CN104616210A - 一种智能配电网大数据融合重构与交互方法 - Google Patents

Abstract

本发明公开了一种智能配电网大数据融合重构与交互方法，其特征在于：1)对智能配电网大数据进行初始聚类划分，根据智能配电网运行状态建立关联规则，实现扩展聚类的划分；2)将当前数据划归到基于历史数据的初始聚类中，基于关联规则预测运行状态，从而确定自愈控制策略，进行全景风险管控和自愈控制。本发明通过网格密度进行初始聚类划分，通过建立关联规则进行扩展聚类划分，实现智能配电网大数据融合重构与交互，有效提高数据流聚类效率及聚类精度，具有良好的可扩展性，实现智能配电网全景风险管控与自愈控制***集成，应用智能配电网大数据融合重构与交互方法，能够提高配电网控制智能化水平，增强配电网自愈控制功能。

Description

一种智能配电网大数据融合重构与交互方法

技术领域

本发明属于面向大数据的智能配电网全景风险管控与自愈技术研究领域，涉及一种智能配电网大数据融合重构与交互方法。

背景技术

配电网覆盖人口聚集地、现代工业和商业中心，用电负荷密度大，供电路径短，继电保护的配合难度大，配电线路接近运行极限，一旦出现突发事件将会影响整个配电网电力负荷的正常供电。随着大量分布式电源/微网/储能装置的接入，配电网的规模越来越庞大，结构越来越复杂，其运行特性和控制特性也在发生显著变化。因此，提高配电网控制的智能化水平，增强配电网的自愈能力是智能配电网发展的必然趋势。

配电、调度、营销关联愈加紧密化的同时产生大量信息，构成大数据的主要来源，使运营管控日益精细化成为可能。针对当前配电网影响因素众多、风险机理复杂、风险管控能力及电网自愈能力相对薄弱等问题，研究配电、调度、营销大数据融合技术，对基于复杂适应***理论的智能配电网自愈技术进行深入研究，实现配电、调度、营销数据融合与功能协调下的配电网风险有效管控与自愈，提高智能配电网安全可靠水平。因此，本发明提出基于大数据理论的配电、调度、营销全景数据融合重构技术，研究基于知识构建与推理的配电网全景风险管控决策支持技术，实现具备故障分析、供电恢复、运行优化功能的智能配电网自愈控制。

发明内容

为解决现有技术中的不足，本发明提供一种智能配电网大数据融合重构与交互方法，提出包含分布式电源、用电信息采集和调度实时数据在内的营配调一体化大数据分析和融合重构方法，构建基于关联规则的信息交互方法，解决了配电网控制智能化水平相对不高和配电网自愈控制能力薄弱的问题。

为了实现上述目标，本发明采用如下技术方案：。

一种智能配电网大数据融合重构与交互方法，其特征在于，包括步骤：

1)对智能配电网大数据进行初始聚类划分，根据智能配电网运行状态建立关联规则，实现扩展聚类的划分；

2)将当前数据划归到基于历史数据的初始聚类中，基于关联规则预测运行状态，从而确定自愈控制策略，进行全景风险管控和自愈控制。

前述的一种智能配电网大数据融合重构与交互方法，其特征在于，所述步骤1)具体步骤为：

1.1)将n维数据空间S中的每一维(S_j，j∈[1,n])等分成m份区间，得到数量为n×m粒度的多维网格构成的数据空间S；

1.2)扫描数据空间S并构建基于网格索引的数据流存储结构；数量为n×m粒度的多维网格中的每一个网格单元定义为四元组网格存储结构Grid_j,k,t＝(grid,number,density,time)，其中，grid为网格位置索引、number为网格内的数据点数、density为网格密度、time为最新接收数据时间；

1.3)统计分析数据流存储结构的底层网格密度density(Grid_j,k,t)，以单元网格密度最大的网格Grid_H1为中心，扫描其邻近的网格Grid，根据密度差别阈值ε决定是否将Grid与Grid_H1划分一类网格，并将与Grid_H1聚为一类的网格组合记为Class₁；

1.4)在剩余网格中，以单元网格密度最大的网格Grid_H2为中心，扫描其邻近的网格Grid，根据密度差别阈值ε决定是否将Grid与Grid_H2划分一类网格，并将与Grid_H2聚为一类的网格组合记为Class₂；

1.5)重复步骤1.4)，得到初始聚类划分数量为r的聚类(Class₁,Class₂,…,Class_r)；

1.6)将智能配电网运行状态分为5类情况：优化运行状态State₁、正常运行状态State₂、脆弱运行状态State₃、故障运行状态State₄和崩溃状态State₅；利用关联规则建立数据空间初始聚类Class_x与智能配电网5种运行状态之间的相互联系，实现扩展聚类划分，得到数据空间扩展聚类。

前述的一种智能配电网大数据融合重构与交互方法，其特征是：所述步骤2)具体步骤包括：

2.1)基于历史数据的关联规则与初始聚类，对智能配电网历史数据进行分析，确定智能配电网5种运行状态的基本特征与边界条件；

2.2)根据历史数据的初始聚类Class_x和关联规则以及智能配电网5种运行状态，将满足基本特征与边界条件的当前数据划归到基于历史数据的初始聚类Class_x中并预测运行状态；

2.3)根据步骤2.2)中预测得到的运行状态，确定智能配电网自愈控制策略；

2.4)统计并判断扩展聚类准确率是否满足要求，若不满足，则重复步骤1)-2)，基于历史数据对初始聚类进一步精细划分，增加数据空间中的每一维等分区间数量，减少密度差别阈值，并对关联规则进行调整；当扩展聚类准确率满足要求时，继续执行步骤2)。

前述的一种智能配电网大数据融合重构与交互方法，其特征是：步骤1.1)中，所述数据为智能配电网中配电网大数据，数据组成一系列数据流记录：X₁,X₂,…，数据到达的时间记为:t₁,t₂,…；数据流中的每一个数据点X_i是n维的，X_i＝(x_i1,x_i2,…x_in)，i＝1,2,…；n维数据空间S＝S₁×S₂×…×S_n，其中，S_j为第j维数据空间，其中S_j＝x_.j，j∈[1,n]；每一维S_j数据空间被平分为m份，S_j＝S_j1∪S_j2∪…∪S_jm；数据空间S由n×m粒度的多维网格子空间S_jk构成，其中j∈[1,n]，k∈[1,m]。

前述的一种智能配电网大数据融合重构与交互方法，其特征是：步骤1.3)中，所述根据密度差别阈值ε决定是否将Grid与Grid_H1划分一类网格，具体步骤为，如果|density(Grid)-density(Grid_H)|＜ε，则将Grid与Grid_H1聚类划分为一类。

前述的一种智能配电网大数据融合重构与交互方法，其特征是：步骤1.6)中，所述关联规则为建立(Class₁,Class₂,…,Class_r)与(State₁,State₂,…,State₅)之间的形如X→Y的蕴涵表达式；其中，X为关联规则的先导，为若干个初始聚类Class，Y为关联规则的后继，为配电网5种运行状态之一。

前述的一种智能配电网大数据融合重构与交互方法，其特征是：所述网格密度为，对于一个网格(i,j)，若其加入数据空间的时间为t₁，网格内包含数据序列(P₁,P₂,…,P_l)，(t₁,t₂,…,t_l)分别对应每个数据点的到达时间，则网格(i,j)的网格密度density(i,j,t)定义为： $\mathrm{density}(i,j,t)={\mathrm{\Σ}}_{k=1}^{l}w(t-t_k)={\mathrm{\Σ}}_{k=1}^l{2}^{-\mathrm{\λ}(t-t_k)},$ 式中λ为衰减系数，其中λ＞0，w(t-t_k)为时刻t_k到达的数据点在时刻t的权值，l为数据空间中数据的数量。

前述的一种智能配电网大数据融合重构与交互方法，其特征是：所述自愈控制策略包括：优化控制、预防控制、紧急控制和恢复控制。

前述的一种智能配电网大数据融合重构与交互方法，其特征是：所述2.4)中扩展聚类准确率为：运用关联规则预测的配电网运行状态正确的次数与对配电网进行控制的总次数的比值。

本发明所达到的有益效果：本发明通过计算智能配电网大数据空间的网格密度进行初始聚类划分，通过建立关联规则进行扩展聚类划分，实现智能配电网大数据融合重构与交互，能有效提高数据流聚类效率及聚类精度，且可以进行任意形状和距离非连续邻近网格的聚类；将初始聚类划分与扩展聚类划分相结合，而这样的分层网格结构大大降低了关联规则映射的空间复杂度和时间复杂度，具有良好的可扩展性；通过将扩展聚类准确率作为聚类划分科学合理性的评价指标，建立智能配电网大数据聚类划分与关联规则控制动态调整机制，实现智能配电网全景风险管控与自愈控制***集成，应用智能配电网大数据融合重构与交互方法，能够提高配电网控制智能化水平，增强配电网自愈控制功能。

附图说明

图1是智能配电网大数据聚类划分与关联规则控制流程图；

图2是智能配电网自愈控制状态转换关系图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种智能配电网大数据融合重构与交互方法，包括智能配电网大数据初始聚类划分与扩展聚类划分，智能配电网运行状态与自愈控制两部分内容，具体实现步骤如下：

步骤S01：对智能配电网大数据进行初始聚类划分，根据智能配电网运行状态建立关联规则，实现扩展聚类的划分；

步骤S011：将n维数据空间S中的每一维(S_j，j∈[1,n])等分成m份区间，得到数量为n×m粒度的多维网格构成的数据空间S；

所述数据为智能配电网中配电大数据，数据组成一系列数据流记录：X₁,X₂,…，数据到达的时间记为:t₁,t₂,…；数据流中的每一个数据点X_i是n维的，X_i＝(x_i1,x_i2,…x_in)，i＝1,2,…；n维数据空间S＝S₁×S₂×…×S_n，其中，S_j为第j维数据空间，S_j＝x_.j，j∈[1,n]；每一维S_j数据空间被平分为m份，S_j＝S_j1∪S_j2∪…∪S_jm；数据空间S由n×m粒度的多维网格子空间S_jk构成，其中j∈[1,n]，k∈[1,m]；

步骤S012：扫描数据空间S并构建基于网格索引的数据流存储结构；定义为四元组网格存储结构Grid_j,k,t＝(grid,number,density,time)，其中，每一个网格单元Grid_j,k,t为一个四元组，grid为网格位置索引、number为网格内的数据点数、density为网格密度、time为最新接收数据时间，除网格位置索引grid与时间无关，其余三个变量均与时间相关；

网格密度的定义，对于一个网格(i,j)，若其加入数据空间的时间为t₁，网格内包含数据序列(P₁,P₂,…,P_l)，(t₁,t₂,…,t_l)分别对应每个数据点的到达时间，则网格(i,j)的网格密度density(i,j,t)定义为： $\mathrm{density}(i,j,t)={\mathrm{\Σ}}_{k=1}^{l}w(t-t_k)={\mathrm{\Σ}}_{k=1}^l{2}^{-\mathrm{\λ}(t-t_k)}.$ 式中λ为衰减系数，λ＞0，w(t-t_k)为时刻t_k到达的数据点在时刻t的权值，l的含义为：数据空间中数据的数量。

步骤S013：从底层向上统计分析数据流存储结构的网格密度density(Grid_j,k,t)，以底层单元网格密度最大的网格Grid_H1为中心，扫描其邻近的网格Grid，根据密度差别阈值ε决定是否将Grid与Grid_H1划分一类网格，并将与Grid_H1聚为一类的网格组合记为Class₁；具体为，如果|density(Grid)-density(Grid_H)|＜ε，则将Grid与Grid_H1聚类划分为一类；

步骤S014：在剩余网格中，以底层单元网格密度最大的网格Grid_H2为中心，扫描其邻近的网格Grid，根据密度差别阈值ε决定是否将Grid与Grid_H2划分一类网格，并将与Grid_H2聚为一类的网格组合记为Grid_H2；因此，初始聚类的网格可以为任意形状，网格距离可以非连续；

步骤S015：重复步骤S014，得到初始聚类划分数量为r的聚类，表示为(Class₁,Class₂,…,Class_r)；

聚类分析通过将数据空间中的数据划分成不同的类别，使得同一个类中数据对象的相似性尽可能大，不同类中数据对象的差异性尽可能大，目的在于发现和确定数据的结构分布，进一步描述数据并发现数据中隐含的配电网运行状态信息。

步骤S016：根据配电网运行状态的分类，将具备自愈功能的智能配电网运行状态分为5种情况：优化运行状态State₁、正常运行状态State₂、脆弱运行状态State₃、故障运行状态State₄和崩溃状态State₅；利用关联规则建立数据空间初始聚类Class_x与智能配电网5种运行状态之间的相互联系，实现扩展聚类划分，得到数据空间扩展聚类；

正常运行状态State₂是一种经济稳定的运行状态，优化运行状态State₁是一种理想的运行状态；脆弱运行状态State₃、故障运行状态State₄和崩溃状态State₅都是非正常运行状态。

关联规则就是要建立形如X→Y的蕴涵表达式；其中，X和Y分别被称为关联规则的先导和后继；本发明中的关联规则先导是指若干个初始聚类Class，关联规则后继是指配电网5种运行状态其中之一；该对应关系之间存在扩展聚类准确率μ的问题；扩展聚类准确率μ为正确预测状态数量与所有预测状态数量的比值；

蕴涵表达式X→Y的核心是建立关联规则的先导X所在的数据空间和后继Y所在的数据空间之间的映射关系，目的在于帮助人们捕捉现在和预测未来。具体建立过程如下：①分析先导X数据空间和后继Y数据空间的历史数据，分别整理数据变量；②构建先导X数据空间中数据变量和后继Y数据空间中数据变量之间的相互关系，并依据相互关系强弱进行排序(相互关系的核心是量化两个数据值之间的数理关系；相互关系强是指当一个数据值增加时，另一个数据值很有可能会随之增加；相互关系弱就意味着当一个数据值增加时，另一个数据值几乎不会发生变化；)；③综合考虑相互关系强弱与数据变量取值范围两方面的因素，构建先导X数据空间中若干子空间和后继Y数据空间中特定子空间之间的映射关系；④基于已构建的先导X与后继Y之间的映射关系，对现在和未来在先导X某一子空间中的数据，可以直接预测其应处于后继Y的特定子空间。

步骤S02：将当前数据划归到基于历史数据的初始聚类中，基于关联规则预测运行状态，从而确定自愈控制策略，进行全景风险管控和自愈控制。

步骤S021：基于历史数据的关联规则与初始聚类，对智能配电网历史数据进行分析，确定智能配电网5种运行状态State_y的基本特征与边界条件，其中，y∈[1,5]；基本特征包括电压波动、电流波动、相角波动等，边界条件指上述各物理量波动范围、持续时间等。运行状态基于关联规则所对应的若干初始聚类中的历史数据具有相似的基本特征与边界条件；

步骤S022：根据数据空间初始聚类Class_x与智能配电网5种运行状态State_y之间的基于历史数据建立的关联规则，将满足基本特征与边界条件的当前的数据划归到步骤S015得到的初始聚类Class_x中并预测对应5种运行状态State_y中的其中之一；其中，若干个初始聚类Class_x与一个运行状态State_y相对应，其对应的初始聚类Class_x具体数量依据实际情况而定，一般选择10个左右；

步骤S023：根据步骤S022中预测得到的运行状态State_y，确定智能配电网自愈控制策略：如图2所示，所述自愈控制策略包括：优化控制、预防控制、紧急控制和恢复控制。

由正常运行状态State₂到优化运行状态State₁的控制为优化控制，优化控制是指电网处于正常运行状态时，通过改变供电路径、优化变压器运行方式、调节无功补偿设备等，降低电网损耗、减小运行成本，使其转到优化运行状态。脆弱运行状态State₃、故障运行状态State₄和崩溃状态State₅都是非正常运行状态，必须对非正常运行状态进行干预控制，使之回到正常运行状态；以上三种非正常运行状态到正常运行状态State₂的干预控制分别定义为：预防控制、紧急控制和恢复控制；预防控制是指配电网处于脆弱运行状态时，通过校核检修二次***、调整保护定值范围、调节无功补偿和切换线路等干预措施，消除配电网的安全隐患，使其转到正常运行状态；紧急控制是指配电网处于故障运行状态时，通过采取切除故障、切机、切负荷、主动解列等干预措施，消除配电网的故障，使其转到正常运行状态；恢复控制是指配电网处于崩溃状态时，尝试选择合理的供电路径，恢复***供电，实现孤岛运行或并网运行，使其转到正常运行状态；

步骤S024：统计并判断扩展聚类准确率μ是否能满足要求，若不能满足，则重复步骤S011-S023，基于历史数据对初始聚类进一步精细划分，增加数据空间S中的每一维等分区间数量m，减少密度差别阈值ε，并对关联规则进行调整；当扩展聚类准确率μ满足要求时，继续执行步骤S023。

扩展聚类准确率μ统计方法：将运用关联规则预测的配电网运行状态与无干预的配电网运行状态(通过电力***仿真软件实现)进行统计对比分析，即可得到扩展聚类准确率μ＝(运用关联规则预测的配电网运行状态正确的次数)/(对配电网进行控制的总次数)。

本发明具有如下有益效果：

1)将网格聚类与关联规则相结合，提出了一种智能配电网大数据融合重构与交互方法，能有效提高数据流聚类效率及聚类精度，且可以进行任意形状和距离非连续邻近网格的聚类；

2)将初始聚类划分与扩展聚类划分相结合，而这样的分层网格结构大大降低了关联规则映射的空间复杂度和时间复杂度，并且具有良好的可扩展性；

3)通过将扩展聚类准确率μ作为聚类划分科学合理性的评价指标，建立智能配电网大数据聚类划分与关联规则控制动态调整机制；

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种智能配电网大数据融合重构与交互方法，其特征在于，包括步骤：

1)对智能配电网大数据进行初始聚类划分，根据智能配电网运行状态建立关联规则，实现扩展聚类的划分；

2)将当前数据划归到基于历史数据的初始聚类中，基于关联规则预测运行状态，从而确定自愈控制策略，进行全景风险管控和自愈控制。

2.基于权利要求1中所述的一种智能配电网大数据融合重构与交互方法，其特征在于，所述步骤1)具体步骤为：

1.1)将n维数据空间S中的每一维(S_j，j∈[1,n])等分成m份区间，得到数量为n×m粒度的多维网格构成的数据空间S；

1.2)扫描数据空间S并构建基于网格索引的数据流存储结构；数量为n×m粒度的多维网格中的每一个网格单元定义为四元组网格存储结构Grid_j,k,t＝(grid,number,density,time)，其中，grid为网格位置索引、number为网格内的数据点数、density为网格密度、time为最新接收数据时间；

1.3)统计分析数据流存储结构的底层网格密度density(Grid_j,k,t)，以单元网格密度最大的网格Grid_H1为中心，扫描其邻近的网格Grid，根据密度差别阈值ε决定是否将Grid与Grid_H1划分一类网格，并将与Grid_H1聚为一类的网格组合记为Class₁；

1.4)在剩余网格中，以单元网格密度最大的网格Grid_H2为中心，扫描其邻近的网格Grid，根据密度差别阈值ε决定是否将Grid与Grid_H2划分一类网格，并将与Grid_H2聚为一类的网格组合记为Class₂；

1.5)重复步骤1.4)，得到初始聚类划分数量为r的聚类(Class₁,Class₂,…,Class_r)；

1.6)将智能配电网运行状态分为5类情况：优化运行状态State₁、正常运行状态State₂、脆弱运行状态State₃、故障运行状态State₄和崩溃状态State₅；利用关联规则建立数据空间初始聚类Class_x与智能配电网5种运行状态之间的相互联系，实现扩展聚类划分，得到数据空间扩展聚类。

3.根据权利要求1所述的一种智能配电网大数据融合重构与交互方法，其特征是：所述步骤2)具体步骤包括：

2.1)基于历史数据的关联规则与初始聚类，对智能配电网历史数据进行分析，确定智能配电网5种运行状态的基本特征与边界条件；

2.2)根据历史数据的初始聚类Class_x和关联规则以及智能配电网5种运行状态，将满足基本特征与边界条件的当前数据划归到基于历史数据的初始聚类Class_x中并预测运行状态；

2.3)根据步骤2.2)中预测得到的运行状态，确定智能配电网自愈控制策略；

2.4)统计并判断扩展聚类准确率是否满足要求，若不满足，则重复步骤1)-2)，基于历史数据对初始聚类进一步精细划分，增加数据空间中的每一维等分区间数量，减少密度差别阈值，并对关联规则进行调整；当扩展聚类准确率满足要求时，继续执行步骤2)。

4.根据权利要求2所述的一种智能配电网大数据融合重构与交互方法，其特征是：步骤1.1)中，所述数据为智能配电网中配电网大数据，数据组成一系列数据流记录：X₁,X₂,…，数据到达的时间记为:t₁,t₂,…；数据流中的每一个数据点X_i是n维的，X_i＝(x_i1,x_i2,…x_in)，i＝1,2,…；n维数据空间S＝S₁×S₂×…×S_n，其中，S_j为第j维数据空间，其中S_j＝x_·j，j∈[1,n]；每一维S_j数据空间被平分为m份，S_j＝S_j1∪S_j2∪…∪S_jm；数据空间S由n×m粒度的多维网格子空间S_jk构成，其中j∈[1,n]，k∈[1,m]。

5.根据权利要求2所述的一种智能配电网大数据融合重构与交互方法，其特征是：步骤1.3)中，所述根据密度差别阈值ε决定是否将Grid与Grid_H1划分一类网格，具体步骤为，如果|density(Grid)-density(Grid_H)|<ε，则将Grid与Grid_H1聚类划分为一类。

6.根据权利要求2所述的一种智能配电网大数据融合重构与交互方法，其特征是：步骤1.6)中，所述关联规则为建立(Class₁,Class₂,…,Class_r)与(State₁,State₂,…,State₅)之间的形如X→Y的蕴涵表达式；其中，X为关联规则的先导，为若干个初始聚类Class，Y为关联规则的后继，为配电网5种运行状态之一。

7.根据权利要求2所述的一种智能配电网大数据融合重构与交互方法，其特征是：所述网格密度为，对于一个网格(i,j)，若其加入数据空间的时间为t₁，网格内包含数据序列(P₁,P₂,…,P_l)，(t₁,t₂,…,t_l)分别对应每个数据点的到达时间，则网格(i,j)的网格密度density(i,j,t)定义为： $\mathrm{density}(i,j,t)={\mathrm{\&Sigma;}}_{k=1}^{l}w(t-t_k)={\mathrm{\&Sigma;}}_{k=1}^l{2}^{-\mathrm{\&lambda;}(t-t_k)},$ 式中λ为衰减系数，λ>0，w(t-t_k)为时刻t_k到达的数据点在时刻t的权值，l为数据空间中数据的数量。

8.根据权利要求3所述的一种智能配电网大数据融合重构与交互方法，其特征是：所述自愈控制策略包括：优化控制、预防控制、紧急控制和恢复控制。

9.根据权利要求3所述的一种智能配电网大数据融合重构与交互方法，其特征是：所述2.4)中扩展聚类准确率为：运用关联规则预测的配电网运行状态正确的次数与对配电网进行控制的总次数的比值。