配网重过载预警及配网容量规划研究

赵婷婷

（国网山西省电力公司 运城供电公司，山西 运城 044000）

0 引 言

在开展影响配变重过载现象的相关研究中，通过对配电网历史运行数据、配电网停电抢修工单、变压器负荷数据以及气象数据等数据进行分析可以看出，以多源异构数据为基础进行数据挖掘，可以有效提高对配网重过载相关的特征指标集的分析[1,2]。在此基础上，通过构建针对配网负载情况的分级预测框架，不仅可以实现对配网重过载风险的短期预警，提升迎峰度夏的预警能力，而且能识别出空载、轻载线路，为后期容量规划提供解决思路[3]。因此，从配电网实际出发，整合配电网多源异构数据，对配网重过载预警和容量规划技术进行深入研究十分必要[4]。

现阶段，在具体的配网重过载预警及配网容量规划过程中，由于影响停电的许多因素难以以数据值的形式呈现和获取，导致特征指标体系的建立面临着一定的困难，使得预警方法无法全面考虑所有的影响因素[5]。此外，在对配网容量进行规划时，也需要充分考虑城镇用电空心化问题，既要避免重过载导致的容量不足，又要关注由于轻载或空载带来的容量过剩问题[6]。只有这样才能切实提升配网的供电能力和经济效益。

针对此，本文提出配网重过载预警及配网容量规划研究，通过构建配网负载情况分级预测模型对配网重过载情况作出及时预警，同时结合实际需求对配网容量进行合理规划。

1 配网重过载预警及配网容量规划设计

1.1 历史数据的配网重过载预警

为了提高预警效果的可靠性，本文采用K-means聚类的方式对配网的基础运行数据进行处理[7]。基于K-means 聚类的停电数据集采样方法的算法流程如下。

步骤1：对原始配变数据集进行数据预处理，包括基于K-最近邻算法（K-Nearest Neighbor，KNN）的缺失值处理和基于STL-ESD 算法的异常值处理，然后进行特征选择后得到带有停电（记y=1）和不停电（记y=0）标签的特征数据集D，计算公式为

步骤2：将特征数据集D进行切分，选取其中的80%为训练数据集D1，20%为测试数据集D2。

步骤3：对训练数据集D1中的不停电数据集T0进行聚类，随机选取k个聚类质心点为μ1,μ2,…,μk∈Rn。

步骤4：对于(xi,yi)∈T0，计算所属簇，则有

步骤5：对于每一个簇j，重新计算该簇的质心为

步骤6：计算簇心的最大移动距离，具体的计算方式可以表示为

若d＞ε，更新μj′=μj，跳到步骤7 执行。

步骤7：对上述聚类结果的每一簇按照比例进行随机欠采样，最终得到平衡训练结果。当实际的实施配网运行数据大于平衡训练结果时，则进行预警。

通过这样的方式，对配网中重过载情况作出及时响应。

1.2 配网容量规划

在上述基础上，本文采用AdaBoost 算法实现对配网不同馈线对应容量的规划。在具体的实施过程中，将加权后的全部数据样本对下一个弱分类器进行训练，直到迭代终止，最后根据某种组合方法对所有的弱分类器进行组合，并用测试数据进行验证，具体的实现过程如下。

步骤1：输入训练数据集。

步骤2：假设数据集中每个样本的权值开始都是均匀的，则各个样本初始权值wli的计算方式可以表示为

步骤3：设定最大迭代次数（即最大线性组合弱分类器个数）为T，那么则有t=1,2,…,T。

步骤4：训练第t个弱分类器时，第i个样本的权重为wti，训练得到的基分类器表示为Gt(x)。

步骤5：计算数据集D在Gt(x)上的分类误差率，具体可以表示为

式中：εt为分类误差率；I为指示函数。

步骤6：将Gt(x)的分类误差率εt与指定的阈值比较，阈值设置为0.5。当εt的取值范围为（0，0.5）时，表示分类器的分类效果比随机分类要好，则执行步骤7；当εt的取值范围大于等于0.5 时，表示分类器的分类效果比随机分类还要差，那么需要进行下一轮迭代；当εt的取值结果为0 时，即样本全部正确分类。

步骤7：根据分类误差率εt计算基分类器Gt(x)的权值，具体的计算方式可以表示为

式中：权值αt为四基分类器Gt(x)线性组合中的权值系数，该系数反映的是该基分类器在最终的强分类器中的重要程度。因此，当基分类器Gt(x)分类的误差εt越小时，它在最终分类器中越重要，对应输出最终分类器，也就是配网容量可以表示为

按照这样的配网容量规划方式，确保各馈线对应的输出满足实际负荷需求。

2 测试与分析

2.1 测试环境

在测试阶段，本文以10 kV 配电网作为测试环境，其连接方式为三端柔性多状态开关（Flexible Multi-State Switch，FMSS）连接，对应的拓扑结构设置情况如图1 所示。

图1 测试配网的拓扑结构

结合图1 可以看出，测试配网环境中共包括3条馈线，其中馈线1 的负荷承载能力为4.0 MW，馈线2 的负荷承载能力为9.0 MW，馈线3 的负荷承载能力为8.0 MW。在此基础上，本文构建了不同的用电场景展开测试，具体如表1 所示。

表1 测试场景设置 单位：MW

按照表1 所示的方式，设置7 种不同的测试场景，同时采用本文设计的配网重过载预警及配网容量规划方法展开测试分析。为了提高测试结果的分析价值，分别采用营配大数据融合预警与规划方法以及多参数分析的预警与规划方法作为对照组，开展对比测试。

2.2 测试结果与分析

在对测试结果进行分析的阶段，利用线路掉闸率作为评价指标，对不同方法的重过载预警效果进行分析，得到的数据结果如表2 所示。

表2 不同方法线路掉闸率统计表 单位：%

结合表2 所示的测试结果可以看出，在3 种不同方法的测试结果中，对应的线路掉闸率存在较为明显的差异。其中，在营配大数据融合预警与规划方法中，不同场景下的线路掉闸率稳定在15.0%～25.0%，最大值达到了24.88%。在多参数分析预警与规划方法中，不同场景下的线路掉闸率出现了较为明显的波动，最小值仅为11.93%，最大值达到了26.22%。相比之下，在本文设计的预警与规划方法中，不同场景下的线路掉闸率稳定在20.0%以下，最大值仅为16.24%。测试结果表明，本文设计方法可以实现对重过载情况的有效预警，在降低线路掉闸率方面具有良好的实际应用价值。

在此基础上，对不同方法对应的配网容量规划效果进行分析，具体的评价指标为各馈线的日期望缺供电量，得到的数据结果如表3 所示。

表3 不同方法下线路的日期望缺供电量 （单位：MW·h）

结合表3 中的测试结果可以看出，在3 种方法的测试中，线路整体的日期望缺供电量均稳定在2.0 MW·h 以内，但是具体数值仍存在一定的差异。其中，营配大数据融合预警与规划方法对应的线路日期望缺供电量基本稳定在1.100 ～0.600 MW·h，最大值达到了1.102 MW·h；多参数分析预警与规划方法对应的线路日期望缺供电量与掉闸率表现出了相同的发展趋势，波动较为明显，最小值仅为0.192 MW·h，最大值达到了1.687 MW·h。相比之下，本文设计预警与规划方法对应的线路日期望缺供电量始终在0.50 MW·h 以下，最大值仅为0.459 MW·h。测试结果表明，本文设计方法可以实现对配网容量的合理规划，在降低线路日期望缺供电量方面具有良好的实际应用价值。

3 结 论

在对配网进行规划管理的过程中，如何实现对电源布点、道路建设、市政规划、用电负荷分布情况的协同考虑，保障配网容量规划结果的合理性是亟待解决的问题之一。本文提出配网重过载预警及配网容量规划研究，大大提高了配网供电的可靠性，对应的应急响应能力也得到了进一步提升。希望通过本文的研究可以为客户服务水平提供技术保障和支持。