本发明涉及电力技术领域，尤其涉及一种基于数据驱动的配电设备利用率评估的方法及系统。
背景技术：
利用全寿命周期管理理念分析配电网设备利用率现状和发展趋势，是提高配电设备利用率、优化企业投资效益、适应电力改革下新发展以及配网精益化管理发展的主流方向。配电设备在电网中占比高，覆盖面积广阔，且配电网负荷分布不均，运维技术水平和设备质量良莠不齐，导致配电设备运行效率不高且分布不均的现象在电网中较为普遍。现有研究在配电网利用率预测模型上缺乏更为全面的多个维度影响因素挖掘和设备特性评估，缺乏大数据样本统计特征的理论支撑。
技术实现要素：
本发明的目的在于克服现有技术的不足，本发明提供了一种基于数据驱动的配电设备利用率评估的方法及系统，从而克服了现有的配电设备运行效率评估模型中影响因素缺乏多角度挖掘，无法全面反映电网侧、负荷侧和管理侧多重维度下的配电设备利用率的缺点。
为了解决上述技术问题，本发明实施例提供了一种基于数据驱动的配电设备利用率评估的方法，所述方法包括以下步骤：
s1、获取待评估配电网历史数据；
s2、基于待评估配电网历史数据进行设备利用率指标计算；
s3、数据处理及关键影响因素挖掘；
s4、将s3的关键影响因素向量特征图方阵作为深度卷积神经网络的输入，实现预测模型输入数据降维；将s2的三类设备利用率评估指标作为深度神经网络的输出变量，生成训练样本集和测试样本集；
s5、优化卷积神经网络模型超参数，训练卷积神经网络预测模型，得到优化后的预测模型；
s6、将目标年配电分区的关键要素取值输入s5所得模型，得到设备利用率指标预测值；
s7、建立多层次对标模式，进行配网分区在目标年份下的在役设备和退役设备预测结果横向对标和纵向对标相结合的多层次对标评价。
所述待评估配电网历史数据的来源涉及到各个配电分区的配电网网络结构数据、以及设备历史运行数据。
所述基于待评估配电网历史数据进行设备利用率指标计算闹了：
分别定义在役设备利用率、退役设备全寿命周期利用率指标，应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标。
所述分别定义在役设备利用率、退役设备全寿命周期利用率指标，应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标包括：
s21、计算在役设备利用率指标可定义为设备实际发出或输送电量与理论发出或传输电量的比值；
s22、计算退役设备全寿命周期利用率定义为寿命周期内设备实际与理论载流量的比值；
s23、采用熵权法用于求取在给定统计周期内指定配电区域的设备综合利用率评价指标。
所述采用熵权法用于求取在给定统计周期内指定配电区域的设备综合利用率评价指标包括：
s230、计算各配电台区在役运行设备和退役设备在评估年份内的设备利用率指标取值；
s231、构建设备利用率评价指标矩阵；
s232、计算评价指标熵值；
s233、计算评价指标熵权
s234、计算配电设备利用率目标值。
所述数据处理及关键影响因素挖掘包括：
s31、采用标准化方法对指标初始数据进行归一化处理，使数据映射到区间[0，1]内；
s32、根据多元线性回归分析模型，以配电分区各个台区的设备利用效率影响因素建立自变量矩阵x，以配电区域各台区的设备综合利用率建立因变量矩阵y，并根据灵敏度分析影响因素对设备综合利用率的重要程度，由此筛选影响配电网设备利用效率水平的关键要素，挖掘并分析配电网的电网侧、负荷侧和管理侧多重维度指标。
相应的，本发明还提供了一种基于数据驱动的配电设备利用率评估的系统，所述系统用于执行以上所述的方法。
本发明实施例所提供的基于数据驱动的配电设备利用率评估的方法及系统，能够对设备利用率进行评估并提供设备运行调整决策的辅助参考。通过引入多元线性回归算法实现数据处理及关键影响因素挖掘，引入卷积神经网络确定关键影响因素与设备利用率指标之间的关联特性，从而实现不同自变量优化组合下配电网设备利用效率的多维度关联分析，弥补了现有研究中指标分析维度覆盖面以及设备利用趋势预测不足的问题。专利所公开的方法为今后电网企业设备管理工作开展提供重要参考依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于数据驱动的配电设备利用率评估的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了本发明实施例中的基于数据驱动的配电设备利用率评估的方法流程图，具体包括以下步骤：
s1、获取待评估配电网历史数据；
这里待评估配电网历史数据的来源涉及到各个配电分区的配电网网络结构数据、以及设备历史运行数据等。
s2、基于待评估配电网历史数据进行设备利用率指标计算；
这里需要分别定义在役设备利用率、退役设备全寿命周期利用率指标，应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标。
这里基于待评估配电网历史数据进行设备利用率指标计算的方法流程图具体包括：
s21、计算在役设备利用率指标可定义为设备实际发出或输送电量与理论发出或传输电量的比值：
式(1)中，ηin为在役运行类设备利用率；ein在役运行类设备在评估周期内的实际总电量；；sn为在役运行类设备总额定容量；t为给定的评估时间周期；ei为第i台在役运行设备在评估周期内的实际电量；
s22、计算退役设备全寿命周期利用率定义为寿命周期内设备实际与理论载流量的比值：
式(2)中，ηre为退役类设备全寿命周期利用率；ere为退役类设备在全寿命期间内实际总电量值；td为退役类设备设计寿命；
s23、采用熵权法用于求取在给定统计周期内指定配电区域的设备综合利用率评价指标，具体步骤如下：
s230、计算各配电台区在役运行设备和退役设备在评估年份内的设备利用率指标取值。
s231、构建设备利用率评价指标矩阵：
d＝(dij)b×m＝(d1，d2，...di，...dm)(3)
式(3)中，b为待评估配电区域的配电台区数量；m为评价设备类别的类别数，这里指在役设备和退役设备两类设备；d为由b×m个指标取值构造的指标矩阵；di为指标矩阵中第i类设备类型的设备利用率评价指标列向量，即b个配电台区的第i个评价指标组成的列向量；dij为第i个配电台区的第j个评价指标值。
s232、计算评价指标熵值，第j个评价指标熵值计算公式如(4)所示：
式(4)、式(5)中，k＝1/ln(b)，b为待评估配电区域的配电台区数量，dij为第i个配电台区的第j个评价指标值，即pij是第i个配电台区的第j个评价指标的得分相对于所有台区在该指标上得分的占比。
s233、计算评价指标熵权，第j个评价指标熵权的计算公式如(6)所示：
式(6)中，1-ej为第j个评价指标的离散程度，b为待评估配电区域的配电台区数量，ej为第j个评价指标熵值。
s234、计算配电设备利用率目标值，第i个配电台区在评估年份内的设备综合利用效率指标ηi计算如(7)所示：
式(7)中，b为待评估配电区域的配电台区数量，wj为第j个评价指标熵权，pij是第i个配电台区的第j个评价指标的得分相对于所有台区在该指标上得分的占比。
s3、数据处理及关键影响因素挖掘，其具体步骤如下：
s31、采用标准化方法对指标初始数据进行归一化处理，使数据映射到区间[0，1]内。
s32、根据多元线性回归分析模型，以配电分区各个台区的设备利用效率影响因素建立自变量矩阵x，以配电区域各台区的设备综合利用率建立因变量矩阵y，并根据灵敏度分析影响因素对设备综合利用率的重要程度，由此筛选影响配电网设备利用效率水平的关键要素，挖掘并分析配电网的电网侧、负荷侧和管理侧多重维度指标。
多元线性回归模型如下式所示：
y＝xβ ε(8)
其中，y＝[y1，y2，…yi，…，yr]t，r为数据样本总数，yi为配电分区第i个数据样本的设备综合利用率；x＝[e，x1，x2，…xk，…xr]t，且e＝[1，1，…，1]t为n×1阶向量，第k个数据样本的设备利用效率影响因素列向量为xk＝[x1k，x2k，…，xnk]t；回归系数列向量为β＝[β0，β1，…βn]t；ε＝[ε1，ε2，…，εn]t为随机误差项，且ε～n(0，σ2)。回归系数可用最小二乘法求取，使所得到的回归模型满足所有观察值的残差平方和达到最小。
根据灵敏度分析影响因素对设备综合利用率的重要程度，由此筛选影响配电网设备利用率水平的关键要素，挖掘并分析配电网的电网侧、负荷侧和管理侧多重维度指标。灵敏度计算公式如下：
β＝(xtx)-1xty(9)
s4、将s3的关键影响因素向量特征图方阵作为深度卷积神经网络的输入，实现预测模型输入数据降维；将s2的三类设备利用率评估指标作为深度神经网络的输出变量，生成训练样本集和测试样本集。
s5、优化卷积神经网络模型超参数，训练卷积神经网络预测模型，得到优化后的预测模型。
s6、将目标年配电分区的关键要素取值输入s5所得模型，得到设备利用率指标预测值，该模型可用于预测区域在未来目标年的设备资产利用率趋势。
s7、建立多层次对标模式，进行配网分区在目标年份下的在役设备和退役设备预测结果横向对标和纵向对标相结合的多层次对标评价。
超参数的设置影响到预测模型的性能优劣，本发明在模型中通过调整cnn训练中的学习速率α优化预测模型性能，避免学习速率设置过小影响模型训练效率，过大给模型训练带来的不稳定性；另外，为了缓解过于强大的神经网络泛化能力较差的问题，引入了神经元随机丢失dropout技术，丢失的神经元将神经元的连接权重置为零，而且不参与网络训练的前向计算和反向传播，因而避免了过拟合的现象，增加了数据的多样性。选用均方根误差(rootmeansquarederror,rmse)、平均绝对误差百分比(meanabsolutepercentageerror,mape)函数作为性能评价指标来评估模型预测参数估计值与参数真值的误差期望值，如下所示：
其中，pi为第i个设备利用率实际值，
相应的，本发明还提供了一种基于数据驱动的配电设备利用率评估的系统，所述系统用于执行以上所述的方法。
综上，本发明一种基于数据驱动的配电设备利用率评估方法，引入多元线性回归算法以及卷积神经网络，从多源异构及多态海量数据中挖掘出影响配网设备利用率的关键因素，并构建配电网设备利用率预测模型，确定关键影响因素与设备利用率指标之间的关联特性，实现不同自变量优化组合下配电网设备利用效率的多维度关联分析以及设备未来利用率的预测和评估。本发明所公开的方法为电网企业在设备管理工作的准确性和智能化程度提升提供了重要参考依据。
以上对本发明实施例进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
1.一种基于数据驱动的配电设备利用率评估的方法，其特征在于，所述方法包括以下步骤：
s1、获取待评估配电网历史数据；
s2、基于待评估配电网历史数据进行设备利用率指标计算；
s3、数据处理及关键影响因素挖掘；
s4、将s3的关键影响因素向量特征图方阵作为深度卷积神经网络的输入，实现预测模型输入数据降维；将s2的三类设备利用率评估指标作为深度神经网络的输出变量，生成训练样本集和测试样本集；
s5、优化卷积神经网络模型超参数，训练卷积神经网络预测模型，得到优化后的预测模型；
s6、将目标年配电分区的关键要素取值输入s5所得模型，得到设备利用率指标预测值；
s7、建立多层次对标模式，进行配网分区在目标年份下的在役设备和退役设备预测结果横向对标和纵向对标相结合的多层次对标评价。
2.如权利要求1所述的基于数据驱动的配电设备利用率评估的方法，其特征在于，所述待评估配电网历史数据的来源涉及到各个配电分区的配电网网络结构数据、以及设备历史运行数据。
3.如权利要求2所述的基于数据驱动的配电设备利用率评估的方法，其特征在于，所述基于待评估配电网历史数据进行设备利用率指标计算闹了：
分别定义在役设备利用率、退役设备全寿命周期利用率指标，应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标。
4.如权利要求3所述的基于数据驱动的配电设备利用率评估的方法，其特征在于，所述分别定义在役设备利用率、退役设备全寿命周期利用率指标，应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标包括：
s21、计算在役设备利用率指标可定义为设备实际发出或输送电量与理论发出或传输电量的比值；
s22、计算退役设备全寿命周期利用率定义为寿命周期内设备实际与理论载流量的比值；
s23、采用熵权法用于求取在给定统计周期内指定配电区域的设备综合利用率评价指标。
5.如权利要求4所述的基于数据驱动的配电设备利用率评估的方法，其特征在于，所述采用熵权法用于求取在给定统计周期内指定配电区域的设备综合利用率评价指标包括：
s230、计算各配电台区在役运行设备和退役设备在评估年份内的设备利用率指标取值；
s231、构建设备利用率评价指标矩阵；
s232、计算评价指标熵值；
s233、计算评价指标熵权
s234、计算配电设备利用率目标值。
6.如权利要求5所述的基于数据驱动的配电设备利用率评估的方法，其特征在于，所述数据处理及关键影响因素挖掘包括：
s31、采用标准化方法对指标初始数据进行归一化处理，使数据映射到区间[0，1]内；
s32、根据多元线性回归分析模型，以配电分区各个台区的设备利用效率影响因素建立自变量矩阵x，以配电区域各台区的设备综合利用率建立因变量矩阵y，并根据灵敏度分析影响因素对设备综合利用率的重要程度，由此筛选影响配电网设备利用效率水平的关键要素，挖掘并分析配电网的电网侧、负荷侧和管理侧多重维度指标。
7.一种基于数据驱动的配电设备利用率评估的系统，其特征在于，所述系统用于执行如权利要求1至6任一项所述的方法。
技术总结