大数据分析技术在智能配电网中的需求与应用研究.docx

《大数据分析技术在智能配电网中的需求与应用研究.docx》由会员分享，可在线阅读，更多相关《大数据分析技术在智能配电网中的需求与应用研究.docx（3页珍藏版）》请在第一文库网上搜索。

1、大数据分析技术在智能配电网中的需求与应用研究智能配电网中存在大量异构多源的数据，其中的数据规模和特点符合大数据的各项特征。首先总结配电网大数据的来源和特征，然后从智能配电网中的应用场景出发，分别从配电网负荷预测、运行状态评估与预警、电能质量监测和评估、基于配电网数据融合的停电优化等方面进行分析。从不同系统和不同数据结构角度，对多源数据融合中的不良数据辨识进行重点分析，同时还归纳了配电网大数据分析手段。通过在配电网中运行大数据的分析技术，能够为智能配电网开展分析提供强有力的计算和分析条件,大数据的分析结果可为配电网规划和安全运行提供数据支撑，也可有效提升配电网各类资产健康水平。O前言在信息技术中

2、，大数据是指无法在一定时间内，用常规的工具软件（如现有数据库管理工具或数据处理应用）对其内容进行抓取、管理、存储、搜索、共享、分析和可视化处理的由数量巨大、结构复杂、类型众多数据构成的大型复杂数据集合。配电网处于电力系统的末端，具有地域分布广、电网规模大、设备种类多、网络连接多样、运行方式多变等鲜明特点。随着城镇化建设和用电需求的增长，配电网一直在不断地改造和扩建，其规模也不断扩大，国网公司系统内大多数县级以上配电网的规模都已达到百条馈线以上，一些中、大型城市的中压馈线已达到或超过千条。随着配电自动化、用电信息采集等应用系统的推广应用，对于有千条馈线的大规模配电网，配电网中会产生指数级增长的海

3、量异构、多态的数据，数据集合的大小可达到当今信息学界所关注的大数据级别。分布式电源接入电网后，向电网调度机构提供的信息至少应当包括：1）电源并网状态、有功和无功输出、发电量；2）电源并网点母线电压、频率和注入电力系统的有功功率、无功功率；3）变压器分接头档位、断路器和隔离开关状态。因此，分布式电源接入后，在原己规模很大的配电网数据采集中新增了一组需采集的数据项，同时也会恶化配电网数据采集的非健全性和不确定性。鉴于大数据在电力系统的应用场景越来越多，有必要对大数据在配电网的应用场景和目标进行分析与总结，为大数据技术在智能电网中的应用提供有益的参考。1配电网大数据分析应用场景1.1 面向有源配电网

4、规划的负荷预测随着配电网信息化的快速发展和电力需求影响因素的逐渐增多,用电预测的大数据特征日益凸显，传统的用电预测方法已经不再适用。由于智能预测方法具备良好的非线性拟合能力，因此近年来用电预测领域出现了大量的研究成果，遗传算法、粒子群算法、支持向量机和人工神经网络等智能预测算法开始广泛地应用于用电预测中。传统的用电负荷预测，受限于较窄的数据采集渠道或较低的数据集成、存储和处理能力，使得研究人员难以从其中挖掘出更有价值的信息。通过将体量更大、类型更多的电力大数据作为分析样本可以实现对电力负荷的时间分布和空间分布预测，为规划设计、电网运行调度提供依据，提升决策的准确性和有效性。1.2 配电网运行状

5、态评估与预警基于大数据技术的配电网运行状态评估与预警研究内容如图1所示，包括以下方面：图1有源配电网运行状态评估和风险预警通过计算风险指标，判断出所面临风险的类型；预测从现在起未来一段时间内配电网所面临的风险情况;根据风险类型辨识结果,生成相应的预防控制方案,供调度决策人员参考；可以对突发性的风险和累积性风险进行准确辨识、定位、类型判断、生成预防控制方案等；依据对多源异构的数据分析，将风险准确定位到局部，进一步对全网或局部电网的风险状况进行集中判断、定位以及预防控制。1.3 有源配电网电能质量监测和评估随着分布式电源不断地接入配电网，逐步形成了小、中、大规模的有源配电网。伴随着分布式电源的功率

6、波动，配电网中的电能质量经受着较大的冲击。通过收集配电网中的运行数据、负荷数据、分布式电源运行等数据，能够开展配电网中的电能质量分析和评估研究,从而得出精细化的配电网网架和无功源的调节方案等。1.4 基于配电网数据融合的停电优化配电网停电优化是建立在配电网调度自动化系统、配电自动化系统、用电信息采集系统、配网设备管理系统、配电设备检修管理系统、电网图形及地理图形信息和营销管理系统等的基础上，综合分析配电网运行的实时信息、设备检修信息等，以找出最终的最优停电方案。计划停电管理根据计划停电（包括检修和限电等）的要求，进行系统模拟，以最小的停电范围、最短的停电时间、最小的停电损失、最小的停电用户来确

7、定停电设备，通过屏幕显示停电区域，列出停电的用户名单，打印用户停电通知书等等。采用传统技术在处理时存在计算速度慢、计算周期长、扩展性差等缺点。为了更加准确地计算配网停电损失，降低停电影响需要利用多个业务系统的海量数据进行联合分析和数据挖掘。2配电网多源数据融合中的不良数据辨识2.1 不良数据检测与辨识方法不良数据检测是指判断某次量测采样中是否存在不良数据。不良数据辨识是指在发现某次量测采样中存在不良数据后，确定哪个（或哪些）量测是不良数据。目前国内外己经提出多种不良数据检测与辨识的方法，大致分为以下2类：1）传统的不良数据检测方法包括目标函数极值检测法、加权残差法、检测法或标准化残差检测法、量

8、测量突变检测法等。传统的不良数据辨识方法主要有残差搜索法、非二次准则法、零残差法、估计辨识法等；2）相对传统的一些新理论和新方法主要有基于数据挖掘的模糊数学法、神经网络法、聚类分析法、间隙统计法等。这些方法大多针对传统配电网比较简单的小规模结构化数据。随着智能配电网规模的不断扩大、分布式电源的接入以及网络技术在配电系统中的广泛应用,对于配电网中达到大数据级别的不良数据的检测与辨识，传统方法很难达到处理需求。2.2 基于多源数据的不良数据辨识方法根据配电网大数据多源、多渠道的特点，可基于不同来源的数据进行互校核，实现不良数据的检测与辨识，包括电度量和量测量的互校核、不同数据系统间的互校核方法、不

9、同结构数据的互校核等。1）基于电度量与量测量互校核的不良数据检测方法。按获得方式分，配电网多源数据可划分为电度量与量测数据，可采用电度量与量测量互校核辨识不良数据。2）基于不同系统间数据互校核的不良数据检测方法。配电网多源数据按获得来源分，可分为来自不同系统的数据，来自不同系统间的数据可以进行互校核。3）基于不同结构数据互校核的不良数据检测方法。配电网中含有结构化数据、非结构化数据、半结构化数据，但是不同类型的数据可能包含相同的信息量。3配电网大数据分析方法和手段3.1 配电网数据特征聚类从配电网调度系统和负荷监测中提取不同区域、不同类型的用户负荷曲线，进行负荷特性聚类分析,为电力公司营销和负

10、荷管理提供依据,是近几年电力系统聚类分析的研究热点。通过对负荷曲线的聚类，可以作为负荷预测和电价预测的预处理过程；通过分析配电网线路和设备故障信息，形成具有相似变化的曲线簇，可更好地估计和抑制故障带来的影响。3.2 配电网数据特征分类分类通过已训练好的模型或分类规则来预测、标记未知的数据类。分类方法包括决策树归纳法、K最近邻法、向量空间模型法、贝叶斯分类法、支持向量机模糊分类及神经网络法等。在配电网配电变压器故隙识别和诊断中，可以通过贝叶斯分类方法将变压器故隙分类为内部或外部的接地和短路故隙；也可以用神经网络来识别包括高温、低能和高能状态等故隙类型。3.3 配电网大数据快速分析技术路线数据挖掘

11、技术的选择由相应需要解决的业务问题来决定。要解决一个业务问题，在一个数据挖掘的完整流程中，需要同时利用多种数据挖掘方法。例如在数据预处理阶段，可以通过统计性描述方法对数据的本质、质量进行探索和分析，利用无量纲化的模型对数据进行标准化处理，也可以用聚类分析对临群点进行探索等。基于配电网大数据聚类与分类技术，研究面向大规模配电网大数据的快速数据分析与处理技术。3.4 数据密集型计算手段目前分布式并行计算技术是数据密集型计算的主要手段。由于大数据的数据量和分布式的特点，使得传统的数据管理技术难以胜任这种海量数据。很多企业开始想方设法把大数据存储起来，不断地尝试新的大数据存储架构、研究大数据分析方法技术。分布式并行计算技术能够为大规模复杂配电网分析计算提供强大的支撑，并能为供电企业和用户提供大量的高附加值服务，这些增值服务将有利于电网安全监测与控制（包括故隙预警与处理、供电与电力调度决策支持和更准确的用电量预测）、客户用电行为分析与客户细分、电力企业精细化运营管理、更科学的需求侧管理等。