CN111985718A - 一种基于数据驱动的配电变压器选型推荐方法 - Google Patents
一种基于数据驱动的配电变压器选型推荐方法 Download PDFInfo
- Publication number
- CN111985718A CN111985718A CN202010861760.7A CN202010861760A CN111985718A CN 111985718 A CN111985718 A CN 111985718A CN 202010861760 A CN202010861760 A CN 202010861760A CN 111985718 A CN111985718 A CN 111985718A
- Authority
- CN
- China
- Prior art keywords
- type
- distribution
- distribution transformer
- transformers
- application scene
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000007654 immersion Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004146 energy storage Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010187 selection method Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/04—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
- 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
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于数据驱动的配电变压器选型推荐方法,属于电网运维技术领域。其包括以下步骤:对配电变压器应用场景进行划分,并确定待选型配电变压器的种类;分别计算S1中该种类所有配电变压器过去1年内历史状态得分的平均值;根据投运时间的差异,分别计算S2中各种型号配电变压器1年内的平均得分;统计投运时间在1到5年,平均得分超过90分的配电变压器型号;统计投运时间在6到10年,平均得分超过85分的配电变压器型号;统计投运时间在10年以上,平均得分超过80分的配电变压器型号。本发明能够客观进行配电变压器选型,使得选型出来的配电变压器能够更加合理的匹配其所对应的用户台区。
Description
技术领域
本发明涉及电网运维技术领域,具体是一种基于数据驱动的配电变压器选型推荐方法。
背景技术
配电变压器(简称:配变)作为配电网中最关键的设备,其是否能够安全可靠运行直接影响着用户的用电质量。配电变压器一旦出现故障,就很有可能会引发停电事件,这将严重影响用户的用电体验,甚至造成巨大的经济损失和恶劣的社会影响。但是目前电网相关工作人员在进行配电变压器选型时,大多是根据自己的经验,从经济性的角度出发,再考虑节能性和安全性等因素。这种方式对参与选型的工作人员的综合素质要求很高,一旦其经验不足,就很有可能做出错误的判断,从而导致不合理的选型,具有很强烈的主观性。
公布号为CN 111260152 A的专利文献公开了一种配电变压器优化选型方法,收集台区可供选择的配电变压器型号及相关参数,根据台区上一年的负荷数据,基于预测规划期内第n年的负荷,设定负荷区间宽度,根据负荷值的大小将负荷区间从小到大排列,得到负荷分布曲线,统计最大概率系数下的负荷区间,计算变压器的经济运行区上限和下限,得出变压器的经济运行区间,计算变压器经济容量的选择区间,建立考虑风险成本的配电变压器全寿命周期成本模型,计算序列内各配电变压器的全寿命周期成本,选择总成本最小的变压器型号作为优选变压器。该发明通过考虑负荷区间最大概率分布系数及风险成本,有效地提供了一种利用效率高、运行成本低、可以保证变压器更优化运行的方法。但是,该发明不能根据配电变压器的种类进行选型推荐,选型准确度不高。
公布号为CN 109617054 A的专利文献公开了一种考虑光储系统接入的配电变压器定容选型方法,具体步骤为:收集配变技术经济参数、储能技术参数、负荷年增长率等数据;分别收集配变低压侧负荷、光伏出力与高压侧电压N天的历史数据样本,建立基于多参数正态分布的负荷、光伏出力与高压侧电压时序概率模型;建立以配变全寿命周期成本最小为目标,考虑配变低压侧电压、负载率机会约束、配变运行寿命约束与储能主动调控影响的配变选型定容双层优化模型;采用灾变遗传算法求解上层规划模型,采用广义下降梯度法结合三点估计法求解下层运行模型,得到配变最佳配置方案。该发明考虑了负荷、光伏随机性与储能主动调控对配变选型定容的影响,体现了配变配置方案的科学性与经济性。但是,该发明也未考虑不同种类配电变压器的选型差别,不能给出合理的匹配其所对应的用户台区的选型推荐方法。
发明内容
有鉴于此,本发明针对现有技术的不足,提供的一种从数据驱动的角度出发,根据电网中正在投运的配电变压器的运行状态,客观进行配电变压器选型,使得选型出来的配电变压器能够更加合理的匹配其所对应的用户台区的基于数据驱动的配电变压器选型推荐方法。
为解决上述技术问题,本发明所采取的技术方案是:一种基于数据驱动的配电变压器选型推荐方法,包括以下步骤:
S1:对配电变压器应用场景进行划分,并确定待选型配电变压器的种类;
S2:分别计算S1中该种类所有配电变压器过去1年内历史状态得分的平均值;
S3:根据投运时间的差异,分别计算S2中各种型号配电变压器1年内的平均得分;
S4:统计投运时间在1到5年,平均得分超过90分的配电变压器型号;统计投运时间在6到10年,平均得分超过85分的配电变压器型号;统计投运时间在10年以上,平均得分超过80分的配电变压器型号;若统计到的配电变压器型号为0种,则查询该配电变压器所属的上一类应用场景下的所有配电变压器,若不为0种,则结束流程,并将选型推荐的结果反馈给用户;
S5:重复执行S2-S4,直到统计到的配电变压器型号不为0种或者在其所属的第一类应用场景中统计到的配电变压器型号为0种为止。
进一步的,S1中,三类应用场景包括第一类应用场景、第二类应用场景和第三类应用场景,所述第一类应用场景根据配电变压器类型的不同,包括柱上干式、柱上油浸式、配电房干式和配电房油浸式,所述第二类应用场景根据地区特征的不同,包括柱上干式农村、柱上干式乡镇、柱上干式城镇、柱上干式市区、柱上干式市中心区、柱上油浸式农村、柱上油浸式乡镇、柱上油浸式城镇、柱上油浸式市区、柱上油浸式市中心区、配电房干式农村、配电房干式乡镇、配电房干式城镇、配电房干式市区、配电房干式市中心区、配电房油浸式农村、配电房油浸式乡镇、配电房油浸式城镇、配电房油浸式市区和配电房油浸式市中心区,所述第三类应用场景通过对第二类应用场景进一步划分所得。
进一步的,对配电变压器应用场景的划分方法,包括以下步骤:
步骤(1):首先根据配电变压器类型的不同和地区特征的不同,对配电变压器应用场景进行初步分类;步骤(2):提取用于聚类的特征,并对这些特征进行降维;步骤(3):采用改进K-means聚类算法对第二类应用场景进行进一步的划分;步骤(4):采用CH指数法对聚类效果进行评价;步骤(5):对评价结果进行分析后得到配变应用场景的最终划分结果。
进一步的,步骤(2)中,对配电变压器第二类应用场景的进一步划分,即对配电变压器所辖台区下用户的用电行为进行划分,配电变压器的有功功率作为聚类的特征,对数据进行降维处理后得到聚类的特征维度共5个,分别为:1年内平时的平均有功功率值、1年内周末的平均有功功率值、1年内普通节假日的平均有功功率值、1年内春节时期的平均有功功率值和1年内酷暑时期的平均有功功率值。
进一步的,步骤(3)中,改进K-means聚类算法对第二类应用场景进行划分的方法,包括以下步骤:步骤a.通过肘部法则求取初始聚类簇数k;步骤b.使用K-means++算法中聚类中心的选取方法,来选取分布均匀的聚类中心;步骤c.根据最小距离原则,将距离聚类中心最近的样本点划分到该聚类中心所在簇;步骤d.计算各个簇新的聚类中心;步骤e.判断各个簇的聚类中心是否变化,若是,更新各个簇的聚类中心后,转至步骤c,若不是,结束,输出结果。
进一步的,待选型配电变压器的种类有3种,第一种配电变压器为参与过聚类的未来需要更换的配电变压器,第二种配电变压器为未参与聚类的未来需要更换的配电变压器,第三种配电变压器为未来新增的配电变压器。
进一步的,在对第一种配电变压器进行选型时,首先需要找到该配电变压器所在的第三类应用场景,再进行接下来的选型推荐流程;在对第二种配电变压器进行选型时,首先需要找到该配电变压器所在的第二类应用场景,再进行接下来的选型推荐流程;在对第一种配电变压器进行选型时,首先需要根据其未来对应台区的类型,将它的应用场景设置为某个第二类应用场景或者某个第一类应用场景,再进行接下来的选型推荐流程。
进一步的,在对某应用场景下的某台配电变压器进行选型推荐时,若统计到某投运时间下满足要求的配电变压器型号大于等于2种,就推荐该投运时间下得分较高的2种配电变压器型号,否则就推荐该投运时间下满足要求的所有配电变压器型号。
配电变压器是配电网中的重要电力设备,其使用量大,应用范围广,运行时间长,节能潜力巨大。因此,在配电变压器选型时,现有技术人员容易想到的是计算变压器负荷区间,通过考虑负荷区间最大概率分布系数及风险成本来进行优化选型,如公布号为CN111260152 A专利文献公开的一种配电变压器优化选型方法,收集台区可供选择的配电变压器型号及相关参数,根据台区上一年的负荷数据,基于预测规划期内第n年的负荷,设定负荷区间宽度,根据负荷值的大小将负荷区间从小到大排列,得到负荷分布曲线,统计最大概率系数下的负荷区间,计算变压器的经济运行区上限和下限,得出变压器的经济运行区间,计算变压器经济容量的选择区间,建立考虑风险成本的配电变压器全寿命周期成本模型,计算序列内各配电变压器的全寿命周期成本,选择总成本最小的变压器型号作为优选变压器;又如公布号为CN 109617054 A专利文献公开的一种考虑光储系统接入的配电变压器定容选型方法,具体步骤为:收集配变技术经济参数、储能技术参数、负荷年增长率等数据;分别收集配变低压侧负荷、光伏出力与高压侧电压N天的历史数据样本,建立基于多参数正态分布的负荷、光伏出力与高压侧电压时序概率模型;建立以配变全寿命周期成本最小为目标,考虑配变低压侧电压、负载率机会约束、配变运行寿命约束与储能主动调控影响的配变选型定容双层优化模型;采用灾变遗传算法求解上层规划模型,采用广义下降梯度法结合三点估计法求解下层运行模型,得到配变最佳配置方案;以上两项专利文献均基于成本、节能等要求提出了优化配电变压器的选型方法,因此,本领域技术人员不容易想到本申请通过划分应用场景以及配电变压器种类,并且进行针对性的选型推荐,从而提高合理性的技术方案。
对于应用场景的划分、配电变压器种类的区分,需要统合考虑各种因素,如地区特征、用电行为等,而且配电变压器所辖台区下用户的用电行为存在非一致性的特点,如用户的用电行为在平时、周末、普通节假日、春节和酷暑这些时期会有明显的差异,处理数据时需要通过多种算法进行数据降维、聚类、处理等,因此,本申请针对不同配电变压器在不同应用场景中的选型推荐方法,对于本领域技术人员来说是不容易实现的。
与现有技术相比,本发明的有益效果如下:
本发明根据低压配电网用户的用电习惯、用电行为和其他相关属性,提出配电变压器应用场景的划分方法,根据划分好的配电变压器应用场景和配电变压器的历史状态评估结果,推荐给电网相关工作人员同一应用场景下评估得分较高的对应型号配电变压器,有助于配电变压器的合理选型,有助于配电变压器的安全可靠运行,有助于提高配电网的供电可靠性。
通过本发明,当电网相关工作人员需要进行配电变压器选型时,能够根据划分好的配电变压器应用场景和配电变压器的历史状态评估结果,推荐给其同一应用场景下评估得分较高的对应型号配电变压器,从而有助于配电变压器的合理选型。
附图说明
图1是本发明配电变压器选型推荐方法流程图;
图2是本发明配电变压器应用场景划分方法流程图;
图3是本发明改进的K-means聚类算法流程图;
图4是本发明实施例四中肘部法则效果图;
图5是本发明实施例四中K-means++算法聚类结果图;
图6是本发明实施例四中CH指数法评价聚类效果图;
图7是本发明实施例四中不同类应用场景下的配电变压器在各个时期的平均有功功率示意图;
图8是本发明实施例四中同一类应用场景下不同配电变压器在各个时期的平均有功功率示意图。
具体实施方式
为了更好地理解本发明,下面结合实施例进一步清楚阐述本发明的内容,但本发明的保护内容不仅仅局限于下面的实施例。在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员来说显而易见的是,本发明可以无需一个或多个这些细节而得以实施。
实施例一
如图1所示,一种基于数据驱动的配电变压器选型推荐方法,包括以下步骤:
S1:对配电变压器应用场景进行划分,并确定待选型配电变压器的种类;
S2:分别计算S1中该种类所有配电变压器过去1年内历史状态得分的平均值;
S3:根据投运时间的差异,分别计算S2中各种型号配电变压器1年内的平均得分;
S4:统计投运时间在1到5年,平均得分超过90分的配电变压器型号;统计投运时间在6到10年,平均得分超过85分的配电变压器型号;统计投运时间在10年以上,平均得分超过80分的配电变压器型号;若统计到的配电变压器型号为0种,则查询该配电变压器所属的上一类应用场景下的所有配电变压器,若不为0种,则结束流程,并将选型推荐的结果反馈给用户;
S5:重复执行S2-S4,直到统计到的配电变压器型号不为0种或者在其所属的第一类应用场景中统计到的配电变压器型号为0种为止。
S1中,三类应用场景包括第一类应用场景、第二类应用场景和第三类应用场景,所述第一类应用场景根据配电变压器类型的不同,包括柱上干式、柱上油浸式、配电房干式和配电房油浸式,所述第二类应用场景根据地区特征的不同,包括柱上干式农村、柱上干式乡镇、柱上干式城镇、柱上干式市区、柱上干式市中心区、柱上油浸式农村、柱上油浸式乡镇、柱上油浸式城镇、柱上油浸式市区、柱上油浸式市中心区、配电房干式农村、配电房干式乡镇、配电房干式城镇、配电房干式市区、配电房干式市中心区、配电房油浸式农村、配电房油浸式乡镇、配电房油浸式城镇、配电房油浸式市区和配电房油浸式市中心区,所述第三类应用场景通过对第二类应用场景进一步划分所得。
待选型配电变压器的种类有3种,第一种配电变压器为参与过聚类的未来需要更换的配电变压器,第二种配电变压器为未参与聚类的未来需要更换的配电变压器,第三种配电变压器为未来新增的配电变压器。
在对第一种配电变压器进行选型时,首先需要找到该配电变压器所在的第三类应用场景,再进行接下来的选型推荐流程;在对第二种配电变压器进行选型时,首先需要找到该配电变压器所在的第二类应用场景,再进行接下来的选型推荐流程;在对第一种配电变压器进行选型时,首先需要根据其未来对应台区的类型,将它的应用场景设置为某个第二类应用场景或者某个第一类应用场景,再进行接下来的选型推荐流程。
实施例二
如图2、图3所示,本发明实施例的基于数据驱动的配电变压器选型推荐方法,与实施例一的不同之处在于:
对配电变压器应用场景的划分方法,包括以下步骤:
步骤(1):首先根据配电变压器类型的不同和地区特征的不同,对配电变压器应用场景进行初步分类;步骤(2):提取用于聚类的特征,并对这些特征进行降维;步骤(3):采用改进K-means聚类算法对第二类应用场景进行进一步的划分;步骤(4):采用CH指数法对聚类效果进行评价;步骤(5):对评价结果进行分析后得到配变应用场景的最终划分结果。
步骤(2)中,对配电变压器第二类应用场景的进一步划分,即对配电变压器所辖台区下用户的用电行为进行划分,配电变压器的有功功率作为聚类的特征,对数据进行降维处理后得到聚类的特征维度共5个,分别为:1年内平时的平均有功功率值、1年内周末的平均有功功率值、1年内普通节假日的平均有功功率值、1年内春节时期的平均有功功率值和1年内酷暑时期的平均有功功率值。
步骤(3)中,改进K-means聚类算法对第二类应用场景进行划分的方法,包括以下步骤:步骤a.通过肘部法则求取初始聚类簇数k;步骤b.使用K-means++算法中聚类中心的选取方法,来选取分布均匀的聚类中心;步骤c.根据最小距离原则,将距离聚类中心最近的样本点划分到该聚类中心所在簇;步骤d.计算各个簇新的聚类中心;步骤e.判断各个簇的聚类中心是否变化,若是,更新各个簇的聚类中心后,转至步骤c,若不是,结束,输出结果。
实施例三
本发明实施例的基于数据驱动的配电变压器选型推荐方法,与实施例一、二的不同之处在于:在对某应用场景下的某台配电变压器进行选型推荐时,若统计到某投运时间下满足要求的配电变压器型号大于等于2种,就推荐该投运时间下得分较高的2种配电变压器型号,否则就推荐该投运时间下满足要求的所有配电变压器型号。
实施例四
本发明实施例的基于数据驱动的配电变压器选型推荐方法,与实施例一、二、三的不同之处在于:
以某供电局为例,某供电局目前共有7000多台在运状态的配电变压器,根据配电变压器类型的不同和地区特征的差异,这些配电变压器可初步分为4种第一类应用场景和20种第二类应用场景,由于其中的13种第二类应用场景下的配电变压器台数太少,故需要进行进一步聚类的第二类应用场景只有7种,它们分别为:柱上油浸式市中心区、柱上油浸式市区、柱上油浸式城镇、柱上油浸式农村、配电房干式市区、配电房干式农村和配电房油浸式市区。在剔除掉这7种应用场景下数据不完整或者无效的配电变压器后,以柱上油浸式场景为例展示了配电变压器的分布情况,如表1所示:
表1 某供电局配电变压器信息表
一、采用改进K-means算法聚类
本发明实施例中,选用的数据集为柱上油浸式农村下的2661台配电变压器。
(1)通过肘部法则获取初始聚类簇数k
如图4所示为肘部法则效果图,其肘部拐点为3,故通过肘部法则得到的初始聚类簇数为3。
(2)采用K-means++算法分别对数据集的聚类簇数为k-1、k和k+1时聚类
如图5所示为K-means++算法聚类结果图,当聚类簇数k=2时,将2661台配电变压器划分为两类,这两类的配电变压器台数分别为513台和2148台;以此类推。
(3)通过CH指数法评价聚类效果
如图6所示为CH指数法评价聚类效果图,当聚类簇数k=4时,其CH值最高。由于CH值越高,聚类效果越好,故通过CH指数法可以得到,聚类簇数k=4时聚类效果最好。
(4)分析CH指数法评价结果,确定应用场景的最终划分结果
如图7所示,为不同类应用场景下的配电变压器在各个时期的平均有功功率示意图;如图8所示,为同一类应用场景下不同配电变压器在各个时期的平均有功功率示意图,选取的是通过聚类划分的4个类中的第1个类,其他类的效果也类似。图中的纵坐标均为平均有功功率的数值,单位为W。
对比图7和图8,可以发现当聚类簇数为4时,不同类应用场景下的配电变压器在各个时期的平均有功功率值都具有比较明显的差别,而同一类应用场景下的不同配电变压器在各个时期的平均有功功率值均差异很小,这说明将柱上油浸式农村这一应用场景下的2661台配电变压器划分为4个类是比较好的聚类结果,与CH指数法得出的结果一致。此外,其他6种第二类应用场景下配电变压器的聚类过程与上述过程类似,故此处不再赘述。
(5)配电变压器应用场景的的最终划分结果
某供电局目前共有7000多台在运状态的配电变压器,根据配电变压器类型的不同,配电变压器应用场景可分为4种第一类应用场景:柱上干式、柱上油浸式、配电房干式和配电房油浸式;根据所处地区特征的差异,可进一步细分为20种第二类应用场景:柱上干式农村、柱上干式乡镇、柱上干式城镇、柱上干式市区、柱上干式市中心区和柱上油浸式农村,以此类推。在这些配电变压器第二类应用场景中,共有7种需进行进一步的聚类。在使用改进的K-means算法对这些配电变压器进行相似场景聚类后,得到如表2所示结果,即配电变压器的第三类应用场景被划分为27种。
表2 配电变压器第三类应用场景的划分结果
为了统一命名配电变压器的第三类应用场景,将柱上油浸式农村下的4个应用场景分别记为应用场景1、应用场景2、应用场景3和应用场景4;将柱上油浸式城镇下的3个应用场景分别记为应用场景5、应用场景6和应用场景7;以此类推。
(6)配电变压器选型推荐实例分析
根据某供电局的一份配电网设备的故障分析报告,该供电局所辖的某台额定容量为200KVA,型号为S11-200的油浸式配电变压器发生故障,并造成其所在用户台区停电。对其开展运维工作,决定更换变压器,故针对该配电变压器所属台区进行配电变压器选型推荐。
配电变压器具体的选型流程如下所示:
第一步:该配电变压器属于待选型的第1种配电变压器,按照配电变压器选型推荐方法流程,首先需要根据该配电变压器所在的第三类应用场景,找到该应用场景下的所有配电变压器,该配电变压器属于配电变压器第三类应用场景下的应用场景1,该应用场景下共有55台配电变压器;
第二步:分别计算这55台配电变压器过去1年内历史状态得分的平均值;
第三步:根据投运时间的差异,分别计算各种型号配电变压器1年内的平均得分;
第四步:统计到投运时间在1到5年,平均得分超过90分的配电变压器型号有一种:S11-400/10,其1年内的平均得分为90.63分;统计到投运时间在6到10年,平均得分超过85分的配电变压器型号有两种:S11-315和S11-M-400/10,它们1年内的平均得分分别为88.94分和85.71分;没有统计到投运时间在10年以上,平均得分超过80分的配电变压器型号。
这三种型号的配电变压器及其最终得分即为该故障配电变压器选型推荐的结果。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于数据驱动的配电变压器选型推荐方法,其特征在于,包括以下步骤:
S1:对配电变压器应用场景进行划分,并确定待选型配电变压器的种类;
S2:分别计算S1中该种类所有配电变压器过去1年内历史状态得分的平均值;
S3:根据投运时间的差异,分别计算S2中各种型号配电变压器1年内的平均得分;
S4:统计投运时间在1到5年,平均得分超过90分的配电变压器型号;统计投运时间在6到10年,平均得分超过85分的配电变压器型号;统计投运时间在10年以上,平均得分超过80分的配电变压器型号;若统计到的配电变压器型号为0种,则查询该配电变压器所属的上一类应用场景下的所有配电变压器,若不为0种,则结束流程,并将选型推荐的结果反馈给用户;
S5:重复执行S2-S4,直到统计到的配电变压器型号不为0种或者在其所属的第一类应用场景中统计到的配电变压器型号为0种为止。
2.如权利要求1所述的基于数据驱动的配电变压器选型推荐方法,其特征在于:S1中,三类应用场景包括第一类应用场景、第二类应用场景和第三类应用场景,所述第一类应用场景根据配电变压器类型的不同,包括柱上干式、柱上油浸式、配电房干式和配电房油浸式,所述第二类应用场景根据地区特征的不同,包括柱上干式农村、柱上干式乡镇、柱上干式城镇、柱上干式市区、柱上干式市中心区、柱上油浸式农村、柱上油浸式乡镇、柱上油浸式城镇、柱上油浸式市区、柱上油浸式市中心区、配电房干式农村、配电房干式乡镇、配电房干式城镇、配电房干式市区、配电房干式市中心区、配电房油浸式农村、配电房油浸式乡镇、配电房油浸式城镇、配电房油浸式市区和配电房油浸式市中心区,所述第三类应用场景通过对第二类应用场景进一步划分所得。
3.如权利要求2所述的基于数据驱动的配电变压器选型推荐方法,其特征在于:对配电变压器应用场景的划分方法,包括以下步骤:
步骤(1):首先根据配电变压器类型的不同和地区特征的不同,对配电变压器应用场景进行初步分类;步骤(2):提取用于聚类的特征,并对这些特征进行降维;步骤(3):采用改进K-means聚类算法对第二类应用场景进行进一步的划分;步骤(4):采用CH指数法对聚类效果进行评价;步骤(5):对评价结果进行分析后得到配变应用场景的最终划分结果。
4.如权利要求3所述的基于数据驱动的配电变压器选型推荐方法,其特征在于:步骤(2)中,对配电变压器第二类应用场景的进一步划分,即对配电变压器所辖台区下用户的用电行为进行划分,配电变压器的有功功率作为聚类的特征,对数据进行降维处理后得到聚类的特征维度共5个,分别为:1年内平时的平均有功功率值、1年内周末的平均有功功率值、1年内普通节假日的平均有功功率值、1年内春节时期的平均有功功率值和1年内酷暑时期的平均有功功率值。
5.如权利要求4所述的基于数据驱动的配电变压器选型推荐方法,其特征在于:步骤(3)中,改进K-means聚类算法对第二类应用场景进行划分的方法,包括以下步骤:步骤a.通过肘部法则求取初始聚类簇数k;步骤b.使用K-means++算法中聚类中心的选取方法,来选取分布均匀的聚类中心;步骤c.根据最小距离原则,将距离聚类中心最近的样本点划分到该聚类中心所在簇;步骤d.计算各个簇新的聚类中心;步骤e.判断各个簇的聚类中心是否变化,若是,更新各个簇的聚类中心后,转至步骤c,若不是,结束,输出结果。
6.如权利要求5所述的基于数据驱动的配电变压器选型推荐方法,其特征在于:待选型配电变压器的种类有3种,第一种配电变压器为参与过聚类的未来需要更换的配电变压器,第二种配电变压器为未参与聚类的未来需要更换的配电变压器,第三种配电变压器为未来新增的配电变压器。
7.如权利要求6所述的基于数据驱动的配电变压器选型推荐方法,其特征在于:在对第一种配电变压器进行选型时,首先需要找到该配电变压器所在的第三类应用场景,再进行接下来的选型推荐流程;在对第二种配电变压器进行选型时,首先需要找到该配电变压器所在的第二类应用场景,再进行接下来的选型推荐流程;在对第一种配电变压器进行选型时,首先需要根据其未来对应台区的类型,将它的应用场景设置为某个第二类应用场景或者某个第一类应用场景,再进行接下来的选型推荐流程。
8.如权利要求7所述的基于数据驱动的配电变压器选型推荐方法,其特征在于:在对某应用场景下的某台配电变压器进行选型推荐时,若统计到某投运时间下满足要求的配电变压器型号大于等于2种,就推荐该投运时间下得分较高的2种配电变压器型号,否则就推荐该投运时间下满足要求的所有配电变压器型号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010861760.7A CN111985718B (zh) | 2020-08-25 | 2020-08-25 | 一种基于数据驱动的配电变压器选型推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010861760.7A CN111985718B (zh) | 2020-08-25 | 2020-08-25 | 一种基于数据驱动的配电变压器选型推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985718A true CN111985718A (zh) | 2020-11-24 |
CN111985718B CN111985718B (zh) | 2022-09-20 |
Family
ID=73442693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010861760.7A Active CN111985718B (zh) | 2020-08-25 | 2020-08-25 | 一种基于数据驱动的配电变压器选型推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985718B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488404A (zh) * | 2020-12-07 | 2021-03-12 | 广西电网有限责任公司电力科学研究院 | 一种配电网大规模电力负荷多线程高效预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104092215A (zh) * | 2014-06-24 | 2014-10-08 | 广东电网公司佛山供电局 | 配电变压器容量控制方法与系统 |
CN109558897A (zh) * | 2018-11-08 | 2019-04-02 | 华北电力大学 | 一种基于数据挖掘的电网规划多场景提取方法 |
CN109617054A (zh) * | 2018-12-13 | 2019-04-12 | 华南理工大学 | 一种考虑光储系统接入的配电变压器定容选型方法 |
CN110807552A (zh) * | 2019-10-30 | 2020-02-18 | 合肥工业大学 | 一种基于改进K-means的城市电动客车行驶工况构建方法 |
WO2020058479A1 (en) * | 2018-09-20 | 2020-03-26 | Siemens Aktiengesellschaft | Method, apparatus and device for evaluating the state of a distribution transformer, and a medium and a program |
CN111260152A (zh) * | 2020-02-13 | 2020-06-09 | 长沙理工大学 | 配电变压器优化选型方法 |
-
2020
- 2020-08-25 CN CN202010861760.7A patent/CN111985718B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104092215A (zh) * | 2014-06-24 | 2014-10-08 | 广东电网公司佛山供电局 | 配电变压器容量控制方法与系统 |
WO2020058479A1 (en) * | 2018-09-20 | 2020-03-26 | Siemens Aktiengesellschaft | Method, apparatus and device for evaluating the state of a distribution transformer, and a medium and a program |
CN109558897A (zh) * | 2018-11-08 | 2019-04-02 | 华北电力大学 | 一种基于数据挖掘的电网规划多场景提取方法 |
CN109617054A (zh) * | 2018-12-13 | 2019-04-12 | 华南理工大学 | 一种考虑光储系统接入的配电变压器定容选型方法 |
CN110807552A (zh) * | 2019-10-30 | 2020-02-18 | 合肥工业大学 | 一种基于改进K-means的城市电动客车行驶工况构建方法 |
CN111260152A (zh) * | 2020-02-13 | 2020-06-09 | 长沙理工大学 | 配电变压器优化选型方法 |
Non-Patent Citations (6)
Title |
---|
成新苗等: "基于设备全生命周期的配电变压器优选方法研究", 《电工技术》 * |
杨楠等: "计及不确定性和全寿命周期成本的配电变压器规划方法", 《电力系统自动化》 * |
段浩等: "基于降损理论的配电变压器选型优化方法", 《电力系统及其自动化学报》 * |
王晓京: "500kV变电站主变压器的选型问题", 《电力设备》 * |
范敏等: "K近邻的自适应谱聚类快速算法", 《重庆大学学报》 * |
谢荣斌等: "基于改进K-means聚类的变压器异常状态识别模型", 《电力大数据》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488404A (zh) * | 2020-12-07 | 2021-03-12 | 广西电网有限责任公司电力科学研究院 | 一种配电网大规模电力负荷多线程高效预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111985718B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111429027A (zh) | 一种基于大数据的地区输电网运行多维度分析方法 | |
CN111680764B (zh) | 一种行业复工复产程度监控方法 | |
CN110119948B (zh) | 基于时变权重动态组合的电力用户信用评价方法及系统 | |
CN103632306A (zh) | 一种基于聚类分析的配电网供电区域划分方法 | |
CN110690701A (zh) | 一种异常线损影响因素的分析方法 | |
CN107169655A (zh) | 一种优选配电网方案适应性的方法及装置 | |
CN111985718B (zh) | 一种基于数据驱动的配电变压器选型推荐方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN113189418A (zh) | 一种基于电压数据的拓扑关系识别方法 | |
CN116701965A (zh) | 一种基于birch聚类算法的企业用户全景碳画像方法 | |
CN115392735A (zh) | 光伏电站工作性能监测方法、系统、设备及介质 | |
CN109146316A (zh) | 电力营销稽查方法、装置及计算机可读存储介质 | |
CN116796906A (zh) | 基于数据融合的电力配电网投资预测分析系统及方法 | |
CN111915211A (zh) | 一种电力资源调度方法、装置和电子设备 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN110852370A (zh) | 基于聚类算法的大工业用户细分方法 | |
CN108182453B (zh) | 一种用户停电敏感度分类方法 | |
CN112241812B (zh) | 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 | |
CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
CN112488360B (zh) | 基于人工智能的配变异常分析预警方法 | |
CN115409264A (zh) | 基于馈线故障预测的配电网抢修驻点位置优化方法 | |
CN114204554A (zh) | 一种用于智能电网系统使用的调控运行安全性评价方法 | |
CN110543977B (zh) | 一种基于多元负荷平准化视角的区域建筑群混合优化方法 | |
Chen et al. | Spatial–temporal information model-based load current interval prediction for transmission lines | |
CN116166940B (zh) | 一种基于热力图的用户电力负荷时间特性分类识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |