基于大数据的配电网中短期电压越限预警方法与流程

本发明涉及电力系统预警技术领域。

背景技术：

目前，人们对配电网电压控制技术的研究，其发展相关主要分为三个阶段:不考虑分布式电源的传统无功电压控制阶段、考虑分布式电源的分散式的自治控制阶段和考虑分布式电源的集中式协同控制阶段。各国的电网公司和研究机构充分认识到了无功配置不足、有功负荷波动所导致的电压波动、以及分布式电源接入等因素对配电网电压风险的影响，并对电压风险判断的基础理论作出了一定研究。但是，由配电自动化系统数据驱动的配电网电压风险分析及预判技术，还有待进一步研究。其中，电压风险指的是电压波动至正常的198v-242v之外，出现电压越限，从而对电网运行造成影响。

技术实现要素：

本发明针对以上问题，提出了一种逻辑清晰、步骤有序且可对中短期内电压是否越限进行良好、有效的判断的基于大数据的配电网中短期电压越限预警方法。

本发明的技术方案为：按以下步骤进行操作：

1)、分析研究电压越限的影响因素：通过前期的科研文献指导与调研结果，拟定电压越限的相关因素，主要包括：配变容量、配变功率、配变电压、母线电压、馈线功率、馈线容量、功率因素、电源距离、母线供电半径以及气候温度；

2)、分析越限的主要成因：调取曾经发生过电压越限的台区的相关数据，利用相关数据建立电压越限现象与各关联因素的逻辑回归模型：

其中p为当月越限概率，x为上一个月电压越限的相关因素，即以配变某段时间是否发生越界作为输出变量，以前一段时间变压器各影响因素波动特征作为输入变量依次输入逻辑回归模型中，采用逻辑回归模型进行训练和学习，统计相关程度，分析各台区越限的主要成因；

得出，母线电压的均值、配变电压的均值、配变功率的最大差值、馈线功率的最大差值与越限的关联性最大，为越限的主要成因；

3)、将与所在配电网电压风险相关的主要成因的数据经过抽取、预处理并融合到配电网电压风险预判分析特征表中；

4)、未来第一个月预测：

4.1)、训练随机森林模型：将上一个月电压越限的主要成因的数据以及当月越限情况的数据输入随机森林模型中，建立若干决策树一；

4.2)、预测：将当月电压越限的主要成因的数据输入所有决策树一中进行预测，得到若干结果，取若干结果中出现最多的结果作为对下一个月电压是否越限的预测结果；

5)、未来第二个月预测：

5.1)、训练随机森林模型：将当月之前第二个月电压越限的主要成因的数据以及当月越限情况的数据输入随机森林模型中，建立若干决策树二；

5.2)、预测：将当月电压越限的主要成因的数据输入所有决策树二中进行预测，得到若干结果，取若干结果中出现最多的结果作为对未来第二个月电压是否越限的预测结果；

6)、未来第三个月预测：

6.1)、训练随机森林模型：将当月之前第三个月电压越限的主要成因的数据以及当月越限情况的数据输入随机森林模型中，建立若干决策树三；

6.2)、预测：将当月电压越限的主要成因的数据输入所有决策树三中进行预测，得到若干结果，取若干结果中出现最多的结果作为对未来第三个月电压是否越限的预测结果；

7)、未来第四个月预测：

7.1)、训练随机森林模型：将当月之前第四个月电压越限的主要成因的数据以及当月越限情况的数据输入随机森林模型中，建立若干决策树四；

7.2)、预测：将当月电压越限的主要成因的数据输入所有决策树四中进行预测，得到若干结果，取若干结果中出现最多的结果作为对未来第四个月电压是否越限的预测结果；

8)、未来第五个月预测：

8.1)、训练随机森林模型：将当月之前第五个月电压越限的主要成因的数据以及当月越限情况的数据输入随机森林模型中，建立若干决策树五；

8.2)、预测：将当月电压越限的主要成因的数据输入所有决策树五中进行预测，得到若干结果，取若干结果中出现最多的结果作为对未来第五个月电压是否越限的预测结果；

9)、未来第六个月预测：

9.1)、训练随机森林模型：将当月之前第六个月电压越限的主要成因的数据以及当月越限情况的数据输入随机森林模型中，建立若干决策树六；

9.2)、预测：将当月电压越限的主要成因的数据输入所有决策树六中进行预测，得到若干结果，取若干结果中出现最多的结果作为对未来第六个月电压是否越限的预测结果；

10)、结果整合：对未来一至六个月电压是否越限的预测结果进行统计；完毕。

所述步骤2)中根据电压越限的相关因素多次建立逻辑回归模型，每一次x作为配变容量、配变功率、配变电压、母线电压、馈线功率、馈线容量、功率因素、电源距离、母线供电半径以及气候温度中一个。

本发明通过融合配电网电压风险分析多维度相关数据，利用随机森林技术实现多重因素影响下的单台配变中短期电压越限预测，识别单台配变中短期电压越限风险类型，并给出越限风险概率，有效提升对中短期配电网电压越限问题的优化治理能力。从整体上具有逻辑清晰、步骤有序且可对中短期内电压是否越限进行良好、有效的判断的优点。

附图说明

图1的本案中预测流程示意图。

具体实施方式

本发明按以下步骤进行操作：

1)、分析研究电压越限的影响因素：通过前期的科研文献指导与调研结果，拟定电压越限的相关因素，主要包括：配变容量、配变功率、配变电压、母线电压、馈线功率、馈线容量、功率因素、电源距离、母线供电半径以及气候温度；

2)、分析越限的主要成因：调取曾经发生过电压越限的台区的相关数据，利用相关数据建立电压越限现象与各关联因素的逻辑回归模型：

其中p为当月越限概率，x为上一个月电压越限的相关因素，即以配变某段时间是否发生越界作为输出变量，以前一段时间变压器各影响因素波动特征作为输入变量依次输入逻辑回归模型中，采用逻辑回归模型进行训练和学习，统计相关程度，分析各台区越限的主要成因；

得出，母线电压的均值、配变电压的均值、配变功率的最大差值、馈线功率的最大差值与越限的关联性最大，为越限的主要成因；

3)、将与所在配电网电压风险相关的主要成因的数据经过抽取、预处理并融合到配电网电压风险预判分析特征表中；配变越限因素相关采集数据数据质量对未来预测模型有显著影响，需要对原始数据质量进行预处理和清洗；配变电压大于0小于110或大于330的数据点置为无效数据，删除整条数据均无效配变电压数据；根据低电压过电压标准，对采集数据中变压器越界情况进行识别并标注，其中低压标识为-1，正常标识为0，高压标识为1。基于数据预处理和清洗后的数据，计算配电网电压风险预判与辅助分析特征数据；各月配变电压和功率、母线电压、馈线功率等波动特征，以及相关固定属性相关因素，将结构化数据导入数据库存储；

预测流程如图1所示；

4)、未来第一个月预测：

4.1)、训练随机森林模型：将上一个月电压越限的主要成因的数据以及当月越限情况的数据输入随机森林模型中，建立若干决策树一；

4.2)、预测：将当月电压越限的主要成因的数据输入所有决策树一中进行预测，得到若干结果，取若干结果中出现最多的结果作为对下一个月电压是否越限的预测结果；随机森林模型训练时采用对样本和变量双重随机抽取方式，构建若干个不同的短期决策树，从不同维度对配变电压是否越界进行预判，最后根据少数服从多数原理实现对电压越限预判，并得到其越限概率；

5)、未来第二个月预测：

5.1)、训练随机森林模型：将当月之前第二个月电压越限的主要成因的数据以及当月越限情况的数据输入随机森林模型中，建立若干决策树二；

5.2)、预测：将当月电压越限的主要成因的数据输入所有决策树二中进行预测，得到若干结果，取若干结果中出现最多的结果作为对未来第二个月电压是否越限的预测结果；

6)、未来第三个月预测：

6.1)、训练随机森林模型：将当月之前第三个月电压越限的主要成因的数据以及当月越限情况的数据输入随机森林模型中，建立若干决策树三；

6.2)、预测：将当月电压越限的主要成因的数据输入所有决策树三中进行预测，得到若干结果，取若干结果中出现最多的结果作为对未来第三个月电压是否越限的预测结果；

7)、未来第四个月预测：

7.1)、训练随机森林模型：将当月之前第四个月电压越限的主要成因的数据以及当月越限情况的数据输入随机森林模型中，建立若干决策树四；

7.2)、预测：将当月电压越限的主要成因的数据输入所有决策树四中进行预测，得到若干结果，取若干结果中出现最多的结果作为对未来第四个月电压是否越限的预测结果；

8)、未来第五个月预测：

8.1)、训练随机森林模型：将当月之前第五个月电压越限的主要成因的数据以及当月越限情况的数据输入随机森林模型中，建立若干决策树五；

8.2)、预测：将当月电压越限的主要成因的数据输入所有决策树五中进行预测，得到若干结果，取若干结果中出现最多的结果作为对未来第五个月电压是否越限的预测结果；

9)、未来第六个月预测：

9.1)、训练随机森林模型：将当月之前第六个月电压越限的主要成因的数据以及当月越限情况的数据输入随机森林模型中，建立若干决策树六；

9.2)、预测：将当月电压越限的主要成因的数据输入所有决策树六中进行预测，得到若干结果，取若干结果中出现最多的结果作为对未来第六个月电压是否越限的预测结果；

10)、结果整合：对未来一至六个月电压是否越限的预测结果进行统计；完毕。

模型训练之前需要对训练数据预处理，配变越限情况分布明显不平衡，需要先对数据分布进行修正，考虑考生产环境样本分布不对称，训练样本中正常电压和越界电压比例设为10:1，采用正常变压器欠样本法平衡数据。特征数据表各维度数据存在量纲差距，将数据规约到0-1之间。训练集和测试集：采用随机抽取和逐月预测两种方式。

实现中短期电压越限预警，需要考虑机器学习时间跨度问题，模型预判时间跨度应与模型训练时间跨度保持一致。结合实际生产环境，时间跨度选择1个月较为合理，即以当月越界情况与前面1个月(或2-6个月)进行训练，利用当月数据实现对未来1个月(或2-6个月)越限预警，对各月预测结果进行综合，从而实现中短期电压越限预警。实际使用时，由于输入的主要成因所在的月份与预测结果所在的月份越近，预测的准确度越高，因此，每个月均需对未来半年进行预测。

随机森林模型训练时采用对样本和变量双重随机抽取方式，构建若干个不同的决策树，不同的决策树像不同领域的专家，从不同维度对配变电压是否越界进行预判，最后根据少数服从多数原理实现对电压越限预判，并得到其越限概率。随机森林模型需要训练6次，分别得到1-6各月步长的预判结果及预判概率，并据此综合得到未来6个月越界情况及概率。

所述步骤2)中根据电压越限的相关因素多次建立逻辑回归模型，每一次x作为配变容量、配变功率、配变电压、母线电压、馈线功率、馈线容量、功率因素、电源距离、母线供电半径以及气候温度中一个。