多元數據融合的智能配電網負荷分析預測管理系統

高崇,唐俊熙,張俊瀟,曹華珍,張道路

(1.廣東電網有限責任公司電網規劃研究中心,廣州 510030; 2.北京清軟創新科技股份有限公司,北京 100085)

0 引 言

為支持粵港澳大灣區智慧城市群的建設,南方電網不僅加快了大灣區智能電網的規劃建設,同時也調整戰略提出“數字南網(digital CSPG)”,向綜合能源服務商轉型升級。如今,電力企業測量體系積 累了海量的細顆粒度數據,例如用戶歷史負荷數據、GIS數據、客戶信息數據、公共部門服務數據等,這些數據具有巨大的直接和間接價值[1]。應用大數據解析技術以及可視化交互技術[2-3],可以對負荷特性進行多維度的研究分析,根據不同的時間尺度,建立規范合理的指標分析體系,掌握不同負荷變化規律,同時負荷特性分析可以指導配電網的負荷預測工作?？茖W準確的負荷預測有利于實現配電網的科學規劃與管理,保證電網的穩定運行,提高電網企業的經濟效益[4]。

近年來,各地電網公司和電力行業的研究學者都從不同角度展開了相應的研究。文獻[5]提出了大數據在智能配電網應用中的“飛機型”理論,梳理了海量數據應用的關鍵技術,闡述了不同場景下的大數據應用方法,通過應用路線圖明晰數據流能量流的傳遞方向及交互作用。文獻[6]對統調的負荷歷史數據進行研究,分別以工作日以及周末的典型日負荷曲線為基礎,對日負荷率、日峰谷差率等負荷特性指標進行統計分析,并預測貴州電網的中長期負荷特性指標,為電網規劃提供參考。文獻[7]利用哈爾濱地區春季日負荷數據作為樣本,基于SPSS的相關性分析利用多元回歸實現負荷特性指標與氣象因素的量化影響關系建立,并實用聚類樹形圖以及層次分析法選取歷史負荷相似日,實現對負荷的短期預測。文獻[8]基于常德地區的歷史負荷特性曲線以及氣象數據,對各主要影響因素進行統計分析,確定小水電并網、電價浮動等具體場景對地區負荷的影響程度以及影響時段,并根據結果給地區負荷預測提供修正指導意見。文獻[9]將居民負荷分解為基本負荷以及季節性負荷同時進行兩級分析,基于自適應模糊c均值算法聚類分析居民負荷調控潛力大小,通過新的分類方法實現對用戶的用電特性差異化分析,為錯峰管理、電價制定提供數據支持。

總的來說,雖然國內外對負荷特性以及負荷預測都做了不少的研究工作,但由于數據來源以及分析技術的制約,目前負荷特性分析對象的分類大多數是按照大類屬性來進行劃分,如第一產業、第二產業、工業用戶。然而這種分類標準粗放且種類較少,缺乏更小顆粒度的行業分類研究,而本系統由于擁有完備的多元數據,能夠按照GB/T 4754—2017《國民經濟行業分類》的分類標準,將負荷層次化地分為門類、大類、中類、小類,一共涉及119個細分類別,對行業用戶進行信息提取和負荷分析,進一步實現差異化精細化管理。目前有不少研究將行業負荷特性應用到短期負荷預測中[10-14],但是由于中長期負荷預測的不確定性強且用戶負荷特性不夠精細,導致如何把用戶負荷特性與中長期的規劃負荷預測更合理地結合起來仍然是規劃人員試圖解決的實際問題。同時,現有的中長期負荷預測多是對系統級別或大區域進行預測[15-17],沒有在規劃方向對變電站饋線以及配變用戶層面展開中長期預測的深入研究。因此,部分依賴于精細化管理的配網規劃應用場景,如負荷優化組合、業擴用戶畫像等,在應用效果上并不是非常的理想。在數據質量上,規劃工作為了減少工作量,常利用個案剔除或均值代替等方法對負荷數據進行了簡單預處理,這樣造成了負荷數據信息和資源的浪費,削弱了數據的客觀性。而在平臺應用管理方面,目前開發的負荷管理系統普遍存在數據分析處理能力不足,人機交互性能不佳,可視化程度并不高等問題?？偟膩碚f,在工程實際應用中,缺乏一套能夠與時俱進、便于拓展的負荷特性綜合分析系統為電網獲取用戶信息,進行合理規劃提供便利。

針對上述存在的種種問題,文中基于廣東電網某地級市計量系統中配變臺區的實際運行數據作為驅動源,開發了一套組件多元、功能完善、可拓展性強的智能配電網負荷分析預測管理系統,實現數據的全鏈路流動交互。系統采用可移植性強、跨平臺性能好的Java語言進行主體開發,根據模塊功能需求差異部分算法結合python、C#語言完成。文章結合業務實際需求,介紹軟件系統的整體架構和數據結構;對系統各子模塊的功能實現以及邏輯關聯進行了介紹和開發;結合實際算例,給出了該軟件系統的一個應用示范。

1 軟件系統的框架

由于計量設備更新產生的新數據元以及負荷分析理論的不斷發展,使得系統需要滿足快速更新迭代的要求。同時,未來系統的使用場景趨于多元化,部署操作的終端設備以及操作系統都會因人因地而異,為了提高系統訪問的便捷性,減低廣泛部署的資源損耗,系統采用了適用范圍更廣的Browser/ Server(B/S)架構設計[18],如圖1所示。

圖1 軟件的基礎架構設計

軟件在開發過程中,摒棄了傳統的集成單體應用架構,而是采用了去中心化的微服務架構,如圖2所示。微服務架構具有松耦合、各業務自主性強的特點,可以根據應用特性將功能部署到不同的機器中,同一層級的業務服務不需要等待其他服務的完成,能便捷地實現多任務并行處理。而這種架構也可以接入HYSTRIX負載均衡服務防止軟件“雪崩”現象產生,實現故障隔離,同時可接入RIBBON熔斷限流服務使得系統在高負載流量情況下減輕單機運行壓力。

圖2 軟件的整體架構

在系統的整體架構層面上,身份管理平臺對訪問進行控制,針對公司總部、分子公司、地市單位、基層單位、設計單位等不同訪問者設定不同的功能權限。

展示平臺集成可視化組件,提供網架圖、折線圖、箱形圖、餅狀圖、熱力圖等各類數據可視化圖表的交互式展示。展示平臺以輕量級高級瀏覽器JavaScript庫Zepto.js作為前端,Django作為后端進行業務開發,利用采用微軟SignalR庫,基于Web Socket雙工通信協議實現數據的動態更新。

開發平臺組件是屬于底層的技術開發,提供一系列的支持,包括IOC/AOP、消息隊列、屬性擴展框架、領域實體框架、異常處理組件,利用可拓展標記語言和屬性文件可以實現不同平臺組件之間的動態加載、相互去耦以及多態性。

集成平臺提供業務流程管理以及企業服務總線等,其中企業服務總線是理想的SCADA系統數據交換中間件,使在分布式應用平臺之間通過中間層實現對等溝通。

數據資源平臺集成了多種信息平臺,包括地理信息服務平臺、實時負荷數據平臺、氣象信息平臺等,并對多源數據實現標準化,而數據標準是數據共享和系統集成的重要前提。同時基于數據庫建模工具生成對應的數據庫模型,提供數據項的快速新增與修改,支持數據項SQL全量、增量的導出,對數據表元數據提供同步全部、同步數據庫、同步實體、方向更新4種數據同步功能,如圖3所示。

圖3 數據存儲結構

業務應用平臺是應用層面的模塊功能,可以實現負荷特性分析、負荷預測、負荷組合優化等應用,同時預留接口可以實現其他功能模塊的開發接入。

2 軟件系統的應用功能

文中所描述的負荷分析預測管理系統根據電網公司應用需求,開發了數據管理、負荷特性分析、業擴報裝業務、負荷預測、電力負荷優化組合、配網規劃、系統管理等功能模塊,如圖4所示。

圖4 系統應用功能結構

2.1 數據管理模塊

數據管理模塊是數據處理使用的基本模塊,其中用戶信息功能允許查詢用戶的名稱、接入點、用戶行業類型、用戶已報裝容量、用戶報裝時間、建筑面積、比例系數等信息,同時可以在此模塊對底層數據庫導入的數據進行手動修改,也可以進行業務數據的導入。

負荷數據主要是配電變壓器每天96個測量點數據,由于測量地點條件各異,導致數據質量一般,壞數據較多,真正可用數據較少,因此需要進行大量的數據預處理操作。數據清洗主要處理數據為缺失值、0值、突變離群值,負荷曲線為直線等情況。

對于連續若干天缺失大量數據,采用相似日近似替代法進行整天數據修補替換,以便進行配變負荷加和運算處理功能。對于單日異常數據,采用低秩矩陣填充算法進行處理,以含缺失數據的負荷曲線與歷史負荷曲線構成低秩矩陣,然后用低秩矩陣填充算法[19]進行計算,如圖5所示,為低秩矩陣算法流程設計。

圖5 低秩矩陣算法流程

2.2 負荷特性分析模塊

負荷特性分析模塊功能包含負荷特征庫的建立和負荷特征庫的管理。負荷特征庫通過特定算法對存儲數據進行計算,從指標類型可分為數值型特性指標以及曲線型指標兩大類,從時間維度可分為日特性指標、月特性指標以及年特性指標三大類[20-21],分別如表1、表2和表3所示。

表1 日負荷特征指標

表2 月負荷特征指標

表3 年負荷特征指標

為了精準化識別負荷,解釋負荷內含的長短周期分量,該模塊在傳統負荷指標的基礎上設置了負荷頻域分析功能,目的是為了提高負荷特征庫對負荷波動的敏感度。頻域分析基于小波變換的原理,提取近似信號的小波能量、細節信號的小波能量、近似信號的均方根值、細節信號的均方根值、近似信號的絕對模均值、細節信號的絕對模均值、近似信號的標準差、細節信號的標準差作為分析指標。

按照行業分類,選取大量同行業用戶的典型日負荷曲線進行聚類分析,如圖6所示,為文中設計的典型日負荷曲線聚類流程圖。如圖7所示,為某地服裝行業夏季日負荷曲線聚類結果。聚類分析模塊的API里封裝了多種的有效聚類方法,包含有模糊C均值聚類算法、基于灰狼優化的模糊均值聚類算法[22]、基于層級聚類方法、K-means聚類算法、Mini BatchKMeans聚類算法等五類可供用戶選擇。不同的聚類算法面對不同的數據,其聚類效果也不盡相同,例如層次聚類算法不需要人為設置聚類數目,可以根據實際需求選定合適聚類數目下的聚類結果,但在面臨較大的數據集時計算速度較慢;而模糊均值聚類算法具有較好的收斂速度和聚類效果,但需要人為指定聚類數目。因此模塊選擇了輪廓系數作為有效性指標,它結合了類內緊密度和類間分離度作為聚類效果的量度。以K-means算法為例,其優點在于簡單易操作,所得結果大體上上也可令人信服。然而,它的缺點也十分突出,K-means算法分類數目的設定主要取決于主觀經驗,難以保證所選的聚類數目即為最優數目。為此,本系統使用基于聚類有效性評價指標的改進K-means方法來處理負荷數據,從而提取相關的典型日負荷曲線。為解決上述問題,本文將設定輪廓系數作為評價聚類結果有效程度的指標,以判斷分類數目的選取是否合理。評價聚類所得結果的優劣,需要對類內內聚程度與類間的分離程度兩個方面進行分析,輪廓系數則將二者有效的結合在一起?？砂聪率接嬎愕玫娇偟妮喞禂礫23],其計算方法如下:

圖6 典型日負荷曲線聚類流程圖

圖7 某地服裝行業夏季日負荷曲線聚類結果

(1)

式中D(k)為向量k與它所在簇中的其它點的距離的平均值(類內緊密度);E(k)為向量k與離它所在簇最相近的簇中各點的平均距離(類間分離度),N為當前聚類數。由此可知,總的輪廓系數的取值范圍為-1至1,且值越大代表著內聚度與分離度綜合得分越高,即可認為聚類效果越好。

基于輪廓系數這一評價指標隨分類數目變化而發生變化的趨勢進行判斷,并依此選出最為合理的分類數目,從而改善上述K-means的缺點。對某行業多個用戶負荷進行聚類分析,以把握該行業用戶整體的用電行為,上述內容的具體步驟如圖6所示。

2.3 業擴報裝模塊

在此模塊中,利用電網SCADA系統的配變負荷數據,按照GB/T 4754—2017《國民經濟行業分類》的分類標準,層次化地分為門類、大類、中類、小類,一共涉及119個細分類別,進一步實現差異化精細化管理,對行業用戶進行信息提取和負荷分析。由行業用戶報裝時間、報裝容量、投運時間、投運年1～3年負荷變化等信息計算出各用戶的實用系數和階段系數,并通過統計學方法確定行業實用系數和階段系數的置信區間,為合理進行負荷預測提供數據支撐[24]。

大用戶負荷模式識別是制定大用戶供電接入方案的關鍵。進行業擴報裝時,只有通過掌握新接入大用戶的日負荷模式,才能更好利用大用戶之間的峰谷互補性,以便進行合理規劃。系統管理者可以輸入待進行業擴報裝用戶的信息,例如用戶所屬區域信息、所屬行業、報裝容量、建筑面積、容積率、用電性質、接入時間、生產計劃、用電高峰時段、生產設備額定運行容量、非生產設備額定運行容量等。在新用戶接入前,基于報裝信息與行業業擴信息進行指標比對匹配,結合用戶用電性質、生產計劃從負荷特征庫中科學選定其典型負荷曲線。根據客戶提供信息的多寡設定了不同的匹配方法,對于信息豐富的用戶,利用各類設備的容量以及使用行為信息估算新用戶負荷率、日最小負荷率、日峰谷差率、峰期負載率、平期負載率、谷期負載率等計算指標,采用隨機森林與概率神經網絡等人工智能方法對不同用電模式的負荷曲線進行選型;對于信息模糊型用戶,繪制離散的模擬用電行為曲線,利用歐氏距離進行判別。通過建立科學合理的匹配方法,使得對負荷特征庫中聚類曲線選取的準確性更高。同時根據已有信息匹配,從業擴信息庫中選取最佳推薦實用系數和階段系數,結合報裝容量得到業擴新用戶在預測期內不同年份的負荷預測最大值。對于特定類型的負荷,系統管理者還可設置特殊的匹配規則。

值得一提的是在應用過程中,通過匹配算法選定新用戶的日用電模式曲線,近似地將歷史典型日負荷曲線作為未來日負荷曲線以便進行負荷疊加分析。特征庫中的負荷曲線為標幺曲線,只是確定了形狀,負荷水平還是依靠負荷預測的最大值來決定。

2.4 負荷預測模塊

中長期負荷預測[25-26]對于配電網的規劃建設具有實用指導作用,能夠初步測算規劃期內需新建輸變電設施的規模。根據不同預測層面,針對不同的可用數據源,綜合各類預測思想,建立中長期負荷預測方法模型庫,如圖8所示。

圖8 預測方法模型庫

對于饋線級別的預測,目前國內外理論研究仍然較少,究其原因是饋線負荷較系統負荷而言量級較小,受波動影響而引致變化率更大;饋線接入配電變壓器負荷容易產生突變,穩定性比較差,難以尋求變化規律。本文的預測模塊選用自下而上的配變疊加法、隨機森林算法,以及基于區域預測數據的自上而下負荷分配法作為應用算法。其中配變疊加法以及隨機森林算法都是將分析對象下沉到配電變壓器這一級別,結合業擴報裝模塊提及的分類標準,利用數據管理模塊中配變自身信息以及配變歷史負荷數據,將配電變壓器依照公專變、用電性質、所在供電區域、投運時間等信息進行分類,不同類別變壓器會有不同的負荷預測原則,不同配變的負荷成熟時間不一,從而設定不同的增長率。此時將同一饋線下的變壓器預測結果疊加,乘以饋線同時率可得到所在饋線的預測負荷。而自上而下的負荷分配法是先以110 kV變電站為對象進行預測,110 kV主站的預測通常是以110 kV主站當前負荷按一定的自然增長率增加,然后再加上大用戶報裝容量以及負荷計劃轉移量得到結果,并把此預測結果作為基準參考,根據下轄饋線的歷史負荷比例均值分配預測負荷值,得到各饋線的預測負荷。選取部分實際饋線負荷數據進行預測[27],后續結合專家經驗,通過人工核驗分析所接配變情況以及其他的饋線狀態信息,可以對預測結果進行更精確的修正[25],如圖9所示。

圖9 饋線級別負荷預測結果對比

空間負荷密度不僅可以計算負荷最大值,還能結合地塊控規圖信息得到負荷的空間分布,是高壓電源供電分區劃定、線路布置和供電范圍確定的重要參考依據。由歷史負荷數據、建筑面積、投運時間等計算可知不同類型用戶的接入負荷密度以及飽和負荷密度,結合發展年份的釋放系數,在功能交互欄輸入相應信息,即可得出相應地塊的年負荷值高、中、低三個推薦方案[28]。此方法用于新建園區的增量配電網負荷預測。

進行存量配電網的負荷預測,結合GIS系統可以清楚觀察到負荷的分布拓撲,對配電變壓器未來幾年的負荷最大值進行預測,可以大致地實現重過載的預警,為已有配變的增容擴展以及線路改造提供數據支撐。

2.5 電力優化組合模塊

分布式能源、儲能設備以及電動車等新型負荷的接入,改變了傳統配電網的負荷特性曲線。適當考慮分布式能源和新型負荷的時序特性、未來增量以及投運成本等條件,能有效地指導區域內分布式電源、電動汽車充電樁的投建。

考慮主要新型負荷電動私家車的發展以及空間負荷需求,參考《上海市交通行業發展報告(2018)》及《上海市新能源汽車產業大數據研究報告2018》數據,基于改進的BASS模型對區域電動車的未來保有量進行預測。參考美國國家公路交通安全管理局數據,基于蒙特卡洛模擬對車輛時空行為進行建模分析,得到未來預測年內的不同充電決策、不同場景下的典型電動汽車日負荷曲線,得到最大負荷的量化需求[29]。

本模塊的接入決策分為負荷特性決策以及經濟決策。前述的業擴報裝模塊可以通過報裝信息從負荷特性分析模塊匹配出業擴新用戶的典型用電曲線,可以根據其地理位置附近饋線的負載率情況,依據提高供電點負荷曲線的平緩程度原則,實現用戶接入的優化決策。也可以對已有用戶進行臨近饋線轉供決策,實現負荷特性指標的改良。

同時建立初始的配電網網損、分布式電源建設運行成本、環境效益成本、儲能成本簡易模型[30],設置光伏、風力、微型燃氣機組的接入量,結合物理約束條件建立求解多目標優化函數,以變權重分析對比不同條件下的經濟效益,以供管理者和投資方做決策參考。

2.6 配網規劃模塊

此模塊建立在負荷特性以及負荷預測模塊的基礎上,在導入基礎數據后,調用優化算法,開展園區配網規劃,快速生成各種接線模式下的接線方案及其各項經濟技術指標,為規劃人員提供參考和依據。模塊功能概覽如圖10所示。

圖10 配網規劃模塊功能應用

根據配電網開展園區規劃的順序,首先需要從地理信息系統(GIS)導入配電網一次網架規劃所需的拓撲數據以及控規圖,再從負荷特性模塊中導入不同行業的負荷特性,同時支持元件的增刪改操作。導入基本信息后,支持用戶開展網格繪制,根據控規圖上的線纜走廊信息,在控規圖上繪制可建設輸電管廊路徑,并要求所畫的路徑包圍的地塊必須是封閉的。后臺系統將根據用戶的繪線圖層自動識別地塊面積、路徑長度等信息。同時,在道路規劃這一級功能欄上,可以展示不同的圖層,包括地圖,控規圖層(主要用于道路繪制),負荷點圖層(展示在負荷預測功能模塊上定義的負荷節點和電源節點),路徑圖層(展示人工畫出來的路網拓撲),饋線圖層(展示一次規劃的饋線地理走線圖)。

根據控規圖上的地塊信息,在繪線圖層上標記各負荷節點的位置,軟件自動將用戶標記的負荷節點與用戶導入的控規中的地塊負荷信息進行匹配,通過負荷預測模塊的空間負荷密度法進行地塊負荷的預測。軟件還支持用戶手動完成或修正標記的負荷節點與導入的控規中的地塊負荷信息的匹配過程。然后,用戶可以根據實際要求選擇接線模式,優先原則,自定義基本的投資參數,可靠性參數。

在完成上述基本數據的部署后,調用開發完成的優化算法對配電網規劃模型進行優化求解,生成優化一次網架,同時展示生成各個饋線一次網架的可靠性計算結果和潮流計算結果(包括節點電壓、線路電流、線損),便于規劃人員對規劃結果進行校驗和調整。

2.7 系統管理模塊

此模塊為系統的管理運維模塊,通過菜單管理可以自由調整系統頁面,部門管理可以增加下級使用單位,文件管理可以通過可視化上傳下載文件數據,系統參數涉及系統版權信息及驗證碼開啟選項,系統日志則記錄用戶對系統所做的更改操作。

總的來說,如圖11所示,為文中開發的軟件系統的數據全鏈路實現流程[31-35]。其中,軟件系統選用部分可視化組件展示多維度負荷特性分析的輸出結果[36-38]。為方便用戶操作及閱讀,頁面分為四個標簽頁,負荷特征庫頁面展示用戶的典型日負荷曲線及日月年等常規負荷特性指標;負荷頻域分析頁面展示用戶負荷小波變換后所得近似信號、細節信號及各層信號穩態特征量;實用系數及階段系數頁面展示用戶飽和負荷密度、實用系數及階段系數指標;聚類分析頁面展示所選行業用電模式所得結果?；诖?本文開發的軟件系統界面如圖12所示。該系統微服務的架構為其帶來了靈活可拓展的能力,而模塊化開發的方式確保了各個功能模塊之間的信息交互,同時數據采集管理平臺的搭建以及數據庫采用多節點副本集部署使得系統的數據接口可支持多種數據采集協議,并保證了數據儲存的安全性。在算法集成設計方面,系統構建了算法集成平臺,提供標準統一調用接口,支持對多種語言的自動識別及調用。

圖12 軟件系統概覽圖

3 軟件系統的應用實例

為實現軟件系統不同模塊功能的數據鏈路互通,應用實例選取某紡織業公司作為業擴用戶,其用地面積為28 987 m2,建筑面積29 886 m2,容積率為1.031,報裝容量為630 kV·A,并且在傳統業擴信息的基礎之上,增加了客戶提供的用電設備信息,包括持續性用電設備容量(保溫、監控、部分不間斷照明設備等)、工作時間段用電設備容量(制冷、照明、生產設備等)、生產運行用電時段安排的需求。其中該紡織業公司工作時間段用電設備容量報580 kW,持續性用電設備容量報350 kW,工作時間安排為8:00—12:00,14:00—18:00,19:00—22:00根據業擴用電信息可分別計算出日負荷率a1、日最小負荷率a2、日峰谷差率a3、峰期負載率a4、谷期負載率a5及平期負載率a6形成客戶典型特征向量。

首先從負荷特征庫里根據紡織業聚類曲線得到三大類典型日負荷曲線,如圖13所示。其中類型1為“雙峰型”,于早上8時左右負荷出現較明顯上升,并于中午12時出現午休的負荷回落,繼而在14時左右重新進入高峰,于17時左右出現回落,然后夜晚的負荷雖然下降,但仍保持一個較高水平;類型2也為“雙峰型”,其負荷規律與類型1很相似,不同的地方在于其負荷降落會降落到一個較低的水平;類型3在常規工作時段負荷水平都很高,夜晚22時左右負荷降低到一個較低的水平,然后持續到第二天的工作時間。將三條曲線進行比較分析,可認為類型1的自動化程度較高,規模較大,晚上仍有部分機組處于運行生產狀態;類型2工作休息的特征明顯,不過峰谷差率較大,非工作時間負荷水平較低,說明大部分工作也需要人力參與;類型3是屬于工作時間集中,自動化程度相對低一些,大部分工作也需要人力參與。

圖13 紡織業典型日負荷曲線聚類結果

將前面形成的特征向量輸入到訓練好的紡織業決策樹模型中,通過輸出標簽能夠識別出本業擴用戶是屬于類型1的,所以選擇其作為其典型日負荷曲線來分析。

該用戶所在位置可以選擇721、709兩條饋線接入。由負荷特性模塊可以分別得到這兩條饋線最大負荷所在時段的聚類典型日負荷曲線。將新用戶典型日負荷曲線分別與兩條饋線疊加,可以得到新的饋線負荷曲線以及特性指標。由圖14、圖15可以看到,接入721饋線能減小峰谷差率,增大最小負荷率,而接入709饋線會增大峰谷差率,結合饋線本身的負載情況,最終選擇接入721饋線。

圖14 709負荷曲線及指標

圖15 721饋線負荷曲線及指標

前述已知新用戶的面積、報裝容量、行業信息、生產計劃等,因此可以從業擴信息庫里匹配近似的業擴信息,得到推薦的投運1～3年實用系數,η1= 0.550,η2=0.734,η3= 0.762根據報裝容量可得各年預期負荷值。由饋線721的歷史負荷信息,分別應用三種預測方法體系對其負荷最大值進行預測。直接用隨機森林算法預測饋線負荷的結果差異相對較大,所以權重設置小一點t1=0.2;自上而下的負荷分配法,預測對象為大區域,先通過時序外推預測大區域負荷,然后以最新的負荷比例分配到饋線級別;而自下而上的配變預測疊加體系以配變為預測對象,通過判斷不同配變未來的變化趨勢,結合歷史數據,利用BP神經網絡針對配變年最大負荷之間不同的數據變化形態進行模型訓練,預測得到未來負荷變化率數值,從而計算得到預測負荷最大值。由于在訓練模型過程中更注重全體訓練配變樣本的誤差最小,所以預測出來的結果相對真實值多數偏保守,因此和自上而下的負荷分配方法偏樂觀形成互補關系,可以設置相當的權重t2=t3=0.4,對結果加以平衡。采用加權組合方式得到接下來各年預期最大負荷值,如表4所示。

表4 各年預期最大負荷值

采用近大遠小原則,對饋線721的各年同時率進行加權,得到新的同時率作為預測同時率Sp=0.756,用戶負荷最大值乘上同時率后疊加到饋線負荷上,得到未來幾年內的饋線最大負荷預測值。

4 結束語

文中針對多元大數據在智能配電網中的應用問題,為實現配電網的精益管理、科學預測和合理規劃,開發了基于多元數據的智能配電網負荷分析預測管理系統,該系統具有如下優點。

1)系統能夠實現數據的清洗處理,通過數據挖掘建立精細化的行業負荷特性庫以及業擴報裝信息庫,為業務場景提供信息支撐。

2)系統內嵌了自上而下的預測方法體系,同時也開發了自下而上的配變負荷預測疊加體系,可以結合用戶負荷特性和配變的中長期預測實現各層級負荷預測。

3)系統還可以實現不同負荷的優化組合以及業擴新用戶的接入選線,其中搭建的配網規劃模塊則能夠實現智能配電網的一二次側協調規劃,提供交互式的規劃線網生成組件,并提供可靠性的核驗。

總的來說,本文研發的系統是基于云架構微服務建立的,模塊化的設計使其具備解耦條件,因此可根據用戶需求進行數據接口制定以及對數據進行統一規約,在新的平臺實現微服務的快速部署。

由于文章所述軟件系統的數據鏈路互通,功能業務平臺可拓展性較好,所以在下一步研發過程中,可引入更豐富的數據源,針對已有的模塊進行更深入的理論性研究。多元數據管控為功能拓展打下的堅實基礎,能更進一步實現配電網節能環保評估、經濟性分析、綜合能源系統規劃等功能。在系統投入試點運行穩定后,將繼續完善不同的應用場景,最終將各模塊融合成為集信息管控、配網指標評估、變壓器定容、線路網規劃等功能于一體的綜合決策管理系統,不斷提升智能配電網的運行水平和服務能力。