劉飛，賁樹俊，周嘉，鄧松，毛艷芳，馮鵬，楊佩

（1.國網(wǎng)南通供電公司，江蘇南通 226000；2.南京郵電大學(xué)，江蘇南京 210000；3.全球能源互聯(lián)網(wǎng)研究院，江蘇南京 210000）

面向配網(wǎng)臺區(qū)的綜合評價(jià)模型研究與可視化應(yīng)用

劉飛1，賁樹俊1，周嘉1，鄧松2，毛艷芳1，馮鵬1，楊佩3

（1.國網(wǎng)南通供電公司，江蘇南通 226000；2.南京郵電大學(xué)，江蘇南京 210000；3.全球能源互聯(lián)網(wǎng)研究院，江蘇南京 210000）

隨著配電網(wǎng)規(guī)模的不斷擴(kuò)大，海量異構(gòu)數(shù)據(jù)呈指數(shù)級增長，為了提高配電網(wǎng)的運(yùn)維管理水平，解決配網(wǎng)建設(shè)、規(guī)劃中的諸多問題。文中提出基于大數(shù)據(jù)、GIS、可視化技術(shù)，從配網(wǎng)最小單元臺區(qū)入手，利用Kmean聚類分析、主客觀權(quán)重加成、神經(jīng)網(wǎng)絡(luò)等方法建立配網(wǎng)臺區(qū)綜合評價(jià)模型，并利用可視化技術(shù)對評價(jià)結(jié)合進(jìn)行多維立體展示，讓工作人員快速定位問題，找出問題臺區(qū)；從而對配網(wǎng)線路、變電站及整個(gè)臺區(qū)的運(yùn)維狀態(tài)充分把握，提升問題異動(dòng)分析的精確度，通過實(shí)踐所提內(nèi)容切實(shí)可行，能夠?qū)ε_區(qū)狀態(tài)進(jìn)行立體展示，促進(jìn)整體配網(wǎng)運(yùn)維與規(guī)劃。

配網(wǎng)臺區(qū)；神經(jīng)網(wǎng)絡(luò)；評價(jià)模型；大數(shù)據(jù)；可視化

隨著配電自動(dòng)化、用電信息采集等應(yīng)用系統(tǒng)的推廣，對于有千條饋線的大規(guī)模配電網(wǎng)，配電網(wǎng)中會產(chǎn)生指數(shù)級增長的海量異構(gòu)數(shù)據(jù)[1]，來源主要是生產(chǎn)數(shù)據(jù)和運(yùn)營管理數(shù)據(jù)，其中，生產(chǎn)數(shù)據(jù)主要包括生產(chǎn)、發(fā)電量、電壓等實(shí)時(shí)性數(shù)據(jù)，電網(wǎng)運(yùn)營管理數(shù)據(jù)主要包括客戶信息、電價(jià)水平、管理系統(tǒng)、銷售電量、企業(yè)ERP等信息數(shù)據(jù)[2]。利用這些數(shù)據(jù)，對配網(wǎng)運(yùn)行管理的水平進(jìn)行綜合評價(jià)。

目前對臺區(qū)的評價(jià)多為針對單個(gè)指標(biāo)的評價(jià)，比如電壓合格率，但對某些特定類型的臺區(qū)、用戶，對電壓合格率的敏感度不高，因此單獨(dú)用電壓合格率這個(gè)指標(biāo)來判斷該臺區(qū)的好處有失公允。本文針對負(fù)荷特性對臺區(qū)進(jìn)行聚類分析，對每一類臺區(qū)利用方差及專家主觀權(quán)重加成，形成一系列指標(biāo)的綜合計(jì)算，得出結(jié)果，并通過神經(jīng)網(wǎng)絡(luò)不斷訓(xùn)練、優(yōu)化，完善評價(jià)模型。利用大數(shù)據(jù)強(qiáng)大的數(shù)據(jù)存儲與計(jì)算能力，將每一天每一個(gè)臺區(qū)的指標(biāo)數(shù)據(jù)、評價(jià)數(shù)據(jù)保存下來[3]?；贕IS，從臺區(qū)、線路、變電站、供電所等維度，結(jié)合時(shí)間維度，形成綜合全方位立體式的展示。

1 綜合評價(jià)系統(tǒng)

配網(wǎng)綜合評價(jià)系統(tǒng)整體架構(gòu)如圖1所示。

圖1 系統(tǒng)整體架構(gòu)圖Fig.1 System architecture diagram

如圖1中所示，底層數(shù)據(jù)來源為用電信息采集系統(tǒng)、PMS（production management system，PMS）等。數(shù)據(jù)經(jīng)采集系統(tǒng)處理后存入大數(shù)據(jù)平臺，數(shù)據(jù)處理之前首先進(jìn)行數(shù)據(jù)預(yù)處理部分，經(jīng)過數(shù)據(jù)清洗、異常數(shù)據(jù)處理、數(shù)據(jù)歸一化、狀態(tài)估計(jì)及指標(biāo)計(jì)算操作之后進(jìn)行數(shù)據(jù)建模。主要的數(shù)據(jù)建模方向有臺區(qū)指標(biāo)權(quán)重動(dòng)態(tài)生成模型和配電網(wǎng)臺區(qū)指標(biāo)評價(jià)模型；數(shù)據(jù)建模的過程中會對評價(jià)模型根據(jù)實(shí)時(shí)分析結(jié)果進(jìn)行動(dòng)態(tài)修正；數(shù)據(jù)分析模塊，指標(biāo)動(dòng)態(tài)分析、運(yùn)維管理分析、故障分析等多維度分析；可視化模塊結(jié)合基于GIS的可視化手段，將指標(biāo)、建模過程、評價(jià)過程、評價(jià)結(jié)果在地圖上充分展現(xiàn)，刻畫出精確形象的配網(wǎng)運(yùn)行狀態(tài)圖。

1.2 數(shù)據(jù)抽取與預(yù)處理

采用數(shù)據(jù)存在于海量實(shí)時(shí)庫中，以測點(diǎn)形式存放。分2步實(shí)現(xiàn)從海量實(shí)時(shí)庫到Hadoop的抽取與預(yù)處理。1）利用Java程序?qū)崿F(xiàn)對海量平臺增量數(shù)據(jù)采集的功能，在本功能中，海量平臺需要提供查詢數(shù)據(jù)的接口，此接口應(yīng)包含時(shí)間范圍、表名、查詢條件等參數(shù)，通過配置相應(yīng)的參數(shù)來調(diào)用海量平臺接口，以獲取相應(yīng)的數(shù)據(jù)。由于采用調(diào)用遠(yuǎn)程接口的方式來獲取海量平臺上的數(shù)據(jù)，所以會存在網(wǎng)絡(luò)異常的情況，針對這種情況，利用記錄時(shí)間標(biāo)簽的方法來解決，在執(zhí)行獲取數(shù)據(jù)的方法之前，先判斷網(wǎng)絡(luò)連接是否正常，如果不正常會記錄相應(yīng)的日志，并記錄相應(yīng)的時(shí)間標(biāo)簽，等網(wǎng)絡(luò)環(huán)境正常時(shí)，根據(jù)記錄的日期標(biāo)簽，重新執(zhí)行程序，并重新獲取此日期對應(yīng)的數(shù)據(jù)。2）在將海量平臺中的增量數(shù)據(jù)獲取之后，那么就需要將數(shù)據(jù)導(dǎo)入到大數(shù)據(jù)平臺。但在做這個(gè)操作之前，先校驗(yàn)一下獲取的數(shù)據(jù)，是否正常，比如判斷一下數(shù)據(jù)是否存在空值、負(fù)值的情況，這些異常數(shù)據(jù)將會被舍棄。導(dǎo)入時(shí)同樣利用時(shí)間標(biāo)簽的方式解決網(wǎng)絡(luò)異常的情況。

1.3 聚類分析

綜合評價(jià)的第一步，先進(jìn)行聚類分析。我們以配電網(wǎng)的最小單元臺區(qū)為抓手，結(jié)合變電站、線路等指標(biāo)，建立彈性的多層次的模型。為了更好地進(jìn)行配電網(wǎng)臺區(qū)評價(jià)建模，需要在現(xiàn)有配電網(wǎng)臺區(qū)數(shù)據(jù)基礎(chǔ)上配合人工判讀構(gòu)建配電網(wǎng)電臺區(qū)自豪表的樣本數(shù)據(jù)庫。系統(tǒng)管轄范圍內(nèi)配電網(wǎng)臺區(qū)數(shù)量眾多，直接從配電網(wǎng)臺區(qū)中選擇一定數(shù)量的臺區(qū)進(jìn)行人工判讀。構(gòu)建配電網(wǎng)臺區(qū)指標(biāo)評價(jià)樣本會導(dǎo)致樣本數(shù)據(jù)的不均衡，無法真實(shí)反映所在配電網(wǎng)臺區(qū)的運(yùn)行情況，本系統(tǒng)中采用數(shù)據(jù)挖掘技術(shù)對現(xiàn)有的配電網(wǎng)臺區(qū)進(jìn)行聚類，根據(jù)聚類結(jié)果區(qū)分不同類別的臺區(qū)；從每一類中選擇若干條數(shù)據(jù)構(gòu)成待建模的配電網(wǎng)指標(biāo)評價(jià)樣本數(shù)據(jù)表。

從底層用電信息采集系統(tǒng)，采集到的數(shù)據(jù)源中對數(shù)據(jù)進(jìn)行預(yù)處理，然后做聚類操作。從數(shù)據(jù)庫中提取的有功功率數(shù)據(jù)是來自所有配網(wǎng)臺區(qū)的；不同臺區(qū)之間功率值數(shù)據(jù)差異很大，直接聚類會導(dǎo)致數(shù)據(jù)量級的差異掩蓋實(shí)際用電特征的差異，一般在聚類操作之前會采用公式1.1將原功率數(shù)據(jù)進(jìn)行歸一化處理[4]。具體的預(yù)處理過程如下：1）填充NA值、清除噪音數(shù)據(jù)，處理后數(shù)據(jù)如表1所示。

表1 預(yù)處理功率數(shù)據(jù)Tab.1 Pre-processing power data

2）功率數(shù)據(jù)歸一化

其中：pij為某臺區(qū)序號在統(tǒng)計(jì)時(shí)間范圍內(nèi)的功率均值；i代表表中的第i行；j為時(shí)間節(jié)點(diǎn)；pij即第i行的j時(shí)間點(diǎn)上的功率。代表對應(yīng)id用戶的最小功率，代表對應(yīng)臺區(qū)序號用戶的最大功率。功率數(shù)據(jù)通過公式計(jì)算得到歸一化[6]后的數(shù)據(jù)如下表2所示。

表2 歸一化數(shù)據(jù)示例表Tab.2 Data uniformization example

使用K-means算法，將功率進(jìn)行聚類[5]，根據(jù)聚類后類間距離和類內(nèi)距離的變化，選取最佳聚類個(gè)數(shù)為4。如圖2和圖3所示。

圖2 類內(nèi)距離變化圖Fig.2 Inner class distance variation

圖3 類間距離變化圖Fig.3 Distance variation between classes

圖2和圖3分別表示聚類時(shí)的類內(nèi)距離和類間距離變化圖。其中圖2表示隨著聚類個(gè)數(shù)的變化，類內(nèi)距離的變化情況；圖3表示隨著聚類個(gè)數(shù)的變化，類間距離的變化情況。綜合2圖，可以看出，當(dāng)聚類個(gè)數(shù)大于4時(shí)，類內(nèi)距離和類間距離變得比較平緩，所以本文選擇聚類個(gè)數(shù)為4。

經(jīng)聚類分析后，得到圖4所示的4個(gè)類別的中心點(diǎn)曲線。

如圖4聚類中心點(diǎn)圖所示，可以將臺區(qū)分為4類：第一類，在功率曲線方面，該類臺區(qū)的用電有明顯的雙峰特征，上午用電屬四類臺區(qū)中用電量最高的一類，且包含的臺區(qū)個(gè)數(shù)較少，說明該類臺區(qū)的用戶主要是各類公司、企業(yè)等用戶；從地理分布來看，該類臺區(qū)主要集中于各個(gè)區(qū)縣的中心，經(jīng)過臺區(qū)配置信息表驗(yàn)證，該類臺區(qū)的非居民容量最高，供售電量也是四類中最多的，說明上面的推斷符合事實(shí)。第二類，在功率曲線方面，該類臺區(qū)在早午時(shí)段有個(gè)用電小高峰，晚上用電量最高，且該類包含的臺區(qū)數(shù)量最多，推測該類臺區(qū)的用電對象為居民；從地理分布來看，該類臺區(qū)廣泛分布于各個(gè)區(qū)縣，說明人口分布東密西疏；從臺區(qū)的配置信息表驗(yàn)證，該類臺區(qū)的居民容量最高，而非居民容量最低，充分說明推測和實(shí)際數(shù)據(jù)相近。第三類，在功率曲線方面，整體功率都偏低，且有規(guī)律性的波動(dòng)，判定該類臺區(qū)的用電量較少，臺區(qū)的用戶屬空載；從地理分布來看，該類臺區(qū)主要集中在某縣區(qū)，說明海安縣的空載用戶較多；從臺區(qū)的配置信息表驗(yàn)證，該類臺區(qū)供售電量最小，這和推測的結(jié)果還是比較一致的。第四類，在功率曲線方面，該類臺區(qū)有白天用電量較小，而晚間用電量較高，說明該類用戶錯(cuò)峰用電，推測該類臺區(qū)的對象主要是需要夜間錯(cuò)峰作業(yè)的工廠；從地理分布分布來看，該類臺區(qū)在市區(qū)和工業(yè)發(fā)達(dá)區(qū)分布較多，其他區(qū)縣分布較為稀疏；經(jīng)臺區(qū)的配置信息表驗(yàn)證，該類臺區(qū)的供售電量偏低，居民容量最低，說明上面的推測可靠。

圖4 聚類中心點(diǎn)圖Fig.4 Clustering centers

1.4 綜合評價(jià)

臺區(qū)評價(jià)指標(biāo)針對供電公司采集到的電壓、電流和功率3種數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗、去除N/A值等操作后提取包括電壓合格率、峰谷差率、最小負(fù)荷率、負(fù)荷率、供電可靠性、三相不平衡率、功率因數(shù)、配變最大負(fù)載率8項(xiàng)數(shù)據(jù)指標(biāo)。數(shù)據(jù)分析的流程如圖5所示。系統(tǒng)測試階段針對聚類特征為居民類別的50個(gè)臺區(qū)的功率數(shù)據(jù)進(jìn)行了分析。

從數(shù)據(jù)查詢結(jié)果中提取數(shù)據(jù)對象，包括電壓，電流及功率數(shù)據(jù)。對各個(gè)指標(biāo)進(jìn)行計(jì)算之后獲得指標(biāo)值?；诜讲钬暙I(xiàn)度的綜合評價(jià)模型方法，通過式2分別計(jì)算每個(gè)指標(biāo)的方差，并通過公式3將其轉(zhuǎn)換為權(quán)重。

圖5 數(shù)據(jù)處理流程圖Fig.5 Data processing flow

根據(jù)計(jì)算獲得的動(dòng)態(tài)權(quán)重，利用基于方差貢獻(xiàn)度的方法式（4）來計(jì)算配電網(wǎng)臺區(qū)的綜合評價(jià)值

對準(zhǔn)備好的數(shù)據(jù)進(jìn)行數(shù)據(jù)建模，隱層個(gè)數(shù)的選擇和最佳迭代次數(shù)的選擇分別如圖6圖7所示。根據(jù)經(jīng)驗(yàn)，隨著隱層神經(jīng)元[7]個(gè)數(shù)的變化，當(dāng)誤差第一次出現(xiàn)最小值時(shí)，對應(yīng)的神經(jīng)元個(gè)數(shù)即為最佳的隱層神經(jīng)元個(gè)數(shù)[8]，見圖6。同理，為了尋找最佳迭代次數(shù)，隨著迭代次數(shù)的增加，當(dāng)誤差變化逐漸變得平穩(wěn)時(shí)，對應(yīng)的迭代次數(shù)就是最佳迭代次數(shù)[9]，見圖7。

圖6 隱層最佳神經(jīng)單元個(gè)數(shù)選擇Fig.6 Best choice of hidden layer neural unit number

圖7 神經(jīng)網(wǎng)絡(luò)最佳迭代次數(shù)選擇Fig.7 Best choice of neural network iterations number

在配網(wǎng)臺區(qū)指標(biāo)評價(jià)樣本數(shù)據(jù)構(gòu)建的基礎(chǔ)上，針對每一個(gè)配電網(wǎng)臺區(qū)評價(jià)特征分別采用神經(jīng)網(wǎng)絡(luò)來構(gòu)建模型[10]。神經(jīng)網(wǎng)絡(luò)模型構(gòu)造如下：

1.5 評價(jià)結(jié)果

評價(jià)結(jié)果為一個(gè)得分矩陣，如表3所示：

表3 評價(jià)結(jié)果表Tab.3 Evaluation result

表3中顯示實(shí)際為運(yùn)行良好、一般、較差的臺區(qū)均能夠?qū)崿F(xiàn)正確分類。總體來看，模型的準(zhǔn)確率達(dá)到：（28+1 493+29）/1 550=100%。

上述分析過程來看，其實(shí)模糊綜合評價(jià)方法和神經(jīng)網(wǎng)絡(luò)方法兩者的作用相似。采用模糊綜合評價(jià)方法的原因是苦于現(xiàn)在沒有歷史的對于臺區(qū)評價(jià)的值，所以借助綜合評價(jià)的方法，根據(jù)歷史的相關(guān)指標(biāo)數(shù)據(jù)先計(jì)算臺區(qū)的評價(jià)值[12]。在此基礎(chǔ)上，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，獲取合適的權(quán)重值，使其能夠?qū)淼呐_區(qū)做出評價(jià)。

考慮到現(xiàn)在采用臺區(qū)評價(jià)的實(shí)現(xiàn)方法，無法從業(yè)務(wù)角度解釋，嘗試從關(guān)聯(lián)分析的角度來說明各個(gè)指標(biāo)和評價(jià)值之間的直接關(guān)系，在支撐度為0.1，置信度為0.8的水平下，共發(fā)現(xiàn)關(guān)聯(lián)規(guī)則326條，具體的關(guān)聯(lián)關(guān)系如下：

從圖8可以看出，關(guān)聯(lián)規(guī)則在左上角比較多，這部分關(guān)聯(lián)規(guī)則的特點(diǎn)是支撐度較低而置信度較高，關(guān)聯(lián)關(guān)系的兩者同時(shí)發(fā)生的概率較低，但前項(xiàng)發(fā)生后后項(xiàng)發(fā)生的概率較大，且這部分關(guān)聯(lián)規(guī)則的提升度也比較高[14]。充分說明：指標(biāo)的變化對臺區(qū)的評價(jià)值有明顯影響[11]。當(dāng)限制前項(xiàng)個(gè)數(shù)為2個(gè)時(shí)，還剩余關(guān)聯(lián)規(guī)則6條，如下圖9的規(guī)律

圖8 關(guān)聯(lián)規(guī)則散點(diǎn)圖Fig.8 Scatter-plot association rules

圖9 關(guān)聯(lián)規(guī)則Fig.9 Scatter-plot association

三相不平衡率的減少會導(dǎo)致臺區(qū)狀態(tài)的變差，相反，三相不平衡率的增加也會使臺區(qū)狀態(tài)變好，說明三相不平衡率和臺區(qū)的狀態(tài)有極強(qiáng)的關(guān)聯(lián)關(guān)系。從關(guān)聯(lián)規(guī)則的圖上來看，可以得出負(fù)荷率的增加會導(dǎo)致臺區(qū)的狀態(tài)惡化。

1.6 系統(tǒng)可視化

將配網(wǎng)指標(biāo)、評價(jià)過程、評價(jià)結(jié)果進(jìn)行可視化，結(jié)合GIS空間信息與基礎(chǔ)數(shù)據(jù)，突出數(shù)據(jù)特征。

圖10顯示了部分典型可視化應(yīng)用界面，a圖為某臺區(qū)一年的綜合評價(jià)得分日歷圖，通過日歷圖可能清楚地看到評價(jià)的好壞及變化趨勢；b圖顯示了臺區(qū)聚類分析的結(jié)果，不同種類的臺區(qū)按顏色區(qū)分，便于分析某一類臺區(qū)的分布特性；c圖為臺區(qū)的采用數(shù)據(jù)展示，可以直觀地看到電流、電壓和功率的情況；d圖為按臺區(qū)分布自動(dòng)勾勒出的所屬變電站供電范圍色塊圖，從更上層的角度去分析配網(wǎng)運(yùn)行狀態(tài)。

圖10 可視化示例圖Fig.10 Visualization example

2 總結(jié)

本文介紹了配網(wǎng)臺區(qū)綜合評價(jià)系統(tǒng)，特點(diǎn)在于根據(jù)負(fù)荷特性先將臺區(qū)進(jìn)行聚類，對第一類臺區(qū)，賦予不同的評價(jià)指標(biāo)與權(quán)重加成，同時(shí)結(jié)合大數(shù)據(jù)存儲與計(jì)算能力，將明細(xì)數(shù)據(jù)進(jìn)行保存，便于向上收斂，查看臺中區(qū)所屬線路、變電站等的狀況，以做進(jìn)一步深入分析；向下能探清明細(xì)，定位問題。在評價(jià)的過程中，可以發(fā)現(xiàn)一些規(guī)律，比如三相不平衡率、負(fù)荷率對臺區(qū)打分的影響情況[15]。最后，在可視化方面，基于輕量GIS的展示，能夠?qū)υu價(jià)結(jié)果一目了然[13]。當(dāng)然，因?yàn)榕_區(qū)數(shù)量的龐大，幾萬個(gè)、幾十萬個(gè)點(diǎn)的同時(shí)渲染，會對瀏覽器造成一定壓力，性能上會有一些的影響，如何優(yōu)化展示性能，也是值得研究的內(nèi)容。

[1]曹軍威，孫嘉平.能源互聯(lián)網(wǎng)與能源系統(tǒng)[M]．北京：中國電力出版社，2015．CAO Junwei，SUN Jiaping.Energy internet and energy systems[M].Beijing：China Electric Power Press，2015（in Chinese）.

[2] FANG Xi，MISRA Satyajayant，XUE Guoliang，et al．Smart grid，the new and improved power grid：a survey[J]．IEEE Communications Surveys and Tutorials（COMST），2012，14（4）：944-980．

[3]SONG Yaqi，ZHOU Guoliang，ZHU Yongli．Present status and challenges of big data processing in smart grid[J]．Power System Technology，2013，37（4）：927-935．

[4]杜強(qiáng)，孫敏.基于改進(jìn)聚類分析算法的入侵檢測系統(tǒng)研究[J].計(jì)算機(jī)工程與應(yīng)用，2011（11）：106-108，181.DU Qiang，SUN Min.Intrusion detection system based on improved clustering algorithm[J].Computer Engineering and Applications，2011（11）：106-108，181（in Chinese）.

[5]張少敏，趙碩，王保義.基于云計(jì)算和量子粒子群算法的電力負(fù)荷曲線聚類算法研究[J].電力系統(tǒng)保護(hù)與控制，2014，21：93-98.ZHANG Shaomin，ZHAO Shuo，WANG Baoyi.Research of power load curve clustering algorithm based on cloud computing and quantum particle swarm optimization[J].Power System Protection and Control，2014，21：93-98（in Chinese）.

[6]張斌，莊池杰，胡軍，等.結(jié)合降維技術(shù)的電力負(fù)荷曲線集成聚類算法 [J].中國電機(jī)工程學(xué)報(bào)，2015（15）：3741-3749.ZHANG Bin，ZHUANG Chijie，HU Jun，et al.Ensemble clustering algorithm combined with dimension reduction techniques for power load profiles[J].Proceedings of the CSEE，2015（15）：3741-3749（in Chinese）.

[7]李智勇，吳晶瑩，吳為麟，等．基于自組織映射神經(jīng)網(wǎng)絡(luò)的電力用戶負(fù)荷曲線聚類[J].電力系統(tǒng)自動(dòng)化，2008，32（15）：66-70．LI Zhiyong，WU Jingying，WU Weilin，et al.Power customers load profile clustering using the SOM neural network[J].Automation of Electric Power Systems，2008，32（15）：66-70（in Chinese）．

[8]杜莉，張建軍.神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測中的應(yīng)用研究[J].計(jì)算機(jī)仿真，2011（10）：297-300.DU Li，ZHANG Jianjun.Research on power load forecasting base on neural network[J].Computer Simulation，2011（10）：297-300（in Chinese）.

[9]梁海峰，涂光瑜，唐紅衛(wèi).遺傳神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用[J].電網(wǎng)技術(shù)，2001（1）：49-55.LIANG Haifeng，TU Guangyu，TANG Hongwei.Application of genetic algorithm neural network for short term load forecasting of power system[J].Power System Technology，2001（1）：49-55（in Chinese）.

[10]師彪，李郁俠，于新花，等．基于改進(jìn)粒子群-徑向基神經(jīng)網(wǎng)絡(luò)模型的短期電力負(fù)荷預(yù)測 [J]．電網(wǎng)技術(shù)，2009，33（7）：180-184．SHI Biao，LI Yuxia，YU Xinhua，et al.Short-term load forecasting based on modified particle swarm optimization and radial basis function neural network model[J].Power System Technology，2009，33（7）：180-184（in Chinese）．

[11]ZHANG Suxiang，LIU Jianming，ZHAO Bingzhen，et al．Cloud computing-based analysis on residential electricity consumption behavior[J]．Power System Technology，2013，37（6）：1542-1546．

[12]CHICCO G，NAPOLI R，PIGLIONE F．Comparisons among clustering techniques for electricity customer classification[J]．IEEE Transactions on Power Systems，2006，21（2）：933-940．

[13]王德文，宋亞奇，朱永利．基于云計(jì)算的智能電網(wǎng)信息平臺[J]．電力系統(tǒng)自動(dòng)化，2010，34（22）：7-12．WANG Dewen，SONG Yaqi，ZHU Yongli.Information platform of smart grid based on cloud computing[J].Automation of Electric Power Systems，2010，34（22）：7-12（in Chinese）．

[14]LIU Youbo，LIU Junyong，ZHAO Yan，et al．Calculation of characteristic attributes of consumer aggregations based on multi-objective clustering[J]．Automation of Electric Power Systems，2009，33（19）：46-51．

[15]肖峻，崔艷妍，王建民，等.配電網(wǎng)規(guī)劃的綜合評價(jià)指標(biāo)體系與方法[J].電力系統(tǒng)自動(dòng)化，2008，32（15）：36-40.XIAO Jun，CUI Yanyan，WANG Jianmin，et al.A hierarchical performance assessment method on the distribution network planning[J].Automation of Electric Power Systems，2008，32（15）：36-40（in Chinese）.

（編輯 張曉娟）

Research and Visualization Application of Comprehensive Evaluation Model for Distribution Network Substation Area

LIU Fei1，BEN Shujun1，ZHOU Jia1，DENG Song2，MAO Yanfang1，F(xiàn)ENG Peng1，YANG Pei3
（1.StateGridNantongPowerSupplyCompany，Nantong260000，Jiangsu，China；2.NanjingUniversityofPostsandElecommunications，Nanjing 210000，Jiangsu，China；3.Global Energy Interconnection Research Institute，Nanjing 210000，Jiangsu，China）

With constant expansion of distribution network，massheterogeneousdatahasshownanexponentialgrowth.Inorder to improve the distribution network operation management and address problems in the distribution network planning and construction，this paper proposes that a comprehensive evaluation model distribution network platform should be built based on GIS，big data and visualization technology.The work starts with the minimum unit of the distribution network and k-mean cluster analysis，subjective and objective weight addition，neural network and other methods are used.The visualization technology can be used for a multidimensional stereoscopic display of the evaluation result，which enables the staff to quickly locate the problem and identify the fault substation area.The staff can thus be fully informed of the operation and maintenance status of distribution network lines，substations and the whole substa tion area，and analyze unusual actions more accurately.The fea sibility of the proposed model has been proved through practice.

distributionnetworkstationarea；neuralnetwork；evaluationmodel；bigdata；visualization

2015-12-11。

劉 飛（1974—），男，碩士，從事數(shù)據(jù)挖掘算法和技術(shù)研究；

賁樹俊（1980—），男，學(xué)士，從事配電網(wǎng)規(guī)劃管理、大數(shù)據(jù)分析研究；

周 嘉（1982—），男，學(xué)士，從事配電網(wǎng)規(guī)劃管理、電網(wǎng)負(fù)荷預(yù)測研究；

鄧 松（1980—），男，博士，副研究員，主要從事電力CPS安全，分布式數(shù)據(jù)挖掘等研究；

毛艷芳（1989—），女，碩士，工程師，從事大數(shù)據(jù)挖掘分析及數(shù)據(jù)可視化研究；

馮 鵬（1984—），男，學(xué)士，工程師，從事電力營銷、運(yùn)營監(jiān)測管理等研究；

楊 佩（1987—），男，學(xué)士，工程師，從事大數(shù)據(jù)分析及可視化研究。

1674-3814（2017）05-0063-06

TM714

A

國家自然科學(xué)基金資助項(xiàng)目（51507084）；中國博士后基金資助項(xiàng)目（2016M591890）。

Project supported by the National Natural Science Foundation of China（NO.51507084）;China Postdoctoral Fund（NO.2016M591890）.