面向图模联调校核的GIS与配网图形节点数据融合技术研究

郭挺，徐良德，雷才嘉，高艳娜，陈中豪

（广东电网有限责任公司广州供电局，广东广州 510600）

随着现代供电服务体系建设的推进，保障供电服务质量成为电网公司日益关注的技术指标。配电网地理信息系统（Geographic Information System，GIS）可在三维地理位置的基础上，融合配电网变电站、线路与开关等设备信息，实现地理位置及电气拓扑的虚实映射[1-3]。

我国的配网GIS 系统建设起步较晚，近年来已在停电管理、线损分析和用户管理等方面取得了一定成效。但现有配网GIS 的图形信息质量参差不齐、挖掘应用较少，多源数据融合分析应用的深度、智能化水平也普遍偏低[4-8]。

针对此，文中开展多源数据融合算法在配网GIS与节点数据中的应用研究，以期通过该融合算法实现配变负载率的智能分析及负荷精准预测。

1 配电网GIS系统结构

配电网GIS 系统的数据结构如图1 所示。配网中的杆塔、线路和变电站等电力设备通过矢量与关系数据模型来实现虚实映射，从而完整地构建配电网的空间及属性等特征。

图1 配电网GIS系统数据结构

配电网地理信息与电气拓扑紧密耦合，GIS 系统在较为精准的地理图像基础上，通过图层堆叠的形式将变电站、线路、用户等相关电力环节进行整合贯通。并将每个环节的设备属性、状态、负荷等信息加以关联，从而实现地理分布、电气拓扑以及动静态数据等信息的融合交互，且为配电网的运行、检修和试验等提供辅助决策。配电网GIS 系统功能架构如图2 所示。

图2 配电网GIS系统功能架构

2 面向图模联调的配网数据融合算法

文中提出面向图模联调的配电网数据融合算法，框架如图3 所示。首先从配网GIS 系统中导出非结构化与结构化数据，并利用改进搜索算法对图形信息进行处理，实现配电网拓扑特征的识别构建。然后使用正则化规则库实现结构化数据的校核修复，进而保证后续数据融合应用模型具有高质量的数据输入。最终采用基于层次分析法的负载率分析算法以及基于灰色理论的负荷预测，实现配网GIS数据融合应用分析，为配电网的智能化监测与运行提供辅助支撑。

图3 配网数据融合算法框架

2.1 改进搜索算法

为了从GIS 的图形信息中遍历各个电网节点，并构建电网拓扑结构，通常采用深度优先遍历算法（Depth First Search，DFS）[9]。其基本原理如下：从任意一个节点出发，设当前到达节点为a，将遍历过的节点加入至已到达节点集合A中，再搜索其相邻节点，且选择未遍历过的边（a，b）。若b为已到达节点，即返回a重新选取新的边；否则，将b加入节点集合A，并从节点b开始重复上述搜索操作。直至节点b的所有边均为已到达过的，则返回节点a继续后续搜索。

如图4 所示，假设起始节点为A2，则搜索顺序为A2→A1→A3→A7→A4→A5→A6。

图4 深度优先遍历算法示意图

深度搜索算法按照深度优先的规则进行全图的遍历搜索，其在面向配电网GIS 图形的拓扑结构构建中，每个节点均需被访问一次。然而在GIS 图形中存在大量与电气拓扑无关的节点，使得每次访问时均需从数据库中获取该节点的相关数据，进而导致搜索效率偏低。针对此，文中提出一种如图5 所示的配电网拓扑构建改进遍历算法。

图5 配电网拓扑构建改进遍历算法

2.2 基于规则库的数据校核修复算法

用于配电网GIS 数据校核修复的规则库，如图6所示。主要包括数据表、拓扑结构和电气参数三方面的规则库。

图6 配电网GIS数据校核修复规则库

1）数据表规则库：主要实现GIS 系统导出的设备属性、运行状态等数据合理性的校验，以及针对重复数据的剔除与异常数据的修复。

2）拓扑结构规则库：主要用于校核不同变电站节点之间、同一变电站出线节点间是否形成环路、以及不同线路节点之间是否形成孤岛等拓扑关系。

3）电气参数规则库：主要负责对配变的容量、线路的长度与线型等信息进行校核修复。

2.3 基于AHP的配变负载率分析算法

文中构建的配电负载率评价指标如图7 所示。相比于传统分析方法仅关注设备负载率单一指标，文中还增加了重过载发生次数及重过载持续时间两个指标。典型重过载配变的参数如表1 所示。

表1 典型重过载配变评价指标参数

图7 配变负载率评价指标

文中进一步采用层次分析法实现对多评价指标的综合评估[10-12]。

针对配电网GIS 导出数据可能存在错误或异常的情况，提出了一种基于格鲁布斯法（Grubbs）的异常数据校核方法。首先，将已存在的正常数据按照从小到大的顺序排列为x1＜x2＜…＜xn。针对待校核数据xi，可得异常判据计算值为：

根据异常判据计算值与异常判据标准的大小进行判定：若υ＞，xi为异常数据；若υ≤，则xi为正常数据。其中，为异常判据标准值，其可依据已存在正常数据的样本大小及置信概率查表获取。

2.4 基于灰色理论的负荷预测算法

1）数据预处理

采用累加生成法（Cumulative Generation Method）[13-14]对原始数据进行处理。该方法的原理为对一组具有N个元素的数据，将其前n（n=1,2,…,N）个元素进行求和，从而构造一组新的数据其中满足：

式中，ai为第i个原始数据值。

2）灰色理论模型

采用一阶线性微分关系[15-16]进行数据模型构建：

其中，β为一次项系数。

在离散形式下，则有：

a′采用n与（n+1）时刻数据的均值代入式（3）-（4）可转化为：

式（6）中共有（N-1）个方程，等同的矩阵表达式为：

通过最小二乘法（Least Sqaure Method）得到近似解为：

进而可求解数据模型得到：

最终，通过累减操作（Progressive Reduction Operation）获得代预测指标的函数表达式为：

3 算例分析

为验证文中所提面向图模联调校核配电网数据融合算法的正确性与有效性，采用某配电网近三万条数据来作为测试样本。

3.1 配变负载率分析效果

在置信概率为99%的情况下，异常判据标准值为2.323。针对采集数据进行校核，结果如表2 所示。

表2 重过载数据校核情况

由表2 可知，所提算法能够精准识别异常数据，并为后续数据融合应用分析提供帮助。不同配变重过载情况分析如表3 所示。

表3 重过载情况分析结果

由表3 可知，若根据传统分析方法采用负载率作为单一指标，配变重过载严重程度排序为：珠村-2＞新南-2＞新南-1＞珠村-3＞珠村-1。而文中所提基于AHP 的配变负载率分析方法，针对负载率、重过载次数及重过载持续时间三个指标进行综合评估，则配变重过载严重程度排序为：新南-1＞珠村-3＞新南-2＞珠村-1＞珠村-2。

由此可见，该算法能够兼顾负载率、重过载次数及重过载持续时间，进而准确分析配变的重过载情况。

3.2 配变负荷预测效果

将文中所提基于灰色理论的配变负荷预测模型与传统曲线拟合方法进行对比，结果如表4 和图8所示。

表4 配变负荷预测结果

图8 配变负荷预测情况

由表4 可知，传统方法的预测平均相对误差约为10%，而所提算法仅为5.2%。从图8 中可以看出，传统方法对负荷曲线的拟合效果不佳，且负荷预测值偏差较大。而该文算法拟合效果优良，且负荷预测值更贴近实际值。

4 结束语

文中利用配电网GIS 的图形信息、设备属性与运行状态等数据，结合图模联调校核、多源数据融合技术，实现配变负载率的分析及负荷精准预测。通过仿真算例表明，与仅采用负载率作为单一指标的传统分析方法相比，基于AHP 的配变负载率分析方法的结果更符合实际情况。而基于灰色理论的负荷预测算法平均预测误差仅为5.2%，明显优于传统曲线拟合法。除上述应用外，多源数据融合分析还能实现配电网故障的诊断识别，这也将在后续研究中开展。