基于关联分析与机器学习的配网台区重过载预测方法

基于关联分析与机器学习的配网台区重过载预测方法

张国宾，王晓蓉，邓春宇

中国电力科学研究院，北京 100192

摘要：针对配电网运行中长期存在的台区重过载问题，提出基于关联规则挖掘的重过载影响因素分析方法，从设备和用户属性、自然环境、短期负荷特性中挖掘针对各类重过载事件的关联规则。从关联项中提取重过载影响因素，并基于机器学习模型，建立重过载事件预测模型，实现对重过载事件的短期预测。最后利用业务系统实际数据，对所提方法进行了效果验证。算例结果表明，新方法能够更为系统、全面地刻画重过载事件，提出的重过载预测模型在命中率和准确率方面表现良好。

关键词：台区重过载；关联分析；机器学习

doi:10.11959/j.issn.2096-0271.2018011

论文引用格式：张国宾, 王晓蓉, 邓春宇. 基于关联分析与机器学习的配网台区重过载预测方法[J]. 大数据, 2018, 4(1): 105-116.

ZHANG G B, WANG X R, DENG C Y. Prediction method in distribution transformer heavy and overload supply areas with relevance analyze and machine learning[J]. Big Data Research, 2018, 4(1): 105-116.

1  引言

配变台区作为面向低压用户的最末一级供电单位，台区供电设备的运行状态直接影响台区内的供电质量。设备的重过载运行是引起故障停电的主要原因之一，而重过载现象通常也伴随着三相不平衡、电压偏移等其他问题，严重影响用户安全可靠用电。此外，设 备长时间处于重过载状态会加快元件的非正常损耗，降低设备使用寿命，给电网带来故障隐患和运行风险。因此，台区重过载治理一直是配网运维检修工作的重要内容。

目前，对于配变台区的重过载治理通常分为事中监测和事后处理两个阶段，即实时监测配变运行情况，在发现重过载事件后，向运维人员发出告警信息，然后由现场专工根据具体情况采取相应措施进行处理。在大部分情况下，考虑到实际工况中允许设备短时间重过载运行，为保证持续供电，对一般的重过载事件只进行监测，对频繁出现重过载的配变进行报备，并列入周期性技术改造大修计划。而对于可能或已经造成停电的重过载事件，可以通过切改用户线路或临时替换大容量变压器消除重过载现象，但临时停电依然不可避免。

在现有设备水平和电网运行技术条件下，较为理想的重过载治理方式仍是通过合理地安排技术改造大修计划，及时进行调整用户线路和配变增容，减少非计划停电。因此开展重过载影响因素分析并实现事前预测，对于及时发现重过载隐患、优化设备升级改造计划具有重要作用[1]。

在理论研究方面，参考文献[2,3]分析了气象指标、用电类别、行业类别与配变重过载发生概率的变化关系，并就可能的重过载成因进行了初步探讨，最后利用基于随机森林理论改进的决策树模型对配变重过载状态进行预测。参考文献[4]面向负荷增长较快的高速发展区域， 从用户、气象和历史负荷出发，提出基于逻辑回归的重过载中长期预测方法，但未给出逻辑回归模型中各项参数的选择过程，方法中对重过载的定义也与参考文献[2]中不同。参考文献[5]针对春节期间的重过载现象，提出基于 BP神经网络与灰色模型的重过载预测方法。将春节前后配电变压器的负荷变化作为模型输入对负载率进行预测，进而判断设备重过载情况。通过该方法获取的重过载预测模型不具备泛化能力，也不能适应大规模配电网的快速分析。参考文献[6]以一周为周期，对6 000个居民用户台区每周同一天共7类负荷曲线进行了研究，并加入气象和经济数据，采用不同的机器学习方法对负荷曲线进行了预测。但该方法忽略了负荷的季度年度规律，且对异常值较为敏感，预测效果受到了影响。参考文献[7]基于线性回归模型讨论了在聚合和分解两种模型处理下预测效果的差异，通过算例说明了通过对训练节点进行分解能够有效提高负荷预测精度，但算例只采用了天气和时间数据用于模型训练，对配变负荷影响因素分析不足。参考文献[8]提出了一种趋势分析与指数加权模型的超短期负荷预测方法，该方法能够提高对负荷峰谷的预测精度，且对负荷缺失值和异常值有较好的适应性。参考文献[9]在基本的气象指标之外，研究了风寒指数、空气污染指数、人体舒适指数等气象指数与配变重过载的关系，在此基础上运用小波神经网络（wavelet neural network，WNN）模型对配变负荷进行预测。

在应用实践方面，国网黑龙江省电力有限公司哈尔滨供电公司[10]依托运监中心数据开展重过载监测，同时利用配电变压器型号、设备容量、运行年限等设备台账信息排查重过载隐患。国网福建省电力有限公司福州供电公司[11]针对城网公变开展重过载预测研究，从风险角度对重过载配电变压器进行多方面综合评估，能够在一定程度上指导运维工作，但模型效果仍有提升空间。

由上可见，目前的研究大多数仍然以配变负荷预测为切入点，包括利用历史负荷数据外推负荷的典型变化规律，加入气象条件、经济指标等外部间接因素分析与负荷的关联程度，尝试采用各类机器学习方法构建负荷预测模型，最后基于负荷预测结果对重过载进行判断。但目前各类负荷预测方法在预测精度上的局