，采用三相前推回溯算法提高實際理論線損計算的精度。1.2線損與電力負荷預測、關聯(lián)分析線損與電力負荷預測對歷史用戶用電數(shù)據(jù)進行數(shù)據(jù)挖掘，分析影響線損的因素，利用大數(shù)據(jù)技術與算法建立線損指標預測模型，通過對比線損的預測值與實際值，可以即使發(fā)現(xiàn)線路、臺區(qū)的線損異常，提高電力企業(yè)的線損管理水平，輔助制定降損措施。同時由于電能量本身具有不易長期儲存的特點，預測電力負荷也是輔助電力企業(yè)生產運行的重要手段。電力負荷預測作為國內外學者們研究電力系統(tǒng)的經典問題之一，隨著機器學習、遺傳算法等方法的研究，已經由傳統(tǒng)的人工預測轉向了更具現(xiàn)代化的預測方法。文獻[20]通過基于相似日電力負荷序列的ARIMA模型以及灰色模型預測了七天的電力負荷。雖然有較高精準確性，但也各有優(yōu)缺點，需要根據(jù)需要靈活選取模型。文獻[21]通過對歷史同期數(shù)據(jù)進行分析，提出了基于改進的嶺回歸方案預測電力負荷的模型，雖然方法成熟但精度不高。文獻[22]考慮負荷變化趨勢、負荷所在區(qū)域氣候等因素，利用指數(shù)平滑法研究電力負荷，建立日負荷預測模型，對電力用電負荷進行預測。上述方法都屬于較為傳統(tǒng)的負荷預測方案，普遍精度一般，不適宜復雜場景，隨著眾多學者對機器學習等算法的深入研究，預測用電負荷有了更多的解決方案。文獻[23]根據(jù)電力負荷數(shù)據(jù)具有時序性以及非線性的特點，提出了一種混合模型。通過卷積神經網絡提取電力負荷數(shù)據(jù)特征作為長短期預測算法的輸入預測短期電力負荷應用模型，相較傳統(tǒng)方案預測精度更高。文獻[24]提出了一種基于經驗模態(tài)分解電力曲線作為最小二乘支持向量機的輸入，將電力曲線分為高頻與低頻兩種頻段，最終相加獲得最終結果，計算精度顯著提高。文獻[25]考慮Prophet模型研究影響用戶用電負荷的數(shù)據(jù)周期性、節(jié)假日變化趨勢等，以最小二乘法對用電負荷影響因素賦予權重后結合長短期記憶網絡對用戶短期負荷進行預測，有效提高了預測精度。文獻[26]使用爬山法改進的遺傳算法優(yōu)化極限學習機，獲得了相較于傳統(tǒng)機器學習算法更加穩(wěn)定且精度更高的電力負荷模型。文獻[27]提出了一種改進神經網絡算法，結合主元分析法改進并預測當前臺區(qū)合理線損值代替異常線損值。將特征相似的臺區(qū)劃分為同一類型，認為特征相似的臺區(qū)應該具有較為類似的合理線損值。文獻[28]使用蟻群算法對極限學習機算法預輸入的權值和閾值進行優(yōu)化，提高了用電量預測精度。文獻[29]提出了一種改進長短期記憶神經網絡方法，結合新鮮度可用性指標對電量進行預測，對于特定類型的用電負荷預測效果很好。文獻[30]對各種預測模型進行了整合，結合各預測算法的優(yōu)勢設計了一套新的預測模型，預測效果更加穩(wěn)定且精度更高。此外除了對電力負荷曲線研究預測方法，還有很多針對電力負荷影響因素與用電量關系的研究。文獻[31]采用因子分析法集合偏自相關函數(shù)法，對影響用戶負荷的影響因子貢獻度進行排序以降低維度，使影響因子的選取更有針對性。以混沌鯨魚算法優(yōu)化最小二次支持向量機、BP神經網絡和SVM算法結合影響因子預測用戶用電負荷，通過三種算法的對比，證明了算法有效性。文獻[32]提出結合灰色模型優(yōu)化神經網絡線損率預測精度的方案，對影響線損因素進行灰色關聯(lián)分析，并在原來模型的基礎上進行改進，提高了預測的精度。線損關聯(lián)分析是線損研究的重要的組成部分，也是輔助線損管理的重要手段。線損關聯(lián)分析，利用歷史線損數(shù)據(jù)，通過數(shù)據(jù)挖掘、機器學習等手段，發(fā)現(xiàn)各線損類型間的內在聯(lián)系，建立線損影響評價體系，分析各線損類型對線損影響程度并進行排名后，尋找關鍵線損類型指導電力企業(yè)快速降損，優(yōu)化線損管理水平。文獻[33]針對傳統(tǒng)線損研究指標多以線損率作為評價標準的問題，開發(fā)了一套綜合配電網運行結構，用電結構，設備運行狀態(tài)的多維度線損評價體系，使線損評價更為立體。文獻[34]考慮了電網理論線損的多重因素，如配電網變壓器，線路電纜化率，線路評價負載率，線路截面等，以灰色綜合關聯(lián)度綜合關聯(lián)分析，通過層次分析法變權處理，最終建立多灰色模型預測組合模型，進行線損率預測及相關分析。文獻[35]考慮線路長度、公變電量、導線型號等影響線損因素，以灰色關聯(lián)分析結合于自適應遺傳算法優(yōu)化BP神經網絡對線路與臺區(qū)線損率進行理論評估與預測。通過關聯(lián)分析配電網參數(shù)與線損關系確定了影響線損的15個電氣指標作為改進BP神經網絡算法的輸入，以十折交叉驗證法與自適應遺傳算法優(yōu)化BP神經網絡的節(jié)點數(shù)目與初始權值閾值，通過實際案例驗證了方法的有效性。國內外對線損的研究如今已經從多角度，多維度開展，然而對于線損數(shù)據(jù)本身的研究較少。雖然用電信息采集系統(tǒng)的發(fā)展極大提高了電力數(shù)據(jù)的采集率與準確性，但仍然有許多電能量與實際情況不符，無法體現(xiàn)用戶真實的用電情況。不同于常規(guī)統(tǒng)計性線損，這類統(tǒng)計性線損在只在異常時段影響線損率的計算，但如果忽略異常時段，從長遠上看，電力公司統(tǒng)計的電力不會有損失，即不會對配電網線損造成影響，這類線損稱為虛假線損。虛假線損占管理線損比重很大，嚴重影響電力企業(yè)日常運營與線損指標的制定，且由于數(shù)據(jù)問題對線損的其他研究造成很大影響，因此分析研究虛假線損問題具有十分積極的意義。參考文獻[1]S.Y.Shi,XL.Shen,Y.W.Gu.Researchoncalculationoflowvoltagedistributionnetworktheoreticallinelossbasedonmatpower[C].2011InternationalConferenceonAdvancedPowerSystemAutomationandProtection,2011,22-25[2]何俊智.基于大數(shù)據(jù)分析的電力營銷管理研究[D].北京:華北電力大學,2018[3]G.V.Shvedov,A.S.Shchepotin.AnalysisofErrorRangeinCalculationofLoadElectricPowerLossesinWiresofOverheadTransmissionLineswhenNeglectingInfluenceofMeteorologicalFactors[C].2019InternationalUralConferenceonElectricalPowerEngineering(UralCon),2019,368-372[4]Y.L.Diao,L.G.Li,D.L.Jia,etal.ADistributionNetworkIdentificationofCauseofLineLossMethodBasedonMarkovRandomField[C].2018ChinaInternationalConferenceonElectricityDistribution(CICED),Tianjin,2018,2599-2603.[5]E.So,R.Arseneau.Traceabilityofno-loadlossmeasurementsofhighvoltagetransmissionlines[C].2016ConferenceonPrecisionElectromagneticMeasurements(CPEM2016),Ottawa,2016,1-2.[6]程云祥,李陽,盧芳,等.多源信息輔助分區(qū)的主動配電網故障區(qū)段定位[J].電力系統(tǒng)保護與控制,2020,48(17):147-154[7]趙昭.基于用電信息采集系統(tǒng)的臺區(qū)線損分析平臺設計與開發(fā)[D].北京:華北電力大學,2018[8]王亮.大數(shù)據(jù)背景下電力企業(yè)營銷管理創(chuàng)新研究[D].北京:華北電力大學,2015[9]A.V.Rutkauskas,U.A.Ginevi.IntergratedManagementofMarketingRiskandEfficiency[J].JournalofBusinessEconomicsandManagement,2011,12(1):1-23[10]P.Mcdaniel,S.Mclaughlin.SecurityandPrivacyChallengesintheSmartGrid[J].IEEESecurity&Privacy,2009,7(3):75-77[11]安曉華,歐陽森,馮天瑞,等.中壓饋線理論線損率標桿值的優(yōu)化設計方法及應用[J].電網技術,2016,40(01):199-206[12]趙慶明.基于近鄰傳播算法和隨機森林回歸模型的臺區(qū)線損率計算方法[J].電力系統(tǒng)及其自動化學報,2020,32(09):94-98[13]李亞,劉麗平,李柏青,等.基于改進K-Means聚類和BP神經網絡的臺區(qū)線損率計算方法[J].中國電機工程學報,2016,36(17):4543-4552[14]B.J.Chen,K.L.Xiang,L.Yang,etal.TheoreticalLineLossCalculationofDistributionNetworkBasedontheIntegratedElectricityandLineLossManagementSystem[C]2018ChinaInternationalConferenceonElectricityDistribution(CICED).Tianjin,2018,2531-2535[15]田力,向敏.基于密度聚類技術的電力系統(tǒng)用電量異常分析算法[J].電力系統(tǒng)自動化,2017,41(5):64-70．[16]張宇帆,艾芊,李昭昱,等.基于特征提取的面向邊緣數(shù)據(jù)中心的竊電監(jiān)測[J].電力系統(tǒng)自動化,2020,44(09):128-134.[17]殷濤,薛陽,楊藝寧,等.基于向量自回歸模型的高損線路竊電檢測[J/OL].中國電機工程學報:1-20[2021-05-30]./10.13334/j.0258-8013.pcsee.210365.[18]金晟,蘇盛,曹一家,等.基于格蘭杰歸因分析的高損臺區(qū)竊電檢測[J].電力系統(tǒng)自動化,2020,44(23):82-89.[19]趙磊,欒文鵬,王倩.應用AMI數(shù)據(jù)的低壓配電網精確線損分析[J].電網技術,2015,39(11):3189-3194.[20]Z.X.Wang,Y.Q.Jv.Anon-linearsystematicgreymodelforforecastingtheindustrialeconomy-energy-environmentsystem[J].TechnologicalForecasting&SocialChange,2021,167[21]P.Li,M.Li,D.C.Liu.PowerLoadForecastingBasedonImprovedRegressionMethod[J].PowerSystemTechnology,2006,30(1):99-104[22]楊聞宇.濟南東部地區(qū)燃氣日負荷及中期負荷預測研究[D].哈爾濱:哈爾濱工業(yè)大學,2016.[23]陸繼翔,張琪培,楊志宏,等.基于CNN-LSTM混合神經網絡模型的短期負荷預測方法[J].電力系統(tǒng)自動化,2019,43(08):131-137[24]X.Wang,M.Li.Ultra-short-termloadforecastingbasedonEEMD-LSSVM[J].PowerSystemProtect