基于大數據的智能配電網三相不平衡負荷預測系統設計

韓笑 王春蘅

摘 ?要： 面對電力系統產生的大量數據，傳統預測系統已經表現出明顯不適應性，并存在預測誤差大的問題，為了有效緩解該問題，設計了基于大數據的智能配電網三相不平衡負荷預測系統。根據硬件部署結構，初始化配置以STM32F101最小系統為核心的數據采集器，依據MODBUS通信協議使信息采集管理模塊與負荷預測模塊數據共享。使用光耦隔離方式設計電源轉換電路，結合三相控制開關，完成硬件部分設計。在大數據環境下分析三相不平衡負荷特點，計算電流輸入層和隱層之間多點負荷線性關系，完成節點間的權值修正，依據負荷預測流程實現三相不平衡負荷預測系統設計。由實驗結果可知，該系統比傳統系統預測誤差小，為配電網安全運行提供了理論依據。

關鍵詞： 智能配電網; 三相不平衡; 負荷預測; 系統設計; 數據共享; 權值修正

中圖分類號： TN99?34; TP391 ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）07?0182?05

Design of big data based three?phase unbalanced load prediction system

for intelligent power distribution network

HAN Xiao， WANG Chunheng

（Jiangsu Province Key Construction Laboratory of Active Distribution Network， Nanjing Institute of Technology， Nanjing 211167， China）

Abstract： The traditional forecasting system has shown obvious inadaptability and has the large prediction error due to the large amount of data generated by power system. In order to effectively alleviate these problems， a big data based three?phase unbalanced load prediction system for intelligent distribution network is designed. The data collector with STM32F101 minimal system as the core is initially configured by means of the hardware deployment structure. According to MODBUS communication protocol， the data sharing between information collection management module and load prediction module is realized. The power conversion circuit is designed with the photocoupler isolation mode. The hardware design is completed in combination with the three?phase control switch. In the large data environment， the characteristics of three?phase unbalanced load are analyzed， the linear relationship of multi?point load between current input layer and hidden layer is calculated， the weights among nodes are corrected， and the three?phase unbalanced load prediction system is designed according to the load forecasting process. The experimental results show that the prediction error of the system is smaller than that of the traditional system. The proposed system provides a theoretical basis for the safe operation of the distribution network.

Keywords： intelligent distribution network; three?phase unbalance; load prediction; system design; data sharing; weight correction

0 ?引 ?言

電力負荷總量增長快速、配電網結構不斷變化，以緊急供電恢復為中心的電力轉移需要更多負荷數據支持，也就是需要對結構規模變化較快的智能配電網進行大數據三相不平衡負荷預測[1]。三相不平衡致使電能質量評價成為重要指標，造成三相不平衡的主要原因是三相元件、線路或負荷等因素不對稱而引起的電路故障，這種故障屬于長期三相不平衡現象[2]。這一現象將導致電網可靠性與穩定性降低，甚至影響電力系統正常運行，隨著智能配電網的發展，為了解決上述現象帶來的安全問題，對負荷進行預測成為一個重要而且必要的環節[3]。以往負荷預測方法主要是基于統計預測、回歸分析、卡爾曼濾波法，這些方法雖然能滿足系統短期負荷預測需求，但隨著智能配電網規模的不斷擴大，系統不斷升級，不能使用簡單預測方法處理三相不平衡負荷問題[4]。為此，本文提出了基于大數據的智能配電網三相不平衡負荷預測系統設計。

1 ?系統硬件部分設計

電力市場運營模式下，需提前幾天完成日負荷預測，在原計劃負荷值與實際負荷值差別較大的情況下，需及時對當日剩余時間段負荷重新預測，挽回經濟損失。硬件部署結構如圖1所示。

硬件是由信息采集與管理模塊、負荷預測模塊和上報模塊組成的。其中，負荷預測模塊中的短期負荷預測是指未來24 h負荷和未來一星期負荷預測;而超短期負荷預測是指未來1 h內負荷預測;擴展短期負荷預測是指未來2～5 h以內負荷預測[5]。為了提高預測精準度，需比平時提前半個小時完成負荷預測。

1.1 ?數據采集器模塊

信息采集與管理模塊包括數據采集器與分析儀兩種設備。其中，數據采集器負責對負荷信息、氣象信息、電價信息和其他可測信息進行采集;數據分析儀負責對采集到的信息進行分析與管理[6]。

數據采集器可將條碼掃描裝置與數據終端進行一體化處理，具備實時采集、自動存儲、實時反饋和自動傳輸功能，為三相不平衡負荷預測提供真實的數據采集結果。數據采集器結構如圖2所示。

數據采集器可同時采集電壓、電流輸入輸出信號，并且每個部分都是獨立工作的，采用RS 485與上位機通信，并使用MODBUS協議作為規約，方便信息采集、管理模塊與負荷預測模塊相連接，實現設備間數據共享。STM32F101性價比較高、片內集成資源豐富，可簡化采集器外部電路設計，并為系統工作提供所需時鐘，通過初始化配置STM32F101系統內部時鐘寄存器，可將外部時鐘頻率變大[7]。使用HCNR201線性光耦進行信號隔離，并在電壓信號接口輸入DC 0～5 V信號，使經過調理后的電路對信號進行隔離，并傳送到STM32F101系統A/D采樣通道內，而開關量輸入接口采用光耦隔離方式，能夠實現光電轉換與隔離保護[8]。

1.2 ?電源電路模塊

采集器電源接口轉換電路設計如圖3所示。

數據采集器可在DC 12 V電壓上工作，該電壓經過LM7805CT轉換為+5 V電壓，并經過電感[L15]實現輸入電壓和電源GND的隔離[9]。由于STM32F101系統正常工作電壓為3 V左右，因此，設計DC 5 V轉DC 3.3 V電源轉換電路，如圖4所示。需通過LT1117_3.3電源模塊轉換為DC 3.3 V電壓，供系統CPU使用[10]。

采用信號隔離技術對RS 485通信電路信號進行采集，供RS 485芯片工作電源和模擬量信號處理線性光耦電源的電壓轉換，并且芯片隔離電壓溫度特性較好。

1.3 ?負荷預測開關模塊

負荷預測模塊在很大程度上影響著預測系統的精準度，結合智能配電網運行情況，主要包括對日、周、月、季、年負荷數據進行分析，其中，日負荷包括單日負荷和多日負荷，以此分析負荷曲線走勢，并統計最大/最小負荷值[11]。因此，對其開關模塊進行設計是很有必要的。

負荷預測開關結構設計如圖5所示。

圖5中，[C1]表示運行電容，[C2]表示啟動電容。由于三相開關有別于雙相開關，因為控制面板上開關按鈕設置不同，具有單聯雙控、雙聯雙控、三聯雙控特點，按照聯數增加，接線也相對復雜[12]。

通過控制預測開關，可利用數據采集器收集三相不平衡負荷數據，以此為基礎，完成硬件部分設計。

2 ?基于大數據預測系統軟件部分設計

在大數據環境下，數據呈現量大、屬性復雜的特點，因此，采用從節點到整體設計方式，從單個節點角度出發，預測智能配電網各個節點的負荷變化情況，結合配電范圍內各個節點預測情況，獲取整體三相不平衡負荷預測結果[13]。三相不平衡通常是以負序與正序分量的百分比來表示，大數據環境下多點負荷結構示意圖如圖6所示。

圖6中，白色圓代表電力傳輸專線，選擇[W1]～[W3]部分區域作為待預測區域，以最高級別節點為整體，區域內次級節點作為單個節點，分析三相不平衡負荷，在數據環境下設計系統負荷預測實現方案。

2.1 ?三相不平衡負荷分析

三相不平衡度計算公式為：

[δ=V2V1×100%] （1）

[V1=13Va+λVb+λ2VcV2=13Va+λ2Vb+λVc] （2）

式中：[λ]表示旋轉算子;[V1]，[V2]分別表示正序和負序分量;[Va]，[Vb]，[Vc]分別表示三相電壓矢量。

由于智能配電網低壓結構性改造并未完全實現，出現三相不平衡負荷較為普遍，輸電線路通常為三相四線，其工作原理為：經過上述轉換電路進行電壓轉換后，通過三相四線為用戶傳輸電力，具體傳輸方式如圖7所示。

圖7中，[a]，[b]，[c]分別表示電力傳輸三條線路，[o]表示中性線。如果三相平衡，那么中性線就無電流產生。由于很多低壓臺區無法承受功率單相負載影響，其產生的電流幅值差會超出正常范圍，繼而出現三相不平衡負荷。

2.2 ?多點負荷預測算法研究

根據三相不平衡負荷分析結果，對電流輸入層和隱層線性關系展開研究，計算公式如下：

[si=fjωijrj] （3）

式中：[si]表示節點[i]輸出值;[rj]表示節點[j]輸出值;[ωij]表示兩個節點之間的權值;[f]為激勵函數。

充分考慮大數據處理的時間要求，通過不斷重復計算各層梯度與權值向量，迭代處理直到獲取最小誤差位置，達到權值修正的目的。

針對多點負荷預測，設計如圖8所示的實現流程。

根據圖8所示的預測流程，可實現智能配電網三相不平衡負荷預測系統設計。

3 ?實 ?驗

結合某地區配電網負荷、氣象等實際數據，驗證分析基于大數據的智能配電網三相不平衡負荷預測系統設計是否合理。實驗數據來自于某市電力公司2018年12月份31天中每15 min統計的負荷數據，按照0～15序號進行編排。

從上述數據庫中選取12月28日和29日負荷數據，兩日實際負荷走向曲線如圖9所示。

分析28日和29日07：12—14：52分實際負荷走向可知，當時間為11：48—12：34時，29日實際負荷達到最低，為600萬kW左右;而當時間為07：12—07：58時， 28日實際負荷達到最低，為1 000萬kW左右。

1） 28日實際負荷走向

隨著時間的增加，該日實際負荷走向呈升?降趨勢，且在時間為12：34—12：57時，實際負荷達到最高，為3 400萬 kW左右，由此說明這個時間段出現三相不平衡的概率較大。

2） 29日實際負荷走向

該日實際負荷走向隨著時間增加呈升?降?升?降趨勢，且在時間為13：20—13：43時，實際負荷達到最高，為3 700萬kW左右，由此說明這個時間段出現三相不平衡的概率較大。

對比兩日實際負荷走向，選擇波動較為明顯的29日實際負荷數據為參考數據，對比分析傳統系統與基于大數據系統29日負荷走向，對比結果如圖10所示。

從圖10中可看出：基于大數據系統負荷走向與實際負荷走向曲線基本一致，而傳統系統在時間為11：02—11：25時，負荷已經達到最低，為800萬kW，而實際負荷在時間為11：48—12：34時達到最低，為600萬kW左右，因此，采用基于大數據系統進行負荷分析更為準確。

針對兩種系統預測誤差分析，需以某日全天負荷數據為基礎，設實際負荷為[F0]，傳統系統為[F1]，基于大數據系統為[F2]，對比結果如表1所示。

根據上述對比結果可知，基于大數據系統與實際負荷預測誤差較小，最小可達到0，而傳統系統與實際負荷預測誤差較大，最小預測誤差也達到22，因此，基于大數據的智能配電網三相不平衡負荷預測系統預測精準度更高，說明該系統設計較為合理。

4 ?結 ?論

三相不平衡現象的日趨嚴重，僅使用傳統系統已經無法滿足智能配電網安全運行的需求，對電能質量造成了極大影響。為了改善傳統系統預測精準度，本文提出了基于大數據的智能配電網三相不平衡負荷預測系統設計，并制定三相不平衡治理體系，通過實驗驗證了該系統具有良好的適應性，這為大數據技術有效解決相關問題提供了行之有效的方法。

限于實驗條件，雖然對系統研究取得了一定成果，但仍然存在許多不足之處，結合實際工作，需進行深入研究，并對未來作出如下展望：

1） 從研究內容可看出，不同系統配置能夠得到不同預測結果，但研究項目中只提出了兩種測量配置，并沒有進行優化研究，因此，后續對優化配置研究顯得尤為重要。

2） 預測狀態變量只選取常規電壓幅值，缺少對變壓器位置的預測，因此，在后續研究進程中應充分考慮變壓器電壓幅值變化，優化系統性能。

參考文獻

[1] CHAI Qianyi， ZHENG Wenbin， PAN Jiekai， et al. Research on condition monitoring and fault handling methods of intelligent distribution network based on large data analysis [J]. Modern electronic technology， 2018， 41（4）： 105?108.

[2] 陳敬德，盛戈皞，吳繼健，等.大數據技術在智能電網中的應用現狀及展望[J].高壓電器，2018，4（1）：35?43.

[3] 吳在軍，成晟，朱承治，等.基于線性近似模型的三相不平衡有源配電網重構[J].電力系統自動化，2018，42（12）：140?147.

[4] 孫江山，劉敏，鄧磊，等.基于自適應無跡卡爾曼濾波的配電網狀態估計[J].電力系統保護與控制，2018，46（11）：10?14.

[5] 胡麗娟，刁贏龍，劉科研，等.基于大數據技術的配電網運行可靠性分析[J].電網技術，2017，41（1）：265?271.

[6] ZHENG Xiang， ZHAO Fengzhan， YANG Rengang， et al. Reactive power operation evaluation system for low voltage distribution network based on large data [J]. Power grid technology， 2017， 41（1）： 272?278.

[7] 徐祥征，王師奇，吳百洪.基于大數據分析的配電網主動檢修業務應用研究與實現[J].科技通報，2017，33（6）：105?108.

[8] 葛賢軍，艾明浩，李志宏，等.基于CEP引擎的配電網運行監控信號大數據ETL方法[J].電工電能新技術，2017，36（9）：39?45.

[9] 張樂.基于大數據的分布式中壓配電網空間負荷分配方法研究[J].科學技術與工程，2017，17（15）：228?233.

[10] 郝然，艾芊，肖斐.基于多元大數據平臺的用電行為分析構架研究[J].電力自動化設備，2017，7（8）：20?27.

[11] 王瑞，周晨曦，逯靜.基于一種組合模型的短期電力負荷預測[J].計算機仿真，2018，35（12）：396?400.

[12] 陳本陽，張成剛，倪鳴，等.基于模糊信息?；蜗蛄繖C的電網負荷預測[J].電子設計工程，2018，26（6）：56?59.

[13] 王靈矯，夏偉，譚貌，等.供電系統電力短期負荷預測優化仿真研究[J].計算機仿真，2018，35（4）：53?57.