首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于大数据与关联规则的低压供电可靠性自动化监测方法

基于大数据与关联规则的低压供电可靠性自动化监测方法

2024-10-20 42 上传者：管理员

摘要：低压供电可靠性自动化监测性能过差会影响电力系统稳定运行，为了提高监测精度，提出基于大数据与关联规则的低压供电可靠性自动化监测方法。该方法利用ZigBee网络和GSM网络联合采集低压配电网供电参量，并利用修正算法填补数据缺失值，建立低压供电可靠性评估指标体系，并将其和大数据与关联规则挖掘模型结合，建立针对供电参量的自动化监测模型。最后将修正后的供电参量输入自动化监测模型中，实现低压供电可靠性自动化监测。实验结果表明，所提方法监测结果与实际值一致，提高了监测精度高。

关键词：
低压供电可靠性
关联规则
大数据
自动化监测
评估指标体系
加入收藏

随着科学技术的快速发展，电力系统[1]普及到各家各户，其成为21世纪不可或缺的重要组成部分。在电力系统给人类生活带来便利的同时，由元器件老化所引发的供电质量下降问题也成为困扰业内学者的难题。低压配电网作为由低压输电线路及附属电气设备共同组成的向各类用电用户提供电能及电力资源的电力系统网络，在电力建设中主要起到低压供电的作用。但是导致低压配电网供电可靠性下降的原因多种多样，包括但不限于配电管理不到位、电缆导体交流损耗过多、电力数据完整性不足等。低压供电可靠性下降不仅导致电能质量下降，还影响电力系统稳定运行，阻碍我国各省市区电网公司的发展。为了监测低压配电网，第一时间掌握电网现场情况，相关人员展开低压供电可靠性自动化监测方法的研究。

赖承中[2]等人通过量化低压直流供电系统的电机风险点，建立综合考虑低压供电可靠性的电力系统风险评估模型，实现低压供电可靠性自动化监测。黄永刚[3]等人通过在实际应用场景下采集低压输电线路的微风振动信息，获取供电途中线路振动能转换成电能所需要的电磁、电压，并将电磁、电压作为低功耗自供电感知参数输入预警模型，实现低压供电可靠性自动化监测。刘艳茹[4]等人通过分析各类受端配置对供电可靠性的影响，确定低压配电网协同评估的基本思路，并参考该思路选择评估对象、建立评估框架，实现低压供电可靠性自动化监测，上述三种方法存在监测精度低的问题。

为了解决上述方法中存在的问题，提出一种新的基于大数据与关联规则的低压供电可靠性自动化监测方法。该方法利用ZigBee网络和GSM网络联合采集低压配电网供电参量，构建评估指标体系，结合大数据与关联规则，并且构建了低压供电可靠性自动化监测模型，实现监测功能。

1、低压配电网供电参量采集与优化

由于无线多通道及远程通信技术的成熟，电力数据的采集工作变得更加容易，其可以由ZigBee网络[5]和GSM网络联合实现电力数据采集。ZigBee网络又称双向无线通信网络，主要应用于精密度较高的电力电子器件之间的数据采样及智能抄表系统等领域。GSM网络全称全球移动通信网络（Global System for Mobile Communications），是起源于欧洲国家，由数字调制[6]和网络业务层分级控制的蜂窝网络。ZigBee技术联合GSM网络的低压配电网供电数据采集框架如图1所示。

图1低压配电网供电数据采集框架

图1可见，低压配电网通过USB通信连通ZigBee网络，并规划配电网参量采集节点。节点规划公式如下：

式中，α表示UCB通信驱动程序；β表示通信接口；v表示低压配电网绝缘电阻。

节点内置CPU是单位节点接收调度任务时所需要被分配的网络资源额度。节点内置CPU越高，该节点执行调度任务时消耗的网络资源越多。经过规划的配电网数据采集节点根据自身内置CPU计算完成一次低压供电工作所需要的电压、电流、平均功率等供电参量。节点内置CPU的表达式如下：

式中，wj表示电压畸变率；a表示电流畸变率；k表示节点限电功率；rspeed表示供电总量。

供电参量在通信协议[7]的转换下进入GSM网络，通过便携式通用PC传送至网络终端，实现供电参量的自我保护和存储。通信协议的转换公式如下：

式中，msup表示通信节点间的网络速度；dref表示GSM网络的最大发射功率；s表示网络链接数；l表示网络接收缓存容量。

经过ZigBee网络和GSM网络联合采集的低压配电网供电参量，由于存在数据缺失值[8]，尚不能作为样本信息投入到后续训练中。为了提高监测性能，需要优先填充供电参量的缺失值。供电参量缺失值填充流程如图2所示。

图2供电参量缺失值填充流程

如图2可见，原始供电参量通过识别缺失值、判断数据缺失原因从而确定缺失值修正算法。缺失值修正算法包括字符型修正算法、数值型修正算法以及随机修正算法，三者表达式如下：

式中，bout表示电网频率；表示供电参量中属性空值的百分比；x2nm表示信息流失量；im表示填充当列的中位数；c表示填充当列的均值；φi表示填充当列的众数；hi表示缺失值与领域数值的离散程度。

2、低压供电可靠性自动化监测

通过数据挖掘方法实现低压供电可靠性自动化监测，需要首先建立低压供电可靠性评估指标体系，并结合大数据与关联规则挖掘模型，建立自动化监测模型。将供电参量视为反映电能质量的可靠数据输入自动化监测模型中训练，即可实现低压供电可靠性自动化监测。

(1）低压供电可靠性评估指标体系

针对其他类型的样本数据，供电参量不仅类型多样，包含电流、电压、平均功率等多项参数，而且数据量大，每个参量都承载着低压供电状态信息，其具有较高的挖掘价值。而评估低压供电可靠性实际上就是统计供电参量在稳态电能数据持续上升途中出现的明显超出预警范围的异常参量。因此，构建低压供电可靠性评估指标体系。在体系构建过程中，提示供电参量越限告警的电流、电压、平均功率被称为预警值，根据我国《供电系统用户供电可靠性评价章程》，结合成功采集的供电参量，从电压合格率、电流合格率、闪变合格率、功率暂降或短时中断频率、谐波畸变率等五种参量建立低压供电可靠性评估指标体系。低压供电可靠性评估指标体系如表1所示。

表1低压供电可靠性评估指标体系

电压合格率的计算公式如下：

式中，表示供电范围内电压合格监测点个数；表示供电范围内电压无效监测点个数；表示有效供电时长。

闪变合格率的计算公式如下：

式中，q表示单日内用户停电次数；ts表示用户总停电次数；hs表示用户平均停电间隔。

电流合格率的计算公式如下：

式中，ψ表示三相不平衡电流容量；i表示供电范围内电流合格监测点个数。

谐波畸变率的计算公式如下：

式中，表示基波电流有效值；表示谐波含量的方均根值；b表示高次项谐波电流。

功率暂降或短时中断频率的计算公式如下：

式中，ei表示线路负荷；pα表示线路长度；pβ表示电缆横截面积。

(2）大数据与关联规则挖掘模型

关联规则[9]是基于大数据的一种挖掘算法，该算法深入挖掘大数据关联信息，并筛选关联度较高的数据构建频繁项集[10]。单位频繁项集满足关联规则，即首项和尾项具有调度、过滤运行数据的时空特性。相较于传统挖掘算法，关联规则[11]采用频繁项集实现大数据挖掘是一个省时的过程，此过程仅需要执行一次，即可将庞大基数群划分为表征不同属性的截断区间。

大数据与关联规则挖掘模型是以关联规则为基础[12]，利用隶属度函数增强频繁项集支持度和置信度的挖掘模型，该模型遵循关联规则的基本运算思路，是评估离线状态或非离线状态下配电网风险的常用模型。

将大数据与关联规则挖掘模型和低压供电可靠性评估指标体系结合，建立针对供电参量的自动化监测模型。自动化监测模型的表达式如下：

式中，ε2nm表示真隶属度；xa表示假隶属度；xb表示随机供电参量在单一指标下的划分边界。

自动化监测模型接收优化成功的供电参量，并读取参量关联信息，部署频繁项集。关联信息的表达式如下：

式中，titem表示单项集的频数；表示关联规则的先导值；w表示关联规则的后继值。

频繁项集的表达式如下：

式中，lsup表示关联规则的信任程度；j表示不满足阈值的频繁项；linf表示关联层次。

频繁项集建立后，大数据中每个参量不再独立存在，而是以截断区间的形式反映对应属性的时变特征。引入隶属度函数后，增强了首项和尾项的时间紧密性和空间紧密性，使项集中任意参量的支持度和置信度均趋近该项集所表征的属性类型。隶属度函数的表达式如下：

式中，φ表示原始支持度；αi表示原始置信度；αj表示类别关联规则。

在关联规则和隶属度函数的协同作用下，供电参量被整理、收集成多个项集，且每个项集对应的电流分段、电压分段和平均功率分段不同，对应的配电网运行风险等级也不同。根据自动化监测模型的输出结果，即可实现低压供电可靠性自动化监测。

3、实验与结果

为了验证基于大数据与关联规则的低压供电可靠性自动化监测方法的整体有效性，需要对其测试。

以某省级低压配电场为试验环境，验证算法监测性能，试验环境如图3所示。

图3试验环境

利用计算机1:1模拟试验环境中的两条低压供电回路，模拟回路如图4所示。

图4模拟回路

利用平均功率与回路稳定功率极限值的比值确定低压配电网风险等级，各等级详细情况如下：

(1）比值0%～50%，Ⅰ级风险；

(2）比值50%～100%，Ⅱ级风险；

(3）比值100%～150%，Ⅲ级风险；

(4）比值150%～200%，Ⅳ级风险；

(5）比值200%～250%，Ⅴ级风险；

(6）比值250%～300%，Ⅵ级风险。

分别采用所提方法、文献[2]方法和文献[3]方法监测两条低压供电回路的可靠性，并对比分析不同方法监测到的风险等级与实际风险等级。不同方法的监测结果如图5所示。

如图5可见，采用所提方法监测低压供电可靠性，其最终监测到的风险等级与实际风险等级重合度较高，说明所提方法的监测精度高。因为所提方法在监测低压供电可靠性前，优先利用修正算法填补供电参量缺失值，这样获取的监测结果可信度更高。采用文献[2]方法和文献[3]方法监测低压供电可靠性，文献方法最终监测到的风险等级与实际风险等级重合度较低，说明文献[2]方法和文献[3]方法的监测精度低。通过上述分析结果，可知所提方法的监测精度明显优于传统方法。

图5不同方法的监测结果

图6不同方法的监测结果

为了进一步验证所提方法的实用性，分别采用所提方法、文献[3]方法和文献[4]方法监测低压供电回路一连续25天内的停电次数，并将不同方法的监测结果与实际结果对比。不同方法的监测结果如图6所示。

如图6可见，所提方法监测到的停电次数与实际停电次数在各时间节点均高度重合，说明所提方法的监测精度较高。文献[3]方法和文献[4]方法监测到的停电次数与实际停电次数在各时间节点呈现整体偏离的趋势，说明文献[3]方法和文献[4]方法的监测精度较低。通过上述分析结果进一步验证了所提方法的实用性。

4、结束语

近年来，电网规模和电网容量的急剧增长促使低压供电可靠性持续降低，为了满足低压配电网的安全稳定运行要求，相关人员投入到低压供电可靠性自动化监测方法研究中。本文针对该问题，提出了基于大数据与关联规则的低压供电可靠性自动化监测方法。该方法将大数据与关联规则相结合，设计了一种新的低压供电可靠性自动化监测方法。通过实验验证了该方法的监测结果与实际结果一致，提高了监测效果，为电力发展提供参考。

参考文献:

[1]励力帆,虞伟,桑清城.基于数据挖掘的电力系统故障自动诊断方法研究[J].机械制造与自动化,2022,51(2):228-231.

[2]赖承中,钟庆,赵宇明,等.低压直流供电系统电气设备电击风险评估方法[J].电力系统自动化,2021,45(19):141-147.

[3]黄永刚,雷文骞,陈伟,等.适用于输电线路监测的自供电无线在线监测系统[J].机械工程学报,2022,58(20):83-91.

[4]刘艳茹,刘洪,谷毅,等.考虑多种终端配置的中低压配电网供电可靠性协同评估[J].电力建设,2022,43(2):54-62.

[5]景鑫.基于ZigBee无线传感网络振动加速度的监测与应用[J].自动化技术与应用,2021,40(5):83-86.

[6]李正权,林媛,李梦雅,等.基于判别式受限玻尔兹曼机的数字调制识别[J].通信学报,2021,42(2):81-91.

[7]王清,荆臻,代燕杰,等.基于电力线载波通信协议的时钟同步方法研究[J].电测与仪表,2022,59(10):184-190.

[8]郑欣彤,边婷婷,张德强,等.ARIMA和LSTM方法长时间温度观测数据缺失值插补的比较[J].计算机应用,2022,42(S1):130-135.

[9]杨建平,向月,刘俊勇.面向配电网投资决策的小样本关联规则自适应迁移学习方法[J].中国电机工程学报,2022,42(16):5823-5834,6159.

[10]张鸿鸣,鲍晓涵,倪巍伟.基于差分隐私的数据流频繁项集发布[J].计算机工程与设计,2022,43(11):3051-3056.

[11]钟倩漪,钱谦,伏云发.基于多策略BPSO算法的关联规则挖掘[J].科技通报,2021,37(2):40-46.