張明明

摘 要： 對電能損耗進行預測的過程中，傳統(tǒng)的預測方法，由于影響電能損耗的因素之間具有非常復雜的非線性與強相關(guān)性，導致很難得到高精度的預測結(jié)果。提出一種基于大數(shù)據(jù)分析的電能損耗預測模型，建立電能損耗預測單元模型，分析發(fā)電器模型、變電器模型和輸電器模型建立的過程，引入灰色綜合關(guān)聯(lián)度對大數(shù)據(jù)進行分析，對各個組成區(qū)域序列累加得到整體區(qū)域電能損耗情況，并進行微分處理，通過GM（1，1）的轉(zhuǎn)換實現(xiàn)對整體電能損耗預測模型的構(gòu)建。仿真實驗結(jié)果表明，所提模型具有較高的預測精度，能夠很好地避免非線性因素對模型的干擾，為電力企業(yè)制定合理的電能損耗計劃提供可靠依據(jù)。

關(guān)鍵詞： 大數(shù)據(jù)分析； 電能損耗預測； 灰度關(guān)聯(lián)； 仿真實驗

中圖分類號： TN911?34；TM711 文獻標識碼： A 文章編號： 1004?373X（2016）06?0153?04

Simulation analysis of electric energy loss prediction model based on big data analysis

ZHANG Mingming

（Institute of Smart Grid， CSG Science Academy， Guangzhou 510080， China）

Abstract： The traditional prediction method in the process of electric energy loss prediction is hard to obtain the high?precision prediction results due to the very complicated nonlinear and strong correlation between factors influencing on the electric energy loss. An electric energy loss prediction model based on big data analysis is put forward. The unit model of the electric energy loss prediction was established， and the building process of generator model， electric transducer model and electric transmitter model was analyzed. The gray synthesis correlation degree was introduced to analyze the big data. The electric energy loss situation of the whole region was obtained by sequence accumulation of each sub?region， and then a differential treatment was conducted. The construction of the whole electric energy loss prediction model was realized by GM （1，1） transformation. The simulation results show that the proposed model has high prediction accuracy， and can better avoid the interference from nonlinear factor. The model can provide a reliable basis for the power enterprises to make the reasonable electric energy loss plan.

Keywords： big data analysis； electric energy loss prediction； gray?scale correlation； simulation experiment

0 引 言

近年來，隨著人們物質(zhì)條件的逐漸發(fā)展，能源越來越緊缺，減少電能損耗成為亟需解決的問題[1?2]。隨著電網(wǎng)運行管理的智能化，電能損耗計算對算法的精確程度要求越來越高，如何有效準確地進行電能損耗預測，對電網(wǎng)企業(yè)開展降損節(jié)能工作具有重要意義，其已經(jīng)成為相關(guān)學者研究的重點課題[3?5]。目前，針對電能損耗的預測方法主要包括潮流方法、神經(jīng)網(wǎng)絡方法和支持向量機方法等，相關(guān)研究也取得了一定的成果。文獻[6]提出一種基于BP神經(jīng)網(wǎng)絡的電能損耗預測模型，通過神經(jīng)網(wǎng)絡對電能損耗進行預測，但該方法存在局部收斂、收斂效率低以及隱含層神經(jīng)元選擇復雜等弊端，而且該預測模型還需要大樣本容量。文獻[7]提出一種基于潮流計算的電能損耗預測模型，該模型可在歷史數(shù)據(jù)不多的前提下，獲取電能損耗預測量的內(nèi)在規(guī)律，但該模型僅在電力系統(tǒng)生產(chǎn)技術(shù)條件變化不大和影響電力系統(tǒng)電能損耗的因素不產(chǎn)生很大變化的前提下適用。文獻[8]提出一種基于聚類分析和線性回歸的電能損耗預測模型，通過K均值聚類將電損數(shù)據(jù)依據(jù)不同的特征進行分類，針對各數(shù)據(jù)類分別進行線性回歸，通過線性回歸模型實現(xiàn)電能損耗的預測，但該模型存在訓練時間長的弊端。文獻[9]提出一種基于粒子群算法和支持向量機的電能損耗預測模型，通過粒子群算法對支持向量機進行參數(shù)尋優(yōu)，構(gòu)建電能損耗預測模型，但該模型存在易陷于局部極小點的缺陷。文獻[10]提出一種基于改進核心向量機的電能損耗預測模型，該模型將能耗的計算抽象成回歸分析問題進行求解，將歷史電損值構(gòu)成樣本集，將其作為源數(shù)據(jù)進行訓練，從而實現(xiàn)電能損耗的預測，但該模型存在網(wǎng)絡結(jié)構(gòu)復雜的弊端，預測精度偏低。

本文提出一種基于大數(shù)據(jù)分析的電能損耗預測模型，對相關(guān)數(shù)據(jù)進行預處理，利用灰色綜合關(guān)聯(lián)度獲取關(guān)鍵因素，得到該電網(wǎng)電能損耗變化的規(guī)律，通過GM（1，1）實現(xiàn)對電能損耗的預測。經(jīng)實驗驗證，本文模型具有較高的預測精度，能夠很好地避免非線性因素對模型的干擾。

1 電能損耗區(qū)域的原因分析

在電能損耗的計算過程中，發(fā)電器、變電器、輸電器是產(chǎn)生電能損耗的主要部件；因此，對三個電器的電能損耗進行合理的分析，可以為下一步的預測工作打下較好的基礎(chǔ)。

1.1 發(fā)電器電能損耗分析

發(fā)電器電能損耗是電能損耗的根本，其模型可通過慣性環(huán)節(jié)進行模擬，因為調(diào)制波的頻率明顯高于電網(wǎng)頻率，在發(fā)電過程中產(chǎn)生一定的電能損耗情況，所以慣性延遲時間常數(shù)很小，變電器模型如圖1所示。

圖1 發(fā)電器電能損耗區(qū)域分析

1.2 變電器電能損耗分析

變電器必須快速跟隨參考電流的瞬態(tài)變化，其響應速度比輸電器高得多，將輸電器形成的電流看作是基準[I]，通過一系列階段，對變電器的電流進行控制，也就是形成參考電壓[U]。通過dp坐標的轉(zhuǎn)換將參考電壓[U]變成逆變器所需的參考電壓[Udp_ref]，形成觸發(fā)脈沖。所以，可分析變電器電能損耗的情況，變電器的損耗區(qū)如圖2所示。發(fā)電機[P1]產(chǎn)生的電流為[I2]，電壓為[U2]的電源，通過升壓變壓器處理形成電流為[I12]，電壓為[U12]的電源，在電流不變的情況下經(jīng)過電阻[R]把電壓降至[U2]通過一定的降壓變壓器處理形成流為[I3]，電壓變?yōu)閇U用]，最終變?yōu)橛脩艨捎玫陌踩娫?。但在升壓和降壓時產(chǎn)生大量的電能損耗。

圖2 變電器電能損耗區(qū)域分析

1.3 輸電器電能損耗分析

輸電器也是產(chǎn)生損耗的一個關(guān)鍵部件。由于變電器電能損耗預測模型的響應速度較慢，所以，在對輸電器進行能耗分析的過程中，首先需完成對變電器電能損耗原理的分析。通過一階慣性環(huán)節(jié)等效變電器的特性，將其稱作是等效變電器，傳遞函數(shù)[Geq（s）]是電流的等效，用于電壓的控制回路中，完成變電器模型的等效處理，但是在等效過程中要充分考慮其電能損耗情況。則輸電器電能損耗區(qū)域如圖3所示。

圖3 輸電器電能損耗區(qū)域分析

2 基于大數(shù)據(jù)分析的電能損耗預測模型

在得到以上3個區(qū)域的能耗分析的基礎(chǔ)上，提出一種基于灰度關(guān)聯(lián)的大數(shù)據(jù)分析電能損耗預測模型，對整體的電能損耗情況進行預測建模，從數(shù)據(jù)演化過程、數(shù)據(jù)關(guān)聯(lián)的角度實現(xiàn)對電能損耗的預測。

電網(wǎng)結(jié)構(gòu)復雜，但是電能損耗是由第1節(jié)中的3個區(qū)域決定的，主要包括的參數(shù)有：線路電纜化率、絕緣化率、環(huán)網(wǎng)化率、線路截面、長度標準化率，配變、線路平均負載率和平均功率因素等。其中，只有部分因素對電能損耗起關(guān)鍵作用，利用灰色綜合關(guān)聯(lián)度（Gray Comprehensive Relationship，GCR）對得到的大數(shù)據(jù)進行分析，得到該數(shù)據(jù)變化的規(guī)律，實現(xiàn)對電能損耗的預測模型的構(gòu)建?；疑P(guān)聯(lián)分析主要適用于對系統(tǒng)主行為特征序列數(shù)據(jù)和影響因素序列數(shù)據(jù)進行灰關(guān)聯(lián)排序。本文中，通過電能損耗歷史統(tǒng)計數(shù)據(jù)組成的系統(tǒng)主行為特征序列，得到與之對應的3個區(qū)域參數(shù)等組成的影響因素可描述成：

[Xi=Xi1，Xi2，…，Xin] （1）

式中，[n]用于描述序列中元素的數(shù)量。在進行灰色關(guān)聯(lián)分析之前，首先需完成[X0]，[Xi]的一致性及等時距處理。如果影響因素序列[Xi]和主行為特征序列[X0]呈負相關(guān)，則需通過逆化算子[Di]對[Xi]進行操作，如果序列[X]（也就是[X0]或[Xi]）每一對相鄰觀測數(shù)據(jù)之間的時距全部一致，則將[X]稱作等時距序列。通常影響因素確定的情況下，需要對電能損耗參數(shù)灰色關(guān)聯(lián)進行分析。

灰色綜合關(guān)聯(lián)分析主要包括經(jīng)典灰色關(guān)聯(lián)度分析、灰色絕對關(guān)聯(lián)度分析和灰色相對關(guān)聯(lián)度分析。經(jīng)典灰色關(guān)聯(lián)度主要依據(jù)序列曲線間幾何形狀的相似程度獲取關(guān)聯(lián)度，隨著曲線的逐漸接近，對應序列之間的關(guān)聯(lián)度也逐漸增加?；疑^對關(guān)聯(lián)度只取決于序列的幾何形狀，不受其空間相對位置的影響?；疑鄬﹃P(guān)聯(lián)度是序列相對于始點的變化速率的體現(xiàn)，二者變化速率越接近則關(guān)聯(lián)度越大，相對關(guān)聯(lián)度不僅能夠在很大程度上避免環(huán)境的干擾，而且還凸顯了因素間動態(tài)變化的相似性。

綜上所述，經(jīng)典灰關(guān)聯(lián)泛化了電能損耗情況的關(guān)聯(lián)共性；絕對關(guān)聯(lián)反映了電能損耗的折線相似度；相對關(guān)聯(lián)反映了電能損耗情況相對于始點的變化速率的接近程度?；疑C合關(guān)聯(lián)度綜合了上述特性，能夠更加客觀、充分地體現(xiàn)出以上3個區(qū)域電能損耗關(guān)聯(lián)關(guān)系。其表達式如下所示：

[X0′=X01X01，X02X01，…，X0nX01Xi′=Xi1Xi1，Xi2Xi1，…，XinXi1] （2）

在上述計算的基礎(chǔ)上，通過GM（1，1）對電能的損耗情況進行預測模型構(gòu)建，模型構(gòu)建的詳細過程如下：

（1） 對關(guān)聯(lián)后的3個區(qū)域電能損耗數(shù)據(jù)進行累加生成一階線損率數(shù)據(jù)序列[X1]=[x（1）1，x12，…，x1n]，得到整體電能損耗數(shù)據(jù)。

（2） 微分處理。最小二乘法就是通過最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)，可以簡便地求出未知的數(shù)據(jù)，并使得這些求出的數(shù)據(jù)與實際數(shù)據(jù)之間誤差平方和最小。本文利用最小二乘法對整體電能損耗數(shù)據(jù)進行微分處理。

（3） 將微分處理后得到的電能損耗數(shù)據(jù)，通過GM（1，1）轉(zhuǎn)換為電能損耗預測值，實現(xiàn)對電能損耗預測模型的建立，表達式如下所示：

[x0i=1-eax01-bae-ai-1χi′] （3）

3 仿真實驗分析

為了驗證本文提出的基于大數(shù)據(jù)分析的電能損耗預測模型的有效性，需要進行相關(guān)的實驗分析。本文將神經(jīng)網(wǎng)絡模型作為對比，通過Matlab 7.0進行仿真，將2003—2009年某地的統(tǒng)計數(shù)據(jù)構(gòu)建模型，用2010年和 2011年的數(shù)據(jù)對模型進行檢驗。

如表1所示為實驗電網(wǎng)2003—2011年的輸入變量值及相應的實際線損率。

表1 某電網(wǎng)年度電能損耗及相關(guān)數(shù)據(jù)

依據(jù)表1描述的數(shù)據(jù)，輸入2010年和2011年的相關(guān)參數(shù)，分別采用本文模型和神經(jīng)網(wǎng)絡模型對這兩年的電能損耗進行預測，得到預測結(jié)果，同時和當年實際電能損耗結(jié)果進行比較，得到的結(jié)果如表2所示。

表2 兩種模型預測結(jié)果比較

分析表2可知，采用本文模型擬合2003—2009年某電網(wǎng)電能損耗的精度比傳統(tǒng)神經(jīng)網(wǎng)絡模型的擬合精度更高，并且本文模型2010年、2011年度電能損耗預測結(jié)果與真實值非常接近，平均預測誤差只有1.81%，遠遠小于傳統(tǒng)神經(jīng)網(wǎng)絡的20.94%，說明本文模型更能滿足實際需要，預測結(jié)果非常精確，驗證了本文模型的有效性。為了進一步驗證本文模型的有效性，對本文模型和神經(jīng)網(wǎng)絡模型的適應能力進行比較，得到的結(jié)果見圖4。

圖4 兩種模型適應度比較結(jié)果

分析圖4可以看出，本文模型和神經(jīng)網(wǎng)絡模型的適應度曲線均未和最佳適應度曲線完全吻合，但與傳統(tǒng)神經(jīng)網(wǎng)絡模型相比，本文模型適應度曲線和最佳適應度曲線的整體趨勢更加接近，說明本文模型具有更高的適應能力。而且本文模型在迭代次數(shù)為40次時即趨于平緩，而神經(jīng)網(wǎng)絡模型在迭代次數(shù)為50次時才逐漸趨于穩(wěn)定，說明本文模型全局收斂能力強，進一步驗證了本文模型的有效性。

4 結(jié) 語

本文提出一種基于大數(shù)據(jù)分析的電能損耗預測模型，對相關(guān)數(shù)據(jù)進行預處理，給出數(shù)據(jù)間經(jīng)典灰色關(guān)聯(lián)度分析、灰色絕對關(guān)聯(lián)度分析和灰色相對關(guān)聯(lián)度分析。綜合上述特性，利用灰色綜合關(guān)聯(lián)度獲取關(guān)鍵因素，得到電能損耗變化規(guī)律，在此基礎(chǔ)上，通過GM（1，1）灰色預測模型，依據(jù)往年電能損耗數(shù)據(jù)實現(xiàn)對未來電能損耗的預測。仿真實驗結(jié)果表明，所提模型具有較高的預測精度，能夠很好的避免非線性因素對模型的干擾，為電力企業(yè)制定合理的電能損耗計劃提供可靠依據(jù)。

參考文獻

[1] 胡巧玲，茹金平.基于大數(shù)據(jù)分析的人口遷移量預測模型仿真[J].計算機仿真，2014，31（10）：246?249.

[2] 張勤，周步祥，林楠，等.基于灰色模型與神經(jīng)網(wǎng)絡組合的線損率預測[J].電力系統(tǒng)及其自動化學報，2013，25（5）：162?166.

[3] 周紅艷，田麗，錢兆剛，等.基于連續(xù)隱Markov模型的理論線損率預測研究[J].南陽理工學院學報，2014（6）：38?41.

[4] 王靜，田麗，夏坤，等.基于PSO?SVM模型的理論線損率預測研究[J].重慶工商大學學報（自然科學版），2013，30（8）：55?58.

[5] 艾解清，徐暉，魏理豪，等.基于最小二乘支持向量機算法的配電網(wǎng)線損自動計算模型[J].電力科學與工程，2014，30（z1）：43?46.

[6] 張光瑞.線損分析預測在供電管理中的應用[J].科技資訊，2013（22）：164.

[7] 王欣，張海巖，季崇軍.線損分析預測在供電管理中的應用研究[J].大科技，2013（15）：103.

[8] 王艷麗.探討線損分析預測在供電管理中的應用[J].科技風，2015（2）：113.

[9] 李濱，杜孟遠，韋維，等.基于準實時數(shù)據(jù)的智能配電網(wǎng)理論線損計算[J].電力自動化設備，2014，34（11）：122?128.

[10] 王李，王寶，李泓澤.配電線路年理論線損率及其降損分析[J].陜西電力，2015，43（1）：50?54.