CN115293649A - 一种区配电网智能精细化降损方法 - Google Patents

一种区配电网智能精细化降损方法 Download PDF

Info

Publication number
CN115293649A
CN115293649A CN202211078752.0A CN202211078752A CN115293649A CN 115293649 A CN115293649 A CN 115293649A CN 202211078752 A CN202211078752 A CN 202211078752A CN 115293649 A CN115293649 A CN 115293649A
Authority
CN
China
Prior art keywords
data
power
distribution network
loss
line
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.)
Pending
Application number
CN202211078752.0A
Other languages
English (en)
Inventor
史杰
尹香兰
甘贤德
张颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Haixi Power Supply Co Of State Grid Qinghai Electric Power Co
State Grid Corp of China SGCC
State Grid Qinghai Electric Power Co Ltd
Original Assignee
Haixi Power Supply Co Of State Grid Qinghai Electric Power Co
State Grid Corp of China SGCC
State Grid Qinghai Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Haixi Power Supply Co Of State Grid Qinghai Electric Power Co, State Grid Corp of China SGCC, State Grid Qinghai Electric Power Co Ltd filed Critical Haixi Power Supply Co Of State Grid Qinghai Electric Power Co
Priority to CN202211078752.0A priority Critical patent/CN115293649A/zh
Publication of CN115293649A publication Critical patent/CN115293649A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06395—Quality analysis or management
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Power Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Physiology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)

Abstract

一种区配电网智能精细化降损方法，涉及输电线路防护工具技术领域，第一步：增加导线截面积；第二步：缩短线路长度，减小供电半径；第三步：合理提升电压水平。本发明的有益效果在于：本发明将提出配电网统计线损与理论线损可靠计算方法，以及线损高损点与因素智能评价方法，构建配电网多目标综合优化模型和辅助决策框架,该本发明成果应用和推广后，能够为有效解决地区配电网智能精细化技术降损提供科学依据和定量支撑，显著降低配电网损耗，直接经济效益显著。

Description

一种区配电网智能精细化降损方法
技术领域
本发明涉及精细化技术降损方法技术领域，具体是涉及一种区配电网智能精细化降损方法。
背景技术
线损是电力网电能损耗的简称，是指电能从发电厂传输到用户过程中，在输电、变电、配电和用电各环节中所产生的电能损耗。线损是供电企业的一项重要的经济技术指标，线损指标的高低，直接反映着供电企业综合管理水平的高低，直接影响着供电企业的经济效益。新一轮电改对线损产生影响，市场机制建立对线损计算预测提出更高要求，同时市场机制推进节能减排和低碳发展进程带来电源、用电结构变化也对线损带来影响，国网公司对降损节能越来越重视。在我国电力工业的发展历程中，长期以来一直以发电、输电作为电力网络的运行和维护原则，而对基层配电网的建设和管理投资比较小，配电网的结构未得到统一规划。配电网的发展相比于输电网来说基础比较薄弱，管理制度不健全，这些问题严重阻碍着配电网整体体系的健全以及发展。随着各类用电负荷和新能源的持续且快速增长，用电高峰期与低谷期产生的峰谷差问题越来越严峻的情况下，出现了各类用电设备损耗大、供电电能质量不够理想等一系列问题，造成了电能在配送过程中的能源浪费，对我国社会经济的持续稳定增长进行了严重的制约，与建设绿色、环保、节能、经济社会的原则“背道而驰”，对配电网的经济运行以及供电企业的健康发展产生了不利影响。
发明内容
本发明要解决的问题是电能减损问题；为了解决上述问题本发明提出了一种区配电网智能精细化降损方法，其特征在于：
第一步：增加导线截面积：截面积S增大，线路自身电阻及感抗随之减小，仅从降损效果来看，导线截面积显然越大越好，但从电网建设成本及节约一次投资方面考虑，导线截面积则是越小越好，因此综合考核以上因素，导线截面积应按目前我国现行经济电流密度J选择，这样就可以达到兼顾技术和经济两方面的最佳效果，满足配网线损率与电能质量的需要；
第二步：缩短线路长度，减小供电半径；缩短线路长度L即可减小线路自身阻抗，供电半径过长是引起线损过高的主要原因之一，线路“合理供电半径”主要取决于电压等级和用户负荷密度，而城区电网与农村电网的网架结构、负荷密度、用户组成等均不同，因此供电半径需分开规定，电网企业应通过中低压配网改造、技改大修等本发明，加强对供电半径过长的线路及低压台区的改造力度，对供电线路超半径、供电网络末端薄弱等问题，重新布置变压器位置或新增布点，合理规划切改线路布局，有效缩短供电半径，以减少线路损耗，提高配网供电质量和供电可靠性；
第三步：合理提升电压水平；配网电能损耗随供电电压U2增大成反比下降,假设升压前电压为U0，升压后电压为Ua，则升压后线损电量的降损百分比△A％为：
Figure BDA0003830422100000011
根据公式(10)，可得出不同电压等级升压后线损电量的降损百分比；因此，在合理规划的基础上，可通过适当提升电压等级的方式进行有效降损；例如将供电电压6kV升压至10kV，或是在低压台区推广应用有载自动调压变压器；在保证供电质量前提下，根据实际负荷情况适当提高运行电压，以达到降损目的；
配电网重构的数学模型：
选取配电网重构后网损最小作为目标函数,目标函数的定义为：
Figure BDA0003830422100000021
其中，ΔPli为第i段线路的有功损耗(kW)；N为支路数；Ri为支路i的电阻(Ω)；Pli、Qli分别为第i条线路的有功潮流(kW)和无功潮流(kVar)；Ui为第i条线路的电压值(kV)；ki为开关i的状态；
在进行配电网重构时需满足以下约束条件：网络重构时各支路的潮流需要满足潮流方程等式约束；经配电网重构后，各条线路流过的功率以及节点的电压不应越限；配电网重构时需要满足负荷需求；重构后的配电网必须保持福射状，并且不能存在网络“孤岛”；边缘计算方法为计算任务就近解决，减少数据处理延迟、减少数据传输宽带、减轻云端的存储及计算压力，其包括：云中心，预支连接的边缘设备，边缘计算，数据，数据库。
GMDH算法；GMDH本质上是试探自组织算法，由各输入单元交叉组合产生一系列的活动神经元，其中每一神经元都具有选择最优传递函数的功能，再从已产生的一代神经元选择若干与目标变量最为接近的神经元，强强结合再次产生新的神经元，重复优势遗传、竞争生存和进化的过程，直到形成最优模型，线路缺失数据预处理模型及方法步骤，确定应变量和自变量，确定缺失值上下限，缺失数据进行随机插补，建立数据分组处理模型，寻找最优复杂度模型，更新缺失插补值，循环直到缺失值不在变化。
自适应遗传算法优化BP神经网络的权值和阈值：采用该方法优势在于将待优化的BPNN的权值和阈值的方式编码成染色体，然后采用AGA全局搜索最优解，再将最优染色体(BPNN的权值和阈值)重新赋值于BPNN，得到训练好的网络，包括BPNN结构，权值或阀值得个数，AGA染色体。
数据挖掘过程主要包括四部分：历史数据获取；数据抽取、转换、加载(ETL)过程；数据预处理；特征降维。
基于灰色关联分析和改进神经网络的配电网线损预测方法共4个步骤，分别是电气特征指标体系的建立、AGA-BPNN线损预测模型的建立、配电网线损预测模型评估、配电网线损预测。
基于电容器补偿原理，计算线路总线损对负荷节点无功功率的灵敏度，以负灵敏度大小对相应的不同负荷节点进行不同容量的电容器补偿，对降损效果进行分析，在合理的补偿电容容量范围内及在节点电压水平和功率因数在正常范围的前提下，找到最佳的降损方案，该方法在满足配电网安全可靠的前提下，尽最大的可能降低线损，提高电网运行的经济性，提出的基于线路总线损对负荷节点的灵敏度的远程投切补偿电容的降损方法。
优化决策方案的框架包括优化决策层、数据接口层，管理决策层，优化决策层以潮流计算为基础，利用数据挖掘算法获得优化控制的决策，安全模块在故障情况下保证***的安全可靠，依据SCADA/EMS***采集***的实时数据信息，根据电源、负荷、有载调压变压器、无功补偿装置等的分布和电网的潮流，通过求解多目标综合优化模型确定最优配置方案，通过无功优化控制，有效提高电能质量、降低电网损耗、提高电网的效率、减少和避免电压失稳事故。
智能化数据库的结构模型：其包括数据层，特征层和决策层，通过对基础数据以及计算分析数据的处理，可以挖掘出其中蕴含的深层次的信息，为后续高级应用提供数据。
5G网络切片在电力***中的应用，其包括电力维护***中的切片管理器，包括URLLC超低时延切片，mMTC海里接入切，eMBB视频切片，Voice语音切片，配电自动化，分布式电源接入，智能巡检，电力调度；电力终端。
本发明的有益效果在于：由于配电网线路分支较多、负荷性质多样、历史资料不完全、线损统计环节繁杂等问题的存在，配电***的自动化程度较输电主网相对比较落后，线损详细计算参数和数据难以准确地收集齐全，而传统的理论线损计算方法需要详细配网结构参数、设备物理参数、电网运行参数，这种传统的方法不仅需要大量的人力物力，而且计算精度较低。目前配电网线损电量占整个电网的比重仍较大，严重影响电网运行的质量安全，提高公司的线损管理成本，降低了经济效益，因此具有较大的降损空间。
通过开展本本发明，提出配电网统计线损与理论线损可靠计算方法，以及线损高损点与因素智能评价方法，构建配电网多目标综合优化模型和辅助决策框架，对线损进行准确有效统计、计算预测及评估。该本发明成果有利于构建绿色、环保、节能、经济的能源体系，减轻电网运行的负载压力，实现配电网长久持续性节能降耗，对提高电能使用效率，提高供电公司的经济效益具有重要意义。
目前配电网降损方法的研究未能实现与先进物联网、现代传感、信息通信、人工智能、大数据等技术的有效结合，尚未形成***性的分析理论，相关研究具有很大的发展和应用空间。本发明成果在试点验证通过后，通过编制相关工作经验和技术资料，未来可以在海西地区进行指导性推广应用，以实现更大的经济和社会效益。
本发明将提出配电网统计线损与理论线损可靠计算方法，以及线损高损点与因素智能评价方法，构建配电网多目标综合优化模型和辅助决策框架。该本发明成果应用和推广后，能够为有效解决地区配电网智能精细化技术降损提供科学依据和定量支撑，显著降低配电网损耗，直接经济效益显著。
本发明实施并实现有效降低配电网损耗后，为电网规划与运行提供理论依据，为可再生能源的开发提供技术支撑，提高电力资产的利用率和经济效益，节能减排和保护环境。同时，能够提高用户用电满意度，满足更大区域电网和更多用户的用电需求，优化供用关系，促进和谐用电。
附图说明
图1为本发明的决策树模型过程逻辑框图；
图2为本发明的缺失数据预处理流程图；
图3为本发明的神经网络结构图；
图4为本发明的AGA染色体的构造图；
图5为本发明的数据挖掘过程图；
图6为本发明的配电网线损预测模型的建立图；
图7为本发明的配置无功补偿装置的降损方法图；
图8为本发明的优化决策框架图；
图9为本发明的智能化数据库的结构模型图；
图10为本发明的5G网络切片在电力***中的应用图；
图11为本发明的边缘计算模型图。
具体实施方式
实施例1，参照附图1和附图11所示，本发明研究内容的详细说明：本发明研究内容的原理
本发明通过提出配电网统计线损与理论线损可靠计算方法，以及线损高损点与因素智能评价方法，构建配电网多目标综合优化模型和辅助决策框架，从而实现对线损的准确有效统计、计算预测及评估，开展优化决策和降损控制，提升线损管理水平。
(1)研究统计线损和理论线损准确率实用化提升技术，确保掌握一手真实数据。目前电网，特别是低压配电网具有很大的降损空间，但是由于低压配网的网架结构庞大，元件和节点繁多，致使必要的运行资料和数据难以收集，使得线损计算结果不准确。为确保数据的真实性，对采集到的数据进行预处理。通过决策树归纳分析方法，建立台区数据合理性分析模型来校验数据质量，剔除坏数据。采用数据分组处理(GMDH)算法文对缺失数据进行插补。实现不完备数据到完全数据，能有效地进行动态数据库的更新，实现对配电网线损数据的有效挖掘。
(2)研究基于灰色关联分析和改进神经网络的配电网线损预测模型与方法，针对电气特征指标的选取、BP神经网络结构选取、配电网测试样本集的评估、线损情况、未知线路的线损预测等方面进行全面的研究，实现统计线损和理论线损可靠校核和偏差修正，为电网节能降损策略的制定提供依据。
(3)研究基于贝叶斯网络的线损高损点与因素智能评价技术，以及基于数据挖掘和人工智能的电网多目标综合优化模型和辅助决策框架，实现配电网节能降损综合辅助决策。
(4)研究基于IEC61970松耦合的配电网线损计算分析数据及资料自动获取和智能化建库技术，满足本发明开展和闭环应用的基础需求。
(5)研究海西地区配电网技术降损智能辅助***设计及测试应用方案，实现配电网线损调研、计算、校核、分析、决策、评估一揽子闭环方案。
本发明研究内容的理论或者实践依据
(1)数据挖掘技术
数据挖掘技术包括数据整理、变换、挖掘、评估和认知等多项内容，可以直接从线损数据的根本出发，全面了解数据的内容。随着智能配电网、高级量测体系的不断发展，配用电数据逐渐呈现出体量大、类型多、增速快等大数据特征。对配电网线损数据进行有效挖掘，对优化电网运行方式、提高电网服务水平、降低管理成本、提升电力公司经济效益具有重大意义。
1)历史数据获取：为了支撑线损的计算与降损策略的制定，往往需要获取大量、多维度的数据。数据源一般是各类数据采集终端，如各类传感器、智能电表、信息数据库等，打通数据获取渠道，获取数据。
2)数据抽取、转换、加载(ETL)过程：考虑到数据异构问题，数据因为来源不同，具有大量、分散和不清洁等特点，不能为数据仓库直接使用。考虑到需要汇集多方数据源构建数据仓库，数据ETL包括数据抽取、转换和加载过程，可以进行数据的初步处理，如进行数据项名称、位数、编码和形式的统一，消除重复数据。
3)数据预处理：考虑到不同数据源采样频率不同、传输堵塞延迟、故障等可能性致使数据存在缺失或异常，对数据进行预处理。
决策树归纳分析法
建立模型的属性集：
{e1：选取5％的台区进行实测，同时按照同等比例的原则进行选取。一是每一个地市供电公司选取比例相同；二是城网、农网选取比例相同；三是分类选取比例相同，即供电半径小于150m、150m～250m、250m～400m、大于400m四个分类比例相同；
e2：数据完整，包括台区属性、供电半径、低压线路总长度、配变容量、总户数、负载率等数据；
e3：供电半径在500m以上的数据；
e4：低压线路总长度小于等于供电半径的数据；
e5：负载率在130％以上的数据；
e6：线损率在20％以上的数据；
e7：线损率小于0的数据；
e8：线损率在0.1％以下的数据。}
模型的初始决策树只有一个节点，标识为“合理性＝1”，“1”代表台区数据是合理的，“0”代表台区数据是不合理的。继续划分直到所有记录都达到同一个类为止，形成的决策树模型见图1。
GMDH算法
数据分组处理(GMDH)算法是在噪声数据下建立非物理模型的一种很好的方法，它可以通过内外准则筛选出拟合精度和预测精度都得到最优的模型。本发明对缺失数据的插补主要以GMDH算法为主，并与其他算法相结合，针对配电网供出电量的缺失数据进行建模分析，挖掘目标是实现不完备数据到完全数据，能有效地进行动态数据库的更新，实现数据的组织、存储和管理。GMDH本质上是试探自组织算法，由各输入单元交叉组合产生一系列的活动神经元，其中每一神经元都具有选择最优传递函数的功能，再从已产生的一代神经元选择若干与目标变量最为接近的神经元，强强结合再次产生新的神经元，重复优势遗传、竞争生存和进化的过程，直到形成最优模型。线路缺失数据预处理模型及方法步骤如图2所示。
4)特征降维：原始数据往往包含多个维度特征信息，若直接用于后续分析需要消耗大量时间，故需要对特征进行筛选、降维处理。由于海量数据难以通过人为对数据进行标注，因此均采用无监督学习算法。首先对不同特征进行方差滤波，删掉对用户没有区分度的特征，采用降维算法对数据进行降维及可视化。
(2)灰色关联分析
配电网***结构错综复杂、分支线路多、负荷性质多样、历史资料不完全，各个电气指标之间的关系无法用固定的公式表示，变量之间关系呈灰态，是典型的灰色***。灰色关联分析从模糊的角度出发分析电气指标与配电网线损之间的关联性，对样本数据没有特殊的要求，以电气指标与配电网线损的曲线几何相近程度衡量其相关性，可以较好地描述电气指标与线损之间的非线性关系，为线损预测模型的建立打下基础。
1)确定参考序列和比较序列。参考序列选择为配电网理论线损，比较序列为影响配电网线损水平的电气指标。
2)序列均采用极值化的无量纲处理方式，消除量纲带来的数据不可比性。
3)确定参考序列y与比较序列xi的关联系数
Figure BDA0003830422100000061
Δi(k)＝|y(k)-xi(k)| (2)
其中，ρ∈(0,∞)为分辨系数，一般取0.5。
4)计算关联度。采用关联系数的平均值作为比较数列xi与参考数列y间关联程度的数量表示，即关联度
Figure BDA0003830422100000062
5)关联度排序。对比较序列按对应关联度r大小进行排序，关联度越大则该电气指标与配电网线损相关性越高，即该指标更能反映配电网线损水平。
6)选取电气特征指标。按电气指标的关联度排序，从上至下选取不同数目的电气指标组合并根据实际数据建立配电网线损预测模型，预测误差最小的电气指标组合选为电气特征指标。
(3)改进神经网络
1)传统BP神经网络
神经网络作为一种简化的模拟人类大脑神经进行工作的生物模型，一经提出便吸引了广大学者的关注。经典的神经网络由3层拓扑构成:输入层、隐含层和输出层，如图3所示。
2)基于自适应遗传算法改进BP神经网络
传统的BP神经网络主要有如下几个缺点：BP神经网络结构难以确定；当误差函数不是严格的凸函数时，会存在着局部极小值点，在这些局部极小值点附近，导致网络收敛于局部极小值；学习算法的收敛速度慢。
针对上述问题，本发明采用十折交叉验证法结合试凑法计算分析不同神经网络结构下的模型预测性能，确定最佳的网络结构，采用自适应算法优化BP神经网络的权值和阈值，达到跳出局部极小值点并且提高算法收敛速度的效果。
BP神经网络结构的选取
BPNN包括输入层、隐含层和输出层，输入层和输出层都分别只有一层，且一旦研究对象确定，它们的节点数目也随之确定；隐含层层数和节点数目常常难以确定，理论上已经证明三层BP神经网络能以任意精度逼近任何非线性函数，考虑到网络的复杂程度，一般采用一层隐含层即可，根据实际问题采用经验公式大致确定合适的隐含层节点数目，然后采用十折交叉验证法结合实际配电网数据进一步确定隐含层节点数目，采用的经验公式如下。
Figure BDA0003830422100000063
式中：n为确定的隐含层节点数；m为输入层节点数；l为输出层节点数。计算时m的值需用四舍五入法进行调整。
自适应遗传算法优化BP神经网络的权值和阈值
采用该方法优势在于将待优化的BPNN的权值和阈值按图4的方式编码成染色体，然后采用AGA全局搜索最优解，再将最优染色体(BPNN的权值和阈值)重新赋值于BPNN，得到训练好的网络，克服了传统梯度下降法易陷入局部极小值和收敛速度慢的缺点，提高了线损预测精度。
AGA优化BPNN权值和阈值共7个步骤:
①AGA初始化
目标问题为求解BPNN最佳权值w，v和阈值b，c，将权值和阈值按实数编码方式构造得到AGA染色体，如图4所示。
②设定AGA适应度函数及收敛条件
训练样本集包含的样本总数为p，j为其中一条线路，j∈[1,p]。经AGA优化后得到的染色体Pi重新赋值于BPNN得到该线路的线损预测值
Figure BDA0003830422100000071
如果该线路的理论线损计算值为yij，定义两者之间的均方误差函数作为适应度函数F：
Figure BDA0003830422100000072
设定AGA的收敛判据为：
Fmin≤ε (6)
③根据适应度函数进行种群适应度评估
应用适应度函数F评估种群中K条染色体的优劣，以便于种群的进化。AGA算法终止条件为种群中最优染色体满足式(6)，或者AGA达到最大迭代次数N。
④交叉概率和变异概率自适应变化
交叉概率和变异概率随种群的进化动态地改变，以满足种群中的个体在不同进化时期的需求，增加种群的多样性，提高算法的收敛性和寻优性能。
⑤AGA-BPNN线损预测模型的建立
将AGA最终优化后，达到设定的收敛条件的权值和阈值赋值于BPNN，得到最终的AGA-BPNN线损预测模型。
⑥配电网线损预测模型性能评估
将测试样本集的电气特征指标数据输入建立的线损预测模型中，得到测试样本集的线损评估值
Figure BDA0003830422100000073
通过比较分析测试样本集线损评估值
Figure BDA0003830422100000074
与实际线损值yij的相对误差百分数EC分析线损预测模型的预测精度与计算速度。
Figure BDA0003830422100000075
⑦配电网线损预测
经过步骤⑥测试样本集的检验，所建立的配电网线损预测模型具有较好的预测性能，可以将该模型应用于线损预测，将线损情况未知的线损的电气特征指标数据输入线损预测模型中，得到线损预测值。
(4)贝叶斯网络
贝叶斯网络是一种基于网络结构的有向无环图。网络中节点代表论域的变量，有向弧代表各变量之间关系，节点与其子节点之间的条件概率表示变量之间的依赖关系，数学描述为：若论域X＝{x1,x2,···,xn}，其中，x1,x2,···,xn为网络中各节点，则多个节点发生的联合概率p(x1,x2,···,xn)为
Figure BDA0003830422100000081
其中，π(xi)表示xi的父节点集合。
针对网络中某节点xi，其包含m个基本事件{e1,e2,···,em}，若已知除了节点xi外所有与其相关节点的事件的观察结果E＝{x1,···xi-1,xi+1,···,xn}，则xi的第s个事件es发生的条件概率为
Figure BDA0003830422100000082
(5)IEC61970标准
IEC61970系列标准由国际电工委员会提出，该系列标准主要应用于电力自动化方向，其目的是为能源管理***的应用程序定义数据格式和接口规范，从而促进电力企业应用集成。IEC61970标准的出现大大方便了各***之间的集成与融合。IEC61970标准的出现也使得来自于不同应用、不同调度中也的异构***之间的互相通信成为可能。IEC61970系列标准主要由公共信息模型(CIM)和组件接口规范(CIS)两方面内容组成。该标准使得配网线损计算智能信息***与其他调度***的交互成为可能，有利于实现配电网线损计算分析数据及资料自动获取和智能化建库，满足本发明开展和闭环应用的基础需求。
(6)实践依据
为解决配电网智能精细化技术降损问题，海西供电公司已经开展深入、详尽的前期调研和研究工作，建立起一支具备突出创新和研究能力的本发明攻关小组，所有成员均具备本发明相关领域的专业经验，理论和实践基础扎实。通过国内调研和论证，确定本发明技术路线和实现方案，结合大量的电力巡检机器人研究和应用经验，能够保障本本发明的顺利开展。
拟合作单位上海理工大学智能电网与新能源团队已有基于区块链技术的配电网平台设计相关经验，包含web前端、js后端、python后端等。平台已得到一致认可，且投入使用，为海西地区配电网智能精细化技术降损方法的研究与降损***的设计提供经验。同时，上海理工大学参与研制配电自动化集成试验检测方法与装置，包括集成测试指挥中心和若干移动式综合测试终端，包括馈线自动化测试仪，大电流发生器，标准电流互感器，电流互感器暂态特性采集器，调压器，标准电压互感器，电压互感器伏安特性采集器和无线模块；集成测试指挥中心至少包括配电自动化仿真工作站，数据分析工作站和无线模块。
本发明研究的关键和难点
(1)为了提高配电网数据质量，充分挖掘海量数据与电网线损之间的关系，基于数据清洗方法，对原始数据中的孤立点进行检测并删除。通过灰色关联分析方法对各个电气指标和线损之间的关联性进行分析，得到最能反映10kV配电网运行状态和网架结构的电气特征指标体系。
(2)利用人工智能算法强大的自学能力、推广能力以及非线性处理能力自动建立配电网线损预测模型。使用十折交叉验证法结合试凑法分析BP神经网络在不同网络结构下的模型预测性能，来确定最佳隐含层节点数目。采用自适应遗传算法全局搜索BP神经网络的权值和阈值，提高算法的准确性和收敛速度。
(3)利用贝叶斯网络进行线损高损点与因素的智能评价。
(4)电气运行信息末端融合技术。电气运行信息数据属于动态数据，海量数据以列存储数据库，构成云存储；利用并行化计算模型对海量数据进行并行化批量计算分析。边缘计算通过网络边缘侧的智能处理，融合网络、计算、存储及信息化技术，数据经过筛选上传至云数据库，更新修正模型，实现具有海量数据特征的节能降损动态管理与控制。
(5)基于IEC61970松耦合的配电网线损计算分析数据及资料自动获取和智能化建库技术，满足本发明开展和闭环应用的基础需求。本发明提出智能化数据库将自动获取的信息(包括计算分析数据及各类原始信息)进行集成，深度挖掘信息中隐含的信息，并将所得有效信息实时反馈给原始模型，对其进行修改与纠正，使模型更加精准，同时也为特征提取、合理决策等提供依据。
本发明研究内容的详细说明。
(1)研究统计线损和理论线损准确率实用化提升技术，确保掌握一手真实数据。
随着智能配电网、高级量测体系的不断发展，配用电数据逐渐呈现出体量大、类型多、增速快等大数据特征。同时配网的网架结构庞大，元件和节点繁多，致使必要的运行资料和数据难以收集，使得线损计算结果不准确。为确保数据真实有效，采用数据挖掘技术对配电网数据进行采集与处理。对配电网线损数据进行有效挖掘，对优化电网运行方式、提高电网服务水平、降低管理成本、提升电力公司经济效益具有重大意义。
数据挖掘过程主要包括四部分：历史数据获取；数据抽取、转换、加载(ETL)过程；数据预处理；特征降维。数据挖掘过程如图5所示。
(1)研究统计线损和理论线损准确率实用化提升技术，确保掌握一手真实数据。
随着智能配电网、高级量测体系的不断发展，配用电数据逐渐呈现出体量大、类型多、增速快等大数据特征。同时配网的网架结构庞大，元件和节点繁多，致使必要的运行资料和数据难以收集，使得线损计算结果不准确。为确保数据真实有效，采用数据挖掘技术对配电网数据进行采集与处理。对配电网线损数据进行有效挖掘，对优化电网运行方式、提高电网服务水平、降低管理成本、提升电力公司经济效益具有重大意义。
数据挖掘过程主要包括四部分：历史数据获取；数据抽取、转换、加载(ETL)过程；数据预处理；特征降维。数据挖掘过程如图5所示。
(2)研究基于灰色关联分析和改进神经网络的配电网线损预测模型与方法。
海西地区新能源和可控负荷发展迅猛，配网线路分支多、负荷多样且分布不均匀，同一高压变电站下不同低压台区负荷情况差异较大，针对该情况，研究基于灰色关联分析和改进神经网络的配电网线损预测模型与方法。针对电气特征指标的选取、BP神经网络结构选取、配电网测试样本集的评估、线损情况、未知线路的线损预测等方面进行全面的研究，实现统计线损和理论线损可靠校核和偏差修正，为电网节能降损策略的制定提供依据。
首先对影响配电网线损的关键因素进行分析，提出包括月有功供电量、公变月有功供电量、月无功供电量、公用变压器总容量、公用变压器台数、累积长度最长的导线截面积、线路等效截面积、公变平均负载率、主干线截面积、专变月有功供电量、专变月无功供电量、主干线总长度、分支线总长度、线路总长度、截面积相同的导线最大长度等15个电气指标，通过灰色关联分析方法确定15个电气指标和线损之间的关联度，筛选出最佳的电气特征指标作为AGA-BPNN的输入。采用十折交叉验证法结合实际配电网数据确定隐含层节点数目，进而确定最佳的网络结构。采用自适应遗传算法(AGA)优化BP神经网络的权值和阈值，将AGA最终优化后，达到设定的收敛条件的权值和阈值赋值于BPNN，得到最终的AGA-BPNN线损预测模型。该改进算法达到跳出局部极小值点并且提高算法收敛速度的效果，提高了线损预测精度,实现统计线损和理论线损可靠校核和偏差修正。
基于灰色关联分析和改进神经网络的配电网线损预测方法共4个步骤，分别是电气特征指标体系的建立、AGA-BPNN线损预测模型的建立、配电网线损预测模型评估、配电网线损预测，如图6所示。
(3)研究基于贝叶斯网络的线损高损点与因素智能评价技术，针对各因素研究配电网智能精细化技术降损方法。
根据配电网线损预测模型对海西地区线损情况未知的区域进行预测，得到各部分线损情况，针对线损偏高的区域，通过基于贝叶斯网络理论的智能评价技术确定导致该区域线损偏高的影响因素，并针对各因素具体研究配电网智能精细化技术降损方法。
贝叶斯网络理论其实质是一种基于概率不确定性的推理网络，为因果信息表达提供了有效方法。贝叶斯网络包含静态网络与动态网络。总体而言，二者均由网络结构和相关参数属性两部分组成。网络结构即由节点和有向边构成的有向无环图，节点代表模型随机变量，有向边代表变量间的条件依赖关系。相关参数即为每个节点变量指定的条件概率表，以概率来描述变量间的相互影响程度。已知网络结构和相关参数的基础上，贝叶斯网络理论采用概率理论在网络节点上进行推理计算，通过给定初始条件，沿着有向边按照条件概率传播，得到各个节点的概率分布。在进行线损高损点影响因素诊断时，贝叶斯网络方法根据观察各节点区域线损情况将贝叶斯网络模型中对应节点的证据值赋为0或1，计算需要知道的节点区域中各影响因素的概率分布，根据所得概率分布进行排序，筛选得到线损高损点的影响因素，并针对该因素具体展开配电网智能精细化技术降损方法的研究。
对线路降损方法可分为如下两类：一类为管理降损，另外一类是技术降损。通过对海西地区电网理论线损的计算预测结果以及对影响因素的智能评价进而分析海西地区配电网线损问题所在，通过管理和技术两方面进行线路降损。本发明主要针对配电网的技术降损方法，结合电网结构、台帐参数、运行数据和损耗数据等，根据贝叶斯网络筛选出的主要影响因素，分别进行配电网智能精细化技术降损。贝叶斯网络筛选出的主要影响因素包括：配网架构、电压、无功补偿以及平衡三相负载。针对四个方面的因素分别制定降损方法。
1)优化升级配网架构
配网网架布局情况直接决定电网的理论线损水平，对配网线路损耗有很大影响。电网企业应不断优化配网布局、合理配置设备设施，建立中心辐射状、主干路辐射状等合理化网络架构，有效减少线损损耗。
主要措施有：
①增加导线截面积。截面积S增大，线路自身电阻及感抗随之减小，如仅从降损效果来看，导线截面积显然越大越好，但从电网建设成本及节约一次投资方面考虑，导线截面积则是越小越好。因此综合考核以上因素，导线截面积应按目前我国现行经济电流密度J选择，这样就可以达到兼顾技术和经济两方面的最佳效果，满足配网线损率与电能质量的需要。
②缩短线路长度，减小供电半径。缩短线路长度L即可减小线路自身阻抗。供电半径过长是引起线损过高的主要原因之一。线路“合理供电半径”主要取决于电压等级和用户负荷密度，而城区电网与农村电网的网架结构、负荷密度、用户组成等均不同，因此供电半径需分开规定。电网企业应通过中低压配网改造、技改大修等本发明，加强对供电半径过长的线路及低压台区的改造力度，对供电线路超半径、供电网络末端薄弱等问题，重新布置变压器位置或新增布点，合理规划切改线路布局，有效缩短供电半径，以减少线路损耗，提高配网供电质量和供电可靠性。
③合理提升电压水平。配网电能损耗随供电电压U2增大成反比下降。假设升压前电压为U0，升压后电压为Ua，则升压后线损电量的降损百分比△A％为：
Figure BDA0003830422100000111
根据公式(10)，可得出不同电压等级升压后线损电量的降损百分比。因此，在合理规划的基础上，可通过适当提升电压等级的方式进行有效降损。例如将供电电压6kV升压至10kV，或是在低压台区推广应用有载自动调压变压器。在保证供电质量前提下，根据实际负荷情况适当提高运行电压，以达到降损目的。
配电网重构的数学模型：
选取配电网重构后网损最小作为目标函数。目标函数的定义为：
Figure BDA0003830422100000112
其中，ΔPli为第i段线路的有功损耗(kW)；N为支路数；Ri为支路i的电阻(Ω)；Pli、Qli分别为第i条线路的有功潮流(kW)和无功潮流(kVar)；Ui为第i条线路的电压值(kV)；ki为开关i的状态。
另外，在进行配电网重构时需满足以下约束条件：网络重构时各支路的潮流需要满足潮流方程等式约束；经配电网重构后，各条线路流过的功率以及节点的电压不应越限；配电网重构时需要满足负荷需求；重构后的配电网必须保持福射状，并且不能存在网络“孤岛”。
2)优化电压
优化电压控制的节能技术主要针对降低负荷设备的无用功率消耗，在保证电能质量的前提下，根据负荷特性进行最佳电压控制，降低负荷设备的无用功率消耗，建立考虑配电网网损、电压偏差以及电压稳定的多目标无功优化模型，并以各个节点电压的上下限和无功补偿点补偿容量的上下限为约束条件，并采用量子粒子群算法进行求解，寻找最佳无功补偿电容配置点和容量、变压器分接头位置。
3)合理配置无功补偿装置提高功率因数
由于配网***包含大量感性设备，如变压器、电动机等，其在运行过程中除了吸收***有功功率外，还需要吸收大量无功功率，会造成电网功率因数下降，最终导致了配网中线路损耗和变压器损耗的增加。因此，在负荷有功功率P一定的情况下，适当提高负荷功率因数
Figure BDA0003830422100000121
可减少感性设备所需无功功率Q，从而减小配网线路电流I，线路和变压器损耗也会随之下降。假设在安装无功补偿装置后，负荷功率因数从
Figure BDA0003830422100000122
提高到
Figure BDA0003830422100000123
那么假设线路输送有功功率和电压不变时，则线路减少的损耗电量为:
Figure BDA0003830422100000124
当前线路的无功补偿主要有3种方式：1)在变电站母线处按照主变容量的15％左右集中安装电容器组。2)在线路若干负荷中心处或线路2/3处集中安装补偿电容器组。3)在用户配变低压侧分散安装低压补偿电容器柜。在进行无功补偿电容器投切的过程中，必然会引起整条线路的潮流分布变化，改变各个节点的电压及负荷功率因素变化的同时，要达到降损的效果。灵敏度的本质即是一个参数对另一个参数的导数，通过线路总线损对各负荷节点无功功率的灵敏度求导数，表征负荷无功功率大小对线损的影响程度。因此，灵敏度大的负荷节点，改变该负荷节点的无功功率大小对总线路的线损影响程度大。基于电容器补偿原理，计算线路总线损对负荷节点无功功率的灵敏度，以负灵敏度大小对相应的不同负荷节点进行不同容量的电容器补偿，对降损效果进行分析，在合理的补偿电容容量范围内及在节点电压水平和功率因数在正常范围的前提下，找到最佳的降损方案。该方法在满足配电网安全可靠的前提下，尽最大的可能降低线损，提高电网运行的经济性。提出的基于线路总线损对负荷节点的灵敏度的远程投切补偿电容的降损方法，流程图如图7所示：
4)三相平衡措施
低压公变台区供电方式通常采用三相四线制，此供电方式下当三相负荷基本平衡时，零线上电流理论上为零。若当某相负荷增减幅值较大，会发生三相负荷不平衡情况，并在变压器低压绕组产生零序电流，电流又生成零序磁通，进而感应出零序电动势。该电动势叠加于各相电压后，造成三相电压中性点偏移。负荷大的一相电压降低，负荷小的两相电压升高，该电压波动现象对低压设备运行十分不利，同时增大低压台区的线损电量。
针对配电网三相不平衡问题，可以通过构建低压配电网三相负荷不平衡优化模型，应用粒子群智能优化算法寻求最优的相序调整策略，为三相负荷调整方案提供决策支持。同时，在线路上安装一定数量的相间负荷转移开关，将这部分负荷作为调节负荷，主控单元采集台区三相负荷情况并进行三相不平衡度分析，根据相间负荷转移开关的相位及负荷情况给出最优三相负荷转移调节策略。
(4)基于数据挖掘和人工智能的电网多目标综合优化模型和辅助决策框架
在电网己应用SCADA***的基础上，以有载调压变压器、调节发电机和无功补偿装置为主要手段，采用远程控制和就地操作相结合的模式，针对海西地区电网不同低压供电台区的不同管理侧重点，建立基于数据挖掘和人工智能的电网多目标综合优化模型和辅助决策框架,实现全网的优化控制。小电网的无功在线优化以局部电网的最优为目标，而全局电网在线无功优化控制***以负荷预测和实时负荷变化为基础，执行全网的优化控制。通过对电网无功配置进行优化控制，以达到全网无功潮流最合理，并使得无功补偿最小，有载变压器操作次数尽可能少。对采用调度自动化***的变电站采用先开环后闭环的运行模式，以减少误动作，减轻员工的劳动强度和提高工作效率。
电网无功优化能够有效降低电网网络损耗，提高电网运行的经济性和电压质量，主要包括规划和运行两方面的优化问题，其中，规划优化主要确定无功电源的位置和负荷的补偿容量。在配网运行优化中，无功电源的位置和容量等是确定的，调压变压器的调压水平和安装位置也是确定的，主要为优化无功电源的出力和变压器的档位调整。无功优化的关键是对非线性函数的处理、算法收敛性和解决优化问题中离散变量，配网无功优化的数学模型具有大规模、非线性等特点，通常以有功损耗最小或者电网投资最优为目标函数，以各节点的有功功率和无功功率平衡为等式约束，以无功电源出力上下限以及节点电压上下限等为不等式约束，基于数据挖掘技术的基本定义和分析过程，将支持向量机与遗传算法相结合，建立基于数据挖掘的电网多目标综合优化模型并求解，优化决策方案的框架图如图8所示。优化决策层以潮流计算为基础，利用数据挖掘算法获得优化控制的决策，安全模块在故障情况下可以保证***的安全可靠。依据SCADA/EMS***采集***的实时数据信息，根据电源、负荷、有载调压变压器、无功补偿装置等的分布和电网的潮流，通过求解多目标综合优化模型确定最优配置方案。通过无功优化控制，有效提高电能质量、降低电网损耗、提高电网的效率、减少和避免电压失稳事故。
优化决策方案的框架分为优化决策层、数据接口层以及管理决策层三个层次。优化决策层是无功控制管理的重要组成部分，它与数据接口层进行直接交互，可以依据接口层数据库中的数据来选择一个稳定高效的优化方案。数据接口层为***提供完整的数据访问接口。内部***采用双以太结构模式，故障时动态切换，实现开放式优化决策层和管理应用层的直接访问。后台的数据存储结构采用三层式的数据库结构体系，并设计了一个数据管理存储结构，以代替DBMS数据库***为优化计算机提供的服务。两台通讯服务器互为热备用。
(5)基于IEC 61970松耦合的配电网线损计算分析数据及资料自动获取和智能化建库技术，满足本发明开展和闭环应用的基础需求。
IEC 61970系列标准主要由公共信息模型(CIM)和组件接口规范(CIS)两方面内容组成。该标准使得配网线损计算智能信息***与其他调度***的交互成为可能，有利于实现配电网线损计算分析数据及资料自动获取和智能化建库，满足本发明开展和闭环应用的基础需求。单一***只能针对单一种类的数据，解决特定的一类问题，而本发明提出的智能化数据库可将自动获取的信息(包括计算分析数据及各类原始信息)进行集成，深度挖掘信息中隐含的信息，并将所得有效信息实时反馈给原始模型，对其进行修改与纠正，使模型更加精准，同时也为特征提取、合理决策等提供依据。在本章中，主要从信息融合的三个基本问题—***的数据问题、方法问题和模型问题出发，提出基于IEC61970松耦合的智能化建库技术，最后得出智能化数据库的结构模型。
1)多***信息融合基础数据
应用拓扑分析进行多***信息融合主要涉及到三类数据：CIM数据、SCADA数据、电网拓扑图。针对这三类数据进行简单介绍。
CIM数据
在电力***过程中，公共信息模型(CIM)描述了电力***元数据，通过规定属性，类型，类型关系等方式对电力***元件进行建模。CIM也是IEC 61970标准的重要组成部分，电网中主要元件如母线、负荷、发电机、变压器、线路、断路器从及限流电抗器等都在标准中有相关格式规定。本文信息融合过程中使用到的CIM数据通过解析CIM包得到，解析CIM包后得到XML格式的数据文件，根据IEC 61970标准规定的格式对得到的XML文件进行解析和分类。最后根据IEC 61970标准设计关系型数据库，将分类后的元件数据入库，为查询和拓扑分析提供数据支持。
SCADA数据
SCADA数据，亦即动态数据，可以从SCADA***获取，包括了内网实时数据和等值外网实时数据。是电网运行实时数据，与时间断面有关，记录了某一确定时间断面下电网状态，包括电气元件投切状态，详细参数，具体形态等信息。本文使用到的SCADA数据从SCADA***中以文本文件的形式获得，通过根据IEC61970标准进行数据库设计，并将数据存储，以便进行后期融合。
③电网拓扑图
电网拓扑图以CIM数据作为基础依据，利用图形化工具进行绘制，将电网关键电气元件以及元件间连线情况以图形的形式进行描绘。
2)智能化数据库各层次信息融合方法
信息融合针对多数据源进行分级处理，每一级代表对数据进行不同层次的处理，包括对数据的提取、检测、关联、整合等过程。按照其在处理层次的抽象程度，一般分为数据层，特征层，决策层三个层次。
①数据层的融合
数据层的融合是对多传感器检测的原始数据进行融合，以产生新的有价值的数据或信息。数据层的融合是最低层次的融合，是在采集到的传感器的原始信息层次上(或者经过简单预处理)而进行的融合。本发明主要从CIM模型中获取电网的静态拓扑结构，提取出电网的静态连接数据，这些数据描述了电网元件的静态属性和连接情况。依据CIM数据描述的连接关系绘制电网的拓扑图，能够更加直观地展示电网的连接结构。另一方面，从SCADA***中获得电网实时状态数据SCADA数据，其中包含了电网中所有元件的实时数据。对于同一电网的CIM和SCADA数据，通过数据关联，有助于线损异常的初步定位。
②特征层的融合
特征层融合属于中间层次，对多种数据进行特征融合，根据多个***的相关性，进行数据的综合分析和处理。特征层数据融合处于数据层和决策层之间，可兼顾两方优点，为决策分析提供所需的信息。
在本课题中使用到了CIM和SCADA两种数据为融合主体，将CIM,SCADA数据进行进一步整合，得到电网的实时逻辑关系，再将拓扑分析的结果提供给其他高级应用，如电压凹陷域分析，为后期线损异常点排查给出决策依据，实现决策层的融合。
③决策层的融合
决策层的融合属于高级融合，经过数据层和特征层的数据融合后，己经对数据进行了初步的整合，并进行特征提取，在决策层的融合过程中，对特巧层的融合结果进行进一步的整合和挖掘，得到深层次的决策结果，电网安全运行提供决策支持。
3)智能化数据库的结构模型
通过对基础数据以及计算分析数据的处理，可以挖掘出其中蕴含的深层次的信息，为后续高级应用提供数据。本发明提出的智能化数据库的结构模型如图9所示。
4)智能化数据库关键技术
①智能感知技术
智能传感技术是智能化数据库的核心技术。电网结构复杂，若要实现复杂***的数据获取，则需安装多个传感器设备，这就要求进一步实现传感设备的简单化、小型化、低成本、低功耗和高度集成化；不同的传感设备以其具体任务为驱动从而获取相应的数据和信息，因此，应根据电网对数据的需求来设计新型传感设备。目前，在实际电网中传感器的覆盖并不充分，应全面提升传感器技术以消除电网中的监测盲区。
②集成通信技术
目前，物联网通信技术可分为有线网络技术和无线网络技术两大类。智能化数据库中的数据高度分散，有线通信技术无法满足其需求，因此无线通信技术成为支持智能化建库的重要技术之一。第5代移动通信技术(5th Generation Mobile Networks,5G)因具有“高宽带、高容量、高可靠性、低延时、低功耗”的特点，将成为引领和支撑电力***技术创新、实现智能互联的关键技术。基于不同场景的5G切片网络通信技术被认为是解决大数据传输的重中之重。5G网络切片在电力***中的应用如图10所示。
③大数据处理技术
电力物联节点大量接入，导致数据量和数据类型迅速增长，为服务于配电网和智能台区智能监测、实时态势感知、精益控制、协调优化与降损技术等高级应用场景，实现对海量数据的有效处理是其中的关键。传统的数据处理往往采用以云计算为主的集中式大数据处理，这种处理方式对云端的存储空间及计算能力有较高要求，且具有延时性。在数据实时更新的物联网时代，集中式大数据处理方法已经不能满足发展需求。在此背景下，引入边缘计算方法，将计算任务就近解决，减少数据处理延迟、减少数据传输宽带、减轻云端的存储及计算压力、保证数据安全，使其与云计算模型协同工作，解决万物互联时代大数据的处理问题。边缘计算模型如图11所示。

Claims (9)

1.一种区配电网智能精细化降损方法，其特征在于：
第一步：增加导线截面积：截面积S增大，线路自身电阻及感抗随之减小，仅从降损效果来看，导线截面积显然越大越好，但从电网建设成本及节约一次投资方面考虑，导线截面积则是越小越好，因此综合考核以上因素，导线截面积应按目前我国现行经济电流密度J选择，这样就可以达到兼顾技术和经济两方面的最佳效果，满足配网线损率与电能质量的需要；
第二步：缩短线路长度，减小供电半径；缩短线路长度L即可减小线路自身阻抗，供电半径过长是引起线损过高的主要原因之一，线路“合理供电半径”主要取决于电压等级和用户负荷密度，而城区电网与农村电网的网架结构、负荷密度、用户组成等均不同，因此供电半径需分开规定，电网企业应通过中低压配网改造、技改大修等本发明，加强对供电半径过长的线路及低压台区的改造力度，对供电线路超半径、供电网络末端薄弱等问题，重新布置变压器位置或新增布点，合理规划切改线路布局，有效缩短供电半径，以减少线路损耗，提高配网供电质量和供电可靠性；
第三步：合理提升电压水平；配网电能损耗随供电电压U2增大成反比下降,假设升压前电压为U0，升压后电压为Ua，则升压后线损电量的降损百分比△A％为：
Figure FDA0003830422090000011
根据公式(10)，可得出不同电压等级升压后线损电量的降损百分比；因此，在合理规划的基础上，可通过适当提升电压等级的方式进行有效降损；例如将供电电压6kV升压至10kV，或是在低压台区推广应用有载自动调压变压器；在保证供电质量前提下，根据实际负荷情况适当提高运行电压，以达到降损目的；
配电网重构的数学模型：
选取配电网重构后网损最小作为目标函数,目标函数的定义为：
Figure FDA0003830422090000012
其中，ΔPli为第i段线路的有功损耗(kW)；N为支路数；Ri为支路i的电阻(Ω)；Pli、Qli分别为第i条线路的有功潮流(kW)和无功潮流(kVar)；Ui为第i条线路的电压值(kV)；ki为开关i的状态；
在进行配电网重构时需满足以下约束条件：网络重构时各支路的潮流需要满足潮流方程等式约束；经配电网重构后，各条线路流过的功率以及节点的电压不应越限；配电网重构时需要满足负荷需求；重构后的配电网必须保持福射状，并且不能存在网络“孤岛”；边缘计算方法为计算任务就近解决，减少数据处理延迟、减少数据传输宽带、减轻云端的存储及计算压力，其包括：云中心，预支连接的边缘设备，边缘计算，数据，数据库。
2.根据权利要求1所述的一种区配电网智能精细化降损方法，其特征在于：GMDH算法；GMDH本质上是试探自组织算法，由各输入单元交叉组合产生一系列的活动神经元，其中每一神经元都具有选择最优传递函数的功能，再从已产生的一代神经元选择若干与目标变量最为接近的神经元，强强结合再次产生新的神经元，重复优势遗传、竞争生存和进化的过程，直到形成最优模型，线路缺失数据预处理模型及方法步骤，确定应变量和自变量，确定缺失值上下限，缺失数据进行随机插补，建立数据分组处理模型，寻找最优复杂度模型，更新缺失插补值，循环直到缺失值不在变化。
3.根据权利要求1所述的一种区配电网智能精细化降损方法，其特征在于：自适应遗传算法优化BP神经网络的权值和阈值：采用该方法优势在于将待优化的BPNN的权值和阈值的方式编码成染色体，然后采用AGA全局搜索最优解，再将最优染色体(BPNN的权值和阈值)重新赋值于BPNN，得到训练好的网络，包括BPNN结构，权值或阀值得个数，AGA染色体。
4.根据权利要求1所述的一种区配电网智能精细化降损方法，其特征在于：数据挖掘过程主要包括四部分：历史数据获取；数据抽取、转换、加载(ETL)过程；数据预处理；特征降维。
5.根据权利要求1所述的一种区配电网智能精细化降损方法，其特征在于：基于灰色关联分析和改进神经网络的配电网线损预测方法共4个步骤，分别是电气特征指标体系的建立、AGA-BPNN线损预测模型的建立、配电网线损预测模型评估、配电网线损预测。
6.根据权利要求1所述的一种区配电网智能精细化降损方法，其特征在于：基于电容器补偿原理，计算线路总线损对负荷节点无功功率的灵敏度，以负灵敏度大小对相应的不同负荷节点进行不同容量的电容器补偿，对降损效果进行分析，在合理的补偿电容容量范围内及在节点电压水平和功率因数在正常范围的前提下，找到最佳的降损方案，该方法在满足配电网安全可靠的前提下，尽最大的可能降低线损，提高电网运行的经济性，提出的基于线路总线损对负荷节点的灵敏度的远程投切补偿电容的降损方法。
7.根据权利要求1所述的一种区配电网智能精细化降损方法，其特征在于：优化决策方案的框架包括优化决策层、数据接口层，管理决策层，优化决策层以潮流计算为基础，利用数据挖掘算法获得优化控制的决策，安全模块在故障情况下保证***的安全可靠，依据SCADA/EMS***采集***的实时数据信息，根据电源、负荷、有载调压变压器、无功补偿装置等的分布和电网的潮流，通过求解多目标综合优化模型确定最优配置方案，通过无功优化控制，有效提高电能质量、降低电网损耗、提高电网的效率、减少和避免电压失稳事故。
8.根据权利要求1所述的一种区配电网智能精细化降损方法，其特征在于：智能化数据库的结构模型：其包括数据层，特征层和决策层，通过对基础数据以及计算分析数据的处理，可以挖掘出其中蕴含的深层次的信息，为后续高级应用提供数据。
9.根据权利要求1所述的一种区配电网智能精细化降损方法，其特征在于：5G网络切片在电力***中的应用，其包括电力维护***中的切片管理器，包括URLLC超低时延切片，mMTC海里接入切，eMBB视频切片，Voice语音切片，配电自动化，分布式电源接入，智能巡检，电力调度；电力终端。
CN202211078752.0A 2022-09-02 2022-09-02 一种区配电网智能精细化降损方法 Pending CN115293649A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211078752.0A CN115293649A (zh) 2022-09-02 2022-09-02 一种区配电网智能精细化降损方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211078752.0A CN115293649A (zh) 2022-09-02 2022-09-02 一种区配电网智能精细化降损方法

Publications (1)

Publication Number Publication Date
CN115293649A true CN115293649A (zh) 2022-11-04

Family

ID=83834150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211078752.0A Pending CN115293649A (zh) 2022-09-02 2022-09-02 一种区配电网智能精细化降损方法

Country Status (1)

Country Link
CN (1) CN115293649A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115754416A (zh) * 2022-11-16 2023-03-07 国能大渡河瀑布沟发电有限公司 基于边缘计算的水轮发电机局部放电分析***及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115754416A (zh) * 2022-11-16 2023-03-07 国能大渡河瀑布沟发电有限公司 基于边缘计算的水轮发电机局部放电分析***及方法
CN115754416B (zh) * 2022-11-16 2023-06-27 国能大渡河瀑布沟发电有限公司 基于边缘计算的水轮发电机局部放电分析***及方法

Similar Documents

Publication Publication Date Title
CN104008430B (zh) 一种构建拟境挖掘动态智能负荷预测模型的方法
CN110705873B (zh) 一种配电网运行状态画像分析方法
Shukla et al. Allocation of optimal distributed generation using GA for minimum system losses in radial distribution networks
CN109546659B (zh) 基于随机矩阵和智能场景匹配的配电网无功优化方法
CN106505593A (zh) 一种基于大数据的配变三相不平衡分析与负荷调整的方法
CN103679544A (zh) 一种智能配电网运行综合评估方法
CN103761690A (zh) 基于电网***中电压无功控制***的评估方法
CN113269371A (zh) 一种智能配电网供电综合性能评估方法及***
CN104408562A (zh) 一种基于bp神经网络的光伏***发电效率综合评估方法
CN115528817A (zh) 一种用户端智能配用电***、方法、介质、设备及终端
Zhu et al. Reactive power optimisation using an analytic hierarchical process and a nonlinear optimisation neural network approach
CN107220758A (zh) 一种电网规划辅助***
CN113887141A (zh) 一种基于联邦学习的微电网群运行策略进化方法
CN115293649A (zh) 一种区配电网智能精细化降损方法
CN111626539A (zh) 一种基于q强化学习的电网运行断面动态生成方法
Zheng et al. Meta-heuristic techniques in microgrid management: A survey
Fan et al. Ultra-short-term bus load forecasting method based on multi-source data and hybrid neural network
CN112734590B (zh) 基于内点法和变领域搜索的动态规划法的二阶段区域电网无功优化方法
Zhu et al. On-site energy consumption technologies and prosumer marketing for distributed poverty alleviation photovoltaic linked to agricultural loads in china
Wang et al. Optimal Planning of Distributed Generation and Loads in Active Distribution Network: A Review
Senthil Kumar et al. [Retracted] Optimization Technique for Renewable Energy Storage Systems for Power Quality Analysis with Connected Grid
CN111541245A (zh) 一种智能家庭能量管理***控制方法
CN117374946B (zh) 一种基于消纳能力评估的配电网调度管理方法及***
Chaoyueling et al. Evaluation and analysis of power grid investment benefit efficiency based on DEMATEL-improved grey correlation method
Kang et al. Research on investment forecast of distribution based on BP neural network

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