Page 8 - 电力与能源2021年第二期

1 5 6 吴 裔, 等: 基于人工智能的配电网设备负载预测预警系统设计研究

研究设计基于人工智能的配电网设备负载预测预 商业类的峰值区间波形分别为尖峰型和平台型,
警系统, 根据负载预测结果预警配电变压器、 线路 峰值时间与居民下班时间、 企业营业时间相符; 混
的重过载状态, 为业务人员的日常工作提供技术 用类峰值区间波形兼有住宅类和商业类的特征,
支撑。 该类配电变压器的典型供电对象是一楼为商店,
一楼以上为居民的商住混合型楼宇。馈线的分类
1 配电网设备负载率预测
与其挂设的配电变压器分类一致。
1.1 预测框架
给出配电网的配电变压器、 馈线的负载率预

测功能设计, 整个预测流程主要包括以下步骤。
步骤 1 : 数据清洗。对配电变压器、 馈线的历

史负载率数据的异常值和缺失值进行修正。
步骤 2 : 聚类分析。根据负载率曲线特征, 将

配电变压器、 馈线划分为多类。
步骤 3 : 关联分析。对每一类配电变压器、 馈
图 1 住宅类配电变压器负载率曲线
线, 量化评估其负载率与温度、 湿度、 气压等气象
特征的相关性。
步骤 4 : 建模预测。对每一类配电变压器、 馈
线, 构建单日 96 点的负载率预测模型。
1.2 数据清洗
对配电变压器、 线路的单日 96 点负载率的历
史时序数据执行数据清洗: 采用离群点检测方法
检出数据中的异常值并将异常值设置为缺失值;
根据不同的缺失情况采用相应方法填充每个缺失 图 2 商业类配电变压器负载率曲线
区间。
情况 1 : 缺失区间的时间跨度不超过 1h 。基
于负载率变化的局部相似性规律, 使用上一小时
的同时段数据进行填充。
情况 2 : 缺失区间的时间跨度不超过 1d 。基
于负载率变化的日历周期规律, 使用上一周同时
段数据进行填充。
情况 3 : 缺失区间的时间跨度不超过 1 个月。 图 3 混用类配电变压器负载率曲线
基于负载率变化的日历周期规律, 使用上一月同 1.4 关联分析
时段数据进行填充。 采用皮尔逊相关性分析法量化评估配电变压
情况 4 : 缺 失 区 间 的 时 间 跨 度 超 过 1 个 月。 器负载率与温度、 湿度、 气压等气象特征的关联
丢弃该条时序数据。 性。以沿海某城市 124 台配电变压器为例, 采用
1.3 聚类分析 式( 1 ) 计算配电变压器负载率与同时期气象特征
按照欧氏距离计算负载率曲线的相似度, 采 之间的皮尔逊相关系数。
用层级聚类法将配电变压器划分为多类。以沿海 n
∑ ( X i-X )( Y i-Y )
某城市 124 台配电变压器为例, 对同一周内的 96 i = 1
r X , Y = ( 1 )
点负载率曲线进行聚类, 将所有配电变压器划分 n ( X i-X ) n ( Y i-Y )
2
2
为住宅类、 商业类、 混用类, 结果如图 1 至图 3 所 ∑ ∑
i =1
i =1
示。由分析可知, 三类配电变压器的负载率曲线 沿海某城市住宅类配电变压器 2017 年的日
均呈现以日为单位的周期特征。其中: 住宅类和 负载率与温度、 温度平方、 气压、 湿度的皮尔逊相