CN114860808A - 基于大数据的配电网设备异常事件关联分析方法 - Google Patents

Abstract

本发明公开了基于大数据的配电网设备异常事件关联分析方法，包括基于伴生事件设备比例的关联性预判；基于事件间隔天数的单台配变事件关联系数计算；考虑配变关联系数集中度的两类事件关联度计算；两类异常事件关联度强弱判断。本发明的有益效果是：量化分析配网设备异常事件间的关联关系及关联程度，辅助识别配网设备异常事件的伴生规律，以提前评估预判电网运行潜在风险，支撑配网的主动运维和主动检修工作，实现精准施策，高效提高供电可靠性，促进电网提质增效。

Description

基于大数据的配电网设备异常事件关联分析方法

技术领域

本发明属于配电网运行分析技术领域，尤其涉及一种基于大数据的配电网设备异常事件关联分析方法。

背景技术

随着社会和国民经济发展以及人民生活水平的迅速提高，对供电可靠性和电能质量等有了更高的要求。电力系统尤其配网系统点多面广，在运行过程中会受到外界各类因素的影响，配网设备运行时常常发生超重载、低电压、三相不平衡等异常事件，而这些异常事件与设备停运存在关联关系，并且异常事件间也存在伴生现象，是影响供电可靠性和供电优质服务的重要因素。电力系统中发生异常有可能进一步扩大，进而导致设备停电。目前，还没有对系统异常事件分析的研究。现状配网的运维、检修、抢修都是基于单一事件开展，缺乏对事件间伴生关系的量化评估与分析方法，不能对设备存在潜在关联关系的事件开展多目标联合运维、检修和抢修，造成异常事件接连发生、同一配网设备频繁停电的问题，影响电网安全及供电可靠性。

发明内容

本发明针对以上问题，提供了一种对异常事件间伴生关系的量化评估与分析，通过潜在关联联系，提高运维、检修和抢修可靠性，保证电网安全和供电可靠的基于大数据的配电网设备异常事件关联分析方法。

本发明的目的是采用下述技术方案实现的：包括下述步骤：

步骤(1)、基于伴生事件设备比例的关联性预判；

步骤(2)、基于事件间隔天数的单台配变事件关联系数计算；

步骤(3)、考虑配变关联系数集中度的两类事件关联度计算；

步骤(4)、两类异常事件关联度强弱判断。

步骤(1)包括下述步骤：

1.1)确定有待挖掘关联关系的设备事件类型，其中，事件类型包括配变超重载、三相不平衡、电压越限、配变失电；

1.2)分别统计每种事件类型在统计期内出现的次数n_k；

1.3)对所有的事件类型进行两两组合，分别求出第i种事件与第j种事件组合时，间隔天数d≤90，且为同一配变的次数n_ij；

1.4)设置阈值η，当n_ij>η时，初步判断两种事件可能有关联。

步骤1.4)中，当n_ij大于单异常事件在统计期内出现的总数的5％时，认为两种事件可能有关联；

阈值η的计算公式为：

η＝min(n_i·5％,n_j·5％) (1)

式中，n_i表示第i种事件在统计期内出现的总次数；n_j表示第j种事件在统计期内出现的总次数。

2.1)对于同时发生过至少两种异常事件的单台配变，计算两类事件发生的时间间隔天数d；

2.2)设置发生日期间隔天数d的阈值；

2.3)针对各台配变，计算两种事件基于时间间隔的关联系数r。

步骤2.3)中，当d>90时，认为无关联，不进行关联系数计算；当d≤90，关联系数计算为:

3.1)依据步骤(2)中的关联系数r计算出n_ij次的每次关联系数r_s，其中，s＝1,2,3,…，n_ij；计算关联系数r_s在其每个可能取值处的概率p_l；

3.2)对求得的p_l按照从大到小的顺序排列，记为p_l′，对应的关联系数取值为x_l′；

3.3)计算分散程度系数k；

3.4)计算关联度R_ij。

步骤3.1)中，令

为关联系数r_s在区间[0，1]上所有可能取值，其中，l＝1,2,3,…,90；

为关联系数在每个取值处的概率，其中，n_l为r_s＝x_l的总数，l＝1,2,3,…,90。

步骤3.3)中，当关联系数r_s在某取值处的概率大于0.7时，可认为r_s主要集中分布在该取值处；

设a为使得

的最小取值，当0≤a≤(90·0.7)时，k＝1-a/63；当(90·0.7)＜a≤90时，k＝0。

步骤3.4)中，关联度R_ij计算公式为:

式中,m为关联系数r_s所有取值为x_l′(l＝0,…,a)的总个数；r_s′为关联系数r_s中所有取值为x_l′(l＝0,…，a)的部分。

步骤(4)包括以下步骤：

1)设定关联度阈值ξ对存在关联的并发事件组合进行筛选；当R_ij≥ξ时，认为两个事件存在关联，阈值ξ设定为0.4；

2)判断两两事件组合的关联度强弱；

根据关联度计算结果划分强弱等级，判断关联度强弱；关联系数与关联性强弱的对应关系为可划分为：0.8＜R_ij≤1为极强关联；0.6＜R_ij≤0.8为强关联；0.4≤R_ij≤0.6为中等强度关联。

本发明基于实际工作的需求，提出一种基于大数据的配电网设备异常事件关联分析方法，可以量化分析配网设备异常事件、失电事件之间的关联关系及关联程度，挖掘配网设备异常事件的伴生规律，实现提前评估预判电网运行潜在风险，支撑配网的主动运维和主动检修工作，实现精准施策，高效提高供电可靠性，促进电网提质增效。

附图说明

图1为本发明的流程图，

图2是本发明实施方式的流程图。

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。

本发明如图1所示，包括以下步骤：

步骤(1)、基于伴生事件设备比例的关联性预判。这样，通过对各种两两事件组合场景下的配变数量分别占每个事件总配变数量的比例分析，剔除可认为是统计学小概率事件的事件组合场景，以缩减后续进一步开展关联度量化评价的计算场景数量。

步骤(2)、基于事件间隔天数的单台配变事件关联系数计算。这样，针对每个事件组合计算场景下，发生过不只一种事件的各台配变，基于该配变发生两个事件的时间间隔，计算得到单台配变两两伴生事件的关联系数，为步骤(3)开展两种事件整体关联度评价提供基础。

步骤(3)、考虑配变关联系数集中度的两类事件关联度计算。这样，在应用上一步得到的每一台存在事件伴生情况的配变发生两种事件的关联系数，计算得到两种事件类型的整体关联度计算结果。

步骤(4)、两类异常事件关联度强弱判断。通过给出关联度数值计算结果的关联度强弱区间判断规则，并以此直观表达各种两两事件组合场景的关联度强弱。

本发明中的分析方法，一是能够简便识别具有潜在关联量化分析价值的事件组合，降低复杂计算工作量，提高关联分析效率；二是在考虑单个设备关联系数数值信息的基础上，得出两两异常事件的总体关联度，更简洁、直观、准确的反映事件类型之间的整体关联，并且便于不同事件组合关联的横向比较。

步骤(1)中基于伴生事件设备比例的关联性预判方法具体为：

首先，对不同类型历史配电设备异常事件进行分析处理，得到调研统计期内所有待分析的事件类型(如配变超重载、三相不平衡、电压越限、配变失电等事件)，分别统计得到每种事件在统计期内出现的次数n_k；其次，对所有的事件类型进行两两组合，分别求出第i种事件与第j种事件组合时，间隔天数d≤90，且为同一配变的次数n_ij；最后，设置阈值η，当n_ij>η时，可初步判断两种事件可能有关联。该阈值应排除小概率事件，即当n_ij大于单异常事件在统计期内出现的总数的5％时，认为两种事件可能有关联。阈值η的计算公式为：

η＝min(n_i·5％,n_j·5％) (1)

式中，n_i表示第i种事件在统计期内出现的总次数；n_j表示第j种事件在统计期内出现的总次数。

步骤(2)中基于事件间隔天数的单台配变事件关联系数计算为：

对于同一配变，两个异常或失电事件之间的关联系数r与事件发生日期间隔天数d成反比关系，即随着间隔天数d的增大，关联系数r逐渐减小。结合过往经验分析，用户的用电特性一般具有季节性规律。鉴于此，将异常或失电事件发生日期间隔天数d的阈值定为90(即约三个月内)，即当d>90时，认为无关联，不进行关联系数计算；当d≤90，关联系数计算式为:

步骤(3)中考虑配变关联系数集中度的两类事件关联度计算方法为：

根据关联系数计算公式可分别计算出n_ij次的每次的关联系数r_s(s＝1,2,3,…，n_ij)，令

为关联系数r_s在区间[0，1]上所有可能取值,

为关联系数在每个取值处的概率，其中n_l为r_s＝x_l的总数。对求得的pl按照从大到小的顺序排列，记为p_l′，对应的关联系数取值为x_l′。排序后，从前至后逐步叠加，累计概率超过0.7时，即得到a值。

关联度R_ij计算公式为:

式中,k为分散程度系数，根据统计学经验以及反复的数据分析发现，当随机变量关联系数r_s在某取值处的概率大于0.7时，可认为r_s主要集中分布在该取值处，设a为使得

的最小取值，当0≤a≤63时k＝1-a/63，当63＜a≤90时k＝0；分散程度系数k的计算结果范围为[0,1]。引入分散程度系数k的含义在于体现当a取值越小，则说明关联系数数值分布越集中，关联度计算结果应越接近关联系数的均值；反之当a取值越大，则说明关联系数计算结果数值分布越离散，均值可信度降低；直至当a大于63时，即关联系数数值过于离散，并没有集中分布特征，均值计算结果不具有参考价值，此时k取0，后续关联度计算结果即为0。

m为关联系数r_s所有取值为x_l′(l＝0,…,a)的总个数；r_s′为关联系数r_s中所有取值为x_l′(l＝0,…,a)的部分。

步骤(4)中两类异常事件关联度强弱判断规则为：

根据式(3)计算出关联度R_ij的范围为[0，1]，即说明R_ij越接近1，关联性越强；R_ij越接近0，关联性越弱。

设定阈值ξ对存在关联的并发事件组合进行筛选，当R_ij>ξ时，认为两个事件存在关联。根据相关系数与关联性强弱关系将阈值ξ设定为0.4，即认为关联强弱在中等程度及以上的两个事件组合有关联。

可根据关联度计算结果划分强弱等级，判断关联度强弱。关联系数与关联性强弱的对应关系为可划分为：0.8＜R_ij≤1为极强关联；0.6＜R_ij≤0.8为强关联；0.4≤R_ij≤0.6为中等强度关联。

如图2所示，在应用中，包括：

从配电设备计量监测及运检系统中，采集近2年所有配电变压器的至少两种有待进行关联分析的异常事件。假设A1为事件一(如配变三相不平衡)，A2为事件二(如配变失电)。

分别统计得到两种事件在统计期内出现的次数n₁和n₂；

求出A1事件与A2事件组合时，间隔天数d≤90，且为同一配变的次数n₁₂；

计算阈值η，η＝min(n₁·5％,n₂·5％)

当n₁₂≤η时，则配电变压器台数同时发生两种事件的台数占比较低，为统计学小概率事件，可认为无关联，结束分析；

当n₁₂＞η时，认为两种事件可能有关联，继续进行关联度分析；

针对同时发生过A1事件与A2事件，且间隔天数d≤90的每一台配变，分别计算出的这n₁₂≤η次每次的关联系数r_s(s＝1,2,3,…，)；

计算关联系数r_s在其每个可能取值处的概率p_l，令

为关联系数r_s在区间[0，1]上所有可能取值,

为关联系数在每个取值处的概率，其中n_l为r_s＝x_l的总数；

对求得的p_l按照从大到小的顺序排列，记为p_l′，对应的关联系数取值为x_l′；

计算分散程度系数k，方法为设a为使得

的最小取值，当0≤a≤63时，k＝1-a/63，当63＜a≤90时，k＝0。当随机变量r_s在某取值处的概率大于0.7时，可认为r_s主要集中分布在该取值处；

计算最终关联度

m为关联系数r_s所有取值为x_l′(l＝0,…,a)的总个数；r_s′为关联系数r_s中所有取值为x_l′(l＝0,…,a)的部分。

通过设定阈值ξ＝0.4，依据最终关联度R判断A1事件与A2事件是否存在关联。其中，当R＜0.4时，认为A1事件与A2事件不具有关联；当R≥0.4时，A1事件与A2事件具有关联，则可参考A1事件的发生(如配变三相不平衡)来预判A2事件(如配变失电)，以改进运检策略。

可进一步的，根据关联度R计算结果绝对值的大小，判断关联度强弱。关联系数与关联性强弱的对应关系为可划分为：0.8＜R≤1为极强关联；0.6＜R≤0.8为强关联；0.4≤R≤0.6为中等强度关联。

当对多个两两事件组合进行分析后，可识别关联性更强的事件组合，辅助运检计划决策。

在实际的配电网运行、维护工作中配网设备经常发生异常事件，根据经验这些异常事件间及与失电事件间应该存在某些关联关系，但是又没有方法可以量化配网设备异常事件间的关联关系及程度。

本发明中的系统异常事件分析对设备失电预判和避免是具有重要意义的。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.基于大数据的配电网设备异常事件关联分析方法，其特征在于：包括下述步骤：

步骤(1)、基于伴生事件设备比例的关联性预判；

步骤(2)、基于事件间隔天数的单台配变事件关联系数计算；

步骤(3)、考虑配变关联系数集中度的两类事件关联度计算；

步骤(4)、两类异常事件关联度强弱判断。

2.根据权利要求1所述的基于大数据的配电网设备异常事件关联分析方法，其特征在于：

步骤(1)包括下述步骤：

1.1)确定有待挖掘关联关系的设备事件类型，其中，事件类型包括配变超重载、三相不平衡、电压越限、配变失电；

1.2)分别统计每种事件类型在统计期内出现的次数n_k；

1.3)对所有的事件类型进行两两组合，分别求出第i种事件与第j种事件组合时，间隔天数d≤90，且为同一配变的次数n_ij；

1.4)设置阈值η，当n_ij＞η时，初步判断两种事件可能有关联。

3.根据权利要求2所述的基于大数据的配电网设备异常事件关联分析方法，其特征在于：

步骤1.4)中，当n_ij大于单异常事件在统计期内出现的总数的5％时，认为两种事件可能有关联；

阈值η的计算公式为：

η＝min(n_i·5％,n_j·5％) (1)

式中，n_i表示第i种事件在统计期内出现的总次数；n_j表示第j种事件在统计期内出现的总次数。

4.根据权利要求1所述的基于大数据的配电网设备异常事件关联分析方法，其特征在于：步骤(2)包括以下步骤：

2.1)对于同时发生过至少两种异常事件的单台配变，计算两类事件发生的时间间隔天数d；

2.2)设置发生日期间隔天数d的阈值；

2.3)针对各台配变，计算两种事件基于时间间隔的关联系数r。

5.根据权利要求4所述的基于大数据的配电网设备异常事件关联分析方法，其特征在于：

步骤2.3)中，当d＞90时，认为无关联，不进行关联系数计算；当d≤90，关联系数计算为:

6.根据权利要求1所述的基于大数据的配电网设备异常事件关联分析方法，其特征在于：步骤(3)包括以下步骤：

3.1)依据步骤(2)中的关联系数r计算出n_ij次的每次关联系数r_s，其中，s＝1,2,3,…，n_ij；计算关联系数r_s在其每个可能取值处的概率p_l；

3.2)对求得的p_l按照从大到小的顺序排列，记为p_l′，对应的关联系数取值为x_l′；

3.3)计算分散程度系数k；

3.4)计算关联度R_ij。

7.根据权利要求6所述的基于大数据的配电网设备异常事件关联分析方法，其特征在于：

步骤3.1)中，令

为关联系数r_s在区间[0，1]上所有可能取值，其中，l＝1,2,3,…,90；

为关联系数在每个取值处的概率，其中，n_l为r_s＝x_l的总数，l＝1,2,3,…,90。

8.根据权利要求7所述的基于大数据的配电网设备异常事件关联分析方法，其特征在于：

步骤3.3)中，设a为使得

的最小取值，当0≤a≤(90·0.7)时，k＝1-a/63；当(90·0.7)＜a≤90时，k＝0。

9.根据权利要求8所述的基于大数据的配电网设备异常事件关联分析方法，其特征在于：

步骤3.4)中，关联度R_ij计算公式为:

式中,m为关联系数r_s所有取值为x_l′(l＝0,…,a)的总个数；r_s′为关联系数r_s中所有取值为x_l′(l＝0,…，a)的部分。

10.根据权利要求1所述的基于大数据的配电网设备异常事件关联分析方法，其特征在于：

步骤(4)包括以下步骤：

1)设定关联度阈值ξ对存在关联的并发事件组合进行筛选；当R_ij≥ξ时，认为两个事件存在关联，阈值ξ设定为0.4；

2)判断两两事件组合的关联度强弱；

根据关联度计算结果划分强弱等级，判断关联度强弱；关联系数与关联性强弱的对应关系为可划分为：0.8＜R_ij≤1为极强关联；0.6＜R_ij≤0.8为强关联；0.4≤R_ij≤0.6为中等强度关联。

Images