【《配电网线损问题探究的国内外文献综述》5500字】

配电网线损问题研究的国内外文献综述目录TOC\o"1-3"\h\u25090配电网线损问题研究的国内外文献综述 170871.1线损异常分析与定位 1308721.2线损与电力负荷预测、关联分析 326432参考文献 5线损是电力数据研究的重要环节，国内外对线损存在很多方面的研究，主要体现在两个方面。第一是研究线路运行状况，这类研究主要以研究理论线损与分析用户窃电行为为主，以电网线损的实时运行数据，如电压、电流、功率等以及配电网固有属性，如配电网结构、变压器与导线型号等计算配电网实时线损。通过理论线损将实际统计线损对比，分析线损构成可以有效帮助电力企业发现配电网运行时存在的问题，制定相应的降损方案。这类研究，往往研究方向单一，主要研究针对性地降损措施，无法从全局角度对线损的整体构成进行分析判断。第二类是研究对各线损类型进行关联关系分析并进行线损预测，分析线损类型间的相互作用，从全局角度预测一定时间内线损的变化趋势，辅助电力企业的运营决策。这类研究无法对实际发生的线损进行精确定位，无法指导线损的降损工作。1.1线损异常分析与定位(1)理论线损理论线损是线损研究的重要组成部分，对理论线损的研究由来已久，最早可以追溯到上个世纪三十年代。传统理论线损根据配电网结构与配电网运行状态、潮流分布等计算，结果可以用于考核配电网设计的合理性，也可以以此数据改进配电网结构以及辅助台区管理。由于长期以来配电网采集自动化程度较低，智能化采集装置普及率不高等问题，电力数据往往存在缺失、异常等问题，计算理论线损的方法如潮流迭代法、匹配潮流法等无法很好的适应理论线损计算的实际情况。同时传统理论线损分析方式不能准确考虑负荷曲线变化趋势、存在收敛不可靠等问题。随着智能电表的广泛普及与用电信息采集系统的快速发展，电网的运行管理方式更加智能化、实时化。现代社会对线损计算的精度要求与时效性要求也越来越高，线损的计算已经不再拘泥于传统的理论线损算法，新型的智能算法逐渐得到重视。文献[11]针对配电网理论线损标杆值往往根据经验设置从而缺乏理论依据，同时配电网结构复杂往往查出人工处理极限的问题，采用模糊聚类与等值电阻法等传统理论线损计算方式结合的方式，通过将线路属性、配电网运行状态等指标通过模糊聚类方法聚类后，引入基态修正方法优化线路标杆值设置，使配电网标杆值设置更加合理，取得了很好的效果。文献[12]针对低压配电网支路众多与电力设备复杂等原因导致线损率计算准确度低的问题，首先采用主城分析法提取对线损影响程度较高的台区电气参数指标，通过近邻传播聚类算法对台区电气参数相近的台区进行聚类后，使用随机森林算法计算按类计算台区线损率。相较于多元线性回归算法具有更高的准确性。文献[13]表现台区特征的参数，如用电量、配电网电压等作为输入自变量，引用轮廓系数优化K-means算法的聚类效果对台区分类后，利用LM算法优化BP神经网络的误差修正函数，计算台区线损，收敛更加迅速且准确性较高。文献[14]针对传统配电网理论线损计算无法自动实现、工作量大、计算结果不准确等问题，提出一种基于电力线损综合的配电网理论线损计算方法提出管理系统。与传统理论线损计算结果进行对比。结果表明，基于电力线损一体化管理系统的配电网理论线损计算方法可以达到与传统计算方法相同甚至更高的计算精度。同时，可以提高当前线性计算理论计算的自动化程度。(2)窃电配电网线损占整体线损的比重很大，窃电是配电网线损来源的重要环节，也是线损研究的重要环节。据统计，中国和美国每年因窃电导致的经济损失高达数十亿美元。窃电行为对于电力企业而言，除了影响其经济效益，也会危机电网安全，影响电力系统稳定运行。随着技术手段的发展，窃电已经从传统手段逐步发展为高科技窃电方式，隐蔽性更强，更难被察觉，检测难度巨大。如何高效且准确地发现窃电用户对于电力企业也是研究线损的一大挑战。传统窃电定位由于技术限制，电力公司按月计算台区的月结电量后，对超过阈值的线损率较高的台区进行统计，然后根据用户历史行为与行业特征进行高风险窃电用户的稽查工作，往往效率较低，且准确性不高，是一种基于经验判断窃电的方法。随着用电信息采集系统的发展与智能电表的普及，电力数据采集率大大提高，采集周期从原来的按月抄表转化为按日计算，为窃电用户的稽查工作奠定了重要基础。现代窃电研究工作大致可以依据研究思路的不同大致分为研究用户分类与研究用户状态两类。研究用户分类一般认为相较于大量的正常用电用户，窃电用户的日用电量曲线往往远离正常用户用电曲线，并且窃电用户自身在用电行为上表现出相似的性质。以此作为定位窃电用户的思路，往往采用聚类算法对用户日用电量曲线聚类后，选取不符合多数用户的用电行为记为异常模式识别窃电用户。文献[15]应用密度聚类方法与关联分析算法进行用户的异常用电识别工作。以DBSCAN方法对用户用电特征曲线聚类，查找用户电量异常区间后，引入关联分析与ROC曲线分析用户用电量异常率，相较传统窃电方法收敛更加迅速，计算结果相对准确。文献[16]采用DCGAN方法作为特征提取器，以二范数线性支持向量机训练模型定位窃电用户，相较于其他窃电算法同时兼顾了窃电识别的准确性与计算复杂度。研究用户状态一般认为同一台区的用户往往在用电行为上表现出相似的性质。与以用户为单位判定窃电不同，研究用户状态往往利用同一台区内用户电量与用电行为的强耦合性检测。文献[17]针对窃电用户识别困难的问题，引入边限协整检验方法从整体角度分析线损电量与用户电量的影响关系，以局部向量自回归模型建立分析线损电量与用户电量的VAR模型并进行脉冲响应分解与方差分解，将波动程度较大的用户判定为窃电用户，并实际现场验证，具有很高的可靠性。文献[18]引入格兰杰归因分析方法协整检验疑似窃电用户与对应台区线损时间序列的因果关系，对经过协整分析的时间特征曲线建立误差修正模型，将影响突出的用户判定为窃电用户，取得了很好的效果。文献[19]针对低压配电网线损率计算精度不高的问题，从窃电角度切入对理论线损的计算进行修正。通过考虑普通窃电用户的窃电量与计量电表的电压、电流关系，采用三相前推回溯算法提高实际理论线损计算的精度。1.2线损与电力负荷预测、关联分析线损与电力负荷预测对历史用户用电数据进行数据挖掘，分析影响线损的因素，利用大数据技术与算法建立线损指标预测模型，通过对比线损的预测值与实际值，可以即使发现线路、台区的线损异常，提高电力企业的线损管理水平，辅助制定降损措施。同时由于电能量本身具有不易长期储存的特点，预测电力负荷也是辅助电力企业生产运行的重要手段。电力负荷预测作为国内外学者们研究电力系统的经典问题之一，随着机器学习、遗传算法等方法的研究，已经由传统的人工预测转向了更具现代化的预测方法。文献[20]通过基于相似日电力负荷序列的ARIMA模型以及灰色模型预测了七天的电力负荷。虽然有较高精准确性，但也各有优缺点，需要根据需要灵活选取模型。文献[21]通过对历史同期数据进行分析，提出了基于改进的岭回归方案预测电力负荷的模型，虽然方法成熟但精度不高。文献[22]考虑负荷变化趋势、负荷所在区域气候等因素，利用指数平滑法研究电力负荷，建立日负荷预测模型，对电力用电负荷进行预测。上述方法都属于较为传统的负荷预测方案，普遍精度一般，不适宜复杂场景，随着众多学者对机器学习等算法的深入研究，预测用电负荷有了更多的解决方案。文献[23]根据电力负荷数据具有时序性以及非线性的特点，提出了一种混合模型。通过卷积神经网络提取电力负荷数据特征作为长短期预测算法的输入预测短期电力负荷应用模型，相较传统方案预测精度更高。文献[24]提出了一种基于经验模态分解电力曲线作为最小二乘支持向量机的输入，将电力曲线分为高频与低频两种频段，最终相加获得最终结果，计算精度显著提高。文献[25]考虑Prophet模型研究影响用户用电负荷的数据周期性、节假日变化趋势等，以最小二乘法对用电负荷影响因素赋予权重后结合长短期记忆网络对用户短期负荷进行预测，有效提高了预测精度。文献[26]使用爬山法改进的遗传算法优化极限学习机，获得了相较于传统机器学习算法更加稳定且精度更高的电力负荷模型。文献[27]提出了一种改进神经网络算法，结合主元分析法改进并预测当前台区合理线损值代替异常线损值。将特征相似的台区划分为同一类型，认为特征相似的台区应该具有较为类似的合理线损值。文献[28]使用蚁群算法对极限学习机算法预输入的权值和阈值进行优化，提高了用电量预测精度。文献[29]提出了一种改进长短期记忆神经网络方法，结合新鲜度可用性指标对电量进行预测，对于特定类型的用电负荷预测效果很好。文献[30]对各种预测模型进行了整合，结合各预测算法的优势设计了一套新的预测模型，预测效果更加稳定且精度更高。此外除了对电力负荷曲线研究预测方法，还有很多针对电力负荷影响因素与用电量关系的研究。文献[31]采用因子分析法集合偏自相关函数法，对影响用户负荷的影响因子贡献度进行排序以降低维度，使影响因子的选取更有针对性。以混沌鲸鱼算法优化最小二次支持向量机、BP神经网络和SVM算法结合影响因子预测用户用电负荷，通过三种算法的对比，证明了算法有效性。文献[32]提出结合灰色模型优化神经网络线损率预测精度的方案，对影响线损因素进行灰色关联分析，并在原来模型的基础上进行改进，提高了预测的精度。线损关联分析是线损研究的重要的组成部分，也是辅助线损管理的重要手段。线损关联分析，利用历史线损数据，通过数据挖掘、机器学习等手段，发现各线损类型间的内在联系，建立线损影响评价体系，分析各线损类型对线损影响程度并进行排名后，寻找关键线损类型指导电力企业快速降损，优化线损管理水平。文献[33]针对传统线损研究指标多以线损率作为评价标准的问题，开发了一套综合配电网运行结构，用电结构，设备运行状态的多维度线损评价体系，使线损评价更为立体。文献[34]考虑了电网理论线损的多重因素，如配电网变压器，线路电缆化率，线路评价负载率，线路截面等，以灰色综合关联度综合关联分析，通过层次分析法变权处理，最终建立多灰色模型预测组合模型，进行线损率预测及相关分析。文献[35]考虑线路长度、公变电量、导线型号等影响线损因素，以灰色关联分析结合于自适应遗传算法优化BP神经网络对线路与台区线损率进行理论评估与预测。通过关联分析配电网参数与线损关系确定了影响线损的15个电气指标作为改进BP神经网络算法的输入，以十折交叉验证法与自适应遗传算法优化BP神经网络的节点数目与初始权值阈值，通过实际案例验证了方法的有效性。国内外对线损的研究如今已经从多角度，多维度开展，然而对于线损数据本身的研究较少。虽然用电信息采集系统的发展极大提高了电力数据的采集率与准确性，但仍然有许多电能量与实际情况不符，无法体现用户真实的用电情况。不同于常规统计性线损，这类统计性线损在只在异常时段影响线损率的计算，但如果忽略异常时段，从长远上看，电力公司统计的电力不会有损失，即不会对配电网线损造成影响，这类线损称为虚假线损。虚假线损占管理线损比重很大，严重影响电力企业日常运营与线损指标的制定，且由于数据问题对线损的其他研究造成很大影响，因此分析研究虚假线损问题具有十分积极的意义。参考文献[1]S.Y.Shi,XL.Shen,Y.W.Gu.Researchoncalculationoflowvoltagedistributionnetworktheoreticallinelossbasedonmatpower[C].2011InternationalConferenceonAdvancedPowerSystemAutomationandProtection,2011,22-25[2]何俊智.基于大数据分析的电力营销管理研究[D].北京:华北电力大学,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,李阳,卢芳,等.多源信息辅助分区的主动配电网故障区段定位[J].电力系统保护与控制,2020,48(17):147-154[7]赵昭.基于用电信息采集系统的台区线损分析平台设计与开发[D].北京:华北电力大学,2018[8]王亮.大数据背景下电力企业营销管理创新研究[D].北京:华北电力大学,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]安晓华,欧阳森,冯天瑞,等.中压馈线理论线损率标杆值的优化设计方法及应用[J].电网技术,2016,40(01):199-206[12]赵庆明.基于近邻传播算法和随机森林回归模型的台区线损率计算方法[J].电力系统及其自动化学报,2020,32(09):94-98[13]李亚,刘丽平,李柏青,等.基于改进K-Means聚类和BP神经网络的台区线损率计算方法[J].中国电机工程学报,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.基于密度聚类技术的电力系统用电量异常分析算法[J].电力系统自动化,2017,41(5):64-70．[16]张宇帆,艾芊,李昭昱,等.基于特征提取的面向边缘数据中心的窃电监测[J].电力系统自动化,2020,44(09):128-134.[17]殷涛,薛阳,杨艺宁,等.基于向量自回归模型的高损线路窃电检测[J/OL].中国电机工程学报:1-20[2021-05-30]./10.13334/j.0258-8013.pcsee.210365.[18]金晟,苏盛,曹一家,等.基于格兰杰归因分析的高损台区窃电检测[J].电力系统自动化,2020,44(23):82-89.[19]赵磊,栾文鹏,王倩.应用AMI数据的低压配电网精确线损分析[J].电网技术,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]杨闻宇.济南东部地区燃气日负荷及中期负荷预测研究[D].哈尔滨:哈尔滨工业大学,2016.[23]陆继翔,张琪培,杨志宏,等.基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J].电力系统自动化,2019,43(08):131-137[24]X.Wang,M.Li.Ultra-short-termloadforecastingbasedonEEMD-LSSVM[J].PowerSystemProtect