Page 9 - 电力与能源2021年第二期

吴 裔, 等: 基于人工智能的配电网设备负载预测预警系统设计研究 1 7
5
关系数如图 4 所示。由图 4 可知: 负载率与温度、
温度平方、 气压的相关性较强, 相关系数分别为
0.60 , 0.69 , -0.58 ; 负载率与气压的相关性较弱,
相关 系 数 为 -0.13 。 进 一 步 地, 图 5 展 示 了
2017 — 2018 年某配电变压器日负载率按气温区
间划分的分布情况。由图5 可知, 气温在30℃ 以
上时, 配电变压器的负载率水平显著上升, 容易发

生重过载事件。

图 6 住宅类线路日负载率与气象特征的相关性热力图
如式( 2 ) 和( 3 ) 所示, 为评估负载率预测误差,
引入均方根误差 RMSE 和平均绝对百分比误差
MAPE 。
n
1 ^ 2
RMSE= ∑ ( x i-x i ) ( 2 )
n i = 1
n ^
100% x i-x i
MAPE= ∑ ( 3 )
n x i
图 4 住宅类配电变压器日负载率与气象特征的相关性热力图 i =1
沿海某城市典型配电变压器和线路的负载率
预测结果如表 1 和表 2 所示。配电变压器预测的
RMSE 在 0.01~0.04 之间, MAPE 在 6%~8%
之间; 与之相比, 线路的预测误差略高, RMSE 在
0.05~0.06 之间, MAPE 在 5%~9% 之间。
表 1 典型配电变压器负载率预测性能指标
编号 类型 RMSE MAPE / %
1 住宅类 0.01 6.22
2 商业类 0.04 7.45
图 5 按气温区间划分的住宅类配电变压器日负载率分布箱线图
3 混用类 0.03 6.45
住宅类线路 2017 年的负载率与温度、 湿度、 平均值 0.03 6.70
气压的皮尔逊相关系数如图 6 所示。由图 6 可 表 2 典型线路负载率预测性能指标
知, 日负载率与温度、 湿度、 气压等气象因素的相 编号 类型 RMSE MAPE / %
关系数介于 -0.23~0.29 之间, 表明线路的负载 1 住宅类 0.05 6.43
2 商业类 0.05 5.81
率与气象特征的关联性“ 不显著”, 尤其与湿度的
3 混用类 0.06 8.43
关联性较低。 平均值 0.05 6.89
按照设计的步骤, 分别计算各类配电变压器、
2 配电网元件重过载预警
馈线与气象特征之间的皮尔逊相关系数, 基于相
关系数确定数据建模过程中各特征的权重。 2.1 预警框架
1.5 建模预测 给出了配电网的配电变压器、 馈线的重过载
为每类配电变压器、 馈线建立基于门限递归 预警功能设计, 整个预警流程主要包括以下步骤。
单 元 ( Gated Recurrent Unit ,简 称 GRU )的 步骤 1 : 对象过滤。根据历史负载率特征, 从
Se q 2Se q 负载率预测模型, 训练样本为历史单日 所 有 配 电 变 压 器 和 线 路 中 筛 选 出 需 要 关 注 的
96 点负载率数据和同时段同采集频度的气象数 对象。
据。模型的输入为前一日 96 点负载率数据和后 步骤 2 : 状态预警。预测关注对象未来一日

一日气象数据, 输出为后一日 96 点负载率数据。 的 96 点负载率, 判断是否存在重过载风险。