3 数据挖掘在配电网及双向互动中的应用
    我国电网一直以来遵循“重输电，轻配电”的模式，导致输电网运行监控相对充分，而配电网覆盖范围广，电压等级低，运行监测相对较弱。随着电网的不断发展，传统被动接受电力的配电网已不能适应智能电网的新要求，配电网及用户逐步成为电网运行的参与者，开始发挥越来越重要的作用。已有研究提出通过用户自动需求响应实现电网的削峰填谷，或通过集中或分布式的直接负荷控制实现电力系统调频，配电网内用户与电网双向互动函待实现，需要对配网侧大量数据进行充分的监测、收集以及分析。
    3.1数据挖掘用于配网运行状态监测及预警
    配电网所涉及的设备众多、使用及维护情况各异，客观上加大了配电网运行状态监测及预警分析的难度。由于传统配电网缺乏有效的数据搜集及存储能力，维护人员难以对配电网运行状态进行及时有效的评估，不利于配电网事故预警及早期故障诊断。
    随着智能化配电网建设的深入，配电网产生的数据增长迅速，基于大量数据采集及筛选的数据挖掘可以弥补传统配电网因缺乏有效监测手段而导致故障难以预警及诊断的问题。配电网数据搜集主要通过数据采集与监视控制系统（SCADA）采集，除了配电网内各线路、变压器电压电流等电气参数外，还涵盖了变压器油温等非电气参数，基于这些数据可实现对早期故障的诊断及预警。
    数据挖掘在配电网中的应用主要包括配电网运行安全性分析、配电网供电能力及可靠性分析、配电网供电电能质量分析、配电网运行经济性分析等。基于所采集到的数据，计算相应的安全性及可靠性指标，判断出可能的风险类型、潜在故障的位置，为维护人员提供指引；基于累积数据分析，预测配电网风险出现的概率及类型，提供决策参考；对己存在的风险进行统计分析，建立相应的应对预案；此外，可生成故障风险类型识别数据库，对于突发故障可提供故障类型及故障位置的参考等。
    3.2数据挖掘用于用户用电特性的辨识
    配电网是智能电网的重要组成部分，用户与电网之间实现双向互动是智能电网的建设目标之一。然而，用户数量、用户间的差异都制约了用户参与双向互动。用户数量影响用户与电网间的信息交互，需要允分的通信保障及海量数据的处理能力。用户差异包括用电量、用电时段、对电价的敏感度、负荷曲线形状等方面，导致不同的用户会有不同的互动能力及行为，必须通过用电特性辨识加以区分。
    目前用户用电特性的辨识主要数据源是负荷数据，主要通过智能电表采集，间隔一般为5一10min。对于用户负荷数据主要采用以下方法进行辨识：（1）关联规则算法。关联规则算法是在数据中找出各数据项间频繁出现的相互联系，通过分析负荷特性与外在影响因素之间的相关性，并以此为基础运用关联算法对负荷特性进行挖掘。（2）人工智能算法。运用人工智能算法进行用户行为预测是十分有效的方法，其优点是对非线性规律具有自适应学习功能，在短期用户行为预测中可以取得满意的结果。人工智能算法很多，如混沌、粗糙集理论、分形理论等，在负荷预测中常用BP神经网络算法。（3）聚类分析法。聚类分析法是将一组数据及其影响因素数据进行聚类的方法。聚类分析所划分的同一类数据具有较大相似性，而不同类样本之间表现出差异性。聚类通常需要数据预处理、聚类过程、结果验证等步骤，如图3所示为二次聚类的常规流程：首先对数据进行处理，剔除异常数据，随后分别进行系统聚类及模糊C均值聚类过程，并对聚类数量进行验证，若不满足则增加聚类数，重复二次聚类过程，直至满足聚类数要求，对数据进行加权还原，并输出结果。

    通过数据挖掘可实现对用户用电特性的辨识，例如不同用户对电价与温度的敏感度分析、设备用电弹性分析、节假日及工作日用电特性、用电高峰时段辨识、短时削减电力能力分析等，可区分不同类型用户，针对电价敏感型用户可优先实施峰谷（尖峰）电价，促进电网移峰填谷；针对短时削减电力能力较强的用户可优先推广需求响应策略，倡导该型用户参与临时性削减电力；通过辨识用户用电高峰时段，促进用户错峰用电等。只有在用户数据被充分挖掘的基础上，用户参与电网双向互动的潜力才能够被充分挖掘，电网才能利用好用户潜在的资源。

上一页  [1] [2] [3]  下一页