基于大數據的配網電壓智能分析及診斷應用研究

潘 良，唐星祝，曾 偉，梁偉峰，許凌云

1.國網湖南省電力公司婁底供電分公司，湖南 婁底 417000

2.國網湖南省電力公司電力科學研究院，湖南 長沙 410007

“有電用，電好用”是永恒的主題。目前，電網企業正處于電力體制改革的重要時刻，而備受社會關注的就是為用戶持續提供可靠、合格的電能，供電電壓合格率是其中最為重要的一項指標。電壓專業工作是受政府監管、履行社會責任的工作，也是保障公司持續發展的工作[1-4]。

用戶電壓合格率涉及變電站、線路、配變臺區、用戶等一連串環節，涉及調控、運檢、營銷、發展、項目管理中心等多個部門，涉及負荷參數、線路參數、配變臺區參數、用戶用電參數等多系統海量數據，迫切需要一套基于大數據的配網電壓異常智能分析及診斷應用輔助供電電壓治理工作。

1 總體目標

目前湖南全省臺區數量超過29萬個，用戶數量超過2890萬，并且與日俱增，數據量十分龐大，湖南電力在國網系統內主動率先打造省級電網電能質量精益管理體系，不斷推進電壓領域的大數據建設，全面對接全省海量的臺區及用戶電壓數據，不斷在電壓專業上爭先創優，提升電壓專業精益化管理水平，以客戶為中心，以降電壓類投訴為目標，持續深化低電壓、高電壓等問題分析，并針對性開展治理，支撐“有電用”向“電好用”升級轉型，增強客戶用電體驗，提高優質服務的能力和水平。

此課題在前期積累電力大數據的基礎上，重點優化提升數據智能分析。一是研究基于大數據的變電站電壓大數據智能分析及診斷應用系統，開發變電站電壓統計分析和預警等模塊功能。二是研究基于大數據的臺區電壓大數據智能分析及診斷應用系統，開發臺區電壓智能分析及診斷應用功能。三是研究基于大數據的用戶電壓大數據智能分析及診斷應用系統，開發用戶低、高電壓智能分析及診斷應用功能。

2 技術方案

2.1 總體框架

基于大數據的配電網電壓大數據智能分析及診斷應用系統主要由三個部分構成（如圖1所示），分別為數據源層、數據層和業務應用層。（1）數據源層，包括SCADA、AVC、PMS等多個系統配電網電壓大數據智能分析及診斷所需要的全部相關數據。（2）數據層，收集存儲數據源層中各業務系統中的數據，開展數據存儲、抽取、挖掘、分析計算，為基于大數據的業務應用提供數據支撐。（3）業務應用層，基于大數據開展配電網電壓大數據智能分析及診斷應用，包括電壓合格率監測、AVC區間以及配變檔位監測、低電壓與過電壓監測分析以及智能診斷和預警。

圖1 系統架構圖

2.2 主要功能

（1）基于大數據的變電站電壓大數據智能分析及診斷應用系統，開發變電站電壓智能分析及診斷應用功能。開展變電站電壓統計分析和預警。對變電站主變調檔統計涉及的主變數、線路數、線路帶低壓用戶總戶數、主變調檔前線路配變臺區出口電壓合格率、主變調檔后線路配變臺區出口電壓合格率、主變調檔前線路配變臺區下用戶電壓合格率、主變調檔后線路配變臺區下用戶電壓合格率、提升率、相關電壓值等進行統計。

（2）基于大數據的臺區電壓大數據智能分析及診斷應用系統，開發新臺區電壓智能分析及診斷應用功能。開展新投配變臺區統計分析和智能預警。對新投配變投運時間、配變檔位數、運行檔位、臺區用戶電壓合格率、不平衡度、負載率等情況進行統計分析。

（3）基于大數據的用戶電壓大數據智能分析及診斷應用系統，開展用戶低、高電壓智能分析及診斷功能應用。與低電壓模塊結合起來，實現用戶低、高電壓統計分析和預警。數據分析比對后，可以發現以前看不到的有價值的數據和線索，讓高、低電壓問題都看得清、摸得準，用實際行動踐行“不能用低電壓問題損害群眾利益”“不能用提高首端電壓掩蓋末端電壓問題損害群眾利益”的宗旨，讓低電壓、過電壓無處遁形，實現低電壓、過電壓標本兼治。

2.3 算法支撐

（1）線路首末端電壓降落，計算公式如下：

由式（1）可知，電壓降低與線路傳輸功率、線路電阻、線路額定電壓、導線橫截面積、供電距離有關。

（2）臺區電壓狀態劃分。根據《電能質量供電電壓偏差規范》（GB/T 12325—2008），220V單相供電電壓偏差為標稱電壓的+7%、-10%，臺區出口電壓狀態劃范圍如表1所示。

表1 臺區出口電壓狀態劃分

（3）關鍵指標統計。相關計算公式如下：

（4）智能分析與輔助決策。①聚類分析。聚類分析是基于數據特征按照相似性進行聚合，實現數據分類進而提供輔助決策的重要方法。文章中使用聚類分析實現臺區電壓異常分析和診斷功能。K-means模型是常用的聚類方法之一，基本原理為選擇k個數據點作為初始中心，統計各個數據點到k個初始中心的距離，把每個對象分配給距離它最近的聚類中心，重新計算聚類中心，直至達成聚類中心不再變化等結束條件。②關聯挖掘。電壓異常與臺區運行狀態密切相關。通過關聯挖掘可以識別其中的聯系，輔助特征分析和智能診斷功能。Apriori是挖掘關聯規則的常用算法，通過支持度（support）、置信度（confidence）等對完成關聯規則的挖掘。通常設定最小支持度閾值和最小置信度閾值，滿足閾值約束的規則即為強關聯規則。

3 案例與成效分析

以國網湖南省電力有限公司婁底供電分公司為試點，對3個110kV變電站AVC調控區間、108臺新投配變檔位以及9123個用戶的電壓合格率開展大數據監測分析、關聯特征挖掘、電壓異常預警，有效推進AVC調控區間和新投配變檔位的合理設置，驗證了基于大數據的電壓大數據智能分析及診斷應用系統功能的正確性和合理性。（1）臺區低電壓分布特征分析。基于大數據開展臺區低電壓分布特征分析，識別出造成臺區低電壓的主要原因為設備重過載、供電半徑過長、導線線徑過小等，占比分別為39.82%、33.17%、24.16%。（2）臺區低電壓原因分析與輔助決策。基于大數據識別導致電壓偏低的主要因素包括臺區配變及線路重過載、供電半徑過長、線徑過小、三相負荷不平衡、AVC設置不合理、低壓無功補償容量不足或可用率低、配變分接頭設置不合理等，主要舉措為加大低壓線徑、配變增容、增大低壓線徑、新建或分拆臺區、優化AVC區間和配變分接頭設置等。（3）臺區電壓異常預警。基于Apriori關聯分析識別配電臺區的容量、線路末端最低電壓、臺區低壓側最長主干線線徑、最長供電半徑與電壓異常的關聯關系，并基于該關聯關系，實現對臺區電壓異常狀態的預警。（4）電壓控制策略的優化提升。基于實際運行大數據分析10kV母線電壓合格率，通過開展AVC調控區間和配變檔位分析，優化AVC定值、配變檔位設置，經調整前后對比驗證，大幅提高了AVC受控站和配變調檔后的電壓合格率。

4 結束語

該課題研究成果在試點公司、省公司應用成功，未來可以進一步推進管理創新，促進國網公司系統電壓大數據智能分析治理工作全覆蓋，全面提升配網電壓智能分析診斷以及輔助決策能力。