基于八叉樹結(jié)構(gòu)的配電網(wǎng)運(yùn)行數(shù)據(jù)可視化監(jiān)控

徐春華，張 勇，王 超，陳建鈿，梁 苑，楊葉昕

（廣東電網(wǎng)有限責(zé)任公司珠海供電局，廣東珠海 519000）

電力系統(tǒng)結(jié)構(gòu)復(fù)雜，其中配電部分占據(jù)了重要地位。配電是將電力分配給各類用戶，一旦配電環(huán)節(jié)出現(xiàn)錯(cuò)誤，之前的電力生產(chǎn)、運(yùn)輸、變電等一切努力都將白費(fèi)[1]。配電網(wǎng)是配電系統(tǒng)中分配電能的網(wǎng)絡(luò)，主要由架空線路、電纜、桿塔、配電變壓器、隔離開關(guān)、無功補(bǔ)償電容以及一些附屬設(shè)施組成。在運(yùn)行期間，配電網(wǎng)的每種設(shè)施都會(huì)產(chǎn)生大量的流動(dòng)性數(shù)據(jù)，均被記錄在案。然而，這些大數(shù)據(jù)種類繁多、數(shù)量巨大，要想有效利用存在諸多困難[2]。為此，對(duì)配電網(wǎng)運(yùn)行數(shù)據(jù)進(jìn)行有效監(jiān)控成為當(dāng)下的研究重點(diǎn)。

分析配電網(wǎng)運(yùn)行數(shù)據(jù)可以明確配電網(wǎng)運(yùn)行狀態(tài)，發(fā)現(xiàn)其中的異常以及規(guī)律性，目前已有相關(guān)學(xué)者對(duì)配電網(wǎng)運(yùn)行數(shù)據(jù)監(jiān)控進(jìn)行了研究。馮磊等人[3]建立了網(wǎng)格分布結(jié)構(gòu)模型，實(shí)現(xiàn)了對(duì)配電網(wǎng)運(yùn)行數(shù)據(jù)三維場(chǎng)景可視化重構(gòu)；賀斯琪[4]等人以浙江省某縣級(jí)城區(qū)配變電網(wǎng)的運(yùn)行數(shù)據(jù)為基礎(chǔ)，進(jìn)行數(shù)據(jù)可視化設(shè)計(jì)；李毅[5]進(jìn)行基于同步數(shù)據(jù)的配電網(wǎng)運(yùn)行狀態(tài)可視化研究，將挖掘出來的價(jià)值數(shù)據(jù)通過可視化的形式呈現(xiàn)出來，實(shí)現(xiàn)了配電網(wǎng)橫縱向運(yùn)行情況的一覽式掌握。

1 數(shù)據(jù)可視化監(jiān)控研究

1.1 配電網(wǎng)運(yùn)行數(shù)據(jù)獲取

配電網(wǎng)由眾多設(shè)備、設(shè)施組成，運(yùn)行產(chǎn)生的數(shù)據(jù)類型多樣且數(shù)量龐大，準(zhǔn)確獲取配電網(wǎng)運(yùn)行數(shù)據(jù)較為困難。為此采用統(tǒng)一的采集智能終端實(shí)現(xiàn)配電網(wǎng)運(yùn)行數(shù)據(jù)采集，如圖1 所示。

圖1 配電網(wǎng)運(yùn)行數(shù)據(jù)采集終端

令一段時(shí)間內(nèi)采集的配電網(wǎng)運(yùn)行數(shù)據(jù)記為X：

式中，m為配電網(wǎng)運(yùn)行數(shù)據(jù)集中元素總數(shù)；xj為配電網(wǎng)運(yùn)行數(shù)據(jù)集中的數(shù)據(jù)元素；s為xj的配電網(wǎng)運(yùn)行數(shù)據(jù)維度；Rs為自然數(shù)，xj1,xj2,…,xjs為xj中不同時(shí)段的配電網(wǎng)運(yùn)行狀態(tài)監(jiān)測(cè)值。

1.2 配電網(wǎng)運(yùn)行數(shù)據(jù)預(yù)處理

1.2.1 數(shù)據(jù)標(biāo)準(zhǔn)化

數(shù)據(jù)標(biāo)準(zhǔn)化是指消除不同類型數(shù)據(jù)之間的量綱，以方便不同數(shù)據(jù)之間的比較分析。數(shù)據(jù)標(biāo)準(zhǔn)化方法主要有三種，即數(shù)據(jù)中心化、離差標(biāo)準(zhǔn)化和數(shù)據(jù)正規(guī)化[6]。

1）數(shù)據(jù)中心化

數(shù)據(jù)中心化(centralization)是指將原始數(shù)據(jù)減去平均值，計(jì)算公式如下。

對(duì)屬性標(biāo)準(zhǔn)化：

對(duì)樣方標(biāo)準(zhǔn)化：

2）離差標(biāo)準(zhǔn)化

離差標(biāo)準(zhǔn)化(deviation standardization)是指在原始數(shù)據(jù)減去平均值的基礎(chǔ)上再除以離差[7]，計(jì)算公式如下。

對(duì)屬性標(biāo)準(zhǔn)化：

對(duì)樣方標(biāo)準(zhǔn)化：

3）數(shù)據(jù)正規(guī)化

數(shù)據(jù)正規(guī)化(normalization)是指在原始數(shù)據(jù)減去平均值再除以離差的基礎(chǔ)上除以自由度N-1 或P-1，也就是用標(biāo)準(zhǔn)差進(jìn)行標(biāo)準(zhǔn)化[8]，計(jì)算公式如下。

對(duì)屬性正規(guī)化：

對(duì)樣方正規(guī)化：

1.2.2 數(shù)據(jù)降維

來自不同的數(shù)據(jù)源的數(shù)據(jù)存在不同的維度，為了方便計(jì)算和可視化，需要對(duì)數(shù)據(jù)進(jìn)行降維處理。采用線性映射方法[10]中的主成分分析方法進(jìn)行降維，具體過程如下。

步驟1：設(shè)有m條n維數(shù)據(jù)；

步驟2：將原始數(shù)據(jù)組成m×n階的變量矩陣；

步驟3：將X的每一行進(jìn)行標(biāo)準(zhǔn)化；

步驟4：求出協(xié)方差矩陣C；

運(yùn)用Microsoft Excel統(tǒng)計(jì)處理數(shù)據(jù)、計(jì)算平均值和標(biāo)準(zhǔn)差，結(jié)合SPSS 21.0軟件，采用單因素方差分析（One-way ANOVA）的Duncan多重比較法，分別對(duì)不同時(shí)間對(duì)照和增溫處理下美國(guó)薄荷的各項(xiàng)生理指標(biāo)進(jìn)行分析，比較不同時(shí)間各指標(biāo)的處理組與對(duì)照組之間差異顯著性。數(shù)據(jù)在進(jìn)行方差分析前，均進(jìn)行了方差齊性檢驗(yàn)。運(yùn)用Oringin 9.1軟件繪圖。

步驟5：求出C的相關(guān)系數(shù)矩陣R；

步驟6：求解樣本相關(guān)矩陣R的特征方程，求出協(xié)方差矩陣的特征值，并按照特征值大小進(jìn)行排序；

步驟7：對(duì)每個(gè)特征值解方程組，得到對(duì)應(yīng)的特征向量；

步驟8：計(jì)算特征值的信息貢獻(xiàn)率和累積貢獻(xiàn)率；

步驟9：按累積貢獻(xiàn)率，選取最大的前K個(gè)特征值對(duì)應(yīng)的特征向量，即為主成分；得到主成分為降維到k維后的數(shù)據(jù)[11]。

1.3 配電網(wǎng)運(yùn)行數(shù)據(jù)挖掘

通過數(shù)據(jù)挖掘?qū)?shù)據(jù)進(jìn)行分類，以便明確配電網(wǎng)各設(shè)備運(yùn)行狀態(tài)，發(fā)現(xiàn)其中存在的異常，從而進(jìn)行及時(shí)排除故障。采用BP 神經(jīng)網(wǎng)絡(luò)來進(jìn)行分類識(shí)別[12]。BP 神經(jīng)網(wǎng)絡(luò)模型如圖2 所示[13]。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型

BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練包括正向傳播和反向傳播兩個(gè)過程[14]。

1）正向傳播

隱含層凈輸入：

隱含層輸出：

式中，xi為第i個(gè)訓(xùn)練樣本；Zj是隱含層輸入；yj是隱含層輸出；wij為輸入層第i個(gè)單元與隱含層第j個(gè)單元間的連接權(quán)重；p是隱層單元總數(shù)；aj是隱含層第j單元的閾值；n為輸入層單元總數(shù)；yj是第j單元的輸出；f()是隱含層使用的激活函數(shù)。輸出層的凈輸入：

輸出層輸出：

式中，Zt是隱含層輸入；yt是隱含層輸出；wjt是隱含層第j個(gè)單元與輸出層第t個(gè)單元間的聯(lián)結(jié)權(quán)重；q為輸出層單元總數(shù)；at是隱含層第t單元的閾值；f()是輸出層使用的激活函數(shù)[15]。

2）反向傳播

計(jì)算輸出層輸出與期望輸出的差值，并判斷其與設(shè)定閾值的大小關(guān)系。若大于閾值，則進(jìn)行反向傳播，調(diào)節(jié)權(quán)值和閾值[16]；若小于閾值，則BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成。

輸出層和隱含層各單元權(quán)值Δωjt和閾值Δθt調(diào)整公式如下：

式中，δt、δj分別為輸出層和隱含層的調(diào)整誤差；α、β均為學(xué)習(xí)速度。

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，將測(cè)試樣本輸入到訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)模型當(dāng)中[17-18]，即可實(shí)現(xiàn)配電網(wǎng)運(yùn)行數(shù)據(jù)分類識(shí)別。

2 仿真實(shí)驗(yàn)分析

為驗(yàn)證所研究的基于八叉樹結(jié)構(gòu)的配電網(wǎng)運(yùn)行數(shù)據(jù)可視化監(jiān)控方法的有效性，設(shè)計(jì)模擬實(shí)驗(yàn)進(jìn)行驗(yàn)證。

2.1 研究對(duì)象

隨機(jī)選取某段智能配電網(wǎng)作為研究對(duì)象，其配電網(wǎng)簡(jiǎn)化圖如圖3 所示。

圖3 配電網(wǎng)簡(jiǎn)化圖

圖3 中，Bus1、Bus2 為母線；L1、L2為傳輸線；T1、T2、T3為變壓器；Secl、Sec2 為區(qū)域；BR 為母線保護(hù)；OR 為過流保護(hù)；TR 為變壓器保護(hù)；DR 為后備距離保護(hù)；CB 為斷路器。

2.2 實(shí)驗(yàn)參數(shù)

仿真實(shí)驗(yàn)中BP 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置情況如表1所示。

表1 實(shí)驗(yàn)參數(shù)

2.3 仿真實(shí)驗(yàn)流程

基于八叉樹結(jié)構(gòu)的配電網(wǎng)運(yùn)行數(shù)據(jù)可視化監(jiān)控仿真流程如圖4 所示。

圖4 仿真實(shí)驗(yàn)流程

2.4 數(shù)據(jù)監(jiān)控性能檢驗(yàn)

為了校驗(yàn)對(duì)數(shù)據(jù)的監(jiān)控性能，人為損壞斷路器CB5 開關(guān)，然后采集這一段配電網(wǎng)運(yùn)行數(shù)據(jù)，對(duì)其進(jìn)行監(jiān)測(cè)，并以文獻(xiàn)[4]方法、文獻(xiàn)[5]方法作為實(shí)驗(yàn)對(duì)比方法，得到監(jiān)控準(zhǔn)確率如圖5 所示。

圖5 數(shù)據(jù)監(jiān)控準(zhǔn)確率

根據(jù)圖5 數(shù)據(jù)監(jiān)控結(jié)果顯示，所提方法能夠準(zhǔn)確監(jiān)測(cè)配電網(wǎng)故障，證明了該文研究的基于八叉樹結(jié)構(gòu)的配電網(wǎng)運(yùn)行數(shù)據(jù)可視化監(jiān)控方法的監(jiān)控性能得到有效驗(yàn)證，說明該方法具有廣泛的應(yīng)用前景。

3 結(jié)束語

該文提出一種基于八叉樹結(jié)構(gòu)的配電網(wǎng)運(yùn)行數(shù)據(jù)可視化監(jiān)控方法，經(jīng)過實(shí)驗(yàn)驗(yàn)證了該方法對(duì)配電網(wǎng)故障的監(jiān)測(cè)準(zhǔn)確性較高，能很好地進(jìn)行配電網(wǎng)數(shù)據(jù)的分類和異常識(shí)別。然而，該研究校驗(yàn)是在仿真實(shí)驗(yàn)環(huán)境中進(jìn)行，應(yīng)用于實(shí)際中可能會(huì)存在一定的誤差，因此仍需要進(jìn)行優(yōu)化和改進(jìn)，以適應(yīng)更多的實(shí)際應(yīng)用場(chǎng)景。