配变重过载分析报告范文 第一篇

根据本文提出的方法,使用互信息和对策理论计算特征变量对配变重过载情况发生的相对重要性,结果如图1所示。

由图1可知,影响配变重过载的因素主要为行业类别、用电类别、日平均气温、月平均气温4个特征变量,所占的比重分别为62%、15%、13%、9%,其余特征变量所占比重总和为1%。下面从行业类别、用电类别、日平均气温、月平均气温4个特征变量分析该区域的配变重过载情况。

图1 特征变量的相对重要性 Fig. 1 Relative importance of feature variables

配变重过载分析报告范文 第二篇

[1]王继业,季知祥,史梦洁,等.智能配用电大数据需求分析与应用研究[J].中国电机工程学报,2015,35(8):1829-1836.Wang Jiye,Ji Zhixiang,Shi Mengjie,et al.Scenario analysis and application research on big data in smart power distribution and consumption systems[J].Proceedings of the CSEE,2015,35(8):1829-1836(in Chinese).

[12]黄彦浩,于之虹,谢昶,等.电力大数据技术与电力系统仿真计算结合问题研究[J].中国电机工程学报,2015,35(1):13-22.Huang Yanhao,Yu Zhihong,Xie Chang.Study on the application of electric power big data technology in power system simulation[J].Proceedings of the CSEE,2015,35(1):13-22(in Chinese).

[13]张素香,赵丙镇,王风雨,等.海量数据下的电力负荷短期预测[J].中国电机工程学报,2015,35(1):37-42.Zhang Suxiang,Zhao Bingzhen,Wang Fengyu,et al.Short-term power load forecasting based on big data[J].Proceedings of the CSEE,2015,35(1):37-42(in Chinese).

配变重过载分析报告范文 第三篇

根据国家标准(GB/T 4754—2002)将国民经济行业类别分为20大类,该区域内每个行业的配变重过载比率如图2所示。

图2 行业配变重过载率 Fig. 2 Overload rate of different industry category distribution transformers

图3 用电类别配变重过载率 Fig. 3 Overload rate of different electric category distribution transformers

图3展示了不同用电类别的配变重过载率,可以看出,乡村居民用电配变重过载率远高于城镇居民用电配变重过载率,这是因为一方面乡村用户家里出现了大功率电器,导致居民用电量的增加;另一方面乡村配变老旧,容量较小。

针对单台配变,影响其重过载情况发生的主要因素为日平均温度和月平均温度。根据实验数据统计出该区域每台配变重过载概率与日平均温度之间的关系,月重过载天数与月平均温度之间的关系,并根据统计结果对配变进行分类,每一类的配变重过载概率与日平均温度之间都有相同的趋势。图4展示了4种典型配变重过载概率与日平均温度之间的关系,可以看出,随着日平均温度由极低温升高到极高温,I类配变的重过载概率变化是高-低-高,II类配变概率变化是低-中-高,III类配变概率变化是高-中-低,IV类配变概率变化是中-高-低。对区域内的所有配变根据前文提到的温度区间重过载概率分类方法进行分类,可以直观地得出每台配变在不同温度区间的重过载概率分布以及重过载概率随温度变化的趋势,分类结果如表6所示。

图4 配变重过载概率与日平均气温的关系 Fig. 4 Relationship between overload probability and daily mean temperature

表6 配变分类 Tab. 6 Classification of distribution transformers

由表6可知：1）I类配变数量为478,占重过载配变总数的。此类配变多为工业行业、通信行业用电。在温度极高和极低时,保障设备的正常运行会消耗额外的电量。2）II类配变数量为821,占重过载配变总数的。此类配变多为居民住宅、商业等用电,温度较高时,空调负荷增加,使配变重过载概率上升。3）III类配变数量为300,占重过载配变总数的18%,此类配变多为供暖行业及在冬季营业的特殊行业等用电,所以在天气寒冷时有较大重过载概率。4）IV类配变数量为67,占重过载配变总数的4%,此类配变多为露天工地以及其他露天场所等用电,天气炎热或寒冷时,温度不适宜露天工作,故配变重过载概率较低。而当温度适宜时,工作量加大,造成配变重过载概率升高。

对于编码为23411的配变,图5展示了此配变的月重过载天数与月平均温度之间的关系,可以看出在温度较高的6、7、8月份重过载天数没有超过10天,温度适中的3、4、5、9、10、11月份重过载天数均超过15天,而温度较低的1、2月,重过载天数在10~15天之间,这与该配变随温度由低到高的重过载概率变化趋势是相吻合的。

图5 第四类配变月重过载天数与月温度之间的关系 Fig. 5 Relationship between overload days of fourth distribution transformers and month mean temperature

由于极低温区间与极高温区间的样本数量较少,概率值会出现误差,随着配变负荷数据的累积,此误差值会逐渐减小。

配变重过载分析报告范文 第四篇

配变重过载情况的发生与天气情况、用电客户的不同甚至配变的属性都有着密切的联系。根据用电采集系统中的配变数据,以配变日负荷以及所带用电客户属性及配变自身属性为目标输入值,综合气象、温度、节假日等外部信息,采用负荷值作为关键类变量,进行数据统计分析,建立分类分析模型,使用通信理论中的互信息方法^[探究每个特征变量对重过载情况贡献的大小(即特征的相对重要性)。

在传统的统计学中,当自变量之间不相关或相关性较弱时,自变量的相对重要性可由一些简单的指标表示,如标准回归系数的平方、偏相关系数的平方以及半偏相关系数的平方等。但对于配变重过载的影响因素,天气因素中的日平均温度与月平均温度存在相关性,配变属性与用电客户之间也存在相关性,所以不能用传统的统计指标表示各个特征变量对配变重过载的相对权重。本文引用Shapley在1953年提出的对策理论^[(game theory)法以及信息论中的互信息概念,求解当特征变量之间存在相关性时特征变量对配变重过载情况的相对重要性。对特征变量按相关度强弱进行排序,去除完全独立或弱相关的特征变量。

对于相关性较强的特征变量,建立变量与配变重过载概率之间的关系模型,根据关系模型输出的图表,计算图表的特征值(如极大值、极小值、单调性等),将配变进行分类。每一类的配变重过载的概率随特征变量变化的趋势是一致的。探究每一类配变的数量,并分析配变所带用电客户的类型。

配变重过载分析报告范文 第五篇

在实际问题中,应用互信息研究影响因变量的自变量之间往往存在相关性,不能直接得出自变量的相对重要性。解决这一问题的方法是讨论所有自变量的不同组合中某一自变量的相对重要性,其原理是以互信息作为特征函数利用对策理论求解得出。

对策理论主要解决的问题是：在一次多人联合参与的工作中,找到一个分配函数将合作产生的总效益公平、有效地分配给联盟中的每位参与者。Shapley在1953年首先提出了具体的解法^[,因此也被称为shapley值法。理论上,求解配变重过载影响因素的相对重要性可以看作这一问题的同构问题,同构性解释如下：1）参与者看作模型中的影响配变重过载的特征量;2）联和贡献看作是各个特征量或特征量的组合对配变负载的影响;3）特征函数看作特征变量与配变负载率的互信息;4）效益分配看作所有特诊变量与配变负载互信息的分解。

下面给出对策理论的具体算法。假设有3个自变量,记为X_i、X_j和X_k,因变量记为Y。自变量依次以ijk的次序进入模型,分别计算在不同自变量构成的模型中的自变量与因变量的互信息I,分别记为I₁,I₂和I₃,则I₁为X_i的单独贡献值,I₂为在已经引入X_i之后的X_i与X_j的联和贡献值,I₃看作3个自变量的联和贡献值。那么可以将(I₂-I₁)看作自变量X_j的单独贡献值,同理可将(I₃-I₂)看作X_k的单独贡献值。假设对因变量有影响的自变量有p个,对于某一特定的自变量进入模型序列,当i=1,2,…,p时,将I_j-I_j-1看作第j个自变量在对应序列中的相对重要性。当自变量的个数为3时,所有自变量以不同的进入序列进入模型的相对重要性如表3所示。在表3中,同一自变量在不同的进入序列中所占的相对重要性不同。

表3 不同序列自变量与因变量互信息计算 Tab. 3 The computation of mutual information between different sequences of independent variables and dependent variables

从表3可以看出,对于p个自变量,进入模型的不同序列就有p!个。显然,当自变量个数为3时,序列的个数为6。

shapley值定理：p个自变量X={X₁,X₂,..,X_p}和以互信息I为特征函数的条件下,V_i为自变量X_i对因变量的贡献值,有如下公式：

\(Vi(X)=\sum\limits_{S\in X/Xi}{\alpha n(S)[I(S\bigcup Xi)-I(S)]}\) (5)

\(\alpha n(S)=\frac{s!(p-s-1)}{p!}\) (6)

其中：S为不包含自变量X_i的所有子集;s为S中变量的个数;p为所有自变量的个数。

配变重过载分析报告范文 第六篇

为构建提取配变重过载规则的数学模型,首先要确定输入的特征变量。配变重过载的主要影响因素包括温度、天气状况、日期等天气因素,配变类型、冷却方式、保护方式等配变自身属性因素以及配变所带用户的负载类型、生产班次、产业规模等用电客户因素。

本文选取的天气因素特征变量具体定义如下：1）日平均温度;2）月平均温度;3）天气状况;4）星期;5）是否为国家法定节假日;6）季度。

其中特征量1）—2）的字段属性为数值型,特征量3）—6）的字段属性为字符型。

对于日平均温度,将其分作5类,如表1所示。其中,配变负载率=视在功率/配变容量,某天配变负载类型由当天的最大负载率决定。配变负载率的分类如表2所示。

表1 日平均温度分类 Tab. 1 Classification of daily mean temperature

表2 配变负载率分类 Tab. 2 Classification of distribution transformer load

对于配变自身属性因素以及用电客户因素,可以从运营监测中心及营销系统中提取到数据,其中可能用到的配变自身属性因素的特征变量具体定义如下：1）配变首次运行日期;2）配变铭牌容量;3）配变主备性质;4）配变保护方式;5）配变冷却方式;6）配变生产日期;7）配变变动容量。特征量1—7的字段属性均为字符型。

配变重过载分析报告范文 第七篇

1）行业类别、用电类别、日平均温度、月平均温度4个因素对配变重过载影响最大,且行业类别因素影响率超过一半。

2）工业、制造业、服务业等生产行业配变重过载概率较大。乡村配变重过载概率大于城镇配变重过载概率,且集中在农业生产、大工业用电和生活用电等方面。

3）由于冬季供暖与夏季空调负荷增加等原因,配变重过载多发生于气温较高和气温较低时节。但是对于少量的露天场所,温度适宜时游客数量较多,用电量增加,故此类配变多在春秋季节温度适宜时发生重过载情况。

4）下一步,将根据本文得到的配变重过载影响因素建立分类模型对配变进行重过载预测,得到配变重过载开始时间和结束时间,提前做好相应的部署。