本發明涉及配電網負荷校準技術領域，尤其涉及一種基于大數據分析的配電網負荷校準的方法和裝置。
背景技術：
電網運行中的負荷數據有著多種重要用途，比如負荷預測、可開放容量管理、運行方式優化、經濟運行分析、規劃設計等。目前，各地區配網的網架結構不同程度地存在薄弱環節，負荷數據的質量較差，對配網負荷數據的校準一般采用多維系統分析的方式進行，數據掌握不全面，人員工作量大、效率低下、而且效果欠佳。
基于配網自動化系統，充分挖掘其大數據運用的潛力，利用系統中的網架結構、設備參數、負荷數據等各類信息，開發出一套高效易用的自動負荷校準方法，具有重大意義和價值：可以為配電網架建設、優化運行方式、提升供電能力、提高對應管理水平和工作效率等方面形成重要支撐。
在現有技術中，一般借助多維分析系統進行配電網負荷管理，其中大量的數據收集整理工作和分析決策工作都依賴人工進行。計算采用的數據不準確，或者依賴人工核對；未考慮配網運行方式調整導致的負荷變化等。總體而言，配電網負荷校準一般是在人工介入下有限利用配網歷史負載數據，有些情況下甚至是用限流值等靜態數據進行粗略估算，難以體現電網運行的動態變化，計算結果屬于概略計算，準確性低；人員工作量大，效率較低且容易出錯。
技術實現要素：
本發明利用配電網的模型數據和歷史運行數據進行大數據分析，對配電設備的負荷曲線數據進行自動校準，確保配電網負荷數據的合理性和可用性。
本發明采用的技術方案一方面為一種基于大數據分析的配電網負荷校準方法，包括以下步驟：A、基于配電自動化系統獲取用于負荷校準的基礎數據；B、對所述基礎數據中的異常負荷數據采用差異化的一個或多個數據分析方法進行辨識與修正，其中，所述異常負荷數據包括導致負荷曲線形狀發生異常改變的形狀畸變數據、在相鄰時段數據間的突然變化的負荷毛刺數據以及由故障導致的缺失性數據三者中的至少一者。
在步驟A中所述基礎數據包括：變電站設備數據、中壓配電網設備數據、配電網的拓撲連接關系數據、變電站歷史數據、中壓配電網歷史數據和中壓開關及配變的歷史負荷曲線。
作為本發明的進一步改進，所述步驟B包括：通過關聯數據分析對受到特定事件影響的畸變負荷曲線進行過濾，根據開關分合狀態變換的歷史數據，對采樣數據中非標準運行方式下的數據進行過濾。
優選地，所述步驟B還包括：根據開關分合狀變的歷史數據進一步對電網拓撲進行分析以確定受到所述特定事件影響的區域。
作為本發明的進一步改進，所述步驟B包括：采用平均標幺值法剔除所述形狀畸變負荷曲線。
優選地，所述步驟B還包括：首先計算各天的負荷標幺曲線的平均值獲得平均標幺曲線，然后計算各天的負荷標幺曲線與平均標幺曲線的距離，按照距離大小排序分析畸變程度確定形狀畸變負荷曲線。優選地，所述步驟B還包括，在計算負荷標幺曲線的過程中獲得考察樣本。
作為本發明的進一步改進，所述步驟B包括：采用3σ準則法剔除負荷毛刺數據；通過插值法補全缺失性數據。
本發明另一方面提供一種基于大數據分析的配電網負荷校準裝置，包括：數據獲取模塊，基于配電自動化系統獲取用于負荷校準的基礎數據；數據校準模塊，用于對所述基礎數據中的異常負荷數據采用差異化的一個或多個數據分析方法進行辨識與修正，其中所述異常負荷數據包括導致負荷曲線形狀發生異常改變的形狀畸變數據、在相鄰時段數據間的突然變化的負荷毛刺數據以及由故障導致的缺失性數據三者中的至少一者。
本發明的有益效果為：為配電網架建設、優化運行方式、提升供電能力、提高對應管理水平和工作效率等方面形成重要支撐；運用大數據分析技術，從多個維度對配電網負荷數據進行智能辨識和異常修正，保證了負荷數據的有效性，提高了負荷校準的質量和效率。本發明的方法簡潔有效，適合于工程化實際應用。
附圖說明
圖1所示為根據本發明的方法的總體流程框圖。
具體實施方式
參照圖1所示的根據本發明的基于大數據分析的配電網負荷校準方法的總體流程框圖。
在步驟A中，基于配電自動化系統(DAS)進行基礎數據的獲取。配電自動化系統是一種可以使配電企業在遠方以實時方式監視、協調和操作配電設備的自動化系統；其內容包括配電網數據采集與監視(SCADA系統)、配電地理信息系統(GIS)和需求側管理(DSM)幾個部分。
配電網負荷校準所需的基礎數據全部從配電自動化系統中進行自動抽取，不需要進行人工數據維護，降低系統維護成本。配電自動化系統中包含海量數據信息，負荷校準主要需要利用以下數據：a.變電站設備數據：主變、母線、出線的設備參數(型號、容量、限流值等)；b.中壓配電網設備數據：各線路段、中壓開關、配變的設備(型號、容量、限流值等)；c.配電網的拓撲連接關系；d.變電站歷史數據：主變、母線、出線的歷史負荷曲線；e.中壓配電網歷史數據：中壓開關、配變的歷史負荷曲線。
實際數據系統中，異常負荷數據的產生往往是隨機的，主要以形狀畸變數據、負荷毛刺數據、缺失數據等多種異常類型存在于數據庫中。本發明對各種異常數據采用差異化的數據處理。
在步驟B中，通過關聯數據分析過濾受特定事件影響的畸變負荷曲線，其中形狀畸變數據是指量測系統正常情況下，由于特定事件的發生導致負荷曲線形狀發生異常改變的情況，表現為正常數據疊加特定事件引起的負荷波動而產生的負荷畸變。
引起負荷畸變的特定事件可能是線路故障、設備檢修、大用戶投切、極端天氣狀況(如高溫、臺風等)，或者其他可以導致電力負荷異常波動的情形。這類事件發生時往往伴隨著電網運行方式的改變(主要表現為線路上開關合分狀態和網絡拓撲結構的改變)。因此，引入配電網拓撲數據分析，根據開關分合狀變的歷史數據，可以把采樣數據中非標準運行方式下的數據(即因特定事件影響而導致負荷畸變的數據)過濾出來。比如某條線路在某一天執行了停電檢修作業，該線路的開關會在當天產生分閘/合閘等歷史事件記錄。所以，通過追溯配電開關歷史變位事件記錄，并對事件發生時的電網拓撲進行分析，就可以確定哪些區域的負荷受到了該事件的影響，從而實現對受特定事件影響的畸變負荷的過濾處理。
在優選的實施例中，采用平均標幺值法剔除形狀嚴重畸變負荷曲線。根據前述步驟B的方法，通過關聯的開關事件記錄和拓撲分析已可過濾絕大多數的形狀畸變數據。為了確保對形狀畸變數據的識別萬無一失，本發明在此基礎上，采用“平均標幺值”法對畸變負荷曲線實施二次識別剔除。
通常電力負荷具有以下性質：電力負荷既有規律性又有隨機性,在一定時期內,同一個時刻點的負荷大致呈正態分布。相鄰時段之間的負荷具有粘性,即不會發生突變,這是進行異常負荷數據校驗的基礎。相同或近似相關因素(如天氣)情況下的負荷特性相同或相似。根據電力負荷的這些特性，可以采用平均標幺值法對形狀嚴重畸變負荷曲線的剔除。
在實際工程應用中,先計算各天負荷標幺曲線的平均值獲得平均標幺曲線,再計算各天標幺曲線與平均標幺曲線的距離,按照距離大小排序分析畸變程度,這是一種行之有效的方法。具體算法如下：
假定需檢測負荷數據的天數為d,每天有t個時段,考察樣本按下式獲得：
式中：L為負荷樣本向量；Ld為第d天的負荷樣本；L*d,t為第d天t時段的標幺負荷；Ld,t為第d天t時段的負荷；Lmax,d為第d天的最大負荷；L*avg是各天負荷標幺曲線的平均值；L*avg_t是t時段的平均標幺負荷；D*avg_d是第d天標幺曲線與平均標幺曲線的距離。D*avg_d越大，意味著該天的負荷曲線偏離平均負荷曲線越遠。實際工程中，可以按照D*avg_d排序，把D*avg_d最大的一批負荷樣本予以剔除。
負荷毛刺數據會在數值上表現為在相鄰時段數據間的突然增大或減小，后續數值又回歸至正常值附近。突變幅度可大可小，負荷數據中的極大極小值一般屬于突變幅度過大的毛刺。毛刺數據的產生多是因為采集系統受到短暫擾動等發生異常，或是受到沖擊負荷(例如合環沖擊電流)等因素的影響。在剔除形狀嚴重畸變的負荷曲線后,對剩余的曲線實施去毛刺操作。
對于超過設備量測正常范圍的極大極小值，可以通過有效值范圍檢查得以簡單識別。對于更通常情況下的毛刺類的異常數據點，基于采樣數據的統計規律采用“3σ準則”進行識別和校正。3σ準則又稱為拉依達準則，它是先假設一組檢測數據只含有隨機誤差，對其進行計算處理得到標準偏差，按一定概率確定一個區間，認為凡超過這個區間的誤差，就不屬于隨機誤差而是粗大誤差，含有該誤差的數據應予以剔除。
在根據本發明的實施例中，基于“3σ準則”去毛刺的優選方法如下：
對于觀測數據序列{y1,y2,…,yj-1}，描述該序列數據的變化特征為
dj＝2yj-(yj+1+yj-1)(j＝2,3,…,N-1) (7)
這樣，由N個觀測數據可得N-2個dj。這時，由dj值可計算序列數據變化的統計均值和均方差
根據dj偏差的絕對值與均方差的比值
一般地，當qj>3時，則認為yi是異常值(即所謂“3σ準則”)。
當yi被識別出為異常值時，可采用插值法對yi進行校正。最簡單的線性插值公式如下：
yi＝(yi-1+i+1)/2 (11)
在優選的實施例中，通過插值法補全缺失數據，這類異常數據在數據庫中的表現為空值，多為采集系統/通信裝置故障等原因導致。缺失數據點可以利用公式(11)進行插值補全。
在另外的實施例中，還提供基于大數據分析的配電網負荷校準裝置，該裝置可以基于現有的計算設備硬件，比如個人計算機、運算服務器等，來執行非臨時性介質中的預存指令來實施上述的方法。
以上所述，只是本發明的較佳實施例而已，本發明并不局限于上述實施方式，只要其以相同的手段達到本發明的技術效果，都應屬于本發明的保護范圍。在本發明的保護范圍內其技術方案和/或實施方式可以有各種不同的修改和變化。