基于八叉樹結構的配電網運行數據可視化監(jiān)控

徐春華，張 勇，王 超，陳建鈿，梁 苑，楊葉昕

（廣東電網有限責任公司珠海供電局，廣東珠海 519000）

電力系統結構復雜，其中配電部分占據了重要地位。配電是將電力分配給各類用戶，一旦配電環(huán)節(jié)出現錯誤，之前的電力生產、運輸、變電等一切努力都將白費[1]。配電網是配電系統中分配電能的網絡，主要由架空線路、電纜、桿塔、配電變壓器、隔離開關、無功補償電容以及一些附屬設施組成。在運行期間，配電網的每種設施都會產生大量的流動性數據，均被記錄在案。然而，這些大數據種類繁多、數量巨大，要想有效利用存在諸多困難[2]。為此，對配電網運行數據進行有效監(jiān)控成為當下的研究重點。

分析配電網運行數據可以明確配電網運行狀態(tài)，發(fā)現其中的異常以及規(guī)律性，目前已有相關學者對配電網運行數據監(jiān)控進行了研究。馮磊等人[3]建立了網格分布結構模型，實現了對配電網運行數據三維場景可視化重構；賀斯琪[4]等人以浙江省某縣級城區(qū)配變電網的運行數據為基礎，進行數據可視化設計；李毅[5]進行基于同步數據的配電網運行狀態(tài)可視化研究，將挖掘出來的價值數據通過可視化的形式呈現出來，實現了配電網橫縱向運行情況的一覽式掌握。

1 數據可視化監(jiān)控研究

1.1 配電網運行數據獲取

配電網由眾多設備、設施組成，運行產生的數據類型多樣且數量龐大，準確獲取配電網運行數據較為困難。為此采用統一的采集智能終端實現配電網運行數據采集，如圖1 所示。

圖1 配電網運行數據采集終端

令一段時間內采集的配電網運行數據記為X：

式中，m為配電網運行數據集中元素總數；xj為配電網運行數據集中的數據元素；s為xj的配電網運行數據維度；Rs為自然數，xj1,xj2,…,xjs為xj中不同時段的配電網運行狀態(tài)監(jiān)測值。

1.2 配電網運行數據預處理

1.2.1 數據標準化

數據標準化是指消除不同類型數據之間的量綱，以方便不同數據之間的比較分析。數據標準化方法主要有三種，即數據中心化、離差標準化和數據正規(guī)化[6]。

1）數據中心化

數據中心化(centralization)是指將原始數據減去平均值，計算公式如下。

對屬性標準化：

對樣方標準化：

2）離差標準化

離差標準化(deviation standardization)是指在原始數據減去平均值的基礎上再除以離差[7]，計算公式如下。

對屬性標準化：

對樣方標準化：

3）數據正規(guī)化

數據正規(guī)化(normalization)是指在原始數據減去平均值再除以離差的基礎上除以自由度N-1 或P-1，也就是用標準差進行標準化[8]，計算公式如下。

對屬性正規(guī)化：

對樣方正規(guī)化：

1.2.2 數據降維

來自不同的數據源的數據存在不同的維度，為了方便計算和可視化，需要對數據進行降維處理。采用線性映射方法[10]中的主成分分析方法進行降維，具體過程如下。

步驟1：設有m條n維數據；

步驟2：將原始數據組成m×n階的變量矩陣；

步驟3：將X的每一行進行標準化；

步驟4：求出協方差矩陣C；

運用Microsoft Excel統計處理數據、計算平均值和標準差，結合SPSS 21.0軟件，采用單因素方差分析（One-way ANOVA）的Duncan多重比較法，分別對不同時間對照和增溫處理下美國薄荷的各項生理指標進行分析，比較不同時間各指標的處理組與對照組之間差異顯著性。數據在進行方差分析前，均進行了方差齊性檢驗。運用Oringin 9.1軟件繪圖。

步驟5：求出C的相關系數矩陣R；

步驟6：求解樣本相關矩陣R的特征方程，求出協方差矩陣的特征值，并按照特征值大小進行排序；

步驟7：對每個特征值解方程組，得到對應的特征向量；

步驟8：計算特征值的信息貢獻率和累積貢獻率；

步驟9：按累積貢獻率，選取最大的前K個特征值對應的特征向量，即為主成分；得到主成分為降維到k維后的數據[11]。

1.3 配電網運行數據挖掘

通過數據挖掘對數據進行分類，以便明確配電網各設備運行狀態(tài)，發(fā)現其中存在的異常，從而進行及時排除故障。采用BP 神經網絡來進行分類識別[12]。BP 神經網絡模型如圖2 所示[13]。

圖2 BP神經網絡模型

BP 神經網絡訓練包括正向傳播和反向傳播兩個過程[14]。

1）正向傳播

隱含層凈輸入：

隱含層輸出：

式中，xi為第i個訓練樣本；Zj是隱含層輸入；yj是隱含層輸出；wij為輸入層第i個單元與隱含層第j個單元間的連接權重；p是隱層單元總數；aj是隱含層第j單元的閾值；n為輸入層單元總數；yj是第j單元的輸出；f()是隱含層使用的激活函數。輸出層的凈輸入：

輸出層輸出：

式中，Zt是隱含層輸入；yt是隱含層輸出；wjt是隱含層第j個單元與輸出層第t個單元間的聯結權重；q為輸出層單元總數；at是隱含層第t單元的閾值；f()是輸出層使用的激活函數[15]。

2）反向傳播

計算輸出層輸出與期望輸出的差值，并判斷其與設定閾值的大小關系。若大于閾值，則進行反向傳播，調節(jié)權值和閾值[16]；若小于閾值，則BP 神經網絡訓練完成。

輸出層和隱含層各單元權值Δωjt和閾值Δθt調整公式如下：

式中，δt、δj分別為輸出層和隱含層的調整誤差；α、β均為學習速度。

在神經網絡訓練完成后，將測試樣本輸入到訓練好的BP 神經網絡模型當中[17-18]，即可實現配電網運行數據分類識別。

2 仿真實驗分析

為驗證所研究的基于八叉樹結構的配電網運行數據可視化監(jiān)控方法的有效性，設計模擬實驗進行驗證。

2.1 研究對象

隨機選取某段智能配電網作為研究對象，其配電網簡化圖如圖3 所示。

圖3 配電網簡化圖

圖3 中，Bus1、Bus2 為母線；L1、L2為傳輸線；T1、T2、T3為變壓器；Secl、Sec2 為區(qū)域；BR 為母線保護；OR 為過流保護；TR 為變壓器保護；DR 為后備距離保護；CB 為斷路器。

2.2 實驗參數

仿真實驗中BP 神經網絡參數設置情況如表1所示。

表1 實驗參數

2.3 仿真實驗流程

基于八叉樹結構的配電網運行數據可視化監(jiān)控仿真流程如圖4 所示。

圖4 仿真實驗流程

2.4 數據監(jiān)控性能檢驗

為了校驗對數據的監(jiān)控性能，人為損壞斷路器CB5 開關，然后采集這一段配電網運行數據，對其進行監(jiān)測，并以文獻[4]方法、文獻[5]方法作為實驗對比方法，得到監(jiān)控準確率如圖5 所示。

圖5 數據監(jiān)控準確率

根據圖5 數據監(jiān)控結果顯示，所提方法能夠準確監(jiān)測配電網故障，證明了該文研究的基于八叉樹結構的配電網運行數據可視化監(jiān)控方法的監(jiān)控性能得到有效驗證，說明該方法具有廣泛的應用前景。

3 結束語

該文提出一種基于八叉樹結構的配電網運行數據可視化監(jiān)控方法，經過實驗驗證了該方法對配電網故障的監(jiān)測準確性較高，能很好地進行配電網數據的分類和異常識別。然而，該研究校驗是在仿真實驗環(huán)境中進行，應用于實際中可能會存在一定的誤差，因此仍需要進行優(yōu)化和改進，以適應更多的實際應用場景。