基于關聯(lián)規(guī)則的配電網風險態(tài)勢預測方法

張詩琪，何立新，陳子敬，鐘文強，王庭剛

(貴州電網有限責任公司 貴陽供電局，貴州 貴陽 550000))

為了滿足電力能源可持續(xù)發(fā)展要求，光伏、水電等新能源開始接入配電網，達到了節(jié)能環(huán)保的目的[1]。新能源發(fā)電具有間歇性，造成配電網運行不穩(wěn)定的因素越來越多，各種配電風險問題也接踵而來[2]。提升配電網運行的穩(wěn)定性，必須開展配電網風險態(tài)勢預測。提前了解即將發(fā)生的風險事故，制定最優(yōu)應對方案，最大程度降低配電網風險造成的負面影響。近年來，隨著人們對配電網運行風險預測越來越重視，各種預測方法也得以推廣應用。

文獻[3]通過極限學習機對歷史數(shù)據進行學習，進行風險態(tài)勢預測。在自適應學習過程中，應用改進粒子群優(yōu)化算法，對不同迭代次數(shù)下的慣性權重和學習因子進行調整，確保輸出的預測結果更加準確。但該方法計算復雜度較高。文獻[4]從配電網云翔風險影響因素入手，建立安全態(tài)勢評價體系。在層次分析法和熵權法的共同作用下，為評價體系中每項指標進行賦權。通過加權計算，得出配電網安全態(tài)勢評價值，并將其輸入深度神經網絡模型進行計算，得到風險態(tài)勢預測結果。但該預測方法穩(wěn)定性較差。文獻[5]依托信息熵為核心的大數(shù)據挖掘技術，檢測歷史數(shù)據中存在的異常數(shù)據。再通過蟻群優(yōu)化支持向量機算法進行自適應學習，輸出風險態(tài)勢預測結果。但是，該方法預測結果誤差較大。

考慮到常規(guī)的預測方法存在較多不足之處，文中針對配電網風險態(tài)勢預測問題，提出一種以關聯(lián)規(guī)則為核心的預測方法。通過建立評估指標體系、態(tài)勢數(shù)據處理、挖掘關聯(lián)規(guī)則、預測風險態(tài)勢四個環(huán)節(jié)，快速得到貼合實際情況的風險態(tài)勢預測結果。

1 以關聯(lián)規(guī)則為基礎設計配電網風險態(tài)勢預測方法

1.1 建立配電網風險評估指標體系

深入分析每種配電故障發(fā)生的概率，以及故障造成的經濟損失，定義配電網風險評估指標體系[6]，作為配電網風險態(tài)勢預測的基礎環(huán)節(jié)。根據配電網運行特點可知，過電壓、低電壓、線路過載、失負荷，是配電網出現(xiàn)的主要風險形式，文章針對這四種情況，定義四項主要風險評估指標。其中，配電網過電壓運行風險計算公式為：

(1)

式中：t——目標時刻；S——配電網運行總時間；?1——過電壓風險；?1,t——目標時刻過電壓風險。

與過電壓相對應的，配電網運行過程中還存在低電壓運行風險，其計算公式可以表示為：

(2)

式中：?2——低電壓風險；?2,t——目標時刻t的低電壓運行風險。

除此之外，線路過載情況和失負荷情況，是評估配電網風險狀態(tài)的另外兩項關鍵指標，二者計算公式分別為：

(3)

(4)

式中：?3——線路過載風險；?4——失負荷風險；?3,t、?4,t——目標時刻的線路過載風險和失負荷風險。

綜合分析上述提出的風險評估指標，可以將綜合風險指標表示為：

(5)

式中：w1、w2、w3、w4表示權重系數(shù)，可以根據配電網實際運行要求來取值，但需要保證四項權重系數(shù)之和為1。通過上述運算，可以結合配電網歷史運行數(shù)據，得出風險態(tài)勢數(shù)據。

1.2 配電網態(tài)勢數(shù)據預處理

采用層次化安全威脅模型[7]，可以描述配電網風險的層次關系，見圖1。

圖1 配電網層次化安全威脅模型Fig.1 Hierarchical security threat model for distribution network

根據圖1可知，原始態(tài)勢數(shù)據中除了風險評估數(shù)據外，還存在網絡攻擊數(shù)據、流量監(jiān)測數(shù)據等?？紤]配電網面對一次嚴重的網絡攻擊，可能會產生大量重復報警，導致配電網態(tài)勢數(shù)據中存在大量冗余信息[8]，直接進行定量計算會降低預測效率，同時影響風險態(tài)勢預測結果的準確性。為此，文中提出在配電網風險態(tài)勢預測過程中，設置一個態(tài)勢預處理模塊，建立一個數(shù)據庫保存聚類處理后的數(shù)據，作為關聯(lián)規(guī)則挖掘的基礎。為了便于分析，將每個風險報警數(shù)據表示為以下數(shù)學公式：

E={Q，B，F(xiàn)，G，T，H}

(6)

式中：E——配電網運行風險報警數(shù)據，Q——源地址，B——源端口，F(xiàn)——目的地址，G——目的端口，T——報警時間，H——報警類型。

設置一個相異度矩陣，用來計算兩個報警數(shù)據之間的相似程度，得到量化結果。通常情況下，相異度計算需要先計算報警數(shù)據各個屬性的相異度。

(7)

式中：a,b——兩個風險報警數(shù)據；d——相異度；λ——數(shù)據中屬性數(shù)量，l——屬性。對比公式(7)計算結果和給定的相異度水平值，當其小于相異度水平，此時兩個報警數(shù)據可以歸納為一類數(shù)據，按這種計算方式，完成對所有風險態(tài)勢數(shù)據的聚類處理。

1.3 設計關聯(lián)規(guī)則挖掘算法

考慮到配電網內包含較多電力節(jié)點，為了進行更加全面的風險預測，文中將整個配電網劃分為多個子區(qū)域，分別針對每個區(qū)域的子網采集風險態(tài)勢數(shù)據，并利用圖2所示的并行挖掘原理，對多個子網同步挖掘關聯(lián)規(guī)則。

圖2 關聯(lián)規(guī)則并行挖掘的工作模式Fig.2 Working mode of parallel mining association rules

關聯(lián)規(guī)則的挖掘本質上是從海量風險態(tài)勢數(shù)據中提取頻繁項集[9]，挖掘存在潛在關聯(lián)的信息，即可得到關聯(lián)規(guī)則。將風險態(tài)勢數(shù)據描述為包含多個項的項集，每個項存在對應的事務，在此基礎上可以將項集的支持度計數(shù)表示為：

ω(X)=|{f1|X≤fi,fi?G}|

(8)

式中：ω——支持度計數(shù)；X——項集；fi——項i對應的事務；G——事務二元組，也是特定項集所有事務的集合。

根據頻繁項集提取結果，得到關聯(lián)規(guī)則。之后，計算支持度和置信度，用來描述關聯(lián)規(guī)則的強度，兩種度量形式計算公式為：

(9)

(10)

式中：A、B——兩個項集；χ——支持度；C——置信度；p——條件概率；I——包含多個事務的配電網風險態(tài)勢數(shù)據集。

在事務集內尋找滿足最小支持度、最小置信度要求的規(guī)則，作為關聯(lián)規(guī)則挖掘結果。通常情況下，挖掘關聯(lián)規(guī)則需要經歷兩個環(huán)節(jié)，其一是總結所有滿足最小支持度閾值的項集，得到頻繁項集。再根據置信度要求，得到強關聯(lián)規(guī)則挖掘結果。

1.4 基于關聯(lián)規(guī)則獲取態(tài)勢預測結果

根據挖掘的關聯(lián)規(guī)則，可以描述不同電力節(jié)點之間的依賴關系，以此為基礎，在配電網風險態(tài)勢預測時，只要確定某一節(jié)點的運行狀態(tài)，就可以根據關聯(lián)規(guī)則判斷下一時刻其他節(jié)點的運行狀態(tài)，從而明確配電網風險態(tài)勢?；陉P聯(lián)規(guī)則進行風險態(tài)勢預測，模糊推理是預測過程中的關鍵環(huán)節(jié)，文中采用可加性標準模型[10]，對輸入數(shù)據和關聯(lián)規(guī)則庫進行運算，預測未來配電網風險態(tài)勢，見圖3。

圖3 配電網風險態(tài)勢預測流程圖Fig.3 Flow chart of distribution network risk situation prediction

圖3中輸入原始數(shù)據與挖掘出的所有關聯(lián)規(guī)則進行并聯(lián)匹配，根據輸入數(shù)據與關聯(lián)規(guī)則的匹配程度，輸出對應的項集，作為關聯(lián)規(guī)則后件。匯總所有輸出項集進行加權融合運算，得到最終的配電網風險態(tài)勢預測結果。其中，通過模糊推理得到的輸出項集可以表示為：

(11)

式中：r——關聯(lián)規(guī)則；R——關聯(lián)規(guī)則集；u——輸入數(shù)據；υ——權重;α——模糊項集，αr(u)——輸入數(shù)據在模糊項集上的隸屬程度;β——關聯(lián)規(guī)則的規(guī)則后件。通過上述運算，得出配電網風險態(tài)勢預測結果，作為提升配電網運行穩(wěn)定性的依據。

2 實驗

2.1 配電網模型

為了提升實驗的真實性，實驗參考IEEE33節(jié)點電力系統(tǒng)，建立一個配電網模型，在實驗室內展開風險態(tài)勢預測。配電網模型包括四條饋線，具體結構見圖4。實際運行時，設置功率基準值為12 000 kVA，電壓為15 kV。

從圖4可以明顯看出，四條饋線的首節(jié)點分別為1、19、23、26，尾節(jié)點分別為18、22、25和33。正常運行過程中，四條饋線的部分運行參數(shù)見表1。

圖4 IEEE33節(jié)點配電網模型Fig.4 IEE33 node distribution network model

表1 配電網模型主要參數(shù)統(tǒng)計表Tab.1 Statistical table main parameters of distribution network model

按照上述設置運行配電網模型，再應用文中所提方法，針對配電網模型進行風險態(tài)勢預測。

2.2 參數(shù)設置

依托于關聯(lián)規(guī)則的態(tài)勢預測方法應用時，最小支持度、最小置信度的取值，直接影響了最終預測結果的準確率。為了保證預測結果誤差更小，在實驗開始之初，運行配電網模型獲取風險態(tài)勢數(shù)據，得到三個實驗數(shù)據集。探索不同參數(shù)條件下，每一個數(shù)據集的風險態(tài)勢預測準確率變化情況，得到圖5。

根據圖5(a)可知，配電網風險態(tài)勢預測準確率會隨著最小支持度的增加，呈現(xiàn)出先上升后下降的變化趨勢。實際變化過程中，當最小支持度參數(shù)設置為0.6時，在三個數(shù)據集的預測準確率均處于最高值，隨后準確率開始逐步下降。因此實驗過程中設置最小支持度取值為0.6。

從圖5(b)中可以看出，前期最小支持度的取值變化，對預測準確率的影響不大，因此直接從最小置信度取值為0.5開始研究。仔細觀察可以看出，最小置信度取值為0.85之前，預測準確率雖然變化幅度較小，但總體表現(xiàn)為增長趨勢。而在0.85以后，預測準確率開始出現(xiàn)明顯下滑。故實驗中設置最小置信度為0.85。

圖5 不同參數(shù)條件下風險態(tài)勢預測準確率變化Fig.5 Change of risk situation prediction accuracy under different parameters

雖然支持度和置信度取值較大時，關聯(lián)規(guī)則才能擁有較高的可信度，但可信度提升的同時規(guī)則數(shù)目也會急劇減少，導致基于關聯(lián)規(guī)則進行風險態(tài)勢預測時，會遺漏部分信息，導致預測出現(xiàn)誤差。因此，支持度和置信度的取值，不能直接選擇最大值，而需要根據實際預測情況，選取最合適的數(shù)值。

2.3 風險態(tài)勢預測結果

參數(shù)設置結束后，應用文中提出的預測方法，與配電網模型1 d內的運行風險態(tài)勢進行預測，得到圖6所示的預測結果。

圖6 配電網風險態(tài)勢預測結果Fig.6 Prediction results of distribution network risk situation

根據圖6可知，配電網模型存在的主要風險是電壓越線風險和失負荷風險。其中，電壓越線風險主要發(fā)生在17 h～24 h內，在同一時間段，還存在嚴重的失負荷風險。而低電壓風險、線路過載風險的計算值較小，可直接忽略。總體來看，配電網風險在17 h～24 h較高，該時段需要提出針對性運維措施，其他時間風險值較為穩(wěn)定，風險問題出現(xiàn)概率極低。

根據上述預測結果可以看出，文中設計方法應用后，可以得到未來時刻配電網風險態(tài)勢，并準確描述風險出現(xiàn)的大概時間區(qū)段，便于提出應用措施。

2.4 方法性能分析

進一步分析文中設計態(tài)勢預測方法的計算復雜度可知，文中采用了關聯(lián)規(guī)則算法，直接對海量數(shù)據進行處理，不需要復雜的非線性運算，使得該方法在實際應用中必然會有較好的時間性能。因此，運行配電網模型獲取不同規(guī)模的數(shù)據，分別應用文中設計方法、基于深度神經網絡方法、基于大數(shù)據挖掘的方法進行預測，獲取不同方法的面對不同數(shù)據規(guī)模時的預測時間，對比不同方法的時間性能，見圖7。

圖7 不同風險態(tài)勢預測方法的時間性能對比Fig.7 Time performance comparison of different risk situation prediction methods

根據圖7可知，隨著數(shù)據規(guī)模的增長，三種方法的預測時間均表現(xiàn)出增長趨勢，但是所提方法的預測時間明顯更短。以樣本規(guī)模為8×106為例，此時文中設計方法的預測時間為24 s，而其他兩種方法的預測時間分別為54 s、77 s。綜上所述，應用關聯(lián)規(guī)則后，配電網風險態(tài)勢預測時間縮短了55.56%、68.83%。

3 結束語

隨著配電網運行數(shù)據的大量增長，現(xiàn)有的風險態(tài)勢預測方法難以快速得出預測結果。為了充分利用大數(shù)據的優(yōu)勢，提出應用關聯(lián)規(guī)則算法設計一種具有優(yōu)越時間性能的態(tài)勢預測方法。該方法不需要進行復雜的非線性計算，而是依靠基于數(shù)據之間的關聯(lián)，預測未來時刻風險態(tài)勢。從實驗驗證結果可以看出，所提方法更符合大數(shù)據環(huán)境，面對大規(guī)模數(shù)據時風險態(tài)勢預測時間依舊較短。