基于異常數據溢出的配電網暫態負荷監測預警方法

王 丹，高梓翔，張 萍，程 飛

（國網湖北省電力有限公司十堰供電公司，湖北十堰 442000）

隨著配電網輸送規模的增大，由于配電網暫態負荷的不穩定性，導致用戶停電事故的數量在不斷增加，同時也造成配電網異常數據溢出的控制能力較差，因此需要實時監測預警配電網在運行過程中產生的暫態負荷，以保證配電網的安全、穩定運行[1-2]。配電網中暫態負荷較為復雜，其網絡拓撲種類較多，暫態負荷監測預警設備分布相對較為分散，且配電網中的潮流數據、頻率數據、電壓電流等數據隨機性較強，很難通過分析網絡拓撲與狀態數據的機理而保持配電網暫態負荷的穩定性[3-4]。

基于此，國內的學者們對其進行了細致地研究。有些學者綜合考慮了配電網發生停電事故概率，對其中的配電網暫態負荷各類指標進行了量化，以此實現對配電網暫態負荷的監測預警，有些學者提出了基于數據挖掘的配電網暫態負荷監測預警方法，通過對配電網暫態負荷中各類狀態數據的挖掘實現對暫態負荷的監測預警，以上監測預警方法中基于數據挖掘的監測預警方法應用效果更為理想，但監測預警準確度較低、監測預警等級劃分不明確。

為了解決以上出現的問題，提出了基于異常數據溢出的配電網暫態負荷監測預警方法，該方法通過設置預警等級，確定異常數據閾值，實現配電網暫態負荷的監測預警，最后通過實驗驗證了所提方法的實際應用效果。

1 配電網暫態負荷數據分析

配電網是一個大型的網絡系統，內部數據包括電壓、電流、功率等數據，電力負荷作為能量的消耗者，在電力系統的控制中扮演著十分重要的角色。負荷數據具有隨機性、分散性和多樣性，非線性的分布特點使配電網暫態負荷數據分析難度加大，采用空間信息聚類分析法對異常數據特征進行辨識處理，以便通過異常數據溢出轉換控制得到配電網負荷數據模型[5-6]。

電力系統異常耗能擴散矩陣BN×1，其表達式為：

式中，TL×1為時間序列矩陣；SN×L為暫態數據屬性融合矩陣。根據配電網暫態負荷特征提取線路異常狀態的相同特征數據，得到配電網暫態線路輸出功耗特征量fij(n+1)。

基于確定的配電網分布特性f(si)，隨機負荷yR,j(n)，建立異常數據溢出密度函數：

根據AI 自主學習理論暫態負荷數據控制方法，得到負荷數據均衡輸出為：

2 配電網暫態負荷數據處理

配電網系統的負荷成分具有多樣化的特點，現有的負荷分析模型通常將其分為靜態和動態兩種方式分析，從而模擬現場負荷情況，但不能很好地體現負荷的暫態特性。因此該文采用神經網絡方法建模，根據電流輸出大小，以受控電流為主體分析暫態負荷數據[9-12]。暫態負荷數據特性的神經網絡控制模型如圖1 所示。

觀察圖1 可知，該模型原理是將負荷視為不可測但可以用受控電源代替的黑箱數據，將負荷實際電源輸入神經網絡控制系統，輸出電流作為神經網絡控制系統的輸出。通過實際負荷群的實測電壓和電流數據神經網絡控制進行訓練，將實際電壓和電流歸一化處理，經頻率為4 000 Hz 的濾波器處理，提取經BP 神經網絡訓練得到的替代負荷的數據特征，下一步為實現配電網暫態負荷監測和預警[13-14]。

3 實現配電網暫態負荷監測預警

配電網系統的暫態數據具有功率特征，因此分析異常數據溢出的概率密度特征，統計特征量并量化表示，得到異常數據溢出的負荷數據特征量，配電網系統互動特征值計算公式為：

式中，為配電網系統互動特征值；為數據的負荷量；為方差矩陣，得到配電網系統監測預警負載數據X的整體分布方式。

結合配電網工作特性對故障樣本數據處理，得到n+m+k(k＞0）時刻配電網工作特征分布函數為：

式中，dm(0) 為配電網系統工作狀態特征集；Xm+1(i) 為配電網系統監測負載均衡度；Xi+1(i) 為樣本個數。

當然，病毒感染會在一定程度上削弱孩子免疫系統的功能，細菌可能乘虛而入，會在原發病毒感染的基礎上出現二次感染。

根據調制分量，結合負荷樣本施加結果，采用模糊監測方法控制配電網異常溢出數據，監測預警過程如圖2 所示。

觀察圖2 可知，由于故障監測特征曲線會受配電網均衡性影響，為矯正配電網均衡性造成的數據溢出控制能力減弱，除采用量化表征和模糊監測方法控制配電網異常數據溢出外，引入異常數據溢出控制方法控制配電網系統均衡性，提高控制能力。在配電網數據異常監測系統監測到數據正常、異常及嚴重異常等狀態下，進行監測預警，計算得出配電網系統關鍵特征量預測值，公式如下：

式中，N為特征量總數；為數據點的預測值。通過預測值可以分析配電網受異常數據影響的響應特性，進而確定評價系數和指標參數集，根據異常數據溢出控制方法控制系統均衡性，得到空間均衡聚類函數A：

利用式（8）確定權限閾值，建立預警模型，將配電網實施運行數據的時空特征引入到系統的監測預警模型，以實現對配電網暫態負荷數據的監測預警，權限閾值計算公式為：

式中，Je(k+1)為配電網系統監測數據在第k+1時刻的預測值；為系統彈性模型量；Qα為下限參數；xcor(k+1)為上限參數，根據閾值權限公式設置預警等級：

根據預警等級，構建配電網暫態負荷數據監測預警模型如下：

式中，Q為監測數據極限閾值，f1、f2分別為極大值和極小值狀態的判定參數，α1、α2分別為兩個不同的計算條件[15-16]。

4 實驗研究

為了驗證該文提出的基于異常數據溢出的配電網暫態負荷監測預警方法的實際應用效果，將基于數據挖掘的配電網暫態負荷預警方法（文獻[14]）與該文所提監測預警方法進行了對比實驗。

為保證實驗結果的有效性和嚴謹性，首先需要分析配電中暫態負荷的關聯因素。以配電網100 條饋線、兩個配電網中采集的暫態負荷狀態數據為實驗基礎，以每條饋線上的暫態負荷數據為一個統計單位，對兩個配電網中的暫態負荷數據進行清洗和集成，并剔除暫態負荷數據中的離群樣本，得到剔除后的負荷關聯特征。采用深度殘差算法分析負荷關聯因素，獲得由負荷關聯特征組成的最優負荷特征子集，利用深度殘差算法獲得最優負荷特征值的權重取值范圍為0～1，并對其進行歸一化處理，特征值的權重表示負荷特征集中關聯因素的多少，特征集中的關聯信息達到94%，則可以確定負荷特征集中包含了大部分的負荷關聯因素。歸一化處理后的特征值的權重能夠表示負荷關聯因素的重要程度，篩選特征值中的閾值，將關聯度達到94%的負荷關聯因素進行有選擇性地剔除，留下關聯度在94%以下的負荷關聯因素，以降低因監測預警配電網暫態負荷產生的影響，從負荷關聯因素分析的結果可知，影響配電網暫態負荷的因素不僅與配電網饋線的長度和暫態負荷分布有關，還與溫度、濕度等外界因素有關，剔除關聯度較高的負荷關聯因素后，可保證實驗的嚴謹性和有效性。

分析完配電網中暫態負荷的關聯因素后，選擇分析過程中的部分最優負荷特征子集，表示配電網暫態負荷中的失負荷，由此表示此次配電網中異常數據溢出的嚴重程度，由于在配電網運行過程中，配電網饋線上暫態負荷的總量不同，對配電網暫態負荷進行監測預警的信號頻率也不相同，因此在監測預警時，需要根據不同的信號頻率和不同的暫態負荷總量劃分監測預警等級，監測預警等級不同，配電網暫態負荷監測預警的效果不同，監測預警等級劃分越多、越細致，則監測預警效果越好。采用該文所提的監測預警方法和基于數據挖掘的配電網暫態負荷監測預警方法，劃分的監測預警等級結果如圖3所示。

圖3 中，暫態負荷量實際值由負荷動態測試儀獲取。由圖3 可知，劃分暫態負荷量預警等級為四級，分別為正常、較高、嚴重和警示，采用數據挖掘的配電網暫態負荷監測預警方法與暫態負荷量實際值相差較大，若發生數據異常，可能無法實時預警；該文提出的基于異常數據溢出的配電網暫態負荷監測預警方法達到了標準預警等級，且與暫態負荷量實際值較為接近，說明當數據異常時，該文方法可以實現積極預警，達到良好的預警效果。由此證明該文所提方法比基于數據挖掘的方法監測預警效果好。

基于以上給出的配電網暫態負荷監測預警等級劃分結果，并選擇部分最優負荷特征子集，以監測電流與實際電流的差異性為判斷標準，分析不同方法對配電網暫態負荷的監測預警準確性，對比實驗結果如圖4 所示。

由圖4 可知，在該文提出的監測預警方法中，在不同的監測預警等級下，監測預警的準確率與實際值基本一致，監測預警失誤率非常低，在基于數據挖掘的配電網暫態負荷監測預警方法中，在三種監測預警等級下，監測預警的準確率相較于所提方法更高，監測失誤率高于該文所提方法的失誤率，由此可驗證，該文所提的方法在監測預警配電網暫態負荷時，具有較高準確性。

5 結束語

由于配電網系統暫態負荷數據具有隨機性、分散性、多樣性和非線性的特點，導致監測預警效果不理想。為此，該文提出了一種基于異常數據溢出的配電網暫態負荷數據的監測預警方法，通過設置電力調度系統監測預警等級，建立了監測預警模型，實現了配電網暫態負荷數據監測和預警。該文方法對配電網暫態數據的監測預警精度較高，效果較好，提高了自動化監測預警能力。