论文部分内容阅读
摘要：本文围绕台区线损异常治理效率低、降损成效弱、异常监测难等问题，依托营销SG186系统、用电信息采集系统等海量数据，运用聚类算法和关联分析法，进行静态与动态数据的集成整合与优化，实现对台区数据信息的深度挖掘;通过搭建阶梯化线损管控模型、线损评估与智能诊析模型和线损治理配型库，开发台区线損“慧诊”助手开发应用，可实现“一台一策”台区线损管理的快速诊断决策与智能管控。
关键词：大数据;台区线损;数据挖掘;聚类算法;智能诊断
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，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，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，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，选取正态分布曲线进行拟合计算，
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，用于智能诊析模型开发。
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”。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>20kWh”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：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;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。
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。
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
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。
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，
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]黄静，张敏，徐溦，等.基于同期线损系统数据挖掘技术的低压台区线损诊断模型[J].重庆电力高等专科学校学报，2018，23（006）：26-30.
[2]刘寅，李懋.基于智能用电大数据分析的台区线损管理研究[J].中国新技术新产品，2019.
[3]王玻，彭伟.基于数据挖掘的服务企业诊断信息情报智能采集模型研究[J].科技管理研究，2020.
[4]何俊智.基于大数据分析的电力营销管理研究[D].2018.
（作者单位：国网河北省电力有限公司河间市供电分公司）
关键词：大数据;台区线损;数据挖掘;聚类算法;智能诊断
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，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，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，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，选取正态分布曲线进行拟合计算，
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，用于智能诊析模型开发。
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”。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>20kWh”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：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;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。
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。
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
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。
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，
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]黄静，张敏，徐溦，等.基于同期线损系统数据挖掘技术的低压台区线损诊断模型[J].重庆电力高等专科学校学报，2018，23（006）：26-30.
[2]刘寅，李懋.基于智能用电大数据分析的台区线损管理研究[J].中国新技术新产品，2019.
[3]王玻，彭伟.基于数据挖掘的服务企业诊断信息情报智能采集模型研究[J].科技管理研究，2020.
[4]何俊智.基于大数据分析的电力营销管理研究[D].2018.
（作者单位：国网河北省电力有限公司河间市供电分公司）