面向大数据应用的配电网运行状态评估方法探讨＊

杨凤生，曾 惜，王元峰，刘 畅，董飞军，蔡广林

（1.贵阳供电局，贵州 贵阳 550004；2.广州思泰信息技术有限公司，广东 广州 511493）

鉴于大数据在电力系统的应用场景越来越多，本文对大数据在城市配电网运行状态评估中的应用进行分析，提出了基于大数据技术的城市配电网运行状态评估分析方法，利用配电大数据采集、存储、分析、关联、预测技术，从海量数据中挖掘、提炼关键信息，预测未来一定时刻的运行状态指标参数，判断运行可靠性和经济性水平。

1 配电网运行中的大数据特征

随着城市化进程的加快，配电网自动化程度越来越高，包括配电自动化系统、调度自动化系统、电网气象信息系统、电能质量监测管理系统、生产管理系统、地理信息系统、用电信息采集系统、配变负荷监测系统、负荷控制系统、营销业务管理系统、ERP系统[6]、95598客服系统和经济社会类数据等数据源，这些数据源的总体状况如表1所示。

2 大数据对配电网运行的意义

对于配电网安全运行而言，大数据技术的意义不在于海量的数据，而是海量数据中对于配电网安全运行有效的数据，以及这部分数据被持续挖掘所付出的代价能否被电力企业后续发展所承受。

表1 典型配电网数据源特点

3 配电网运行状态评估分析

3.1 建立运行状态评估指标体系

基于大数据技术的城市配电网运行状态评估指标[7]主要包括以下几个：①安全性评价指标，比如配电系统的频率、节点电压水平、主变和线路负载率等指标；②供电能力评价指标，比如容载比、线路间转供能力等；③可靠性和供电质量[8]评价指标，比如负荷点故障率、系统平均停电频率、系统平均停电时间、电压合格率、电压波动与闪变、三相不平衡度、波形畸变率、电压偏移和频率偏差等；④经济性评价指标，比如线损率和设备利用效率等。

3.2 提取运行状态评估主成分指标

在运行状态评估指标体系中，指标变量个数多，建模与计算复杂，各指标之间又存在一些冗余信息，逐个分析将增加大量冗余工作。在实际工作中，运用主成分分析法[9]，采用离差平方和或方差计算各指标的信息量，将重复或相关性强的指标删去，从而提取相关性小且能包含绝大部分原信息的少数几个评估运行可靠性指标，筛选影响系统运行状态的关键元件、重要区域和薄弱环节，缩小评估范围。

3.2.1 评估指标标准化

运行状态各指标的量纲不同，需要对各指标参数进行标准化处理。基于配电大数据得到各指标的分布函数，并按式（1）对各指标变量X进行正态分布标准化处理，转换为对应的正态分布变量Z：

本文以TMS320DM642处理器为核心芯片，摄像头为前端，农产品服务器为总存储器，PC机与智能手机为终端设计了农产品生产全过程监控系统。该系统使用视频/图像定点数字信号处理器TMS320DM642对视频信号进行压缩，使用H.264编码算法且进行优化，压缩比能达到200∶1，满足3G传输的理论要求，视频信号处理系统流程如图1所示。

3.2.2 建立相关矩阵并计算其特征值

在统计学中，通常用Pearson相关系数σXY[10]来度量2个随机变量X，Y之间线性相关性的强弱。

n个指标变量Z1，Z2，…，Zn的自相关矩阵R为：

根据各指标变量的自相关矩阵R求得其特征值λ1≥λ2≥…≥λm（m≤n）及特征向量u1，u2，…，um.

3.2.3 确定主成分

按照式（3）（4）求得第i指标变量的方差贡献率ωi和累计方差贡献率ρ，即：

根据实际需求，选取累计方差贡献率最小值。累计方差贡献率大于所选取的最小值的，就选为主成分fi，主成分的个数p取决于累计方差贡献率最小值和累计方差贡献率，前p个主成分F＝{f1，f2，…，fp}包含了m个原始指标变量所含有的绝大部分信息。

3.2.4 确定主要评估指标

U＝[σ（fi，zj）]为主成分因子载荷矩阵，U中的不同数值σ（fi，zj）分别对应第i个主成分fi与原第j个评价指标zj间的相关性系数，其取值为[－1，1]，正负号分别代表正相关和负相关，绝对值越大，表明相关性越强。在评估运行状态时，不需要全部指标的全部信息，只需选取代表主要信息的部分指标即可。因此，可根据载荷矩阵，对p个主成分分别选取|σ（fi，zj）|最大值对应的1个指标zj作为主要评估指标，所得的q个（q≤p）主指标即运行状态评估的主要指标。

3.3 挖掘获取影响主成分指标的因素

数据挖掘是从大量数据中提取或挖掘出知识或所需要信息的一种技术方法。本文采用关联分析挖掘方法，从配电网的异构多源数据中挖掘出主要影响因素，用于预测模型的输入，以减少输入的维度，加快预测速度。

关联分析是发现数据间关联规则的一种数据挖掘模式。关联规则存在的概率用置信度或可信性来描述，置信度或可信性越高，关联规则存在的可能性就越大[11]。最小支持度阈值和最小置信度阈值是由用户按需求定义的，支持度与置信度均大于或等于最小阈值的规则被称为“强规则”。通过寻找“影响因素-运行可靠性指标”的“强规则”，可以得到影响运行状态的主要影响因素。

“强规则”挖掘最重要的步骤是从事务数据库中寻找频繁项集。Apriori算法是一种常用的挖掘关联规则的频繁项集的方法[12]。在Hadoop框架上，将Apriori算法在MapReduce中分布实现，从原始数据中挖掘出全局频繁项集，再从频繁项集中生成关联规则，计算其支持度和置信度，从而挖掘出强规则，实现大数据条件下的并行关联规则挖掘。

3.4 人工神经网络进行运行状态预测

配电网运行状态预测，是指根据历史和实时大数据，推测未来一段时间内可行性指标参数的过程。配电系统的运行状态指标值从现场长期运行记录的大量统计数据中得出，预测复杂，难以建立影响因素与运行状态指标值之间的精确解析模型。本文采用人工神经网络法[13]对运行状态进行预测，预测流程如图1所示，具体方法如下。

图1 基于人工神经网络的预测流程

基于历史数据，将3.3节中采用关联分析挖掘所得的主要影响因素作为人工神经网络模型的输入I（T），根据需求选取评估尺度t；基于3.2节中经主成分分析提取的主要评估指标，选取（T＋t）时刻的指标值O（T＋t）作为输出，对人工神经网络进行训练，得到人工神经网络预测模型。将实时数据的主要影响因素数据作为人工神经网络的输入，即可预测t时间后的运行状态指标值。

基于不同的预测时间进行指标计算，可得到相应的时限类指标用于不同的场合。时间尺度选为分钟、小时级，可评估未来几分钟或几小时元件、节点、区域、系统的电压、潮流是否越限，可用于实时运行控制和风险管控；时间尺度选为天、月或年，可预测区域、系统的切负荷概率与期望、供电可用率等指标，用于检修、调度等控制与决策或电网规划。

4 大数据评估在配电网中的应用前景

4.1 设备状态预测与评价

随着大数据应用技术的发展，利用现有电网运行数据和气象环境数据进行设备故障预测成为可能。通过集成各分散系统的信息，规范数据类型，形成丰富的、同质的大数据样本，对不同类型、不同型号、不同状态的设备进行故障发生可能性预测，可为电网运检采取针对性的防护措施提供支持，为电网安全运行、智能电网自愈提供保障。

4.2 用电预测与协同调度

精准的用电预测结果对于智能配电网的规划和运行有积极意义。通过对用户用电行为特征的分析，建立基于大数据的自适应用电预测模型，有可能得到更高精度、更细粒度的预测结果，这有利于电源与负荷协同调度的实现。

4.3 网架发展趋势分析与优化规划

在传统的配电网网架规划中，由于数据源或数据分析不足，网架优化面临较大的不确定性，理论上的优化结果往往与实际结果之间存在较大差异。在大数据环境下，海量、多类型、时变基础数据的引入，可以降低网架优化的不确定性。

4.4 智能用电与网络降损

不同用户的负荷特性、用电理念和节电策略之间存在较大差异，导致用户用电行为模式的多样性，而分布式电源以及电动汽车等新型设备的接入也将加速这种多样性的发展。了解用电行为模式的多样性，有助于从用户的角度为其量身订制经济、合理的用电方案。

4.5 企业管理与运检管控

电力信息化建设是利用大数据技术，在企业数据共享的平台下获取电力企业生产数据、管理数据等有效数据，提炼准确的、有价值的数据，为管理效益、决策能力的提升提供有效帮助。特别是在运行检修基础数据不断积累的前提下，利用大数据分析技术，能对检修工作进行有效预测，并提供数据支持，从而进一步提升设备的运行管理水平，为运行检修科学决策提供可靠的数据支持。