基于數據特征的配電網同期線損異常辨識方法

肖光旭, 岑炳成, 陳泉, 朱丹丹, 黃成

(1.國網江蘇省電力有限公司南京供電分公司,江蘇,南京 210019; 2.國網江蘇省電力有限公司電力科學研究院,江蘇,南京 211103;3.國網江蘇省電力有限公司,江蘇,南京 210024)

0 引言

目前我國電力公司使用的基于一體化電量與同期線損管理體系,致力于提高電力公司管理效率,避免電路故障發生。然而,就目前配電網運行情況來看,實際線損值相比于理論值來說差異較大。配電網同期線損管理依托全覆蓋信號采集模式,以供、用電在線監測為核心,重點研究同期線損變化,使系統建設和運行控制變得越來越重要。為此,對配電網同期線損異常辨識對于優化配電網結構具有實際意義。

目前相關領域學者對配電網同期線損異常辨識進行了研究,并取得了一定的研究成果。文獻[1]提出了基于孤立森林算法的判定方法,該方法首先使用k-means算法聚類不同負載工況,然后采用孤立森林算法計算異常分數,最后對異常數據進行閾值對比,得到最終判斷結果,該方法具有較高的可靠性。文獻[2]提出了基于負線損分析的辨識方法,首先應確定計量數值前后線損的變化情況,然后結合分析結果進行故障辨識,最終得到負線損超標原因,該方法具有一定的有效性。但上述方法的聚類中心相距較近,使得特征向量無法聚類,導致同期線損異常辨識結果不精準。針對上述問題,提出了基于數據特征的配電網同期線損異常辨識方法。

1 配電網同期線損數據近似相等特征分析

由于配電網同期線損數據較多,導致實際運行所產生的同期線損數據與理論數值存在一定偏差,該偏差數值具有隨機性和分散性,分布在零值附近的區域內,因此差值序列也被稱為秩值。秩值是呈對稱關系的,因此,正“秩和”與負“秩和”絕對值近似基本一致。

正“秩和”與負“秩和”概率密度隨誤判概率變化情況,如圖1所示。

圖1 正“秩和”與負“秩和”關系示意圖

由圖1可知,以線損電量為例,對線損電量、輸入電量和輸出電量中“秩和”差異特征存在的位置為例,進行詳細說明:

(1) 在獲取的所有配電網同期線損數據中,部分數據為零值數據,正常數據減少,為了保證總的線損數據量不變,實際辨識向量與理論辨識向量之差為負值,即為負“秩和”[3]。

(2) 在獲取的所有配電網同期線損數據中,部分數據為恒值數據,此時無法獲取精準實際辨識向量與理論辨識向量之差,即無法確定秩值的正負。

(3) 在獲取的所有配電網同期線損數據中,部分數據為突變數據,正常數據減少,為了保證總的線損數據量不變,實際辨識向量與理論辨識向量之差為正值,即為正“秩和”[4]。

基于上述內容可知,在獲取的所有配電網同期線損數據中,部分數據為突變數據,則正“秩和”與負“秩和”相差較大;在獲取的所有配電網同期線損數據中,全部數據為正常數據,則正“秩和”與負“秩和”近似相等。基于該特征,對同期線損異常數據辨識。

2 基于數據特征的配電網同期線損異常辨識方法

2.1 配電網同期線損異常情況分析

結合正“秩和”與負“秩和”概率密度,確定配電網同期線損異常因素,以此為導向,設計配電線路同期線損分析流程,實現配電網支線動態管控。配電線路同期線損分析流程如圖2所示。

圖2 配電線路同期線損分析流程

由圖2可知,首先應查看配電網總線路和各個支路是否存在回路,如果是,則配電網線路正常;反之,則線路異常,查看配電網相關配置是否完善。如果配電網相關配置不完善,那么應先完善電源配置,查看配置反饋結果,并返回到支線上查看線路是否允許電流通過;如果配電網相關配置完善,那么應先檢查配電網閉合開關是否能夠正常使用[5]。如果不正常,使用反饋計量裝置核查倍率信息,查看核查結果,并循環檢查各個線路是否允許電流通過;如果配電網閉合開關能正常使用,那么應先檢查線損變化數值是否與現場采集到的數值一致[6]。如果存在誤差,則將結果反饋給運維檢查部門進行現場維護;如果數值一致,則將檢查公變電量是否正常。如果不正常,則需核查用電情況,并檢查支線線路上是否允許通多電流;如果正常,則需查看線路是否達標,如果達標則直接反饋相關結果。反之,則需重新判斷該線路是否存在回路,由此完成配電網同期線損異常情況分析。

2.2 基于近似相等特征的同期線損負荷聚類

通過分析配電線路同期線損所經過的各個環節,需對同期線損負荷進行聚類處理。聚類是將每個環節所產生的特征向量聚在一起的過程,確定一個中心點,根據數據密度計算特征向量中容易出現聚類中心點的概率[7-8]。因為在聚類中心附近存在較高的密度數據點,所以在選擇第一個聚類中心后,繼續尋找下一個節點,直到所有節點成為聚類中心的可能性小于設定的閾值。

設輸入的n個特征向量為a1,a2,…,an,每個特征向量都可以作為聚類中心,由此構造的表征向量ai密度指峰函數如下:

(1)

式(1)中,r表示數據點的鄰域半徑。根據各個數據點密度計算結果,確定該點的領域點,即具有最高密度的數據點。

基于近似相等特征的同期線損負荷聚類過程,持續到剩下的其他節點成為聚類中心的可能性小于設定的閾值即可,由此終止聚類,避免出現相距較近的聚類中心,實現數據特征向量聚類。

2.3 配電網同期線損異常辨識流程設計

根據負荷聚類結果,設計配電網同期線損異常辨識流程,如圖3所示。

圖3 配電網同期線損異常辨識流程

由圖3可知,其具體操作流程如下。

步驟1:構建拓撲結構,簡化基本參數,并對各個支線進行編號處理[9];

步驟2:構建配電網網絡結構,確定支線向量;

步驟3:初始化t+1時刻的配電網潮流,以此作為量測值,根據如下公式計算實際辨識向量與理論辨識向量之差:

α=nt+1-mt+1

(2)

式(2)中,nt+1表示t+1時刻的實際辨識向量,mt+1表示t+1時刻的理論辨識向量。

步驟4:根據計算結果,判斷配電網線路中是否存在不良回路,如果有,則轉到下一步,否則到步驟7;

步驟5:檢查不良回路中是否存在大于實際辨識向量與理論辨識向量之差的值,如果沒有,則反饋支線編號。反之,則轉到下一步;

步驟6:將t+1時刻的計算結果作為新的辨識結果;

步驟7:構建關聯矩陣,計算支線上實際辨識向量與理論辨識向量之差。

如果在關聯矩陣模型圖中,每條邊都確定了一個正方向,那么經過確定方向的關聯矩陣模型圖被稱為定向圖。因此,通過對電路各個定向支路和回路關系分析,可描述定向圖[10]。給定一個定向圖,該圖中存在k條支線,g個回路。規定每個回路正方向,描述所有回路和各個支線之間關系,設E表示回路編號,W表示支路編號,那么支線數量為:當支路編號中包含了全部的回路編號,且回路和各個支線的方向一致,此時支線數量是1條;當支路編號中包含全部的回路編號,且回路和各個支線的方向相反,支線數量是2條;當支路編號中不包含全部的回路編號,支線數量是0條。

支線上實際辨識向量與理論辨識向量之差,計算公式為

Δα=n′-m′

(3)

式(3)中,n′表示支線上實際辨識向量,m′表示支線上理論辨識向量。

當配電網正常運行時,實際辨識向量與理論辨識向量之差為0,可以忽略;當配電網異常運行時,實際辨識向量與理論辨識向量之差不為0,根據分析的非0數值可以對不良數據進行初步辨識。然而,由于實際辨識過程中,也可能存在不良數據,因此,必須通過計算支線上實際辨識向量與理論辨識向量之差,判斷所有數據中是否含有不良數據。

步驟8:基于差值計算結果形成的不良回路中,存在大量支線數據,說明辨識結果為對應的支線故障辨識結果,由此完成配電網同期線損異常辨識。通過上述流程可知,構建的配電網網絡拓撲結構,簡化基本參數,確定支線向量,該辨識方法能夠有效降低時間復雜度。

3 實驗分析

3.1 配電網基本情況

為了驗證基于數據特征的配電網同期線損異常辨識方法的有效性,結合江蘇電網同期線損作業情況,利用配電網同期線損異常辨識流程,驗證線損異常辨識情況。首先,構建節點系統網絡拓撲結構,并對各個支線進行編號處理,確定支線向量,節點系統網絡拓撲結構如圖4所示。

圖4 節點系統網絡拓撲結構圖

由圖4可知,該系統包含了11個節點,其中,節點0是發電源點,其余節點為負荷節點。然后,初始化配電網潮流作為量測值,根據式(2)計算實際辨識向量與理論辨識向量之差,進而判斷配電網線路中是否存在不良回路。最后,忽略各條支路線損情況,系統在正常運行狀態下,將這些接地支路作為獨立回路連接,并在兩個節點之間增設樹支,此處的回路相當于電流。系統的獨立回路構成,如表1所示。

表1 系統獨立回路構成

根據配電網環境,對異常數據進行辨識。其中,異常數據主要包括線路損耗、配變損耗等數據。該數據的分布較為復雜,且初始數據不易收集。

3.2 待辨識故障數據分析

配電網在投運初期,從0節點到8、9、10、11節點過程中進行數據傳輸容易出現故障問題,因此繪制在不同情況下的待辨識故障數據,如圖5所示。

(a) 0～8節點

由圖5可知,當配電網投運初期,各類故障數據特征變量值變化較為規律情況下,出現了處于數量較多的異常數據。如圖5(a)可知,當投運時間大于60天后,支線出現了故障數量大于10個的情況;如圖5(b)可知,當投運時間大于20天后,支線出現了故障數量大于5個的情況;如圖5(c)可知,當投運時間大于40天后,支線出現了故障數量大于7個的情況;如圖5(d)可知,當投運時間到20天時,支線出現了故障數量大于11個的情況。由此說明,隨著配電網投運時間的增加,對支線故障有一定影響,因此,將這部分變量作為線損異常特征變量。

3.3 實驗結果與分析

統計上述數據,分別使用文獻[1]方法、文獻[2]方法和本文方法進行對比,分析待辨識故障數據,如圖6所示。

(a) 0～8節點

由圖6可知,使用基于孤立森林算法的判定方法、基于負線損分析的辨識方法的異常數據變化曲線,與實際異常數據變化曲線不一致,尤其在0～8、0～9支線上,異常數據辨識結果與實際辨識結果相差較大。而使用基于數據特征的辨識方法異常數據變化曲線,與實際異常數據變化曲線一致,在0～8、0～9支線上,分別存在1個異常數據辨識誤差。由此可知,基于數據特征的辨識方法能夠有效減小異常數據辨識誤差,準確辨識異常數據。

在此基礎上,進一步驗證所提基于數據特征的辨識方法的配電網同期線損異常辨識時間復雜度,分別使用文獻[1]方法、文獻[2]方法和本文方法進行對比,得到3種方法的配電網同期線損異常辨識時間如表2所示。

表2 3種方法的配電網同期線損異常辨識時間

從表2中可以看出,隨著迭代次數的增加,3種方法的配電網同期線損異常辨識時間均隨之增加。當迭代次數為500次時,文獻[1]方法的配電網同期線損異常辨識時間為34.2 s,文獻[2]方法的配電網同期線損異常辨識時間為30.1 s,而本文方法的配電網同期線損異常辨識時間僅為21.3 s。由此可知,本文方法的配電網同期線損異常辨識時間較短,其配電網同期線損異常辨識時間復雜度較好。

4 總結

本文提出的基于數據特征的配電網同期線損異常辨識方法,充分利用了同期線損異常數據信息,相對當前的辨識方法能夠取得更加精準的辨識結果。經過實驗發現,有些問題還有待解決,比如差值的邊界問題,即實際辨識向量與理論辨識向量差值,一旦發生異常現象時,辨識結果不精準,有待進一步深入研究。