基于大数据分析的配网台区改造评估

陈吟

国网湖南省电力有限公司益阳供电分公司 湖南益阳 413000

配电网是社会经济、政治、文化不断向上发展的前驱动力[1]。随着城乡建设的发展，电网建设加强了对配网的投资。但是由于配网项目地域分散、数目较多，目前配网改造后评估多依靠县公司填报数据，且只有项目实施前后供带户数、低压供电半径、户均配变容量等数据，对具体台区负荷情况、台区用户低电压情况并无说明。

本文采用大数据思维，将各种数据资源从简单的处理对象转变为生产的基础要素[2]，利用电网已有各台区电流、电压情况，对改造台区前后负荷情况、用户低电压情况进行评估，数据来源来自电力用户用电信息采集系统（下文简称用采系统）。

1 项目设计思路

在本文中，项目改造计划来自于发展策划部门，选取每个台区改造前后台区负荷情况、台区用户低电压情况，计算改造前后台区平均负荷率、重过载时间占比、用户电压合格率，统计每批次项目改造合格率。改造前后时间的选取以冬季、夏季负荷高峰期为优先。

2 项目实现

2.1 选取需分析的台区

根据台区改造批次目录，获取需要分析的台区明细，重点字段为 “台区编号”、“投运日期”、“台区所属县公司”、“配变容量” 等。

2.2 获取台区数据

本文中为了计算台区改造前后负载率、以及用户电压合格率，需要获得台区三相电压电流数据与用户时点数据。本文中取数方法暂时为网络爬虫。

2.2.1 台区负载率

台区负载率的计算需使用台区三相电流电压数据（用采系统）、台区综合倍率（用采系统）和台区容量数据（PMS 系统）。某一时点负载计算公式为：

其中K 为综合倍率。

综合倍率可从用采系统的档案维护列表中获取，获取界面如图1：

图1 台区综合倍率取数

台区三相电压电流也可从用采系统的数据召测中获取。结果如图2 所示。

以计算出的负载除以台区容量即可得每一时点负载率。由于每个台区的采集频率为每15 分钟一次，故一天会产生96 个负载值。以负载值与额定负荷进行对比，计算出统计时段台区过载、重载、正常、轻载、丢点时间占比。其中过载定义为最大负载率＞100%额定容量，重载定义为80% ＜ 负载率＜ =100%，轻载定义为负载率＜=20%。

图2 台区电压电流曲线

2.2.2 用户电压合格率

不同于台区电压一天有96 个采集点，用户电压一天只有4 个时点数据，分别为每天7 点、11 点、15 点、19 点。用户电压合格范围为100%±10%，以220V 标准电压为例，用户合格的电压值为198V 至242V，数据来源也为用采系统，取数界面如图3：

图3 台区用户电压数据

其中居民用户电压应取测量点固定时间点单相电压，三相一般工商业用户取数类似，但应选取“测量点固定时间点三相电压电流”。

取数后可根据时点比例计算该台区所有用户低电压时间占比、过电压时间占比、正常电压时间占比。

2.2.3 负荷时间段

取数的时间段灵活可调，以一天为单位，可人工设置改造前和改造后的参考取数日期。

当考察台区应对迎峰度夏负荷时段时，会使用两个年度夏天负荷黄色预警期（近两个月）的数据；当考察春节负荷时，可使用前后各一个星期的数据。因台区改造施工期间部分数据为空，可以丢点时间有效判别空数据[3]。

2.3 形成的数据报表

取出的源数据可自动生成EXCEL 附件，备份待查。源数据有台区电压电流数据、负荷数据、用户电压数据[4]。

根据源数据可生成一份台区改造评级表，评级标准为：

A 级：成功。改造前有重过载或低电压，改造后无。

B 级：改造有效果，但未完善。改造前有重过载或低电压，改造后重过载时间占比或低电压时间占比都下降至50% 以下。

表1 台区改造评级表

C 级：改造效果不显著。改造前有重过载或低电压，改造后重过载时间占比或低电压时间占比下降未达50% 以下，但达20%。

D 级：改造无效。改造前无重过载或低电压，或改造前后重过载时间占比或低电压时间占比下降未达20% 以下[4]。

E 级：无法评测。丢点时间超过50%。

评级表格式如表1：

3 项目成果

获取525 个台区改造前、改造后电压、负荷数据进行计算，得出464 个台区改造效果效好，其中有208 个A 级台区、239 个B 级台区、17 个C 级台区，负荷高峰期改造成功率达88．38%。本项目通过对配变海量信息建模分析，将以往不能量化评价的配变改造评估程序化，支撑电网精准投资，加强配网建设管控，避免重复、低效基建[5]。

4 结语

大数据为智能电网的发展注入新的活力，掌握电力大数据的关键技术对电力行业的可持续发展和坚强智能电网的建立具有重要意义。本项目在电网大数据发展的基础上，可以通过量化评估配变改造成功率，指导配电网改造成本控制。

但是此项目还存在可以进一步提高的地方，具体有：

（1）扩大成果的适用范围，可细化评价标准，自动匹配配变新投运台账，对所有新投配变进行评估。

（2）部分台区丢点情况较严重，取数程序仍需完善。

（3）针对现有模型，增加反馈机制，通过实际结果与预测结果的比对，基于深度学习不断优化模型，让模型更合理、更智能。