基于數據挖掘的配電網線路不停電作業能力定級評估

孫 偉，趙江寧，徐昭麟，王華昕，麻寧杰

（1.國網浙江省電力有限公司紹興供電公司，浙江 紹興 312000；2.上海電力大學，上海 200090）

0 引言

隨著經濟社會的快速發展，社會各界對于供電可靠性提出了越來越高的要求。根據2019 年數據顯示，某東部發達地市受停電作業影響40萬戶數，戶均停電3.15 h。國網公司明確提出，要將配電網不停電作業作為城市配電網檢修的主要方式，以實現供電可靠性和優質服務水平顯著提升的目標[1]。由于缺乏科學、完備的配電網不停電作業條件判定的衡量標準，不能準確評判各種配電網不停電作業條件的優劣，從一定程度上影響了配電網不停電作業開展，國網公司尚未有對配電網不停電作業條件進行數據量化的方法[2-5]。在配電網信息化的推動下，通過數據挖掘、統計分析和機器學習的方法篩選、利用、分析大量數據對線路不停電作業難易程度的評定，構建一套科學、高效的配電網不停電作業全面評價數字模型，提升不停電作業管理水平顯得尤為重要[6]。

針對配電網不停電檢修可靠性問題，有很多學者提出了不同的評估方法，文獻[7]提岀了一種采用主成分分析和單層次分析等數據挖掘手段來實現等級評分的方法。文獻[8]提出了結合蒙特卡洛模擬法的評估方法；文獻[9]采用故障模式影響分析法對可靠性進行評估；文獻[10]采用最小割集法計算可靠性，用割集來體現不停電檢修可靠性指標受到影響時發生的變化，由于考慮的因素過多，計算量偏大；文獻[11]提出了最小割集-網絡等值的改進解析方法，利用網絡等值法可以有效簡化配電線路。上述評估算法都能夠很好地應用于電網評估指導工作當中，為評估指標的選取提供有力的理論依據。此類研究包含對配電網不停電作業進行經濟評估，對不停電作業綜合性能的評估卻很少有研究。評估指標是評估體系的基礎，合理的選擇不停電作業評估指標，能夠準確地反映不停電作業能力等級。本文以不停電作業綜合評估指標體系為基礎，依托國網供服系統中臺提供的海量數據，通過數據挖掘手段實現數據降維，深入挖掘不停電作業評估指標，構建了不停電作業等級評估模型，在綜合考慮各類指標影響的同時，減少了計算量。以浙江地區某配電線路實際情況為例，展開現場評估，驗證方法有效性。并開發了評估軟件模塊，對區域電網展開有效評估工作，確定線路作業等級并出具評估意見。

1 不停電作業指標體系

1.1 基礎評估指標

配電網不停電作業過程容易受到很多因素干擾，比如資源配置、人員調動和環境變化等。因此，需要選取一個準確合適的評估體系，來對線路不停電等級進行合理的評估。通常用以下兩個準則來評估配電網的不停電作業能力：配電網供電安全可靠性和線路開展不停電作業難度。主要是為了滿足用戶不停電和檢修不停電的目標。評估內容主要分為4 大類[12]，可以采用集合的形式表現不停電作業指標，不停電作業指標={用戶不停電、檢修不停電、人力資源、電力裝備水平}。

圍繞上述4 大類評估指標可以劃分出各類二級評估指標，以配電網線路不停電作業等級為總目標，通過數據挖掘篩選二級量化指標，并確定各單項指標權重，結合單項指標狀態值，利用Logistic 回歸預測模型確定評估線路作業等級。各二級指標如圖1 所示。

圖1 不停電作業二級指標

1.2 基于序列前向搜索的不停電評估關鍵指標篩選

依據確立的指標評估體系，從國網浙江供服系統中臺拉取各類二級指標信息，建立不停電作業指標數據庫。由于數據庫中包含著眾多的評估指標，因此提取關鍵指標并且刪除無關或冗余指標是不可或缺的?？梢酝ㄟ^指標篩選手段來實現降低數據緯度、減少模型計算的復雜程度、規避不必要的擬合、縮短耗費時間。具體流程如圖2所示。不停電作業指標采用XGBoost（極端梯度提升算法）來實現關鍵指標的篩選。XGBoost 的優點是能直觀的將模型訓練結果轉換為預測狀態的精度和準確性。

圖2 特征篩選優化模型流程

XGBoost 是Chen[13]等人在關于大量梯度提升算法研究成果基礎上所提出的基于提升樹的一種集成弱學習器得到強學習器的算法[14]，其中包括一個迭代殘差樹的集合,每棵樹都在學習前N-1 棵樹的殘差，然后將每一棵樹得到新樣本的預測值相加就是樣本最終的預測值[15]。相較于傳統的GBDT（梯度提升決策樹），在損失函數的基礎上進行泰勒二階展開，通過將正則項加在目標函數的手段以尋找全局最優，有效權衡計算模型的復雜程度（指標數量）和目標函數，以達到運行速度快，容錯性高的目標。

常見的決策樹算法有ID3，C4.5 以及CART等。本研究構建的分類回歸樹采用基于CART算法：

（1）給定的樣本空間有k 類，其中某葉子結點包含的樣本數目為m。

（2）統計葉子節點下每個分類的頻數mi（i∈k）。

（3）統計每個類別的概率ρi=mi/m。

（4）計算該葉子節點的信息熵H（t）=-ρilog（ρi）。

（5）此葉子節點得到評判loss=∑t∈lealW·tH（t），其中Wt表示葉子節點的權重。

S={f（a）=wq（a）}（q:Ry→T，w∈RT），（1）

式中：q 為樹結構葉子節點系數；T 為葉子數目，每一個fk對應一個獨立的樹結構q 和葉子權重w。

那么就可以通過求解正則化目標函數的最小值來實現XGBoost 算法：

本研究通過采用XGBoost 算法，應用序列前向搜索的策略搜索最優指標組合，過程如下：

（1）指標子集X 為?。

（2）遍歷指標全集Y，每次從中選擇一個指標xk加入指標子集X，使得評價函數T（X）取得最大值。本階段的評價函數為F1.5。

（3）重復（2）直到X=Y。

1.3 關鍵指標篩選結果

將處理好的不停電作業數據從數據庫導入到關鍵指標篩選模型中，在不斷的迭代時，記錄不斷迭代加入的新指標，并記錄下評價指標數據[16]。從圖3 中可以看出，當模型迭代輸入指標達到為12 個時候，F1.5分數為最大值0.92 超過了全指標時的0.903。由此表明前12 個指標即能夠有效完成不停電作業等級的評估，依次為電網結構、N-1 檢驗、配電自動化、供電可靠率、備用接入、作業地形、導線排列、桿頭布置、專業人員技術水平、專業人員素質、專業人員數量滿足度、裝備數量。以此方法進行數據降維，減少冗余指標，提高評估模型準確率。

圖3 XGBoost 預測模型的F1.5 分數變化

并且由XGBoost 的feature_importance 函數可以得出不同關鍵指標對于全局變量的特征重要性，如表1 所示。

表1 關鍵指標特征重要性

從計算結果來看，得到的關鍵指標當中，包含了全部4 大類指標，通過對數據庫中的數據進行處理和指標介紹后，將序列前向搜索和XGBoost 算法結合，輸出其特征重要性，為后續不停電作業等級定級和線路評分工具研究提供了依據。

2 不停電等級評估數學模型

基于上述篩選和確定的關鍵指標[17]，針對不停電作業等級評估，以多因素Logistic 回歸方程[18]搭建了等級評估模型，來實現對不停電作業單個指標的評分，最后將指標評分累計求和得到對應的線路得分，從而達到幫助不停電作業班組更加直觀了解線路的情況的目的。

由表1 中可以看出供電可靠率指標重要性系數最低，且因評估目標為浙江某市示范區，其人力資源儲備、裝備水平兩大指標從實效性來看會產生變化且同區域配備近乎相同，因此綜合考慮上述指標，將選定電網結構、N-1 校驗、配電自動化、備用接入、作業地形、導線排列、桿頭布局7 類關鍵指標作為輸入。通過多因素Logistic回歸模型搭建不停電作業等級評分模型，從而達到快速完成不停電作業線路評分定級的目的。該模型先對不停電作業指標進行分類，再對每一類關鍵指標進行量化賦分，將各類指標得分求和來完成對線路作業等級評估，其中具體的步驟和流程如圖4 所示。

圖4 不停電評分模型構建流程

（1）搭建多因素Logistic 回歸模型

將7 類指標作為評估因素加入到多因素Logistic 回歸模型中，確定各個作業指標的回歸系數β。

（2）將各類指標進行分層，設定每組的參考值wij

按照大類指標將各個關鍵指標進行分組，并在每個分組中選擇合適的數值作為參考值wij；通常選擇組內的滿足不停電作業級要求的指標作為參考值。

（3）確定各個關鍵指標的基礎評估參考值

進行評估的每個關鍵指標，都需要選出一個指標來作為基礎評估參考值wiREF，在構建的評分模型中，則該組分值將記為0 分，若評估指標條件值高于wiREF時記正分，因此最后得分越高，不停電等級評分越高，相反低于wiREF時記負分。

（4）計算出關鍵指標的分組與給定的基礎評估參考值之間的距離D

綜合多因素Logistic 回歸模型設定的回歸系數β，以及關鍵指標各組的參考值wij，來計算指標因素的每一分組與基礎評估參考值wiREF之間的距離D，其計算公式：

（5）設定評分工具中1 分對應的常數B

確定評估模型每得1 分時，所對應的不同評估因素改變的常數B。

（6）計算得到各個分組評估因素相應的分值Pij。

以步驟5 所確定的常數B 為基礎，計算得到不同分類評估因素對應的得分，計算公式為（4），最后計算得分取整即為最后模型評估總分。

（7）模型總分與線路評估得分的對應表

以步驟6 的到的結果，通過各個評估因素得分求和。得到的總分再根據多因素Logistic 回歸模型方程，求得每一分值所對應不停電作業線路得分，其計算公式為：

模型評分以電網結構指標得分結果為例如表2 所示。

表2 基于不停電作業數據的作業評分模型

其余關鍵指標得分范圍分別為N-1 校驗-2～0 分，配電自動化-2～0 分，備用介入-5～0 分，作業地形-4～0 分，導線排列-4～0 分，桿頭布局-2～0 分。

配電網線路不停電作業能力定級評估流程如圖5 所示。首先，確立不停電作業指標體系，依據國網供服系統中臺提供的配電網線路海量數據建立不停電指標數據庫；然后，利用數據挖掘手段深入分析指標數據，剔除冗余指標，篩選出關鍵指標并得到相應的指標權重；最后綜合考慮篩選結果和指標權重，構建線路等級評估模型，完成對線路的評級。

圖5 線路定級評估流程

3 算例分析

3.1 示范區配電網線路概況

算例以浙江某市示范區實際10 kV 電壓等級的5 條線路為研究對象。地理分布如圖6 所示。示范區內5 條線路指標數據情況及指標分組對應模型得分如表3 和表4 所示。其中線路1，2，3主要負責市區等負荷集中地區，線路供電能力強，自動化程度高，自然環境狀況良好，線路4，5主要負責郊區等負荷分散地區，線路自動化程度較低，路況一般，道路通暢無阻礙。通過數據挖掘手段定性定量得判斷此類配電網線路的實際不停電作業等級，具有一定的實用價值。

表3 線路評估指標分組模型得分

表4 待評估配電網線路情況

圖6 線路分布

3.2 綜合評價結果的確定

基于數據庫檢索得到的篩選后的不停電作業關鍵指標，用于多因素Logistic 回歸模型完成對線路的定級評分，線路模型評分結果如表5 所示。評估模型得分范圍為-23～0 分，其依次對應的線路預測得分為0～100 分。

表5 基于不停電作業數據的評估總分與線路預測得分對應

對示范區5 條線路不停電作業等級進行綜合評估，將5 條線路的指標分組的得分累加，通過評估模型得到線路預測的分，根據預測的分將線路劃分為優、良、中、差4 個等級，分別為90～100 分、70～90 分、60～70 分、0～60 分。得到線路不停電作業等級和綜合評估結果。該示范區配電網線路綜合評估評價結果如表6 和表7 所示。

表6 待評估配電網線路模型評分值

表7 配電網不停電線路評估得分與等級評定

分析評級結果可知評估模型綜合考慮各個指標，其中一個指標出現極端情況都會致使最終線路評分受到過大影響，線路3 的配電自動化指標和線路5 備用接入指標過差導致線路得分偏低，最終線路不停電作業等級為中。線路1 的各項指標都比較好，相應的線路得分較高，評級為優。

綜上所述，通過數據挖掘手段，結合多因素Logistic 回歸模型能夠有效的實現線路的不停電作業等級評估和打分，同時基于算法數學模型，開發了一套評估軟件模塊，并將該模塊嵌入到配電網供應服務系統中，實現對地區配電網總體評估的可視化，軟件展示效果如圖7 所示。圖7 只是顯示對區域化打分結果一個示例，不同顏色代表不同等級效果。相較于傳統最小割集法計算可靠性，本文所提出的算法在綜合考慮多個指標因素的同時，減少了計算量，縮短了計算時間?？沙浞滞诰蚺潆娋W線路海量監測數據，并完成對線路等級的評估，有助于專業人員明確工作要求以及檢修策略，以此提升不停電作業管理水平。

圖7 數據可視化效果

4 結語

為合理準確地評估配電網線路不停電作業等級，基于用戶不停電和檢修不停電兩大目標，本文提出了不停電作業綜合評估指標體系，依托國網浙江省供服系統中臺讀取的海量信息建立不停電作業指標數據庫，采用了XGBoost 算法進行數據挖掘，深入分析不停電的評估指標，進行關鍵指標篩選并得到指標權重，實現了數據降維，并為后續評估模型建立中的指標選擇提供指導支撐。最后，對篩選后的關鍵指標進一步分析，選出七類評估指標對其評分標準做出詳細闡述，依此構建不停電作業等級評分模型，用于準確評估線路等級。并以浙江某地區配電網實際數據支撐了評估算法的有效性。開發了軟件評估模塊，數據取自于配電網系統，展開了某區域電網實際效果評估，提升了不停電作業管理水平。本文所提方法具有較好的應用價值和廣泛的應用前景。