HU Lijuan, DIAO Yinglong, LIU Keyan, LUAN Wenpeng, SHENG Wanxing

China Electric Power Research Institute, Haidian District, Beijing 100192, China

表1 运行可靠性相关数据及其来源 Tab. 1 The related data and its sources of operational reliability

2 分析模型与流程 #p#分页标题#e#

配电网运行可靠性评估的目标是给出未来时间段内的综合控制方案,辅助决策,指导运行调度,保障配电网持续地经济可靠运行。大数据在配电网运行可靠性分析中的应用场景如图1所示,本文所提方法流程如图2所示。

Fig. 1 Application scenarios of big data in operational reliability analysis ">

图1 大数据在运行可靠性分析中的应用场景示意图 Fig. 1 Application scenarios of big data in operational reliability analysis

Fig. 2 Operational reliability analysis model ">

图2 运行可靠性分析模型 Fig. 2 Operational reliability analysis model

1）建立配电网运行可靠性指标体系。

2）采用主成分分析法(principal component analysis,PCA),结合历史运行可靠性数据,对各指标数据进行特征提取,获取运行可靠性评估的主要指标。

3）采用并行关联规则挖掘方法,挖掘影响运行可靠性的主要因素。

4）将步骤3）中的主要影响因素作为人工神经网络的输入,步骤2）中的主要指标作为输出,训练生成运行可靠性预测模型。

5）将实时数据输入步骤4）所得模型,进行预测,得到未来一定时间尺度内的运行可靠性指标值。

各步骤具体实现方法如2.1—2.4节所示。

2.1 建立配电网运行可靠性评估指标体系

常规可靠性分析是以年为时间框架、研究系统在长期不同运行状态下的平均可靠性,主要指标包括负荷点指标和系统指标。负荷点指标又包括负荷点平均故障率、负荷点年平均停电时间和每次故障平均停电持续时间;系统指标包括系统平均停电频率及平均停电持续时间、用户平均停电频率及平均停电持续时间、平均供电可用度指标、系统总电量不足指标及系统平均电量不足指标。

常规可靠性评估主要用于系统规划设计,而运行可靠性指标应用于运行调度,因此,配电网运行可靠性不仅要能反映系统的负荷损失情况,还要能反映系统的负荷裕度;既能反映线路过载情况、节点电压超限等运行约束违限的情况,也要能反映电压安全裕度、潮流安全裕度等情况;既要能够全面地描述系统整体可靠性,又能够反映关键元件、关键节点、关键区域、关键环节的可靠性;能够反映短期可靠性,也要能评估长期可靠性[]。针对这些需求,在常规可靠性指标基础上进行拓展,建立了配电网运行可靠性四维指标体系,包括状态维、程度维、层次维以及时间维,各维指标又可细化为多个子指标,如图3所示。

#p#分页标题#e#

状态维指标描述系统的整体运行可靠性,配电网运行状态分为健康状态、临界状态、风险状态3类。

Fig. 3 4-dimention operational reliability index system of distribution network ">

图3 配电网运行可靠性四维指标体系 Fig. 3 4-dimention operational reliability index system of distribution network

程度维指标是对运行可靠性进行量化描述,用于反映健康状态及临界状态下系统或区域的运行安全裕度或风险状态下后果严重程度,分为安全区、超限区、切负荷区3个区间,各区间分别对应裕度类指标、越限类指标、切负荷类指标。

层次维指标包括系统层、区域层、节点层、元件层4个层次。元件层指标包括潮流安全概率及裕度、过载概率及期望值、过载导致的切负荷概率及期望值等指标。节点层包括电压安全概率及裕度、电压超限概率及期望值以及所有切负荷指标的子指标,系统层和区域层包括程度维的所有子指标。

时间维指标反映不同评估时限的可靠性,包括分钟级、小时级、天级、月级、年级等不同时限,基于不同的预测时间进行指标计算,可得到相应的时间维指标。

2.2 基于主成分分法提取主要指标

运行可靠性指标体系中,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。主成分分析是一种用于简化对象模型、提取主要信息、减少变量维度的多元统计分析方法[-],可以通过主成分分析,采用离差平方和或方差计算各指标的信息大小,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,筛选影响系统运行可靠性的关键元件、重要区域和薄弱环节,缩小评估范围,其步骤为：

1）评估指标标准化。

运行可行性各指标的量纲不同,分布各异,需要对各指标参数进行标准化处理。首先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：

\(Z=(X-\overline{X})/\sigma \) (1)

式中：\(\overline{X}\)表示变量X的均值;\(\sigma \)表示X的标准差。

2）建立相关矩阵并计算其特征值。

变量间的相关关系是指已知一个变量或一组变量时,可以确定另一个变量的值,或者找到一种变化规律。在统计学中,通常用Pearson相关系数来度量2个随机变量之间线性相关性的强弱[]。随机变量X、Y的Pearson相关系数\({{\sigma }_{XY}}\)通常定义为

\({{\sigma }_{XY}}=\frac{\operatorname{cov}(X,Y)}{\sigma (X)\sigma (Y)}\) (2)

式中：\(\operatorname{cov}(X,Y)\)表示变量X、Y的协方差;\(\sigma (X)\)、\(\sigma (Y)\)分别表示变量X、Y的标准差。

n个指标变量Z的自相关矩阵R为

图4 并行关联规则挖掘主要影响因素的流程 Fig. 4 Flow chart of main influencing factors parallel association rules mining

#p#分页标题#e#

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,用不于不同的场合。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,可用于实时的运行控制与风险管控;选取时间尺度为天、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。

Fig. 5 Forecast flow chart based on artificial neural network method ">

图5 基于人工神经网络的预测流程 Fig. 5 Forecast flow chart based on artificial neural network method

3 算例分析 #p#分页标题#e#

本文选用某中型城市配电系统作为算例,数据为其10 a内,每15 min采集一次的实际数据,所采集与统计的数据包含1.2节中所有数据,每采用一次作为一个样本,对所提的方法进行验证,该系统的数据样本共有350 400个。系统级指标包括：电压安全裕度、电压越限期望、潮流过载导致切负荷期望、电压越限导致切负荷期望、切负荷概率、电力不足期望、电量不足期望、供电可用率、严重度共9个指标,每个指标为一个变量\({{X}_{i}}\)(i=1,2,…,9),基于历史数据可得各指标\({{X}_{i}}\)的分布,对各变量进行正态分布标准化处理,可得正态分布变量\({{Z}_{i}}\),基于公式(2)和(3),计算9个指标变量\(Z=({{Z}_{1}},\ldots ,\)\({{Z}_{9}})\)的相关矩阵R,从而根据公式(4)求得其特征值\({{\lambda }_{i}}\),如表2所示;最后根据公式(5)(6)计算各指标的方差贡献率和累计方差贡献率,结果如表2所示。

Tab. 2 The contribution rates of each principle components ">

表2 各指标变量的方差累计贡献率 Tab. 2 The contribution rates of each principle components

从表2可以看出,前3个主成分的方差累计贡献率达到了97.247%,这3个主成分集中了全部9个指标的大部分信息,因而从3个主成分中各选1个载荷因子最高的指标作为该系统的主要评估指标,评估其运行可靠性。算例所得的3个主要指标为：切负荷概率、电力不足期望、电压越限期望。

根据3个主要评估指标,将历史数据中的指标异常数据作为样本,每个样本为一个“事务”,记为T,每个事务均包含由影响因素及各评估指标等多个“项”。采用图4所示方法,先基于MapReduce的并行Apriori算法从原始数据库中挖掘出全局频繁项集;然后将频繁项集中每个事务分成2个项集：主要评估指标集A和影响因素集B;按2.3节所述关联规则的定义,生成关联规则\(a\Rightarrow b\)(其中\(a\subseteq A\),\(b\subseteq B\)),计算关联规则的支持度\(s(a\Rightarrow b)\)与置信度\(c(a\Rightarrow b)\),将支持度设为30%、置信度为85%,得到主要影响因素包括用电时间(是否白天)、设备状态、检修状态(是否检修)、季节、温度、天气。

根据所得的主要影响因素,从原始选取每条数据相应的字段,作为神经网络模型的输入,时间尺度选为1 h,将主成分分析法得到的主要评估指标字段作为输出,其中部分样本作为验证样本,其它的样本用于训练神经网络,得到运行可靠性评估人工神经网络预测模型。

从验证样本中选取14个样本作为14种运行条件,包括设备参数、运行参数和环境条件,进行展示分析。采用本文所述方法,得到实验结果见图6—8。

图6为14种运行条件下切负荷概率。曲线0为实际情况,取值为“1”时表示处于切负荷状态,“0”表示正常;曲线1为采用本文所提方法所得的切负荷概率;曲线2为不经过关联规则挖掘直接进行神经网络预测的结果。

图7为电压越限概率,其中：曲线0为实际情况,取值为“1”时表示电压越限,“0”表示正常;曲线1为采用本文所提方法所得的电压越限概率;曲线2为不经过关联规则挖掘直接进行神经网络预测的结果。

图8为电力不足概率,其中：曲线0为实际情况,取值为“1”时表示处于电力不足状态,“0”表示正常;曲线1为采用本文所提方法所得的电力不足概率;曲线2为不经过关联规则挖掘直接进行神经网络预测的结果。

Fig. 6 The probability of load cutting under different operating conditions ">

图6 不同运行条件下切负荷概率 Fig. 6 The probability of load cutting under different operating conditions

Fig. 7 The probability of voltage abnormality under different operating conditions ">

图7 不同运行条件下电压越限概率 Fig. 7 The probability of voltage abnormality under different operating conditions

Fig. 8 The probability of power shortage under different operating conditions ">

图8 不同运行条件下电力不足概率 Fig. 8 The probability of power shortage under different operating conditions

#p#分页标题#e#

实验结果表明,基于配电系统网络结构及各元件的可靠性参数、实时运行环境、电网实时运行状态及调度、检修计划等运行条件,采用本文所提方法可以有效地预测运行可靠性,预测精度高于不经过关联规则挖掘的方法。

另外,将原始数据直接用于人工神经网络预测时,模型训练时间为190 s,采用本文所提方法仅需6 s,便于根据最新的管理、社会经济动态和新到来的运行信息数据等,重新调整原来的预测模型以提高预测的准确性。

4 结论

合理利用配电网大数据,可以从中挖掘新的信息、支撑新的业务发展,本文研究了基于配电网多源异构大数据的运行可靠性分析方法,可有效分析配电网实时运行过程中的可靠性,为制定合理的辅助决策提供依据,本文的主要结论为：

1）提出了状态维、程度维、层次维以及时间维的配电网运行可靠性四维评估指标体系,能从安全裕度、超限程度、切负荷情况等不同程度上反映元件层、节点层、区域层、系统层的不同时间尺度内的运行可靠性水平。

2）运行可靠性评估中可能出现的系统状态数将随着元件数目呈指数增加,精确计算可能会遇到维数灾问题。采用主成分分析法,可降低指标间的相关性,从而降低评估维度,减少评估工作量,实现快速评估,用于实时调度等辅助决策;采用并行关联规则挖掘与人工神经网络预测技术可以从海量数据中快速提取有用信息,精确定位影响可靠性指标的主要因素,从而减少评估模型的输入数据维度,简化建模难度,实现快速精确评估。

参考文献

[1] 刘科研,盛万兴,张东霞,等.智能配电网大数据应用需求和场景分析研究[J].中国电机工程学报,2015,35(2):287-293. Liu Keyan,Sheng Wanxing,Zhang Dongxia,et al.Big data application requirements and scenario analysis in smart distribution network[J].Proceedings of the CSEE,2015,35(2):287-293(in Chinese).

[2] 张东霞,王继业,刘科研,等.大数据在配用电系统的应用[J].供用电,2015,32(8):6-11. Zhang Dongxia,Wang Jiye,Liu Keyan,et al.Application of big data in power distribution and utilization system[J].Distribution & Utilization,2015,32(8):6-11(in Chinese).

[3] 宋亚奇,周国亮,朱永利.智能电网大数据处理技术现状与挑战[J].电网技术,2013,37(4):927-935. Song Yaqi,Zhou Guoliang,Zhu Yongli.Present status and challenges of big data processing in smart grid[J].Power System Technology,2013,37(4):927-935(in Chinese).

[4] 徐大青,栾文鹏,王鹏,等.智能电表数据分析方法及应用[J].供用电,2015,32(8):25-30. Xu Daqing,Luan Wenpeng,Wang Peng,et al.Analysis and application of smart meter data[J].Distribution & Utilization,2015,32(8):25-30 (in Chinese).

[5] 赵腾,张焰,张东霞.智能配电网大数据应用技术与前景分析[J].电网技术,2014,38(12):3305-3312. Zhao Teng,Zhang Yan,Zhang Dongxia.Application technology of big data in smart distribution grid and its prospect analysis[J].Power System Technology,2014,38(12):3305-3312(in Chinese).

[6] Kezunovic Mladen,Xie Le,Grijalva Santiago.The role of big data in improving power system operation and protection[C]//Bulk Power System Dynamics and Control-IX Optimization,Security and Control of the Emerging Power Grid(IREP),2013 IREP Symposium.Rethymno:IEEE,2013:1-9.

[7] 梁惠施,程林,刘思革.基于蒙特卡罗模拟的含微网配电网可靠性评估[J].电网技术,2011,35(10):76-81. Liang Huishi,Cheng Lin,Liu Sige.Monte Carlo simulation based reliability evaluation of distribution system containing micro-grids[J].Power System Technology,2011,35(10):76-81(in Chinese).

[8] 李彦斌,韩颖,张嵘,等.气象因素对电力安全事故影响的模型[J] .电网技术,2013,37(6):1683-1687. Li Yanbin,Han Ying,Zhang Rong,et al.Research on impact model of meteorological factors on the power accidents[J].Power System Technology,2013,37(6):1683-1687(in Chinese).

[9] 孙元章,程林,何剑.电力系统运行可靠性理论[M].北京:清华大学出版社,2012:17-22.

[10] 周松林,茆美琴,苏建徽.基于主成分分析与人工神经网络的风电功率预测[J].电网技术,2011,35(9):128-132. Zhou Songlin,Mao Meiqin,Su Jianhui.Prediction of wind power based on principal component analysis and artificial neural network[J].Power System Technology,2011,35(9):128-132(in Chinese).

[11] 高新华,严正.基于主成分聚类分析的智能电网建设综合评价[J].电网技术,2013,37(8):2238-2243. Gao Xinhua,Yan Zheng.Comprehensive assessment of smart grid construction based on principal component analysis and cluster analysis[J].Power System Technology,2013,37(8):2238-2243(in Chinese).

[12] Le Xie,YangChen, Kumar P R.Dimensionality reduction of synchrophasor data for early event detection:linearized analysis[J].IEEE Transactions on Power Systems,2014,29(6):2784-2794.

[13] 蔡德福,陈金富,石东源,等.风速相关性对配电网运行特性的影响[J].电网技术,2013,37(1):150-155. Cai Defu,Chen Jinfu,Shi Dongyuan,et al.Impact of wind speed correlation on operation characteristics of distribution network[J].Power System Technology,2013,37(1):150-155(in Chinese).

[14] 田世明,杨增辉,时志雄,等.智能配用电大数据关键技术研究[J].供用电,2015,32(8):12-18. Tian Shiming,Yang Zenghui,Shi Zhixiong,et at.Research on the key technology of big data for smart power distribution and utilization[J].Distribution & Utilization,2015,32(8):12-18(in Chinese).

[15] Wu Xindong,Zhu Xingquan,Wu Gongqing,et al.Data mining with big data[J].IEEE Transactions on Knowledge and Data Engineering,2014,26(1):97-107.

[16] 张斌,孙哲.关联规则技术在电力系统中的应用[J].电网技术,2007,31(1):64-66. Zhang Bin,Sun Zhe.Application of association rules techniques on power systems[J].Electric Power Systems Research,2007,31(1):64-66(in Chinese).

[17] 张素香,赵丙镇,王风雨,等.海量数据下的电力负荷短期预测[J].中国电机工程学报,2015,35(1):37-42. Zhang Suxiang,Zhao Bingzhen,Wang Fengyu,et al.Short-term power load forecasting based on big data[J].Proceeding of the CSEE,2015,35(1):37-42(in Chinese).

[18] Hagan M T,Behr S M.The time series approach to short-term load forecasting[J].IEEE Transactions on Power System,1987,2(3):25-30.

[19] 安宗文,许洁,刘波.基于无故障数据的风电机组齿轮箱可靠度预测[J].兰州理工大学学报,2015,41(2):35-39. An Zongwen,Xu Jie,Liu Bo.Reliability prediction of wind turbine gearbox based on zero-failure data[J].Journal of Lanxhou University of Technology,2015,41(2):35-39(in Chinese).

[20] 孟洋洋,卢继平,孙华利,等.基于相似日和人工神经网络的风电功率短期预测[J].电网技术,2010,34(12):163-167. Meng Yangyang,Lu Jiping,Sun Huali.Short-term wind power forecasting based on similar days and artificial neural network[J].Power System Technology,2010,34(12):163-167(in Chinese).

，