CN110378610A - 基于用户重要度和设备运行状态的配网薄弱环节辨识方法 - Google Patents

Abstract

本发明属于配电网风险评估与配网薄弱环节辨识领域，具体涉及基于用户重要度和设备运行状态的配网薄弱环节辨识方法。本发明根据历史统计数据分析选取配网设备运行状态评价指标，构建配网设备运行状态评价指标体系计算配网设备运行状态评分。然后针对用户重要程度不同，对各类型用户的重要程度进行建模，通过用户停电损失将各类用户的重要程度进行量化。基于设备运行状态和设备所连用户的重要度建立健康度指标，并根据健康度量化值划分健康度等级。最后采用LVQ神经网络对健康度进行预测来实现配网薄弱环节的准实时辨识。本发明能帮助供电公司分析城市配网系统风险程度，辨识配网系统薄弱环节，从而为配网生成决策提供有价值的理论依据。

Description

基于用户重要度和设备运行状态的配网薄弱环节辨识方法

技术领域

本发明属于配电网风险评估与配网薄弱环节辨识领域，具体涉及基于用户重要度和设备运行状态的配网薄弱环节辨识方法。

背景技术

在整个电力系统中，配电网作为直接与电力客户相连的环节，直接影响电力客户的电力供应，因此电力系统运行状态评价与薄弱环节辨识成为了供电企业和电力客户关注的焦点。以往常用的薄弱环节辨识方法主要是基于统计分析理论概率的电力系统风险概率评估等风险辨识方法，然而配网系统风险概率并不能完全表现配网系统当前运行状态和风险等级，且无法具体到单个配网设备的健康状况。目前配电网正朝着多样化运行方向发展，且配网设备所连用电客户存在差异性，用电客户重要程度不同对配网系统运行状况的影响也不同，因此在辨识配网薄弱环节时需要考虑设备运行状态和用户差异。

发明内容

针对上述问题，本发明提出了基于用户重要度和设备运行状态的配网薄弱环节辨识方法，具体技术方案如下：

基于用户重要度和设备运行状态的配网薄弱环节辨识方法，包括以下步骤：

S1：根据配网设备运行状态评价指标，建立配网设备运行状态评价体系并计算运行状态评分来量化设备运行状态；

S2：针对用户重要程度不同，对各类型用户的重要程度进行建模，通过计算用户停电损失将各类用户的重要程度进行量化；

S3：基于设备运行状态和设备所连用户的重要度建立新的健康度指标，并根据健康度量化值划分健康度等级；

S4：采用LVQ神经网络对海量输入数据进行训练分析输出健康度等级，根据输出的健康度等级结果判断配电网中的薄弱环节。

优选地,所述步骤S1包括以下步骤：

S11：用传统熵权法确定各指标的权重；步骤如下：

随机选取n个设备进行分析，设评价指标个数为m，则有数据矩阵X_ij：

首先对各个评价指标进行归一化，归一化后的数据矩阵为X’_ij，正向指标归一化公式如下：

其中，为第j个指标n个设备中的最小值，为第j个指标n个设备中的最大值；

负向指标归一化公式如下：

然后计算归一化矩阵中各元素的比重，x’_ij比重计算公式如下：

其中，y_ij为矩阵中元素x’_ij的比重，x’_ij为归一化后矩阵X’_ij中的元素；

计算完X’_ij矩阵各元素比重后，计算第j个指标的信息熵e_j，计算公式如下：

计算各指标权重，第j个指标的权重w_j计算公式如下：

S12：计算设备运行状态评分；指标加权计算配网设备运行状态评分，利用如下加权求和公式计算：

其中，G_i为第i个配网设备的运行状态评分，因为x’_ij取值为[0,1]，因此G_i的取值范围为[0,1]。

优选地,所述步骤S2包括以下步骤：

S21：分别对一级重要用户、工业用户、商业用户、农业用户、居民用户、政府与事业单位和办公楼宇共7类用户编号1～7；统计各类用户的单位停电损失，计算各类用户的单位停电损失大小差异矩阵：

其中，Δl_ij＝l_i-l_j，l_i和l_j分别表示编号为第i类和第j类用户的单位停电损失；

S22：依据各类用户的单位停电损失大小差异矩阵，构造客观判断矩阵：

其中a_ij由下式确定：

S23：计算客观判断矩阵每一行元素的乘积PA_i：

S24：计算PA_i的n次方根RA_i：

S25：计算各类用户的重要程度：

优选地,所述步骤S3具体为：

设新健康度指标为H(t)，设备的健康度考虑设备的运行状态、设备所连用户重要程度以及设备的折旧影响，则有：

其中，H_i(t)为t时刻第i个设备的健康度；G_i(t)为t时刻第i个设备的运行状态评分；w_Ai为第i个设备所连用户的重要度；为第i个设备的投运年限；为第i个设备的平均投运年限。

优选地,所述步骤S4具体包括以下步骤：

S41：输入数据预处理：采用拉格朗日插值法填补数据空缺值，采用聚类分析法剔除数据离群点，然后对输入数据进行归一化，数据归一化公式如下：

其中，为样本序列中第j类指标的最小值和最大值；归一化后输出序列X_i；

S42：确定神经元权值、学习率和邻域初始值：神经元权值w_ij随机赋值，取值区间为[0,1]，其中i＝1,2,,……,n；j＝1,2,,……,m；初始学习率设为η₀，取值区间为[0,1]，学习总次数为T；设邻域N_g(t)的初始值为N_g(0)；

S43：计算输入数据与所有权值的欧式距离，计算公式如下：

其中，X为输入矢量；W_j为神经元j的全矢量，W_j＝(w_1j,w_2j,…,w_ij)^T；

S44：确定最优神经元和次优神经元，设最优神经元为a，次优神经元为b，则有：

d_a＝min(d_j),j＝1,2,…,m；(17)

d_b＝min(d_j-d_a),j＝1,2,…,m；(18)

其中，d_a为训练矢量与输入矢量之间的最小距离；d_c为训练矢量与输入矢量之间距离的次小距离；

对d_a与d_c的值进行判断，若满足下式，则跳转步骤S45，若不满足，则跳转步骤S46.

min[d_a/d_b,d_b/d_a]＞(1-ζ)/(1+ζ)；(19)

其中，ζ为误差精度，通常取值区间为[0.2,0.3]；

S45：权值调整：对训练过程中的权向量w_a和w_b进行调整；当w_b与输入矢量X不属于同一类别，而w_a与输入矢量X属于同一类别，则对权值进行如下调整：

w_a(t+1)＝w_a(t)+η_t·[X_i-w_a(t)]；(20)

w_b(t+1)＝w_b(t)-η_t·[X_i-w_b(t)]；(21)

其中，η_t为第t次学习的学习率，取值区间为[0,1]；

当w_b和w_a与输入矢量X属于同一类别，则对权值进行如下调整：

w_c(t+1)＝w_c(t)-η_t·[X_i-w_c(t)]；(22)

其中，c取值区间为[a,b]；

S46：最优神经元的确定及权值调整：当输入向量与权向量之间的欧氏距离不满足公式(19)的条件时，确定最优神经元c与输入向量之间的最小距离d_c：

d_c＝min[d_j],j＝1,2,…,m；(23)

S47：继续训练：继续进行其他的样本训练，即输入其他的测试样本，返回步骤S43继续训练，直到完成全部的学习样本训练为止；学习率的更新公式如下：

其中，η₀为学习率初始值；T为设定学习总次数；t为学习次数；

确定邻域，设竞争层神经元g的坐标值为(x_g,y_g)，则邻域为[x_g-N_g(t),y_g-N_g(t)]和[x_g+N_g(t),y_g+N_g(t)]，邻域的更新公式如下：

令t＝t+1，返回步骤S51，直至t＝T结束。

本发明的有益效果为：相比传统风险评估方法，本发明根据历史统计数据分析选取配网设备运行状态评价指标，构建配网设备运行状态评价指标体系计算配网设备运行状态评分。然后针对用户重要程度不同，对各类型用户的重要程度进行建模，通过用户停电损失将各类用户的重要程度进行量化。基于设备运行状态和设备所连用户的重要度创新性地提出了新的健康度指标，并根据健康度量化值划分健康度等级。最后采用LVQ神经网络对健康度进行预测来实现配网薄弱环节的准实时辨识。本发明所提方法能帮助供电公司分析城市配网系统风险程度，辨识配网系统薄弱环节，从而为配网生成决策提供有价值的理论依据。

附图说明

图1为本发明的流程图；

图2为基于LVQ神经网络预测模型示意图；

图3为LVQ神经网络预测健康度等级流程图。

具体实施方式

为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：

如图1所示,基于用户重要度和设备运行状态的配网薄弱环节辨识方法，包括以下步骤：S1：根据配网设备运行状态评价指标，建立配网设备运行状态评价体系并计算运行状态评分来量化设备运行状态。S11：用传统熵权法确定各指标的权重；步骤如下：

随机选取n个设备进行分析，设评价指标个数为m，则有数据矩阵X_ij：

首先对各个评价指标进行归一化，归一化后的数据矩阵为X’_ij，正向指标归一化公式如下：

其中，为第j个指标n个设备中的最小值，为第j个指标n个设备中的最大值；

负向指标归一化公式如下：

然后计算归一化矩阵中各元素的比重，x’_ij比重计算公式如下：

其中，y_ij为矩阵中元素x’_ij的比重，x’_ij为归一化后矩阵X’_ij中的元素；

计算完X’_ij矩阵各元素比重后，计算第j个指标的信息熵e_j，计算公式如下：

计算各指标权重，第j个指标的权重w_j计算公式如下：

S12：计算设备运行状态评分；指标加权计算配网设备运行状态评分，利用如下加权求和公式计算：

其中，G_i为第i个配网设备的运行状态评分，因为x’_ij取值为[0,1]，因此G_i的取值范围为[0,1]。

本实施例根据历史统计数据和10kV线路及配电变压器常见问题选取配网设备运行状态评价指标。对于10kV中压线路，其常见问题主要是线路重过载、线路故障及线路缺陷，因此选取过载时长、重载时长、重载出现次数、过载出现次数、线路故障次数、线路故障停电持续时间、线路缺陷次数作为10kV中压线路运行状态评价指标。对于低压台区配变，其常见问题主要是配变重过载、三相不平衡、台区低电压、配变故障和配变缺陷，因此选取过载时长、重载时长、重载出现次数、过载出现次数、低电压时长、低电压出现次数、三相不平衡度、三相不平衡越界天数、台区配变故障次数、台区配变故障停电持续时间作为低压台区配变运行状态评价指标。此外根据实际存在问题及运行状态评估的实际工程需求，可对指标进行更新替换。

S2：针对用户重要程度不同，对各类型用户的重要程度进行建模，通过计算用户停电损失将各类用户的重要程度进行量化。包括以下步骤：

S21：分别对一级重要用户、工业用户、商业用户、农业用户、居民用户、政府与事业单位和办公楼宇共7类用户编号1～7；统计各类用户的单位停电损失，计算各类用户的单位停电损失大小差异矩阵：

其中，Δl_ij＝l_i-l_j，l_i和l_j分别表示编号为第i类和第j类用户的单位停电损失；

S22：依据各类用户的单位停电损失大小差异矩阵，构造客观判断矩阵：

其中a_ij由下式确定：

S23：计算客观判断矩阵每一行元素的乘积PA_i：

S24：计算PA_i的n次方根RA_i：

S25：计算各类用户的重要程度：

S3：基于设备运行状态和设备所连用户的重要度建立新的健康度指标，并根据健康度量化值划分健康度等级设新健康度指标为H(t)，设备的健康度考虑设备的运行状态、设备所连用户重要程度以及设备的折旧影响，则有：

其中，H_i(t)为t时刻第i个设备的健康度；G_i(t)为t时刻第i个设备的运行状态评分；w_Ai为第i个设备所连用户的重要度；为第i个设备的投运年限；为第i个设备的平均投运年限。

在本实施例中，根据健康度量化指标值设定健康度等级：“Ⅰ”健康度，对应健康度指标取值为[0.9,1]；“Ⅱ”健康度，对应健康度指标取值为[0.8,0.9)；“Ⅲ”健康度，对应健康度指标取值为[0.7,0.8)；“Ⅳ”健康度，对应健康度指标取值为[0.6,0.7)；“Ⅴ”健康度，对应健康度指标取值为[0,0.6)。

S4：如图2所示,采用LVQ神经网络对海量输入数据进行训练分析输出健康度等级，根据输出的健康度等级结果判断配电网中的薄弱环节。具体步骤如图3所示,包括以下步骤：

S41：输入数据预处理：采用拉格朗日插值法填补数据空缺值，采用聚类分析法剔除数据离群点，然后对输入数据进行归一化，数据归一化公式如下：

其中，为样本序列中第j类指标的最小值和最大值；归一化后输出序列X_i；

S42：确定神经元权值、学习率和邻域初始值：神经元权值w_ij随机赋值，取值区间为[0,1]，其中i＝1,2,,……,n；j＝1,2,,……,m；初始学习率设为η₀，取值区间为[0,1]，学习总次数为T；设邻域N_g(t)的初始值为N_g(0)；

S43：计算输入数据与所有权值的欧式距离，计算公式如下：

其中，X为输入矢量；W_j为神经元j的全矢量，W_j＝(w_1j,w_2j,…,w_ij)^T；

S44：确定最优神经元和次优神经元，设最优神经元为a，次优神经元为b，则有：

d_a＝min(d_j),j＝1,2,…,m；(17)

d_b＝min(d_j-d_a),j＝1,2,…,m；(18)

其中，d_a为训练矢量与输入矢量之间的最小距离；d_c为训练矢量与输入矢量之间距离的次小距离；

对d_a与d_c的值进行判断，若满足下式，则跳转步骤S45，若不满足，则跳转步骤S46.

min[d_a/d_b,d_b/d_a]＞(1-ζ)/(1+ζ)；(19)

其中，ζ为误差精度，通常取值区间为[0.2,0.3]；

S45：权值调整：对训练过程中的权向量w_a和w_b进行调整；当w_b与输入矢量X不属于同一类别，而w_a与输入矢量X属于同一类别，则对权值进行如下调整：

w_a(t+1)＝w_a(t)+η_t·[X_i-w_a(t)]；(20)

w_b(t+1)＝w_b(t)-η_t·[X_i-w_b(t)]；(21)

其中，η_t为第t次学习的学习率，取值区间为[0,1]；

当w_b和w_a与输入矢量X属于同一类别，则对权值进行如下调整：

w_c(t+1)＝w_c(t)-η_t·[X_i-w_c(t)]；(22)

其中，c取值区间为[a,b]；

S46：最优神经元的确定及权值调整：当输入向量与权向量之间的欧氏距离不满足公式(19)的条件时，确定最优神经元c与输入向量之间的最小距离d_c：

d_c＝min[d_j],j＝1,2,…,m；(23)

S47：继续训练：继续进行其他的样本训练，即输入其他的测试样本，返回步骤S43继续训练，直到完成全部的学习样本训练为止；学习率的更新公式如下：

其中，η₀为学习率初始值；T为设定学习总次数；t为学习次数；

确定邻域，设竞争层神经元g的坐标值为(x_g,y_g)，则邻域为[x_g-N_g(t),y_g-N_g(t)]和[x_g+N_g(t),y_g+N_g(t)]，邻域的更新公式如下：

令t＝t+1，返回步骤S51，直至t＝T结束。

本发明所提方法采用某地区配网作为实例进行分析，选取其10kV中压线路和低压台区配变3年运行数据进行分析，其中10kV中压线路数据采样频率为5min，低压台区配变数据采样频率为15min，本发明所选取指标具体值为实时统计值。选取前两年一整年数据和第三年前半年数据作为训练样本数据，第三年第三季度数据作为测试样本数据，第三年第四季度数据作为预测样本数据，其中训练样本用于训练学习获取模型，测试样本用于模型的优化，预测样本用于检验预测模型的效果。

本发明的样本数量如下表1所示：

表1各健康度等级样本数量

采用基于LVQ神经网络预测模型得到的健康度等级预测结果如下表所示：

表2健康度等级预测结果

可以发现，采用本发明所提基于用户重要度和设备运行状态的配电网薄弱环节辨识方法所得健康度等级的平均预测准确率为96.67％，说明本发明所提方法具有较高的准确性和实用性，预测错误的样本最多只偏差一个等级，不会跨越两个等级，造成此种情况的原因可能是在剔除不良数据时导致了偏差，其中10月份和12月份预测偏差相对11月要大，是因为10月和12月份用户用电量相对较大，使得10kV线路和低压台区配变的重过载情况要相对严重，使得指标值偏大导致预测出现一定偏差。

本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于用户重要度和设备运行状态的配网薄弱环节辨识方法，其特征在于：包括以下步骤：

S1：根据配网设备运行状态评价指标，建立配网设备运行状态评价体系并计算运行状态评分来量化设备运行状态；

S2：针对用户重要程度不同，对各类型用户的重要程度进行建模，通过计算用户停电损失将各类用户的重要程度进行量化；

S3：基于设备运行状态和设备所连用户的重要度建立新的健康度指标，并根据健康度量化值划分健康度等级；

S4：采用LVQ神经网络对海量输入数据进行训练分析输出健康度等级，根据输出的健康度等级结果判断配电网中的薄弱环节。

2.根据权利要求1所述的基于用户重要度和设备运行状态的配网薄弱环节辨识方法，其特征在于：所述步骤S1包括以下步骤：

S11：用传统熵权法确定各指标的权重；步骤如下：

随机选取n个设备进行分析，设评价指标个数为m，则有数据矩阵X_ij：

首先对各个评价指标进行归一化，归一化后的数据矩阵为X’_ij，正向指标归一化公式如下：

其中，为第j个指标n个设备中的最小值，为第j个指标n个设备中的最大值；

负向指标归一化公式如下：

然后计算归一化矩阵中各元素的比重，x’_ij比重计算公式如下：

其中，y_ij为矩阵中元素x’_ij的比重，x’_ij为归一化后矩阵X’_ij中的元素；

计算完X’_ij矩阵各元素比重后，计算第j个指标的信息熵e_j，计算公式如下：

计算各指标权重，第j个指标的权重w_j计算公式如下：

S12：计算设备运行状态评分；指标加权计算配网设备运行状态评分，利用如下加权求和公式计算：

其中，G_i为第i个配网设备的运行状态评分，因为x’_ij取值为[0,1]，因此G_i的取值范围为[0,1]。

3.根据权利要求1所述的基于用户重要度和设备运行状态的配网薄弱环节辨识方法，其特征在于：所述步骤S2包括以下步骤：

S21：分别对一级重要用户、工业用户、商业用户、农业用户、居民用户、政府与事业单位和办公楼宇共7类用户编号1～7；统计各类用户的单位停电损失，计算各类用户的单位停电损失大小差异矩阵：

其中，Δl_ij＝l_i-l_j，l_i和l_j分别表示编号为第i类和第j类用户的单位停电损失；

S22：依据各类用户的单位停电损失大小差异矩阵，构造客观判断矩阵：

其中a_ij由下式确定：

S23：计算客观判断矩阵每一行元素的乘积PA_i：

S24：计算PA_i的n次方根RA_i：

S25：计算各类用户的重要程度：

4.根据权利要求1所述的基于用户重要度和设备运行状态的配网薄弱环节辨识方法，其特征在于：所述步骤S3具体为：

设新健康度指标为H(t)，设备的健康度考虑设备的运行状态、设备所连用户重要程度以及设备的折旧影响，则有：

其中，H_i(t)为t时刻第i个设备的健康度；G_i(t)为t时刻第i个设备的运行状态评分；w_Ai为第i个设备所连用户的重要度；为第i个设备的投运年限；为第i个设备的平均投运年限。

5.根据权利要求1所述的基于用户重要度和设备运行状态的配网薄弱环节辨识方法，其特征在于：所述步骤S4具体包括以下步骤：

S41：输入数据预处理：采用拉格朗日插值法填补数据空缺值，采用聚类分析法剔除数据离群点，然后对输入数据进行归一化，数据归一化公式如下：

其中，为样本序列中第j类指标的最小值和最大值；归一化后输出序列X_i；

S42：确定神经元权值、学习率和邻域初始值：神经元权值w_ij随机赋值，取值区间为[0,1]，其中i＝1,2,,……,n；j＝1,2,,……,m；初始学习率设为η₀，取值区间为[0,1]，学习总次数为T；设邻域N_g(t)的初始值为N_g(0)；

S43：计算输入数据与所有权值的欧式距离，计算公式如下：

其中，X为输入矢量；W_j为神经元j的全矢量，W_j＝(w_1j,w_2j,…,w_ij)^T；

S44：确定最优神经元和次优神经元，设最优神经元为a，次优神经元为b，则有：

d_a＝min(d_j),j＝1,2,…,m； (17)

d_b＝min(d_j-d_a),j＝1,2,…,m； (18)

其中，d_a为训练矢量与输入矢量之间的最小距离；d_c为训练矢量与输入矢量之间距离的次小距离；

对d_a与d_c的值进行判断，若满足下式，则跳转步骤S45，若不满足，则跳转步骤S46.

min[d_a/d_b,d_b/d_a]＞(1-ζ)/(1+ζ)； (19)

其中，ζ为误差精度，通常取值区间为[0.2,0.3]；

S45：权值调整：对训练过程中的权向量w_a和w_b进行调整；当w_b与输入矢量X不属于同一类别，而w_a与输入矢量X属于同一类别，则对权值进行如下调整：

w_a(t+1)＝w_a(t)+η_t·[X_i-w_a(t)]； (20)

w_b(t+1)＝w_b(t)-η_t·[X_i-w_b(t)]； (21)

其中，η_t为第t次学习的学习率，取值区间为[0,1]；

当w_b和w_a与输入矢量X属于同一类别，则对权值进行如下调整：

w_c(t+1)＝w_c(t)-η_t·[X_i-w_c(t)]； (22)

其中，c取值区间为[a,b]；

S46：最优神经元的确定及权值调整：当输入向量与权向量之间的欧氏距离不满足公式(19)的条件时，确定最优神经元c与输入向量之间的最小距离d_c：

d_c＝min[d_j],j＝1,2,…,m； (23)

S47：继续训练：继续进行其他的样本训练，即输入其他的测试样本，返回步骤S43继续训练，直到完成全部的学习样本训练为止；学习率的更新公式如下：

其中，η₀为学习率初始值；T为设定学习总次数；t为学习次数；

确定邻域，设竞争层神经元g的坐标值为(x_g,y_g)，则邻域为[x_g-N_g(t),y_g-N_g(t)]和[x_g+N_g(t),y_g+N_g(t)]，邻域的更新公式如下：

令t＝t+1，返回步骤S51，直至t＝T结束。