吳 寧,湯程燁,吳含青

(1.國網(wǎng)江蘇省電力有限公司 鎮(zhèn)江供電分公司,江蘇 鎮(zhèn)江 212013;2.江蘇大學(xué) 電氣信息工程學(xué)院,江蘇 鎮(zhèn)江 212013)

目前,全球配電網(wǎng)的發(fā)展都面臨著提高可再生能源供電可靠性等一系列問題。2020年我國提出“碳達(dá)峰、碳中和”的發(fā)展目標(biāo),大力推動可再生資源發(fā)展,持續(xù)擴大清潔能源消費占比。在配電網(wǎng)中大規(guī)模接入分布式電源已成為未來發(fā)展的主要方向,分布式光伏發(fā)電發(fā)展前景廣闊。但是目前光伏發(fā)電也存在著一些問題,光伏發(fā)電受氣候影響較為嚴(yán)重,其本身具有的局限性通常導(dǎo)致電壓波動性較高,并且光伏高占比配電網(wǎng)在光伏并網(wǎng)后容易出現(xiàn)配網(wǎng)電壓諧波分量增加、配網(wǎng)電壓導(dǎo)致的光伏消納減小和配電網(wǎng)保護誤動作等諸多問題。

當(dāng)前配電網(wǎng)主要依靠傳感器實現(xiàn)其相關(guān)控制和監(jiān)控功能,傳感器所收集的數(shù)據(jù)量龐大,因此需要運用大數(shù)據(jù)技術(shù)分析處理電力數(shù)據(jù)從而使智能電網(wǎng)發(fā)揮最大作用。文獻(xiàn)[1-4]闡述了隨著配電網(wǎng)智能化程度不斷提高,出現(xiàn)大規(guī)模電壓檢測不準(zhǔn)確等問題。當(dāng)配電網(wǎng)出現(xiàn)低電壓時,會給電網(wǎng)的安全運行帶來巨大挑戰(zhàn),因此需要合理利用大數(shù)據(jù)技術(shù),通過分析處理來保證配電網(wǎng)的安全。文獻(xiàn)[5]和文獻(xiàn)[6]對智能電網(wǎng)大數(shù)據(jù)技術(shù)的發(fā)展現(xiàn)狀進行綜述,并通過大數(shù)據(jù)分析技術(shù),提高了管理手段和技術(shù)措施,有效減少了無功電壓的波動,實現(xiàn)了無功電壓的精準(zhǔn)控制。

目前,有不少文獻(xiàn)以及報告對光伏高占比配網(wǎng)電壓進行詳細(xì)的分析并提出了許多針對性的措施。文獻(xiàn)[7-9]將大數(shù)據(jù)技術(shù)運用到電壓檢測評估當(dāng)中,詳細(xì)分析了電壓檢測系統(tǒng)中導(dǎo)致電壓不穩(wěn)定和限制電壓消納的原因,為后續(xù)電壓評估工作打下基礎(chǔ)。文獻(xiàn)[10]提出一種融合模糊識別和動態(tài)時間彎曲的模糊動態(tài)時間彎曲評估算法,可以反映關(guān)鍵節(jié)點的電壓控制能力,評估配電網(wǎng)全局的無功平衡水平。文獻(xiàn)[11]針對光伏高占比配電網(wǎng)電壓越限問題,提出一種分布式優(yōu)化策略,可有效評估電壓越限問題,并降低網(wǎng)絡(luò)損耗。文獻(xiàn)[12]提出一種光伏高占比配電網(wǎng)接納能力評估方法,解決了以往評估較為保守的問題,可以有效量化導(dǎo)致配電網(wǎng)過電壓風(fēng)險的不確定性因素。文獻(xiàn)[13]提出一種快速評估光伏接入對配電網(wǎng)供電可靠性影響程度的方法,引入光伏高占比配網(wǎng)貢獻(xiàn)因子這一指標(biāo),并闡述貢獻(xiàn)因子與系統(tǒng)供電可靠性成正比例關(guān)系。文獻(xiàn)[14]提出基于圖論的配電網(wǎng)電壓評估方法,利用網(wǎng)絡(luò)等值降低配電網(wǎng)網(wǎng)架的空間復(fù)雜度,可有效評估配電網(wǎng)電壓,具有良好的實際應(yīng)用價值。

綜上,本文綜合考慮光伏高占比配網(wǎng)電壓出現(xiàn)的問題,提出一種基于大數(shù)據(jù)挖掘的光伏高占比配網(wǎng)電壓時空多維評估方法,主要特色工作及創(chuàng)新如下:

(1)針對光伏高占比配網(wǎng)數(shù)據(jù)量大,維數(shù)多,復(fù)雜難處理的情況,提出基于K均值聚類算法(K-means clustering algorithm,K-means)的配網(wǎng)電壓大數(shù)據(jù)時空多維挖掘及特征提取方法,可有效降低數(shù)據(jù)處理難度,為時空多維評估奠定基礎(chǔ)。

(2)針對常規(guī)灰關(guān)聯(lián)度法無法突出數(shù)據(jù)差異性的問題,提出一種改進模糊灰關(guān)聯(lián)度評估法,可有效評估配網(wǎng)電壓狀態(tài),提高評估結(jié)果的客觀性。

1 光伏高占比配網(wǎng)電壓大數(shù)據(jù)挖掘

1.1 大數(shù)據(jù)挖掘理論

1.1.1 大數(shù)據(jù)預(yù)處理

隨著現(xiàn)代信息技術(shù)的發(fā)展,電力信息系統(tǒng)與電力系統(tǒng)的連接愈加緊密,配電網(wǎng)面臨著處理海量數(shù)據(jù)的困難和需求。當(dāng)前配電系統(tǒng)整體數(shù)據(jù)價值密度較低,因此對配網(wǎng)數(shù)據(jù)的挖掘處理是順應(yīng)大數(shù)據(jù)發(fā)展[15]和推動配網(wǎng)更新升級的必然要求[16]。然而,不同的配網(wǎng)運行處理所需的相關(guān)數(shù)據(jù)種類不同,尤其在光伏高占比配網(wǎng)中面對大量的數(shù)據(jù)必須要提取出其中蘊含價值的信息,因此在光伏高占比配網(wǎng)的大數(shù)據(jù)挖掘工作前對大數(shù)據(jù)進行預(yù)處理就顯得尤為重要。常規(guī)大數(shù)據(jù)預(yù)處理主要包含3個環(huán)節(jié):數(shù)據(jù)統(tǒng)一、數(shù)據(jù)壓縮和數(shù)據(jù)清洗[17,18]。本文主要在數(shù)據(jù)清洗環(huán)節(jié)對配網(wǎng)大數(shù)據(jù)進行預(yù)處理,其主要包括3個步驟:

(1)數(shù)據(jù)標(biāo)準(zhǔn)化。

將配網(wǎng)直接采集獲取的數(shù)據(jù)進行統(tǒng)一歸一化處理。

(2)異常數(shù)據(jù)辨識。

對于配網(wǎng)中采集的異常數(shù)據(jù),從下面3個維度進行辨識分析:

①從數(shù)學(xué)維度,使用工程化的技術(shù)對缺失值、越限值等異常數(shù)據(jù)進行辨識;

②從時間維度,采用時間序列分析的方法辨析配網(wǎng)在單位時間尺度內(nèi)波動較大的異常數(shù)據(jù);

③從空間維度,基于配網(wǎng)的“點-區(qū)-網(wǎng)”結(jié)構(gòu),從空間維度使用多源數(shù)據(jù)相關(guān)性來辨析異常數(shù)據(jù)。

(3)異常數(shù)據(jù)重構(gòu)。

在辨識異常數(shù)據(jù)之后需要對數(shù)據(jù)進行重構(gòu),主要包含以下3種情形:

①出現(xiàn)單點數(shù)據(jù)異常時,對數(shù)據(jù)采用樣條插值方法進行填充;

②出現(xiàn)多點數(shù)據(jù)異常時,使用時間序列擬合或回歸擬合的方法進行填充;

③出現(xiàn)大片連續(xù)數(shù)據(jù)異常時,利用多源數(shù)據(jù)相關(guān)性的方法進行填充。

1.1.2 基于K-means的大數(shù)據(jù)挖掘與特征提取方法

設(shè)定樣本數(shù)據(jù)集D={a1,a2,…,am},想要把這些數(shù)據(jù)分成k個簇,因為這些數(shù)據(jù)沒有任何標(biāo)簽信息,所以必須挑選一個作為標(biāo)準(zhǔn)。本文選擇最簡單的距離平方作為標(biāo)準(zhǔn)‖·‖2。使用K-means算法對聚類得出的簇劃分C={C1,C2,…,Ck}最小化平方誤差

(1)

對于此處的最小化平方誤差,需要通過遍歷D中所有可能的劃分情況,來獲取其最優(yōu)解。在K-means算法中采用迭代優(yōu)化的方法來求取近似值,當(dāng)選擇數(shù)據(jù)的質(zhì)心不再大幅度變化或達(dá)到預(yù)設(shè)迭代次數(shù)時停止。

1.2 配網(wǎng)電壓大數(shù)據(jù)時空維度挖掘方法

本文提出一種配網(wǎng)電壓大數(shù)據(jù)時空維度挖掘方法來解決電壓狀態(tài)評估問題,具體實施流程如圖1所示。配網(wǎng)電壓大數(shù)據(jù)時空維度挖掘方法的具體步驟如下。

圖1 配網(wǎng)電壓時空維度挖掘方法流程圖

步驟1通過獲取光伏高占比配網(wǎng)數(shù)據(jù),對數(shù)據(jù)進行預(yù)處理,包括數(shù)據(jù)標(biāo)準(zhǔn)化處理、異常數(shù)據(jù)辨識、異常數(shù)據(jù)重構(gòu)等,為保證數(shù)據(jù)處理的準(zhǔn)確性對數(shù)據(jù)重復(fù)一次上述處理過程,從而獲取標(biāo)準(zhǔn)化樣本數(shù)據(jù)。

步驟2使用基于K-means的大數(shù)據(jù)挖掘與特征提取技術(shù),針對聚類目標(biāo)和要求計算樣本點與各簇中心間距離,并設(shè)定迭代次數(shù),在達(dá)到迭代次數(shù)后即可獲得樣本特征。

步驟3根據(jù)樣本的時間特性和空間特性分別計算并獲得時間維度和空間維度的特征數(shù)據(jù),這些數(shù)據(jù)將為后續(xù)評估奠定基礎(chǔ)。

2 基于大數(shù)據(jù)挖掘的時空多維評估

2.1 光伏高占比配網(wǎng)電壓時空多維評估指標(biāo)體系

現(xiàn)有電壓評估指標(biāo)體系大多由大量的統(tǒng)計量組成,時間尺度長,不能體現(xiàn)運行狀態(tài)的實時評估需求。為了應(yīng)對不同分區(qū)的差異化運行控制需求和關(guān)鍵節(jié)點的靶向控制,提出了由時間維度“日-月-年”和空間維度“點-區(qū)-網(wǎng)”相結(jié)合的光伏高占比配網(wǎng)電壓時空多維評估指標(biāo)體系。這一電壓時空多維評估指標(biāo)體系能夠直觀展示電網(wǎng)的實時電壓運行狀態(tài),并指導(dǎo)電網(wǎng)的運維管控。時間維度上,通過“日-月-年”3個層級對配網(wǎng)電壓在全年內(nèi)特定時間節(jié)點進行評估,尋找出配網(wǎng)電壓薄弱時間段?？臻g維度上,節(jié)點評估注重于關(guān)鍵節(jié)點的電壓控制能力,分區(qū)評估注重于分區(qū)的調(diào)控能力以及互聯(lián)分區(qū)間的互動支撐能力,全網(wǎng)評估注重于電網(wǎng)整體的電壓狀態(tài)。結(jié)合時空維度,配網(wǎng)電壓評估從無功裕度、功率因數(shù)和電壓偏移3個角度來構(gòu)建光伏高占比配網(wǎng)電壓時空多維評估指標(biāo)體系。評估指標(biāo)體系如圖2所示。

圖2 光伏高占比配網(wǎng)電壓時空多維評估指標(biāo)體系

2.1.1 空間維度指標(biāo)體系

(1)關(guān)鍵點電壓評估指標(biāo)體系。

選取具備無功調(diào)節(jié)能力的并網(wǎng)點作為關(guān)鍵節(jié)點。詳細(xì)分析光伏高占比配網(wǎng)并網(wǎng)點無功電壓狀態(tài),建立關(guān)鍵點電壓運行狀態(tài)評估指標(biāo)體系。

①關(guān)鍵點無功裕度指標(biāo)。

分布式電源在滿足額定容量、功率因數(shù)等限制的同時,還能夠發(fā)出無功以保障配網(wǎng)電壓狀態(tài)。關(guān)鍵點無功裕度指標(biāo)PQM如下

(2)

式中:φ為分布式電源的功率因數(shù)角,φg為功率因數(shù)角閾值,QG、PG分別表示分布式電源的無功輸出和有功輸出,SN表示分布式電源的額定容量。

②關(guān)鍵點功率因數(shù)指標(biāo)。

無功電源并網(wǎng)點的功率輸出受限于cosφg。關(guān)鍵點功率因數(shù)指標(biāo)PPF如下

(3)

③關(guān)鍵點電壓偏移指標(biāo)。

對于220 V電壓等級的配電網(wǎng),負(fù)荷節(jié)點電壓需滿足[0.9UN,1.07UN],光伏并網(wǎng)點電壓需滿足[0.85UN,1.1UN]方可連續(xù)運行。關(guān)鍵點電壓偏移指標(biāo)PVE如下

(4)

式中:UN表示關(guān)鍵點額定電壓,UPCC表示并網(wǎng)點電壓,φ表示懲罰系數(shù),φ>0。

(2)分區(qū)電壓評估指標(biāo)體系。

配網(wǎng)分區(qū)控制能夠有效降低配網(wǎng)的控制難度,并以孤島形式滿足配網(wǎng)關(guān)鍵分區(qū)的用電需求。利用配網(wǎng)分區(qū)控制與無功功率就地平衡的特點,建立配網(wǎng)分區(qū)電壓評估指標(biāo)體系。

①分區(qū)無功平衡度指標(biāo)。

分區(qū)的無功平衡狀態(tài)直接體現(xiàn)了分區(qū)的電壓水平,無功缺額越大,電壓水平越低。分布式電源能夠發(fā)出的最大無功功率為

(5)

則分區(qū)無功平衡度指標(biāo)AQB為

AQB=min{exp(ε1BS-ε1),1}

(6)

式中:

(7)

式中:ε1表示懲罰系數(shù),其值影響了AQB的靈敏性,ε1>0;ωl表示第l個負(fù)載的無功功率需求,χi、λj和γk分別表示第i個分布式發(fā)電裝置、第j個儲能裝置、第k個無功補償裝置的無功功率輸出;?g、?e、?c和?b分別表示分布式電源、儲能裝置、無功補償裝置和無功負(fù)荷的數(shù)量。

②分區(qū)電壓合格統(tǒng)計率指標(biāo)。

分區(qū)電壓合格統(tǒng)計率指標(biāo)AVA如下

(8)

式中:

(9)

式中:NP為單個分區(qū)的節(jié)點總數(shù);Ui為第i個節(jié)點的電壓,Ui,MIN和Ui,MAX分別為第i個節(jié)點下限電壓和上限電壓。

③分區(qū)功率因數(shù)合格統(tǒng)計率指標(biāo)。

功率因數(shù)合格統(tǒng)計率指標(biāo)APF如下

(10)

式中:

(11)

式中:NS為分區(qū)的節(jié)點數(shù)量,cosφi為分區(qū)第i個節(jié)點的功率因數(shù),cosφi,g為分區(qū)第i個節(jié)點功率因數(shù)閾值。

(3)全網(wǎng)電壓評估指標(biāo)體系。

全網(wǎng)電壓評估注重于配網(wǎng)全局的無功平衡能力。所構(gòu)建的指標(biāo)能夠客觀反應(yīng)全網(wǎng)的運行特性,反應(yīng)潛在的電壓風(fēng)險,其指標(biāo)體系大致與分區(qū)評估指標(biāo)體系類似。

①全網(wǎng)無功平衡度指標(biāo)。

全網(wǎng)無功平衡能夠直接體現(xiàn)整個配網(wǎng)的電壓水平。全網(wǎng)無功平衡度指標(biāo)NQB如下

NQB=min{exp(ε3BD-ε3),1}

(12)

式中:

(13)

式中:r表示整個配網(wǎng)中的分區(qū)數(shù)量;ε3表示懲罰系數(shù),ε3>0。

②全網(wǎng)電壓合格統(tǒng)計率指標(biāo)。

全網(wǎng)電壓合格統(tǒng)計率指標(biāo)NVA如下

(14)

式中:ND為配網(wǎng)的節(jié)點總數(shù)。

③全網(wǎng)功率因數(shù)合格統(tǒng)計率指標(biāo)。

提高節(jié)點功率因數(shù)對于降低網(wǎng)損、提高電能質(zhì)量具有重要意義。全網(wǎng)功率因數(shù)合格統(tǒng)計率指標(biāo)NPF如下

(15)

2.1.2 時間維度電壓評估指標(biāo)體系

從時間維度上構(gòu)建配網(wǎng)電壓評估指標(biāo)體系,能夠?qū)ε渚W(wǎng)在時間尺度上進行有效分析,即通過不同時間刻度下的指標(biāo)來評估對應(yīng)時刻下配網(wǎng)電壓狀態(tài),進而對整個配網(wǎng)電壓在多時間尺度下進行分析。這一指標(biāo)體系在通過空間維度“點-區(qū)-網(wǎng)”結(jié)構(gòu)對配網(wǎng)電壓狀態(tài)構(gòu)建評估指標(biāo)體系的基礎(chǔ)上,再對此指標(biāo)體系在時間維度“日-月-年”上進行重構(gòu)。時間維度電壓評估指標(biāo)體系各指標(biāo)與空間維度電壓評估指標(biāo)體系一致。

以全網(wǎng)電壓評估指標(biāo)體系為例,為分析某一年當(dāng)中配網(wǎng)在全年時間中的電壓狀態(tài),通過配網(wǎng)電壓大數(shù)據(jù)時空維度挖掘方法提取配網(wǎng)在“日-月-年”維度下的電壓特征數(shù)據(jù),基于特征數(shù)據(jù)尋找出全年配網(wǎng)電壓薄弱時間節(jié)點。以全網(wǎng)電壓合格統(tǒng)計率指標(biāo)為例,通過基于K-means的大數(shù)據(jù)挖掘與特征提取技術(shù)對這一指標(biāo)在時間維度“日-月-年”下進行數(shù)據(jù)挖掘和特征分析。分別對單日、整月、全年內(nèi)統(tǒng)計到的全網(wǎng)電壓數(shù)據(jù)進行聚類分析,得到日度全網(wǎng)電壓合格統(tǒng)計率、月度全網(wǎng)電壓合格統(tǒng)計率和年度全網(wǎng)電壓合格統(tǒng)計率。

(1)日度全網(wǎng)電壓合格統(tǒng)計率

(16)

(2)月度全網(wǎng)電壓合格統(tǒng)計率

(17)

(3)年度全網(wǎng)電壓合格統(tǒng)計率

(18)

其他指標(biāo)可采用相同的方法進行時間維度“日-月-年”的數(shù)據(jù)挖掘和特征提取,不再贅述。

2.2 主客觀組合賦權(quán)法

根據(jù)配網(wǎng)電壓時空多維評估指標(biāo)在全局無功電壓中發(fā)揮的作用,研究確定各關(guān)鍵指標(biāo)的重要性分級,為提高評估指標(biāo)體系中指標(biāo)權(quán)重賦值的客觀性和科學(xué)性,研究主客觀賦值法相結(jié)合的權(quán)重制定方法。本文采用熵值法和有序二元比較量化法主客觀相結(jié)合的指標(biāo)賦權(quán)法對指標(biāo)進行權(quán)重賦值。

2.2.1 熵值法

熵值法是通過判斷某一個指標(biāo)的離散程度,來確定此指標(biāo)在整個體系中所占權(quán)重大小的方法。設(shè)有m個評價指標(biāo),n個評價對象所形成的原始指標(biāo)數(shù)據(jù)矩陣A=(Xij)m×n,其中i=1,2,…,n。對其進行標(biāo)準(zhǔn)化處理后得到標(biāo)準(zhǔn)指標(biāo)數(shù)據(jù)矩陣B=(bij)m×n,對于指標(biāo)Xj,指標(biāo)值Xij的相差越小,則此指標(biāo)在綜合評價中權(quán)重值越小。熵值法確定指標(biāo)權(quán)重的過程如下:

(1)對指標(biāo)進行歸一化處理;

(2)計算第i個指標(biāo)在第j個待評估目標(biāo)中的占比

(19)

(3)定義熵。第i個評價指標(biāo)的熵值定義為

(20)

第i個熵權(quán)重指數(shù)定義為

(21)

2.2.2 有序二元比較量化法

將m個評估對象進行二元比較重要性排序,經(jīng)過一致性檢驗判斷與調(diào)整得到排序一致性二元對比標(biāo)度矩陣E。根據(jù)標(biāo)度矩陣E各行元素值之和,對各元素進行大小排序,把排序為首位的目標(biāo)作為基準(zhǔn),通過對其他目標(biāo)進行重要性程度的比較,可得非歸一化目標(biāo)權(quán)向量為

w′=(w′1,w′2,…,w′m)

(22)

然后進行歸一化計算,即可得目標(biāo)權(quán)向量式為

w=(w1,w2,…,wm)

(23)

2.2.3 組合賦權(quán)法

采用“加法”集成法進行組合賦權(quán),計算公式為

qi=αai+(1-α)bi0≤α≤1

(24)

α通過歷史數(shù)據(jù)和經(jīng)驗來確定。

2.3 改進模糊灰關(guān)聯(lián)度評估法

灰關(guān)聯(lián)度法[19]通過比較不同序列之間的數(shù)值分布特性,反映各評價目標(biāo)與參考目標(biāo)的相似度,從而獲得各目標(biāo)的重要性排序。但是常規(guī)灰關(guān)聯(lián)度法存在平權(quán)化處理指標(biāo)使得難以突出各指標(biāo)之間的差異性,分辨系數(shù)主觀化取值容易導(dǎo)致結(jié)果趨于平均化且缺乏客觀性等諸多缺點。針對常規(guī)灰關(guān)聯(lián)度法的缺點以及評估問題本身具有模糊性和主觀性的特點,提出一種改進模糊灰關(guān)聯(lián)度評估法。區(qū)別于常規(guī)灰關(guān)聯(lián)度法,本文引入模糊隸屬度函數(shù),通過計算評估系統(tǒng)的參考序列和樣本序列間的模糊隸屬度對灰關(guān)聯(lián)度進行改進,再設(shè)定動態(tài)模糊系數(shù)求出模糊灰關(guān)聯(lián)度,最后基于模糊灰關(guān)聯(lián)度對電壓狀態(tài)進行等級劃分。

(1)參考序列與比較序列。

確定反映系統(tǒng)行為特征的參考序列x0=(x0(1),x′0(2),…,x′0(m)),以及影響系統(tǒng)行為特征的樣本序列x1,x2,…,xn,并標(biāo)準(zhǔn)化處理為x′0,x′1,…,x′n。

(2)計算模糊隸屬度。

(25)

(3)計算關(guān)聯(lián)系數(shù)。

假設(shè)某個標(biāo)準(zhǔn)化處理后的指標(biāo)數(shù)據(jù)作為參考序列x′0=(x0(1),x′0(2),…,x′0(m)),其他若干標(biāo)準(zhǔn)化處理后的指標(biāo)數(shù)據(jù)作為樣本序列x′0,x′1,…,x′n與x′1,(i=1,2.,n)在k點時的關(guān)聯(lián)系數(shù)為

ξ(x′0(k),x′i(k))=

(26)

式中:ρ為分辨系數(shù),取值范圍為(0,1);x′0(k)和x′i(k)分別為參考數(shù)列第k個點的值與第i個比較數(shù)列第k個點的值。

(4)計算關(guān)聯(lián)度。

對所求的關(guān)聯(lián)系數(shù)取平均值,作為比較序列與參考序列間的關(guān)聯(lián)度。標(biāo)準(zhǔn)化后的指標(biāo)數(shù)據(jù)序列x′0與x′i的關(guān)聯(lián)度公式如下

(27)

(5)計算模糊灰關(guān)聯(lián)度

R0i=λ(r(x0,xi)+r(x′0,x′i))

(28)

式中:λ為動態(tài)模糊系數(shù),取值范圍為(0,1)。

3 算例分析

為驗證本文所提出的基于大數(shù)據(jù)挖掘的光伏高占比配網(wǎng)電壓時空多維評估方法的有效性,選取某地區(qū)光伏高占比配網(wǎng)作為評估對象。其拓?fù)浣Y(jié)構(gòu)見圖3。

圖3 光伏高占比配網(wǎng)拓?fù)鋱D

3.1 大數(shù)據(jù)挖掘與特征提取

選取此配網(wǎng)2019-2020年的歷史數(shù)據(jù)作為原始數(shù)據(jù),同時將此配網(wǎng)分成4個區(qū)進行分析。采用配網(wǎng)電壓時空維度挖掘方法,首先對原始樣本數(shù)據(jù)進行數(shù)據(jù)預(yù)處理,然后采用大數(shù)據(jù)挖掘和特征提取方法,從時間維度和空間維度進行剖析。以電壓幅值為例,通過K-means聚類算法獲得300個時間戳數(shù)據(jù),分別從日-月-年的時間維度進行分析和特征提取,結(jié)果見圖4。類似地,以分區(qū)2和節(jié)點11為例,對此配網(wǎng)進行關(guān)鍵點-分區(qū)-全網(wǎng)的空間維度進行分析和特征提取,結(jié)果見圖5。由圖4和圖5可見,在對配網(wǎng)進行大數(shù)據(jù)分析時,通過時空維度挖掘能夠有效降低數(shù)據(jù)維度,減少冗余無效數(shù)據(jù)的處理,同時可以根據(jù)評估目標(biāo)的不同選擇性地提取對應(yīng)特征和維度。

圖4 時間維度電壓幅值圖

圖5 空間維度電壓幅值圖

3.2 指標(biāo)權(quán)重賦值

根據(jù)本文所建立的光伏高占比配網(wǎng)電壓時空多維評估指標(biāo)體系,通過熵值法和有序二元比較量化法分別求出權(quán)重,最后用主客觀相結(jié)合的組合賦權(quán)法對權(quán)重進行計算。各指標(biāo)權(quán)重結(jié)果見圖6。由圖6可知,熵值法和有序二元比較量化法對各指標(biāo)賦權(quán)存在不小的差異,采用組合賦權(quán)法能夠減少這種差異對評估結(jié)果帶來的不穩(wěn)定影響,進一步提高評估結(jié)果的可靠性和穩(wěn)定性。

圖6 各指標(biāo)權(quán)重賦值

3.3 評估結(jié)果

通過模糊灰關(guān)聯(lián)度來衡量配網(wǎng)電壓狀態(tài),為了從時空維度對配網(wǎng)電壓狀態(tài)進行準(zhǔn)確評估,本文基于實測數(shù)據(jù),通過對數(shù)據(jù)的聚類分析結(jié)合聚類點和歷史經(jīng)驗,對電壓狀態(tài)進行等級劃分,劃分標(biāo)準(zhǔn)見表1。配網(wǎng)電壓狀態(tài)的優(yōu)、良、中、差分別對應(yīng)等級A、B、C、D。選取2020年此配網(wǎng)數(shù)據(jù)作為原始數(shù)據(jù)。

表1 配網(wǎng)電壓狀態(tài)等級劃分

3.3.1 電壓時空多維評估結(jié)果分析

在時間維度,將12個月作為時間節(jié)點進行分析計算;在空間維度,對配網(wǎng)24個節(jié)點進行分析計算,計算結(jié)果見圖7和表2。由圖7和表2可知,從時間維度上來看,1月、2月、7月、8月和12月的電壓狀態(tài)C和D等級較多,說明這幾個月份中此配網(wǎng)電壓狀態(tài)較差,為薄弱時間段。從空間維度上來看,分區(qū)3和分區(qū)4的全年電壓狀態(tài)多為等級C和D,其中節(jié)點19、20、21、22和23的電壓狀態(tài)多為等級D,而這些節(jié)點都隸屬于分區(qū)4,由此可見分區(qū)4的電壓狀態(tài)較差,為此配網(wǎng)的薄弱環(huán)節(jié)。

表2 各分區(qū)全年電壓狀態(tài)等級

圖7 時空維度下的模糊灰關(guān)聯(lián)度

為對此配網(wǎng)薄弱環(huán)節(jié)進一步溯源分析,對分區(qū)4從多時間尺度、多顆粒度空間尺度進行挖掘,給出該分區(qū)下各節(jié)點在全年每月的電壓狀態(tài)等級,結(jié)果見表3。由表3可知:節(jié)點19、20、21、22、23在全年有至少3個月為等級D,說明在該分區(qū)中這5個節(jié)點的電壓狀態(tài)普遍較差;而在這5個節(jié)點當(dāng)中電壓狀態(tài)等級D普遍集中在1月、2月、7月和12月,說明在冬夏兩季當(dāng)中此配網(wǎng)受到光伏出力和負(fù)荷波動的影響較大,從而導(dǎo)致節(jié)點電壓狀態(tài)較差。節(jié)點24在大部分月份電壓狀態(tài)等級均為A,從圖3可知節(jié)點24作為并網(wǎng)點安裝了儲能裝置,一定程度上能夠發(fā)揮調(diào)節(jié)電壓能力,保障電壓狀態(tài)穩(wěn)定,故此節(jié)點整體電壓狀態(tài)較優(yōu)。

表3 分區(qū)4全年電壓狀態(tài)等級

3.3.2 改進模糊灰關(guān)聯(lián)度法評估結(jié)果分析

為了進一步驗證本文所提方法的有效性,將灰關(guān)聯(lián)度法和改進模糊灰關(guān)聯(lián)度法進行對比,以時間維度為例,選取10個典型時間節(jié)點的場景分別進行灰關(guān)聯(lián)度和模糊灰關(guān)聯(lián)度計算,結(jié)果見圖8。由圖8可知,灰關(guān)聯(lián)度法因為采取對指標(biāo)的平權(quán)處理方式,使得各時間節(jié)點處的灰關(guān)聯(lián)度趨于相對平均;而采用改進模糊灰關(guān)聯(lián)度法更好的突出了主次,有利于電壓狀態(tài)等級劃分,顯著提高了光伏高占比配網(wǎng)電壓狀態(tài)評估的準(zhǔn)確性。圖8中最大和最小的模糊灰關(guān)聯(lián)度分別是時間節(jié)點3和時間節(jié)點7,對照表1的等級劃分標(biāo)準(zhǔn)可知,節(jié)點3的電壓狀態(tài)等級為A,而節(jié)點7的電壓狀態(tài)等級為D。

圖8 灰關(guān)聯(lián)度與模糊灰關(guān)聯(lián)度對比

4 結(jié)束語

本文提出一種基于大數(shù)據(jù)挖掘的光伏高占比配網(wǎng)電壓時空多維評估方法,為相關(guān)技術(shù)人員提供全面、客觀和準(zhǔn)確的評估給予新的思路。針對目前配網(wǎng)數(shù)據(jù)量大、維數(shù)多、復(fù)雜難處理的情況,采用基于K-means的大數(shù)據(jù)挖掘和特征提取技術(shù)能夠有效對數(shù)據(jù)進行降維并提取有價值的特征信息。從配網(wǎng)多時間尺度、多顆粒度空間尺度提出光伏高占比配網(wǎng)電壓時空多維評估指標(biāo)體系,不僅能夠直觀展示配網(wǎng)整體的電壓狀態(tài),而且還能從時空多維角度對配網(wǎng)電壓進行針對性分析,從而提高對配網(wǎng)電壓評估的科學(xué)性和準(zhǔn)確性。相較于灰關(guān)聯(lián)度法,通過引入模糊隸屬度提出改進模糊灰關(guān)聯(lián)度法,能夠有效避免因傳統(tǒng)灰關(guān)聯(lián)度法的平權(quán)處理無法突出各指標(biāo)差異性等缺點,進而提高評估結(jié)果的客觀性。算例結(jié)果表明,本文所提的方法可以對光伏高占比配網(wǎng)電壓狀態(tài)進行準(zhǔn)確評估,為建設(shè)可持續(xù)發(fā)展的配網(wǎng)系統(tǒng)提供解決思路和數(shù)據(jù)支撐。