基于模型驱动和数据驱动结合的用户用电可靠性分析方法技术

本发明专利技术提供一种基于模型驱动和数据驱动结合的用户用电可靠性分析方法，方法中利用输入模型驱动的电网侧可靠性评估所需数据和数据驱动的用户侧可靠性修正所需数据，分别计算各负荷点每月各类日的标准负荷曲线和每个电能质量事件日的负荷曲线，进一步对比形成对比结果曲线，根据对比结果曲线计算出缺供电量及停电时间，修正系统级可靠性指标，得到用户侧用电可靠性。本发明专利技术综合运用了可靠性计算模型和数据挖掘方法，提出一种新颖的配电网用户用电可靠性分析方法，与传统的电网侧可靠性计算方法相比，其更适用于计算配电网用户真实体验的用电可靠性。

Reliability analysis method based on model driven and data driven

【技术实现步骤摘要】
基于模型驱动和数据驱动结合的用户用电可靠性分析方法
本专利技术涉及配电网可靠性分析领域，更具体地，涉及一种模型驱动和数据驱动结合的用户用电可靠性分析方法。
技术介绍
随着信息技术和电力电子技术的不断发展和广泛应用，对电能质量敏感的数字化设备已渗透到人们的日常生活、办公、商业和工农业生产中，大大提高了用户和用电设备对供电质量的要求。另外，工业化城市化建设水平的不断提高，特别是城市现代化工商业发展中敏感负荷的大量使用，也对供电可靠性的要求越来越高，即使瞬时的电压波动都会导致设备跳闸停机，造成巨大的经济损失甚至人身伤亡事故。因此，对配电网供电可靠性和电能质量的研究与管理需求日益增强。随着国内电网企业开展大量且有效的供电可靠性管理工作，电网供电可靠性水平已大幅提升，但用户侧真实的用电可靠性还有待进一步的提高。在实际的工作中，仍存在电网侧供电可靠性工作已十分有效，但用户体验到的用电可靠性却并不理想的情况。比如基于馈线首端或配变台区考核的供电可靠性指标都已合格，但在用户侧由于无功不足、电压偏低等问题造成用户侧的供电质量的下降；供电侧正常供电时，由于电网发生电压暂降导致用户侧发生低压脱扣而停电；供电首端电压质量良好，但中端和末端电压质量很差等问题。这些用户侧的供电质量问题无疑影响了用户的生产、生活的正常开展。然而，传统上的供电可靠性理论、指标不纳入由于电网侧电能质量的问题导致用户停电的情况，导致当前的供电可靠性分析评估方法并不能真实衡量用户侧的用电可靠性。另一方面，随着近年来越来越多的智能电表与智能终端的安装部署，供电企业可以获得越来越多的用户相关的用电数据和信息，而海量的用户侧电能量数据如何梳理应用就成为了供电企业面临的新问题。其中，利用用户电能量数据来指导开展用户侧的供电可靠性工作就是一个可行且有效的应用途径。电网侧供电可靠性不良时，用户的用电可靠性一定不佳，所以计算用户用电可靠性时，离不开传统的电网侧可靠性评估；当有电能质量问题事件发生，导致电网侧供电可靠性良好而用户用电可靠性不佳时，往往需要通过对大量的负荷数据进行挖掘，才能分析得出用户用电可靠性在本次电能质量问题事件中所受的影响，所以计算用户用电可靠性也离不开数据挖掘。因此，本专利技术综合运用了可靠性计算模型和数据挖掘方法，提出一种新颖的配电网用电可靠性分析方法。
技术实现思路
本专利技术提供一种基于模型驱动和数据驱动结合的用户用电可靠性分析方法，综合运用了可靠性计算模型和数据挖掘方法，提供了能反映配电网用户真实用电体验的可靠性计算方法。为解决上述技术问题，本专利技术的技术方案如下：一种基于模型驱动和数据驱动结合的用户用电可靠性分析方法，包括以下步骤：S1：输入模型驱动的电网侧可靠性评估所需数据，所需数据包括元件连接关系；S2：根据S1输入的数据，利用故障模式后果分析法评估电网侧可靠性；S3：输入数据驱动的用户侧可靠性修正所需数据；S4：对S3输入的数据进行清洗和分类；S5：对经S4处理后的数据进行拟合，形成各负荷点每月各类日的标准负荷曲线；S6：对经S4处理后的数据进行拟合，形成各负荷点每个电能质量事件日的负荷曲线；S7：将S5的标准负荷曲线与S6的每个电能质量事件日的负荷曲线对比形成对比结果曲线；S8：根据S7形成的对比结果曲线计算出缺供电量及停电时间；S9：根据S7的对比结果曲线和S8的缺供电量及停电时间，修正S2得出的电网侧可靠性，得到用户侧用电可靠性；S10：输出用户侧用电可靠性的系统级可靠性指标。优选地，所述步骤S1中模型驱动的电网侧可靠性评估所需数据包括待分析的配电网所有元件（线路、变压器、熔断器、断路器、分段开关、联络开关、负荷）的可靠性参数（元件年故障率、元件平均故障修复时间）、元件连接关系、各负荷点的平均负荷和用户数、分段开关与联络开关的手动操作时间、所有开关元件（熔断器、断路器、分段开关、联络开关）的不可靠开断或闭合的概率；步骤S1中模型驱动的电网侧可靠性评估所需数据均统一为矩阵branch，其中矩阵branch各行代表配电网各个元件，矩阵branch第一列和第二列分别为元件的首节点和末节点，表征了配电网各元件的连接关系；第三列表征元件的类型；第四列和第五列分别为元件的年故障率和平均故障修复时间；第六列存放线路元件的长度，若该元件不是线路，则其第六列元素为null；第七列存放负荷点的平均负荷；第八列存放负荷点的用户数；第九列存放所有开关元件的不可靠开断或闭合的概率；第十列存放分段开关与联络开关的手动操作时间。优选地，步骤S2中的故障模式后果分析法具体为：通过对矩阵branch第一、二列元素进行拓扑搜索，找出从电源点到主馈线末端节点之间的路径，即主馈线；然后遍历配电网中的各个元件，分别假设每个元件故障，分析本次故障引起哪些开关元件断开或闭合，从而得到本次故障下每个负荷点的故障停电次数与停电时间；最后根据每个负荷点的故障停电次数与停电时间计算出负荷点的年故障率、年平均故障停电时间，从而计算出整个配电网系统的系统级可靠性指标，包括系统平均停电时间SAIDI、系统平均停电频率SAIFI、停电用户平均停电时间CAIDI、供电可靠率ASAI和期望缺供电量ENS，其计算公式具体为：系统平均停电时间SAIDI：其中，是负荷点的用户数，是负荷点的等值年平均故障停运时间；系统平均停电频率SAIFI：其中，是负荷点的年故障率；停电用户平均停电时间CAIDI：平均供电可靠率ASAI：期望缺供电量ENS：其中，是负荷点的年平均负荷。优选地，数据驱动的用户侧可靠性修正是指通过对负荷点的负荷数据和配电网监测点的电能质量问题事件的记录数据进行挖掘，分析出电网侧无故障停电时，由于电能质量较差导致用户的停电次数与停电时间，以此修正步骤S2计算得到的SAIDI、SAIFI、CAIDI、ASAI和ENS，从而得到描述用户侧用电可靠性的系统级可靠性指标SAIDI、SAIFI、CAIDI、ASAI和ENS，步骤S3中数据驱动的用户侧可靠性修正所需数据包括待分析的配电网所有负荷点近三年的负荷数据（即有功功率，由智能电表或其他智能采集终端采集，颗粒度为3分钟采集一次数据，一天采集480个数据）、待分析的配电网近三年的停电事件记录（包括故障停电和预安排停电，安排了备用电源的预安排停电事件不纳入其中）和电能质量问题事件记录（包括持续低电压事件、电压暂降事件、短时中断事件）。优选地，步骤S4中对S3输入的数据进行清洗和分类具体指不满意数据的剔除和缺失数据的填充：清洗：智能采集终端的可靠性较高，一般不会出现数据采集误差超过可接受范围的情况，但是由于终端与主站通信链路短时失效等原因，可能会出现数据缺失的情况。终端每隔3分钟采集一次负荷点的有功功率，正常情况下一天内可以采集到480个数据，若一天内负荷点的负荷数据存在10个或以上连续的采集数据丢失，则该负荷点这一本文档来自技高网...

【技术保护点】
1.一种基于模型驱动和数据驱动结合的用户用电可靠性分析方法，其特征在于，包括以下步骤：/nS1：输入模型驱动的电网侧可靠性评估所需数据，所需数据包括元件连接关系；/nS2：根据S1输入的数据，利用故障模式后果分析法评估电网侧可靠性；/nS3：输入数据驱动的用户侧可靠性修正所需数据；/nS4：对S3输入的数据进行清洗和分类；/nS5：对经S4处理后的数据进行拟合，形成各负荷点每月各类日的标准负荷曲线；/nS6：对经S4处理后的数据进行拟合，形成各负荷点每个电能质量事件日的负荷曲线；/nS7：将S5的标准负荷曲线与S6的每个电能质量事件日的负荷曲线对比形成对比结果曲线；/nS8：根据S7形成的对比结果曲线计算出缺供电量及停电时间；/nS9：根据S7的对比结果曲线和S8的缺供电量及停电时间，修正S2得出的电网侧可靠性，得到用户侧用电可靠性；/nS10：输出用户侧用电可靠性的系统级可靠性指标。/n

【技术特征摘要】
1.一种基于模型驱动和数据驱动结合的用户用电可靠性分析方法，其特征在于，包括以下步骤：
S1：输入模型驱动的电网侧可靠性评估所需数据，所需数据包括元件连接关系；
S2：根据S1输入的数据，利用故障模式后果分析法评估电网侧可靠性；
S3：输入数据驱动的用户侧可靠性修正所需数据；
S4：对S3输入的数据进行清洗和分类；
S5：对经S4处理后的数据进行拟合，形成各负荷点每月各类日的标准负荷曲线；
S6：对经S4处理后的数据进行拟合，形成各负荷点每个电能质量事件日的负荷曲线；
S7：将S5的标准负荷曲线与S6的每个电能质量事件日的负荷曲线对比形成对比结果曲线；
S8：根据S7形成的对比结果曲线计算出缺供电量及停电时间；
S9：根据S7的对比结果曲线和S8的缺供电量及停电时间，修正S2得出的电网侧可靠性，得到用户侧用电可靠性；
S10：输出用户侧用电可靠性的系统级可靠性指标。


2.根据权利要求1所述的基于模型驱动和数据驱动结合的用户用电可靠性分析方法，其特征在于，所述步骤S1中模型驱动的电网侧可靠性评估所需数据包括待分析的配电网所有元件的可靠性参数、元件连接关系、各负荷点的平均负荷和用户数、分段开关与联络开关的手动操作时间、所有开关元件的不可靠开断或闭合的概率；
步骤S1中模型驱动的电网侧可靠性评估所需数据均统一为矩阵branch，其中矩阵branch各行代表配电网各个元件，矩阵branch第一列和第二列分别为元件的首节点和末节点，表征了配电网各元件的连接关系；第三列表征元件的类型；第四列和第五列分别为元件的年故障率和平均故障修复时间；第六列存放线路元件的长度，若该元件不是线路，则其第六列元素为null；第七列存放负荷点的平均负荷；第八列存放负荷点的用户数；第九列存放所有开关元件的不可靠开断或闭合的概率；第十列存放分段开关与联络开关的手动操作时间。


3.根据权利要求2所述的基于模型驱动和数据驱动结合的用户用电可靠性分析方法，其特征在于，步骤S2中的故障模式后果分析法具体为：
通过对矩阵branch第一、二列元素进行拓扑搜索，找出从电源点到主馈线末端节点之间的路径；然后遍历配电网中的各个元件，分别假设每个元件故障，分析本次故障引起哪些开关元件断开或闭合，从而得到本次故障下每个负荷点的故障停电次数与停电时间；最后根据每个负荷点的故障停电次数与停电时间计算出负荷点的年故障率、年平均故障停电时间，从而计算出整个配电网系统的系统级可靠性指标，包括系统平均停电时间SAIDI、系统平均停电频率SAIFI、停电用户平均停电时间CAIDI、供电可靠率ASAI和期望缺供电量ENS。


4.根据权利要求3所述的基于模型驱动和数据驱动结合的用户用电可靠性分析方法，其特征在于，步骤S3中数据驱动的用户侧可靠性修正所需数据包括待分析的配电网所有负荷点近三年的负荷数据、待分析的配电网近三年的停电事件记录和电能质量问题事件记录。


5.根据权利要求4所述的基于模型驱动和数据驱动结合的用户用电可靠性分析方法，其特征在于，步骤S4中对S3输入的数据进行清洗和分类具体为：
清洗：若一天内负荷点的负荷数据存在10个或以上连续的采集数据丢失，则该负荷点这一天的负荷数据为不满意数据，应舍弃掉，设该负荷点近三年的负荷数据经过剔除后，剩余T天的负荷数据，对负荷点T天的负荷数据进行检查，若存在一天内的数据少于480个，则对该天的负荷数据进行填充，具体地，首先找到缺失数据的时间点，然后找到该时间点最邻近的前面一个和后面一个不缺失数据的时间点a和b，作一条经过时间点a和b的负荷数据的直线，该直线上对应缺失数据的时间点的纵坐标值作为对缺失数据的时间点的负荷数据填充值；
分类：对每个负荷点近三年的负荷数据进行剔除和填充后，以一天的负荷数据为数据分类的最小单元，首先根据停电事件记录和电能质量问题事件记录，把T天的负荷数据分为3类：把存在电网侧停电事件的日期对应的当天负荷数据筛选出来，得到T1天停电日的负荷数据；把不存在电网侧停电事件但存在电能质量问题事件的日期对应的当天负荷数据筛选出来，得到T2天电能质量问题日的负荷数据；其余日期对应的当天负荷数据是正常日的负荷数据，设共有T3天；然后把T3天正常日的负荷数据按月份分成12类，再把属于同一个月份内三年的负荷数据按工作日与休息日分成2类，至此，每个负荷点T3天正常日的负荷数据被分为了24类。


6.根据权利要求5所述的基于模型驱动和数据驱动结合的用户用电可靠性分析方法，其特征在于，步骤S5中标准负荷曲线的拟合具体为：
依次遍历每个负荷点，依次遍历24类正常日的负荷数据，对同一类的负荷...

【专利技术属性】
技术研发人员：曾庆辉，刘昊，刘少辉，梁年柏，李兰茵，赖艳珊，刘崧，欧晓妹，蒋鹏为，
申请(专利权)人：广东电网有限责任公司佛山供电局，
类型：发明
国别省市：广东;44