CN111082419B - 基于大数据技术的智能配电网用户接入方案管理方法及系统 - Google Patents
基于大数据技术的智能配电网用户接入方案管理方法及系统 Download PDFInfo
- Publication number
- CN111082419B CN111082419B CN201911242195.XA CN201911242195A CN111082419B CN 111082419 B CN111082419 B CN 111082419B CN 201911242195 A CN201911242195 A CN 201911242195A CN 111082419 B CN111082419 B CN 111082419B
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- distribution network
- distribution
- load
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 185
- 238000005516 engineering process Methods 0.000 title claims abstract description 39
- 238000007726 management method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000001932 seasonal effect Effects 0.000 claims description 61
- 238000004422 calculation algorithm Methods 0.000 claims description 56
- 239000002245 particle Substances 0.000 claims description 45
- 238000009434 installation Methods 0.000 claims description 28
- 230000000737 periodic effect Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 22
- 238000007405 data analysis Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 19
- 230000001788 irregular Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004128 high performance liquid chromatography Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 20
- 230000005611 electricity Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical group [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
Abstract
本发明提供了一种基于大数据技术的智能配电网用户接入方案管理方法，包绘制供电能力地图，得出最优用户接入方案和调整供电能力地图；同时，本发明还提供一种基于大数据技术的智能配电网用户接入方案管理系统，包括配网设备信息模块、设备可利用容量模块、供电能力地图模块、新用户接入判别模块、设备负荷预测模块和供电能力地图调整模块。本发明可以精确预测设备未来一年月度最大运行负荷，合理计算设备未来一年月度可利用容量，并以此制定用户最优接入方案，进而保证用户接入方案的经济性与科学性，有效减少设备运行风险，提高设备利用率。
Description
技术领域
本发明涉及配电网用户接入方案技术领域，特别涉及一种基于大数据技术的智能配电网用户接入方案管理方法；同时，本发明还涉及一种基于大数据技术的智能配电网用户接入方案管理系统。
背景技术
随着智能电网快速发展,电力用户侧数据呈指数级增长、复杂程度增大,难以进行高效、智能化管理，无法保证用户接入方案的精准性。合理的预测设备可利用容量和制定用户接入方案，对于配网设备经济运行来说是至关重要的。如何合理计算设备可利用容量和制定最优方案是一个非常棘手的问题，接入负荷太多会导致设备长期处于重过载状态、电压不稳、电网经济安全运行风险较高；接入负荷太小会导致配网设备资源浪费、影响经济运行。
目前，配电网用户接入方案都是由相关业务规划人员主要通过业务经验、现场核查等方法进行用户接入方案制定，存在工作量大、效率低、未考虑用电负荷增长等问题；并且，由于缺乏数据支撑，在现场无法全面把握配电网的线路及设备的状态，可能导致用户接入方案不合理，若后期改动及容易造成供电损耗，不利于提高配电网的供电可靠性，设备运行风险难以有效预防。
CN106651226A公开了一种基于大数据技术的智能配电网用户接入方案辅助分析方法，包括以下步骤：步骤一、获取基础数据；步骤二、数据处理；步骤三、数据录入；步骤四、数据分析；步骤五、搜索电源点设备；步骤六、计算可开放负荷；步骤七、查询可接入设备；步骤八、生成供电方案。本发明的基于大数据技术的智能配电网用户接入方案辅助分析方法的优点是：能够提升配电网用户接入方案编制的规范性和合理性、提高工作效率；实现配电网用户接入方案的可视化展示，能够对现场作业人员进行有效指导、进而可以减少现场作业时间以及故障消除时间，最终提高客户满意度。
CN108154255A公开了一种配电网用户接入分析系统的实现方法，根据待接入用户点的位置和用户负荷等级以及申请容量，分析待接入用户点周边可接入点，并针对电力系统模型的特点，利用网络拓扑技术，计算电力设备和待接入用户点的两点最短供电路径，对不同接入方案的供电半径、线路可开放容量、变电站可开放容量、主变可开放容量进行比较，获取最优方案。本发明通过智能分析算法，根据电网资源的网络分布自动生成待接入用户和可接入点的最优供电路径，其能够有效提高新用户接入工作的日常工作效率和生成方案的合理性。
上述方法均对智能电网用户接入方案的合理性做出了贡献，但其对在保证用户接入方案精确性方面尚不足。鉴于此，提供一种能够保证用户接入方案精确性的配电网用户接入方案管理系统，成为本领域技术人员亟待解决的问题。
发明内容
有鉴于此，本发明旨在提出一种基于大数据技术的智能配电网用户接入方案管理系统，以保证用户接入方案精确性。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于大数据技术的智能配电网用户接入方案管理方法，包括下列步骤
a、获取配网设备信息，所述配网设备信息包括配变96点负荷数据、线路96点负荷数据、用户报装档案数据和配网设备信息；基于所述配网设备信息中的额定容量，计算设备真实可利用容量：基于可利用容量、Tempo大数据分析平台和高德开放平台API，绘制供电能力地图；
b、用粒子群最优化算法对所述用户报装档案数据和所述配变数据进行最优化匹配，得出最优用户接入方案；
c、用X13季节调整算法和GBDT回归算法计算负载发展趋势，得到负荷预测数据，利用DTW动态时间规整法对所述负荷预测数据进行计算，调整供电能力地图。
进一步的，所述配变96点负荷数据包括
配变档案，包括设备生产厂家、生产批次、厂家档案信息、设备价格、设备投运日期和设备经纬度数据；
运行数据，包括HPLC模块高频采集的设备日常运行96点数据；
运行异常，包括运行时间小于30天和运行中运行状态异常数据。
进一步的，步骤a还包括下列步骤：
a1、计算设备真实可利用容量：由所述设备日常运行96点数据得到设备历史月度最大负荷、由配网设备信息得到配变额定容量、线路额定容量、设备所带用户类型，利用下述公式计算得到设备真实可利用容量；
配变的可利用容量＝配变额定容量-预测配变月最大负荷-预接入容量*同时率Ⅰ/同时率Ⅱ；
式中，同时率Ⅰ根据预接入每个申请信息的设备所带用户类别查询；同时率Ⅱ根据本次申请信息的设备所带用户类别查询；
线路可利用容量＝[根号3×电压等级系数×(线路长期允许载流×系数k－预测月最高负荷电流)-∑(预接入容量×同时率Ⅰ)]/同时率Ⅱ。
式中，10kV线路电压等级系数为10，20kV电压等级系数为20；主城核心区系数k＝0.75；主城系数k＝0.85，其他区域系数k＝0.95，若查不到系数k＝0.95；线路长期允许载流根据线缆型号国标；月最高负荷电流:通过线路出线开关数据从EMS(调度自动化)获取；预接入容量:根据线路标识到营销系统查询在途申请容量；同时率Ⅰ根据预接入每个申请信息的用电类别查询；同时率Ⅱ根据本次申请信息的用电类别查询。
a2、调用高德开放平台API：利用Tempo大数据分析平台中GIS链接功能，连接高德开放平台API；
a3、将所述设备经纬度数据与高德开放平台API相结合：利用所述设备经纬度数据，结合Tempo大数据分析平台中GIS地图功能，将设备位置信息利用高德地图API展现出来，得到供电能力地图。
进一步的，步骤b还包括下列步骤：
b1、计算相似度的两个时间序列为X和Y，长度分别为|X|和|Y|；
归整路径的形式为W＝w1,w2,...,wK，其中Max(|X|,|Y|)<＝K<＝|X|+|Y|；
wk的形式为(i,j)，其中i表示的是X中的i坐标，j表示的是Y中的j坐标；
归整路径W必须从w1＝(1,1)开始，到wK＝(|X|,|Y|)结尾；
W中w(i,j)的i和j单调增加：
wk＝(i，j)，wk+1＝(i′，j′)i≤i′≤i+1，j≤j′≤j+1
b2、得到距离最短的一个归整路径作为归整路径是：
D(i，j)＝Dist(i，j)+min[D(i-1，j)，D(i，j-1)，D(i-1，j-1)]
b3、求得归整路径距离为D(|X|,|Y|)，使用动态规划来进行求解。
进一步的，步骤c还包括下列步骤：
c1、计算配网设备月最大负荷：获取所述设备日常运行96点数据的设备历史每一配变日度最大负荷中最大的五项，后取其均值作为配网设备月最大负荷；
c2、采用X13季节调整算法对所述配网设备月最大负荷进行拆分，拆分为季节项、趋势项和随机项；
c3、采用GBDT回归算法，融合政策形势、行业用电量和外部环境对所述季节项、所述趋势项和所述随机项分别进行预测；
c4：将所述季节项、所述趋势项和所述随机项的预测结果加和，得出负荷预测数据。
进一步的，粒子群最优化算法的步骤如下：
步骤一、在初始化范围内，对粒子群进行随机初始化，包括随机位置和速度；
步骤二、计算每个粒子的适应值；
步骤三、更新粒子个体的历史最优位置；
步骤四、更新粒子群体的历史最优位置；
步骤五、更新粒子的方向和位置；
步骤六、若未达到终止条件，则转步骤b；若达到终止条件，则计算结束，输出最优用户接入方案。
进一步的，X13季节调整算法的步骤如下：
步骤一，选择regARIMA模型
步骤二，构建X-11算法加法模型：
进行初始估计：运用“中心化12项”(2×12)移动平均估计第一阶段的周期趋势分量1tTC；得到所述第一阶段的周期趋势分量之后，用原始序列减去周期趋势分量，得到第一阶段的季节和不规则分量之和；
利用Henderson移动平均估计季节分量进行季节调整：首先运用13项Henderson移动平均估计第二阶段的周期趋势分量，后从原始序列中分离周期趋势分量得到第二阶段的季节和不规则分量之和，对上述分量应用3×5移动平均估计最终的季节分量并进行标准化处理，得到第二阶段季节调整后的序列2tA；
估计最终的Henderson周期趋势分量和不规则分量：对2tA运用2H+1项Henderson移动平均得到最终的周期趋势分量；从第二阶段季节调整后的序列中剔除最终的周期趋势分量，得到最终的不规则分量；最终经过加法模型X-11季节调整的原始价格序列可以表示为周期趋势分量，季节分量和不规则分量。
进一步的，GBDT回归算法的步骤如下：
步骤一、假设要做m轮预测，预测函数为Fm,初始常量或每一轮的回归为fm,输入变量为X，有:
Fm(X)＝Fm-1(X)+Fm(X) 式(1)
步骤二、设要预测的变量为y，采用MSE作为损失函数:
步骤三、泰勒公式的一阶展开式:
f(x+x0)＝f(x)+f′(x)*x0 式(3)
步骤四、如果：
f(x)＝g(x) 式(4)
步骤五、根据式3和式4可以得出：
g′(x+x0)＝g′(x)+g′(x)*x0 式(5)
步骤六、根据式2可以知道，损失函数的一阶偏导数为：
步骤七、根据式6可以知道，损失函数的二阶偏导数为：
Loss″(y，Fm(X))＝2 式(7)
步骤八、根据式1，损失函数的一阶导数为：
Loss′(y，Fm(X)＝Loss′(y，Fm-1(X)+fm(X)) 式(8)
步骤九、根据式5，将式8进一步展开为：
Loss′(y，Fm(X))＝Loss′(y，Fm-1(X))+Loss″(y，Fm-1(X))*fm(X) 式(9)
步骤十、令式9，即损失函数的一阶导数为0，那么：
步骤十一、将式6、式7代入式9得到：
同时，本发明提出一种基于大数据技术的智能配电网用户接入方案管理系统，以实现上述方法。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于大数据技术的智能配电网用户接入方案管理系统，包括
配网设备信息获取模块，其被配置为获取配网设备信息，所述配网设备信息包括配变96点负荷数据、线路96点负荷数据、用户报装档案数据和配网设备信息；
设备真实可利用容量计算模块，连接于所述配网设备信息获取模块，其被配置为所述配网设备信息中的额定容量，计算设备真实可利用容量：
供电能力地图建立模块，连接于所述设备真实可利用容量计算模块，其被配置为基于可利用容量、Tempo大数据分析平台和高德开放平台API，绘制供电能力地图；
新用户接入判别模块，连接于所述供电能力地图建立模块，其被配置为用粒子群最优化算法对所述用户报装档案数据和所述配变数据进行最优化匹配，得出最优用户接入方案；
设备负荷预测模块，连接于所述匹配度计算模块，其被配置为用X13季节调整算法和GBDT回归算法计算负载发展趋势，得到负荷预测数据；
供电能力地图调整模块，连接于所述设备负荷预测模块，其被配置为利用DTW动态时间规整法对所述负荷预测数据进行计算，调整供电能力地图。
进一步的，所述配变96点负荷数据包括
配变档案，包括设备生产厂家、生产批次、厂家档案信息、设备价格、设备投运日期和设备经纬度数据；
运行数据，包括采集系统对设备日常运行的96点运行采集数据；和
运行异常，包括运行时间小于30天和运行中运行状态异常数据。
相对于现有技术，本发明具有以下优势：
1、首先，本发明利用现有的电力计量自动化系统采集到的各个市县单位统配的配网设备信息，根据这些信息和可利用容量计算法则即可计算设备未来可利用容量，并利用Tempo大数据分析平台和高德开放公众平台API绘制供电能力地图，就能自动识别出设备当前的可利用容量额度；其次，依据用户报装位置等信息，结合周边配网设备，利用粒子群最优化算法，得出用户最优接入方案；最后，利用X13季节调整算法和GBDT回归算法对配网设备负载进行预测，并将预测结果利用DTW动态时间规整对供电能力地图进行调整，形成完整的基于大数据技术的智能配电网用户接入方案管理方法。采用本发明的技术方案，可有效减少设备运行风险，提高设备经济利用率。且通过对全省各市、县运行数据的分析，可实现全省各市、县用户接入方案合理制定。
2、本发明的基于大数据技术的智能配电网用户接入方案管理系统，既可以反应设备当前的可利用容量的趋势与变化，又有较强的自我学习能力，可以精确预测设备运行负载明细，合理计算设备可利用容量，并以此制定用户最优接入方案，进而保证用户接入方案的准确率，提高设备利用率。
3、本发明依据设备历史故障次数、负荷数据等得出设备运行状态，利用不同的颜色进行展示，将设备运行状态划分为优、良、差三个级别，相应用绿、黄、红三个颜色表示，为作业人员进一步提供参考。并利用大数据挖掘分析算法构造模型，充分考虑设备未来负荷趋势，制定最优化用户接入方案，使业务工作人员可以直观的提供参考。
4、本发明克服了现有技术中相关业务规划人员作业过程中存在工作量大、效率低、未考虑用电增长等问题，通过智能化管理极大提高了业扩报装工作效率；并且，由于以大数据技术作为支撑，使得用户接入方案更为合理，提高配电网的供电可靠性。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明基于大数据技术的智能配电网用户接入方案管理方法的流程图；
图2为本发明实施例1基于大数据技术的智能配电网用户接入方案管理方法中绘制供电能力地图的流程图；
图3为本发明实施例1基于大数据技术的智能配电网用户接入方案管理方法中设备负载精准预测的流程图；
图4为本发明实施例1绘制的供电能力地图；
图5为本发明实施例1基于大数据技术的智能配电网用户接入方案管理方法中最优化匹配的流程图；
图6为本发明实施例1基于大数据技术的智能配电网用户接入方案管理方法中粒子群最优化算法的流程图；
图7为本发明实施例2基于大数据技术的智能配电网用户接入方案管理方法的其中一种实施方式；
图8为本发明实施例1基于大数据技术的智能配电网用户接入方案管理系统的框架图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做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。
本领域技术人员知道，本发明的实施方式可以实现一种系统、装置、设备、方法或计算机程序。因此，本发明可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制意义。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
基于如上设计思想，本发明的其中一种具体限定方案中，基于大数据技术的智能配电网用户接入方案管理方法(如图1所示)包括下列步骤：
步骤1：数据准备
利用现有的电力计量自动化系统从营销和MDS数据库中抽取各个市县单位统配的配网设备信息，具体包括配变数据、配变96点负荷数据、线路数据、线路96点负荷数据和用户报装档案数据，将其汇总。优选的，所述配变数据包括配变档案、运行数据和运行异常。具体地，配变档案包括设备生产厂家、生产批次、厂家档案信息、设备价格、设备投运日期和设备经纬度数据；运行数据包括采集系统对设备日常运行的96点运行采集数据；运行异常包括未运行直接报废(包括运行时间小于30天数量)的配变和运行状态异常配变数据。
步骤：2：绘制供电能力地图
基于所述设备信息，计算设备真实可利用容量，并基于可利用容量、Tempo大数据分析平台和高德开放平台API，绘制供电能力地图。为了进一步提高基于大数据技术的智能配电网用户接入方案管理方法的准确性，在本发明的其中一种具体实施方式中，如图2所示，步骤2还包括
步骤2.1：计算设备可利用容量
获取配网设备信息中的设备历史月度最大负荷、配变额定容量、线路容量、设备所带用户类型信息，利用下述公式计算得到设备真实可利用容量；
配变的可利用容量＝配变额定容量-预测配变月最大负荷-预接入容量*同时率Ⅰ/同时率Ⅱ；
式中，预测配变月最大负荷：根据配网设备信息中的设备历史月度最大负荷、配变额定容量、线路容量、设备所带用户类型信息，使用X13季节调整算法与GBDT回归预测配变未来一年月最大负荷。GBDT回归是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案，回归的每一个节点都会得一个预测值，分枝时穷举每一个feature的每个阈值找最好的分割点，衡量最好的标准是最小化平方误差。
同时率Ⅰ:根据预接入每个申请信息的用户类别查询。
同时率Ⅱ:根据本次申请信息的用户类别查询。
同时率Ⅰ/同时率Ⅱ:居民用户取:0.6，非居民用户取:0.9，如果找不到取0.9。；
线路可利用容量＝[根号3×电压等级系数×(线路长期允许载流×系数k－预测月最高负荷电流)-∑(预接入容量×同时率Ⅰ)]/同时率Ⅱ。
其中:
电压等级系数:10kV线路取10,20kV线路取20。
系数k:根据经验数据选取，主城核心区,k＝0.75；主城k＝0.85；其他区域,k＝0.95,如果查不到取0.95。
线路长期允许载流:根据线缆型号国标，获取线缆型号下所有导线中最小处线路长期允许载流限额；如果线缆型号没有找到,默认取:YJV22-8.7/10-3*240(高压铜芯)(必须对整线进行判别,并根据整线中载流最小线径计算)。
最高负荷电流:通过线路出线开关数据从EMS(调度自动化)获取。
预接入容量:根据线路标识到营销系统查询在途申请容量。
同时率Ⅰ:根据预接入每个申请信息的用电类别查询。
同时率Ⅱ:根据本次申请信息的用电类别查询。
同时率Ⅰ/同时率Ⅱ:居民生活用电取0.4，一般工商业取0.7，大工业用电取0.9，其他取1。
步骤2.2：调用高德开放平台API
利用Tempo大数据分析平台中GIS链接功能，连接高德开放平台API。具体到本实施例中，链接网址为http：//wprd01.is.autonavi.com。
步骤2.3：将设备经纬度数据与高德API相结合
利用设备经纬度数据，结合Tempo大数据分析平台中GIS地图功能，将设备位置信息利用高德地图API展现出来，得到供电能力地图，并利用二维码的形式展示，方便业务人员随时随地查看使用，本实施例的具体样例图如图4所示。
步骤3：用户最优方案制定
由于用户报装地址周边存在多台设备情况，业务规划人员缺乏大数据支撑，容易造成不合理方案。因此，引入粒子群最优化算法，用粒子群最优化算法对所述用户报装档案数据和所述配变数据进行最优化匹配，得出最优用户接入方案。具体地，如图5所示，依据报装接电的新用户档案数据确定新用户行业类别、行业典型负荷曲线库绘制新用户未来一年的月度负荷曲线和用户报装位置信息，找出新用户报装位置最近的几个配变，每个配变未来一年月度可利用容量曲线与新用户未来一年月度负荷曲线进行对比，判别新用户可接入的附近的配变A、配变B与配变C，利用粒子群最优化算法，得出新用户应报装在配变A、配变B、配变C中的某一个为最优接入方案。
每个优化问题的潜在解都是搜索空间中的一个粒子。所有的粒子都有一个由被优化的函数决定的适值(fitness value)，每个粒子还有一个速度决定它们的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。粒子群最优化算法适用于本实施例这种多目标、多准则、多要素、多层次的最优化问题。因此，选用该方法进行最优化匹配。其中，粒子群最优化算法的步骤如下：
步骤一、在初始化范围内，对粒子群进行随机初始化，包括随机位置和速度；
步骤二、计算每个粒子的适应值；
步骤三、更新粒子个体的历史最优位置；
步骤四、更新粒子群体的历史最优位置；
步骤五、更新粒子的方向和位置；
步骤六、若未达到终止条件，则转步骤b；若达到终止条件，则计算结束，输出最优用户接入方案；
粒子群算法的原理如下：
D维空间中，有N个粒子；
粒子i位置：Xi＝(xi1，xi2，...xiD)，将Xi代入适应函数f(Xi)求适应值；
粒子i速度：Vi＝(vi1，vi2，...viD)
粒子i个体经历过的最好位置：pbesti＝(pi1，pi2，...piD)
种群所经历过的最好位置：gbest＝(g1，g2，...gD)
通常，在第d(1≤d≤D)维的位置变化范围限定在[Xmin，d，Xmax，d]内
速度变化范围限定在[-Vmin，d，Vmax，d]内(即在迭代中若Vid、Xid超出了边界值，则该维的速度或位置被限制为该维最大速度或边界位置)
粒子的第d维速度更新公式：
粒子的第d维位置更新公式：
c1，c2为加速度常数,调节学习最大步长
r1，r2为两个随机函数,取值范围[0，1],以增加搜索随机性
W为惯性权重,非负数,调节对解空间的搜索范围
步骤4：设备负载精准预测
由于设备所处环境、所带用户类型等各不相同，用电负荷增长情况不统一，业务规划人员无法预知未来负荷趋势，容易造成‘乱接乱改’，影响配网设备经济运行。因此，本实施例引入X13季节调整算法与GBDT回归算法，充分考虑政治因素、外部因素、行业因素等对其负荷发展趋势进行精准预测，得到负荷预测数据，保障用户接入方案的长期合理性。
为了更进一步提高基于大数据技术的智能配电网用户接入方案管理方法的准确性，在本发明的其中一种具体实施方式中，如图3所示，步骤4还包括
步骤4.1：计算配网设备月最大负荷
考虑到配网设备运行中有突发情况，会出现极大值，影响预测精准率，故本实施例需要获取配网设备月最大负荷，以提高预测精准率。具体地，本实施例获取配网设备信息中的设备历史每一配变日度最大负荷中最大的五项，后取其均值作为配网设备月最大负荷，如此可有效避免月度极大值的存在，保障预测结果的准确率。
步骤4.2：将所述配网设备月最大负荷进行拆分
采用X13季节调整算法对所述配网设备月最大负荷进行拆分，拆分为季节项、趋势项和随机项。
步骤一，选择regARIMA模型
RegARIMA是具有ARIMA误差的回归模型，其主要功能是对数据进行样本外预测，从而对数据进行补充。其基本原理是假定存在一个时间序列：
式中，Yt是被解释的时间序列，Xit是解释变量，包括离群值，历法效应等相关因素，βi为回归参数，zt为随机误差项，若随机误差项服从季节ARIMA过程，既有：
式中，φp(L)和θq(L)分别表示非季节性p阶自回归算子和q阶移动平均算子，Φp(Ls)和ΘQ(Ls)分别表示季节性P阶自回归算子和Q阶移动平均算子，S为季节周期的长度，本文使用的负荷月度数据，因此取S＝12，ut为高斯白噪声，d和D表示非季节和季节差分的次数，该模型可简记为(pdq)(PQD)s。
关于RegARIMA模型形式的选择，X-12-ARIMA能有效计算和提取时间序列中的季节性因素并测度该因素对序列波动的影响程度，该方法是由X12方法和时间序列模型组合而成的季节调整方法，通过用ARIMA模型延长原序列，弥补了移动平均法末端项补欠值的问题。建立ARIMA模型需要确定模型的参数，包括单整阶数d；自回归模型(AR)的延迟阶数p；移动平均模型(MA)的延迟阶数q。也可以在模型中制定一些外生回归因子，建立ARIMAX模型，对于时间序列中的一些确定性的影响(如节假日和贸易日)，应在季节调整之前去掉。X-12-ARIMA模型预设了五种模型形式，X-12-ARIMA设定的模型形式固定为(0,1,1)，而对于非季节性因子，X-12-ARIMA模型共有(0,1,1)，(0,1,2)，(2,1,0)，(0,2,2)和(2,1,2)五种形式。
步骤二，构建X-11算法加法模型
X-11算法是利用滑动平均的方法，将原始时间序列分解为季节分量，周期循环分量，不规则分量和趋势分量。本发明使用X-11模块中的加法模型，加法模型的基本表达式为：
Yt＝TCt+St+It
式中，Yt表示原始负荷序列，TCt,St,It分别表示周期趋势分量，季节分量和不规则分量。加法模型的基本步骤为：
加法模型的基本步骤为：
(1)进行初始估计，运用“中心化12项”(2×12)移动平均估计第一阶段的周期趋势分量
得到第一阶段的周期趋势分量之后，用原始序列减去周期趋势分量，得到第一阶段的季节和不规则分量之和
即
为上述分量应用移动平均估计季节分量并将季节分量进行标准化处理，得到
进而得到第一阶段季节调整后的序列
即：
(2)利用Henderson移动平均估计季节分量并进行季节调整，亨德森移动平均又称为亨德森滤波，它是一种特殊的加权移动平均
式中，H为正整数，本发明运用13项Henderson移动平均估计第二阶段的周期趋势分量，即
然后从原始序列中分离周期趋势分量得到第二阶段的季节和不规则分量之和,对上述分量应用3×5移动平均估计最终的季节分量并进行标准化处理进而得到第二阶段季节调整后的序列2tA,初始结果如下
其中，
(3)估计最终的Henderson周期趋势分量和不规则分量。对
运用2H+1项Henderson移动平均得到最终的周期趋势分量，初始结果为：
从第二阶段季节调整后的序列中剔除最终的周期趋势分量，即得到最终的不规则分量,即：
最终经过加法模型X-11季节调整的原始价格序列可以表示为周期趋势分量，季节分量和不规则分量之和，即：
本实施例的X-13方法集合了基于经验和模型两种方法的优点，其主要特征为:
首先，应用regARIMA模块建立更精确的时间序列模型，并具有模型选择的能力；同时，提供一个辅助的GenHol程序，通过建立一个间隔期不恒定的假日模型，解决移动假日问题。其次，通过SEATS程序建立基于模型的ARIMA季节调整模型，同时在同一个界面提供X-11的非参数调整方法。再次，通过设置选项提供多种检验季节调整模型质量和稳定性的诊断方法。最后，能够在一次运行中实现对多个时间序列进行有效的季节调整。
X13季节调整算法采用中心化移动加权平均法逐项分解，与季节调整的常规方法主要区别在于它的各分量序列是通过多次迭代和分解完成的，趋势项反映了时间序列的长期趋势性变动；季节项反映时间序列在不同年份相同月份季节周期变化；随机项反映时间序列非季节项的气象等其他不规律变化。X13季节调整可将设备月最大负荷曲线分解为趋势项、季节项和随机项三个子序列。表1表示出了某配变某月的配网设备月最大负荷的拆分结果。
表1某配变某月的配网设备月最大负荷的拆分结果
步骤4.3：对配网设备月最大负荷的拆分结果进行分别预测
采用GBDT回归算法，融合政策形势、行业用电量和外部环境对所述季节项、所述趋势项和所述随机项分别进行预测。利用X13季节调整算法拆分结果，融入政策形势、行业用电量、设备所带用户类型、所属行业、报装容量、历史最大负荷等，利用GBDT回归算法构造季节项、趋势项、随机项预测模型，将步骤4.2的到的季节项、趋势项和随机项输入到该预测模型，分别得到季节项预测结果、趋势项预测结果和随机项预测结果(如表2所示)。如有部分配变容量不足情况，负载预测可指导业扩配网改造工程。其中，GBDT回归算法的步骤如下：
步骤一、假设要做m轮预测，预测函数为Fm,初始常量或每一轮的回归为fm,输入变量为X，有:
Fm(X)＝Fm-1(X)+Fm(X) 式(1
步骤二、设要预测的变量为y，采用MSE作为损失函数:
步骤三、泰勒公式的一阶展开式:
f(x+x0)＝f(x)+f′(x)*x0 式(3)
步骤四、如果：
f(x)＝g(x) 式(4)
步骤五、根据式3和式4可以得出
g′(x+x0)＝g′(x)+g′(x)*x0 式(5)
步骤六、根据式2可以知道，损失函数的一阶偏导数为
步骤七、根据式6可以知道，损失函数的二阶偏导数为：
Loss″(y，Fm(X))＝2 式(7)
步骤八、根据式1，损失函数的一阶导数为：
Loss′(y，Fm(X)＝Loss′(y，Fm-1(X)+fm(X)) 式(8)
步骤九、根据式5，将式8进一步展开为：
Loss′(y，Fm(X))＝Loss′(y，Fm-1(X))+Loss″(y，Fm-1(X))*fm(X)式(9)
步骤十、令式9，即损失函数的一阶导数为0，那么：
步骤十一、将式6、式7代入式9得到：
表2某一设备负载预测明细
| 设备编号 | 月度 | 季节项 | 趋势项 | 随机项 | 负荷 |
| 配变A | 月份N | 17.62079801 | 163.0689673 | 7.840234697 | 188.53 |
| 配变A | 月份N+1 | -25.95668288 | 161.8013868 | -3.814703905 | 132.03 |
| …… | 月份N+… | …… | …… | …… | …… |
步骤4.4：将每一项预测结果求和，得出设备未来负载趋势
c4：将季节项预测结果、趋势项预测结果和随机项预测结果的预测结果加和，得出负荷预测数据。如表2所示，最右侧的“负荷”一栏示出了该设备的负荷预测数据。
步骤5：供电能力地图调整
利用DTW动态时间规整法对所述负荷预测数据进行计算，调整供电能力地图。利用设备负载预测结果，结合DTW动态时间归整算法，融合负荷预测结果、线路容量、用户类型等，对其供电能力地图自动调整，保障供电能力地图合理性。在时间序列中，需要比较两段时间序列的数据可能并不相等，不同时间序列可能仅仅存在刻度轴上的位移，在这些复杂情况下，使用DTW动态时间规整算法计算的两个时间序列之间的距离。
如要计算相似度的两个时间序列为X和Y，长度分别为|X|和|Y|。
归整路径的形式为W＝w1,w2,...,wK，其中Max(|X|,|Y|)<＝K<＝|X|+|Y|。
wk的形式为(i,j)，其中i表示的是X中的i坐标，j表示的是Y中的j坐标。
归整路径W必须从w1＝(1,1)开始，到wK＝(|X|,|Y|)结尾，以保证X和Y中的每个坐标都在W中出现。
另外，W中w(i,j)的i和j必须是单调增加的，所谓单调增加是指：
wk＝(i，j)，wk+1＝(i′，j′)i≤i′≤i+1，j≤j′≤j+1
最后要得到的归整路径是距离最短的一个归整路径：
D(i，j)＝Dist(i，j)+min[D(i-1，j)，D(i，j-1)，D(i-1，j-1)]
最后求得的归整路径距离为D(|X|,|Y|)，使用动态规划来进行求解。动态规划的基本思想是将多阶段决策过程划分为一族同类型的多个子问题，然后逐个求解，在每一个子问题求解时，都要使用它前面已求出的子问题的最优结果，最后一个子问题的最优解就是整个问题的最优解。本实施例中，代价矩阵(Cost Matrix)D表示长度为i和j的两个时间序列之间的归整路径距离
本发明还提供了一种基于大数据技术的智能配电网用户接入方案管理系统，包括配网设备信息获取模块、设备可利用容量计算模块、供电能力地图建立模块、新用户接入判别模块、设备负荷预测模块和供电能力地图调整模块(如图8所示)。具体地，
配网设备信息获取模块，其被配置为获取配网设备信息，所述配网设备信息包括配变96点负荷数据、线路96点负荷数据、用户报装档案数据和配网设备信息；
设备可利用容量计算模块，连接于所述配网设备信息获取模块，其被配置为所述配网设备信息中的额定容量，计算设备真实可利用容量：
供电能力地图建立模块，连接于所述设备真实可利用容量计算模块，其被配置为基于可利用容量、Tempo大数据分析平台和高德开放平台API，绘制供电能力地图；
新用户接入判别模块，连接于所述供电能力地图建立模块，其被配置为用粒子群最优化算法对所述用户报装档案数据和所述配变数据进行最优化匹配，得出最优用户接入方案；
设备负荷预测模块，连接于所述匹配度计算模块，其被配置为用X13季节调整算法和GBDT回归算法计算负载发展趋势，得到负荷预测数据；
供电能力地图调整模块，连接于所述设备负荷预测模块，其被配置为利用DTW动态时间规整法对所述负荷预测数据进行计算，调整供电能力地图。
需要说明的是，本发明提供的基于大数据技术的智能配电网用户接入方案管理方法中的步骤，可以利用基于大数据技术的智能配电网用户接入方案管理系统中对应的模块、装置等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即所述系统中的实施方式可理解为实现所述方法的优选例，在此不予赘述。
实施例2
本实施例涉及一种基于大数据技术的智能配电网用户接入方案管理方法，其为实施例1下的具体应用。
本实施例的实施部署包含应用程序服务器、数据库服务器。由于数据量大，数据库服务器为多节点部署。连接服务器的客户端与服务器端设置防火墙，部署方案如图7所示。
本实施例可作为用电信息大数据分析平台的一个功能模块，按照本发明的原理及流程图编制计算机程序，然后将计算机程序部署于用电信息大数据分析平台的运算服务器上。本发明的实施部署包含应用程序服务器、数据库服务器。由于数据量大，数据库服务器为多节点部署。连接服务器的客户端与服务器端设置防火墙。
用电信息大数据分析平台的运算服务器从用电信息采集系统的统一接口服务平台获取待分析分布式光伏的相关数据，然后由编制好的计算机程序进行分析，并将分析结果存储于用电信息大数据分析平台的数据库服务器，然后由用电信息大数据分析平台的WEB服务器响应省、市、县、所各级供电单位的请求，将筛选结果展示给省、市、县、所各级供电单位的监控终端。
以上所述仅为本发明的较佳实施例而已，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、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据技术的智能配电网用户接入方案管理方法，其特征在于：包括下列步骤
a、获取配网设备信息，所述配网设备信息包括配变96点负荷数据、线路96点负荷数据、用户报装档案数据和配网设备信息；基于所述配网设备信息中的额定容量，计算设备真实可利用容量：基于可利用容量、Tempo大数据分析平台和高德开放平台API，绘制供电能力地图；
b、用粒子群最优化算法对所述用户报装档案数据和所述配变数据进行最优化匹配，得出最优用户接入方案；依据所述用户报装档案数据确定新用户行业类别和用户报装位置信息，并依据行业典型负荷曲线库绘制所述用户未来一年的月度负荷曲线；依据所述用户报装位置信息确定与所述用户报装位置最近的至少3个配变，并绘制至少3个所述配变未来一年月度可利用容量曲线；将至少3个所述配变未来一年月度可利用容量曲线分别与所述用户未来一年的月度负荷曲线进行对比，判别新用户可接入的附近的配变A、配变B与配变C；利用粒子群最优化算法，对配变A、配变B、配变C和所述配变数据进行最优化匹配，得出配变A、配变B或配变C为最优用户接入方案；
c、用X13季节调整算法和GBDT回归算法计算负载发展趋势，得到负荷预测数据，利用DTW动态时间规整法对所述负荷预测数据进行计算，调整供电能力地图。
2.根据权利要求1所述的基于大数据技术的智能配电网用户接入方案管理方法，其特征在于：所述配变96点负荷数据包括
配变档案，包括设备生产厂家、生产批次、厂家档案信息、设备价格、设备投运日期和设备经纬度数据；
运行数据，包括HPLC模块高频采集的设备日常运行96点数据；
运行异常，包括运行时间小于30天和运行中运行状态异常数据。
3.根据权利要求2所述的基于大数据技术的智能配电网用户接入方案管理方法，其特征在于：步骤a还包括下列步骤：
a1、计算设备真实可利用容量：由所述设备日常运行96点数据得到设备历史月度最大负荷、由配网设备信息得到配变额定容量、线路额定容量、设备所带用户类型，利用下述公式计算得到设备真实可利用容量；
配变的可利用容量＝配变额定容量-预测配变月最大负荷-预接入容量*同时率Ⅰ/同时率Ⅱ；
式中，同时率Ⅰ根据预接入每个申请信息的设备所带用户类别查询；同时率Ⅱ根据本次申请信息的设备所带用户类别查询；
线路可利用容量＝[根号3×电压等级系数×(线路长期允许载流×系数k－预测月最高负荷电流)-∑(预接入容量×同时率Ⅰ)]/同时率Ⅱ；
式中，10kV线路电压等级系数为10，20kV电压等级系数为20；主城核心区系数k＝0.75；主城系数k＝0.85，其他区域系数k＝0.95，若查不到系数k＝0.95；线路长期允许载流根据线缆型号国标；月最高负荷电流:通过线路出线开关数据从EMS(调度自动化)获取；预接入容量:根据线路标识到营销系统查询在途申请容量；同时率I根据预接入每个申请信息的用电类别查询；同时率II根据本次申请信息的用电类别查询；
a2、调用高德开放平台API：利用Tempo大数据分析平台中GIS链接功能，连接高德开放平台API；
a3、将所述设备经纬度数据与高德开放平台API相结合：利用所述设备经纬度数据，结合Tempo大数据分析平台中GIS地图功能，将设备位置信息利用高德地图API展现出来，得到供电能力地图。
4.根据权利要求2所述的基于大数据技术的智能配电网用户接入方案管理方法，其特征在于：步骤b还包括下列步骤：
b1、计算相似度的两个时间序列为X和Y，长度分别为|X|和|Y|；
归整路径的形式为W＝w1，w2，...，wK，其中Max(|X|，|Y|)＜＝K＜＝|X|+|Y|wk的形式为(i，j)，其中i表示的是X中的i坐标，j表示的是Y中的j坐标；
归整路径W必须从w1＝(1，1)开始，到wK＝(|X|，|Y|)结尾；
W中w(i，j)的i和j单调增加：
wk＝(i，j)，wk+1＝(i′，j′)i≤i′≤i+1，j≤j′≤j+1
b2、得到距离最短的一个归整路径作为归整路径是：
D(i，j)＝Dist(i，j)+min[D(i-1，j)，D(i，j-1)，D(i-1，j-1)]
b3、求得归整路径距离为D(|X|，|Y|)，使用动态规划来进行求解。
5.根据权利要求2所述的基于大数据技术的智能配电网用户接入方案管理方法，其特征在于：步骤c还包括下列步骤：
c1、计算配网设备月最大负荷：获取所述设备日常运行96点数据的设备历史每一配变日度最大负荷中最大的五项，后取其均值作为配网设备月最大负荷；
c2、采用X13季节调整算法对所述配网设备月最大负荷进行拆分，拆分为季节项、趋势项和随机项；
c3、采用GBDT回归算法，融合政策形势、行业用电量和外部环境对所述季节项、所述趋势项和所述随机项分别进行预测；
c4：将所述季节项、所述趋势项和所述随机项的预测结果加和，得出负荷预测数据。
6.根据权利要求1-5中任一项所述的基于大数据技术的智能配电网用户接入方案管理方法，其特征在于：粒子群最优化算法的步骤如下：
步骤一、在初始化范围内，对粒子群进行随机初始化，包括随机位置和速度；
步骤二、计算每个粒子的适应值；
步骤三、更新粒子个体的历史最优位置；
步骤四、更新粒子群体的历史最优位置；
步骤五、更新粒子的方向和位置；
步骤六、若未达到终止条件，则转步骤b；若达到终止条件，则计算结束，输出最优用户接入方案。
7.根据权利要求1-5中任一项所述的基于大数据技术的智能配电网用户接入方案管理方法，其特征在于：X13季节调整算法的步骤如下：
步骤一，选择regARIMA模型
步骤二，构建X-11算法加法模型：
进行初始估计：运用“中心化12项”(2×12)移动平均估计第一阶段的周期趋势分量1tTC；得到所述第一阶段的周期趋势分量之后，用原始序列减去周期趋势分量，得到第一阶段的季节和不规则分量之和；
利用Henderson移动平均估计季节分量进行季节调整：首先运用13项Henderson移动平均估计第二阶段的周期趋势分量，后从原始序列中分离周期趋势分量得到第二阶段的季节和不规则分量之和，对上述分量应用3×5移动平均估计最终的季节分量并进行标准化处理，得到第二阶段季节调整后的序列2tA；
估计最终的Henderson周期趋势分量和不规则分量：对2tA运用2H+1项Henderson移动平均得到最终的周期趋势分量；从第二阶段季节调整后的序列中剔除最终的周期趋势分量，得到最终的不规则分量；最终经过加法模型X-11季节调整的原始价格序列可以表示为周期趋势分量，季节分量和不规则分量。
8.根据权利要求1-5中任一项所述的基于大数据技术的智能配电网用户接入方案管理方法，其特征在于：GBDT回归算法的步骤如下：
步骤一、假设要做m轮预测，预测函数为Fm，初始常量或每一轮的回归为fm，输入变量为X，有：
Fm(X)＝Fm-1(X)+fm(X) 式(1)
步骤二、设要预测的变量为y，采用MSE作为损失函数：
步骤三、泰勒公式的一阶展开式：
f(x+x0)＝f(x)+f′(x)*x0 式(3)
步骤四、如果：
f(x)＝g(x) 式(4)
步骤五、根据式3和式4可以得出：
g′(x+x0)＝g′(x)+g″(x)*x0 式(5)
步骤六、根据式2可以知道，损失函数的一阶偏导数为：
步骤七、根据式6可以知道，损失函数的二阶偏导数为：
loss(y，Fm(X))＝2 式(7)
步骤八、根据式1，损失函数的一阶导数为：
Loss′(y,Fm(X)) ＝Loss′(y,Fm-1(X)+fm(X)) 式(8)
步骤九、根据式5，将式8进一步展开为：
Loss′(y,Fm(X))＝Loss′(y,Fm-1(X))+Loss″(y,Fm-1(X))*fm(X) 式(9)
步骤十、令式9，即损失函数的一阶导数为0，那么：
步骤十一、将式6、式7代入式9得到：
9.一种基于大数据技术的智能配电网用户接入方案管理系统，其特征在于：包括
配网设备信息获取模块，其被配置为获取配网设备信息，所述配网设备信息包括配变96点负荷数据、线路96点负荷数据、用户报装档案数据和配网设备信息；
设备真实可利用容量计算模块，连接于所述配网设备信息获取模块，其被配置为所述配网设备信息中的额定容量，计算设备真实可利用容量：
供电能力地图建立模块，连接于所述设备真实可利用容量计算模块，其被配置为基于可利用容量、Tempo大数据分析平台和高德开放平台API，绘制供电能力地图；
新用户接入判别模块，连接于所述供电能力地图建立模块，其被配置为用粒子群最优化算法对所述用户报装档案数据和所述配变数据进行最优化匹配，得出最优用户接入方案；得出最优用户接入方案的方法为：依据所述用户报装档案数据确定新用户行业类别和用户报装位置信息，并依据行业典型负荷曲线库绘制所述用户未来一年的月度负荷曲线；依据所述用户报装位置信息确定与所述用户报装位置最近的至少3个配变，并绘制至少3个所述配变未来一年月度可利用容量曲线；将至少3个所述配变未来一年月度可利用容量曲线分别与所述用户未来一年的月度负荷曲线进行对比，判别新用户可接入的附近的配变A、配变B与配变C；利用粒子群最优化算法，对配变A、配变B、配变C和所述配变数据进行最优化匹配，得出配变A、配变B或配变C为最优用户接入方案；
设备负荷预测模块，连接于新用户接入判别模块，其被配置为用X13季节调整算法和GBDT回归算法计算负载发展趋势，得到负荷预测数据；
供电能力地图调整模块，连接于所述设备负荷预测模块，其被配置为利用DTW动态时间规整法对所述负荷预测数据进行计算，调整供电能力地图。
10.根据权利要求9所述的基于大数据技术的智能配电网用户接入方案管理系统，其特征在于：所述配变96点负荷数据包括
配变档案，包括设备生产厂家、生产批次、厂家档案信息、设备价格、设备投运日期和设备经纬度数据；
运行数据，包括采集系统对设备日常运行的96点运行采集数据；和
运行异常，包括运行时间小于30天和运行中运行状态异常数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911242195.XA CN111082419B (zh) | 2019-12-06 | 2019-12-06 | 基于大数据技术的智能配电网用户接入方案管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911242195.XA CN111082419B (zh) | 2019-12-06 | 2019-12-06 | 基于大数据技术的智能配电网用户接入方案管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111082419A CN111082419A (zh) | 2020-04-28 |
| CN111082419B true CN111082419B (zh) | 2022-06-24 |
Family
ID=70313066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911242195.XA Active CN111082419B (zh) | 2019-12-06 | 2019-12-06 | 基于大数据技术的智能配电网用户接入方案管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111082419B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111680832A (zh) * | 2020-05-26 | 2020-09-18 | 国网河北省电力有限公司电力科学研究院 | 一种基于大数据技术的智能配电网接入方法 |
| CN114239903B (zh) * | 2021-10-27 | 2023-02-17 | 国网浙江省电力有限公司杭州市钱塘新区供电公司 | 基于设备同时率的配电网可开放容量计算方法 |
| CN115225560B (zh) * | 2022-07-15 | 2023-08-22 | 国网河南省电力公司信息通信公司 | 一种电力通信业务中路由规划方法 |
| CN117318110B (zh) * | 2023-11-28 | 2024-03-08 | 惠州市长晟科技有限公司 | 分布式微型电能存储系统、方法、计算机设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102738799A (zh) * | 2011-03-30 | 2012-10-17 | 通用电气公司 | 用于预报电负荷的系统和方法 |
| CN103870998A (zh) * | 2014-02-17 | 2014-06-18 | 国家电网公司 | 确定配电网用户接入方案的方法 |
| CN106875058A (zh) * | 2017-02-17 | 2017-06-20 | 江苏方天电力技术有限公司 | 一种电力业扩可开放容量智能判断方法 |
| CN107800140A (zh) * | 2017-10-18 | 2018-03-13 | 天津大学 | 一种考虑负荷特征的大用户供电接入决策方法 |
| CN109784589A (zh) * | 2019-03-19 | 2019-05-21 | 广东电网有限责任公司 | 一种电网业扩报装用户接入优化方法、装置和设备 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9619848B2 (en) * | 2013-05-06 | 2017-04-11 | Sas Institute Inc. | Techniques to determine settings for an electrical distribution network |
| US9971371B2 (en) * | 2015-03-17 | 2018-05-15 | Mitsubishi Electric Research Laboratories, Inc. | Method for predicting a voltage collapse in a micro-grid connected to a power distribution network |
| CN105844371A (zh) * | 2016-05-19 | 2016-08-10 | 北京中电普华信息技术有限公司 | 一种用电客户短期负荷需求预测方法及装置 |
| CN106651226A (zh) * | 2017-03-13 | 2017-05-10 | 国网江苏省电力公司徐州供电公司 | 基于大数据技术的智能配电网用户接入方案辅助分析方法 |
| CN108053064A (zh) * | 2017-12-11 | 2018-05-18 | 天津天大求实电力新技术股份有限公司 | 一种电蓄冷负荷预测方法 |
| KR20190105173A (ko) * | 2018-02-22 | 2019-09-16 | (주)솔라라이트 | 에너지 저장 장치를 이용한 가상 발전소 |
| CN109754113B (zh) * | 2018-11-29 | 2022-08-30 | 南京邮电大学 | 基于动态时间规整与长短时间记忆的负荷预测方法 |
-
2019
- 2019-12-06 CN CN201911242195.XA patent/CN111082419B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102738799A (zh) * | 2011-03-30 | 2012-10-17 | 通用电气公司 | 用于预报电负荷的系统和方法 |
| CN103870998A (zh) * | 2014-02-17 | 2014-06-18 | 国家电网公司 | 确定配电网用户接入方案的方法 |
| CN106875058A (zh) * | 2017-02-17 | 2017-06-20 | 江苏方天电力技术有限公司 | 一种电力业扩可开放容量智能判断方法 |
| CN107800140A (zh) * | 2017-10-18 | 2018-03-13 | 天津大学 | 一种考虑负荷特征的大用户供电接入决策方法 |
| CN109784589A (zh) * | 2019-03-19 | 2019-05-21 | 广东电网有限责任公司 | 一种电网业扩报装用户接入优化方法、装置和设备 |
Non-Patent Citations (1)
| Title |
|---|
| "Analysis and Accurate Prediction of User’s Response Behavior in Incentive-Based Demand Response";Di Liu;《 IEEE Access 》;20181224;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111082419A (zh) | 2020-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111082419B (zh) | 基于大数据技术的智能配电网用户接入方案管理方法及系统 | |
| Oliveira et al. | Power system security assessment for multiple contingencies using multiway decision tree | |
| López et al. | Application of SOM neural networks to short-term load forecasting: The Spanish electricity market case study | |
| CN113435923B (zh) | 用电量的预测方法、装置及电子设备 | |
| CN105989420A (zh) | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 | |
| Park et al. | A framework for baseline load estimation in demand response: Data mining approach | |
| CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
| CN113807589B (zh) | 基于模型预测的运营商储能的滚动优化方法及装置 | |
| CN115291046A (zh) | 基于电网运行大数据的电网配电异常识别方法 | |
| CN110689162A (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及系统 | |
| Koo et al. | Comparative study of short-term electric load forecasting | |
| CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
| CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
| Salgado et al. | A short-term bus load forecasting system | |
| CN111680832A (zh) | 一种基于大数据技术的智能配电网接入方法 | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| Ranganathan et al. | Smart grid data analytics for decision support | |
| Hassani et al. | A self-similar local neuro-fuzzy model for short-term demand forecasting | |
| CN111445009A (zh) | 一种基于gru网络预测物资采购需求量的方法 | |
| Wiest et al. | Synthetic Load Profiles of Various Customer Types for Smart Grid Simulations | |
| Jozi et al. | Wang and Mendel's fuzzy rule learning method for energy consumption forecasting considering the influence of environmental temperature | |
| Bernards et al. | Development of a bottom-up scenario analysis network planning tool | |
| KR102266494B1 (ko) | 수요반응을 위한 딥러닝 기반 고객 분류 장치 및 방법 | |
| CN112737422B (zh) | 一种基于云计算的电机设备调速控制方法 | |
| Arêdes Moraes et al. | Wind generation impact in transmission expansion planning |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220117 Address after: 050021 No. 238 South Sports street, Hebei, Shijiazhuang Applicant after: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant after: Marketing service center of State Grid Hebei Electric Power Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Address before: No.238, TIYU South Street, Shijiazhuang, Hebei 050000 Applicant before: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant before: State Grid Co., Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |