基于异常数据溢出的配电网暂态负荷监测预警方法

王 丹，高梓翔，张 萍，程 飞

（国网湖北省电力有限公司十堰供电公司，湖北十堰 442000）

随着配电网输送规模的增大，由于配电网暂态负荷的不稳定性，导致用户停电事故的数量在不断增加，同时也造成配电网异常数据溢出的控制能力较差，因此需要实时监测预警配电网在运行过程中产生的暂态负荷，以保证配电网的安全、稳定运行[1-2]。配电网中暂态负荷较为复杂，其网络拓扑种类较多，暂态负荷监测预警设备分布相对较为分散，且配电网中的潮流数据、频率数据、电压电流等数据随机性较强，很难通过分析网络拓扑与状态数据的机理而保持配电网暂态负荷的稳定性[3-4]。

基于此，国内的学者们对其进行了细致地研究。有些学者综合考虑了配电网发生停电事故概率，对其中的配电网暂态负荷各类指标进行了量化，以此实现对配电网暂态负荷的监测预警，有些学者提出了基于数据挖掘的配电网暂态负荷监测预警方法，通过对配电网暂态负荷中各类状态数据的挖掘实现对暂态负荷的监测预警，以上监测预警方法中基于数据挖掘的监测预警方法应用效果更为理想，但监测预警准确度较低、监测预警等级划分不明确。

为了解决以上出现的问题，提出了基于异常数据溢出的配电网暂态负荷监测预警方法，该方法通过设置预警等级，确定异常数据阈值，实现配电网暂态负荷的监测预警，最后通过实验验证了所提方法的实际应用效果。

1 配电网暂态负荷数据分析

配电网是一个大型的网络系统，内部数据包括电压、电流、功率等数据，电力负荷作为能量的消耗者，在电力系统的控制中扮演着十分重要的角色。负荷数据具有随机性、分散性和多样性，非线性的分布特点使配电网暂态负荷数据分析难度加大，采用空间信息聚类分析法对异常数据特征进行辨识处理，以便通过异常数据溢出转换控制得到配电网负荷数据模型[5-6]。

电力系统异常耗能扩散矩阵BN×1，其表达式为：

式中，TL×1为时间序列矩阵；SN×L为暂态数据属性融合矩阵。根据配电网暂态负荷特征提取线路异常状态的相同特征数据，得到配电网暂态线路输出功耗特征量fij(n+1)。

基于确定的配电网分布特性f(si)，随机负荷yR,j(n)，建立异常数据溢出密度函数：

根据AI 自主学习理论暂态负荷数据控制方法，得到负荷数据均衡输出为：

2 配电网暂态负荷数据处理

配电网系统的负荷成分具有多样化的特点，现有的负荷分析模型通常将其分为静态和动态两种方式分析，从而模拟现场负荷情况，但不能很好地体现负荷的暂态特性。因此该文采用神经网络方法建模，根据电流输出大小，以受控电流为主体分析暂态负荷数据[9-12]。暂态负荷数据特性的神经网络控制模型如图1 所示。

观察图1 可知，该模型原理是将负荷视为不可测但可以用受控电源代替的黑箱数据，将负荷实际电源输入神经网络控制系统，输出电流作为神经网络控制系统的输出。通过实际负荷群的实测电压和电流数据神经网络控制进行训练，将实际电压和电流归一化处理，经频率为4 000 Hz 的滤波器处理，提取经BP 神经网络训练得到的替代负荷的数据特征，下一步为实现配电网暂态负荷监测和预警[13-14]。

3 实现配电网暂态负荷监测预警

配电网系统的暂态数据具有功率特征，因此分析异常数据溢出的概率密度特征，统计特征量并量化表示，得到异常数据溢出的负荷数据特征量，配电网系统互动特征值计算公式为：

式中，为配电网系统互动特征值；为数据的负荷量；为方差矩阵，得到配电网系统监测预警负载数据X的整体分布方式。

结合配电网工作特性对故障样本数据处理，得到n+m+k(k＞0）时刻配电网工作特征分布函数为：

式中，dm(0) 为配电网系统工作状态特征集；Xm+1(i) 为配电网系统监测负载均衡度；Xi+1(i) 为样本个数。

当然，病毒感染会在一定程度上削弱孩子免疫系统的功能，细菌可能乘虚而入，会在原发病毒感染的基础上出现二次感染。

根据调制分量，结合负荷样本施加结果，采用模糊监测方法控制配电网异常溢出数据，监测预警过程如图2 所示。

观察图2 可知，由于故障监测特征曲线会受配电网均衡性影响，为矫正配电网均衡性造成的数据溢出控制能力减弱，除采用量化表征和模糊监测方法控制配电网异常数据溢出外，引入异常数据溢出控制方法控制配电网系统均衡性，提高控制能力。在配电网数据异常监测系统监测到数据正常、异常及严重异常等状态下，进行监测预警，计算得出配电网系统关键特征量预测值，公式如下：

式中，N为特征量总数；为数据点的预测值。通过预测值可以分析配电网受异常数据影响的响应特性，进而确定评价系数和指标参数集，根据异常数据溢出控制方法控制系统均衡性，得到空间均衡聚类函数A：

利用式（8）确定权限阈值，建立预警模型，将配电网实施运行数据的时空特征引入到系统的监测预警模型，以实现对配电网暂态负荷数据的监测预警，权限阈值计算公式为：

式中，Je(k+1)为配电网系统监测数据在第k+1时刻的预测值；为系统弹性模型量；Qα为下限参数；xcor(k+1)为上限参数，根据阈值权限公式设置预警等级：

根据预警等级，构建配电网暂态负荷数据监测预警模型如下：

式中，Q为监测数据极限阈值，f1、f2分别为极大值和极小值状态的判定参数，α1、α2分别为两个不同的计算条件[15-16]。

4 实验研究

为了验证该文提出的基于异常数据溢出的配电网暂态负荷监测预警方法的实际应用效果，将基于数据挖掘的配电网暂态负荷预警方法（文献[14]）与该文所提监测预警方法进行了对比实验。

为保证实验结果的有效性和严谨性，首先需要分析配电中暂态负荷的关联因素。以配电网100 条馈线、两个配电网中采集的暂态负荷状态数据为实验基础，以每条馈线上的暂态负荷数据为一个统计单位，对两个配电网中的暂态负荷数据进行清洗和集成，并剔除暂态负荷数据中的离群样本，得到剔除后的负荷关联特征。采用深度残差算法分析负荷关联因素，获得由负荷关联特征组成的最优负荷特征子集，利用深度残差算法获得最优负荷特征值的权重取值范围为0～1，并对其进行归一化处理，特征值的权重表示负荷特征集中关联因素的多少，特征集中的关联信息达到94%，则可以确定负荷特征集中包含了大部分的负荷关联因素。归一化处理后的特征值的权重能够表示负荷关联因素的重要程度，筛选特征值中的阈值，将关联度达到94%的负荷关联因素进行有选择性地剔除，留下关联度在94%以下的负荷关联因素，以降低因监测预警配电网暂态负荷产生的影响，从负荷关联因素分析的结果可知，影响配电网暂态负荷的因素不仅与配电网馈线的长度和暂态负荷分布有关，还与温度、湿度等外界因素有关，剔除关联度较高的负荷关联因素后，可保证实验的严谨性和有效性。

分析完配电网中暂态负荷的关联因素后，选择分析过程中的部分最优负荷特征子集，表示配电网暂态负荷中的失负荷，由此表示此次配电网中异常数据溢出的严重程度，由于在配电网运行过程中，配电网馈线上暂态负荷的总量不同，对配电网暂态负荷进行监测预警的信号频率也不相同，因此在监测预警时，需要根据不同的信号频率和不同的暂态负荷总量划分监测预警等级，监测预警等级不同，配电网暂态负荷监测预警的效果不同，监测预警等级划分越多、越细致，则监测预警效果越好。采用该文所提的监测预警方法和基于数据挖掘的配电网暂态负荷监测预警方法，划分的监测预警等级结果如图3所示。

图3 中，暂态负荷量实际值由负荷动态测试仪获取。由图3 可知，划分暂态负荷量预警等级为四级，分别为正常、较高、严重和警示，采用数据挖掘的配电网暂态负荷监测预警方法与暂态负荷量实际值相差较大，若发生数据异常，可能无法实时预警；该文提出的基于异常数据溢出的配电网暂态负荷监测预警方法达到了标准预警等级，且与暂态负荷量实际值较为接近，说明当数据异常时，该文方法可以实现积极预警，达到良好的预警效果。由此证明该文所提方法比基于数据挖掘的方法监测预警效果好。

基于以上给出的配电网暂态负荷监测预警等级划分结果，并选择部分最优负荷特征子集，以监测电流与实际电流的差异性为判断标准，分析不同方法对配电网暂态负荷的监测预警准确性，对比实验结果如图4 所示。

由图4 可知，在该文提出的监测预警方法中，在不同的监测预警等级下，监测预警的准确率与实际值基本一致，监测预警失误率非常低，在基于数据挖掘的配电网暂态负荷监测预警方法中，在三种监测预警等级下，监测预警的准确率相较于所提方法更高，监测失误率高于该文所提方法的失误率，由此可验证，该文所提的方法在监测预警配电网暂态负荷时，具有较高准确性。

5 结束语

由于配电网系统暂态负荷数据具有随机性、分散性、多样性和非线性的特点，导致监测预警效果不理想。为此，该文提出了一种基于异常数据溢出的配电网暂态负荷数据的监测预警方法，通过设置电力调度系统监测预警等级，建立了监测预警模型，实现了配电网暂态负荷数据监测和预警。该文方法对配电网暂态数据的监测预警精度较高，效果较好，提高了自动化监测预警能力。