王壯壯

（遼寧煤炭基本建設(shè)技工學校）

0 引言

在我國的農(nóng)村地區(qū)，由于配電網(wǎng)線路的覆蓋范圍廣、結(jié)構(gòu)復雜且設(shè)備較多，導致數(shù)據(jù)采集變得困難，從而使得精確計算農(nóng)村配電網(wǎng)技術(shù)線損變得異常困難。然而，隨著計算機技術(shù)和人工智能的不斷發(fā)展，為農(nóng)村配電網(wǎng)技術(shù)線損計算提供了新的解決思路。目前，很多農(nóng)村配電網(wǎng)的線損計算方法使用傳統(tǒng)的BP（反向傳播）神經(jīng)網(wǎng)絡(luò)模型，然而這種模型存在一些問題，如效率低下、容易陷入局部最小值等。

雖然當前對BP 神經(jīng)網(wǎng)絡(luò)模型進行了一些優(yōu)化，但其效率仍然不理想。與BP 神經(jīng)網(wǎng)絡(luò)模型相比，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型在精確度方面表現(xiàn)出更好的性能，并能更接近全局逼近的水平，從而極大改善了BP 神經(jīng)網(wǎng)絡(luò)模型在局部最優(yōu)解方面的缺陷。此外，在學習效率方面，BP神經(jīng)網(wǎng)絡(luò)模型具有固定的速度，收斂速度較慢，訓練時間較長。而徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型則恰恰相反，收斂速度較快，是一種高效的神經(jīng)網(wǎng)絡(luò)模型。因此，在農(nóng)村配電網(wǎng)技術(shù)線損計算中，考慮到線損數(shù)據(jù)的復雜非線性關(guān)系，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型比BP 神經(jīng)網(wǎng)絡(luò)模型更為適合，具備逼近任意函數(shù)的能力，可應(yīng)用于農(nóng)村配電網(wǎng)技術(shù)線損的準確計算中。

1 配電網(wǎng)技術(shù)線損的定義與構(gòu)成

在農(nóng)村配電網(wǎng)技術(shù)線損特征評估過程中，首先要關(guān)注的是線損變化的影響因素。在本文，筆者主要研究的是技術(shù)線損，受農(nóng)村配電網(wǎng)絡(luò)自身特征所限制，其設(shè)備繁多、結(jié)構(gòu)復雜、分支較多，且智能化水平不高，在獲取相關(guān)運行數(shù)據(jù)的時候是比較難的。在分析好電網(wǎng)線損的主要構(gòu)成的前提下，我們可以獲得技術(shù)線損、管理線損的比重情況，有助于降低農(nóng)村配電網(wǎng)線損。所謂電力網(wǎng)線損，主要是指在電能從發(fā)電廠到用電戶過程中所產(chǎn)生的能力損耗，這一損耗原因較為復雜，可以分為下面幾個類別。

在農(nóng)村配電網(wǎng)技術(shù)線損特征評估過程中，首先需要關(guān)注線損變化的影響因素。對于農(nóng)村配電網(wǎng)，由于其設(shè)備眾多、結(jié)構(gòu)復雜、分支較多，且智能化水平相對較低，獲取相關(guān)運行數(shù)據(jù)非常困難。在充分分析電網(wǎng)線損的主要組成部分的基礎(chǔ)上，可以了解技術(shù)線損和管理線損的比重情況，有助于降低農(nóng)村配電網(wǎng)的線損。電力網(wǎng)線損主要是指電能從發(fā)電廠到用電戶過程中所產(chǎn)生的能力損耗。這種損耗的原因非常復雜，可以分為以下幾個類別。

（1）技術(shù)線損

技術(shù)線損，也被稱為理論線損，是電網(wǎng)運行中難以避免的電能損耗，通過電網(wǎng)運行數(shù)據(jù)和結(jié)構(gòu)數(shù)據(jù)，可以獲得技術(shù)線損的情況。在技術(shù)線損中，電阻損耗和勵磁損耗是主要原因。電阻損耗是由于電網(wǎng)設(shè)備內(nèi)部的電阻導致電流流過時產(chǎn)生的能量損耗。勵磁損耗則是由于某些電氣設(shè)備在運行中需要消耗電能來產(chǎn)生自身磁場而造成的能量損耗。

（2）管理線損

在電網(wǎng)運行中，因為管理原因?qū)е码娔軗p失為管理線損，其中有抄表誤差、電暈損耗、竊電行為、設(shè)備漏電及線路損壞導致的漏電等。在電網(wǎng)運行過程中，可以精確測算出配電網(wǎng)中技術(shù)線損所占比重，從而確定管理線損的比重情況，通過降低線損達到降低管理線損的目的。

（3）統(tǒng)計線損

線損是由技術(shù)線損和管理線損構(gòu)成的，表示發(fā)電量與售電量之間的差額。對于電網(wǎng)而言，線損率是評估電能損耗情況的重要指標，統(tǒng)計線損率有助于了解損耗情況，從而降低線損。根據(jù)線損產(chǎn)生的原因，線損主要可分為固定損耗、可變損耗和不明損耗三種。固定損耗包括配電變壓器的鐵損和維持設(shè)備運行所需的磁能損耗，在電壓水平一致時是固定的?？勺儞p耗是隨著電流變化而變化的電能損耗，包括線路損耗、電阻損耗、配電變壓器的銅損耗以及各種計量設(shè)備的銅損耗。

2 配電網(wǎng)技術(shù)線損計算方法

傳統(tǒng)配電網(wǎng)中，有多種方法可以計算技術(shù)線損，包括均方根電流法、回歸分析法、等效電阻法和損失系數(shù)法。這些計算方法有著不同的使用途徑，在計算過程中需要使用的系數(shù)。使用范圍均有所區(qū)別。簡言之，不同的計算方法適用于不同的情況和要求。

2.1 均方根電流法

均方根電流法是一種用于計算線路損耗的方法，在線路中通過的均方根電流、電氣元件上的電阻數(shù)據(jù)是其掌握的前提。我們用R 表示在電氣元氣中的電阻， 通過次元件電流每小時測量值為I1，I2，I3，………I24，則該元件一天內(nèi)產(chǎn)生的電能損耗?A為：

式中，?A表示一天內(nèi)電能損耗，R表示電氣元件的電阻，、、…、表示逐小時測量的電流值。這個公式可以用來計算線路上電氣元件一天內(nèi)的電能損耗。式中的Irms為日均方根電流，它的計算公式為：

如果可以測量無功功率、有功功率和線路線電壓，則日均方根電流的計算方法為：

式中，Pi為經(jīng)過該元件的三項有功功率；Qi為經(jīng)過該元件的三項無功功率；Ui為該元件兩端的電壓值。

2.2 等值電阻法

由于使用均方根電流法在配電網(wǎng)技術(shù)線損計算中存在一些局限性，由于農(nóng)村配電網(wǎng)結(jié)構(gòu)復雜、設(shè)備繁多等特點。在其獲取數(shù)據(jù)的過程中，每個節(jié)點的數(shù)據(jù)都是難以精準的，這也導致計算準確度大大降低了。此外，在計算左右節(jié)點的過程中，數(shù)據(jù)相加涉及到較大的計算量，增加了計算的復雜性和時間成本。相比之下，等值電阻法以整條線路為單位計算線損值，減少了計算所需的參數(shù)和計算量。這種方法的優(yōu)勢在于能夠用更少的計算成本完成對配電網(wǎng)技術(shù)線損的計算，但是因為整條線路被視為一個等效電阻，所以無法準確地考慮到線路中各個設(shè)備的特性和電流分配情況，從而導致計算結(jié)果的精度相對較低。因此，在配電網(wǎng)技術(shù)線損計算中，需要尋找更合適的方法來克服均方根電流法和等值電阻法的局限性，以提高計算的準確性和效率。

2.3 回歸分析法

回歸分析是一種常見的數(shù)學方法，可以用于研究自變量與因變量之間的關(guān)系。在配電網(wǎng)技術(shù)線損計算中，我們可以使用回歸分析來確定自變量（如電壓、電流、有功功率、無功功率）與因變量（線損值）之間的聯(lián)系，并通過建立回歸方程來解決實際問題。具體步驟如下：（1）電力線路上的線損樣本數(shù)據(jù)較多，涉及到電流、電壓、功率等數(shù)值。（2）建立回歸方程，利用好自變量和因變量之間的關(guān)系，確定好回歸方程。在實際情況和問題分析中，在線性回歸或非線性回歸方程中自主選擇。對于線性問題，可以使用線性回歸方程進行求解；對于非線性問題，則需要使用非線性回歸方程，如對數(shù)回歸模型或多項式回歸模型等。（3）利用建立的回歸方程對線損值進行分析和計算。通過回歸方程，可以根據(jù)給定的線損特征樣本預(yù)測出線損值，從而對配電網(wǎng)的線損進行評估和優(yōu)化。

回歸分析的優(yōu)勢在于能夠考慮到線損特征之間的相互作用，從而提高線損計算的準確性和效率。同時，回歸分析方法也具有較低的計算復雜度，便于實際應(yīng)用和計算?？傊?，回歸分析是一種有效的方法，可以用于配電網(wǎng)技術(shù)線損計算，為優(yōu)化配電網(wǎng)運行提供參考依據(jù)。

3 農(nóng)村配電網(wǎng)技術(shù)線損評估模型

RBF神經(jīng)網(wǎng)絡(luò)，主要由輸入層、隱藏層和輸出層構(gòu)成的三層前向神經(jīng)網(wǎng)絡(luò)。在應(yīng)用RBF 過程中，隱含層的中心（ui）、激活函數(shù)的寬度（σi）和隱含層與輸出層之間的權(quán)值（ω）這三個數(shù)值是非常重要的，這三個參數(shù)的準確性關(guān)系到非線性逼近能力。為了更好地應(yīng)用RBF 神經(jīng)網(wǎng)絡(luò)，筆者主要通過PSO 算法優(yōu)化這一內(nèi)容，通過K-K-means++方法確定隱藏層數(shù)量、各個類別的中心，確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，為初始化PSO 提供借鑒。此外，將RBF 中激活函數(shù)寬度和初始聚類中心應(yīng)用到PSO 當中，利用迭代計算法尋找最優(yōu)解。通過不同適應(yīng)情況，對激活函數(shù)寬度和隱含層節(jié)點不斷更新優(yōu)化，通過PSO 算法達到優(yōu)化RBF設(shè)計的目的，獲得隱藏層與輸出層之間的權(quán)值、適應(yīng)度值，對粒子速度及位置情況進行優(yōu)化更新。對于迭代次數(shù)而言，可以通過PSO 算法判斷是否達到最大值，如果已到最大值就終止算法，不然就重新返回至前一步驟。最后，將從算法中得出的最優(yōu)參數(shù)應(yīng)用在RBF當中，用于計算農(nóng)村配電網(wǎng)技術(shù)線損值。

（1）確定隱含層數(shù)量和初始聚類中心

在本文中，對于線損特征情況，我們利用kmeans++算法進行聚類，根據(jù)算法結(jié)果來明確隱含層數(shù)量及隱含層節(jié)點的初始項鏈。在k-means++算法中，k數(shù)值是人為指定的，這一數(shù)值合理性關(guān)系到RBF 神經(jīng)網(wǎng)絡(luò)的性能發(fā)揮。為了確定合適的k 值和初始聚類中心，采用以下方法：首先，對數(shù)據(jù)使用不同的k 值進行聚類，并計算每個聚類結(jié)果的輪廓系數(shù)，輪廓系數(shù)綜合了類內(nèi)部的緊密程度和類間的分離程度，用于評估聚類的合理性；然后，從這些聚類結(jié)果中選擇具有最高輪廓系數(shù)的結(jié)果作為合理的k 值和相應(yīng)的聚類中心。

（2）編碼與粒子群種群初始化

在RBF 神經(jīng)網(wǎng)絡(luò)中，為了更好了解其結(jié)構(gòu)和編碼，將之應(yīng)用到PSO 算法當中，主要有如下7 個途徑。① PSO 算法參數(shù)有最大更新速度、學習因子、種群規(guī)模和慣性權(quán)重等，進行初始化操作；② 對PSO 粒子空間維度、神經(jīng)網(wǎng)絡(luò)的連接權(quán)值，建立起映射關(guān)系；③ 對位置矩陣X 進行初始化設(shè)定。將群體定為N，利用激活函數(shù)寬度、初始聚類中心對第一個粒子位置進行初始化設(shè)定，而其他粒子位置則根據(jù)隨機初始化的辦法來確定；④ 對速度矩陣Y 進行初始化設(shè)定。我們也使用隨機初始化的方法確定每個粒子的速度；⑤ 進行PSO 算法的迭代優(yōu)化，直到達到最大迭代次數(shù)。在每次迭代中，根據(jù)當前的位置和速度，更新粒子的位置和速度；⑥ 在迭代的過程中，利用適應(yīng)度函數(shù)評估每個粒子的適應(yīng)度，并更新全局最優(yōu)適應(yīng)度和對應(yīng)的位置。⑦ 最終，PSO 算法將找到最優(yōu)的位置和相應(yīng)的粒子，其中包含了最佳的RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

式中，M=k（n+1），k為隱含層的節(jié)點數(shù)，n為輸入特征向量的維數(shù)；表示群體中第i個粒子位置向量的第j維分量。

（3）計算隱含層與輸出層的連接權(quán)值

在應(yīng)用PSO 算法之后，迭代之后的狀態(tài)中，我們能夠從最優(yōu)解中了解RBF 神經(jīng)網(wǎng)絡(luò)中的隱含層節(jié)點、確定激活函數(shù)數(shù)值。主要通過如下公示來確定隱含層及輸出層之間的連接權(quán)值。

式中，wj是隱含層節(jié)點和輸出層之間的連接權(quán)值，tj是隱含層節(jié)點的位置，ci是聚類中心，σi是激活函數(shù)的寬度。接下來，可以將RBF 神經(jīng)網(wǎng)絡(luò)應(yīng)用于訓練數(shù)據(jù)的線損值計算，從而得到在當前參數(shù)下的模型輸出值。模型輸出值可以用來計算適應(yīng)度值，可以使用相關(guān)的評價指標（如均方誤差）來衡量模型的擬合能力和準確性。通過迭代優(yōu)化，PSO算法將在每次迭代中搜索到更好的參數(shù)配置，從而不斷改善RBF神經(jīng)網(wǎng)絡(luò)的性能和擬合能力。

（4）計算每個粒子的適應(yīng)度值

通過不斷迭代PSO 算法，粒子將會搜索到更好的模型參數(shù)配置，以減小模型輸出值與線損真實值之間的均方誤差，從而找到更優(yōu)的適應(yīng)度值。這樣，PSO 算法就可以學習到更合適的RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)，提高模型的擬合能力和準確性。其定義如下。

式中，F(xiàn)itnessFunci維第i個粒字的適應(yīng)度值；D（xi1，xi2，…，xim）為核函數(shù)參數(shù)（xi1，xi2，…，xim）情況下網(wǎng)絡(luò)的憑據(jù)誤差平方和，其計算公式如下。

式中，樣本總數(shù)為p，輸出層節(jié)點數(shù)為m，j樣本中輸出層的第i各節(jié)點實際輸出值為，j樣本中第i節(jié)點的預(yù)期輸出值為。當輸入特征向量為i時，的結(jié)果為1，相反則為0。

（5）更新粒子的速度和位置

對于PSO 算法的每個粒子i，可以使用以下方式更新粒子的速度和位置。

比較粒子i在本次迭代的適應(yīng)度值與其歷史最佳適應(yīng)度值，不同的適應(yīng)度值再進行數(shù)據(jù)更新。一般而言，當?shù)m應(yīng)度值較小時，對于粒子i而言，當前適應(yīng)度值為最佳適應(yīng)度值。通過對比粒子i的適應(yīng)度值，將本次迭代與種群全局最佳值進行比較，在根據(jù)適應(yīng)度值的大小情況，對內(nèi)容進行更新。當本次迭代形成的數(shù)值更小的時候，將當前適應(yīng)度值賦給全局最佳適應(yīng)度值。

通過以上步驟，可以不斷迭代更新粒子的速度和位置，以實現(xiàn)對適應(yīng)度值的優(yōu)化。

（6）判斷算法終止條件

如果要判斷算法是否達到最大迭代次數(shù)，則需要進行以下操作：

第一步，檢查算法是否已經(jīng)達到最大迭代次數(shù)。當?shù)螖?shù)已達到最大值時，算法中止。不然就需要進行下一步操作。

第二步，重新計算粒子的適應(yīng)度。根據(jù)當前的粒子位置和速度，重新計算粒子的適應(yīng)度。

第三步，更新粒子群的位置和速度。及時參考最新粒子適應(yīng)度和規(guī)則，更新粒子的速度和位置情況。

第四步，重復執(zhí)行步驟2 和3，直到達到最大迭代次數(shù)或滿足其他停止條件。因此，當?shù)螖?shù)達到最高值，終止算法；不然，返回到第四步中，再次測算粒子的適應(yīng)度。

（7）解碼最優(yōu)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)

要確定RBF 神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點和激活函數(shù)，能夠?qū)⑷后w優(yōu)化當中的最優(yōu)位置，設(shè)置為隱含層節(jié)點和激活函數(shù)寬度。當確定好相關(guān)函數(shù)之后，利用固定公式得出隱含層及輸出層的連接值。

（8）運用最優(yōu)RBF神經(jīng)網(wǎng)絡(luò)做線損計算

在RBF 神經(jīng)網(wǎng)絡(luò)當中，逐個將最優(yōu)參數(shù)放置到其中，從而得出了最佳的RBF 神經(jīng)網(wǎng)絡(luò)。隨后，可以使用這個最優(yōu)的RBF 神經(jīng)網(wǎng)絡(luò)來計算技術(shù)線損，從而得到精確的結(jié)果。算法計算步驟如圖1。

圖1 PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)計算技術(shù)線損流程圖

4 結(jié)束語

本文針對農(nóng)村配電網(wǎng)技術(shù)線損這一問題，建立了一種農(nóng)村配電網(wǎng)技術(shù)線損特征分析與評估模型。該模型充分考慮了引起農(nóng)村配電網(wǎng)技術(shù)線損變化的各種因素，如拓撲結(jié)構(gòu)、設(shè)備類型、運行參數(shù)等，要聯(lián)系好不同影響因子的影響程度及其關(guān)聯(lián)性。在農(nóng)村配電網(wǎng)中，其結(jié)構(gòu)復雜、設(shè)備繁多、數(shù)據(jù)難獲取等特征，使得技術(shù)線損的分析和評估面臨一定的挑戰(zhàn)。