基于八叉树结构的配电网运行数据可视化监控

徐春华，张 勇，王 超，陈建钿，梁 苑，杨叶昕

（广东电网有限责任公司珠海供电局，广东珠海 519000）

电力系统结构复杂，其中配电部分占据了重要地位。配电是将电力分配给各类用户，一旦配电环节出现错误，之前的电力生产、运输、变电等一切努力都将白费[1]。配电网是配电系统中分配电能的网络，主要由架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿电容以及一些附属设施组成。在运行期间，配电网的每种设施都会产生大量的流动性数据，均被记录在案。然而，这些大数据种类繁多、数量巨大，要想有效利用存在诸多困难[2]。为此，对配电网运行数据进行有效监控成为当下的研究重点。

分析配电网运行数据可以明确配电网运行状态，发现其中的异常以及规律性，目前已有相关学者对配电网运行数据监控进行了研究。冯磊等人[3]建立了网格分布结构模型，实现了对配电网运行数据三维场景可视化重构；
贺斯琪[4]等人以浙江省某县级城区配变电网的运行数据为基础，进行数据可视化设计；
李毅[5]进行基于同步数据的配电网运行状态可视化研究，将挖掘出来的价值数据通过可视化的形式呈现出来，实现了配电网横纵向运行情况的一览式掌握。

1.1 配电网运行数据获取

配电网由众多设备、设施组成，运行产生的数据类型多样且数量庞大，准确获取配电网运行数据较为困难。为此采用统一的采集智能终端实现配电网运行数据采集，如图1 所示。

图1 配电网运行数据采集终端

令一段时间内采集的配电网运行数据记为X：

式中，m为配电网运行数据集中元素总数；
xj为配电网运行数据集中的数据元素；
s为xj的配电网运行数据维度；
Rs为自然数，xj1,xj2,…,xjs为xj中不同时段的配电网运行状态监测值。

1.2 配电网运行数据预处理

1.2.1 数据标准化

数据标准化是指消除不同类型数据之间的量纲，以方便不同数据之间的比较分析。数据标准化方法主要有三种，即数据中心化、离差标准化和数据正规化[6]。

1）数据中心化

数据中心化(centralization)是指将原始数据减去平均值，计算公式如下。

对属性标准化：

对样方标准化：

2）离差标准化

离差标准化(deviation standardization)是指在原始数据减去平均值的基础上再除以离差[7]，计算公式如下。

对属性标准化：

对样方标准化：

3）数据正规化

数据正规化(normalization)是指在原始数据减去平均值再除以离差的基础上除以自由度N-1 或P-1，也就是用标准差进行标准化[8]，计算公式如下。

对属性正规化：

对样方正规化：

1.2.2 数据降维

来自不同的数据源的数据存在不同的维度，为了方便计算和可视化，需要对数据进行降维处理。采用线性映射方法[10]中的主成分分析方法进行降维，具体过程如下。

步骤1：设有m条n维数据；

步骤2：将原始数据组成m×n阶的变量矩阵；

步骤3：将X的每一行进行标准化；

步骤4：求出协方差矩阵C；

运用Microsoft Excel统计处理数据、计算平均值和标准差，结合SPSS 21.0软件，采用单因素方差分析（One-way ANOVA）的Duncan多重比较法，分别对不同时间对照和增温处理下美国薄荷的各项生理指标进行分析，比较不同时间各指标的处理组与对照组之间差异显著性。数据在进行方差分析前，均进行了方差齐性检验。运用Oringin 9.1软件绘图。

步骤5：求出C的相关系数矩阵R；

步骤6：求解样本相关矩阵R的特征方程，求出协方差矩阵的特征值，并按照特征值大小进行排序；

步骤7：对每个特征值解方程组，得到对应的特征向量；

步骤8：计算特征值的信息贡献率和累积贡献率；

步骤9：按累积贡献率，选取最大的前K个特征值对应的特征向量，即为主成分；
得到主成分为降维到k维后的数据[11]。

1.3 配电网运行数据挖掘

通过数据挖掘对数据进行分类，以便明确配电网各设备运行状态，发现其中存在的异常，从而进行及时排除故障。采用BP 神经网络来进行分类识别[12]。BP 神经网络模型如图2 所示[13]。

图2 BP神经网络模型

BP 神经网络训练包括正向传播和反向传播两个过程[14]。

1）正向传播

隐含层净输入：

隐含层输出：

式中，xi为第i个训练样本；
Zj是隐含层输入；
yj是隐含层输出；
wij为输入层第i个单元与隐含层第j个单元间的连接权重；
p是隐层单元总数；
aj是隐含层第j单元的阈值；
n为输入层单元总数；
yj是第j单元的输出；
f()是隐含层使用的激活函数。输出层的净输入：

输出层输出：

式中，Zt是隐含层输入；
yt是隐含层输出；
wjt是隐含层第j个单元与输出层第t个单元间的联结权重；
q为输出层单元总数；
at是隐含层第t单元的阈值；
f()是输出层使用的激活函数[15]。

2）反向传播

计算输出层输出与期望输出的差值，并判断其与设定阈值的大小关系。若大于阈值，则进行反向传播，调节权值和阈值[16]；
若小于阈值，则BP 神经网络训练完成。

输出层和隐含层各单元权值Δωjt和阈值Δθt调整公式如下：

式中，δt、δj分别为输出层和隐含层的调整误差；
α、β均为学习速度。

在神经网络训练完成后，将测试样本输入到训练好的BP 神经网络模型当中[17-18]，即可实现配电网运行数据分类识别。

为验证所研究的基于八叉树结构的配电网运行数据可视化监控方法的有效性，设计模拟实验进行验证。

2.1 研究对象

随机选取某段智能配电网作为研究对象，其配电网简化图如图3 所示。

图3 配电网简化图

图3 中，Bus1、Bus2 为母线；
L1、L2为传输线；
T1、T2、T3为变压器；
Secl、Sec2 为区域；
BR 为母线保护；
OR 为过流保护；
TR 为变压器保护；
DR 为后备距离保护；
CB 为断路器。

2.2 实验参数

仿真实验中BP 神经网络参数设置情况如表1所示。

表1 实验参数

2.3 仿真实验流程

基于八叉树结构的配电网运行数据可视化监控仿真流程如图4 所示。

图4 仿真实验流程

2.4 数据监控性能检验

为了校验对数据的监控性能，人为损坏断路器CB5 开关，然后采集这一段配电网运行数据，对其进行监测，并以文献[4]方法、文献[5]方法作为实验对比方法，得到监控准确率如图5 所示。

图5 数据监控准确率

根据图5 数据监控结果显示，所提方法能够准确监测配电网故障，证明了该文研究的基于八叉树结构的配电网运行数据可视化监控方法的监控性能得到有效验证，说明该方法具有广泛的应用前景。

该文提出一种基于八叉树结构的配电网运行数据可视化监控方法，经过实验验证了该方法对配电网故障的监测准确性较高，能很好地进行配电网数据的分类和异常识别。然而，该研究校验是在仿真实验环境中进行，应用于实际中可能会存在一定的误差，因此仍需要进行优化和改进，以适应更多的实际应用场景。