一种配变重过载预测的方法与流程

1.本发明涉及电力大数据应用技术领域，具体涉及一种配变重过载预测的方法。


背景技术：

2.随着各类业务系统应用的成熟、低压集抄全覆盖的实施，供电企业已经积累了包含企业经营、生产运行、客户服务等方面的海量数据。而这些数据并没有真正的实现跨业务域的整合应用。在各电网公司的数据集成平台上线之后，各类数据资产将陆续归集到数据集成平台，开展各业务域的数据整合应用、深挖大数据价值将为推动数据资产变现、提高基于数据的管理决策提供帮助。
3.配电网是面向电力用户的最末一级电网，而以配电变压器地理供电区域为边界的配电台区是配电网运维中的重要基本单元。配电变压器运行状态很大程度上决定了供区内的供电质量和供电安全。配电变压器长时间处于重载或过载状态在降低设备寿命的同时会带来设备故障风险，引起停电事故发生，给电力公司和用户双方带来不必要的经济损失。配电变压器的重过载与台区内的活动用户数量、用户用电方式以及天气等有关。因此配变重过载是电力系统中典型的大数据研究需求点和应用场景之一，而数据集成平台上可以统计得到我们所需要的数据，基于电力大数据理念，融合电网内部数据与外部环境数据，开展配变重过载影响因素挖掘与预测研究，具有重要的现实意义和经济社会效益。


技术实现要素：

4.本发明的目的在于提供一种配变重过载预测的方法，可以通过电力大数据的统计计算解决现有技术中由于配变重过载(配电变压器)造成的经济损失。
5.本发明的目的是通过以下技术方案实现的：
6.本发明提供一种配变重过载预测的方法，包括以下步骤：
7.步骤s1、获取台区重过载的历史数据；
8.步骤s2、根据台区重过载的历史数据，确定影响配变重过载的特征变量；
9.步骤s3、确定各特征变量的影响比重，并根据影响比重分为a1、a2……
a
i
；
10.步骤s4、对台区重过载的历史数据分析，得到各特征变量的危险设定值；
11.步骤s5、根据台区重过载的历史数据，得到各特征变量的达到危险设定值发生重过载的概率，记为p(a1)、p(a2)
……
p(a
i
)；
12.步骤s6、根据贝叶斯法则确定各特征变量达到危险设定值时发生重过载的概率，记为p(b|a1)、p(b|a2)
……
p(b|a
i
)；
13.步骤s7、通过监控各特征变量，再根据全概率公式得到配变重过载的发生的概率，记为p(b)，可表示为：
14.p(b)＝p(a1)p(b|a1) p(a2)p(b|a2)
……
p(a
i
)p(b|a
i
)
15.进一步的，所述台区重过载的历史数据包括按年统计的重过载次数、按月统计的重过载次数以及每次引起重过载的特征变量。
16.进一步的，所述对台区重过载的历史数据分析，得到各特征变量的危险设定值具体包括：
17.s101、获取台区各特征变量的历史数据；
18.s102、比较配变重过载与正常运行下的各特征变量；
19.s103、得到配变重过载时各特征变量的危险值；
20.s104、确定并设置各特征变量的危险设定值。
21.进一步的，根据台区重过载的历史数据，得到各特征变量的达到危险设定值发生重过载的概率具体包括：
22.s201、定义出统计时间周期，记为s，单位为天；
23.s202、获取台区统计时间周期内的配变重过载数据；
24.s203、得到统计时间周期内发生重过载时各特征变量的达到危险设定值的次数，记为c1、c2……
c
i
；
25.s204、计算得到得到各特征变量的达到危险设定值发生重过载的概率；计算公式为：
[0026][0027]
进一步的，所述得到配变重过载时各特征变量的危险值具体包括：
[0028]
s301、获取每次发生配变重过载时各特征变量的数值；
[0029]
s302、基于大数据分析，找出各特征变量有共性区间的危险范围值；
[0030]
这里的共性区间的危险范围值是指根据多次的配变重过载状况，找到造成配变重过载的特征变量，并记录统计此次的特征变量值，统计多次的单个特征变量值中，取掉最小值和最大值后，此时的最小值和最大值就是特征变量的共性区间的危险范围值。
[0031]
s303、通过每次的共性区间的危险范围值求各特征变量危险范围值的平均值；
[0032]
s304、确定最终各特征变量的危险值为危险范围值的平均值。
[0033]
进一步的，所述特征变量包括用户因素、天气因素和配电变压器自身因素。
[0034]
进一步的，所述统计时间周期包括按年统计和按月统计。
附图说明
[0035]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0036]
图1为本技术的申请的配变重过载预测的方法的一个实施例的步骤示意图；
[0037]
图2为本技术的申请的配变重过载预测的方法的另一个实施例的步骤示意图；
[0038]
图3为本技术的申请的配变重过载预测的方法的另一个实施例的步骤示意图；
[0039]
图4为本技术的申请的配变重过载预测的方法的另一个实施例的步骤示意图。
具体实施方式
[0040]
下面结合附图对本公开实施例进行详细描述。
[0041]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0042]
请参阅图1，本技术的配变重过载预测的方法的一个实施例包括：
[0043]
步骤s1、获取台区重过载的历史数据；
[0044]
我们知道大数据技术已成为一种趋势，电网企业具备多年海量电力数据，数据资源储备充足。依托多数据融合、数据分析挖掘、可视化、数据存储与处理等大数据技术融合电力数据。所以在电网企业中数据集成平台可以获取到包括台区重过载的历史数据以及相关数据，这个是容易得到的。
[0045]
步骤s2、根据台区重过载的历史数据，确定影响配变重过载的特征变量；
[0046]
在台区发生配变重过载的历史中可以分析得到影响配变重过载的各种因素，这些因素构成了特征变量。从经验和数据分析可以知道影响配变重过载的各种因素包括用户因素、天气因素以及配电变压器自身的因素等有关。我们知道用户因素还可以分为用电类别、用户分类、行业分类、运行容量、重要性等级、运行容量等；天气因素包括平均温度、天气状况、星期、季度、法定假期等；配电变压器自身包括变动容量、首运日期、冷却方式、铭牌容量、保护方式、生产日期等。我们可以在实际分析中找到该台区影响配电变压器一些主要的特征变量去统计。
[0047]
步骤s3、确定各特征变量的影响比重，并根据影响比重分为a1、a2……
a
i
；
[0048]
从多种影响配电变压器的特征变量的影响因素去分析统计排序，例如在一年内发生配变重过载的状态下出现a1的次数最多，按影响比重分析将a1作为最大的影响比重。同理依次将影响比重分为a1、a2……
a
i
。
[0049]
步骤s4、对台区重过载的历史数据分析，得到各特征变量的危险设定值；
[0050]
步骤s5、根据台区重过载的历史数据，得到各特征变量的达到危险设定值发生重过载的概率，记为p(a1)、p(a2)
……
p(a
i
)；
[0051]
步骤s6、根据贝叶斯法则确定各特征变量达到危险设定值时发生重过载的概率，记为p(b|a1)、p(b|a2)
……
p(b|a
i
)；
[0052]
步骤s7、通过监控各特征变量，再根据全概率公式得到配变重过载的发生的概率，记为p(b)，可表示为：
[0053]
p(b)＝p(a1)p(b|a1) p(a2)p(b|a2)
……
p(a
i
)p(b|a
i
)
[0054]
可以确定的是p(b)是一个实时变化的概率值，这个可以作为配电变压器接入设备及相关风险的预测值，可以根据风险高低去设定一个预警值，当p(b)达到预警值时，证明变电变压器有重过载的风险，此时可以人为去操控降低变电变压器重过载的风险，提高电路运行安全。
[0055]
优选的，所述台区重过载的历史数据包括按年统计的重过载次数、按月统计的重过载次数以及每次引起重过载的特征变量。当然这些统计数据均可来源于电力系统的集成
数据平台。其中按年统计可以为一年、两年或者多年，按月统计也可以是一个月、两个月或者多个月，在此不做具体限定，可根据实际情况而定。
[0056]
请参阅图2，进一步的，本技术的一个优选实施方式中，所述对台区重过载的历史数据分析，得到各特征变量的危险设定值具体包括：
[0057]
s101、获取台区各特征变量的历史数据；
[0058]
其中，各特征变量的历史数据包括配电变压器正常运行状态和重过载状态下的数据。
[0059]
s102、比较配变重过载与正常运行下的各特征变量；
[0060]
s103、得到配变重过载时各特征变量的危险值；
[0061]
s104、确定并设置各特征变量的危险设定值。
[0062]
请参阅图3，进一步的，本技术的一个优选实施方式中，根据台区重过载的历史数据，得到各特征变量的达到危险设定值发生重过载的概率具体包括：
[0063]
s201、定义出统计时间周期，记为s，单位为天；
[0064]
s202、获取台区统计时间周期内的配变重过载数据；
[0065]
s203、得到统计时间周期内发生重过载时各特征变量的达到危险设定值的次数，记为c1、c2……
c
i
；
[0066]
s204、计算得到得到各特征变量的达到危险设定值发生重过载的概率；计算公式为：
[0067][0068]
例如，当c1＝10，统计时间周期s以一年算，此时可得：
[0069][0070]
请参阅图4，进一步的，本技术的一个优选实施方式中，所述得到配变重过载时各特征变量的危险值具体包括：
[0071]
s301、获取每次发生配变重过载时各特征变量的数值；
[0072]
s302、基于大数据分析，找出各特征变量有共性区间的危险范围值；
[0073]
s303、通过每次的共性区间的危险范围值求各特征变量危险范围值的平均值；
[0074]
s304、确定最终各特征变量的危险值为危险范围值的平均值。
[0075]
优选的，所述特征变量包括用户因素、天气因素和配电变压器自身因素。
[0076]
其中，用户因素还可以分为用电类别、用户分类、行业分类、运行容量、重要性等级、运行容量等；天气因素包括平均温度、天气状况、星期、季度、法定假期等；配电变压器自身包括变动容量、首运日期、冷却方式、铭牌容量、保护方式、生产日期等。我们可以在实际分析中找到该台区影响配电变压器一些主要的特征变量去统计。
[0077]
优选的，所述统计时间周期包括按年统计和按月统计。其中按年统计可以为一年、两年或者多年，按月统计也可以是一个月、两个月或者多个月，在此不做具体限定，可根据实际情况而定。
[0078]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0079]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0080]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0081]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0082]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。