CN106505593A - 一种基于大数据的配变三相不平衡分析与负荷调整的方法 - Google Patents

Abstract

本发明提供了一种基于大数据的配变三相不平衡分析与负荷调整的方法，包括：步骤100，对配变台区进行分类；步骤200，从电力系统中抽取数据；步骤300，对电量波动开展相关性分析；步骤400，定位三相不平衡波动与低压配变台区线损波动相关性强的配变台区，查找电量波动相关性强的低压用户；步骤500，核实判断三相不平衡原因，并开展三相负荷调整；步骤600，评估降损效果，如果无效则转入步骤200，如果有效则结束。本发明可以满足企业电力生产、经营管理和电力服务在提高质量、效益、效率方面的需要，促进电力资源的优化配置和高效服务。

Description

一种基于大数据的配变三相不平衡分析与负荷调整的方法

技术领域

本发明涉及电力自动化领域，特别涉及一种基于大数据的配变三相不平衡分析与负荷调整的方法。

背景技术

三相不平衡是衡量电能质量的重要指标之一。在电力系统中，存在着种种不平衡因素，可以归结为事故性和正常性两大类。事故性的不平衡是由于系统故障引起的。正常性不平衡是由于三相元件、线路参数或负荷不对称引起的。正常性不平衡允许长期存在或相当长的一段时间内存在。

在低压电网中，配电变压器是中心枢纽，而三相负荷的平均分配则是确保电能质量、提供安全可靠供电与体现管理水平的重要环节。现阶段，国家采取了诸多措施改变农村等偏远地区低压电网状况，使配电台区的供电能力和电压质量有了一定程度的提高。但三相负荷不平衡这一问题仍将导致低压电网的可靠性与稳定性降低、电能质量差、线损率与故障率高，甚至影响电力系统的安全运行。

电力大数据在电力生产和使用过程中产生，数据来源涉及电力生产和电能使用的发电、输电、变电、配电、用电和调度各个环节。其具有数量大、类型多、处理速度快、准确度高、价值高的特点。面对海量的电力数据，传统的计算框架己无法胜任如此繁杂的计算工作。因此，利用大数据技术就成为了行之有效的解决方法。

发明内容

本发明为解决上述问题，提供了一种基于大数据的配变三相不平衡分析与负荷调整的方法，其特征在于，包括以下步骤：

步骤100，对配变台区进行分类；

步骤200，根据步骤100的分类结果，从电力系统中抽取数据；

步骤300，采用大数据技术对电量波动开展相关性分析；

步骤400，根据步骤300分析结果，定位三相不平衡波动与低压配变台区线损波动相关性强的配变台区，查找电量波动相关性强的低压用户；

步骤500，现场核实判断以上低压用户是否为造成三相不平衡原因，并开展三相负荷调整；

步骤600，持续跟踪监控三相负荷平衡率和线损率，评估降损效果，如果无效则转入步骤200，如果有效则结束。

本发明可以分析挖掘电力生产和电能使用过程中发电、输电、变电、配电、用电和调度各个环节数据之间的关系和规律，可以满足企业电力生产、经营管理和电力服务在提高质量、效益、效率方面的需要，促进电力资源的优化配置和高效服务。

附图说明

图1是本发明的技术降损工作流程示意图。

图2是本发明的三相负荷不平衡治理与技术降损管理体系架构示意图。

图3是Map/Reduce计算模型示意图。

图4是CPS3层体系架构示意图。

图5是本发明的并行线损分析系统示意图。

图6是本发明的并行性线损分析系统工作流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

随着电力系统中不平衡负载的日益多样化，三相不平衡现象日趋严重，对电网运行安全与电能的质量造成了极大的影响。而大数据的日益发展使得采取相关技术对配变三相不平衡进行治理以及配变负荷调整以达到降损的目的成为可能。本发明针对三相不平衡负荷对低压线损率的影响进行了分析，并结合实际提出了相关操作流程及规范。

1.基本概念

三相不平衡：理想的三相交流系统中，三相电压或电流应有相同的幅值，且相位角互差2π/3，这样的系统叫做三相平衡(或对称)系统。但是在现实运营过程中，电力系统受到诸多要素的千扰，系统中三相电流(或电压)幅值不一致，且幅值差超过规定范围，导致三相不平衡。

三相不平衡度：三相不平衡度通常以负序分量与正序分量的百分比表示。常见的三相不平衡度计算方法包括相电压计算三相不平衡度和线电压计算三相不平衡度。

三相不平衡负荷：随着配电网建设和改造的深入开展，电网的供电能力大大增强，供电质量显著提高。但由于低压电网是单相和三相负载混接的供电网络，导致改造困难加大，低压电网结构性改造并未完全完成，三相不平衡负荷情况较为普遍。低压电网是三相生产用电与单相负载混合用电的供电网络。部分低压台区由于单相用户的不可控增容、大功率单相负载的接入以及单相负载用电的不同时性等原因使得三相电流幅值差超出一定范围，造成三相不平衡负荷。

线损：线损或网损指的是以热能形式散发的能量损失，即为电阻、电导消耗的有功功率。电力系统线损主要由两部分构成，管理线损和技术线损。管理线损又称可控线损，主要是由于电网结构、电网运行、电网管理不善造成的。本发明重点讨论技术线损，技术线损又称理论线损，线损的大小主要由电网负荷情况、供电设备、供电线路参数决定的，理论上无法避免，只能采取措施降低损耗，因此这样的损耗又称不可控损耗，是正常合理的电能消耗。

1.理论分析

低压电路三相电流分别以、、表示，中性线电流以表示。当三相负荷平衡时，，，这时单位长度的线损为：

ΔP＝I_U ²R+I_V ²R+I_W ²R＝3I_CP ²R (2.1)

式中：R为单位长度线路的电阻值；为三相负荷完全平衡时的相电流值。

当三相电流不平衡时，中性线有电流通过(通常中性线的有效截面是相线的1/2，故其单位长度线路的电阻值为2R)，单位长度的线损为：

ΔP_O＝I_U ²R+I_V ²R+I_W ²R+2I_O ²R (2.2)

负荷不平衡度为：

β＝(I_max-I_CP)/I_CP×100％ (2.3)

式中，为最大相电流值，以下分3种情况讨论三相负荷不平衡时线损值的增量：

1)一相负荷重，两相负荷轻。如U相负荷重，V、W相负荷轻，则：

，代入(式2.2)，这时单位长度的线损为：

ΔP₁＝3I_CP ²R+6β²I_CP ²R (2.4)

线损增量系数用K表示，则：

2)一相负荷重，一相负荷轻。第三相的负荷为平均负荷。如U相负荷重，V相负荷轻、W相负荷为平均值，则：，这时单位长度的线损为：

ΔP₂＝3I_CP ²R+8β²I_CP ²R (2.6)

3)两相负荷重，一相负荷轻。如U相负荷轻，V、W相负荷重，则：

。这时单位长度的线损为：

ΔP₃＝3I_CP ²R+24β²I_CP ²R (2.8)

K₃＝ΔP₃/ΔP＝(3I_CP ²R+24β²I_CP ²R)/3I_CP ²R＝1+8β² (2.9)

以上的分析可以看出，三相负荷平衡情况下，低压线损值最小。在三相负荷不平衡情况下，随着不平衡度增大，线损随之增加。

2.基于大数据的配电侧电网负荷与线损分析

大数据相关技术包括：

1)Hadoop

Hadoop是由Apache基金会开发的一个分布式系统架构，用户无需了解分布式底层的细节，只用编写分布式程序，便可以在Hadoop集群上面进行存储并高速的计算。Hadoop由HDFS、

MapReduce、HBase、Hive等成员组成，其中Hadoop框架最核心的设计就是：HDFS和MapReduce。HDFS主要用于存储海量数据，MapReduce则是用于计算海量数据。

2)HDFS

Hadoop分布式文件系统(Hadoop Distributed File System,HDFS)是一种管理集群网络中多台计算机存储的分布式文件系统。它可以部署在廉价的普通商用服务器节点上，提供高容错和高可靠性。它采用流式数据访问的设计思路对大数据采取一次写入、多次读取的访问模式，实现高速的数据访问。

3)Map/Reduce处理架构

Map/Reduce是一种用于并行处理的数据模型，可将大规模的计算分析任务分配到多个计算节点，从而提升统计分析任务的效率。Map/Reduce计算模型如图3所示。输入数据被系统分片，并为每个输入分片启动一个单独的Map任务，生成一系列键值对，存储在本地硬盘中。Map后的结果通过网络传输到运行Reduce任务的节点，由Reduce函数进行合并，最终结果保存在HDFS中。

4)GCPS

以“信息化、数字化、自动化、互动化”为特征的智能电网，是CPS在电力领域的应用与延伸(CPS的体系架构如图4所示)。电网信息物理融合网络(Grid Cyber-PhysicalSystems，即GCPS)的应用，可以在用户用电质量、用户用电习惯分析、电网低电压成因诊断、等诸多方面带来显著优势。除此之外GCPS可以解决决策变量数目多、复杂运行场景条件下的最优潮流问题，得到更好的可行解，也可以更灵活准确地校验安全准则、监测异常及计算安全运行度。此外，在电压与负荷控制、故障处理及恢复等方面，GCPS的应用可提升较大规模电网最优恢复路径生成的速度，提高故障处理效率。

台区大数据相关性分析：

台区采集数据主要包括日线损率波动数据、三相不平衡率波动数据、负荷曲线波动数据、典型低压用户电量波动数据等。通过对这些数据进行深度挖掘和关联分析，可以准确定位问题台区，开展有针对性的三相负荷调整等工作。

总体来看，台区数据有着数量大、维度高等特点，对于具有多维的大数据而言，可以构造基于二维基础上的三维散点图或者散点矩阵等，然后采用定量的方法，通过观察他们表现出来的直线或者曲线描述几个变量之间的关系。

相关性分析包括两种：只考虑两个变量之间的相关性的单相关分析和多个(三个或者以上)变量之间的相关性分析的多重相关性分析。

数据与电网负荷预测：

高质量的负荷预测需要准确的数学模型，随着现代技术的不断进步和智能用电的深入，负荷预测理论与技术得到很大发展，理论研究逐步深入。多年来，电力负荷预测理论和方法不断涌现，神经网络、时间序列、贝叶斯、等技术为电力负荷预测提供了有力的工具。

随着智能用电海量数据的涌现，目前已有的预测算法无法满足预测速度和预测精度的要求，因此必须要寻找一种新的方法。利用大数据技术，将负荷预测算法和Map/Reduce模型相结合展开短期电力负荷预测。该方法首先将海量数据分割成多个数据子块，然后通将各子块的数据同时进行分析和处理，最后将结果进行归并，该处理过程降低了海量数据的时问处理开销。提高了预测的准确率。

大数据与线损计算分析：

一个典型的基于Hadoop的并行性线损分析系统基本架构如图5所示，从功能上看，整个系统主要分为并行存储环境、ETL工具、并行计算环境、任务调度工具、数据查询接口、页而展示工具以及台区线损分析程序。其中，并行存储环境采用HDFS存储线损分析应用所涉及到的采集数据信息，并通ETL工具从数据库中导入信息。

ETL工具负责从Oracle数据库中并行快速导入各业务系统所采集的各类信息，并采用快速Hash校验技术，确保数据准确无误。并行计算环境(Map/Reduce)运行业务所需要的Map/Reduce代码，实现大规模数据的处理及并行计算。

数据查询接口(Hive)提供类SQL的编程接口，实现HiveQL语言向Map/Reduce程序的自动转换。线损分析程序采用HiveQL语言进行编写，HiveQL是一种类似SQL的语言，其可以自动转换为Map/Reduce程序，被国内外广泛使用。

在本发明的实施例一中，基于大数据的配变三相不平衡分析与负荷调整的方法包括以下步骤：

步骤一：将配变台区按设备容量、负荷性质、用户规模、供电半径等分类。

步骤二：在配变负荷监测系统中按以上分类抽取一定数量的典型台区的三相负荷平衡数据；在电力用户采集系统中抽取典型配变台区的负荷曲线数据；在一体化电量与线损管理系统中抽取典型配变台区的日线损监测数据。

步骤三：采用大数据技术，对台区日线损率波动、三相不平衡率波动、负荷曲线波动、典型低压用户(日电量占比较大，多为低压非居民)电量波动开展相关性分析。

步骤四：根据分析结果，定位三相不平衡波动与低压配变台区线损波动相关性强的配变台区，查找电量波动相关性强的低压用户。

步骤五：现场核实判断以上低压用户是否为造成三相不平衡原因，并开展三相负荷调整。

步骤六：持续跟踪监控三相负荷平衡率和线损率，评估降损效果，循环进行分析。

在以上所有工作完成后，总结降损过程，制定相应的三相负荷不平衡管理流程，建立长效管理制度，形成公司同期线损与三相不平衡治理的协同技术规范，提升线损管理水平。三相负荷不平衡治理与技术降损管理体系架构如图2所示。

在该体系中，组织体系是基础，技术体系是手段，保障体系是促进。整个体系可分成三个维度：“组织一技术”维度、“保障一技术”维度和“组织一保障”维度。

1)“组织一技术”维度

“组织一技术”维度从人机交互、协同工作为的角度出发，根据技术体系智能化运行的特点和要求，优化线损管理的工作流程，调整组织架构，提高管理的效率。组织体系则针对技术系统运行的实际，特别是市场需求的变化和用户新需求的提出，优化技术体系的配置和运行方式，最大限度地满足用户需求，降低线损损失。

2)“保障一技术”维度

“保障一技术”维度从人机交互、提高效率的角度出发，强调对技术体系运行状况的检查、监督，对比查找存在的问题并提出改进措施；而技术体系高效准确的运行对人才的能力、素质要求，对体制制度框架的完善以及监督检查的改善起到了良好的促进作用。

3)“组织一保障”维度

“组织一保障”维度从管控机制、强化激励的角度出发，依据系统功能和管理目标，优化工作流程，建立扁平的组织架构，以期实现战略与结构的一致性；同时，根据评价考核和监督检查结果，改进激励的方式，提升工作绩效，加强人才的培训、培养，打造可持续的企业人才发展梯队。

在本发明的实施例二中，基于大数据的配变三相不平衡分析与负荷调整的方法包括以下步骤：

步骤100，对配变台区进行分类；

步骤200，根据步骤100的分类结果，从电力系统中抽取数据；

步骤300，采用大数据技术对电量波动开展相关性分析；

步骤400，根据步骤300分析结果，定位三相不平衡波动与低压配变台区线损波动相关性强的配变台区，查找电量波动相关性强的低压用户。

步骤500，现场核实判断以上低压用户是否为造成三相不平衡原因，并开展三相负荷调整。

步骤600，持续跟踪监控三相负荷平衡率和线损率，评估降损效果，如果无效则转入步骤200，如果有效则结束。

在本发明的实施例三中，基于大数据的配变三相不平衡分析与负荷调整的方法包括以下步骤：步骤100，对配变台区进行分类，进一步包括：

步骤120，确定对配变台区进行分类使用的参数，包括但不仅限于设备容量、负荷性质、用户规模、供电半径，具体的，分类过程中使用的参数由用户自定义，可以选择为设备容量、负荷性质、用户规模、供电半径等，若配变台区总数为m个，参数的数量为n个，则配变台区可以记为{Z₁,Z₂...Z_m},第i个配变台区可以表示为一个坐标

步骤140，对选定的参数进行归一化处理，具体的，对第j个参数归一化处理使用的公式可以表达为：

其中，l_j是第i个配变台区的第j个参数的样本空间的样本点个数，z_ij是i个配变台区的第j个参数的值，z_ij ^*是i个配变台区的第j个参数归一化后的结果。使用这种归一化方法，不受选定的参数数量限制，能够将99％以上的参数取值区间纳入归一化范围，而且能够根据参数的重要程度对参数进行排序从而保证归一化效果。

步骤160，选定分类中心，具体方法为：

通过步骤120确定配变台区的坐标后，进一步由用户任意选出K个分类中心，K为用户自定义，优选为个，其中表示向上取整；

步骤180，根据步骤160选定的分类中心对配变台区进行分类处理

具体的，通过步骤160确定分类中心之后，根据坐标值分别计算其他配变台区到K个分类中心的距离，将这些配变台区分别划归到距离最近的分类中心所属的分类。

具体的，选定K个分类中心之后，则分类中心集合可以表示为{O₁,O₂...O_K}，分类中心的坐标可以记为针对配变台区集合中的每个元素，为每个参数设定不同的权重，权重序列为分别计算与各个分类中心的加权欧式距离，具体计算公式为：

若第i个元素到第k个聚类中心的距离最近，那么就将这个元素划归到第k个分类。

采取这样的权重分配模式，不受选定的数据种类的数量限制，而且能够根据数据的重要程度对数据进行排序，保证分类效果最优。

步骤200，从电力系统中抽取数据，包括但不仅限于配变负荷监测系统中按以上分类抽取一定数量的典型台区的三相负荷平衡数据；在电力用户采集系统中抽取典型配变台区的负荷曲线数据；在一体化电量与线损管理系统中抽取典型配变台区的日线损监测数据；

步骤300，采用大数据技术对电量波动开展相关性分析，包括日线损率波动数据、三相不平衡率波动数据、负荷曲线波动数据、典型低压用户电量波动数据等；

步骤300进一步包括：

步骤320，选择相关性分析模式，所述相关性分析模式包括但不仅限于第一模式和第二模式，其中第一模式为两种数据之间的相关性的单相关分析，第二模式为多种(三种或者以上)数据之间的相关性分析的多重相关性分析；

步骤340，如果相关性分析模式为第一模式，那么转入步骤360；如果相关性分析模式为第二模式，那么转入步骤380；

步骤360，分析第p种数据与第q种数据的相关度，获取第p种数据集合为{D_p}，

{D_p}＝{D_p(t₁),D_p(t₂),...,D_p(t_r)}，{S_M(t_i)}为第p种数据在第s个时间点的取值，第q种数据集合为{D_q}，{D_q}＝{D_q(t₁),D_q(t₂),...,D_q(t_r)},计算第p种数据与第q种数据在第s个时间点的相关度，记为

其中为第s个时间点第p种数据与第q种数据的差值，Δmin_pq为第p种数据与第q种数据差值的最小值，Δmax_pq为第p种数据与第q种数据差值的最大值，ρ_pq为第p种数据与第q种数据间的分辨系数，ρ_pq∈[0,1]；

计算第p种数据与第q种数据的相关度R_pq，

如果R_pq≥0.9，则说明第p种数据与第q种数据相关度高；

步骤380；计算多种(三种或者以上)数据之间的综合相关指数R。一种计算综合关联指数R的方法为：

其中N为计算综合相关指数用到的数据数量，1≤p,q≤N,p≠q。

计算多种(三种或者以上)数据之间的综合相关指数的好处有两点，第一在于简化判断指标，如果多种数据两两之间计算相关度，那么判断指标数量较大，比较起来耗时耗力，而综合关联指数一个指标，方便决策；第二在于某些特殊情况下虽然单独两个数据之间的相关度都不是很高，但是综合相关指数可能较高，这也是大数据分析方法相对于传统分析方法的优势。

步骤400，根据步骤300分析结果，定位三相不平衡波动与低压配变台区线损波动相关性强的配变台区，查找电量波动相关性强的低压用户，在第一模式下，只需要查找三相不平衡波动与低压配变台区线损波动相关性强的时间点和配变台区即可，在第二模式下，通常来说电量波动相关性强的低压用户落在综合相关指数高的配变台区的概率较高。

步骤500，现场核实判断以上低压用户是否为造成三相不平衡原因，并开展三相负荷调整。

步骤600，持续跟踪监控三相负荷平衡率和线损率，评估降损效果，如果无效则转入步骤300，如果有效则结束。

其他与方法相同之处在此不赘述，详情请参照方法说明部分。

本发明实施例可以分析挖掘电力生产和电能使用过程中发电、输电、变电、配电、用电和调度各个环节数据之间的关系和规律，可以满足企业电力生产、经营管理和电力服务在提高质量、效益、效率方面的需要，促进电力资源的优化配置和高效服务。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于大数据的配变三相不平衡分析与负荷调整的方法，其特征在于，包括以下步骤：

步骤100，对配变台区进行分类；

步骤200，根据步骤100的分类结果，从电力系统中抽取数据；

步骤300，采用大数据技术对电量波动开展相关性分析；

步骤400，根据步骤300分析结果，定位三相不平衡波动与低压配变台区线损波动相关性强的配变台区，查找电量波动相关性强的低压用户；

步骤500，现场核实判断以上低压用户是否为造成三相不平衡原因，并开展三相负荷调整；

步骤600，持续跟踪监控三相负荷平衡率和线损率，评估降损效果，如果无效则转入步骤200，如果有效则结束。

2.根据权利要求1所述的基于大数据的配变三相不平衡分析与负荷调整的方法，其特征在于，所述步骤100进一步包括：

步骤120，确定对配变台区进行分类使用的参数，包括但不仅限于设备容量、负荷性质、用户规模、供电半径，若配变台区总数为m个，参数的数量为n个，则配变台区可以记为{Z₁,Z₂...Z_m},第i个配变台区可以表示为一个坐标

步骤140，对选定的参数进行归一化处理，对第j个参数归一化处理使用的公式为：

${z_{ij}}^{*}=\frac{j}{n}*\left|\frac{(z_{ij}-\frac{1}{l_j}\underset{j=1}{\overset{l_j}{\Σ}}{z}_{ij})}{4\sqrt{\frac{1}{l_j}\underset{j=1}{\overset{l_j}{\Σ}}{(z_{ij}-\frac{1}{l_j}\underset{j=1}{\overset{l_j}{\Σ}}{z}_{ij})}^2}}\right|+\frac{n-j}{n},$

其中，l_j是第i个配变台区的第j个参数的样本空间的样本点个数，z_ij是i个配变台区的第j个参数的值，z_ij ^*是i个配变台区的第j个参数归一化后的结果；

步骤160，选定分类中心，通过步骤120确定配变台区的坐标后，进一步由用户任意选出K个分类中心，K为用户自定义，优选为个，其中表示向上取整；

步骤180，根据步骤160选定的分类中心对配变台区进行分类处理，根据坐标值分别计算其他配变台区到K个分类中心的距离，将这些配变台区分别划归到距离最近的分类中心所属的分类，即：选定K个分类中心之后，则分类中心集合可以表示为{O₁,O₂...O_K}，分类中心的坐标可以记为针对配变台区集合中的每个元素，为每个参数设定不同的权重，权重序列为分别计算与各个分类中心的加权欧式距离，具体计算公式为：

$d_{ik}=\left|\right|\stackrel{\→}{Z_i}-\stackrel{\→}{O_k}|{|}_2=\frac{1}{n^2}\sqrt{{(z_{i1}-o_{k1})}^2+9{(z_{i2}-o_{k2})}^2+\mathrm{...}+(4n^2-4n+1){(z_{in}-o_{kn})}^2},$

i＝1,2...m,k＝1,2...K；若第i个元素到第k个聚类中心的距离最近，那么就将这个元素划归到第k个分类。

3.根据权利要求1所述的基于大数据的配变三相不平衡分析与负荷调整的方法，其特征在于，所述步骤200中从电力系统中抽取数据，包括但不仅限于配变负荷监测系统中按以上分类抽取一定数量的典型台区的三相负荷平衡数据；在电力用户采集系统中抽取典型配变台区的负荷曲线数据；在一体化电量与线损管理系统中抽取典型配变台区的日线损监测数据。

4.根据权利要求1所述的基于大数据的配变三相不平衡分析与负荷调整的方法，其特征在于，所述步骤300中采用大数据对电量波动进行相关性分析，所述大数据包括日线损率波动数据、三相不平衡率波动数据、负荷曲线波动数据、典型低压用户电量波动数据。

5.根据权利要求1所述的基于大数据的配变三相不平衡分析与负荷调整的方法，其特征在于，在所述步骤300中采用大数据对电量波动开展相关性分析中，所述相关性分析模式包括但不仅限于第一模式和第二模式，其中第一模式为两种数据之间的相关性的单相关分析，第二模式为三种或者以上数据之间的相关性分析的多重相关性分析。