基于配網四區主站和PMS系統的停電研判技術

毛以平，毛靖斐，司徒佳波，董 博

（國網浙江寧波市奉化區供電有限公司，浙江 寧波 315000）

0 引 言

配電網是連接高壓輸電線路和低壓用戶之間的一個重要環節，是現代化城市不可缺少的能源供應系統，具有對安全可靠性和供電質量要求高等特點。隨著經濟、技術的發展，人民群眾生活水平日益提高，越來越多的高科技、高智能電器走進工廠和家庭，這使得社會各界對縮短搶修時間、快速恢復供電、提高服務質量提出了更高的要求[1]。因此，主動搶修成為一種迫切的需求，在用戶報修之前，啟動搶修服務流程，使工作方式由以往的被動轉變為現在的主動，提高了工作效率，減小了停電影響，提升了客戶滿意度[2]。如何及早發現故障，實現主動搶修，目前仍是一個問題，本文旨在探索和研究一種“基于電力大數據的配電網主動搶修”的技術，利用數據分析技術，建立變壓器的停電明細與真實故障的關聯性，采用神經網絡方法，確立故障識別模型，方便維修人員盡快發現故障，以便采取行動，減少客戶投訴。

1 數據的獲取、處理及挖掘

1.1 數據的獲取

本文以2017年1月至2018年6月這段時間的停電數據為研究對象，從用電信息采集系統，采集如表1所示字段數據，共導出有效停電信號465 376條，其中公變停電數量83 571條，專變停電數量381 805條。

表1 部分專變停電明細表

登錄PMS系統，導出該時間段的配網檢修計劃信息，所提取的字段包括主線路名稱、工作開始時間、工作結束時間等；登錄營銷系統，導出2017年1月至2018年6月的95598工單明細，所提取的字段包括線路、受理時間、處理結果；最后還有人工整理的故障處理記錄，所整理的字段包括工作開始時間、工作結束時間、主線路名稱。從95598工單和人工工單中提出計劃檢修工單，構成了線路故障數據，得到有效故障記錄為1 826條，如表2所示。

1.2 數據的處理

2017年1月至2018年6月奉化供電公司在用電信息采集系統共導出有效停電信號465 376條，其中公變停電數量83 571條，專變停電數量381 805條。在公變和專變數量基本相等的情況下，專變的停電信號數量明顯多于公變的停電信號數量。從時間分布上來看，每年的6、7、8三個月是停電次數最多的，如圖1所示。

表2 有效故障明細表

圖1 按月統計專變停電信號數

借助Python軟件爬取并整理整理公變與專變的停電信號數量，由此得到同一時間同一線路上變壓器的停電數量[3]，如表3所示。

表3 公專變停電數量明細表

1.3 數據的挖掘

運用神經網絡模型對整理好的數據進行分析，以公專變的停電信號數量為自變量，故障為因變量，建立模型。這里以2017年初至2018年3月底數據為樣本數據，得到訓練結果，如表4所示。

模型的識別準確度為73%，由于在主動搶修中，把非故障識別成故障成本較高，因此故障命中率是一個比較重要的指標，它指的是識別為故障的事件中，真實故障所占的比例，模型命中率達到80.32%，故障識別率指的是識別準確的故障數量占樣本中故障總數量的比例9 473/（9 473+9 845）=49.04%。

表4 訓練模型識別結果分析

以2018年4月初到6月底的數據作為測試數據，按帶入模型進行預測，得到如下測試結果，如表5所示。

表5 測試結果分析

隨機選取的部分，預測結果準確性為72.51%，而故障命中率為79.13%，故障識別率48.58%。表明模型穩定性較好。

2 結 論

本文從所屬線路的專、公用配電變壓器停電信號數量出發，分析它們與故障之間的關聯性，以專、公變得停電信號作為自變量，以95598故障工單以及供電企業平時運行中的故障作為因變量，運用神經網絡算法建立基于停電信號的故障識別模型，通過利用現有的數據，大幅提高配電線路的故障識別能力，對真實的故障進行實時推送相關負責人，從而達到更有針對性、更及時的故障主動搶修。