基于配网关键要素的风险预测与预警方法与流程

1.本发明涉及电网技术领域，具体地说，涉及一种在配网运营监控中基于配网关键要素的风险预测与预警方法。


背景技术：

2.配网关键要素运行风险评估预警是配网运营监控中的重要内容。目前，对于配网关键要素问题综合治理，通常集中在事中监控和事后处理两个阶段，即通过对配变运行情况的实时监测发现已经重过载、低电压、三相不平衡与频繁跳闸的评估区域，运维人员接到告警后再采取相应的措施。这种处理方式以事后处理为主，相对被动，缺乏预判性，导致很多情况下无法避免电网和用户损失。


技术实现要素：

3.本发明的目的在于解决现有技术配网风险预测与预警中相对被动、缺乏预判性的问题，提供一种基于配网关键要素的风险预测与预警方法，通过针对评估区域内数据的分析，能够提前发现和预测评估区域配电网络中出现的潜在威胁。
4.为了实现上述目的，本发明所采用的技术方案如下：
5.一种基于配网关键要素的风险预测与预警方法，包括以下步骤：
6.s1、获取评估区域内的内部数据和外部数据，对所述内部数据和外部数据进行预处理获得不同维度数据；
7.s2、对所述不同维度数据进行细分，将所述不同维度数据细分为多个配网关键要素；判断所述配网关键要素与所述评估区域内风险的关联度；
8.s3、根据所述关联度，将评估区域内的风险划分为多个风险等级，触发对应的配网关键要素后响应相应的风险等级。
9.进一步，所述内部数据包括电压系统、巡视app、营配、资产一体化系统、电能量平台、计量自动化系统、营销一体化系统、营销运监系统、能量管理系统、电网运行管理系统、配用电系统、快速复电系统的数据。
10.进一步，所述外部数据包括气象、人口、地域、经济、时间节气的数据。
11.进一步，步骤s1中，对内部数据和外部数据的预处理包括识别异常数据和处理不均衡数据。
12.进一步，识别异常数据的方式为：对于内部数据或外部数据的数据集x＝{x1,...,xn},x∈r
p
，采用集成机器学习策略构建t颗名为itree的二叉树，每棵树在x中抽取子样本并随机选取特征变量及值域范围内的划分阈值对子样本空间进行递归地划分，直至达到叶节点只包含一个数据点无法继续分割时，itree构建完成；在itree中，观测点x的分割叶节点至根节点之间树的路径长度h(x)值越小表示该数据点x越容易被孤立，异常程度高。
13.进一步，处理不均衡数据的方式为：对于内部数据或外部数据样本集x＝{x1,
x2,...,xn}，xi＝(x
i1
,x
i2
,...,x
im
,...,x
in
)
t
为第i个(i＝1,2,...,n)少数类样本实例，x
i1
,x
i2
,...,x
im
为xi的m个连续数值型特征取值，x
i(m 1)
,x
i(m 2)
,...,x
in
为xi的n-m个名义型特征属性，合成新样本包括以下步骤：
14.s11、中位数计算，计算少数类中所有连续数值特征的标准差的中位数，记为med，med的计算方式为：
[0015][0016]
med＝median(σ1,σ2,...,σm)
[0017]
式中，n表示样本的总个数，x
ik
表示xi中的一特征取值，σk为一少数类中所有连续数值，μk为集合x中所有少数类样本第k个连续数值型特征的平均值；
[0018]
s12、最近邻计算，添加med作为距离计算的惩罚项，定义任意少数类xi和xj之间的距离为d
ij
，根据距离公式计算少数类样本xi的k个近邻样本，记为xi近邻样本集d
ij
的计算公式为：
[0019][0020]
式中，，x
i1
、x
im
分别表示少数类xi的第一个特征取值和最后一个特征取值，x
j1
、x
jm
分别表示少数类xj的第一个特征取值和最后一个特征取值，n为xi和xj之间名义型特征差异个数；
[0021]
s13、添加合成样本，对于合成样本x
new
的连续数值特征部分x
′
new
，x
′
new
采用随机线性插值方法进行合成，对于特征合成值x
″
new
，则选取xi近邻样本集中各名义特征的众数值，最后将两部分特征合成值x
′
new
和x
″
new
进行合并得到合成样本x
new
，x
′
new
的合成公式为：
[0022][0023]
式中，xi＝(x
i1
,x
i2
,...,x
im
)
t
，rand(0,1)表示区间(0,1)的一个随机数，为中的随机一点。
[0024]
进一步，步骤s2中，不同维度数据细分为中压台风影响、评估区域综合治理机制、低压跳闸、低压故障、气象和时间节气多个配网关键要素。
[0025]
进一步，步骤s2中，判断配网关键要素与评估区域内风险的关联度的方式为：确定参考序列和比较序列，对配网关键要素进行无量纲化的数据处理，求参考序列与比较序列的关联系数，根据关联系数确定关联度；由关联度构建关联度矩阵，确定配网关键要素的强弱。
[0026]
进一步，无量钢化的处理方法包括极值化、标准化、均值化和标准差化。
[0027]
进一步，根据关联度的大小将风险等级划分为一级、二级、三级、四级、五级和六级。
[0028]
与现有技术相比，本发明具有以下有益效果：
[0029]
1.本发明通过针对评估区域内数据的分析，能够提前发现和预测评估区域配电网络中出现的潜在威胁。可以具有针对性地对评估区域范围内设备进行检修和调整，提升电力设备的正常工作，提高评估区域的供电可靠率。
[0030]
2.本发明改善评估区域综合治理工作现状，提高重风险评估区域的治理效能，通
过开展基于配网关键要素的数据协同应用研究，对配电评估区域运行风险的影响因素进行深入的挖掘分析，预告挖掘风险评估区域，及时通报预警，助力专业部门提升客户用电服务水平，为迎峰度夏、节假日保供电和日常的主动服务和主动检修等提供支撑。
附图说明
[0031]
图1为本发明基于配网关键要素的风险预测与预警方法实施例的流程图。
[0032]
图2为本发明基于配网关键要素的风险预测与预警方法实施例的原理图。
[0033]
图3为本发明基于配网关键要素的风险预测与预警方法实施例的异常数据处理示意图。
[0034]
图4为本发明基于配网关键要素的风险预测与预警方法实施例的关联度分析示意图。
具体实施方式
[0035]
下面结合附图和具体实施例对本发明基于配网关键要素的风险预测与预警方法作进一步说明。
[0036]
请参阅图1和图2，本发明公开了一种基于配网关键要素的风险预测与预警方法，具体包括以下步骤：
[0037]
s1、获取评估区域内的内部数据和外部数据，对所述内部数据和外部数据进行预处理获得不同维度数据。
[0038]
s2、对所述不同维度数据进行细分，将所述不同维度数据细分为多个配网关键要素，判断所述配网关键要素与所述评估区域内风险的关联度。
[0039]
s3、根据所述关联度，将评估区域内的风险划分为多个风险等级，触发对应的配网关键要素后响应相应的风险等级。
[0040]
所述内部数据包括电压系统、巡视app、营配(供电可靠性)、营配(快速复电)、资产一体化系统、电能量平台、计量自动化系统、营销一体化系统、营销运监系统、ems(能量管理系统)、电网运行管理系统、配用电系统、快速复电系统等业务系统的数据。所述外部数据包括气象、人口、地域、经济、时间节气等的数据。
[0041]
具体地，步骤s1中，对内部数据和外部数据的预处理包括：识别异常数据和处理不均衡数据。
[0042]
风险预测涉及到的数据由于通讯异常、设备故障、口径不一等原因常常导致少量数据出现异常情况，如何准确辨识出异常数据是关系到评估区域风险预测机器学习建模是否成功的关键。识别异常数据的方式为：
[0043]
对于内部数据或外部数据的数据集x＝{x1,...,xn},x∈r
p
，采用集成机器学习策略构建t颗名为itree的二叉树，每棵树在x中抽取子样本并随机选取特征变量及值域范围内的划分阈值对子样本空间进行递归地划分，直至达到叶节点只包含一个数据点无法继续分割时，itree构建完成。在itree中，观测点x的分割叶节点至根节点之间树的路径长度h(x)值越小表示该数据点x越容易被孤立，异常程度高，反之说明数据正常。如图3所示，异常值xo在三次划分后被孤立，在对应itree中，点xo分割叶节点的路径长度h(xo)小于其它观测对象，被itree更早定位和孤立。
[0044]
为了衡量数据点的异常程度，将任一数据点x的异常分值定义为：
[0045][0046]
式中，e(h(x))为数据点x在t颗itree中路径长度h(x)的平均值；c(n)为子样本抽样数量为n时所有数据点路径长度平均值。
[0047]
由此计算的异常分值s越接近1，说明观测点越早就被孤立，异常程度高；s接近0则表示数据点不容易被孤立，安全性较高。由此能够准确的识别出内部数据和外部数据中的异常数据，去除异常程度高的数据，确保数据的准确性。
[0048]
处理不均衡数据：风险预测中涉及到连续数值型特征和名义型特征的不平衡数据集，如何解决样本不均衡的问题是评估区域关联因素数据聚类与风险评级正确划分的关键。处理不均衡数据的方式为：
[0049]
对于少数类样本集x＝{x1,x2,...,xn}，xi＝(x
i1
,x
i2
,...,x
im
,...,x
in
)
t
为第i个(i＝1,2,...,n)少数类样本实例，x
i1
,x
i2
,...,x
im
为xi的m个连续数值型特征取值，x
i(m 1)
,x
i(m 2)
,...,x
in
为xi的n-m个名义型特征属性。合成新样本步骤如下：
[0050]
s11、中位数计算。计算少数类中所有连续数值特征的标准差的中位数，记为med，med的计算方式为：
[0051][0052]
med＝median(σ1,σ2,...,σm)
[0053]
式中，n表示样本的总个数，x
ik
表示xi中的一特征取值，σk为一少数类中所有连续数值，μk为集合x中所有少数类样本第k个连续数值型特征的平均值。
[0054]
s12、最近邻计算。添加med作为距离计算的惩罚项，定义任意少数类xi和xj之间的距离为d
ij
，根据距离公式计算少数类样本xi的k个近邻样本，记为xi近邻样本集k优选为5，d
ij
的计算公式为：
[0055][0056]
式中，，x
i1
、x
im
分别表示少数类xi的第一个特征取值和最后一个特征取值，x
j1
、x
jm
分别表示少数类xj的第一个特征取值和最后一个特征取值，n为xi和xj之间名义型特征差异个数。
[0057]
s13、添加合成样本。对于合成样本x
new
的连续数值特征部分x
′
new
，x
′
new
采用随机线性插值方法进行合成，对于特征合成值x
″
new
，则选取xi近邻样本集中各名义特征的众数值，最后将两部分特征合成值x
′
new
和x
″
new
进行合并得到合成样本x
new
，x
′
new
合成公式如下：
[0058][0059]
式中，xi＝(x
i1
,x
i2
,...,x
im
)
t
，rand(0,1)表示区间(0,1)的一个随机数，为中的随机一点。
[0060]
本发明通过上述方法对不平衡数据进行处理，避免不平衡数据带来的分类问题，提高风险预测的准确性。
[0061]
将预处理后的数据进行不同维度数据细分，细分多个配网关键要素，即：中压台风
影响、评估区域综合治理机制、低压跳闸、低压故障数、气象和时间节气。建立中压台风影响、评估区域综合治理机制、低压跳闸、低压故障、气象和时间节气与风险的关联度，根据关联度进行风险评估和预警。
[0062]
如图4所示，判断配网关键要素与评估区域内风险的关联度的具体方式为：
[0063]
(1)确定参考序列和比较序列
[0064]
其中，参考序列用于反映系统行为特征的数据序列，在本发明中可以理解为配网关键要素中压台风影响、评估区域综合治理机制、低压跳闸、低压故障、气象和时间节气的基准值，本领域技术人员可以进行常规设置。比较序列为影响系统行为的因素组成的数据序列，在本发明中可以理解为中压台风影响、评估区域综合治理机制、低压跳闸、低压故障、气象和时间节气的实时变化值。
[0065]
(2)对参考序列和比较序列进行无量纲化处理
[0066]
由于上述配网关键要素的物理意义不同，导致数据的量纲也不一定相同，不便于比较，或在比较时难以得到正确的结论。因此在进行关联度分析时，对配网关键要素进行无量纲化的数据处理。无量钢化的处理方法包括有极值化、标准化、均值化和标准差化方法等。
[0067]
(3)求参考序列与比较序列的关联系数
[0068]
关联程度实质上是曲线间几何形状的差别程度。因此曲线间差值大小，可作为关联程度的衡量尺度。对于一个参考序列x0有若干个比较序列x1,x2,...,xn，各比较序列与参考序列在各个时刻(即曲线中的各点)的关联系数可由下列公式算出：
[0069][0070]
式中，|x0(k)-xi(k)|表示序列x0与xi在第k点的绝对值；i∈n，minimink|x0(k)-xi(k)|表示两序列两极最小绝对值；maximaxk|x0(k)-xi(k)|表示两序列的两极最大绝对值；ρ为分辨系数，用来减弱最大值过大对关联系数失真的影响，可以提高关联系数之间的分辨力。ρ取值区间为(0，1)，优选的，ρ取值0.5。
[0071]
(4)求关联度
[0072]
因为关联系数是比较序列与参考序列在各个时刻(即曲线中的各点)的关联程度值，所以它的数不止一个，而信息过于分散不便于进行整体性比较。因此有必要将各个时刻(即曲线中的各点)的关联系数集中为一个值，即求其平均值，作为比较序列与参考序列间关联程度的数量表示，关联度公式如下：
[0073][0074]
关联度ri的值越接近1，说明相关性越好。
[0075]
(5)构建关联度矩阵
[0076]
因素间的关联程度，主要是用关联度的大小次序描述，而不仅是关联度的大小。将m个子序列对同一母序列的关联度按大小顺序排列起来，便组成了关联度矩阵，记为{x}，它反映了对于母序列来说各子序列的“优劣”关系。若r
0i
＞r
0j
，则称{xi}对于同一母序列{x0}优于{xi}，记为{xi}＞{xj}；r
0i
表示第i个子序列对母数列特征值。
[0077]
通过关联度的大小排序来确定配网关键要素的强弱，关联度分析的相关结果将作为风险评估与主动预警的支撑依据。
[0078]
通过关联度来确定配网关键要素关系的强弱、大小和次序，通过关联度能够准确的获取配网关键要素关系影响配网的程度，关联度较大；影响程度越大，反之，关联度较小，影响程度越小。此方法的优点在于思路明晰，可以在很大程度上减少由于信息不对称带来的损失，并且对数据要求较低，工作量较少。
[0079]
通过对评估区域配网关键要素关联度的深入分析，在明确配网关键要素后，利用评估区域负荷预测结果，结合天气预报，建立评估区域风险预测，从而判断该评估区域是会发生低电压重过载等运行风险并给出相应风险等级。例如可以结合配网关键要素的关联度的大小将风险等级划分为一级、二级、三级、四级、五级和六级，当关联度最大的配网关键要素触发时，响应一级风险和预警，依次类推，从而能够根据配网关键要素的不同快速的进行配网的风险评估和预警。
[0080]
综上所述，本发明具有以下有益效果：
[0081]
1.本发明通过针对评估区域内数据的分析，能够提前发现和预测评估区域配电网络中出现的潜在威胁。可以具有针对性地对评估区域范围内设备进行检修和调整，提升电力设备的正常工作，提高评估区域的供电可靠率。
[0082]
2.本发明改善评估区域综合治理工作现状，提高重风险评估区域的治理效能，通过开展基于配网关键要素的数据协同应用研究，对配电评估区域运行风险的影响因素进行深入的挖掘分析，预告挖掘风险评估区域，及时通报预警，助力专业部门提升客户用电服务水平，为迎峰度夏、节假日保供电和日常的主动服务和主动检修等提供支撑。
[0083]
上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所揭示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。