余劍鋒， 何云良， 吳華華， 魏驍雄， 陳博， 鐘震遠

(1.國網(wǎng)浙江省電力有限公司， 浙江， 杭州 311100；2.國網(wǎng)浙江省電力有限公司營銷服務(wù)中心， 浙江， 杭州 311100)

0 引言

隨著智能配電網(wǎng)的不斷應(yīng)用，提高了電網(wǎng)的供電效率以及可靠性，同時可以實現(xiàn)獲取電網(wǎng)的相關(guān)數(shù)據(jù)，提高電網(wǎng)的搶修效率。智能電網(wǎng)平臺通常只能對于停電故障發(fā)生后進行業(yè)務(wù)處理的管理，無法實現(xiàn)根據(jù)故障數(shù)據(jù)的故障研判,因此一些研究者對配電網(wǎng)數(shù)據(jù)的研判方案進行了研究：文獻[1]提出了基于配電網(wǎng)拓?fù)浣Y(jié)構(gòu)等效耦合故障研判方法，分析了配電網(wǎng)故障研究與判斷的基本原理以及常見的配電網(wǎng)故障研究與判斷邏輯，實現(xiàn)了分布式配電網(wǎng)拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)單故障和多故障的準(zhǔn)確判斷；文獻[2]提出了融入低壓智能電表的配電網(wǎng)故障研判，結(jié)合低壓GIS對配電網(wǎng)自動化系統(tǒng)等多源業(yè)務(wù)系統(tǒng)數(shù)據(jù)進行智能診斷，開發(fā)低壓整體故障分析儀，設(shè)置配電中的定位網(wǎng)絡(luò)，低壓故障類型識別和分析等功能模塊，實現(xiàn)低壓配電網(wǎng)的模塊化應(yīng)急維修。通常采用的研判模式的開發(fā)接口較多，難以適應(yīng)大型電網(wǎng)，且以上幾種研判方案均是在故障出現(xiàn)導(dǎo)致停電后才對單一節(jié)點的數(shù)據(jù)進行處理，無法對整體數(shù)據(jù)進行關(guān)聯(lián)查找。因此研判結(jié)果的準(zhǔn)確性受到了影響，需要進一步的改進[3-4]。

1 基于隨機森林算法的配電網(wǎng)停電研判方法設(shè)計

1.1 隨機森林電網(wǎng)數(shù)據(jù)集樣本訓(xùn)練

用隨機森林算法對配電網(wǎng)中的數(shù)據(jù)進行提取和訓(xùn)練，包括電能運行數(shù)據(jù)、設(shè)備管理數(shù)據(jù)及故障數(shù)據(jù)，以此來獲得相對應(yīng)的異常數(shù)據(jù)集，并作為未來停電研判的基礎(chǔ)[5-6]。首先設(shè)獲取到的配電網(wǎng)存在m個樣本的數(shù)據(jù)集G，而在進行數(shù)據(jù)集樣本采樣過程中獲得的數(shù)據(jù)集為D。在數(shù)據(jù)集G隨機提取樣本并將樣本拷貝至D內(nèi)，并重復(fù)m次，得到存在數(shù)據(jù)集G內(nèi)m個數(shù)據(jù)的數(shù)據(jù)集D。那么在進行m次的采樣時不會抽到的概率為(1-1/m)，得到極限值：

(1)

該過程可以通過Bootstrap來進行反復(fù)抽取，并保證獲得數(shù)據(jù)集的集中率在37%左右。那么得出的樣本就可以作為OOB樣本，作為隨機森林算法的樣本。而在隨機森林算法中通過抽取后的樣本數(shù)據(jù)集D中的k類樣本占比為pk(k=1,2,…,|y|)，那么D的信息熵則為

(2)

其中，特征集內(nèi)的特征a屬于離散型的數(shù)據(jù)，則對于特征a的取值則存在V種可能，即{a1,a2,…,av}，且對于樣本集D的劃分可以使用特征a來進行。并在其中產(chǎn)生出V個分支點。設(shè)在第V個分支中包含的數(shù)據(jù)集D中的特征a中取值av的樣本為Dv。計算得出離散特征a的數(shù)據(jù)集D劃分出的信息熵：

(3)

而當(dāng)特征a屬于連續(xù)數(shù)據(jù)時，特征a則可以根據(jù)取得遞增情況來進行排序，并將取值得出的相鄰點看作不同可能下的分裂[7-8]，則對數(shù)據(jù)集D的信息熵劃分則改變?yōu)?/p>

(4)

式中，DL以及DR代表通過分裂點分出的兩部分子集，并以此來獲得特征a所劃分的集合D的熵值。在確定不同特征下的數(shù)據(jù)類型并獲得相應(yīng)的信息熵，進而則可以計算其中的信息增益：

Gain(D,a)=Ent(D)-Enta(D)

(4)

則增益率計算為

Gainratio(D,a)=Gain(D,a)/IV(a)

(5)

而其中IV(a)的計算式為

(6)

以此得出隨機森林運算的樣本訓(xùn)練模式，用以進行停電事件研判。

1.2 配電網(wǎng)分層拓?fù)淠Ｐ徒?/h3>

配電網(wǎng)停電通常受到其中的故障原因，在對配電網(wǎng)停電的研判時，需要對配電網(wǎng)的故障情況進行考慮[9-10]。本文采用分層拓?fù)淠Ｐ蛠磉M行配電網(wǎng)故障情況的運算，建立的配電網(wǎng)分層拓?fù)淠Ｊ饺鐖D1所示。

圖1 配電網(wǎng)拓?fù)淠Ｐ褪疽鈭D

(7)

在配電網(wǎng)中，當(dāng)用戶發(fā)出故障信息或觸發(fā)故障檢測設(shè)備的情況下，通常可以直接獲取到故障用戶的位置，實現(xiàn)對用戶的定位。在該條件下點子集為Ck=(ck1,ck2,…,ckn)T，而其中的故障信息向量為Pk=(pck1,pck2,…,pckn)，那么配變層的父節(jié)點tk所對應(yīng)故障信息pTk為

(8)

就此建立配電網(wǎng)的故障停電模型，來對故障情況下停電原因進行判斷。

1.3 停電事件研判實現(xiàn)

相關(guān)的配電網(wǎng)研判方案，在具體實現(xiàn)時，可以使用兼容性較高的自動數(shù)據(jù)處理方法來進行，以適應(yīng)當(dāng)前智能電網(wǎng)的需求。本文對于配電網(wǎng)的研判采用自動數(shù)據(jù)來進行，開發(fā)通過PMS2.0來進行，并在其中導(dǎo)入上文中的運算方式。研判過程如圖2所示。

圖2 停電數(shù)據(jù)研判流程圖

停電數(shù)據(jù)研判流程如下：

(1)首先使用上文中的完成訓(xùn)練的隨機森林算法，處理配電網(wǎng)中的數(shù)據(jù)，得出會導(dǎo)致停電的故障樣本數(shù)據(jù)；

(2)將故障樣本數(shù)據(jù)導(dǎo)入至配電網(wǎng)的分層拓?fù)淠Ｐ?，得出得到具體的故障參數(shù)；

(3)依據(jù)配電網(wǎng)中帶有的監(jiān)測對用戶的停電時間和用戶標(biāo)識、停電起始時間和終止時間進行數(shù)據(jù)監(jiān)測。同時進行判斷，在可靠性的停電中，獲取到用戶中的表示和在研判中的PMS2.0中的對配電網(wǎng)中故障停電的搶修ID，并對用戶的停電終止時間，進行故障研判，大致得出相應(yīng)的預(yù)計電力恢復(fù)時間；

(4)最后將搭載研判方案的PMS2.0與配電網(wǎng)中的數(shù)據(jù)許可相聯(lián)系，使方案可以隨著搶修進度的推進校正得出的數(shù)據(jù)結(jié)果，從而得到實時的停電事件研判結(jié)果。

2 實驗論證分析

為了驗證配電網(wǎng)的研判方案的可行性，設(shè)計對比實驗。以某地變電站構(gòu)成的配電網(wǎng)作為停電研判方案的驗證基礎(chǔ)。并采用文獻[1]、文獻[2]中的研判方案與本文方案中的算法對其中的數(shù)據(jù)進行運算。并判斷3種研判方案對于配電網(wǎng)故障數(shù)據(jù)的查全率以及查準(zhǔn)率。

2.1 實驗變電站網(wǎng)絡(luò)

實驗的對象配電網(wǎng)絡(luò)，基于如下的變電站網(wǎng)絡(luò)而建立，網(wǎng)絡(luò)簡化圖如圖3所示。

圖3 簡化變電站網(wǎng)絡(luò)

配電網(wǎng)的信號域數(shù)據(jù)如表1所示。

表1 配電網(wǎng)絡(luò)信息域和數(shù)據(jù)

在該配電網(wǎng)絡(luò)中，T代表網(wǎng)絡(luò)中的變壓器，L1、L2均為用戶的輸電線路。A、B、C、D代表配電網(wǎng)絡(luò)母線，圖3中的M1～M8均代表配電網(wǎng)絡(luò)中的量測裝置，分別為變頻電源檢測器、電流檢測器、高壓開關(guān)裝置、集中處理器、功率檢測器、饋線終端裝置、遠程終端單元及數(shù)字量模塊。

2.2 配電網(wǎng)停電故障預(yù)測指標(biāo)計算

實驗對配電網(wǎng)的故障網(wǎng)絡(luò)預(yù)測，過程中的使用數(shù)據(jù)相同，并依據(jù)其中的查準(zhǔn)率以及查全率兩種指標(biāo)來進行判斷，實驗評判指標(biāo)計算方法如下：

(9)

(10)

式中，precision代表實驗中研判方案對故障數(shù)據(jù)的查準(zhǔn)率，recall代表實驗中研判方案對故障數(shù)據(jù)的查全率，Np代表預(yù)測正確樣本數(shù)，Nt代表進行處理的樣本數(shù)，Nr代表真實樣本數(shù)。

2.3 實驗結(jié)果

本文實驗在進行數(shù)據(jù)預(yù)處理時，對于故障量進行區(qū)間劃分，共分為3類的故障量數(shù)據(jù)類別，分別為1～5、6～10、11～15。對于類別1的實驗結(jié)果如表2所示。

表2 類別1數(shù)據(jù)研判結(jié)果

在表2中，COUNT_2_1代表電壓等級為1的故障數(shù)據(jù)，COUNT_2_2代表電壓等級為2的故障數(shù)據(jù)，COUNT_2_3代表電壓等級為3的故障數(shù)據(jù)，COUNT_2_4代表電壓等級為4的故障數(shù)據(jù),COUNT_2代表該配電網(wǎng)下的故障總故障數(shù)據(jù)，COUNT_1代表非配電網(wǎng)的用戶設(shè)備故障數(shù)據(jù)。在表2中可以發(fā)現(xiàn)，文獻[1]方法的查準(zhǔn)率維持在69%～90%之間，查全率維持在80%～91%之間;文獻[2]方法的查準(zhǔn)率較高，維持在81%～91%之間。但由于文獻[2]方法查全率較低，維持在65%～76%之間，查準(zhǔn)結(jié)果置信程度不高，而所提研判方案的查準(zhǔn)率維持在86%～93%之間，查全率在97%～99.78%之間，在查準(zhǔn)和查全上均存在優(yōu)勢。對于類別2的實驗結(jié)果如表3所示。

表3 類別2數(shù)據(jù)研判結(jié)果

從表3可知，文獻[1]方法的查準(zhǔn)率維持在69%～75%，查全率在69%～88%；文獻[2]方法的查準(zhǔn)率在66%～81%之間，查全率在90%～99.37%之間；所提方案的查準(zhǔn)率在91%～95%之間，查全率在98%～100%。對類別3的數(shù)據(jù)研判結(jié)果如表4所示。

表4 類別3數(shù)據(jù)研判結(jié)果

從表4可以看出，文獻[1]方法、文獻[2]方法的性能下降嚴(yán)重，進行分析得出，類別3的故障數(shù)據(jù)通常是由于其他節(jié)點的故障，從而導(dǎo)致一系列故障，從而導(dǎo)致停電的出現(xiàn)，由于其他方法均針對單一節(jié)點進行數(shù)據(jù)研判，因此無法得到可靠的研判數(shù)據(jù)。同時可以證明本文設(shè)計的配電網(wǎng)停電研判方法的可行性。

3 總結(jié)

利用隨機森林算法，對配電網(wǎng)中的所有數(shù)據(jù)進行了過濾或監(jiān)測，實驗表明所提方案提高了研判方案的數(shù)據(jù)查全率及查準(zhǔn)率，對不同類別故障的研判精確度較高。但本文研究由于采用了對電網(wǎng)數(shù)據(jù)的實時監(jiān)測，容易對服務(wù)器造成過多占用，因此未來將會結(jié)合云計算技術(shù)，將部分?jǐn)?shù)據(jù)的計算分離，降低服務(wù)器的運算壓力。