【关键词】K均值；配电台区；线损估算；聚类

引言

随着电力系统快速发展，节能降耗问题得到了进一步的重视。其中，线损计算是电力系统中一项重要的技术经济指标，它在一定程度上反映了企业经营的综合情况。降低电网的线损是各级供电企业必不可少的任务；降低低压配电台区线损，对于推动我国能源公司实现低碳发展和双碳减排目标具有重要作用。刘亚丽等建议使用遗传算法来改进反向传播（Back Propagation，BP）神经网络，以此来计算配电网的理论线损：在获取线路的特征参数后，构建一个相应的BP神经网络预测模型；然后使用遗传算法来确定这个神经网络的参数，通过模拟和计算，挖掘影响线损的因素及其与线损之间的关系，从而实现线损的精确计算。[1]何立强等则基于改进的粒子群算法来优化径向基函数（Radial Basis Function，RBF）神经网络，并建立了一个用于线损计算和分析的模型，以便更有效地计算配电网台区的线损情况。[2]虽然上述方法能够实现线损计算，但是在实际应用中，神经网络通常需要大量的训练数据才能达到较好的性能，因此计算获取的线损率与实际线损率之间存在较大误差，缺乏一定的准确性。

相比起来，K均值聚类算法具有较高的计算效率，在处理大规模数据时表现良好，可以灵活适应各种数据规模和特征数量的变化，有助于提高线损计算的准确性。因此，本文提出了基于K均值聚类的低压配电台区线损估算方法。

一、基于K均值聚类的低压配电台区线损估算方法

（一）基于K均值聚类构建线损估算模型

因为管理线损的存在，统计线损并不能将低压配电台区的实际损耗电量状况反映出来。为了制定恰当的低压配电台区线损考核标准，并有效指导降损和节能工作，技术人员必须对理论线损进行估算，推动线损管理工作的进一步深化。

由于低压配电台区结构复杂、规模大，计算工作量大，传统的理论线损计算方法已经不能满足其要求，因此需要利用K均值聚类算法来估算低压配电台区的理论线损[3]。K均值聚类算法采用欧式距离来衡量数据点之间的相似性，并依据误差平方和作为聚类效果的准则函数。

聚类分析是将事物按照某种规律划分为多个类别的过程，该方法无需预先指定类别数量和结构特征，而是根据数据的特征进行自动划分。同一类别的客体在性质上表现出相似性，而不同类别的客体则表现出不同的性质。因此，本文利用K均值聚类算法构建了一种线损估算模型，将10个线损参数值分为训练样本和测试样本两种类型，作为K均值聚类算法的输入，其适应度函数f（x）如式（1）所示：

其中，qi表示样本实际数值，iq表示样本的期望数值，n表示样本的总数据。