CN105470951A - 一种基于大数据挖掘技术的配电网可靠供电能力评估方法 - Google Patents

Abstract

本发明公开了一种基于大数据挖掘技术的配电网可靠供电能力评估方法。本发明包括如下步骤：第一，利用灵敏度分析的结果计算配电网供电能力。第二，采用大数据挖掘技术计算配电网当前各个输变电设备的可用率。第三，结合上述两部分的结果，得到配电网可靠供电能力。本发明利用节点电压与设备潮流的灵敏度来更新增负荷节点，使得其增负荷对于约束条件的影响最小，以此达到发掘更多潜在供电能力的目的。利用大数据挖掘技术可以方便直观地探寻负载率、天气、检修、历史故障数据对于当前输变电设备可用率的影响。考虑设备可用率较传统方法更能反映当前配电网络的实际运行状况与供电能力。

Description

一种基于大数据挖掘技术的配电网可靠供电能力评估方法

技术领域

本发明属于配电网运行状态评估技术领域，具体涉及了一种基于大数据挖掘技术的配电网可靠供电能力评估方法。

背景技术

配电网供电能力是评估配电网当前运行状态的一个指标,它表征了配电网在约束条件下所能提供的最大电力供应量，可应用于指导电网运行操作与规划决策，因此有必要对配电网的供电能力进行准确的评估。目前，对配电网供电能力模型及其分析方法的研究很多。而对于计及节点电压与输变电设备潮流灵敏度的配电网供电能力评估方法，目前尚少有文献讨论。

传统的配电网供电能力评估方法采用重复潮流法，即逐步增大各个负荷节点的负荷，直至网络中的节点电压约束或线路潮流约束起作用。该方法中，所有负荷节点的负荷增长率是一致的，因此往往并不能发掘出更多的潜在供电能力。同时，该方法没有计及输变电设备的可用率，不能反映电网运行状态的真实情况。

电力系统中的数据具有海量、异构的特点，采用常规软件、工具分析费时、耗力，而大数据挖掘技术具有快速处理此类数据的优势，因此本发明将采用大数据挖掘技术对输变电设备的可用率与其历史数据、当前数据进行关联分析，得到当前的设备可用率。

在配电系统中，供电能力受到两方面因素的制约，分别是节点电压约束和输变电设备(包括变压器和馈线)容量约束。节点电压主要受到各个节点负荷无功成分的影响，而设备潮流则受到各个节点负荷有功成分的影响。

本发明提出了一种基于大数据挖掘技术的配电网可靠供电能力评估方法。采用考虑灵敏度分析结果的改进重复潮流法计算得到配电网供电能力。采用大数据挖掘技术得到网络中输变电设备的当前可用率。综合以上两者分析得出配电网可靠供电能力。

发明内容

针对传统重复潮流法所存在的上述问题，本发明的目的在于提出一种基于大数据挖掘技术的配电网可靠供电能力评估方法。本方法分为三个步骤，第一，利用灵敏度分析的结果计算配电网供电能力。第二，采用大数据挖掘技术计算配电网当前各个输变电设备的可用率。第三，结合上述两部分的结果，得到配电网可靠供电能力。

本方法解决其技术问题所采用的技术方案包括如下步骤：

步骤1、计算配电网供电能力。

步骤1-1.根据配电网的初始负荷分布情况计算网络潮流分布与电压分布情况。

步骤1-2.利用灵敏度分析，得到节点电压相对裕度因子矩阵与设备容量相对裕度因子矩阵。

步骤1-2-1.由上一次牛顿拉夫逊潮流计算法的雅克比矩阵 $\left[\begin{array}{cc}H& A\\ J& L\end{array}\right],$ 计算得到节点电压对各节点无功负荷的灵敏度矩阵S_V-Q，其中N代表网络中除平衡节点外的节点数。

$\left[\begin{array}{c}\mathrm{\Δ}P\\ \mathrm{\Δ}Q\end{array}\right]=\left[\begin{array}{cc}H& A\\ J& L\end{array}\right]\left[\begin{array}{c}\mathrm{\Δ}\mathrm{\θ}\\ \mathrm{\Δ}V\end{array}\right]---\left(1\right)$

S_V-Q＝[L-JH^-1A]^-1(2)

其中，公式1中，△P为有功功率的变化值向量，△Q为无功功率的变化值向量，△θ为相角变化值向量，△V为电压的变化值向量。

步骤1-2-2.根据目前的配电网电压分布情况，计算得到各个节点的电压相对裕度向量V_res，V₁至V_N为网络中各个节点的电压，V_base为节点基准电压。

$V_{res}={\left[\begin{array}{cccc}\frac{V_1-V_{base}}{V_{base}}& \frac{V_2-V_{base}}{V_{base}}& \mathrm{...}& \frac{V_N-V_{base}}{V_{base}}\end{array}\right]}^T---\left(3\right)$

步骤1-2-3.计算节点电压相对裕度因子矩阵B，S₁至S_N为S_V-Q的列向量。

$B=\left[\begin{array}{cccc}\frac{S_1}{V_{res}}& \frac{S_2}{V_{res}}& \mathrm{...}& \frac{S_N}{V_{res}}\end{array}\right]---\left(4\right)$

步骤1-2-4.选取节点电压相对裕度因子矩阵B中每一行绝对值最小的元素，并对这些元素的列编号进行统计，得到频率最高的列编号，将该编号加入增负荷节点集合中。

步骤1-2-5.通过直流潮流模型，计算得到潮流传输分布因子矩阵P。

步骤1-2-6.根据目前的配电网潮流分布情况，计算得到各设备的剩余容量向量P_res，其中M表示网络中的设备台数。

P_res＝[p_res1p_res2…p_resM]^T(5)

步骤1-2-7.计算设备容量相对裕度因子矩阵F，并删去与容量约束起作用的设备相关的元素，P₁至P_M为P的列向量。

$F=\left[\begin{array}{cccc}\frac{P_1}{P_{res}}& \frac{P_2}{P_{res}}& \mathrm{...}& \frac{P_M}{P_{res}}\end{array}\right]---\left(6\right)$

步骤1-2-8.由于配电网具有辐射型的拓扑结构，因此得到的设备容量相对裕度因子矩阵F是一个高度稀疏的矩阵，可以依据支路数进行分块，每个分块矩阵代表了一条分支。对于每个分块，提取每一行的绝对值最小的元素，然后在所有行最小元素中再挑选出其中最大的元素，记录下其列编号。所有支路对应的列编号即可被加入增负荷节点集合中。

步骤1-3.对增负荷节点集合中的每一个节点增加一个恒定负荷值，然后进行一次潮流计算，更新网络潮流与电压分布。

步骤1-4.判断是否有约束起作用，若网络中任意节点电压起约束作用，则配电网供电能力C_UR将等于网络中所有负荷节点的功率之和，转至步骤2；若设备潮流超过其容量约束，则转至步骤1-5；若没有约束起作用，则转至步骤1-2。

步骤1-5.根据设备潮流灵敏度分析，得到引起满载设备潮流越限的节点编号，此后的迭代计算中，将不再增加这些节点负荷，从而更新增负荷节点集合，转至步骤1-3。

步骤2、采用大数据挖掘技术评估输变电设备当前可用率。

步骤2-1.获取当前数据与历史数据，包括负载率K、天气W、检修R、历史故障数据F、设备历史故障率λ、设备修复率μ。对各项数据进行离散化处理，在历史数据的各个时间点上，负载率K分为轻载1，重载2以及过载3，天气W依据是否有气象局的预警分为恶劣天气1与正常天气2，检修R分为最近2月内有检修1和无检修2，历史故障数据F分为最近6月内发生故障1和未发生故障2，历史故障率分为低故障率1，一般故障率2，高故障率3；

所述的轻载1范围在0-0.7，重载2范围在0.7-1，过载3范围在1-最大值，历史故障率分为低故障率1，范围在小于0.8倍历史统计故障率，一般故障率2范围在大于0.8倍，小于1.05倍历史统计故障率，高故障率3范围在大于1.05倍历史统计故障率。

步骤2-2.枚举关联规则，共321条规则，形如A→B，例如

K1，W1，R2、F2→λ3

K2，W2，R2→λ2

F1→λ1。

步骤2-3.计算各条关联规则的支持度S和置信度C，N(A∪B)表示A和B同时出现的次数，N表示总数据记录数，N(A)表示A出现的次数。

$S(A\→B)=\frac{N(A\∪B)}{N}$

$C(A\→B)=\frac{N(A\∪B)}{N\left(A\right)}$

舍弃支持度小于20％或置信度小于50％的规则。

步骤2-4.对于每条被保留规则，利用最小二乘法拟合设备故障率关于规则条件中影响因素的关系函数。

步骤2-5.根据步骤2-4中得出的关系函数，代入当前各台设备的负载率、天气、检修以及历史故障情况，得到当前设备故障率。若没有符合的规则，则故障率取为历史平均故障率。计算设备可用率A_d和系统可用率A_s，DN表示所分析的配电网。

$A_d=\frac{\mathrm{\μ}}{\mathrm{\λ}+\mathrm{\μ}}$

$A_s=\underset{i\∈DN}{\Π}{A}_{di}$

步骤3、结合步骤1与步骤2的结果，计算配电网可靠供电能力C_R。

C_R＝C_URA_s。

本发明的有益效果是：

本发明利用节点电压与设备潮流的灵敏度来更新增负荷节点，使得其增负荷对于约束条件的影响最小，以此达到发掘更多潜在供电能力的目的。利用大数据挖掘技术可以方便直观地探寻负载率、天气、检修、历史故障数据对于当前输变电设备可用率的影响。考虑设备可用率较传统方法更能反映当前配电网络的实际运行状况与供电能力。

附图说明

图1是本发明的基于灵敏度分析的配电网供电能力评估方法的流程图。

图2是本发明的节点电压相对裕度因子矩阵的计算流程图。

图3是本发明的设备容量相对裕度因子矩阵的计算流程图。

图4是本发明的输变电设备可用率评估方法的流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

如图1所示，本发明的基于灵敏度分析的配电网供电能力评估方法，包括如下步骤：

步骤1、计算配电网供电能力。

步骤1-1.根据配电网的初始负荷分布情况计算网络潮流分布与电压分布情况。

步骤1-2.利用灵敏度分析，得到节点电压相对裕度因子矩阵与设备容量相对裕度因子矩阵。

如图2所示，本发明的节点电压相对裕度因子矩阵，包括如下步骤：

步骤1-2-1.由上一次牛顿拉夫逊潮流计算法的雅克比矩阵 $\left[\begin{array}{cc}H& A\\ J& L\end{array}\right],$ 计算得到节点电压对各节点无功负荷的灵敏度矩阵S_V-Q，其中N代表网络中除平衡节点外的节点数。

$\left[\begin{array}{c}\mathrm{\Δ}P\\ \mathrm{\Δ}Q\end{array}\right]=\left[\begin{array}{cc}H& A\\ J& L\end{array}\right]\left[\begin{array}{c}\mathrm{\Δ}\mathrm{\θ}\\ \mathrm{\Δ}V\end{array}\right]---\left(1\right)$

S_V-Q＝[L-JH^-1A]^-1(2)

步骤1-2-2.根据目前的配电网电压分布情况，计算得到各个节点的电压相对裕度向量V_res，节点基准电压为V_base。

$V_{res}={\left[\begin{array}{cccc}\frac{V_1-V_{base}}{V_{base}}& \frac{V_2-V_{base}}{V_{base}}& \mathrm{...}& \frac{V_N-V_{base}}{V_{base}}\end{array}\right]}^T---\left(3\right)$

步骤1-2-3.计算节点电压相对裕度因子矩阵B。

$B=\left[\begin{array}{cccc}\frac{S_1}{V_{res}}& \frac{S_2}{V_{res}}& \mathrm{...}& \frac{S_N}{V_{res}}\end{array}\right]---\left(4\right)$

步骤1-2-4.选取节点电压相对裕度因子矩阵B中每一行绝对值最小的元素，并对这些元素的列编号进行统计，得到频率最高的列编号，将该编号加入增负荷节点集合中。

如图3所示，本发明的设备容量相对裕度因子矩阵，包括如下步骤：

步骤1-2-5.由直流潮流模型，计算得到潮流传输分布因子矩阵P。

步骤1-2-6.根据目前的配电网潮流分布情况，计算得到各设备的剩余容量向量P_res，其中M表示网络中的设备台数。

P_res＝[p_res1p_res2…p_resM]^T(5)

步骤1-2-7.计算设备容量相对裕度因子矩阵F，并删去与容量约束起作用的设备相关的元素。

$F=\left[\begin{array}{cccc}\frac{P_1}{P_{res}}& \frac{P_2}{P_{res}}& \mathrm{...}& \frac{P_M}{P_{res}}\end{array}\right]---\left(6\right)$

步骤1-2-8.由于配电网具有辐射型的拓扑结构，因此得到的设备容量相对裕度因子矩阵F是一个高度稀疏的矩阵，可以依据支路数进行分块，每个分块矩阵代表了一条分支。对于每个分块，提取每一行的绝对值最小的原色，再挑选出其中最大的元素，记录下其列编号。所有支路对应的列编号即可被加入增负荷节点集合中。

利用这两个矩阵生成增负荷节点集合，这些节点的负荷在下一次潮流计算中将增加一个恒定负荷值。

步骤1-3.进行一次潮流计算，更新网络潮流与电压分布。

步骤1-4.判断是否有约束起作用，若节点电压起约束作用，则配电网供电能力C_UR将等于所有负荷节点的功率之和；若设备潮流超过其容量约束，则转至步骤1-5。若没有约束起作用，则转至步骤1-2。

步骤1-5.根据设备潮流灵敏度分析，得到引起满载设备潮流越限的节点编号，此后的迭代计算中，将不再增加这些节点负荷，从而更新增负荷节点集合，转至步骤1-3。

如图4所示，本发明的输变电设备可用率评估方法，包括如下步骤。

步骤2、采用大数据挖掘技术评估输变电设备当前可用率。

步骤2-1.获取当前数据与历史数据，包括负载率K、天气W、检修R、历史故障数据F、设备历史故障率λ、设备修复率μ。对各项数据进行离散化处理，在历史数据的各个时间点上，负载率K分为轻载1(0-0.7)，重载2(0.7-1)以及过载3(1-最大值)，天气W依据是否有气象局的预警分为恶劣天气1与正常天气2，检修R分为最近2月内有检修1和无检修2，历史故障数据F分为最近6月内发生故障1和未发生故障2，历史故障率分为低故障率1(小于0.8倍历史统计故障率)，一般故障率2(大于0.8倍，小于1.05倍历史统计故障率)，高故障率3(大于1.05倍历史统计故障率)。

步骤2-2.枚举关联规则，共321条规则，形如A→B，例如

K1，W1，R2、F2→λ3

K2，W2，R2→λ2

F1→λ1。

步骤2-3.计算各条关联规则的支持度S和置信度C，N(A∪B)表示A和B同时出现的次数，N表示总数据记录数，N(A)表示A出现的次数。

$S(A\→B)=\frac{N(A\∪B)}{N}$

$C(A\→B)=\frac{N(A\∪B)}{N\left(A\right)}$

舍弃支持度小于20％或置信度小于50％的规则。

步骤2-4.对于每条被保留规则，利用最小二乘法拟合设备故障率关于规则条件中影响因素的关系函数。

步骤2-5.根据步骤2-4中得出的关系函数，代入当前各台设备的负载率、天气、检修以及历史故障情况，得到当前设备故障率。若没有符合的规则，则故障率取为历史平均故障率。计算设备可用率A_d和系统可用率A_s，DN表示所分析的配电网。

$A_d=\frac{\mathrm{\μ}}{\mathrm{\λ}+\mathrm{\μ}}$

$A_s\underset{i\∈DN}{\Π}{A}_{id}$

步骤3、结合步骤1与步骤2的结果，计算配电网可靠供电能力C_R。

C_R＝C_URA_s。

Claims (1)

1.一种基于大数据挖掘技术的配电网可靠供电能力评估方法，其特征在于包括如下步骤：

步骤1、计算配电网供电能力；

步骤1-1.根据配电网的初始负荷分布情况计算网络潮流分布与电压分布情况；

步骤1-2.利用灵敏度分析，得到节点电压相对裕度因子矩阵与设备容量相对裕度因子矩阵；

步骤1-2-1.由上一次牛顿拉夫逊潮流计算法的雅克比矩阵 $\left[\begin{array}{cc}H& A\\ J& L\end{array}\right],$ 计算得到节点电压对各节点无功负荷的灵敏度矩阵S_V-Q，其中N代表网络中除平衡节点外的节点数；

$\left[\begin{array}{c}\mathrm{\Δ}P\\ \mathrm{\Δ}Q\end{array}\right]=\left[\begin{array}{cc}H& A\\ J& L\end{array}\right]\left[\begin{array}{c}\mathrm{\Δ}\mathrm{\θ}\\ \mathrm{\Δ}V\end{array}\right]---\left(1\right)$

S_V-Q＝[L-JH^-1A]^-1(2)

其中，公式1中，△P为有功功率的变化值向量，△Q为无功功率的变化值向量，△θ为相角变化值向量，△V为电压的变化值向量；

步骤1-2-2.根据目前的配电网电压分布情况，计算得到各个节点的电压相对裕度向量V_res，V₁至V_N为网络中各个节点的电压，V_base为节点基准电压；

$V_{res}={\left[\begin{array}{cccc}\frac{V_1-V_{base}}{V_{base}}& \frac{V_2-V_{base}}{V_{base}}& ...& \frac{V_N-V_{base}}{V_{base}}\end{array}\right]}^T---\left(3\right)$

步骤1-2-3.计算节点电压相对裕度因子矩阵B，S₁至S_N为S_V-Q的列向量；

$B=\left[\begin{array}{cccc}\frac{S_1}{V_{res}}& \frac{S_2}{V_{res}}& ...& \frac{S_N}{V_{res}}\end{array}\right]---\left(4\right)$

步骤1-2-4.选取节点电压相对裕度因子矩阵B中每一行绝对值最小的元素，并对这些元素的列编号进行统计，得到频率最高的列编号，将该编号加入增负荷节点集合中；

步骤1-2-5.通过直流潮流模型，计算得到潮流传输分布因子矩阵P；

步骤1-2-6.根据目前的配电网潮流分布情况，计算得到各设备的剩余容量向量P_res，其中M表示网络中的设备台数；

P_res＝[p_res1p_res2…p_resM]^T(5)

步骤1-2-7.计算设备容量相对裕度因子矩阵F，并删去与容量约束起作用的设备相关的元素，P₁至P_M为P的列向量；

$F=\left[\begin{array}{cccc}\frac{P_1}{P_{res}}& \frac{P_2}{P_{res}}& ...& \frac{P_M}{P_{res}}\end{array}\right]---\left(6\right)$

步骤1-2-8.由于配电网具有辐射型的拓扑结构，因此得到的设备容量相对裕度因子矩阵F是一个高度稀疏的矩阵，可以依据支路数进行分块，每个分块矩阵代表了一条分支；对于每个分块，提取每一行的绝对值最小的元素，然后在所有行最小元素中再挑选出其中最大的元素，记录下其列编号；所有支路对应的列编号即可被加入增负荷节点集合中；

步骤1-3.对增负荷节点集合中的每一个节点增加一个恒定负荷值，然后进行一次潮流计算，更新网络潮流与电压分布；

步骤1-4.判断是否有约束起作用，若网络中任意节点电压起约束作用，则配电网供电能力C_UR将等于网络中所有负荷节点的功率之和，转至步骤2；若设备潮流超过其容量约束，则转至步骤1-5；若没有约束起作用，则转至步骤1-2；

步骤1-5.根据设备潮流灵敏度分析，得到引起满载设备潮流越限的节点编号，此后的迭代计算中，将不再增加这些节点负荷，从而更新增负荷节点集合，转至步骤1-3；

步骤2、采用大数据挖掘技术评估输变电设备当前可用率；

步骤2-1.获取当前数据与历史数据，包括负载率K、天气W、检修R、历史故障数据F、设备历史故障率λ、设备修复率μ；对各项数据进行离散化处理，在历史数据的各个时间点上，负载率K分为轻载1，重载2以及过载3，天气W依据是否有气象局的预警分为恶劣天气1与正常天气2，检修R分为最近2月内有检修1和无检修2，历史故障数据F分为最近6月内发生故障1和未发生故障2，历史故障率分为低故障率1，一般故障率2，高故障率3；

所述的轻载1范围在0-0.7，重载2范围在0.7-1，过载3范围在1-最大值，历史故障率分为低故障率1，范围在小于0.8倍历史统计故障率，一般故障率2范围在大于0.8倍，小于1.05倍历史统计故障率，高故障率3范围在大于1.05倍历史统计故障率；

步骤2-2.枚举关联规则，共321条规则，形如A→B；

步骤2-3.计算各条关联规则的支持度S和置信度C，N(A∪B)表示A和B同时出现的次数，N表示总数据记录数，N(A)表示A出现的次数；

$S(A\→B)=\frac{N(A\∪B)}{N}$

$C(A\→B)=\frac{N(A\∪B)}{N\left(A\right)}$

舍弃支持度小于20％或置信度小于50％的规则；

步骤2-4.对于每条被保留规则，利用最小二乘法拟合设备故障率关于规则条件中影响因素的关系函数；

步骤2-5.根据步骤2-4中得出的关系函数，代入当前各台设备的负载率、天气、检修以及历史故障情况，得到当前设备故障率；若没有符合的规则，则故障率取为历史平均故障率；计算设备可用率A_d和系统可用率A_s，DN表示所分析的配电网；

$A_d=\frac{\mathrm{\μ}}{\mathrm{\λ}+\mathrm{\μ}}$

$A_s=\underset{i\∈DN}{\mathrm{\Π}}{A}_{di}$

步骤3、结合步骤1与步骤2的结果，计算配电网可靠供电能力C_R；

C_R＝C_URA_s。