CN111222809B - 基于模型驱动和数据驱动结合的用户用电可靠性分析方法 - Google Patents

基于模型驱动和数据驱动结合的用户用电可靠性分析方法 Download PDF

Info

Publication number
CN111222809B
CN111222809B CN202010234571.7A CN202010234571A CN111222809B CN 111222809 B CN111222809 B CN 111222809B CN 202010234571 A CN202010234571 A CN 202010234571A CN 111222809 B CN111222809 B CN 111222809B
Authority
CN
China
Prior art keywords
load
power
data
day
power failure
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
Application number
CN202010234571.7A
Other languages
English (en)
Other versions
CN111222809A (zh
Inventor
曾庆辉
刘昊
刘少辉
梁年柏
李兰茵
赖艳珊
刘崧
欧晓妹
蒋鹏为
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority to CN202010234571.7A priority Critical patent/CN111222809B/zh
Publication of CN111222809A publication Critical patent/CN111222809A/zh
Application granted granted Critical
Publication of CN111222809B publication Critical patent/CN111222809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • 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
    • G06Q10/06395—Quality analysis or management
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于模型驱动和数据驱动结合的用户用电可靠性分析方法，方法中利用输入模型驱动的电网侧可靠性评估所需数据和数据驱动的用户侧可靠性修正所需数据，分别计算各负荷点每月各类日的标准负荷曲线和每个电能质量事件日的负荷曲线，进一步对比形成对比结果曲线，根据对比结果曲线计算出缺供电量及停电时间，修正系统级可靠性指标，得到用户侧用电可靠性。本发明综合运用了可靠性计算模型和数据挖掘方法，提出一种新颖的配电网用户用电可靠性分析方法，与传统的电网侧可靠性计算方法相比，其更适用于计算配电网用户真实体验的用电可靠性。

Description

基于模型驱动和数据驱动结合的用户用电可靠性分析方法
技术领域
本发明涉及配电网可靠性分析领域，更具体地，涉及一种模型驱动和数据驱动结合的用户用电可靠性分析方法。
背景技术
随着信息技术和电力电子技术的不断发展和广泛应用，对电能质量敏感的数字化设备已渗透到人们的日常生活、办公、商业和工农业生产中，大大提高了用户和用电设备对供电质量的要求。另外，工业化城市化建设水平的不断提高，特别是城市现代化工商业发展中敏感负荷的大量使用，也对供电可靠性的要求越来越高，即使瞬时的电压波动都会导致设备跳闸停机，造成巨大的经济损失甚至人身伤亡事故。因此，对配电网供电可靠性和电能质量的研究与管理需求日益增强。
随着国内电网企业开展大量且有效的供电可靠性管理工作，电网供电可靠性水平已大幅提升，但用户侧真实的用电可靠性还有待进一步的提高。在实际的工作中，仍存在电网侧供电可靠性工作已十分有效，但用户体验到的用电可靠性却并不理想的情况。比如基于馈线首端或配变台区考核的供电可靠性指标都已合格，但在用户侧由于无功不足、电压偏低等问题造成用户侧的供电质量的下降；供电侧正常供电时，由于电网发生电压暂降导致用户侧发生低压脱扣而停电；供电首端电压质量良好，但中端和末端电压质量很差等问题。这些用户侧的供电质量问题无疑影响了用户的生产、生活的正常开展。然而，传统上的供电可靠性理论、指标不纳入由于电网侧电能质量的问题导致用户停电的情况，导致当前的供电可靠性分析评估方法并不能真实衡量用户侧的用电可靠性。
另一方面，随着近年来越来越多的智能电表与智能终端的安装部署，供电企业可以获得越来越多的用户相关的用电数据和信息，而海量的用户侧电能量数据如何梳理应用就成为了供电企业面临的新问题。其中，利用用户电能量数据来指导开展用户侧的供电可靠性工作就是一个可行且有效的应用途径。
电网侧供电可靠性不良时，用户的用电可靠性一定不佳，所以计算用户用电可靠性时，离不开传统的电网侧可靠性评估；当有电能质量问题事件发生，导致电网侧供电可靠性良好而用户用电可靠性不佳时，往往需要通过对大量的负荷数据进行挖掘，才能分析得出用户用电可靠性在本次电能质量问题事件中所受的影响，所以计算用户用电可靠性也离不开数据挖掘。因此，本发明综合运用了可靠性计算模型和数据挖掘方法，提出一种新颖的配电网用电可靠性分析方法。
发明内容
本发明提供一种基于模型驱动和数据驱动结合的用户用电可靠性分析方法，综合运用了可靠性计算模型和数据挖掘方法，提供了能反映配电网用户真实用电体验的可靠性计算方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于模型驱动和数据驱动结合的用户用电可靠性分析方法，包括以下步骤：
S1：输入模型驱动的电网侧可靠性评估所需数据，所需数据包括元件连接关系；
S2：根据S1输入的数据，利用故障模式后果分析法评估电网侧可靠性；
S3：输入数据驱动的用户侧可靠性修正所需数据；
S4：对S3输入的数据进行清洗和分类；
S5：对经S4处理后的数据进行拟合，形成各负荷点每月各类日的标准负荷曲线；
S6：对经S4处理后的数据进行拟合，形成各负荷点每个电能质量事件日的负荷曲线；
S7：将S5的标准负荷曲线与S6的每个电能质量事件日的负荷曲线对比形成对比结果曲线；
S8：根据S7形成的对比结果曲线计算出缺供电量及停电时间；
S9：根据S7的对比结果曲线和S8的缺供电量及停电时间，修正S2得出的电网侧可靠性，得到用户侧用电可靠性；
S10：输出用户侧用电可靠性的系统级可靠性指标。
优选地，所述步骤S1中模型驱动的电网侧可靠性评估所需数据包括待分析的配电网所有元件（线路、变压器、熔断器、断路器、分段开关、联络开关、负荷）的可靠性参数（元件年故障率、元件平均故障修复时间）、元件连接关系、各负荷点的平均负荷和用户数、分段开关与联络开关的手动操作时间、所有开关元件（熔断器、断路器、分段开关、联络开关）的不可靠开断或闭合的概率；
步骤S1中模型驱动的电网侧可靠性评估所需数据均统一为矩阵branch，其中矩阵branch各行代表配电网各个元件，矩阵branch第一列和第二列分别为元件的首节点和末节点，表征了配电网各元件的连接关系；第三列表征元件的类型；第四列和第五列分别为元件的年故障率和平均故障修复时间；第六列存放线路元件的长度，若该元件不是线路，则其第六列元素为null；第七列存放负荷点的平均负荷；第八列存放负荷点的用户数；第九列存放所有开关元件的不可靠开断或闭合的概率；第十列存放分段开关与联络开关的手动操作时间。
优选地，步骤S2中的故障模式后果分析法具体为：
通过对矩阵branch第一、二列元素进行拓扑搜索，找出从电源点到主馈线末端节点之间的路径，即主馈线；然后遍历配电网中的各个元件，分别假设每个元件故障，分析本次故障引起哪些开关元件断开或闭合，从而得到本次故障下每个负荷点的故障停电次数与停电时间；最后根据每个负荷点的故障停电次数与停电时间计算出负荷点的年故障率、年平均故障停电时间，从而计算出整个配电网系统的系统级可靠性指标，包括系统平均停电时间SAIDI、系统平均停电频率SAIFI、停电用户平均停电时间CAIDI、供电可靠率ASAI和期望缺供电量ENS，其计算公式具体为：
系统平均停电时间SAIDI：
Figure 87709DEST_PATH_IMAGE001
其中，
Figure 519828DEST_PATH_IMAGE002
是负荷点
Figure 3899DEST_PATH_IMAGE003
的用户数，
Figure 597691DEST_PATH_IMAGE004
是负荷点
Figure 737685DEST_PATH_IMAGE003
的等值年平均故障停运时间；
系统平均停电频率SAIFI：
Figure 740539DEST_PATH_IMAGE005
其中，
Figure 547958DEST_PATH_IMAGE006
是负荷点
Figure 47072DEST_PATH_IMAGE003
的年故障率；
停电用户平均停电时间CAIDI：
Figure 939942DEST_PATH_IMAGE007
平均供电可靠率ASAI：
Figure 917125DEST_PATH_IMAGE008
期望缺供电量ENS：
Figure 343165DEST_PATH_IMAGE009
其中，
Figure 278760DEST_PATH_IMAGE010
是负荷点
Figure 393346DEST_PATH_IMAGE003
的年平均负荷。
优选地，数据驱动的用户侧可靠性修正是指通过对负荷点的负荷数据和配电网监测点的电能质量问题事件的记录数据进行挖掘，分析出电网侧无故障停电时，由于电能质量较差导致用户的停电次数与停电时间，以此修正步骤S2计算得到的SAIDI、SAIFI、CAIDI、ASAI和ENS，从而得到描述用户侧用电可靠性的系统级可靠性指标SAIDI、SAIFI、CAIDI、ASAI和ENS，步骤S3中数据驱动的用户侧可靠性修正所需数据包括待分析的配电网所有负荷点近三年的负荷数据（即有功功率，由智能电表或其他智能采集终端采集，颗粒度为3分钟采集一次数据，一天采集480个数据）、待分析的配电网近三年的停电事件记录（包括故障停电和预安排停电，安排了备用电源的预安排停电事件不纳入其中）和电能质量问题事件记录（包括持续低电压事件、电压暂降事件、短时中断事件）。
优选地，步骤S4中对S3输入的数据进行清洗和分类具体指不满意数据的剔除和缺失数据的填充：
清洗：智能采集终端的可靠性较高，一般不会出现数据采集误差超过可接受范围的情况，但是由于终端与主站通信链路短时失效等原因，可能会出现数据缺失的情况。终端每隔3分钟采集一次负荷点的有功功率，正常情况下一天内可以采集到480个数据，若一天内负荷点的负荷数据存在10个或以上连续的采集数据丢失，则该负荷点这一天的负荷数据为不满意数据，应舍弃掉，设该负荷点近三年的负荷数据经过剔除后，剩余T天的负荷数据，对负荷点T天的负荷数据进行检查，若存在一天内的数据少于480个，则对该天的负荷数据进行填充，具体地，首先找到缺失数据的时间点，然后找到该时间点最邻近的前面一个和后面一个不缺失数据的时间点a和b，作一条经过时间点a和b的负荷数据的直线，该直线上对应缺失数据的时间点的纵坐标值作为对缺失数据的时间点的负荷数据填充值；
分类：对每个负荷点近三年的负荷数据进行剔除和填充后，以一天的负荷数据为数据分类的最小单元，首先根据停电事件记录和电能质量问题事件记录，把T天的负荷数据分为3类：把存在电网侧停电事件的日期对应的当天负荷数据筛选出来，得到T1天停电日的负荷数据；把不存在电网侧停电事件但存在电能质量问题事件的日期对应的当天负荷数据筛选出来，得到T2天电能质量问题日的负荷数据；其余日期对应的当天负荷数据是正常日的负荷数据，设共有T3天；然后把T3天正常日的负荷数据按月份分成12类，再把属于同一个月份内三年的负荷数据按工作日与休息日分成2类，至此，每个负荷点T3天正常日的负荷数据被分为了24类。
优选地，步骤S5中标准负荷曲线的拟合具体为：
依次遍历每个负荷点，依次遍历24类正常日的负荷数据，对同一类的负荷数据，首先对一天内同一个时间点采集的数据取平均值，则得到这一类负荷数据的一天480个采集时间点对应的采集数据平均值，然后采用带L2约束的最小二乘法对该480个数据点进行拟合，得到该负荷点该月份该类日的标准负荷曲线，具体地，该最小二乘法的目标函数为：
Figure 439800DEST_PATH_IMAGE011
其中，
Figure 752969DEST_PATH_IMAGE012
为数据拟合前选定的基函数；
Figure 95351DEST_PATH_IMAGE013
为基函数的系数， 是标量；
Figure 962813DEST_PATH_IMAGE014
是由
Figure 344116DEST_PATH_IMAGE015
组成的向量
Figure 980634DEST_PATH_IMAGE016
；
Figure 992452DEST_PATH_IMAGE017
为一个负荷数据点， 一共有480个，即
Figure 574307DEST_PATH_IMAGE018
，
Figure 962563DEST_PATH_IMAGE019
为横坐标即采集时间点，
Figure 453587DEST_PATH_IMAGE020
为纵坐标即采集的负荷数据 值；
Figure 636306DEST_PATH_IMAGE021
是由L2约束转化而来的拉格朗日函数项，
Figure 478360DEST_PATH_IMAGE022
为向量
Figure 670307DEST_PATH_IMAGE014
的L1范数，
Figure 750259DEST_PATH_IMAGE023
为向量
Figure 136503DEST_PATH_IMAGE014
的L2范数，
Figure 934695DEST_PATH_IMAGE024
为拉格朗日乘子，此处选用高斯核函数作为基函数：
Figure 664753DEST_PATH_IMAGE025
其中，
Figure 864791DEST_PATH_IMAGE026
为带宽。
采用迭代法求解该采用高斯核模型的带L2约束的最小二乘问题。具体地，首先给 向量
Figure 451630DEST_PATH_IMAGE014
设置适当的初始值，输入参数
Figure 235653DEST_PATH_IMAGE024
和
Figure 34981DEST_PATH_IMAGE027
；然后计算矩阵
Figure 89525DEST_PATH_IMAGE028
，其中
Figure 50528DEST_PATH_IMAGE029
是以
Figure 823312DEST_PATH_IMAGE030
为对 角元素的对角矩阵；然后根据下式更新向量
Figure 160752DEST_PATH_IMAGE014
：
Figure 368005DEST_PATH_IMAGE031
其中，
Figure 765488DEST_PATH_IMAGE032
为矩阵
Figure 759989DEST_PATH_IMAGE033
的广义逆矩阵，
Figure 901120DEST_PATH_IMAGE034
为矩阵
Figure 930256DEST_PATH_IMAGE035
的转置矩阵，向量
Figure 737456DEST_PATH_IMAGE036
。重复上述计算矩阵
Figure 484832DEST_PATH_IMAGE033
与更新向量
Figure 164075DEST_PATH_IMAGE037
的两个步骤，直到向量
Figure 844455DEST_PATH_IMAGE037
达 到指定的收敛精度为止，输出对该类负荷数据拟合得到的函数表达式
Figure 318162DEST_PATH_IMAGE038
，作为该负荷点该月份该类日的标准负 荷曲线。
优选地，步骤S6每个电能质量事件日的负荷曲线的拟合具体为：
以步骤S4中筛选出来的每个负荷点的T2天电能质量问题日的负荷数据为数据拟合的对象，遍历每个负荷点，遍历T2天中的每一天，采用带L2约束的最小二乘法对当天中480个数据点进行拟合，得到该天的电能质量问题下的实际负荷曲线。
优选地，步骤S7中对比结果曲线的形成具体为：
遍历每个负荷点，遍历T2天中每一天的电能质量问题下的实际负荷曲线，找出对应该月份该类日的标准负荷曲线，将这两条曲线进行对比，负荷缺失量不超过10%的为用户正常的负荷量波动，超出10%的部分有可能为电网侧电能质量问题引起的用户停电，还需要后续步骤进一步分析；以足够小的步长dx遍历横轴坐标，若电能质量问题下的负荷曲线对应的纵坐标值低于标准负荷曲线对应的纵坐标值，且它们相差超过标准负荷曲线对应的纵坐标值的10%，则输出纵坐标为1；若电能质量问题下的负荷曲线对应的纵坐标值高于标准负荷曲线对应的纵坐标值，或者电能质量问题下的负荷曲线对应的纵坐标值低于标准负荷曲线对应的纵坐标值，但它们相差不超过标准负荷曲线对应的纵坐标值的10%，则输出纵坐标为0，对每个负荷点，得到了T2天的纵坐标取值只有0或1的对比结果曲线。
优选地，步骤S8中计算出缺供电量及停电时间具体为：
通过步骤S1输入的元件连接关系和步骤S7得到的各负荷点的电能质量问题下的对比结果曲线，寻找同一10kV母线下的馈线中存在超过3个负荷点同一日期的对比结果曲线输出1的时段有重合的情况，找出这种重合的情况中涉及到的所有负荷点，对里面的每个负荷点执行以下操作：更新该负荷点的受电能质量问题事件影响的停电次数，即增加一次停电次数；找到重合时段的首时间点和末时间点的横坐标x 1和x 2，记录重合时段的时间长短作为该负荷点在本次电能质量问题事件中的停电时间（小时）；并对函数p(x)=f 1(x)-f 2(x)在区间[x 1, x 2]内积分，积分值即为该负荷点在本次电能质量问题事件中的缺供电量，其中f 1(x)为该负荷点的本次电能质量问题事件日对应的该月份该类日的标准负荷曲线，由步骤S5得到，f 2(x)为该负荷点的本次电能质量问题事件日的实际负荷曲线，由步骤S6得到，经过步骤S8之后，将会得到待分析用户用电可靠性的配电网中所有负荷点近三年由于电能质量问题事件导致的停电次数、每次的停电时间、每次停电造成的缺供电量；对所有负荷点近三年由于电能质量问题事件导致的停电次数、每次的停电时间、每次停电造成的缺供电量都除以T再乘以365，得到所有负荷点平均每年由于电能质量问题事件导致的停电次数、每次的停电时间、每次停电造成的缺供电量。
优选地，步骤S9中对S2中的系统级可靠性指标系统平均停电时间SAIDI、系统平均停电频率SAIFI、停电用户平均停电时间CAIDI、供电可靠率ASAI和期望缺供电量ENS进行修正，得到描述了用户用电体验的用户侧用电可靠性指标系统平均停电时间C-SAIDI)、系统平均停电频率C-SAIFI、停电用户平均停电时间C-CAIDI、供电可靠率C-ASAI和期望缺供电量C-ENS，具体为：
Figure 287255DEST_PATH_IMAGE039
Figure 802812DEST_PATH_IMAGE040
Figure 806540DEST_PATH_IMAGE041
Figure 451148DEST_PATH_IMAGE042
Figure 173117DEST_PATH_IMAGE043
其中，m为配电网中的负荷点个数；k i 为负荷点i平均每年由于电能质量问题事件导致的停电次数；N i 为负荷点i的用户数；t ij 为负荷点i在第j次由于电能质量问题事件导致的停电事件中的停电持续时间（小时）；ens ij 为负荷点i在第j次由于电能质量问题事件导致的停电事件中的缺供电量（kWh）。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供了一种基于模型驱动和数据驱动结合的用户用电可靠性分析方法，弥补了传统的配电网可靠性分析方法不能反映配电网用户真实用电体验的缺陷，同时运用了传统的可靠性计算模型和数据挖掘方法，使得配电网用户侧可靠性的量化评估成为可能。
附图说明
图1为本发明的方法流程示意图。
图2为实施例1中拟合得到的标准负荷曲线。
图3为实施例1中实际负荷曲线。
图4为图2的标准负荷曲线与图3的实际负荷曲线对比得到的对比结果曲线。
图5为实施例1中配电网中同一个10KV母线下受同一次电压暂降的影响导致脱扣器动作而停电的用户点示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种基于模型驱动和数据驱动结合的用户用电可靠性分析方法，如图1，包括以下步骤：
S1：输入模型驱动的电网侧可靠性评估所需数据；
模型驱动的电网侧可靠性评估所需数据包括待分析的配电网所有元件（线路、变压器、熔断器、断路器、分段开关、联络开关、负荷）的可靠性参数（元件年故障率、元件平均故障修复时间）、元件连接关系、各负荷点的平均负荷和用户数、分段开关与联络开关的手动操作时间、所有开关元件（熔断器、断路器、分段开关、联络开关）的不可靠开断或闭合的概率。
所有输入数据都可以统一为一个矩阵branch。矩阵branch各行代表配电网各个元件；第一列和第二列分别为元件的首节点和末节点，表征了配电网各元件的连接关系；第三列表征元件的类型，代码1、2、3、4、5、6、7分别表示元件为线路、变压器、熔断器、断路器、分段开关、联络开关、负荷；第四列和第五列分别为元件的年故障率和平均故障修复时间；第六列存放线路元件的长度，若该元件不是线路，则其第六列元素为null；第七列存放负荷点的平均负荷；第八列存放负荷点的用户数；第九列存放所有开关元件的不可靠开断或闭合的概率；第十列存放分段开关与联络开关的手动操作时间。
S2：根据S1输入的数据，利用故障模式后果分析法评估电网侧可靠性；
故障模式后果分析法是经典的配电网电网侧可靠性评估方法。具体地，它通过对矩阵branch第一、二列元素进行拓扑搜索，找出从电源点到主馈线末端节点之间的路径（主馈线）；然后遍历配电网中的各个元件，分别假设每个元件故障，分析本次故障引起哪些开关元件断开或闭合，从而得到本次故障下每个负荷点的故障停电次数与停电时间；最后根据每个负荷点的故障停电次数与停电时间计算出负荷点的年故障率、年平均故障停电时间（负荷级可靠性指标），从而计算出整个配电网系统的系统级可靠性指标，包括系统平均停电时间(SAIDI)、系统平均停电频率(SAIFI)、停电用户平均停电时间(CAIDI)、供电可靠率(ASAI)和期望缺供电量(ENS)，其计算公式具体为：
系统平均停电时间SAIDI：
Figure 928583DEST_PATH_IMAGE001
其中，
Figure 550932DEST_PATH_IMAGE002
是负荷点
Figure 163179DEST_PATH_IMAGE003
的用户数，
Figure 106864DEST_PATH_IMAGE004
是负荷点
Figure 666022DEST_PATH_IMAGE003
的等值年平均故障停运时间；
系统平均停电频率SAIFI：
Figure 644342DEST_PATH_IMAGE005
其中，
Figure 132217DEST_PATH_IMAGE006
是负荷点
Figure 828778DEST_PATH_IMAGE003
的年故障率；
停电用户平均停电时间CAIDI：
Figure 191626DEST_PATH_IMAGE007
平均供电可靠率ASAI：
Figure 555611DEST_PATH_IMAGE008
期望缺供电量ENS：
Figure 712923DEST_PATH_IMAGE009
其中，
Figure 147314DEST_PATH_IMAGE010
是负荷点
Figure 48274DEST_PATH_IMAGE003
的年平均负荷。
S3：输入数据驱动的用户侧可靠性修正所需数据；
数据驱动的用户侧可靠性修正是指通过对负荷点的负荷数据和配电网监测点的电能质量问题事件的记录数据进行挖掘，分析出电网侧无故障停电时，由于电能质量较差导致用户的停电次数与停电时间，以此修正步骤S2计算得到的SAIDI、SAIFI、CAIDI、ASAI和ENS，从而得到描述用户侧用电可靠性的系统级可靠性指标SAIDI、SAIFI、CAIDI、ASAI和ENS。步骤S3中所述的数据具体为：待分析的配电网所有负荷点近三年的负荷数据（即有功功率，由智能电表或其他智能采集终端采集，颗粒度为3分钟采集一次数据，一天采集480个数据）、待分析的配电网近三年的停电事件记录（包括故障停电和预安排停电，安排了备用电源的预安排停电事件不纳入其中）和电能质量问题事件记录（包括持续低电压事件、电压暂降事件、短时中断事件）。
S4：对S3输入的数据进行清洗和分类；
数据清洗具体指不满意数据的剔除和缺失数据的填充。智能采集终端的可靠性较高，一般不会出现数据采集误差超过可接受范围的情况，但是由于终端与主站通信链路短时失效等原因，可能会出现数据缺失的情况。终端每隔3分钟采集一次负荷点的有功功率，正常情况下一天内可以采集到480个数据。若一天内负荷点的负荷数据存在10个或以上连续的采集数据丢失，则该负荷点这一天的负荷数据为不满意数据，应舍弃掉。设该负荷点近三年的负荷数据经过剔除后，剩余T天的负荷数据。对该负荷点T天的负荷数据进行检查，若存在一天内的数据少于480个，则对该天的负荷数据进行填充。具体地，首先找到缺失数据的时间点，然后找到该时间点最邻近的前面一个和后面一个不缺失数据的时间点a和b，作一条经过时间点a和b的负荷数据的直线，该直线上对应缺失数据的时间点的纵坐标值作为对缺失数据的时间点的负荷数据填充值。
数据分类具体指，对每个负荷点近三年的负荷数据进行剔除和填充后，以一天的负荷数据为数据分类的最小单元，首先根据停电事件记录和电能质量问题事件记录，把T天的负荷数据分为3类：把存在电网侧停电事件的日期对应的当天负荷数据筛选出来，得到T1天停电日的负荷数据；把不存在电网侧停电事件但存在电能质量问题事件的日期对应的当天负荷数据筛选出来，得到T2天电能质量问题日的负荷数据；其余日期对应的当天负荷数据是正常日的负荷数据，设共有T3天。然后把T3天正常日的负荷数据按月份分成12类，再把属于同一个月份内三年的负荷数据按工作日（周一到周五）与休息日（周六、周日）分成2类。至此，每个负荷点T3天正常日的负荷数据被分为了24类。
S5：对经S4处理后的数据进行拟合，形成各负荷点每月各类日的标准负荷曲线；
依次遍历每个负荷点，依次遍历24类正常日的负荷数据，对同一类的负荷数据，首先对一天内同一个时间点采集的数据取平均值，则得到这一类负荷数据的一天480个采集时间点对应的采集数据平均值，然后采用带L2约束的最小二乘法对该480个数据点进行拟合，得到该负荷点该月份该类日的标准负荷曲线。具体地，该最小二乘法的目标函数为：
Figure 1186DEST_PATH_IMAGE011
其中，
Figure 329399DEST_PATH_IMAGE012
为数据拟合前选定的基函数；
Figure 734973DEST_PATH_IMAGE013
为基函数的系 数，是标量；
Figure 439624DEST_PATH_IMAGE014
是由
Figure 981464DEST_PATH_IMAGE015
组成的向量
Figure 247622DEST_PATH_IMAGE016
；
Figure 874913DEST_PATH_IMAGE017
为一个负荷数据点， 一共有480个，即
Figure 383254DEST_PATH_IMAGE018
，
Figure 45180DEST_PATH_IMAGE019
为横坐标即采集时间点，
Figure 511933DEST_PATH_IMAGE020
为纵坐标即采集的负荷数据 值；
Figure 125055DEST_PATH_IMAGE021
是由L2约束转化而来的拉格朗日函数项，
Figure 437088DEST_PATH_IMAGE022
为向量
Figure 953520DEST_PATH_IMAGE014
的L1范数，
Figure 60016DEST_PATH_IMAGE023
为向量
Figure 193057DEST_PATH_IMAGE014
的L2范数，
Figure 279087DEST_PATH_IMAGE024
为拉格朗日乘子，此处选用高斯核函数作为基函数：
Figure 915605DEST_PATH_IMAGE044
其中，
Figure 193002DEST_PATH_IMAGE026
为带宽。
采用迭代法求解该采用高斯核模型的带L2约束的最小二乘问题。具体地，首先给 向量
Figure 282181DEST_PATH_IMAGE014
设置适当的初始值，输入参数
Figure 670437DEST_PATH_IMAGE024
和
Figure 161461DEST_PATH_IMAGE045
；然后计算矩阵
Figure 114154DEST_PATH_IMAGE028
，其中
Figure 425050DEST_PATH_IMAGE029
是以
Figure 616997DEST_PATH_IMAGE030
为 对角元素的对角矩阵；然后根据下式更新向量
Figure 962528DEST_PATH_IMAGE014
：
Figure 581728DEST_PATH_IMAGE031
其中，
Figure 645499DEST_PATH_IMAGE032
为矩阵
Figure 375557DEST_PATH_IMAGE033
的广义逆矩阵，
Figure 342639DEST_PATH_IMAGE034
为矩阵
Figure 867161DEST_PATH_IMAGE035
的转置矩阵，向量
Figure 949386DEST_PATH_IMAGE036
。重复上述计算矩阵
Figure 748715DEST_PATH_IMAGE033
与更新向量
Figure 803259DEST_PATH_IMAGE037
的两个步骤，直到向量
Figure 262797DEST_PATH_IMAGE037
达到 指定的收敛精度为止，输出对该类负荷数据拟合得到的函数表达式
Figure 301160DEST_PATH_IMAGE038
，作为该负荷点该月份该类日的标准负荷 曲线。
例如图2为负荷点4在5月的工作日的标准负荷曲线，由其在该月的工作日的负荷数据取平均值再经过拟合得到。
S6：对经S4处理后的数据进行拟合，形成各负荷点每个电能质量事件日的负荷曲线；
以步骤S4中筛选出来的每个负荷点的T2天电能质量问题日的负荷数据为数据拟合的对象。具体地，遍历每个负荷点，遍历T2天中的每一天，采用带L2约束的最小二乘法对当天中480个数据点进行拟合，得到该天的电能质量问题下的实际负荷曲线。
例如图3为负荷点4在5月的一个发生电压暂降的工作日的实际负荷曲线，由其在当日的负荷数据经过拟合得到。
S7：将S5的标准负荷曲线与S6的每个电能质量事件日的负荷曲线对比形成对比结果曲线；
遍历每个负荷点，遍历T2天中每一天的电能质量问题下的实际负荷曲线，找出对应该月份该类日的标准负荷曲线，将这两条曲线进行对比，认为负荷缺失量不超过10%的为用户正常的负荷量波动，超出10%的部分有可能为电网侧电能质量问题引起的用户停电，还需要后续步骤进一步分析，输出纵坐标取值只有0或1的对比结果曲线。具体地，以足够小的步长dx遍历横轴坐标，若电能质量问题下的负荷曲线对应的纵坐标值低于标准负荷曲线对应的纵坐标值，且它们相差超过标准负荷曲线对应的纵坐标值的10%，则输出纵坐标为1；若电能质量问题下的负荷曲线对应的纵坐标值高于标准负荷曲线对应的纵坐标值，或者电能质量问题下的负荷曲线对应的纵坐标值低于标准负荷曲线对应的纵坐标值，但它们相差不超过标准负荷曲线对应的纵坐标值的10%，则输出纵坐标为0。由此，对每个负荷点，得到了T2天的纵坐标取值只有0或1的对比结果曲线。
例如图4为负荷点4在5月的一个发生电压暂降的工作日的实际负荷曲线与当月当类日的标准负荷曲线进行对比后得到的对比结果曲线。
S8：根据S7形成的对比结果曲线计算出缺供电量及停电时间；
通过步骤S1输入的元件连接关系和步骤S7得到的各负荷点的电能质量问题下的对比结果曲线，寻找同一10kV母线下的馈线中存在超过3个负荷点同一日期的对比结果曲线输出1的时段有重合的情况，认为这种重合的情况意味着这些负荷点的负荷量下降是由于电网侧电能质量问题造成的，而不是用户自身的用电行为造成的，例如图5所示配电网中深色的负荷点都是同一个10kV母线下的用户点，它们都受同一次电压暂降的影响导致脱扣器动作而停电。找出这种重合的情况中涉及到的所有负荷点，对里面的每个负荷点执行以下操作：更新该负荷点的受电能质量问题事件影响的停电次数，即增加一次停电次数；找到重合时段的首时间点和末时间点的横坐标x 1和x 2，记录重合时段的时间长短作为该负荷点在本次电能质量问题事件中的停电时间；并对函数p(x)=f 1(x)-f 2(x)在区间[x 1, x 2]内积分，积分值即为该负荷点在本次电能质量问题事件中的缺供电量，其中f 1(x)为该负荷点的本次电能质量问题事件日对应的该月份该类日的标准负荷曲线，由步骤S5得到，f 2(x)为该负荷点的本次电能质量问题事件日的实际负荷曲线，由步骤S6得到，经过步骤S8之后，将会得到待分析用户用电可靠性的配电网中所有负荷点近三年由于电能质量问题事件导致的停电次数、每次的停电时间、每次停电造成的缺供电量；对所有负荷点近三年由于电能质量问题事件导致的停电次数、每次的停电时间、每次停电造成的缺供电量都除以T再乘以365，得到所有负荷点平均每年由于电能质量问题事件导致的停电次数、每次的停电时间、每次停电造成的缺供电量。
S9：根据S7的对比结果曲线和S8的缺供电量及停电时间，修正S2得出的电网侧可靠性，得到用户侧用电可靠性；
根据步骤S8的数据挖掘结果，修正步骤S2得出的系统级可靠性指标系统平均停电 时间(SAIDI)、系统平均停电频率(SAIFI)、停电用户平均停电时间(CAIDI)、供电可靠率 (ASAI)和期望缺供电量(ENS)，得到描述了用户用电体验的用户侧用电可靠性指标系统平 均停电时间(C-SAIDI)、系统平均停电频率(C-SAIFI)、停电用户平均停电时间(C-CAIDI)、 供电可靠率(C-ASAI)和期望缺供电量(C-ENS)。具体修正公式如下：
Figure 373021DEST_PATH_IMAGE046
Figure 547651DEST_PATH_IMAGE040
Figure 679555DEST_PATH_IMAGE041
Figure 939635DEST_PATH_IMAGE042
Figure 316652DEST_PATH_IMAGE043
其中，m为配电网中的负荷点个数；ki为负荷点i平均每年由于电能质量问题事件导致的停电次数；Ni为负荷点i的用户数；tij为负荷点i在第j次由于电能质量问题事件导致的停电事件中的停电持续时间（小时）；ensij为负荷点i在第j次由于电能质量问题事件导致的停电事件中的缺供电量（kWh）。
S10：输出用户侧用电可靠性的系统级可靠性指标。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (2)

1.一种基于模型驱动和数据驱动结合的用户用电可靠性分析方法，其特征在于，包括以下步骤：
S1：输入模型驱动的电网侧可靠性评估所需数据，所需数据包括元件连接关系；
S2：根据S1输入的数据，利用故障模式后果分析法评估电网侧可靠性；
S3：输入数据驱动的用户侧可靠性修正所需数据；
S4：对S3输入的数据进行清洗和分类；
S5：对经S4处理后的数据进行拟合，形成各负荷点每月各类日的标准负荷曲线；
S6：对经S4处理后的数据进行拟合，形成各负荷点每个电能质量事件日的负荷曲线；
S7：将S5的标准负荷曲线与S6的每个电能质量事件日的负荷曲线对比形成对比结果曲线；
S8：根据S7形成的对比结果曲线计算出缺供电量及停电时间；
S9：根据S7的对比结果曲线和S8的缺供电量及停电时间，修正S2得出的电网侧可靠性，得到用户侧用电可靠性；
S10：输出用户侧用电可靠性的系统级可靠性指标；
所述步骤S1中模型驱动的电网侧可靠性评估所需数据包括待分析的配电网所有元件的可靠性参数、元件连接关系、各负荷点的平均负荷和用户数、分段开关与联络开关的手动操作时间、所有开关元件的不可靠开断或闭合的概率；
步骤S1中模型驱动的电网侧可靠性评估所需数据均统一为矩阵branch，其中矩阵branch各行代表配电网各个元件，矩阵branch第一列和第二列分别为元件的首节点和末节点，表征了配电网各元件的连接关系；第三列表征元件的类型；第四列和第五列分别为元件的年故障率和平均故障修复时间；第六列存放线路元件的长度，若某行对应的元件不是线路，则该行的第六列元素为null；第七列存放负荷点的平均负荷；第八列存放负荷点的用户数；第九列存放所有开关元件的不可靠开断或闭合的概率；第十列存放分段开关与联络开关的手动操作时间；
步骤S2中的故障模式后果分析法具体为：
通过对矩阵branch第一、二列元素进行拓扑搜索，找出从电源点到主馈线末端节点之间的路径；然后遍历配电网中的各个元件，分别假设每个元件故障，分析本次故障引起哪些开关元件断开或闭合，从而得到本次故障下每个负荷点的故障停电次数与停电时间；最后根据每个负荷点的故障停电次数与停电时间计算出负荷点的年故障率、年平均故障停电时间，从而计算出整个配电网系统的系统级可靠性指标，包括系统平均停电时间SAIDI、系统平均停电频率SAIFI、停电用户平均停电时间CAIDI、供电可靠率ASAI和期望缺供电量ENS；
步骤S3中数据驱动的用户侧可靠性修正所需数据包括待分析的配电网所有负荷点近三年的负荷数据、待分析的配电网近三年的停电事件记录和电能质量问题事件记录；
步骤S4中对S3输入的数据进行清洗和分类具体为：
清洗：若一天内负荷点的负荷数据存在10个或以上连续的采集数据丢失，则该负荷点这一天的负荷数据为不满意数据，应舍弃掉，设该负荷点近三年的负荷数据经过剔除后，剩余T天的负荷数据，对负荷点T天的负荷数据进行检查，若存在一天内的数据少于480个，则对该天的负荷数据进行填充，具体地，首先找到缺失数据的时间点，然后找到该时间点最邻近的前面一个和后面一个不缺失数据的时间点a和b，作一条经过时间点a和b的负荷数据的直线，该直线上对应缺失数据的时间点的纵坐标值作为对缺失数据的时间点的负荷数据填充值；
分类：对每个负荷点近三年的负荷数据进行剔除和填充后，以一天的负荷数据为数据分类的最小单元，首先根据停电事件记录和电能质量问题事件记录，把T天的负荷数据分为3类：把存在电网侧停电事件的日期对应的当天负荷数据筛选出来，得到T1天停电日的负荷数据；把不存在电网侧停电事件但存在电能质量问题事件的日期对应的当天负荷数据筛选出来，得到T2天电能质量问题日的负荷数据；其余日期对应的当天负荷数据是正常日的负荷数据，设共有T3天；然后把T3天正常日的负荷数据按月份分成12类，再把属于同一个月份内三年的负荷数据按工作日与休息日分成2类，至此，每个负荷点T3天正常日的负荷数据被分为了24类；
步骤S5中标准负荷曲线的拟合具体为：
依次遍历每个负荷点，依次遍历24类正常日的负荷数据，对同一类的负荷数据，首先对一天内同一个时间点采集的数据取平均值，则得到这一类负荷数据的一天480个采集时间点对应的采集数据平均值，然后采用带L2约束的最小二乘法对该480个数据点进行拟合，得到该负荷点该月份该类日的标准负荷曲线，具体地，该最小二乘法的目标函数为：
Figure FDA0002620516230000041
其中，
Figure FDA0002620516230000042
为数据拟合前选定的基函数；a0～an为基函数的系数，是标量；a是由a0～an组成的向量[a0，a1，...，an]；(xi，yi)为一个负荷数据点，一共有480个，即n＝479，xi为横坐标即采集时间点，yi为纵坐标即采集的负荷数据值；
Figure FDA0002620516230000043
是由L2约束转化而来的拉格朗日函数项，||a||1为向量a的L1范数，||a||2为向量a的L2范数，λ为拉格朗日乘子，此处选用高斯核函数作为基函数：
Figure FDA0002620516230000044
其中，h为带宽；
步骤S6每个电能质量事件日的负荷曲线的拟合具体为：
以步骤S4中筛选出来的每个负荷点的T2天电能质量问题日的负荷数据为数据拟合的对象，遍历每个负荷点，遍历T2天中的每一天，采用带L2约束的最小二乘法对当天中480个数据点进行拟合，得到该天的电能质量问题下的实际负荷曲线；
步骤S7中对比结果曲线的形成具体为：
遍历每个负荷点，遍历T2天中每一天的电能质量问题下的实际负荷曲线，找出对应该月份该类日的标准负荷曲线，将这两条曲线进行对比，负荷缺失量不超过10％的为用户正常的负荷量波动，超出10％的部分有可能为电网侧电能质量问题引起的用户停电，还需要后续步骤进一步分析；以步长dx遍历横轴坐标，若电能质量问题下的负荷曲线对应的纵坐标值低于标准负荷曲线对应的纵坐标值，且它们相差超过标准负荷曲线对应的纵坐标值的10％，则输出纵坐标为1；若电能质量问题下的负荷曲线对应的纵坐标值高于标准负荷曲线对应的纵坐标值，或者电能质量问题下的负荷曲线对应的纵坐标值低于标准负荷曲线对应的纵坐标值，但它们相差不超过标准负荷曲线对应的纵坐标值的10％，则输出纵坐标为0，对每个负荷点，得到了T2天的纵坐标取值只有0或1的对比结果曲线；
步骤S8中计算出缺供电量及停电时间具体为：
通过步骤S1输入的元件连接关系和步骤S7得到的各负荷点的电能质量问题下的对比结果曲线，寻找同一10kV母线下的馈线中存在超过3个负荷点同一日期的对比结果曲线输出1的时段有重合的情况，找出这种重合的情况中涉及到的所有负荷点，对里面的每个负荷点执行以下操作：更新该负荷点的受电能质量问题事件影响的停电次数，即增加一次停电次数；找到重合时段的首时间点和末时间点的横坐标x1和x2，记录重合时段的时间长短作为该负荷点在本次电能质量问题事件中的停电时间；并对函数p(x)＝f1(x)-f2(x)在区间[x1,x2]内积分，积分值即为该负荷点在本次电能质量问题事件中的缺供电量，其中f1(x)为该负荷点的本次电能质量问题事件日对应的该月份该类日的标准负荷曲线，由步骤S5得到，f2(x)为该负荷点的本次电能质量问题事件日的实际负荷曲线，由步骤S6得到，经过步骤S8之后，将会得到待分析用户用电可靠性的配电网中所有负荷点近三年由于电能质量问题事件导致的停电次数、每次的停电时间、每次停电造成的缺供电量；对所有负荷点近三年由于电能质量问题事件导致的停电次数、每次的停电时间、每次停电造成的缺供电量都除以T再乘以365，得到所有负荷点平均每年由于电能质量问题事件导致的停电次数、每次的停电时间、每次停电造成的缺供电量。
2.根据权利要求1所述的基于模型驱动和数据驱动结合的用户用电可靠性分析方法，其特征在于，步骤S9中对S2中的系统级可靠性指标系统平均停电时间SAIDI、系统平均停电频率SAIFI、停电用户平均停电时间CAIDI、供电可靠率ASAI和期望缺供电量ENS进行修正，得到描述了用户用电体验的用户侧用电可靠性指标系统平均停电时间C-SAIDI、系统平均停电频率C-SAIFI、停电用户平均停电时间C-CAIDI、供电可靠率C-ASAI和期望缺供电量C-ENS，具体为：
Figure FDA0002620516230000071
Figure FDA0002620516230000072
Figure FDA0002620516230000073
Figure FDA0002620516230000074
Figure FDA0002620516230000075
其中，m为配电网中的负荷点个数；ki为负荷点i平均每年由于电能质量问题事件导致的停电次数；Ni为负荷点i的用户数；tij为负荷点i在第j次由于电能质量问题事件导致的停电事件中的停电持续时间；ensij为负荷点i在第j次由于电能质量问题事件导致的停电事件中的缺供电量。
CN202010234571.7A 2020-03-30 2020-03-30 基于模型驱动和数据驱动结合的用户用电可靠性分析方法 Active CN111222809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010234571.7A CN111222809B (zh) 2020-03-30 2020-03-30 基于模型驱动和数据驱动结合的用户用电可靠性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010234571.7A CN111222809B (zh) 2020-03-30 2020-03-30 基于模型驱动和数据驱动结合的用户用电可靠性分析方法

Publications (2)

Publication Number Publication Date
CN111222809A CN111222809A (zh) 2020-06-02
CN111222809B true CN111222809B (zh) 2020-09-25

Family

ID=70830068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010234571.7A Active CN111222809B (zh) 2020-03-30 2020-03-30 基于模型驱动和数据驱动结合的用户用电可靠性分析方法

Country Status (1)

Country Link
CN (1) CN111222809B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418194B (zh) * 2021-12-29 2022-10-11 广东电网有限责任公司 基于数据驱动和模型驱动的杆塔损毁预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182815A (zh) * 2012-10-22 2014-12-03 国网山东省电力公司青岛供电公司 一种供电可靠性获取方法和系统
CN104732349A (zh) * 2015-03-30 2015-06-24 国家电网公司 一种电网规划方法
CN105761280A (zh) * 2016-03-11 2016-07-13 南京航空航天大学 一种基于l1-l2范数联合约束的视觉跟踪方法
JP2017112709A (ja) * 2015-12-16 2017-06-22 株式会社日立製作所 電圧安定度監視装置および方法
CN109636232A (zh) * 2018-12-26 2019-04-16 天津大学 一种基于用户感知可靠性的配网关键性元件识别方法
CN110147961A (zh) * 2019-05-23 2019-08-20 华南理工大学 配电自动化条件下考虑用户差异的配电网可靠性分析方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110016063A1 (en) * 2009-07-17 2011-01-20 Gridpoint, Inc. System and methods for smart charging techniques
US9210714B2 (en) * 2012-09-06 2015-12-08 Dell Products, Lp Method and apparatus for predicting mobile device wireless link quality of service requirements along a predicted path
CN106487008A (zh) * 2016-11-22 2017-03-08 国网新疆电力公司乌鲁木齐供电公司 基于负荷关联系数的单元制中压配电网规划方法
CN109584102A (zh) * 2018-12-20 2019-04-05 天津大学 一种基于用户感知的配电网可靠性评估分析方法
CN110472894A (zh) * 2019-09-07 2019-11-19 陈赞 一种基于智能配电网的电力用户用电评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182815A (zh) * 2012-10-22 2014-12-03 国网山东省电力公司青岛供电公司 一种供电可靠性获取方法和系统
CN104732349A (zh) * 2015-03-30 2015-06-24 国家电网公司 一种电网规划方法
JP2017112709A (ja) * 2015-12-16 2017-06-22 株式会社日立製作所 電圧安定度監視装置および方法
CN105761280A (zh) * 2016-03-11 2016-07-13 南京航空航天大学 一种基于l1-l2范数联合约束的视觉跟踪方法
CN109636232A (zh) * 2018-12-26 2019-04-16 天津大学 一种基于用户感知可靠性的配网关键性元件识别方法
CN110147961A (zh) * 2019-05-23 2019-08-20 华南理工大学 配电自动化条件下考虑用户差异的配电网可靠性分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于电能数据的配电网用电可靠性评估分析;陈丹伶;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200115(第01期);第2-4章 *
计及电压暂降的供电可靠性评估方法研究;李玲;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200115(第01期);第2章 *

Also Published As

Publication number Publication date
CN111222809A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
Volkanovski et al. Application of the fault tree analysis for assessment of power system reliability
Han et al. Volatility spillovers in Australian electricity markets
CN110807550B (zh) 基于神经网络的配变重过载识别预警方法及终端设备
JP2009089594A (ja) 検針データを利用した電力設備の時空間負荷分析システム及び負荷の計算方法
CN111582700B (zh) 一种配电网设备故障率计算方法
CN109146124A (zh) 一种基于时变失效率的配电终端改造决策方法
CN107769202A (zh) 计及天气模型的基于模糊Petri网的配电网可靠性评估方法
CN111222809B (zh) 基于模型驱动和数据驱动结合的用户用电可靠性分析方法
CN116014790A (zh) 一种含分布式能源的配电网弹性评估方法
Sun et al. A framework for dynamic prediction of reliability weaknesses in power transmission systems based on imbalanced data
Solver Reliability in performance-based regulation
Kjølle et al. Interruption costs and time dependencies in quality of supply regulation
Herman et al. On the adequacy of electricity reliability indices in South Africa
Hossan et al. Deployment of conservation voltage reduction in sample feeders: A systemwide energy-savings analysis
Deboever et al. Impact of AMI data time granularity on quasi-static time-series load flow simulation
Qiu Risk assessment of power system catastrophic failures and hidden failure monitoring & control system
Watts et al. The Need for Consumer-Centric Reliability Metrics
CN104915787A (zh) 设备故障率修正及配电网可靠性评估的方法及系统
CN113239029A (zh) 一种电能表缺失日冻结数据的补全方法
Celli et al. A Robust Approach to manage Demand Response for power distribution system planning
Fang et al. Calculation method of outage probability of distribution network based on real-time failure rate of equipment
Pan et al. Condition based failure rate modeling for electric network components
Hälvä Development of Process Data Utilization in Proactive Network Management
Agrawal et al. A tool for real time demand estimation
CN117154723B (zh) 基于多源数据和模型融合的台区短期负荷预测方法及系统

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
GR01 Patent grant
GR01 Patent grant