基于停電明細數據的配電網可靠性監測與研究

盛銀波，仲立軍，張利庭，周子譽，龔書能

（1.國網浙江省電力有限公司嘉興供電公司，浙江 嘉興 314000；2.國網浙江海鹽縣供電有限公司，浙江 海鹽 314300）

0 引言

隨著社會經濟快速發展和電力負荷的迅猛增長，用戶對供電可靠性的要求越來越高[1-4]。配電網作為連接供電企業和用戶的主要環節，其供電可靠性直接反映出供電企業對客戶的持續供電能力，不僅影響供電企業的社會效益和經濟效益，還綜合反映供電企業的優質服務水平[5-6]。

目前，電力企業的數據挖掘工作不斷深化，在營銷、物資、檢修運維等方面都有了比較成熟的應用[7-12]。作為電力企業聯系用戶的一個重要環節，配電網業務涉及廣泛，橫跨多個信息系統，數據字段豐富，數據量龐大，為開展數據價值挖掘和應用奠定了良好的基礎。但因信息系統之間并未形成有效的關聯，且受采集器、專業考核等多方面因素影響，配電網可靠性實際較為復雜。由于配電網停電明細數據存在噪音，如果對數據不加處理就直接使用，會導致結論失真，且嚴重制約明細數據的深化應用。

目前供電企業供電可靠性管理主要是基于信息系統停電事件數據開展的，以展示指標、風險預警等應用為主，未涉及底層明細數據[13-15]。故此，從數據源頭出發，通過對配電網供電可靠性相關停電明細數據進行梳理、驗證并深入挖掘，準確定位配電網薄弱環節，輔助企業在可靠性管理提升方面做出更加精準、更加符合精益化運作的決策，為電網規劃、主動運維提供有效手段。

1 停電明細數據獲取及處理

1.1 數據來源

以公司配電網相關信息系統為基礎，選取涉及配電網可靠性相關數據進行分析，包括智能公用配電變壓器（以下簡稱配變）系統、營配貫通系統和生產管理系統等數個信息系統。

停電記錄源數據包括：終端停電明細數據、周計劃停電明細數據和設備故障主動處理明細數據。其中，終端停電明細為采集器上傳的數據，能夠最直觀地反映用戶當前的運行狀態；計劃停電明細為檢修部門提前安排停電線路并在系統中錄入的數據；故障停電明細則是系統運算后得到的數據。但因設備或人為等因素，3部分源數據都存在一定的噪音，需處理后才能有效運用。

1.2 數據處理

依據數據質量評估模型，從一致性、完整性、準確性、冗余性等維度對停電事件進行質量評估，通過篩選、組合、排序等方式對明細數據進行有效整理，解決明細數據中存在的問題，消除噪聲數據和無關數據，最終形成可供監測、分析的準確數據。數據處理的整個過程如圖1所示。

圖1 數據處理流轉過程

數據質量問題的來源多樣，可以歸結為信息問題、流程問題、管理問題和技術問題4個方面：

（1）數據重復：系統終端采集裝置上傳停電數據后，存在復電時間字段數據為空的情況，終端后期對該數據進行補錄，并且未刪除原數據，導致數據重復。

（2）數據存在“停電恢復時間”為空值：系統終端采集裝置判斷終端停電，上傳停電數據后，終端損壞，無法上傳停電恢復時間，導致“停電恢復時間”字段為空，進而導致停電累計時長（min）不準確或為空。

（3）“停電恢復時間”數據出現未來時間：系統終端采集裝置判斷終端停電，上傳停電數據后，終端時鐘模塊損壞，時鐘不準確，導致“停電恢復時間”字段數據遠遠大于“停電發生時間”字段數據，出現未來時間數據，進而導致停電累計時長數據為超大值。

（4）“停電累計時長”數據為0或負值：系統終端采集裝置判斷終端停電，上傳停電數據后，終端時鐘模塊損壞，時鐘不準確，導致“停電恢復時間”字段數據小于或等于“停電發生時間”字段數據，進而導致停電累計時長數據為0或負值。

（5）時長小于3 min的數據：是正常的數據，但可靠性規程里此類數據不納入統計，因此也應予以清洗。

（6）時長過大、不合理的數據：公變數據“停電累計時長”數據存在2 880 min（48 h）以上記錄。以上記錄依據搶修時長判斷為不合理數據。

1.3 數據交叉驗證

數據交叉驗證作為數據處理的一個重要環節，實現多個信息系統的數據關聯，通過數據間的相互校驗，將停電記錄加以區分，明確故障停電和計劃停電。

理論上，終端停電明細數量應等于故障停電明細和計劃停電明細的數量之和。但實際上，因數據質量問題導致它們之間的數量存在差異。根據這3類停電源數據之間的交叉關系，將其劃分為5類數據，詳見表1。

表1 5種特征數據類型情況

按數據處理方式，可將上述5類數據分為以下2部分。

第1部分為完全匹配數據。以第1類數據為例，即同時在終端停電明細和故障停電明細出現的數據，以及同時在終端停電明細和計劃停電明細出現的數據，這2部分數據可明確定義為故障停電數據和計劃停電數據。

第2部分為未完全匹配數據。以第3類數據為例，即終端停電明細、計劃停電明細及故障停電明細交叉驗證后，得到均未與計劃停電明細和故障停電明細匹配的終端停電明細數據，由于無法直觀地判斷這部分數據的停電性質，需借助相應算法加以區分。

嘉興供電公司配變停電次數分布見圖2，可以看出，該類數據與故障停電明細數據的共變性較大。

圖2 各類型停電次數分布

對第3類數據與故障停電明細和計劃停電明細在一日內每小時的停電次數進行Pearson相關性分析，相關性矩陣如表2所示。

表2 Pearson相關系數矩陣

從相關性矩陣中可以發現，第3類數據和計劃停電的相關系數僅0.277，為弱相關；而與故障停電的相關系數高達0.837，為強相關。所以將這部分納入故障停電。

利用均值檢驗分析、Pearson相關性分析等手段，完成所有5類數據的停電性質研判，最終還原得到真實的、可用于分析的計劃停電和故障停電數據。

2 基于停電明細的聚類分析

數據處理完畢后，為了更好地反映地區配電網的供電可靠性，將已區分停電性質的停電明細應用于下屬供電所、臺區，通過聚類分析，直觀展示配電網的薄弱環節。

2.1 基于停電類型的供電所、臺區分類

以供電所為例，針對故障停電特征和計劃停電特征分類，按統計期內的停電類型進行分布統計，得到故障停電次數、故障停電累計時長、故障停電平均時長、計劃停電次數、計劃停電累計時長和計劃停電平均時長6個維度數據，進行K-means聚類分析分類，詳見表3。

表3 供電所聚類分析結果

由表3知K-means聚類各類特征如下：

（1）第1類供電所的故障停電指標和計劃停電指標總體高于較其他2類，是供電可靠率較低的供電所。

（2）第2類供電所的故障停電指標和計劃停電指標總體低于其他2類，為供電可靠率較高的供電所，但該類供電所的停電復電時長相對較高。

（3）第3類供電所的的故障停電指標和計劃停電指標總體居中。

對聚類的分類效果進行檢驗，采用ANOVA單因素方差分析，結果詳見表4?？梢园l現，各分類指標的F檢驗值的顯著性小于0.01，即各類指標在3類別中的均值水平存在顯著差異，說明該聚類的分類效果顯著。

表4ANOVA單因素方差分析結果

2.2 基于停電時段的供電所、臺區分類

以臺區為例，按計劃停電時段特征分類，將統計期間的計劃停電時段分布統計，得到凌晨計劃次數（X1）、凌晨計劃停電累計時長（X2）等12個維度數據，具體見表5。

由于維度較多，考慮用主成分分析法進行降維。根據提取方差貢獻大于1的主成分原則，將12個維度信息提取降為4個主成分，信息提取率為85.04%，如表6所示。

旋轉成份矩陣a又稱因子載荷矩陣，它反映了各主成分對分類指標信息的提取程度，即各主成分對分類指標的解釋程度，如表5所示，根據各主成分解釋時段的程度，分別將第一、二、三、四主成分命名為凌晨計劃因子（F1）、上午計劃因子（F2）、 夜晚計劃因子（F3）和下午計劃因子（F4）。

以第一主成分為例，它提取了凌晨計劃次數、凌晨計劃停電累計時長、凌晨計劃停電平均時長3個分類指標信息的90%以上，對其他分類指標信息的提取程度很低，即第一主成分對凌晨計劃次數、凌晨計劃停電累計時長、凌晨計劃停電平均時長3個分類指標的解釋程度較大，因此使用第一主成分（F1）歸納3個分類指標的信息。

用因子進行K-means聚類，各類別特征如圖3所示。

圖3 各類型臺區計劃停電時段特征

從整體上看，各臺區上午計劃因子的差異不大，第2類臺區下午計劃因子高于其他臺區，第3類臺區夜晚計劃因子高于其他類別臺區。即第2類臺區為下午計劃停電頻繁臺區，第3類臺區為夜晚計劃停電頻繁臺區。

表5 旋轉成份矩陣a

表6 主成份方差貢獻率

3 結語

基于配電網相關信息系統，通過對停電明細數據的大數據分析，清楚了解供電公司所屬供電所、臺區的運行情況，準確定位地區配電網薄弱環節。這有助于專業部門根據故障停電與計劃停電的停電次數與分布指導配電網薄弱環節的整改，優化改進檢修計劃的合理安排。同時，供電所、臺區的聚類分析對未來區域配電網的投資改造給予了有效的數據支撐，為進一步提高電網的供電能力、提升用戶的供電可靠性指明了方向。