基于营配大数据的配网停电诊断与影响评估关键技术研究

曹熙 田欣 黎晓冰

摘要：针对配电网发展过程中存在的问题，亟需研究面向大数据环境下的配网停电诊断与影响评估模型及相关大数据处理关键技术，从而全面客观的诊断分析配电网运行的可靠性，估算供电中断对用户造成的损失，并对造成停电事故产生的原因及影响进行深度分析，需要借助大数据分析技术，充分利用营配领域积累的海量历史和现时产生的实时数据，科学地构建诊断指标体系、诊断模型、指数模型及分析模型，实现在线智能分析诊断，从而合理地估算和评价城市配电网中各类用户的停电损失，分析造成配电网停电故障的根本原因，并为应急电源优化配置的投资和决策方面提供科学依据。

关键词：配电网  停电诊断  关键技术

0 引言

随着我国国民经济的快速增长，人民物质文化生活水平不断提高，各行业对电力的需求也越来越大，这也使得电力系统自身规模不断扩大，自动化水平不断提高，系统结构也日趋复杂。向用户提供安全、可靠、经济的电能是电力企业的宗旨。然而，在实际运行中，供电不足或断电的情况往往会因各种因素而发生，这除了会直接影响供电部门的经济效益之外，还会对各类用户造成非常严重的停电损失。在供电不足或停电问题尚无法完全得到解决的现状下，我们需要从统筹社会全局的角度，本着社会效益最大化的原则来规划配电网建设、优化配电网运行检修，进而达到现有条件下的配电网最优可靠性水平。

为了实现上述目标，可以充分利用营配领域积累的海量历史数据通过数据挖掘科学构建相应诊断模型、指数模型及分析模型，在线捕获实时业务数据，实现预测、估算供电中断对用户造成的损失，即停电损失，并对造成停电事故产生的根本原因进行溯源分析，便于电网企业启动合理应急预案，采取恰当的处置措施防止停电影响扩大化。合理地估算和评价城市配电网中各类用户的停电损失， 可为电力企业在提高城市电网的可靠性水平及应急电源优化配置的投资和决策方面提供依据。

1 研究目标

本文重点研究配网停电原因诊断及其影响评估，主要为了实现如下三个工作目标：

①通过试点研究，完成配网停电原因诊断与影响评估业务分析，明确应用目标，验证业务价值，确保营配网诊断与评估应用切实符合南网智能配电网业务发展需要。

②通过试点研究，完成大数据典型应用场景的数据模型、分析模型和数据可视化场景设计，实现应用目标。

③通过试点研究与同步开展的大数据技术应用路线研究，研究符合营配一体化需求的大数据技术的适用性，探寻最适合的技术解决方案。

2 主要涉及的研究理论

本文所涉及的学习理论主要包括：信息熵和重尾分布理论。具体理论依据阐述如下：

2.1 信息熵理论：指标权重的大小其本质上是由该指标在指标体系中所含的信息量所决定的，信息量的大小本质上是有该指标取值序列熵值所反映。一般而言，越稳定的指标，其所含的信息越少，反之则越大。而信息熵理论则正好反应了这一基本理念，因此用信息熵来进行指标权重的分配是合适的。

2.2 重尾分布模型：设置指标阈值的目的就是要在指标的正常值和异常值之间设置一个分界线，因此核心问题就是要观察正常值和异常值的分布问题。一般而言，正常值属于分布较普遍的取值，其出现次数较多，而异常现象的取值往往偏离常规取值。而在重尾分布理论中，其取值最高的部分常用于刻画描述常态（比如我国居民平均收入的人群数量），而其常常尾部所刻画的对象往往是异常对象（比如居民亿万收入的人群）。因此，对于指标阈值设定的问题，可以用重尾分布理论来解决。

2.3 多源数据集成融合技术。数据集成是把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，从而为企业提供全面的数据共享。

目前通常采用联邦式、基于中间件模型和数据仓库等方法来构造集成的系统，这些技术在不同的着重点和应用上解决数据共享和为企业提供决策支持。

3 研究技术路线

■

本研究的整体架构如上图所示，以公司现有停电诊断分析相关指标为基础，运用概率图模型理论，构建层次指标体系结构，主要内容包括：①指标阈值优化：通过重尾分布理论，对电力大数据流序列的分析，对每个指标值的分布构建重尾分布模型，确定停电指标的置信区间，进而确定重尾分布中常态数据分布和异常分布之间的分界线，进而确定指标的阈值;②指标权重优化：多因素问题研究中各因素的权重分配始终是多因素问题研究的一个重点，指标的权重确定属于这一范畴;③构建指标网络拓扑结构：基于概率图模型理论通过边来刻画基础指标之间的相关关系，并形成了一套完成的概率推理理论，确定并量化指标之间拓扑关系;④基于综合指数法的停电影响指数模型构建：充分借鉴国际上最新的指数理论研究方法与成果，结合我国国有企业的实际情况和公司停电业务的实际需求，从停电范围、停电损失等方面着手构建停电影响指数模型;⑤停电影响模糊综合评价：由于不同类型的指标存在着信息完整度不同，评价专家理解度不同等情况，使得停电影响评价指标体系的计算是一个定量与定性相结合的过程。

4 应用场景

■

应用场景1：配网抗大面积停电能力及停电原因诊断模型。通过构建抗大面积停电能力的“N-1”诊断分析模型，停电原因诊断分析人员可根据模型分析结果，探测系统中的表象与深层问题的原因，快速定位系统问题源头，并提供及时有效的解决方案。抗大面积停电能力诊断，通过分析当前、历史停电事故的数据，挖掘出当前电网运行的弊端和缺陷，找出电网运行故障的症结和问题，并对此进行修复升级，从而全面提高系统抗大面积停电能力，保障要害区域的供电安全和稳定。

应用场景2：配网可靠性诊断模型。利用元件可靠性历史数据，对电网可靠性进行计算与预测，分析所有可能的故障事件或元件，并确定对负荷点的影响，找出系统的故障模式集合，并对停电影响程度进行评估。电网稳定运行时，即在电网元件容量、母线电压和系统频率等的允许范围内。考虑电网元件在计划停运以及合理的非计划停运条件下，向用户提供全部所需的电力和电量的能力。

5 总结

通过开展基于营配大数据的配网停电诊断与影响评估关键技术研究，一方面通过基于重尾分布、信息熵等理论对营配领域的历史数据挖掘分析，实现优化诊断指标体系的阈值、诊断指标的权重、指标之间的关联关系等，从而构建能全面、客观反映配网运营水平的诊断指标体系框架;另一方面通过研究基于客户满意度的配网运营诊断与分析模型，模拟仿真、内存计算等技术，构建能实时在线分析、诊断配网运营的分析模型，开展配网运营效率、配网可靠性、安全性及配网停电影响评估等诊断分析，提升配网智能分析能力，促进提升公司营配一体化运营整体水平。

参考文献：

[1]欧阳泉江.用电营销管理存在的问题及解决对策[J].农村电工，2004（8）：10.

[2]刘军.大数据时代及数据挖掘的应用[J].国家电网报，2012（10）.

[3]杜礼锋.营配一体化系统及其信息集成平台[J].现代计算机，2010，下半月版.

[4]林海.营配一体化系统建设浅析[J].现代营销，2012（009）.