CN113033617A - 一种基于大数据台区线损数据深度挖掘分析方法 - Google Patents

Abstract

本发明提供了一种基于大数据台区线损数据深度挖掘分析方法，包括获取台区中电度表的历史电力数据，电度表所在台区的电力特征属性；对电力数据按照不同母线进行集成，集成后的电力数据按照不同种类线损模型计算母线电力线损；根据母线所在台区的电力特征属性对台区进行分类，并结合台区中各母线电力线损训练台区线损拟合模型；计算各母线实时电量不平衡率，判断故障母线所在台区，获取当前台区的电力特征属性，作为台区线损拟合模型的输入，计算当前母线电力预测线损。本发明通过开展大数据背景下母线电度表电力数据的分析研究，能够有效解决现有技术大量台区线损率分析和计算困难、线损率控制目标不明确、台区线损率异常无法判断等技术问题。

Description

一种基于大数据台区线损数据深度挖掘分析方法

技术领域

本发明涉及电力线损技术领域，具体涉及一种基于大数据台区线损数据深度挖掘分析方法。

背景技术

在电力系统中，线损率是电网中电能在传输过程中的损耗量与向电网供应电能的百分比，是评价电网损耗水平的主要指标。在构成电网的各个电压等级中，10kV及以下配电网产生的电能损耗占到全网损耗的较大部分，是造成电网线损率较高的关键性因素。基于台区电能计量仪器设备很多，线损的影响因素可能包括接线错误、数据信息采集完成度、关口CT倍率出错率、部分不良用户的偷窃电行为等。

台区是指(一台)配电变压器下的低压电网供电范围或供电区域。目前，电力系统对低压客户全面实行分台区管理，台区线损直接反映了一个地区的电网营销管理水平。在现有低压配网台区线损的分析测算方法中，随着变电站、用户终端等现场电能量采集技术的进步和智能电表的普及，台区线损指标数据虽然便于收集，但电能计量装置的采集数据海量，接线方式复杂、故障类型繁多，仅依靠传统的现场排查会导致工作量骤增，缺少有针对性的线损数据深度分析的方法。

因此，如何提供一种基于大数据分析，准确地对台区线损数据进行深度挖掘的方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于大数据台区线损数据深度挖掘分析方法，通过开展大数据背景下母线电度表电力数据的分析研究，能够有效解决现有技术大量台区线损率分析和计算困难、线损率控制目标不明确、台区线损率异常无法判断等技术问题，同时也是深化智能电网建设，推动电力大数据管理技术发展的有效途径。

为了实现上述目的，本发明采用如下技术方案：

一种基于大数据台区线损数据深度挖掘分析方法，包括如下步骤：

S1、获取台区中电度表的历史电力数据，以及电度表所在台区的电力特征属性；

S2、对所述历史电力数据按照不同母线进行集成，集成后的电力数据按照不同种类线损模型计算母线电力线损；

S3、根据S2各母线所在台区的电力特征属性对台区进行分类，并结合台区中各母线电力线损训练台区线损拟合模型；

S4、计算各母线实时电量不平衡率，并判断故障母线所在台区，获取当前台区的电力特征属性，作为台区线损拟合模型的输入，计算当前母线电力预测线损，判断线损类型。

本发明通过对比分析历史母线电力线损与相应台区电力特征属性的关联关系，最终生成计算迅速高效、结果准确性较高的台区线损拟合模型，从而利用该模型对台区线损进行计算分析，充分利用现有信息系统和数据挖掘技术，为台区线损率分析和管理提供了系统解决方案，有助于解决台区线损分析和管理困难的问题，促进台区线损率的精细化管理。

优选的，所述S1中电力特征属性包括：台区属性、配变容量、台区供电半径、线缆类型、低压线路总长度、电力用户数、总功率因数、负载率、年平均线损率和用电性质及比例。

优选的，所述S2中对所述电力数据按照不同母线进行集成具体包括：

根据母线编号对不同母线的电力数据进行划分；

使用正则表达式对各个母线的电力数据进行集成。

优选的，所述S2中不同种类线损模型包括：用户异常停电数据线损计算模型、表计负荷数据线损计算模型和理论线损计算模型；根据所述不同种类线损模型分别计算历史电力数据中不同种类异常数据对应的线损。

优选的，所述S3中根据S2各母线所在台区的电力特征属性对台区进行分类具体包括：

S311、通过给定台区电力特征属性，利用Hunt算法将电力特征属性划分为若干子集，以递归方式建立决策树，构造台区先算合理性决策树模型，决策树中设Dt是与节点t相关联的记录集，y＝{y1,y2,…,yc}是类标号；决策算法包括：

S312、如果Dt中所有记录都属于同一个类yt，则t是叶节点，用yt标记；

S313、如果Dt中包含属于多个类的记录，则选择一个属性测试条件，将记录划分为下一级子集；

S314、对于记录条件的每个输出，创建一个子节点，并根据测试结果将Dt中的记录分布到子节点中；

S315、对每个子节点，递归地调用该决策算法。

优选的，所述S3训练台区线损拟合模型具体包括：

S321、将分好的各类台区赋予不同标签；

S322、将不同台区标签和相应台区中各母线电力线损作为台区线损多元线性回归计算算法的输入和输出，训练得到各类别的台区线损拟合模型。

优选的，所述S4中计算各母线实时电量不平衡率，并判断故障母线所在台区具体包括：

S41、逐一将各种类型故障还原成对应的正常运行情况；

S42、计算还原后的母线不平衡率，若合格，则表示出现该种类型的故障。

经由上述的技术方案可知，与现有技术相比，本发明的有益效果包括：

本发明通过获取台区历史电力数据，按照不同母线进行集成，集成后的电力数据按照不同种类线损模型计算母线电力线损，进一步获取电度表所在台区的电力特征属性；根据电力特征属性对台区进行分类，并结合台区中各母线电力线损训练台区线损拟合模型，能够有效应用于故障母线的线损类型预测。本发明的台区线损拟合模型计算方法可以快速对种类繁多、数量庞大的台区线损计算数据进行分析、筛选、归类，提高计算的效率及精准度。减轻了线损管理人员的工作量；解决了现有技术大量台区线损率分析和计算困难、线损率控制目标不明确、台区线损率异常无法判断等技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图；

图1为本发明实施例提供的一种基于大数据台区线损数据深度挖掘分析方法的流程图；

图2为本发明实施例提供的不同种类线损模型示意图。

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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。

参见图1所示流程图，本实施例公开的一种基于大数据台区线损数据深度挖掘分析方法，包括如下步骤：

S1、获取台区中电度表的历史电力数据，以及电度表所在台区的电力特征属性。本步骤具体执行过程包括：

通过ETL获取与电度表连接的电力设备设备台账数据、设备状态数据；获取关口表计档案、关口表底数据；获取用户表计数据、表计表底数据；获取台区、用户档案数据、表计数据、发行电量数据。

电力特征属性包括：台区属性、配变容量、台区供电半径、线缆类型、低压线路总长度、电力用户数、总功率因数、负载率、年平均线损率、用电性质及比例。

S2、对历史电力数据按照不同母线进行集成，集成后的电力数据按照不同种类线损模型计算母线电力线损。本步骤具体执行过程包括：

不同母线设定区分编号，根据母线编号对不同母线的电力数据进行划分；属于同一母线上的电度表数据隶属于同一母线编号。

本步骤采用正则表达式进行匹配，JAVA内置的正则表达式基本满足要求，也可将匹配规则写成PERL脚本，其对文本的处理更加全面。通过数据治理工具定义正则表达式模式库，其中的关键词可以成组进行，关联关系实现正则表达式匹配从而将各个业务系统抽取上来数据进行集成。

不同种类线损模型包括：用户异常停电数据线损计算模型、表计负荷数据线损计算模型、理论线损计算模型；根据不同种类线损模型分别计算历史电力数据中不同种类异常数据对应的线损。

用户异常停电数据线损计算模型执行采集异常估算、CT档案异常分析、户变关系异常分析、表计异动异常分析的线损试算；

表计负荷数据线损计算模型执行负载异常、三相不平衡、超容分析、功率异常、失压失流异常的线损试算；

理论线损计算模型执行积分电流法、回归线损计算、大数据线损计算，其中大数据线损计算包含电量容量比特性、波动特性、用户行业特性和尖峰谷的计算。

S3、根据S2各母线所在台区的电力特征属性对台区进行分类，并结合台区中各母线电力线损训练台区线损拟合模型。本步骤具体执行过程包括：

根据S2各母线所在台区的电力特征属性对台区进行分类的步骤：

S311、通过给定台区电力特征属性，利用Hunt算法将电力特征属性划分为若干子集，以递归方式建立决策树，构造台区先算合理性决策树模型，决策树中设Dt是与节点t相关联的记录集，y＝{y1,y2,…,yc}是类标号；决策算法包括：

S312、如果Dt中所有记录都属于同一个类yt，则t是叶节点，用yt标记；

S313、如果Dt中包含属于多个类的记录，则选择一个属性测试条件，将记录划分为下一级子集；

S314、对于记录条件的每个输出，创建一个子节点，并根据测试结果将Dt中的记录分布到子节点中；

S315、对每个子节点，递归地调用该决策算法。

训练台区线损拟合模型的步骤：

S321、将分好的各类台区赋予不同标签；

S322、将不同台区标签和相应台区中各母线电力线损作为台区线损多元线性回归计算算法的输入和输出，训练得到各类别的台区线损拟合模型。

S4、计算各母线实时电量不平衡率，并判断故障母线所在台区，获取当前台区的电力特征属性，作为台区线损拟合模型的输入，计算当前母线电力预测线损，判断线损类型。本步骤具体执行步骤包括：

S41、逐一将各种类型故障还原成对应的正常运行情况；

S42、计算还原后的母线不平衡率，若合格，则表示出现该种类型的故障。

母线电量不平衡率异常辨识方法：

步骤1、根据电力系统运行拓扑结构，将进出线进行归类，并计算每类进出线对应的母线不平衡率，找出母线不平衡率异常的电度表集合R＝{R₁,R₂,…,R_i,…,R_N}，此类电度表上传的电量为W＝{W₁,W₂,…,W_i,…,W_N}。

步骤2、判断电度表集合R的接线方式，根据接线方式对电度表集合R的电量数值进行逐一分析，判断故障。

本发明通过对比分析历史母线电力线损与相应台区电力特征属性的关联关系，最终生成计算迅速高效、结果准确性较高的台区线损拟合模型，从而利用该模型对台区线损进行计算分析，充分利用现有信息系统和数据挖掘技术，为台区线损率分析和管理提供了系统解决方案，有助于解决台区线损分析和管理困难的问题，促进台区线损率的精细化管理。

以上对本发明所提供的基于大数据台区线损数据深度挖掘分析方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

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，在其它实施例中实现。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。

Claims (7)

1.一种基于大数据台区线损数据深度挖掘分析方法，其特征在于，包括如下步骤：

S1、获取台区中电度表的历史电力数据，以及电度表所在台区的电力特征属性；

S2、对所述历史电力数据按照不同母线进行集成，集成后的电力数据按照不同种类线损模型计算母线电力线损；

S3、根据S2各母线所在台区的电力特征属性对台区进行分类，并结合台区中各母线电力线损训练台区线损拟合模型；

S4、计算各母线实时电量不平衡率，并判断故障母线所在台区，获取当前台区的电力特征属性，作为台区线损拟合模型的输入，计算当前母线电力预测线损，判断线损类型。

2.根据权利要求1所述的基于大数据台区线损数据深度挖掘分析方法，其特征在于，所述S1中电力特征属性包括：台区属性、配变容量、台区供电半径、线缆类型、低压线路总长度、电力用户数、总功率因数、负载率、年平均线损率和用电性质及比例。

3.根据权利要求1所述的基于大数据台区线损数据深度挖掘分析方法，其特征在于，所述S2中对所述电力数据按照不同母线进行集成具体包括：

根据母线编号对不同母线的电力数据进行划分；

使用正则表达式对各个母线的电力数据进行集成。

4.根据权利要求1所述的基于大数据台区线损数据深度挖掘分析方法，其特征在于，所述S2中不同种类线损模型包括：用户异常停电数据线损计算模型、表计负荷数据线损计算模型和理论线损计算模型；根据所述不同种类线损模型分别计算历史电力数据中不同种类异常数据对应的线损。

5.根据权利要求2所述的基于大数据台区线损数据深度挖掘分析方法，其特征在于，所述S3中根据S2各母线所在台区的电力特征属性对台区进行分类具体包括：

S311、通过给定台区电力特征属性，利用Hunt算法将电力特征属性划分为若干子集，以递归方式建立决策树，构造台区先算合理性决策树模型，决策树中设Dt是与节点t相关联的记录集，y＝{y1,y2,…,yc}是类标号；决策算法包括：

S312、如果Dt中所有记录都属于同一个类yt，则t是叶节点，用yt标记；

S313、如果Dt中包含属于多个类的记录，则选择一个属性测试条件，将记录划分为下一级子集；

S314、对于记录条件的每个输出，创建一个子节点，并根据测试结果将Dt中的记录分布到子节点中；

S315、对每个子节点，递归地调用该决策算法。

6.根据权利要求1所述的基于大数据台区线损数据深度挖掘分析方法，其特征在于，所述S3训练台区线损拟合模型具体包括：

S321、将分好的各类台区赋予不同标签；

S322、将不同台区标签和相应台区中各母线电力线损作为台区线损多元线性回归计算算法的输入和输出，训练得到各类别的台区线损拟合模型。

7.根据权利要求1所述的基于大数据台区线损数据深度挖掘分析方法，其特征在于，所述S4中计算各母线实时电量不平衡率，并判断故障母线所在台区具体包括：

S41、逐一将各种类型故障还原成对应的正常运行情况；

S42、计算还原后的母线不平衡率，若合格，则表示出现该种类型的故障。

Images