当前国家电网有限公司定义台区同期线损值合格区间在-1%～10%之间,随着集抄改造全面完成〔1〕,这种 “一刀切”模式亟待改变,另外因多专业参与、低压配网结构和客户性质复杂、依赖硬件设施条件和人员专业素质等现状突出,台区改造投入产出比低〔2〕,粗放式治理与被动式监管影响了精准投资与精益管理。大数据、云计算等技术的广泛应用,为实现台区同期线损管理变革创造了条件,推进台区同期线损精益管理,实现降损增效势在必行。
1 台区线损智能诊断原理和目标
线损的诊断主要包括三个方面：判定台区线损是否正常、台区线损异常成因判定以及诊断建议。为实现诊断的智能化,对来源于营销SG186、用电信息采集系统的海量数据进行数据处理和信息挖掘,可以根据客户电价码等因素,实现不同类型台区的阶梯化线损目标分类管理〔3〕,精细诊断台区线损正常与否。运用聚类分析对基于用电信息采集系统的日线损数据进行处理,将台区日线损波动的形态进行异常问题二次分类,匹配营销SG186系统台区基础档案关联的智能电能表测量信息等,辅以专家经验集成,即可用于智能诊断,实现自动诊断结果输出。
2 基于数据挖掘技术的台区线损智能诊断模型
2.1 阶梯化线损定标
以长沙地区为分析基础,通过营销SG186系统336万客户电价码信息 (涉及45个字段)和2.9万台区基础信息关联,建立负荷电价码库,引入K均值聚类算法进行台区负荷构成分类,进行3—10类和10—100次收敛计算后形成5类,见表1。
表1 台区负荷构成类别表%
台区类型 农村居民生活用电商业用电居民合表非普工业用电、非居民生活用电农村居民生活非居民生活用电 居民生活用电(农)农村居民生活用电_合表 (不满1 kV)占比 0 0 0.04 0.04 0(农)农村居民生活用电_阶梯 (不满1 kV)占比 0.93 0 0.04 0.56 0(农)农村居民生活用电_中小学校 (不满1 kV)占比 0 0.01 0 0 0非居民生活用电 (不满1 kV)占比 0.01 0.05 0.11 0.31 0非普工业用电 (不满1 kV)占比 0.03 0.05 0.77 0.04 0.01居民生活用电_合表 (不满1 kV)占比 0 0.27 0.01 0 0.01居民生活用电_阶梯 (不满1 kV)占比 0 0.21 0 0 0.95居民生活用电_中小学校 (不满1 kV)占比 0 0.02 0 0 0农业排灌 (不满1 kV)占比 0.01 0.03 0 0.01 0农业生产用电 (不满1 kV)占比 0.02 0.01 0.02 0.04 0商业用电 (不满1 kV)占比 0 0.35 0.01 0 0.03
选取正态分布曲线进行拟合计算,经校验得到每类台区线损目标值见表2,计算流程如图1所示。
表2 线损目标值
台区类型 线损目标值/% 标准差农村居民生活用电 5.362 2.362商业用电居民合表 2.718 0.362非普工业用电、非居民生活用电 1.390 0.221农村居民生活非居民生活用电 4.363 0.932居民生活用电 2.836 0.978
图1 线损目标值计算流程
2.2 线损评估与智能诊析
获取所有台区基础档案构成台区画像信息库,并随机抽取连续三日线损率报表及电能表测量信息、状态字数据〔4〕,用于智能诊析模型开发。架构如图2所示。
根据地勘报告，该场区土层中，第1层耕填土含潜水，第5层粉土中含弱承压水，其余各层均为微透水、弱透水或不透水层。场区稳定水位在2.40～2.62 m(黄海高程)之间，随季节动态变化，夏高冬低，历史最高洪水位达到3.40 m。在该工程施工期间，由于基坑的周围设计了密排的混凝土搅拌桩作为止水帷幕，因此，地下水的主要来源是大气降水，施工结束后，雨水通过周围的回填土渗透到地下。综合以上分析，假定该工程的抗浮水位设计值为3.0 m。
图2 智能诊析架构
1)应用大数据技术 (Hadoop、HAWQ等数据仓库),集成台区档案、运行信息、地理位置与台区负荷构成,形成唯一 “画像”〔5〕。
湖南大队长农业有限公司总经理高贵表示，今年粮食价格较低，化肥价格高，百姓用肥积极性相对不是很积极。但是依然不会放弃冬储市场，目前正在等磷复肥会议结束后进行一波冬储。
一方面完成台区运行状态的快速扫描,另一方面进行台区线损状态计算与评估,并根据评估结果选择是否进行一键诊断。
台区线损状态计算与评估采用决策树归纳的分析方法,有针对性地判别台区状态、提高诊断效率。通过甄别 “采集成功率≥98%∩日供电量>20 kWh”条件,剔除由大面积缺抄与小电量导致的线损异常,进而完成台区类别辨识与偏离目标值计算,明确台区线损异常等级,触发智能诊析功能。
2)应用聚类分析与相关性挖掘技术,采用OGG/DSG方式,存储、组织、关联和聚合线损成因字段,借助专家经验建立关系分析模型〔6〕：一是根据线损走势锁定异常发生节点,提取连续三日线损率报表进行聚类分析得到最佳聚类数为10的聚类中心,见表3;二是锁定线损成因,结合专家经验与典型案例确定31项核心因子。线损成因分为独立成因与关联成因：独立成因来自业务系统监测数据,采用固定报表与即席查询方式;关联成因采用比对碰撞与关系分析方式推导关联模型。
表3 线损波动类别
注：1.正常：连续线损率在各类台区的线损目标值区间;2.疑似：连续线损率在各类台区的线损目标值区间外±3%波动;3.间歇：线损率在各类台区的线损目标值区间外非连续性波动,且波动浮动超过±3%;4.顽固：连续线损率远超出各类台区的线损目标值区间。
日期 10月6日 10月7日 10月8日 波动类型1 1.77 1.76 1.69 正常聚类2 7.05 7.03 6.85 疑似3 26.03 17.23 5,89 间歇4 4.36 4.3 4.22 正常5 35.14 34.47 31.68 顽固6 10.45 10.61 10.44 疑似7 3.21 12.52 -24.19 间歇8 17.09 18 18.31 顽固9 -5.2 -5.09 -0.86 疑似10 -27.51 -28.24 -23.07 顽固
3)采用专家经验与样本训练结合方式,建立线损波动规律与成因匹配模型,见表4。
表4 线损波动规律与线损成因匹配模型
成因字段波动类别9 10 1 1 1 1计量异常 倒走 倒走 1 1计量异常 示值不平 示值不平计量异常 时钟异常 表计欠压 (时钟异常) 表计欠压 (时钟异常) 1 1计量异常 A相电流/B相电流/C相电流小于零电流小于零 (单相)/某相电流小于零 (三相)计量异常 A相电流/B相电流/C相电流异常A相电流/B相电流/C相电流异常 (三相倍率表计) 1 1 1 1计量异常 A相/B相/C相电流为0 A相/B相/C相电流为0 1计量异常 A相/B相/C相电压为0 A相/B相/C相电压为0 1计量异常 A相电流/B相电流/C相电压异常 电压低于197 V 1 1
续表4
注：“1”表示线损波动类别的优先匹配成因。
成因字段波动类别异常分类 终端异常项 关口表计异常项 户表异常项2 3 4 5 6 7 8 9 10计量异常 电压高于260 V计量异常 火线小于零线电流 1 1 1计量异常 日停走又有电流有电压 1 1计量异常 月停走又有电流有电压计量异常 超容 1计量异常 三相倍率表计,某相或某两相功率因数小于0.8计量异常 功率因数异常1 1其他异常 某相谷时电流突增 1其他异常 开盖记录 1 1 1其他异常 临时转供 1 1其他异常 其他 其他 1 1
3 基于数据挖掘技术的台区线损诊断平台开发及应用
3.1 基于数据挖掘技术的台区线损 “慧诊”助手设计
根据台区线损治理需求分析,台区线损智能诊断平台—— “慧诊”助手包含三个模块：一是根据客户用电行为特征对台区分类,并定位每类台区线损率的最优值区间;二是实现台区信息一键查询和线损异常智能诊析,包括线损波动规律分析、搭建线损成因模型、建立波动与成因最优映射;三是研制多应用场景的线损治理配型库,为现场工作提供指导。
台区线损智能诊断 “慧诊”助手设计架构如图3所示。
图3 台区线损智能诊断平台架构
3.2 基于数据挖掘技术的台区线损 “慧诊”助手设计实现
台区线损 “慧诊”助手采用可视化界面,具有人机交互友好、操作便捷易上手、信息清晰明了等特点,其功能菜单见表5。
做好“群体”小队伍内部之间的组合，人与人组合从整体上考虑安全状态和整体意识，技术力量较弱的补充技术人员，安全状态低的配置培训后的专职班组安全监督培训员，发挥“班头”的示范力和关爱力。细化内部作业负荷，认真分析研究作业人员、机械和作业顺序等，确定合理的工作流程，干什么、什么人干、怎么干，小队伍内部形成一种合理高效的组合，共同降低各项点安全风险。
表5 功能菜单与描述
菜单名称 功能描述应用目录 展示菜单功能列表首页思维导图 展示开发分析思路台区负荷构成特征库 台区负荷构成类别、组成、数量占比、台区目标值、达标台区占比展示线损波动类别特征库 台区线损波动类别及组成数量展示台区ID信息列表 台区画像展示、台区线损评估台区经理信息列表 按台区经理维度展示管辖台区类别、数量及治理水平台区线损诊断报告单 台区线损诊断结果及治理案例链接专家经验知识库 台区线损治理典型案例
台区负荷构成类型、数量及目标值如图4所示。每类达标台区占比计算结果如图5所示。
首因效应本质上是一种先入为主的思维活动，我们与一个人初次会面,几秒钟内就能产生第一印象，并且这些第一印象深刻影响着我们对他人以后的看法，其实我们认知到的信息多是表面的，因此也就决定了首因效应的认知片面性。首因效应带有表面性，在思想政治教育中，教育者很多时候忽略了对教育对象的深入了解，有时仅凭印象中的一两次见面就对教育对象进行定论。同时，首因效应容易产生认知片面性及固定性。例如第一次见面，教育对象出现偶然的违纪现象，部分教育者就对该学生进行感观定论，认定该学生不遵守纪律等情况，简单地全盘否定教育对象。
①2耕土，呈流塑～可塑状，压缩性高，承载力极低，分布不均匀，不能直接作为拟建建筑物的天然地基浅基础的持力层；
图4 五类台区数量分布占比
图5 各类台区达目标值数量占比
4 基于数据挖掘技术的台区线损智能诊断的意义
4.1 提升执行层治损效率和业务水平
根据班组和供电所应用反馈结果,智能诊断现场异常因素排查提速42.9%,调研6个台区治理闭环时限,治理时间由23天缩短至1天;异常成因判别准确度78%,较人工判别准确度提升1倍,其中间歇型成因判别准确度90%;抽测40个线损率8%～10%城镇居民生活类台区,诊断疑似台区32个,表计日停走又有电流、零线大于火线电流、表计时钟异常三类成因超过90%,现场反馈处理异常台区27个,平均降损2.3%。
4.2 支撑管理层精益管理和经营决策
为制定基层降损目标提供科学、直观依据,使线损可控、能控、在控,也为定员测算及绩效考核提供可靠依据;提供随时随地、线上线下培训平台,突破场地时间、师资等条件限制;为推进台区经理队伍建设与全能型供电所建设提供科学依据与评价标准;打破壁垒,为辅助决策电网末端改造规划提供支撑。
5 结语
本文以大数据挖掘与应用为基础,以支撑线损异常治理与专业管理为目标,构建台区分类、线损分型管理的台区线损智能评估诊析模型及线损治理配型库,提出 “一台一策”治理模式,实现优化决策与精准控制,便于专业管理部门掌握基层线损管控情况的同时,为一线班组提供智能化线损治理工具,科学降损,提质增效。下一阶段,考虑引入拓宽分类定标维度、搭建预测预警模型和优化完善集成诊析模型等,持续提升诊断结果和治理指导建议的精准性和可操作性。
参考文献
〔1〕李玉萍,翁薇,银晖,等.降低集抄台区线损的技术分析与实现 〔J〕.湖南电力,,34(3)：55-57.
〔2〕王喜珠.低压配电台区线损异常及应对措施分析 〔J〕.科技经济导刊,,26(29)：48-49.
〔3〕瞿小宁.K均值聚类算法在商业银行客户分类中的应用 〔J〕.计算机仿真,,28(6)：357-360.
〔4〕 The application of Qu Xiaoning.K-means clustering algorithm in customer Classification of commercial banks 〔J〕.Computer simulation,,28(06)：357-360.
〔5〕董雪梅.基于用电信息采集系统的台区线损管理研究 〔J〕.中国新技术新产品,(16)：112-113.
〔6〕宋惠忠,顾华忠,顾韬,等.基于多源数据挖掘的低压配电网线损智能诊断模型 〔J〕.浙江电力,,36(12)：57-62.
〔7〕李亚,刘丽平,李柏青,等.基于改进K-Means聚类和BP神经网络的台区线损率计算方法 〔J〕.中国电机工程学报,,36(17)：4543-4552.
