一种基于大数据技术的智能配电网接入方法
技术领域
本发明属于电网接入技术领域,具体涉及一种基于大数据技术的智能配电网接入方法。
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。合理的预测配变可利用容量和制定用户接入方案,对于配网配变经济运行来说是至关重要的。如何合理计算配变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配变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配变资源浪费、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配变的状态,可能导致用户接入方案不合理,若后期改动容易造成供电损耗,不利于提高配电网的供电可靠性,配变运行风险难以有效预防。
发明内容
本发明所要解决的技术问题是克服上述现有技术的不足,提供一种基于大数据技术的智能配电网接入方法,保证用户接入方案的准确率,提高配电变压器利用率。
本发明解决其技术问题所采取的技术方案为:其包括以下步骤,
第一步:计算配变近三年月度最大负荷;
第二步:将第一步结果最大负荷拆分为趋势项、季节项与随机项。
第三步:运用GBDT回归算法对配变未来一年月最大负荷进行预测;
第四步:计算配变未来一年每月可利用容量;
第五步:在地图上标注出配变位置、配变未来一年最低可利用容量和用户报装接电位置。
第六步:判定新用户是否可以接入该配变。
第七步:计算新用户与周边可接入配变之间所需架设输电线路距离,制定最优用户接入方案。
进一步地,第一步中,抽取配变近三年的历史运行数据,然后根据上述运行数据计算配变近三年月度最大负荷;
所述历史运行数据包括配变日常运行24点负荷数据、配变档案信息和用户报装档案数据;
计算配变近三年月度最大负荷为获取所述历史运行数据中每一配变每月日度负荷中最大的五项,取其均值作为配变月最大负荷。
进一步地,第二步中为运用X13季节调整算法将第一步的近三年月度最大负荷拆分为趋势项、季节项与随机项,具体步骤如下:
(1)建立regARIMA模型;
(2)构建X-11算法加法模型。
进一步地,步骤(1)中,regARIMA模型为:
假定存在一个时间序列:
式中,Yt是被解释的时间序列,即配变月度最大负荷,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。
进一步地,建立ARIMAX模型,在季节调整之前去掉对于时间序列中的确定性的影响。
进一步地,步骤(2)中,构建X-11算法加法模型包括以下步骤,
A)进行初始估计
运用“中心化12项”(2×12)移动平均估计第一月的趋势项,得到第一月的趋势项之后,原始配变月度最大负荷减去趋势项,得到第一阶段的季节和随机项之和,将季节项进行标准化处理,进而得到第一月季节调整后的序列;
B)利用Henderson移动平均估计季节项并进行季节调整
用13项Henderson移动平均估计第二月的趋势项,然后从原始序列中分离趋势项得到第二月的季节和随机项之和,对上述分量应用3×5移动平均估计最终的季节项并进行标准化处理进而得到第二月季节调整后的序列;
C)估计最终的Henderson趋势项和随机项
运用13项Henderson移动平均得到最终的趋势项,从第二月季节调整后的序列中剔除最终的趋势项,即得到最终的随机项。
进一步地,第三步中,运用GBDT回归算法,输入为依据月度负荷拆分的趋势项、季节项与随机项,输出分别为每个配变未来一年月最大负荷的趋势项预测结果、季节项预测结果与随机项预测结果。
进一步地,第四步中,依据第三步的配变未来1年月最大负荷预测结果与配变额定容量计算配变未来一年每月可利用容量。
进一步地,第五步中,依据报装接电用户用电经纬度、配变经纬度位置与第四步中计算的配变可利用容量,绘制供电能力地图,在地图上标注出配变位置、配变未来一年最低可利用容量、用户报装接电位置,得到供电能力地图。
进一步地,第六步中,依据供电能力地图搜索距离用户报装接电位置周边的配变,新用户报装容量与配变未来一年最低可利用容量进行新用户接入判别,如果新用户报装容量低于配变未来一年最低可利用容量,则判定用户可以接入该配变。本发明的有益效果:
1.首先,本发明利用电网现有的历史运行数据和可利用容量计算法计算配变未来一年最低可利用容量,并利用高德开放公众平台API绘制供电能力地图,就能在地图上标注配变当前的可利用容量额度;其次,依据用户报装位置等信息,结合周边配变位置,计算出接电所需架设线路距离,得出用户最优接入方案;采用本发明的技术方案,可实现全省各市、县用户接入方案快速合理制定,提升业扩报装流程效率。
2.本发明既可以反映配变当前的可利用容量的趋势与变化,又有较强的自我调整能力,可以精确预测配变运行负荷明细,合理计算配变可利用容量,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,提高配变利用率。
附图说明
图1为本发明的流程示意图;
图2为第三步将季节项、趋势项和随机项输入到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的流程示意图;
图3为本发明实施例绘制的供电能力地图示意图。
具体实施方式
下面结合实施例对本发明作进一步的详述,但本发明的范围并不仅仅局限于此,其要求保护的范围记载于权利要求的权项中。下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1-图3所示,本发明提供了一种基于大数据技术的智能配电网接入方法,包括下列步骤:
第一步:计算配变近三年月度最大负荷。
抽取配变近三年的历史运行数据,然后根据上述运行数据计算配变近三年月度最大负荷;所述历史运行数据包括配变日常运行24点负荷数据和配变档案信息;
计算配变近三年月度最大负荷为获取所述历史运行数据中每一配变每月日度负荷中最大的五项,取其均值作为配变月最大负荷,这样可以防止极大值的影响。
具体地,利用现有的用电信息采集系统库中抽取配变近三年的历史运行数据、配变档案、配变运行数据和用户报装档案数据,具体地,配变档案包括配变ID、配变额定容量、配变和配变经纬度数据;配变运行数据包括采集系统对配变日常运行的24点运行采集数据。
考虑到配网配变运行中有突发情况,会出现极大值,影响预测精准率,故本实施例要获取配网配变月最大负荷,以提高预测精准率。本实施例获取历史运行数据中每一配变每月中日度最大负荷中最大的五项,然后后取其均值作为配网配变月最大负荷,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。
第二步:运用X13季节调整算法将第一步的近三年月度最大负荷拆分为趋势项、季节项与随机项,具体步骤如下:
(1)建立regARIMA模型;
(2)构建X-11算法加法模型。
本实施例的X13方法其主要特征为:
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。
具体如下:
步骤(1)中,regARIMA模型为: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:
假定存在一个时间序列:
式中,Yt是被解释的时间序列,即配变月度最大负荷,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。
建立ARIMAX模型,在季节调整之前去掉对于时间序列中的确定性的影响。
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,对于时间序列中的确定性的影响,如节假日和贸易日,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(2)中,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项,周期循环分量,随机项和趋势分量。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,本发明中为配变最近3年的月度最大负荷数据,TCt,St,It分别表示配变最近3年月度最大负荷拆分出的趋势项、季节项和随机项,三项之和即为当月的最大负荷。加法模型的基本步骤为:
加法模型的基本步骤为:
A)进行初始估计
进行初始估计,运用“中心化12项”(2×12)移动平均估计第一月的趋势项
TC为趋势项,Y
t为配变月度最大负荷,得到第一月的趋势项之后,用原始配变月度最大负荷减去趋势项,得到第一月的季节和随机项之和
即
为上述分量应用移动平均估计季节项并将季节项进行标准化处理,得到
进而得到第一月季节调整后的序列
即:
B)利用Henderson移动平均估计季节项并进行季节调整
本发明运用13项Henderson移动平均估计第二月的趋势项,即
然后从原始序列中分离趋势项得到第二月的季节和随机项之和,对上述分量应用3×5移动平均估计最终的季节项并进行标准化处理进而得到第二月季节调整后的序列
初始结果如下
其中,
TC为趋势项,I为随机项,Yt为月度最大负荷,St为季节项。
C)估计最终的Henderson趋势项和随机项。对
运用13项Henderson移动平均得到最终的趋势项,初始结果为:
从第二月季节调整后的序列中剔除最终的趋势项,即得到最终的随机项,即:
最终经过季节调整的原始序列可以表示为趋势项,季节项和随机项之和,即:
其中,TC为趋势项,I为随机项,Yt为月度最大负荷,St为季节项。
X-13季节调整算法的基础是X-11加法模型,X-11加法模型是一系列的中心化移动平均。由于是中心化的移动平均,因此X-11加法模型在处理序列两端的数据存在困难。本发明使用的X13季节调整算法,通过引入regARIMA来对配变近三年月最大负荷序列进行预测扩展,从而部分解决了最新数据的移动平均。
本发明使用X13季节调整算法,输入项Yt为每个配变各自的历史三年月度最大负荷值,输出项
分别为每个配变各自的历史三年月度最大负荷拆分出的趋势项、季节项与随机项。
某配变某月的配变月最大负荷的拆分结果如表1所示。
本实施例中,输入项为每个配变各自的历史三年月度最大负荷值,输出项为每个配变各自的历史三年月度最大负荷拆分出的趋势项、季节项与随机项。
表1某配变某月的配网配变月最大负荷的拆分结果
配变编号 |
月度 |
负荷 |
季节项 |
趋势项 |
随机项 |
配变A |
月份N |
165.94 |
11.56072612 |
162.2960375 |
-7.91676366 |
配变A |
月份N+1 |
185.2 |
23.77364163 |
163.1120839 |
-1.68572553 |
…… |
月份N+… |
…… |
…… |
…… |
…… |
第三步:运用GBDT回归算法对配变未来一年月最大负荷进行预测,具体地为运用GBDT回归算法,输入项为第二步的趋势项、季节项与随机项,输出分别为每个配变未来一年月最大负荷的趋势项预测结果、季节项预测结果与随机项预测结果,然后将趋势项预测结果、季节项预测结果与随机项预测结果进行加和,即Yt=TC+St+It,其中Yt为月最大负荷预测结果,TC为趋势项预测结果、St为季节项预测结果,It为随机项预测结果。
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、设要预测的负荷为y,采用MSE均方误差作为损失函数:
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:
本发明中,X是每个配变各自的近三年月度最大负荷拆分出的趋势项、季节项与随机项,y是每个配变未来一年月度最大负荷的趋势项预测结果、季节项预测结果与随机项预测结果。
本步骤采用GBDT回归算法,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,利用GBDT回归算法构造季节项、趋势项、随机项预测模型,将季节项、趋势项和随机项输入到该预测模型,如附图2所示,分别得到每个配变未来一年月最大负荷的季节项预测结果、趋势项预测结果和随机项预测结果,如附表2所示。如有部分配变容量不足情况,负荷预测可指导业扩配网改造工程。将每一项预测结果求和,得出配变未来负荷趋势。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,即:
其中,Yt为月度最大负荷预测结果,TC为趋势项预测结果,I为随机项预测结果,St为季节项预测结果,得出负荷预测数据。某一配变负荷预测明细如表2所示,最右侧的“负荷”一栏示出了该配变的负荷预测数据。
表2某一配变负荷预测明细
本步骤运用GBDT回归算法,输入为第二步的趋势项、季节项与随机项,输出分别为每个配变未来一年月最大负荷的趋势项预测结果、季节项预测结果与随机项预测结果。
第四步:依据第三步的配变未来1年月最大负荷预测结果与配网档案信息得到配变额定容量配变额定容量计算配变未来一年每月可利用容量。
利用下述公式计算得到配变真实可利用容量;
K=E-M
式中,K为配变的可利用容量,E为配变额定容量,M为预测配变月最大负荷。
式中,预测配变月最大负荷:根据配网配变信息中的配变历史月度最大负荷、配变额定容量、线路容量、配变所带用户类型信息,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,分枝时穷举每一个特征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。
第五步中,依据报装接电用户用电经纬度、配变经纬度位置与第四步中计算的配变可利用容量,绘制供电能力地图,在地图上标注出配变位置、配变未来一年最低可利用容量、用户报装接电位置,得到供电能力地图。
具体地,基于上述配变信息,计算配变真实可利用容量,并基于可利用容量和高德开放平台API,绘制供电能力地图。利用配变经纬度数据,将配变位置信息利用高德地图API展现出来,得到供电能力地图,本实施例的具体样例图如附图3所示,其中
为用户申请用电位置,
为配变位置。
第六步:判定新用户是否可以接入该配变。依据供电能力地图搜索距离用户报装接电位置周边的配变,新用户报装容量与配变未来一年最低可利用容量进行新用户接入判别,如果新用户报装容量低于配变未来一年最低可利用容量,则判定用户可以接入该配变。本实施例中,用户报装容量为52KVA。
本实施例中,附图3标注出了用户申请用电位置与周边配变位置,每个配变标注了未来一年最低可利用容量,与用户申请报装容量进行比较,可以进行用户接入判别。
第七步:用户接电最优方案制定.计算新用户与周边可接入配变之间所需架设输电线路距离,制定最优用户接入方案。
具体地,依据用户用电位置与周边可接入配变的位置,计算所需架设的线路距离,确定用户接入周边哪个配变为最优方案。本实施例中,用户接电位置距离配变ID为04M72000014232273的配变距离最近且用户报装容量低于其未来一年最低可利用容量,因此该用户的最优接入方案是接入该配变。
本发明可以依据配变未来一年的可利用容量大小,相应用绿、黄、红三个颜色表示,为业扩人员进一步直观提供参考。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。