CN109117974A - 一种配电网台区重过载风险评估方法和装置 - Google Patents
一种配电网台区重过载风险评估方法和装置 Download PDFInfo
- Publication number
- CN109117974A CN109117974A CN201710495623.4A CN201710495623A CN109117974A CN 109117974 A CN109117974 A CN 109117974A CN 201710495623 A CN201710495623 A CN 201710495623A CN 109117974 A CN109117974 A CN 109117974A
- Authority
- CN
- China
- Prior art keywords
- heavy
- overload
- platform region
- net platform
- distribution net
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012502 risk assessment Methods 0.000 title claims abstract description 30
- 238000005065 mining Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000009412 basement excavation Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 2
- 240000002853 Nelumbo nucifera Species 0.000 claims 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 2
- 238000012423 maintenance Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012097 association analysis method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种配电网台区重过载风险评估方法和装置，先提取重过载记录，然后确定重过载分类特征，并划分重过载记录的类型；接着确定重过载关联特征，并根据重过载关联特征对各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集；最后根据重过载影响因素集实现了各个时间跨度下对配电网台区重过载预测，并根据预测结果评估重过载引起的停电风险。本发明提供的技术方案同时考虑了用户自身的固有属性以及可能相关的外部因素，在支撑重过载预测的同时能够反映用户用电行为；实现了对配电网台区重过载的准确预测，能够及时消除故障隐患，且对于指导供电设备的升级改造也具有重要作用。
Description
技术领域
本发明涉及电力系统大数据应用技术，具体涉及一种配电网台区重过载风险评估方法和装置。
背景技术
配电网台区作为面向低压用户的最末一级供电单位，供电设备的运行状态直接影响配电网台区内的供电质量。供电设备的重过载运行是引起停电的主要原因之一，而重过载现象中通常也伴随着三相不平衡、电压偏移等一系列问题，这些问题对配电网台区的安全可靠供电危害尤其严重。而且供电设备长时间处于重过载状态会加剧供电设备的损耗，降低供电设备自身的使用寿命，并且还会带来其他运行风险和故障隐患等。因此治理配电网台区供电设备重过载现象尤为重要，成为配网运维检修工作必不可少的内容。
目前治理配电网台区的重过载现象通常集中在事中监控和事后处理两个阶段，即通过对配电变压器运行情况的实时监测及时发现出现重过载的配电网台区，运维人员接到告警后再再采取相应的措施处理配电网台区出现的重过载现象。但是这种方式存在两方面问题：1)从短期看来，配电网台区下负荷的突变性相对较强，因此处理配电网台区出现的重过载现象如果周期较长的话会增加供电设备的运行风险和故障概率；2)重过载与用户用电行为紧密相关但成因难以准确把握，在配电网台区层面对于在运的供电设备的重过载治理措施较少。另外，由于受到目前重过载管理水平的限制，运维人员无法通过简单的重过载告警信息判断配电网台区的重过载情况和严重程度，不利于对事件的快速有效处理。
发明内容
为了克服上述现有技术的不足，本发明提供一种配电网台区重过载风险评估方法和装置，先从配电变压器负荷曲线中提取重过载记录，并根据重过载分类特征划分重过载记录的类型，然后确定重过载关联特征，并根据重过载关联特征和重过载记录的类型对各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集；最后根据重过载影响因素集实现了各个时间跨度下对配电网台区重过载预测，并根据预测结果评估重过载引起的停电风险。
为了实现上述发明目的，本发明采取如下技术方案：
本发明提供一种配电网台区重过载风险评估方法，包括：
从配电变压器负荷曲线中提取重过载记录；
确定重过载分类特征，并根据重过载分类特征划分重过载记录的类型；
确定重过载关联特征，并根据重过载关联特征和重过载记录的类型对各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集；
根据重过载影响因素集对配电网台区进行重过载预测，并根据预测结果评估重过载引起的停电风险。
所述从配电变压器负荷曲线中提取重过载记录包括：
对于单相配电变压器，从任意点开始，当连续出现三个时间点或以上时间点的负载率不小于第一阈值时，配电网台区处于重过载状态，提取重过载时段内单相配电变压器的负荷数据；
对于三相配电变压器，从任意点开始，当至少一相上连续出现三个时间点或以上时间点的负载率超过第一阈值时，配电网台区处于重过载状态，提取重过载时段内三相配电变压器的负荷数据。
所述第一阈值为80％。
所述重过载分类特征包括时间特征、负载特征和相别特征；
所述时间特征包括重过载起始时间和重过载持续时间；
所述负载特征包括平均负载率、最大负载率和负载率变化标准差；
所述相别特征包括发生相别、多相同时率和时段比；所述相别包括单相、两相和三相。
所述根据重过载分类特征划分重过载记录的类型包括：
根据重过载分类特征，将重过载记录逐条转化为相应的重过载分类特征向量，根据余弦相似度或皮尔森相似度划分重过载分类特征向量的类型，使每条重过载分类特征向量对应唯一的类型标号。
所述确定重过载关联特征包括：
所述重过载关联特征包括设备特征、用户特征和环境特征；
所述设备特征包括配电变压器的额定容量、投运日期、设备型号和资产归属；
所述用户特征包括户均容量、大用户数量、各类型用户容量占比和用户窃电记录；
所述环境特征包括供电区域类型、日期类型、气温、空气质量指数和是否发生重大社会活动；所述日期类型包括工作日、休息日和节假日。
所述根据重过载关联特征和重过载记录的类型对各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集包括：
根据重过载关联特征将各类重过载记录转化为相应的重过载关联特征向量，根据同类型重过载记录对应的重过载关联特征向量挖掘重过载关联规则，得到频繁项集形式的重过载关联规则，所述重过载关联规则包括置信度、支持度和提升度；
确定指标约束，所述指标约束包括置信度约束、支持度约束和提升度约束；
判断重过载关联规则是否满足指标约束，若满足则得到重过载影响因素集，所述重过载影响因素集包括设备台账、配电网台区用户信息和外部环境。
所述根据重过载影响因素集对配电网台区进行重过载预测包括：
根据重过载影响因素集，并采用多元逻辑回归模型或人工神经网络对配电网台区进行重过载预测，得到预测结果。
所述根据预测结果评估重过载引起的停电风险包括：
基于预测结果、风险概率和风险结果，采用层次分析法或专家打分法评估配电网台区重过载引起的停电风险。
本发明还提供一种配电网台区重过载风险评估装置，包括：
提取模块，用于从配电变压器负荷曲线中提取重过载记录；
划分模块，用于确定重过载分类特征，并根据重过载分类特征划分重过载记录的类型；
挖掘模块，用于确定重过载关联特征，并根据重过载关联特征和重过载记录的类型对各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集；
评估模块，用于根据重过载影响因素集对配电网台区进行重过载预测，并根据预测结果评估重过载引起的停电风险。
所述提取模块用于：
对于单相配电变压器，从任意点开始，当连续出现三个时间点或以上时间点的负载率不小于第一阈值时，配电网台区处于重过载状态，提取重过载时段内单相配电变压器的负荷数据；
对于三相配电变压器，从任意点开始，当至少一相上连续出现三个时间点或以上时间点的负载率超过第一阈值时，配电网台区处于重过载状态，提取重过载时段内三相配电变压器的负荷数据。
所述第一阈值为80％。
所述划分模块包括第一确定单元，所述第一确定单元用于确定重过载分类特征；
所述重过载分类特征包括时间特征、负载特征和相别特征；
所述时间特征包括重过载起始时间和重过载持续时间；
所述负载特征包括平均负载率、最大负载率和负载率变化标准差；
所述相别特征包括发生相别、多相同时率和时段比；所述相别包括单相、两相和三相。
所述划分模块还包括划分单元，所述划分单元用于：
根据重过载分类特征，将重过载记录逐条转化为相应的重过载分类特征向量，根据余弦相似度或皮尔森相似度划分重过载分类特征向量的类型，使每条重过载分类特征向量对应唯一的类型标号。
所述挖掘模块包括第二确定单元，所述第二确定单元用于：
所述重过载关联特征包括设备特征、用户特征和环境特征；
所述设备特征包括配电变压器的额定容量、投运日期、设备型号和资产归属；
所述用户特征包括户均容量、大用户数量、各类型用户容量占比和用户窃电记录；
所述环境特征包括供电区域类型、日期类型、气温、空气质量指数和是否发生重大社会活动；所述日期类型包括工作日、休息日和节假日。
所述挖掘模块还包括挖掘单元，所述挖掘单元用于：
根据重过载关联特征将各类重过载记录转化为相应的重过载关联特征向量，根据同类型重过载记录对应的重过载关联特征向量挖掘重过载关联规则，得到频繁项集形式的重过载关联规则，所述重过载关联规则包括置信度、支持度和提升度；
确定指标约束，所述指标约束包括置信度约束、支持度约束和提升度约束；
判断重过载关联规则是否满足指标约束，若满足则得到重过载影响因素集，所述重过载影响因素集包括设备台账、配电网台区用户信息和外部环境。
所述评估模块预测单元，所述预测单元用于：
根据重过载影响因素集，并采用多元逻辑回归模型或人工神经网络对配电网台区进行重过载预测，得到预测结果。
所述评估模块还包括评估单元，所述评估单元用于：
基于预测结果、风险概率和风险结果，采用层次分析法或专家打分法评估配电网台区重过载引起的停电风险。
与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明实施例提供的技术方案中，先从配电变压器负荷曲线中提取重过载记录，然后确定重过载分类特征，并根据重过载分类特征划分重过载记录的类型；接着确定重过载关联特征，并根据重过载关联特征和重过载记录的类型对配电网台区的各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集；根据重过载影响因素集最终实现了配电网台区各个时间跨度下的重过载预测，并根据预测结果实现了对重过载引起的停电风险进行评估；
本发明提供的技术方案实现了对配电网台区重过载的准确预测，能够及时消除故障隐患，且对于指导供电设备的升级改造也具有重要作用；
本发明提供的技术方案从发生时段、持续时长、负载率、三相不平衡程度等多个方面对重过载记录进行类型细分，在业务上能够帮助运维人员更为系统地掌握重过载情况，在理论上有助于提高重过载预测准确性；
本发明提供的技术方案在特征选择阶段同时考虑了用户自身的固有属性以及可能相关的外部因素，在支撑重过载预测的同时能够反映用户用电行为；
本发明提供的技术方案采用大数据方法中的关联分析方法，基于大量数据样本的分析方式使模型能够根据新增数据进行调整，能够提升运维检修效率，同时可以提高配电网台区供电安全水平。
附图说明
图1是本发明实施例中配电网台区重过载风险评估方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
实施例1
为了实现对配电网台区重过载现象的准确预测，及时消除重过载起因的停电故障隐患，指导供电设备的升级改造，本发明实施例1提供的技术方案利用大数据技术，从配电变压器负荷曲线中提取重过载记录，并根据重过载分类特征划分重过载记录的类型，分析重过载关联特征，根据重过载关联特征和重过载记录的类型对配电网台区的各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集；根据重过载影响因素集最终实现了配电网台区各个时间跨度下的重过载预测，并根据预测结果评估重过载引起的停电风险，提升了供电设备运维检修效率，且提高了供电安全水平。
本发明实施例提供的配电网台区重过载风险评估方法的具体流程图如图1，该配电网台区重过载风险评估方法具体过程如下：
S101：从配电变压器负荷曲线中提取重过载记录；
S102：确定重过载记录，并根据重过载分类特征划分重过载记录的类型；
S103：确定重过载关联特征，并根据重过载关联特征和S102得到的重过载记录的类型对各类重过载记录进行重过载关联规则挖掘，若挖掘出的重过载关联规则满足指标约束，即可得到重过载影响因素集；
S104：根据S103得到的重过载影响因素集对配电网台区进行重过载预测，并根据预测结果评估重过载引起的停电风险。
上述S101中，从配电变压器负荷曲线中提取重过载记录具体过程如下：
1)对于单相配电变压器，从任意点开始，当连续出现三个时间点或以上时间点的负载率不小于第一阈值时，配电网台区处于重过载状态，提取重过载时段内单相配电变压器的负荷数据；
2)对于三相配电变压器，从任意点开始，当至少一相上连续出现三个时间点或以上时间点的负载率超过第一阈值时，配电网台区处于重过载状态，提取重过载时段内三相配电变压器的负荷数据。
上述第一阈值为80％。
上述S102中，确定的重过载分类特征包括时间特征、负载特征和相别特征；
其中的时间特包括重过载起始时间和重过载持续时间，对于时间特征的取值可以通过概念分层进行泛化处理，提升聚类效果。
其中的负载特征用于描述重过载程度，其包括平均负载率、最大负载率和负载率变化标准差；
其中的相别特征用于描述重过载负荷在三相上的占比和时间分布，其包括发生相别(单相、两相和三相)、多相同时率和时段比。
上述S102中，根据上述重过载分类特征划分重过载记录的类型具体过程如下：
先根据重过载分类特征，将重过载记录逐条转化为相应的重过载分类特征向量，然后根据余弦相似度或皮尔森相似度划分重过载分类特征向量的类型，使每条重过载分类特征向量对应唯一的类型标号。
上述S103中，确定的重过载关联特征包括设备特征、用户特征和环境特征；
其中的设备特征主要包括配电变压器的额定容量、投运日期、设备型号和资产归属；
其中的用户特征主要包括户均容量、大用户数量、各类型用户容量占比和用户窃电记录；
其中的环境特征主要包括供电区域类型、日期类型(工作日、休息日和节假日)、气温、空气质量指数和是否发生重大社会活动。
上述S103中，根据重过载关联特征和重过载记录的类型对各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集具体过程如下：
1)根据重过载关联特征将各类重过载记录转化为相应的重过载关联特征向量，根据同类型重过载记录对应的重过载关联特征向量挖掘重过载关联规则，得到频繁项集形式的重过载关联规则，重过载关联规则包括置信度、支持度和提升度；
2)确定包括置信度约束、支持度约束和提升度约束在内的指标约束；
3)判断重过载关联规则是否满足上述指标约束，若满足上述指标约束则可得到重过载影响因素集，该重过载影响因素集包括设备台账、配电网台区用户信息和外部环境。
上述S104中，根据重过载影响因素集，并采用多元逻辑回归模型或人工神经网络对配电网台区进行重过载预测，即可得到预测结果。
考虑到风险概率(即重过载运行可能导致停电故障的概率，需要在台区重过载概率的基础上综合考虑设备质量、维护情况、运行环境等)和风险后果(即停电带来的损失，包括经济效益和社会效益损失，需要从停电用户数量、用户重要程度等进行衡量)两方面因素，可以基于预测结果、风险概率和风险结果，采用层次分析法或专家打分法评估配电网台区重过载引起的停电风险。
实施例2
本发明实施例2提供一种配电网台区重过载风险评估装置，其原理和上述配电网台区重过载风险评估方法基本相似，该配电网台区重过载风险评估装置主要包括提取模块、划分模块、挖掘模块和评估模块，下面对上述三个模块分别的功能进行介绍：
其中的提取模块，主要用于从配电变压器负荷曲线中提取重过载记录；
其中的划分模块，主要用于确定重过载分类特征，并根据重过载分类特征划分重过载记录的类型；
其中的挖掘模块，主要用于确定重过载关联特征，并根据重过载关联特征和重过载记录的类型对各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集；
其中的评估模块，主要用于根据重过载影响因素集对配电网台区进行重过载预测，并根据预测结果评估重过载引起的停电风险。
上述的提取模块从配电变压器负荷曲线中提取重过载记录分为以下两种情况：
1)对于单相配电变压器，从任意点开始，当连续出现三个时间点或以上时间点的负载率不小于第一阈值时，配电网台区处于重过载状态，提取重过载时段内单相配电变压器的负荷数据；
2)对于三相配电变压器，从任意点开始，当至少一相上连续出现三个时间点或以上时间点的负载率超过第一阈值时，配电网台区处于重过载状态，提取重过载时段内三相配电变压器的负荷数据。
上述的第一阈值为80％。
上述的划分模块包括第一确定单元，该第一确定单元主要用于确定重过载分类特征，重过载分类特征包括时间特征、负载特征和相别特征；
其中的时间特征包括重过载起始时间和重过载持续时间；
其中的负载特征包括平均负载率、最大负载率和负载率变化标准差；
其中的相别特征包括发生相别、多相同时率和时段比；所述相别包括单相、两相和三相。
上述的划分模块还包括划分单元，该划分单元根据重过载分类特征划分重过载记录的类型具体过程如下：
根据重过载分类特征，将重过载记录逐条转化为相应的重过载分类特征向量，根据余弦相似度或皮尔森相似度划分重过载分类特征向量的类型，使每条重过载分类特征向量对应唯一的类型标号。
上述的挖掘模块包括第二确定单元，该第二确定单元用于确定重过载关联特征，重过载关联特征包括设备特征、用户特征和环境特征；
其中的设备特征包括配电变压器的额定容量、投运日期、设备型号和资产归属；
其中的用户特征包括户均容量、大用户数量、各类型用户容量占比和用户窃电记录；
其中的环境特征包括供电区域类型、日期类型、气温、空气质量指数和是否发生重大社会活动；所述日期类型包括工作日、休息日和节假日。
上述的挖掘模块还包括挖掘单元，该挖掘单元根据重过载关联特征和重过载记录的类型对各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集具体过程如下：
1)根据重过载关联特征将各类重过载记录转化为相应的重过载关联特征向量，根据同类型重过载记录对应的重过载关联特征向量挖掘重过载关联规则，得到频繁项集形式的重过载关联规则，所述重过载关联规则包括置信度、支持度和提升度；
2)确定指标约束，所述指标约束包括置信度约束、支持度约束和提升度约束；
3)判断重过载关联规则是否满足指标约束，若满足则得到重过载影响因素集，所述重过载影响因素集包括设备台账、配电网台区用户信息和外部环境。
上述的评估模块预测单元，该预测单元根据重过载影响因素集对配电网台区进行重过载预测具体过程如下：
根据重过载影响因素集，并采用多元逻辑回归模型或人工神经网络对配电网台区进行重过载预测，得到预测结果。
上述的评估模块还包括评估单元，该评估单元根据预测结果评估重过载引起的停电风险具体过程如下：
基于预测结果、风险概率和风险结果，采用层次分析法或专家打分法评估配电网台区重过载引起的停电风险。
实施例3
选择某地市供电公司，采用配电网台区重过载评估方法进行了配电网台区的重过载预测。
针对2015年1月1日的单日重过载预测结果如表1所示：
表1
| 分段 | 分数 | 区间记录数量 | 其中实际重过载记录数量 | 准确率 | 命中率 |
| 1 | 200-1000 | 540 | 387 | 0.716 | 0.911 |
| 2 | 100-200 | 60 | 5 | ||
| 3 | 0-100 | 14254 | 7 | ||
| 合计 | 14874 | 427 |
表1中，一共对14254个配电网台区做出预测，重过载预测模型对每个台区给出一个分数，分数越高表示该台区与其他台区相比发生重过载的概率越大。通过不断调整分数分段，最终选择200-1000分数段作为重过载台区分数段。共540个配电网台区位于该分段，其中387个配电网台区实际发生了重过载。按照表1，重过载预测模型的准确率和命中率分别为0.716和0.911。准确率代表了重过载台区分数段内实际发生重过载的配电网台区数量与该分数段内所有配电网台区数量之比，命中率代表了重过载台区分数段内实际发生重过载的配电网台区数量与实际发生重过载的配电网台区合计数量之比。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
Claims (18)
1.一种配电网台区重过载风险评估方法，其特征在于，包括：
从配电变压器负荷曲线中提取重过载记录；
确定重过载分类特征，并根据重过载分类特征划分重过载记录的类型；
确定重过载关联特征，并根据重过载关联特征和重过载记录的类型对各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集；
根据重过载影响因素集对配电网台区进行重过载预测，并根据预测结果评估重过载引起的停电风险。
2.根据权利要求1所述的配电网台区重过载风险评估方法，其特征在于，所述从配电变压器负荷曲线中提取重过载记录包括：
对于单相配电变压器，从任意点开始，当连续出现三个时间点或以上时间点的负载率不小于第一阈值时，配电网台区处于重过载状态，提取重过载时段内单相配电变压器的负荷数据；
对于三相配电变压器，从任意点开始，当至少一相上连续出现三个时间点或以上时间点的负载率超过第一阈值时，配电网台区处于重过载状态，提取重过载时段内三相配电变压器的负荷数据。
3.根据权利要求2所述的配电网台区重过载风险评估方法，其特征在于，所述第一阈值为80％。
4.根据权利要求2所述的配电网台区重过载风险评估方法，其特征在于，所述重过载分类特征包括时间特征、负载特征和相别特征；
所述时间特征包括重过载起始时间和重过载持续时间；
所述负载特征包括平均负载率、最大负载率和负载率变化标准差；
所述相别特征包括发生相别、多相同时率和时段比；所述相别包括单相、两相和三相。
5.根据权利要求1或4所述的配电网台区重过载风险评估方法，其特征在于，所述根据重过载分类特征划分重过载记录的类型包括：
根据重过载分类特征，将重过载记录逐条转化为相应的重过载分类特征向量，根据余弦相似度或皮尔森相似度划分重过载分类特征向量的类型，使每条重过载分类特征向量对应唯一的类型标号。
6.根据权利要求1所述的配电网台区重过载风险评估方法，其特征在于，所述确定重过载关联特征包括：
所述重过载关联特征包括设备特征、用户特征和环境特征；
所述设备特征包括配电变压器的额定容量、投运日期、设备型号和资产归属；
所述用户特征包括户均容量、大用户数量、各类型用户容量占比和用户窃电记录；
所述环境特征包括供电区域类型、日期类型、气温、空气质量指数和是否发生重大社会活动；所述日期类型包括工作日、休息日和节假日。
7.根据权利要求1所述的配电网台区重过载风险评估方法，其特征在于，所述根据重过载关联特征和重过载记录的类型对各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集包括：
根据重过载关联特征将各类重过载记录转化为相应的重过载关联特征向量，根据同类型重过载记录对应的重过载关联特征向量挖掘重过载关联规则，得到频繁项集形式的重过载关联规则，所述重过载关联规则包括置信度、支持度和提升度；
确定指标约束，所述指标约束包括置信度约束、支持度约束和提升度约束；
判断重过载关联规则是否满足指标约束，若满足则得到重过载影响因素集，所述重过载影响因素集包括设备台账、配电网台区用户信息和外部环境。
8.根据权利要求1所述的配电网台区重过载风险评估方法，其特征在于，所述根据重过载影响因素集对配电网台区进行重过载预测包括：
根据重过载影响因素集，并采用多元逻辑回归模型或人工神经网络对配电网台区进行重过载预测，得到预测结果。
9.根据权利要求8所述的配电网台区重过载风险评估方法，其特征在于，所述根据预测结果评估重过载引起的停电风险包括：
基于预测结果、风险概率和风险结果，采用层次分析法或专家打分法评估配电网台区重过载引起的停电风险。
10.一种配电网台区重过载风险评估装置，其特征在于，包括：
提取模块，用于从配电变压器负荷曲线中提取重过载记录；
划分模块，用于确定重过载分类特征，并根据重过载分类特征划分重过载记录的类型；
挖掘模块，用于确定重过载关联特征，并根据重过载关联特征和重过载记录的类型对各类重过载记录进行重过载关联规则挖掘，若重过载关联规则满足指标约束，得到重过载影响因素集；
评估模块，用于根据重过载影响因素集对配电网台区进行重过载预测，并根据预测结果评估重过载引起的停电风险。
11.根据权利要求10所述的配电网台区重过载风险评估装置，其特征在于，所述提取模块用于：
对于单相配电变压器，从任意点开始，当连续出现三个时间点或以上时间点的负载率不小于第一阈值时，配电网台区处于重过载状态，提取重过载时段内单相配电变压器的负荷数据；
对于三相配电变压器，从任意点开始，当至少一相上连续出现三个时间点或以上时间点的负载率超过第一阈值时，配电网台区处于重过载状态，提取重过载时段内三相配电变压器的负荷数据。
12.根据权利要求11所述的配电网台区重过载风险评估装置，其特征在于，所述第一阈值为80％。
13.根据权利要求10所述的配电网台区重过载风险评估装置，其特征在于，所述划分模块包括第一确定单元，所述第一确定单元用于确定重过载分类特征；
所述重过载分类特征包括时间特征、负载特征和相别特征；
所述时间特征包括重过载起始时间和重过载持续时间；
所述负载特征包括平均负载率、最大负载率和负载率变化标准差；
所述相别特征包括发生相别、多相同时率和时段比；所述相别包括单相、两相和三相。
14.根据权利要求13所述的配电网台区重过载风险评估装置，其特征在于，所述划分模块还包括划分单元，所述划分单元用于：
根据重过载分类特征，将重过载记录逐条转化为相应的重过载分类特征向量，根据余弦相似度或皮尔森相似度划分重过载分类特征向量的类型，使每条重过载分类特征向量对应唯一的类型标号。
15.根据权利要求10所述的配电网台区重过载风险评估装置，其特征在于，所述挖掘模块包括第二确定单元，所述第二确定单元用于：
所述重过载关联特征包括设备特征、用户特征和环境特征；
所述设备特征包括配电变压器的额定容量、投运日期、设备型号和资产归属；
所述用户特征包括户均容量、大用户数量、各类型用户容量占比和用户窃电记录；
所述环境特征包括供电区域类型、日期类型、气温、空气质量指数和是否发生重大社会活动；所述日期类型包括工作日、休息日和节假日。
16.根据权利要求15所述的配电网台区重过载风险评估装置，其特征在于，所述挖掘模块还包括挖掘单元，所述挖掘单元用于：
根据重过载关联特征将各类重过载记录转化为相应的重过载关联特征向量，根据同类型重过载记录对应的重过载关联特征向量挖掘重过载关联规则，得到频繁项集形式的重过载关联规则，所述重过载关联规则包括置信度、支持度和提升度；
确定指标约束，所述指标约束包括置信度约束、支持度约束和提升度约束；
判断重过载关联规则是否满足指标约束，若满足则得到重过载影响因素集，所述重过载影响因素集包括设备台账、配电网台区用户信息和外部环境。
17.根据权利要求10所述的配电网台区重过载风险评估装置，其特征在于，所述评估模块预测单元，所述预测单元用于：
根据重过载影响因素集，并采用多元逻辑回归模型或人工神经网络对配电网台区进行重过载预测，得到预测结果。
18.根据权利要求17所述的配电网台区重过载风险评估装置，其特征在于，所述评估模块还包括评估单元，所述评估单元用于：
基于预测结果、风险概率和风险结果，采用层次分析法或专家打分法评估配电网台区重过载引起的停电风险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710495623.4A CN109117974A (zh) | 2017-06-26 | 2017-06-26 | 一种配电网台区重过载风险评估方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710495623.4A CN109117974A (zh) | 2017-06-26 | 2017-06-26 | 一种配电网台区重过载风险评估方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109117974A true CN109117974A (zh) | 2019-01-01 |
Family
ID=64822278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710495623.4A Pending CN109117974A (zh) | 2017-06-26 | 2017-06-26 | 一种配电网台区重过载风险评估方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109117974A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175762A (zh) * | 2019-05-16 | 2019-08-27 | 广西电网有限责任公司电力科学研究院 | 一种配电台区低电压严重程度的评价指标体系及评价方法 |
| CN110457770A (zh) * | 2019-07-18 | 2019-11-15 | 中国电力科学研究院有限公司 | 一种面向时间尺度的配电变压器重过载判断方法 |
| CN110751338A (zh) * | 2019-10-23 | 2020-02-04 | 贵州电网有限责任公司 | 一种配变台区重过载特征模型的构建和预警的方法 |
| CN110879335A (zh) * | 2019-12-16 | 2020-03-13 | 深圳供电局有限公司 | 一种配电网线路重过载情况评估的方法 |
| CN111949940A (zh) * | 2020-06-28 | 2020-11-17 | 佰聆数据股份有限公司 | 基于回归模型的台区变压器过载预测方法、系统及存储介质 |
| CN112257923A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112258342A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112396311A (zh) * | 2020-11-16 | 2021-02-23 | 贵州电网有限责任公司 | 一种变压器负载过载风险评估方法 |
| CN112448478A (zh) * | 2020-11-16 | 2021-03-05 | 贵州电网有限责任公司 | 一种变压器负载管控方法 |
| CN112800577A (zh) * | 2020-12-17 | 2021-05-14 | 北京国电通网络技术有限公司 | 配电变压器重过载原因分析的方法、装置及电子设备 |
| CN113450031A (zh) * | 2021-08-31 | 2021-09-28 | 国网江西省电力有限公司供电服务管理中心 | 居民智慧用能服务潜在台区选取方法及装置 |
| CN113570109A (zh) * | 2021-06-25 | 2021-10-29 | 广西电网有限责任公司南宁供电局 | 一种配变重过载预测的方法 |
| CN114077932A (zh) * | 2022-01-07 | 2022-02-22 | 国网北京市电力公司 | 基于大数据的台区异常分析方法、装置、设备及介质 |
| CN115330177A (zh) * | 2022-08-10 | 2022-11-11 | 北京市科学技术研究院 | 一种基于因果学习的城市公共设施安全风险评估方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090319093A1 (en) * | 2008-03-31 | 2009-12-24 | The Royal Institution For Advancement Of Learning/ Mcgill University | Methods and processes relating to electricity power generation and distribution networks |
| CN101853277A (zh) * | 2010-05-14 | 2010-10-06 | 南京信息工程大学 | 一种基于分类和关联分析的漏洞数据挖掘方法 |
| CN104574209A (zh) * | 2015-01-07 | 2015-04-29 | 国家电网公司 | 一种城网配变重过载中期预警模型的建模方法 |
| CN104699890A (zh) * | 2015-01-07 | 2015-06-10 | 国家电网公司 | 一种城网配变重过载短期预警模型的建模方法 |
| CN105404944A (zh) * | 2015-12-11 | 2016-03-16 | 中国电力科学研究院 | 一种面向电力系统重过载预警的大数据分析方法 |
| US20160179118A1 (en) * | 2013-08-30 | 2016-06-23 | Accenture Global Services Limited | System for real time power grid distribution network control |
| CN106446016A (zh) * | 2016-08-29 | 2017-02-22 | 中国电力科学研究院 | 一种基于并行关联规则挖掘的配电网运行可靠性预测方法 |
-
2017
- 2017-06-26 CN CN201710495623.4A patent/CN109117974A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090319093A1 (en) * | 2008-03-31 | 2009-12-24 | The Royal Institution For Advancement Of Learning/ Mcgill University | Methods and processes relating to electricity power generation and distribution networks |
| CN101853277A (zh) * | 2010-05-14 | 2010-10-06 | 南京信息工程大学 | 一种基于分类和关联分析的漏洞数据挖掘方法 |
| US20160179118A1 (en) * | 2013-08-30 | 2016-06-23 | Accenture Global Services Limited | System for real time power grid distribution network control |
| CN104574209A (zh) * | 2015-01-07 | 2015-04-29 | 国家电网公司 | 一种城网配变重过载中期预警模型的建模方法 |
| CN104699890A (zh) * | 2015-01-07 | 2015-06-10 | 国家电网公司 | 一种城网配变重过载短期预警模型的建模方法 |
| CN105404944A (zh) * | 2015-12-11 | 2016-03-16 | 中国电力科学研究院 | 一种面向电力系统重过载预警的大数据分析方法 |
| CN106446016A (zh) * | 2016-08-29 | 2017-02-22 | 中国电力科学研究院 | 一种基于并行关联规则挖掘的配电网运行可靠性预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 季知祥等: ""面向电力大数据应用的专业化分析技术研究"", 《供用电》 * |
| 王晓蓉等: ""台区重过载预警与风险评估系统研究与实现"", 《供用电》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175762A (zh) * | 2019-05-16 | 2019-08-27 | 广西电网有限责任公司电力科学研究院 | 一种配电台区低电压严重程度的评价指标体系及评价方法 |
| CN110457770A (zh) * | 2019-07-18 | 2019-11-15 | 中国电力科学研究院有限公司 | 一种面向时间尺度的配电变压器重过载判断方法 |
| CN110457770B (zh) * | 2019-07-18 | 2022-07-01 | 中国电力科学研究院有限公司 | 一种面向时间尺度的配电变压器重过载判断方法 |
| CN110751338A (zh) * | 2019-10-23 | 2020-02-04 | 贵州电网有限责任公司 | 一种配变台区重过载特征模型的构建和预警的方法 |
| CN110879335A (zh) * | 2019-12-16 | 2020-03-13 | 深圳供电局有限公司 | 一种配电网线路重过载情况评估的方法 |
| CN110879335B (zh) * | 2019-12-16 | 2022-05-10 | 深圳供电局有限公司 | 一种配电网线路重过载情况评估的方法 |
| CN111949940B (zh) * | 2020-06-28 | 2021-08-13 | 佰聆数据股份有限公司 | 基于回归模型的台区变压器过载预测方法、系统及存储介质 |
| CN111949940A (zh) * | 2020-06-28 | 2020-11-17 | 佰聆数据股份有限公司 | 基于回归模型的台区变压器过载预测方法、系统及存储介质 |
| CN112257923B (zh) * | 2020-10-21 | 2023-02-03 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112258342A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112257923A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112258342B (zh) * | 2020-10-21 | 2023-02-03 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112448478A (zh) * | 2020-11-16 | 2021-03-05 | 贵州电网有限责任公司 | 一种变压器负载管控方法 |
| CN112396311A (zh) * | 2020-11-16 | 2021-02-23 | 贵州电网有限责任公司 | 一种变压器负载过载风险评估方法 |
| CN112800577A (zh) * | 2020-12-17 | 2021-05-14 | 北京国电通网络技术有限公司 | 配电变压器重过载原因分析的方法、装置及电子设备 |
| CN113570109A (zh) * | 2021-06-25 | 2021-10-29 | 广西电网有限责任公司南宁供电局 | 一种配变重过载预测的方法 |
| CN113450031A (zh) * | 2021-08-31 | 2021-09-28 | 国网江西省电力有限公司供电服务管理中心 | 居民智慧用能服务潜在台区选取方法及装置 |
| CN114077932A (zh) * | 2022-01-07 | 2022-02-22 | 国网北京市电力公司 | 基于大数据的台区异常分析方法、装置、设备及介质 |
| CN115330177A (zh) * | 2022-08-10 | 2022-11-11 | 北京市科学技术研究院 | 一种基于因果学习的城市公共设施安全风险评估方法 |
| CN115330177B (zh) * | 2022-08-10 | 2024-02-13 | 北京市科学技术研究院 | 一种基于因果学习的城市公共设施安全风险评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109117974A (zh) | 一种配电网台区重过载风险评估方法和装置 | |
| García et al. | A retrospective analysis of the impact of the COVID-19 restrictions on energy consumption at a disaggregated level | |
| CN110264015A (zh) | 反窃电稽查监控方法及平台 | |
| Nizar et al. | Load profiling method in detecting non-technical loss activities in a power utility | |
| Nizar et al. | Load profiling and data mining techniques in electricity deregulated market | |
| CN108765004A (zh) | 一种基于数据挖掘识别用户窃电行为的方法 | |
| CN106156269A (zh) | 一种反窃电精准定位在线监测方法 | |
| CN106529708A (zh) | 一种基于云平台的配电网规划系统 | |
| CN107633050A (zh) | 一种基于大数据分析用电行为判定窃电概率的方法 | |
| CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN108154244A (zh) | 地产电力设备的运维方法、装置和系统 | |
| CN111507013A (zh) | 一种面向电力系统线损故障定位实现方法 | |
| Chu et al. | Extraction of time-varying failure rates on power distribution system equipment considering failure modes and regional effects | |
| CN106682818A (zh) | 配电网信息处理方法和装置 | |
| CN109255524A (zh) | 一种计量设备数据分析评估方法及系统 | |
| CN109816233A (zh) | 用于电网的用户标签模型生成方法及装置 | |
| CN110751338A (zh) | 一种配变台区重过载特征模型的构建和预警的方法 | |
| CN109272140A (zh) | 一种基于大数据分析的变电设备运行期成本预测方法 | |
| CN111539843A (zh) | 基于数据驱动的反窃电智能预警方法 | |
| CN114493238A (zh) | 供电服务风险预测方法、系统、存储介质及计算机设备 | |
| Nizar et al. | Detection rules for non technical losses analysis in power utilities | |
| Sun et al. | A framework for dynamic prediction of reliability weaknesses in power transmission systems based on imbalanced data | |
| Fogliatto et al. | Power distribution system interruption duration model using reliability analysis regression | |
| Shuai et al. | Analysis and identification of power blackout-sensitive users by using big data in the energy system | |
| CN112015724A (zh) | 一种对电力运营数据计量异常进行分析的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |
|
| RJ01 | Rejection of invention patent application after publication |