中低壓混合配電網末端數據智能融合模型設計

利潤霖，李 川，吳 鋼

（國網信息通信產業集團有限公司，北京 102211）

“全能型”鄉鎮供電所智能化應用深化研發與建設的主要目標是推動供電所數據的深度融合，提高數據融合的及時性、準確性及顆粒度，將數據融合頻率提升至實時、將末端數據由供電所細化至網格、臺區甚至臺區經理[1]。利用粗糙集向量數據融合技術對數據集進行預處理，實現了冗余數據的快速融合；利用優先級分配策略對數據進行融合，可依據數據稀疏程度進行融合[2]。但是通過不同的元數據規范設計的傳統模型，不能解決中低電壓混合配電網中經常出現的大數據分層現象。針對上述現有問題，引入數據融合技術，結合自適應、自組織、分層等多項技術，建立了一個中低壓混合配電網末端數據智能融合模型。在該模型的基礎上實現了面向全局區域的電網數據安全分配，大大提高了區域電壓無功控制的準確性。

1 末端數據智能融合模型設計

末端數據智能融合過程所使用的微應用/微服務分層結構如圖1 所示。

圖1 微應用/微服務分層結構

1）表現層：負責用戶操作界面的表現，并與用戶直接交互。

2）應用層：通過調用服務層中的業務服務功能，實現獨立業務功能并與其他業務交互[3]。

3）服務層：負責執行獨立的業務邏輯，包括業務處理、公共技術實施和公共業務服務。

4）數據層：負責數據的永久存儲，根據業務需要選擇數據庫類型，一般推薦關系型數據庫，主要負責實現數據庫索引，不建議采用觸發器存儲[4]。

1.1 決策數據狀態特征提取

根據中低壓混合配電網末端數據管理多域之間的聯系，統計高層分層擴散模糊決策性質轉換的特征，模糊決策域的變化改變了高層擴散模糊決策的統計特征[5]。在層次化高階擴散模糊決策中存在如下因子：

嵌入式分層融合統計模糊決策結果為：

公式（1）、（2）中，z1、z2分別表示統計層高階擴散決策模糊因子、決策因子；l()φ表示測量距離；λ0表示模糊度；x、y表示公共模糊域，為末端數據智能融合奠定基礎[6-8]。

在決策數據模型的狀態提取過程中，將訓練樣本數據輸入函數作為伴隨狀態識別器，識別伴隨狀態集中的數據[9-10]。輸入的數據特征與驗證程序狀態識別和驗證相匹配，最終判定輸入的是否為一種有用的特征。

1.2 特征分層融合活性表征

對于特征分層融合活性表征，需使用閉頻繁項概率正則中的訓練遷移法則。閉合項目集中的支持計數與其自身的支持計數不相等[11-12]。若頻繁項目集閉合時間都相同，即支持度大于或等于最小支持度閾值，則該頻繁項目集為閉合頻繁項目集，其中，訓練遷移規則是將模型用于不同但有相關性的任務，以一種適當的方式表示對功能層次融合活動的適用性[13]。訓練遷移結果如圖2 所示。

圖2 訓練遷移

在此規則下，中低壓混合配電網閉合頻繁項網絡節點得到的最近時刻最大有效特征概率為1。假定xn+1的決策屬性值為dn+1=d1，擴充論域為Q′，時間間隔越長，獲得有效特征值的幾率越小。由于統計特性被引入到中低壓混合配電網中，因此，對電流的影響不大[14]。在中低壓混合配電網中，定位節點融合的倒數表示網絡效率，即中低壓混合配電網中統計特征分層融合節點a到定位節點b的間距為dab，其效率定義如下：

在中低壓混合配電網中，任意兩層融合定位節點的平均距離代表了云計算非線性差分最小適應函數的輸出值[15]。中低電壓混合配電網絡中，末端數據通過變量分配傳輸。對字符進行編碼和過濾，實現函數參數的快速輸入。中低壓混合配電網矢量空間模型的統計特征層次融合結構，可以用中低壓混合配電網的統計特征層次融合活動來描述[16]。

1.3 智能融合模型

采用非線性差分相位融合估計方法，實現了“全能型”鄉鎮供電站智能應用系統中低壓混合配電網末端數據的智能融合。在進行時間跨度時，在腳本注入模塊中將標記為屬性的函數作為測試腳本插入。在測試腳本的基礎上，利用數據狀態方程完成數據處理，并調用eval()函數，得到具有統計特征的層次融合調度函數如下：

公式（4）中，x(f)表示受限配電網中統計特征頻譜；YT(f)表示采樣末端數據信息頻譜；T表示融合周期；T0表示融合最初時間；f表示調度頻率；n表示融合次數，由此得到滿足中低壓混合配電網末端數據智能融合模型為：

在數據融合過程中，存在信息融合、編碼和過濾變換時間間隔，由此實現中低壓混合配電網末端數據智能融合。

2 實 驗

使用中壓4 節點單負荷系統和低壓15 節點系統作為中低壓混合配電網末端數據智能融合模型設計實驗系統，以m4 節點為臺區負荷節點，用戶電表等級為1/2 等級，實時測量的實際負荷值除了基礎值之外，還加上由隨機發生器隨機發生的2%的高斯隨機噪聲，其他節點虛擬量為0。

2.1 中低壓混合配電網狀態分析

中低壓混合配電網如圖3 所示。

圖3 中低壓混合配電網運行結構

依據圖3 所示的配電網運行結構，對其運行狀態展開分析，結果如表1 所示。

表1 中低壓混合配電網狀態分析

由表1 可看出，中低壓混合配電網狀態估計結果具有較高精度。在該配電網下統計相關業務，并以該業務為基礎，將粗糙集向量數據融合技術、優先級分配策略融合技術和基于數據頻繁分層的融合模型末端數據融合情況進行對比分析。

2.2 業務統計

統計臺賬管理內容，結果如表2 所示。

2.3 融合效果分析

以表2 所示的臺賬管理內容為基礎統計數據，結果如圖4 所示。

由圖4 可知，7 個部分的數據呈現出分散狀態，且不具有規律性，因此，使用3 種技術融合這些數據，結果如圖5 所示。

圖5（a）使用粗糙集向量數據融合技術雖然能夠將數據全部集中在一個區域，但該區域內部數據仍然過于分散，無法將數據有效融合在一起，且不具有規律性。

圖5（b）使用優先級分配策略融合技術相比于未融合前的數據具有一定聚集效果，但仍不在一個區域內，融合效果較差。

表2 臺賬管理業務步驟清單

圖4 數據統計結果

圖5（c）基于數據頻繁分層的融合模型可將數據以層的形式融合，保證所有數據都具有一定的規律性，按照不同屬性融合在不同層次結構之中，融合效果較好。

3 結束語

圖5 3種技術融合結果

文中的中低壓混合配電網末端數據智能融合模型，完善了現有的信息數據集成系統和配電網能源利用系統，從而提高了系統信息數據資源的使用效率和信息安全水平。該融合模型使工作人員能全面掌握供電所、臺區、臺區管理的整體情況，為電站的日常工作提供保障。以減輕基層負擔為出發點，進一步推進終端業務整合，實現營銷系統、PMS 等系統服務的終端一體化，集中統一處理供電及各專業的業務管理和業務評估。優化現有功能，深化數據應用，構建個性化功能，縮短數據融合時間是接下來研究的重點。