【學術】智能配電網大數據應用需求和場景分析研究

2015-04-22 09:17:53 中國電機工程學報　點擊量：評論 (0)

中國電力科學研究院的研究人員劉科研、盛萬興等，在2015年第2期《中國電機工程學報》上撰文，智能配電網中存在大量異構多源的數據，其中的數據規模和特點符合大數據的各項特征。首先總結配電網大數據的來源和特征

5 配電網大數據分析方法和手段

5.1 配電網數據特征聚類

聚類可用于將數據分割成多個類或子集，在聚類分析中類的數量是未知的。常見的聚類方法有劃分聚類法、層次聚類法、網格聚類法、基于模型的聚類法以及智能聚類法等。根據不同聚類方法的適用范圍及配電網大數據的特征，通過研究基于配電網時空特性的數據聚類方法，能夠提出處理配電網時空特性的數據聚類解決方案。

從配電網調度系統和負荷監測中提取不同區域、不同類型的用戶負荷曲線，進行負荷特性聚類分析，為電力公司營銷和負荷管理提供依據，是近幾年電力系統聚類分析的研究熱點[8-9]。通過對負荷曲線的聚類，可以作為負荷預測和電價預測的預處理過程;通過分析配電網線路和設備故障信息，形成具有相似變化的曲線簇，可更好地估計和抑制故障帶來的影響。

5.2 配電網數據特征分類

分類是通過訓練產生的分類函數或分類模型將數據對象映射到2 個或多個給定類別的方法[10-12]。從機器學習的觀點，分類分析是一種有指導的學習，即其訓練樣本的分類屬性(類標號)的值是已知的，通過學習過程形成數據對象與類標示間對應的知識，這類知識也可稱為分類規則。

分類通過已訓練好的模型或分類規則來預測、標記未知的數據類。分類方法包括決策樹歸納法、K最近鄰法、向量空間模型法、貝葉斯分類法、支持向量機模糊分類及神經網絡法等。在配電網配電變壓器故障識別和診斷中，可以通過貝葉斯分類方法將變壓器故障分類為內部或外部的接地和短路故障;也可以用神經網絡來識別包括高溫、低能和高能狀態等故障類型。

5.3 配電網大數據快速分析技術路線

數據挖掘技術的選擇由相應需要解決的業務問題來決定。要解決一個業務問題，在一個數據挖掘的完整流程中，需要同時利用多種數據挖掘方法。例如在數據預處理階段，可以通過統計性描述方法對數據的本質、質量進行探索和分析，利用無量綱化的模型對數據進行標準化處理，也可以用聚類分析對臨群點進行探索等。

基于配電網大數據聚類與分類技術，研究面向大規模配電網大數據的快速數據分析與處理技術，其技術路線如圖4所示。

圖4 配電網時空特性的快速數據處理方法