摘 要：【目的】在電力系統(tǒng)中，線損率是衡量電網(wǎng)系統(tǒng)設計、運維和管理水平的重要經(jīng)濟技術指標，對于保障電網(wǎng)的穩(wěn)定經(jīng)濟運行、提高供電效率具有重要意義。然而，在用戶數(shù)量激增、用能特征多樣化的大數(shù)據(jù)背景下，線損率的計算評價工作面臨較大挑戰(zhàn)。傳統(tǒng)線損計算方法依賴于電網(wǎng)參數(shù)，精細化程度偏低，計算準確率不佳。【方法】針對該問題，提出了一種基于改進循環(huán)神經(jīng)網(wǎng)絡（ＲＮＮ）的低壓配電網(wǎng)線損智能分析方法，旨在通過智能化手段提高線損計算的準確性和效率。方法利用Ｋｍｅａｎｓ算法對智能配電網(wǎng)的海量用戶數(shù)據(jù)進行分類預處理，以降低數(shù)據(jù)冗余度。采用層次分析法（ＡＨＰ）從分類數(shù)據(jù)中提取線損指標，這些指標隨后被輸入到深度學習模型中，其中，核心深度學習模型是由卷積神經(jīng)網(wǎng)絡（ＣＮＮ）和改進長短時記憶網(wǎng)絡（ＬＳＴＭ）模型融合而成，該模型能夠挖掘配電網(wǎng)數(shù)據(jù)特征，實現(xiàn)線損的智能分析。通過ＩＥＥＥ３３節(jié)點的仿真模型進行實驗驗證，充分展示所提方法的有效性?！窘Y(jié)果】實驗結(jié)果表明，所提方法的均方誤差（ＭＳＥ）和相對誤差百分數(shù)（ＲＥ）分別為３１５ＭＷ 和２４３％，計算精度較高。與現(xiàn)有方法相比，所提方法在大數(shù)據(jù)背景下的配電網(wǎng)線損智能分析中具有明顯優(yōu)勢，能夠全面考慮各種配電網(wǎng)的影響因素，獲得更精準的線損計算結(jié)果。此外，通過與兩種經(jīng)典文獻方法進行對比實驗，進一步驗證所提方法的性能優(yōu)勢?！窘Y(jié)論】基于改進ＲＮＮ模型的低壓配電網(wǎng)線損智能分析方法通過Ｋｍｅａｎｓ算法和ＡＨＰ預處理提取線損指標，再利用ＣＮＮＬＳＴＭ模型進行深入分析，有效提高了線損計算的準確性和效率。該方法主要針對低壓配電網(wǎng)線路側(cè)的線損進行分析，對于更高等級電壓的線損分析尚未深入研究，但其在低壓配電網(wǎng)線損智能分析中顯示出優(yōu)異的結(jié)果，具有實際應用價值。未來的研究將擴展到更廣泛的校驗分析，以提高方法的全面性和可靠性。此外，該方法的提出也為智能配電網(wǎng)的進一步研究和應用提供了新的思路和工具，有助于推動智能電網(wǎng)技術的發(fā)展和應用。通過這種方法，不僅可以提高線損計算的準確性，還能為電網(wǎng)的優(yōu)化管理提供科學依據(jù)，對于提升電網(wǎng)運行效率、降低能源損耗具有重要的實際意義。隨著技術的不斷進步和數(shù)據(jù)量的日益增加，智能化的線損分析方法將成為電力系統(tǒng)運維中不可或缺的一部分。

關 鍵 詞：大數(shù)據(jù)；低壓配電網(wǎng)；Ｋ-ｍｅａｎｓ聚類；層次分析法；特征提?。唬茫危?ＬＳＴＭ模型；智能線損分析；循環(huán)神經(jīng)網(wǎng)絡

中圖分類號：ＴＭ７２７ 文獻標志碼：Ａ 文章編號：１０００－１６４６（２０２５）０１－０１３０－０７

線損率作為反映電網(wǎng)系統(tǒng)設計、運維和管理水平的綜合經(jīng)濟技術指標，在保證電網(wǎng)穩(wěn)定經(jīng)濟運行、提高供電效率等方面均具有重要意義［１］，因此，供電部門對于線損率的計算、預測等問題高度重視。而在用戶數(shù)量激增、用能特征多樣化的背景下，線損率的分析工作也面臨著較大的挑戰(zhàn)［２］。

隨著智能配電網(wǎng)的持續(xù)發(fā)展，智能化、信息化網(wǎng)絡逐步成為了主流發(fā)展方向，因此大量科研人員對如何精確、快速地計算低壓配電網(wǎng)的線損展開了研究，并取得了一定的成果［３］。現(xiàn)有常見方法包括：均方根法（ｒｏｏｔｓｕｍｓｑｕａｒｅｓ，ＲＳＳ）、電量法、等值電阻法以及平均電壓法等，且均得到了廣泛的應用［４］。但上述方法對于網(wǎng)絡結(jié)構(gòu)、線路元件等信息的依賴程度較大，且計算線損值的個數(shù)有限，所以并不適用于大規(guī)模的智能配電網(wǎng)。趙慶明［５］在近鄰傳播聚類算法（ａｆｆｉｎｉｔｙｐｒｏｐａｇａｔｉｏｎ，ＡＰ）的基礎上，結(jié)合隨機森林回歸模型（ｒａｎｄｏｍｆｏｒｅｓｔｒｅｇｒｅｓｓｉｏｎ，ＲＦＲ）提出了一種臺區(qū)線損率計算方法，并根據(jù)線損模型來計算電氣特征指標，提取特征參數(shù)后再采用ＡＰ算法完成數(shù)據(jù)分析，進而有效提升了線損分析的準確率。ＴＡＮ等［６］提出了一種基于改進ＢＰ神經(jīng)網(wǎng)絡的低壓配電網(wǎng)線損率估計方法。該方法采用均值遷移法改進ＢＰ神經(jīng)網(wǎng)絡模型來選擇計算線損率所需的特征數(shù)據(jù)，從而使線損分析的準確率得到大幅提高。周王峰等［７］提出一種基于降噪自編碼器（ｄｅｎｏｉｓｉｎｇａｕｔｏｅｎｃｏｄｅｒ，ＤＡＥ）結(jié)合長短時記憶網(wǎng)絡（ｌｏｎｇｓｈｏｒｔｔｅｒｍｍｅｍｏｒｙ，ＬＳＴＭ）的配電網(wǎng)日線損率預測模型。通過建立灰色綜合關聯(lián)度（ｇｒｅｙｒｅｌａｔｉｏｎａｎａｌｙｓｉｓ，ＧＲＡ）分析指標，選擇歷史同期量作為輔助預測，以無監(jiān)督的方式構(gòu)建ＬＳＴＭ 模型，該模型兼顧了線損預測的準確率和計算速度。然而上述方法并未考慮大數(shù)據(jù)對分析結(jié)果的影響，當數(shù)據(jù)量較大時其計算分析結(jié)果的準確性及時效性均有所下降。

針對大數(shù)據(jù)背景下低壓配電網(wǎng)線損情況，本文提出了一種基于改進循環(huán)神經(jīng)網(wǎng)絡（ｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ，ＲＮＮ）的配電網(wǎng)線損智能分析方法。該方法通過層次分析法（ａｎａｌｙｔｉｃｈｉｅｒａｒｃｈｙｐｒｏｃｅｓｓ，ＡＨＰ）來獲取線損指標，并利用卷積神經(jīng)網(wǎng)絡（ｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）改進ＬＳＴＭ 模型，從而有效實現(xiàn)對海量配網(wǎng)數(shù)據(jù)特征的挖掘，提高線損智能分析的效果。