多元数据融合的智能配电网负荷分析预测管理系统

高崇,唐俊熙,张俊潇,曹华珍,张道路

(1.广东电网有限责任公司电网规划研究中心,广州 510030; 2.北京清软创新科技股份有限公司,北京 100085)

0 引 言

为支持粤港澳大湾区智慧城市群的建设,南方电网不仅加快了大湾区智能电网的规划建设,同时也调整战略提出“数字南网(digital CSPG)”,向综合能源服务商转型升级。如今,电力企业测量体系积 累了海量的细颗粒度数据,例如用户历史负荷数据、GIS数据、客户信息数据、公共部门服务数据等,这些数据具有巨大的直接和间接价值[1]。应用大数据解析技术以及可视化交互技术[2-3],可以对负荷特性进行多维度的研究分析,根据不同的时间尺度,建立规范合理的指标分析体系,掌握不同负荷变化规律,同时负荷特性分析可以指导配电网的负荷预测工作。科学准确的负荷预测有利于实现配电网的科学规划与管理,保证电网的稳定运行,提高电网企业的经济效益[4]。

近年来,各地电网公司和电力行业的研究学者都从不同角度展开了相应的研究。文献[5]提出了大数据在智能配电网应用中的“飞机型”理论,梳理了海量数据应用的关键技术,阐述了不同场景下的大数据应用方法,通过应用路线图明晰数据流能量流的传递方向及交互作用。文献[6]对统调的负荷历史数据进行研究,分别以工作日以及周末的典型日负荷曲线为基础,对日负荷率、日峰谷差率等负荷特性指标进行统计分析,并预测贵州电网的中长期负荷特性指标,为电网规划提供参考。文献[7]利用哈尔滨地区春季日负荷数据作为样本,基于SPSS的相关性分析利用多元回归实现负荷特性指标与气象因素的量化影响关系建立,并实用聚类树形图以及层次分析法选取历史负荷相似日,实现对负荷的短期预测。文献[8]基于常德地区的历史负荷特性曲线以及气象数据,对各主要影响因素进行统计分析,确定小水电并网、电价浮动等具体场景对地区负荷的影响程度以及影响时段,并根据结果给地区负荷预测提供修正指导意见。文献[9]将居民负荷分解为基本负荷以及季节性负荷同时进行两级分析,基于自适应模糊c均值算法聚类分析居民负荷调控潜力大小,通过新的分类方法实现对用户的用电特性差异化分析,为错峰管理、电价制定提供数据支持。

总的来说,虽然国内外对负荷特性以及负荷预测都做了不少的研究工作,但由于数据来源以及分析技术的制约,目前负荷特性分析对象的分类大多数是按照大类属性来进行划分,如第一产业、第二产业、工业用户。然而这种分类标准粗放且种类较少,缺乏更小颗粒度的行业分类研究,而本系统由于拥有完备的多元数据,能够按照GB/T 4754—2017《国民经济行业分类》的分类标准,将负荷层次化地分为门类、大类、中类、小类,一共涉及119个细分类别,对行业用户进行信息提取和负荷分析,进一步实现差异化精细化管理。目前有不少研究将行业负荷特性应用到短期负荷预测中[10-14],但是由于中长期负荷预测的不确定性强且用户负荷特性不够精细,导致如何把用户负荷特性与中长期的规划负荷预测更合理地结合起来仍然是规划人员试图解决的实际问题。同时,现有的中长期负荷预测多是对系统级别或大区域进行预测[15-17],没有在规划方向对变电站馈线以及配变用户层面展开中长期预测的深入研究。因此,部分依赖于精细化管理的配网规划应用场景,如负荷优化组合、业扩用户画像等,在应用效果上并不是非常的理想。在数据质量上,规划工作为了减少工作量,常利用个案剔除或均值代替等方法对负荷数据进行了简单预处理,这样造成了负荷数据信息和资源的浪费,削弱了数据的客观性。而在平台应用管理方面,目前开发的负荷管理系统普遍存在数据分析处理能力不足,人机交互性能不佳,可视化程度并不高等问题。总的来说,在工程实际应用中,缺乏一套能够与时俱进、便于拓展的负荷特性综合分析系统为电网获取用户信息,进行合理规划提供便利。

针对上述存在的种种问题,文中基于广东电网某地级市计量系统中配变台区的实际运行数据作为驱动源,开发了一套组件多元、功能完善、可拓展性强的智能配电网负荷分析预测管理系统,实现数据的全链路流动交互。系统采用可移植性强、跨平台性能好的Java语言进行主体开发,根据模块功能需求差异部分算法结合python、C#语言完成。文章结合业务实际需求,介绍软件系统的整体架构和数据结构;对系统各子模块的功能实现以及逻辑关联进行了介绍和开发;结合实际算例,给出了该软件系统的一个应用示范。

1 软件系统的框架

由于计量设备更新产生的新数据元以及负荷分析理论的不断发展,使得系统需要满足快速更新迭代的要求。同时,未来系统的使用场景趋于多元化,部署操作的终端设备以及操作系统都会因人因地而异,为了提高系统访问的便捷性,减低广泛部署的资源损耗,系统采用了适用范围更广的Browser/ Server(B/S)架构设计[18],如图1所示。

图1 软件的基础架构设计

软件在开发过程中,摒弃了传统的集成单体应用架构,而是采用了去中心化的微服务架构,如图2所示。微服务架构具有松耦合、各业务自主性强的特点,可以根据应用特性将功能部署到不同的机器中,同一层级的业务服务不需要等待其他服务的完成,能便捷地实现多任务并行处理。而这种架构也可以接入HYSTRIX负载均衡服务防止软件“雪崩”现象产生,实现故障隔离,同时可接入RIBBON熔断限流服务使得系统在高负载流量情况下减轻单机运行压力。

图2 软件的整体架构

在系统的整体架构层面上,身份管理平台对访问进行控制,针对公司总部、分子公司、地市单位、基层单位、设计单位等不同访问者设定不同的功能权限。

展示平台集成可视化组件,提供网架图、折线图、箱形图、饼状图、热力图等各类数据可视化图表的交互式展示。展示平台以轻量级高级浏览器JavaScript库Zepto.js作为前端,Django作为后端进行业务开发,利用采用微软SignalR库,基于Web Socket双工通信协议实现数据的动态更新。

开发平台组件是属于底层的技术开发,提供一系列的支持,包括IOC/AOP、消息队列、属性扩展框架、领域实体框架、异常处理组件,利用可拓展标记语言和属性文件可以实现不同平台组件之间的动态加载、相互去耦以及多态性。

集成平台提供业务流程管理以及企业服务总线等,其中企业服务总线是理想的SCADA系统数据交换中间件,使在分布式应用平台之间通过中间层实现对等沟通。

数据资源平台集成了多种信息平台,包括地理信息服务平台、实时负荷数据平台、气象信息平台等,并对多源数据实现标准化,而数据标准是数据共享和系统集成的重要前提。同时基于数据库建模工具生成对应的数据库模型,提供数据项的快速新增与修改,支持数据项SQL全量、增量的导出,对数据表元数据提供同步全部、同步数据库、同步实体、方向更新4种数据同步功能,如图3所示。

图3 数据存储结构

业务应用平台是应用层面的模块功能,可以实现负荷特性分析、负荷预测、负荷组合优化等应用,同时预留接口可以实现其他功能模块的开发接入。

2 软件系统的应用功能

文中所描述的负荷分析预测管理系统根据电网公司应用需求,开发了数据管理、负荷特性分析、业扩报装业务、负荷预测、电力负荷优化组合、配网规划、系统管理等功能模块,如图4所示。

图4 系统应用功能结构

2.1 数据管理模块

数据管理模块是数据处理使用的基本模块,其中用户信息功能允许查询用户的名称、接入点、用户行业类型、用户已报装容量、用户报装时间、建筑面积、比例系数等信息,同时可以在此模块对底层数据库导入的数据进行手动修改,也可以进行业务数据的导入。

负荷数据主要是配电变压器每天96个测量点数据,由于测量地点条件各异,导致数据质量一般,坏数据较多,真正可用数据较少,因此需要进行大量的数据预处理操作。数据清洗主要处理数据为缺失值、0值、突变离群值,负荷曲线为直线等情况。

对于连续若干天缺失大量数据,采用相似日近似替代法进行整天数据修补替换,以便进行配变负荷加和运算处理功能。对于单日异常数据,采用低秩矩阵填充算法进行处理,以含缺失数据的负荷曲线与历史负荷曲线构成低秩矩阵,然后用低秩矩阵填充算法[19]进行计算,如图5所示,为低秩矩阵算法流程设计。

图5 低秩矩阵算法流程

2.2 负荷特性分析模块

负荷特性分析模块功能包含负荷特征库的建立和负荷特征库的管理。负荷特征库通过特定算法对存储数据进行计算,从指标类型可分为数值型特性指标以及曲线型指标两大类,从时间维度可分为日特性指标、月特性指标以及年特性指标三大类[20-21],分别如表1、表2和表3所示。

表1 日负荷特征指标

表2 月负荷特征指标

表3 年负荷特征指标

为了精准化识别负荷,解释负荷内含的长短周期分量,该模块在传统负荷指标的基础上设置了负荷频域分析功能,目的是为了提高负荷特征库对负荷波动的敏感度。频域分析基于小波变换的原理,提取近似信号的小波能量、细节信号的小波能量、近似信号的均方根值、细节信号的均方根值、近似信号的绝对模均值、细节信号的绝对模均值、近似信号的标准差、细节信号的标准差作为分析指标。

按照行业分类,选取大量同行业用户的典型日负荷曲线进行聚类分析,如图6所示,为文中设计的典型日负荷曲线聚类流程图。如图7所示,为某地服装行业夏季日负荷曲线聚类结果。聚类分析模块的API里封装了多种的有效聚类方法,包含有模糊C均值聚类算法、基于灰狼优化的模糊均值聚类算法[22]、基于层级聚类方法、K-means聚类算法、Mini BatchKMeans聚类算法等五类可供用户选择。不同的聚类算法面对不同的数据,其聚类效果也不尽相同,例如层次聚类算法不需要人为设置聚类数目,可以根据实际需求选定合适聚类数目下的聚类结果,但在面临较大的数据集时计算速度较慢;而模糊均值聚类算法具有较好的收敛速度和聚类效果,但需要人为指定聚类数目。因此模块选择了轮廓系数作为有效性指标,它结合了类内紧密度和类间分离度作为聚类效果的量度。以K-means算法为例,其优点在于简单易操作,所得结果大体上上也可令人信服。然而,它的缺点也十分突出,K-means算法分类数目的设定主要取决于主观经验,难以保证所选的聚类数目即为最优数目。为此,本系统使用基于聚类有效性评价指标的改进K-means方法来处理负荷数据,从而提取相关的典型日负荷曲线。为解决上述问题,本文将设定轮廓系数作为评价聚类结果有效程度的指标,以判断分类数目的选取是否合理。评价聚类所得结果的优劣,需要对类内内聚程度与类间的分离程度两个方面进行分析,轮廓系数则将二者有效的结合在一起。可按下式计算得到总的轮廓系数[23],其计算方法如下:

图6 典型日负荷曲线聚类流程图

图7 某地服装行业夏季日负荷曲线聚类结果

(1)

式中D(k)为向量k与它所在簇中的其它点的距离的平均值(类内紧密度);E(k)为向量k与离它所在簇最相近的簇中各点的平均距离(类间分离度),N为当前聚类数。由此可知,总的轮廓系数的取值范围为-1至1,且值越大代表着内聚度与分离度综合得分越高,即可认为聚类效果越好。

基于轮廓系数这一评价指标随分类数目变化而发生变化的趋势进行判断,并依此选出最为合理的分类数目,从而改善上述K-means的缺点。对某行业多个用户负荷进行聚类分析,以把握该行业用户整体的用电行为,上述内容的具体步骤如图6所示。

2.3 业扩报装模块

在此模块中,利用电网SCADA系统的配变负荷数据,按照GB/T 4754—2017《国民经济行业分类》的分类标准,层次化地分为门类、大类、中类、小类,一共涉及119个细分类别,进一步实现差异化精细化管理,对行业用户进行信息提取和负荷分析。由行业用户报装时间、报装容量、投运时间、投运年1～3年负荷变化等信息计算出各用户的实用系数和阶段系数,并通过统计学方法确定行业实用系数和阶段系数的置信区间,为合理进行负荷预测提供数据支撑[24]。

大用户负荷模式识别是制定大用户供电接入方案的关键。进行业扩报装时,只有通过掌握新接入大用户的日负荷模式,才能更好利用大用户之间的峰谷互补性,以便进行合理规划。系统管理者可以输入待进行业扩报装用户的信息,例如用户所属区域信息、所属行业、报装容量、建筑面积、容积率、用电性质、接入时间、生产计划、用电高峰时段、生产设备额定运行容量、非生产设备额定运行容量等。在新用户接入前,基于报装信息与行业业扩信息进行指标比对匹配,结合用户用电性质、生产计划从负荷特征库中科学选定其典型负荷曲线。根据客户提供信息的多寡设定了不同的匹配方法,对于信息丰富的用户,利用各类设备的容量以及使用行为信息估算新用户负荷率、日最小负荷率、日峰谷差率、峰期负载率、平期负载率、谷期负载率等计算指标,采用随机森林与概率神经网络等人工智能方法对不同用电模式的负荷曲线进行选型;对于信息模糊型用户,绘制离散的模拟用电行为曲线,利用欧氏距离进行判别。通过建立科学合理的匹配方法,使得对负荷特征库中聚类曲线选取的准确性更高。同时根据已有信息匹配,从业扩信息库中选取最佳推荐实用系数和阶段系数,结合报装容量得到业扩新用户在预测期内不同年份的负荷预测最大值。对于特定类型的负荷,系统管理者还可设置特殊的匹配规则。

值得一提的是在应用过程中,通过匹配算法选定新用户的日用电模式曲线,近似地将历史典型日负荷曲线作为未来日负荷曲线以便进行负荷叠加分析。特征库中的负荷曲线为标幺曲线,只是确定了形状,负荷水平还是依靠负荷预测的最大值来决定。

2.4 负荷预测模块

中长期负荷预测[25-26]对于配电网的规划建设具有实用指导作用,能够初步测算规划期内需新建输变电设施的规模。根据不同预测层面,针对不同的可用数据源,综合各类预测思想,建立中长期负荷预测方法模型库,如图8所示。

图8 预测方法模型库

对于馈线级别的预测,目前国内外理论研究仍然较少,究其原因是馈线负荷较系统负荷而言量级较小,受波动影响而引致变化率更大;馈线接入配电变压器负荷容易产生突变,稳定性比较差,难以寻求变化规律。本文的预测模块选用自下而上的配变叠加法、随机森林算法,以及基于区域预测数据的自上而下负荷分配法作为应用算法。其中配变叠加法以及随机森林算法都是将分析对象下沉到配电变压器这一级别,结合业扩报装模块提及的分类标准,利用数据管理模块中配变自身信息以及配变历史负荷数据,将配电变压器依照公专变、用电性质、所在供电区域、投运时间等信息进行分类,不同类别变压器会有不同的负荷预测原则,不同配变的负荷成熟时间不一,从而设定不同的增长率。此时将同一馈线下的变压器预测结果叠加,乘以馈线同时率可得到所在馈线的预测负荷。而自上而下的负荷分配法是先以110 kV变电站为对象进行预测,110 kV主站的预测通常是以110 kV主站当前负荷按一定的自然增长率增加,然后再加上大用户报装容量以及负荷计划转移量得到结果,并把此预测结果作为基准参考,根据下辖馈线的历史负荷比例均值分配预测负荷值,得到各馈线的预测负荷。选取部分实际馈线负荷数据进行预测[27],后续结合专家经验,通过人工核验分析所接配变情况以及其他的馈线状态信息,可以对预测结果进行更精确的修正[25],如图9所示。

图9 馈线级别负荷预测结果对比

空间负荷密度不仅可以计算负荷最大值,还能结合地块控规图信息得到负荷的空间分布,是高压电源供电分区划定、线路布置和供电范围确定的重要参考依据。由历史负荷数据、建筑面积、投运时间等计算可知不同类型用户的接入负荷密度以及饱和负荷密度,结合发展年份的释放系数,在功能交互栏输入相应信息,即可得出相应地块的年负荷值高、中、低三个推荐方案[28]。此方法用于新建园区的增量配电网负荷预测。

进行存量配电网的负荷预测,结合GIS系统可以清楚观察到负荷的分布拓扑,对配电变压器未来几年的负荷最大值进行预测,可以大致地实现重过载的预警,为已有配变的增容扩展以及线路改造提供数据支撑。

2.5 电力优化组合模块

分布式能源、储能设备以及电动车等新型负荷的接入,改变了传统配电网的负荷特性曲线。适当考虑分布式能源和新型负荷的时序特性、未来增量以及投运成本等条件,能有效地指导区域内分布式电源、电动汽车充电桩的投建。

考虑主要新型负荷电动私家车的发展以及空间负荷需求,参考《上海市交通行业发展报告(2018)》及《上海市新能源汽车产业大数据研究报告2018》数据,基于改进的BASS模型对区域电动车的未来保有量进行预测。参考美国国家公路交通安全管理局数据,基于蒙特卡洛模拟对车辆时空行为进行建模分析,得到未来预测年内的不同充电决策、不同场景下的典型电动汽车日负荷曲线,得到最大负荷的量化需求[29]。

本模块的接入决策分为负荷特性决策以及经济决策。前述的业扩报装模块可以通过报装信息从负荷特性分析模块匹配出业扩新用户的典型用电曲线,可以根据其地理位置附近馈线的负载率情况,依据提高供电点负荷曲线的平缓程度原则,实现用户接入的优化决策。也可以对已有用户进行临近馈线转供决策,实现负荷特性指标的改良。

同时建立初始的配电网网损、分布式电源建设运行成本、环境效益成本、储能成本简易模型[30],设置光伏、风力、微型燃气机组的接入量,结合物理约束条件建立求解多目标优化函数,以变权重分析对比不同条件下的经济效益,以供管理者和投资方做决策参考。

2.6 配网规划模块

此模块建立在负荷特性以及负荷预测模块的基础上,在导入基础数据后,调用优化算法,开展园区配网规划,快速生成各种接线模式下的接线方案及其各项经济技术指标,为规划人员提供参考和依据。模块功能概览如图10所示。

图10 配网规划模块功能应用

根据配电网开展园区规划的顺序,首先需要从地理信息系统(GIS)导入配电网一次网架规划所需的拓扑数据以及控规图,再从负荷特性模块中导入不同行业的负荷特性,同时支持元件的增删改操作。导入基本信息后,支持用户开展网格绘制,根据控规图上的线缆走廊信息,在控规图上绘制可建设输电管廊路径,并要求所画的路径包围的地块必须是封闭的。后台系统将根据用户的绘线图层自动识别地块面积、路径长度等信息。同时,在道路规划这一级功能栏上,可以展示不同的图层,包括地图,控规图层(主要用于道路绘制),负荷点图层(展示在负荷预测功能模块上定义的负荷节点和电源节点),路径图层(展示人工画出来的路网拓扑),馈线图层(展示一次规划的馈线地理走线图)。

根据控规图上的地块信息,在绘线图层上标记各负荷节点的位置,软件自动将用户标记的负荷节点与用户导入的控规中的地块负荷信息进行匹配,通过负荷预测模块的空间负荷密度法进行地块负荷的预测。软件还支持用户手动完成或修正标记的负荷节点与导入的控规中的地块负荷信息的匹配过程。然后,用户可以根据实际要求选择接线模式,优先原则,自定义基本的投资参数,可靠性参数。

在完成上述基本数据的部署后,调用开发完成的优化算法对配电网规划模型进行优化求解,生成优化一次网架,同时展示生成各个馈线一次网架的可靠性计算结果和潮流计算结果(包括节点电压、线路电流、线损),便于规划人员对规划结果进行校验和调整。

2.7 系统管理模块

此模块为系统的管理运维模块,通过菜单管理可以自由调整系统页面,部门管理可以增加下级使用单位,文件管理可以通过可视化上传下载文件数据,系统参数涉及系统版权信息及验证码开启选项,系统日志则记录用户对系统所做的更改操作。

总的来说,如图11所示,为文中开发的软件系统的数据全链路实现流程[31-35]。其中,软件系统选用部分可视化组件展示多维度负荷特性分析的输出结果[36-38]。为方便用户操作及阅读,页面分为四个标签页,负荷特征库页面展示用户的典型日负荷曲线及日月年等常规负荷特性指标;负荷频域分析页面展示用户负荷小波变换后所得近似信号、细节信号及各层信号稳态特征量;实用系数及阶段系数页面展示用户饱和负荷密度、实用系数及阶段系数指标;聚类分析页面展示所选行业用电模式所得结果。基于此,本文开发的软件系统界面如图12所示。该系统微服务的架构为其带来了灵活可拓展的能力,而模块化开发的方式确保了各个功能模块之间的信息交互,同时数据采集管理平台的搭建以及数据库采用多节点副本集部署使得系统的数据接口可支持多种数据采集协议,并保证了数据储存的安全性。在算法集成设计方面,系统构建了算法集成平台,提供标准统一调用接口,支持对多种语言的自动识别及调用。

图12 软件系统概览图

3 软件系统的应用实例

为实现软件系统不同模块功能的数据链路互通,应用实例选取某纺织业公司作为业扩用户,其用地面积为28 987 m2,建筑面积29 886 m2,容积率为1.031,报装容量为630 kV·A,并且在传统业扩信息的基础之上,增加了客户提供的用电设备信息,包括持续性用电设备容量(保温、监控、部分不间断照明设备等)、工作时间段用电设备容量(制冷、照明、生产设备等)、生产运行用电时段安排的需求。其中该纺织业公司工作时间段用电设备容量报580 kW,持续性用电设备容量报350 kW,工作时间安排为8:00—12:00,14:00—18:00,19:00—22:00根据业扩用电信息可分别计算出日负荷率a1、日最小负荷率a2、日峰谷差率a3、峰期负载率a4、谷期负载率a5及平期负载率a6形成客户典型特征向量。

首先从负荷特征库里根据纺织业聚类曲线得到三大类典型日负荷曲线,如图13所示。其中类型1为“双峰型”,于早上8时左右负荷出现较明显上升,并于中午12时出现午休的负荷回落,继而在14时左右重新进入高峰,于17时左右出现回落,然后夜晚的负荷虽然下降,但仍保持一个较高水平;类型2也为“双峰型”,其负荷规律与类型1很相似,不同的地方在于其负荷降落会降落到一个较低的水平;类型3在常规工作时段负荷水平都很高,夜晚22时左右负荷降低到一个较低的水平,然后持续到第二天的工作时间。将三条曲线进行比较分析,可认为类型1的自动化程度较高,规模较大,晚上仍有部分机组处于运行生产状态;类型2工作休息的特征明显,不过峰谷差率较大,非工作时间负荷水平较低,说明大部分工作也需要人力参与;类型3是属于工作时间集中,自动化程度相对低一些,大部分工作也需要人力参与。

图13 纺织业典型日负荷曲线聚类结果

将前面形成的特征向量输入到训练好的纺织业决策树模型中,通过输出标签能够识别出本业扩用户是属于类型1的,所以选择其作为其典型日负荷曲线来分析。

该用户所在位置可以选择721、709两条馈线接入。由负荷特性模块可以分别得到这两条馈线最大负荷所在时段的聚类典型日负荷曲线。将新用户典型日负荷曲线分别与两条馈线叠加,可以得到新的馈线负荷曲线以及特性指标。由图14、图15可以看到,接入721馈线能减小峰谷差率,增大最小负荷率,而接入709馈线会增大峰谷差率,结合馈线本身的负载情况,最终选择接入721馈线。

图14 709负荷曲线及指标

图15 721馈线负荷曲线及指标

前述已知新用户的面积、报装容量、行业信息、生产计划等,因此可以从业扩信息库里匹配近似的业扩信息,得到推荐的投运1～3年实用系数,η1= 0.550,η2=0.734,η3= 0.762根据报装容量可得各年预期负荷值。由馈线721的历史负荷信息,分别应用三种预测方法体系对其负荷最大值进行预测。直接用随机森林算法预测馈线负荷的结果差异相对较大,所以权重设置小一点t1=0.2;自上而下的负荷分配法,预测对象为大区域,先通过时序外推预测大区域负荷,然后以最新的负荷比例分配到馈线级别;而自下而上的配变预测叠加体系以配变为预测对象,通过判断不同配变未来的变化趋势,结合历史数据,利用BP神经网络针对配变年最大负荷之间不同的数据变化形态进行模型训练,预测得到未来负荷变化率数值,从而计算得到预测负荷最大值。由于在训练模型过程中更注重全体训练配变样本的误差最小,所以预测出来的结果相对真实值多数偏保守,因此和自上而下的负荷分配方法偏乐观形成互补关系,可以设置相当的权重t2=t3=0.4,对结果加以平衡。采用加权组合方式得到接下来各年预期最大负荷值,如表4所示。

表4 各年预期最大负荷值

采用近大远小原则,对馈线721的各年同时率进行加权,得到新的同时率作为预测同时率Sp=0.756,用户负荷最大值乘上同时率后叠加到馈线负荷上,得到未来几年内的馈线最大负荷预测值。

4 结束语

文中针对多元大数据在智能配电网中的应用问题,为实现配电网的精益管理、科学预测和合理规划,开发了基于多元数据的智能配电网负荷分析预测管理系统,该系统具有如下优点。

1)系统能够实现数据的清洗处理,通过数据挖掘建立精细化的行业负荷特性库以及业扩报装信息库,为业务场景提供信息支撑。

2)系统内嵌了自上而下的预测方法体系,同时也开发了自下而上的配变负荷预测叠加体系,可以结合用户负荷特性和配变的中长期预测实现各层级负荷预测。

3)系统还可以实现不同负荷的优化组合以及业扩新用户的接入选线,其中搭建的配网规划模块则能够实现智能配电网的一二次侧协调规划,提供交互式的规划线网生成组件,并提供可靠性的核验。

总的来说,本文研发的系统是基于云架构微服务建立的,模块化的设计使其具备解耦条件,因此可根据用户需求进行数据接口制定以及对数据进行统一规约,在新的平台实现微服务的快速部署。

由于文章所述软件系统的数据链路互通,功能业务平台可拓展性较好,所以在下一步研发过程中,可引入更丰富的数据源,针对已有的模块进行更深入的理论性研究。多元数据管控为功能拓展打下的坚实基础,能更进一步实现配电网节能环保评估、经济性分析、综合能源系统规划等功能。在系统投入试点运行稳定后,将继续完善不同的应用场景,最终将各模块融合成为集信息管控、配网指标评估、变压器定容、线路网规划等功能于一体的综合决策管理系统,不断提升智能配电网的运行水平和服务能力。