CN101609986A - 基于决策树的多级联合协调自动电压控制方法 - Google Patents

Abstract

一种基于决策树的多级联合协调自动电压控制方法，涉及电力系统的调度自动化技术领域；所要解决的是在同一个电网，上下级系统之间的联合协调控制问题，同时，这种采用数据挖掘的决策树方法也可以用来解决同级系统上下级厂站设备之间联合协调的技术问题；该方法的实现流程如下：1)自动电压控制AVC建设，并实用化运行；2)数据仓库的建立，节点属性的确立；3)决策树的搭建；4)样本测试；5)调整节点属性以及树枝的裁剪；5)样本验证；6)协调策略生成。本发明是基于决策树的数据挖掘方法，具有非常直观，易于操作，可灵活扩展节点属性的特点。使用该方法，可从大量的相关信息中提取出需要预测的结果，为电力调度自动控制决策提供了依据。

Description

基于决策树的多级联合协调自动电压控制方法

技术领域

本发明涉及自动化控制技术，特别是涉及一种用于电力调度自动化系统的多级系统的设备联合协调自动电压无功控制实现技术。

背景技术

电压是电能质量主要指标之一。电压质量对电网稳定及电力设备安全运行、工农业安全生产和人民生活用电都有直接影响。电压过高、过低或偏离一定范围都会影响到用电设备的使用寿命和利用效率，造成经济损失。

多级联合协调自动电压控制AVC(Auto-Voltague Control)，这里多级指上级、本级、下级系统的自动电压控制，还包括区域电压自动控制的上下级厂站之间的控制。并不是按照算法分类的三级电压控制和二级电压控制。

联合协调指多级系统之间的协调控制，同样也包括区域电压自动控制的上下级厂站之间的设备联合调节。

AVC在主站建设，集成所有厂站的信息，对整个系统进行协调控制，可以充分利用系统的无功资源，进行全网的无功优化，从而避免了设备的振荡投切，延长设备的使用寿命。集成多个厂站信息进行全网的自动电压控制是未来自动电压控制的一种重要方式。由于全网的优化是一个较长的周期，目前一般是以30分钟为优化周期，如果周期超过30分钟，电网方式变化太大难以描述电网的最优状态，周期少于30分钟，则设备的调节可能太频繁，对设备的使用寿命是不利的。当电网方式变化太大时，变化周期可能小于30分钟，导致频繁的启动优化算法，对设备控制加快，可能造成一些调节震荡，引起设备不必要的调节。

目前国内运行的AVC，建设在主站，采用无功优化的方法或者采用灵敏度结合逻辑搜索的方法来进行设备选优，并没有考虑当前电网的实际运行规则以及设备工况，基本抛弃了有优秀调度员的一些合理的建议和实际工作经验。在AVC的使用过程中可能造成调节震荡，不调节或者调节设备不理想，也造成无功的多补偿或者过补偿。也有一些方法把部分调度人员的经验形成规则，结合AVC进行自动电压控制，但这些规则难以适应复杂多变的电力网络，难以描述所有的运行方式，致使投运的AVC效果不很理想。

发明内容

针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种能充分利用电网无功设备，增强自动电压控制能力，提高供电侧母线电压质量，满足用户的电能质量要求的基于决策树的多级联合协调自动电压控制方法。

为了解决上述技术问题，本发明所提供的一种基于决策树的多级联合协调自动电压控制方法，其特征在于，电压控制方法具体的实现流程如下：

1)在主站建立数据仓库，用来存放2)和3)中的海量遥测遥信数据、以及AVC、调度员的操作事项，并且供决策树快速的检索；

2)监视调度员对所有电容器电抗器开关的遥控操作、监视所有变压器分头的遥调操作，并且记录监视厂站设备的高压母线电压、低压母线电压，变压器的功率，数据都保存在1)中的数据仓库中，在形成建立决策树时，能以此检索出必要的样本信息，以此来确定决策树的节点属性、以及属性值；

3)监视在主站投运并且实用化的AVC，记录AVC发出的动作指令；记录相应的动作指令和相关电压、有功、无功数据，保存在1)中的数据仓库中，在形成建立决策树时，能以此检索出必要的样本信息，以此来确定决策树的节点属性、以及属性值；

4)利用1)中保存的海量信息，提取出相关的样本信息，确定根节点、内部节点、叶子节点；以高压母线电压、低压母线电压、中压母线电压、高压变压器无功、联络线无功数据、调节的设备以及调节值作为决策树的节点属性，每个分支路径是节点属性值的一个输出，用部分样本信息来训练节点属性值；

5)根据4)的节点属性使用贪心(ID3)算法对每个变电站来建立一颗决策树，为样本验证提供节点支路信息；

6)根据样本信息进行树的裁剪，完成决策树节点属性值的定量分析，得到各个内部节点的属性修正值；

7)用最小成本复杂度剪枝法对冗余的决策树枝进行裁剪，生成最优决策树；

8)根据其余样本信息，完成决策树节点属性值的验证分析，把决策树的节点和属性值保存在数据仓库，实时运行时从数据仓库获取决策树，供AVC多级联合协调决策分析使用。

进一步的，所述决策树是数据挖掘(Data Mining)中一种常用技术，能用于分析数据，也能用来作预测。

进一步的，所述决策树首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。

进一步的，所述数据仓库(Data Warehouse)是数据存放的地方和提供对数据检索的支持；相对于操纵型数据库来说其突出的特点是对海量数据的支持和快速的检索技术。数据仓库的建立提供了决策树的数据支持。

进一步的，所述贪心(ID3)算法为一个典型的决策树学习系统，它以信息熵作为分离目标评价函数，采用自顶向下不可返回的策略，搜出全部空间的一部分，它确保决策树建立最简单，每次所做的测试数据最少。ID3算法构造的决策树平均深度较小，分类速度较快。

利用本发明提供的基于决策树的多级联合协调自动电压控制方法，由于采用数据挖掘的基于决策树的方法，对每个运行的变电站建立一颗决策树，每个决策树之间存在关联。从AVC运行的历史数据和调度员日常的调度操作来提取出有用的信息，这种信息用来指导AVC判断是否对本级厂站进行调节，还是对上级、下级系统发出调节请求，增强自动电压控制的协调能力，使多级系统充分利用已有资源，达到全网无功电压最优的效果。最终结果是给出一个完整的解决方案，这种方案将生成AVC对多级系统的联合协调指令。

相比目前主站运行的AVC，基于决策树的多级联合协调自动电压控制的方法有以下优点：

1)、考虑了调度员的经验调度，经过学习训练，可以适应不同的运行方式，而不需要修改AVC的规则库；

2)、基于决策树的方法在AVC多级协调中是首次使用，根据已有的SCADA采集信息，可以实现跨平台跨应用系统；

3)、采用决策树的方法可以避免AVC不必要的调节和避免应该动作时而AVC不调节，同时给出上下级调节的指令，使整个电网系统成为一个协调的整体；

4)、采用决策树的方法在寻优时直接浏览决策树，优化更快，最终可以找到一个最优或者次优的联合协调的解决方案。

基于决策树的多级联合协调自动电压控制方法实现了一种控制方法，此方法能充分利用调度员的调度经验和AVC实用化的运行实例，挖掘出适合当前电网的设备调节方案，可以自动配合上级自动控制系统，和协调下级自动控制系统，实现多级系统的联合协调，解决了网络中的多个设备，多种调节可能中的优化问题，使设备的遥控遥调变得更加智能，最大限度的保证电压质量、无功合格，使用户供电质量得到较大改善，也是电力调度自动化系统自动化水平提高的体现。同时本发明是基于决策树的数据方法，其数据挖掘方式与应用无关，实现了系统的跨平台应用，支持UNIX、WINDOWS各种系列版本的操作系统平台。

附图说明

图1是本发明实施例多级系统协调示意图；

图2是本发明实施例基于决策树的多级联合协调自动电压控制的流程图；

图3是本发明实施例一个厂站的决策树部分节点生长示意图。

具体实施方式

以下结合附图说明对本发明的实施例作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明的相似结构及其相似变化，均应列入本发明的保护范围。

本发明实施例采用数据挖掘(Data Mining)的决策树(Descision Tree)的方法，根据以往的调度数据，结合电网模型，当电网运行方式变化时，根据决策树的结果来决定AVC是否进行调节，如果的确需要调节，根据决策树的预测结果来决定AVC是对本级系统设备进行调节，还是对上级系统进行调节请求，或者对下级系统触发指令进行调节。

采用数据挖掘的决策树方法是利用信息论中的信息增益寻找示例数据库中具有最大信息增益的属性字段，建立决策树的一个节点，再根据该属性字段的不同取值建立树的分支；在每个分枝集中重复建立树的下一个节点和分支的过程。

决策树是一个类似于流程图的树结构，其中每个内部节点表示在一个属性上的测试，每个分枝代表一个测试输出，每个树叶节点代表类。树的最顶层节点是根节点，为了对未知的样本分类，样本的属性值在决策树上测试。路径由根到叶节点。然后将决策树转换为分类规则。

决策树的基本算法是贪心(ID3)算法，它以自顶向下各个击破的方式构造决策树。在决策树的构造过程中，许多分支可能反映的是训练数据中的噪声或孤立点，树剪枝方法可以检测并剔除这种干扰数据。通常它使用统计度量，剪去最不可靠的分枝，这将导致较快的分类，提高测试数据正确分类的能力，从而提高在未知数据上分类的准确性。

ID3是一个典型的决策树学习系统，它以信息熵作为分离目标评价函数，采用自顶向下不可返回的策略，搜出全部空间的一部分，它确保决策树建立最简单，每次所做的测试数据最少。ID3算法构造的决策树平均深度较小，分类速度较快。

决策树是数据挖掘(Data Mining)中一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测。决策树首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。

数据仓库(Data Warehouse)是数据存放的地方和提供对数据检索的支持。相对于操纵型数据库来说其突出的特点是对海量数据的支持和快速的检索技术。数据仓库的建立提供了决策树的数据支持。

由图1、图2所示，本发明所提供的一种基于决策树的多级联合协调自动电压控制方法的实现流程：首先，建立一个可以存储大量数据的数据仓库，此仓库可以存储结构化的数据，还有非结构化的数据。结构化的数据包括采集到的遥测遥信。非结构化的数据包括变电站的设备连接方式、是否有其他调节中断任务，以及调度员对设备的调节等有影响的因素。

其次，在主站侧收集调度员的操作信息，包括调度员对变压器的遥调和对电容器电抗器开关的遥控操作，这种操作读取操作事项加上开关变位，或者档位变化就可以判断出来，是否是调度员的操作。同时，把变压器的无功、有功、电流，高低压母线电压作为挖掘数据源保存到数据仓库中，由于不涉及到具体的设备操作，为节省磁盘空间，加快检索速度保护事项都可以不存储。

第三，收集实用化AVC的调节信息信息，收集的数据同第二步，但此部分数据可能包含一些不准确的调节信息，对这些要和第二步收集的调度员操作信息区别对待，赋予不同的权值。如果AVC考虑到上下级的协调，就赋予较高的权值，如果没有考虑则赋予较低的权值，即使较高的权值也不应该超过1.0。

第四步，把第二、第三步收集到的信息根据时间顺序保存到数据仓库，保存到数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是数据仓库中一般有大量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。因此需要进行清洗，筛选出不必要保存的意义不大的数据。例如变化不大的遥测，一直不变化的遥信数据，以及绝大多数时间为0的保护信号数据，保存时就需要进行筛选处理，一段时间内仅仅保存变化的数据，而不是每个时间断面保存全数据。

第五步，经过一段时间的信息收集后，这个时间应该大于半年以上，数据仓库的数据就可以检索出进行分析。对多级联合协调自动电压控制的AVC来说，涉及到相关因素主要有：高压侧的电压、低压侧的电压、变压器的无功、联络线的无功、上级的指令、下级的请求六个方面。但需要的数据较多，并且对数据的延续性有要求，样本数据必须连续一段时间才具有利用价值。下列数据需要被列入样本信息中：1)、连续的遥测，包括变压器的有功、无功、电流，母线的电压，发电机的无功、有功，线路的有功、无功，电容器电抗器的无功；2)、遥信信息，包括线路开关的状态、变压器开关的状态、电容器开关状态、线路开关状态、母联开关状态；3)、设备的运行工况，包括变压器的停运、检修、备用、投运状态，电容器电抗器的停运、检修状态；4)、设备的一些计算参数，包括变压器的阻抗、线路的阻抗、电容器电抗器的电容电感值。

第六步，根据实际情况按照每个变电站建立一颗决策树，把一段时间的数据整理处理后，根据其影响因素建立根节点、内部节点和叶子节点。从根节点开始建立树，树的建立过程是不断的把数据进行切分的过程，每次切分对应一个问题，也对应着一个节点。对每个切分都要求分成的组之间的“差异”最大。决策树自顶向下各个击破的方式构造的，根据最小化冗余平方和原则选择分裂属性，挑选影响因素最大的“高压侧电压”作为根节点，其他低压母线电压、变压器无功潮流、联络线无功潮流等作为内部节点。叶子节点为本级AVC动作指令、上级动作指令、下级动作指令三种。

第七步，把检索到的样本信息划分为两部分，其中70％作为训练样本，在这些大量样本训练过程中，挖掘出节点的属性值。

第八步，在挖掘属性值的过程中，要对冗余的树枝进行裁剪，避免不必要的开销，得到一颗最优决策树。这个树的每个节点都是必要的，包括高压侧的电压、低压侧的电压、变压器的无功、联络线的无功、上级的指令、下级的请求。对每个节点属性值都是明确的，都是差异最大的，如高压侧的电压是越限与否，低压母线电压越限与否，联络限无功满足要求与否等。

第九步，用剩余的样本信息对决策树进行验证，看每颗树的节点、节点属性值是否合理。在这个过程中还需要调整决策树的属性值以适应验证样本信息。直到得出的叶子节点符合验证样本。

最后，验证阶段完成后，对每个变电站可以得到一颗最优的决策树，把这颗决策树保存到数据仓库中，在需要AVC联合协调时的决策时加载，并使用。

由图3所示，本发明实施例一个厂站的决策树部分节点的生长，其中节点1为高压母线电压越限值；

节点21为低压母线电压越限值(合取规则：大于)；

节点22为低压母线电压越限值(合取规则：小于)；

节点31为变电站无功越限值(合取规则：大于)；

节点32为变电站无功越限值(合取规则：小于)；

节点41为下级联络线路无功(合取规则：大于)；

节点42为下级联络线路无功(合取规则：小于)；

节点51为下级联络线路无功越限(合取规则：大于)；

叶子节点101：指示上级系统运行；

叶子节点102：指示本级AVC运行；

叶子节点103：指示下级系统运行。

Claims (5)

1、一种基于决策树的多级联合协调自动电压控制方法，其特征在于，电压控制方法具体的实现流程如下：

1)在主站建立数据仓库，用来存放2)和3)中的海量遥测遥信数据、以及AVC、调度员的操作事项，并且供决策树快速的检索；

2)监视调度员对所有电容器电抗器开关的遥控操作、监视所有变压器分头的遥调操作，并且记录监视厂站设备的高压母线电压、低压母线电压，变压器的功率，数据都保存在1)中的数据仓库中，在形成建立决策树时，能以此检索出必要的样本信息，以此来确定决策树的节点属性、以及属性值；

3)监视在主站投运并且实用化的AVC，记录AVC发出的动作指令；记录相应的动作指令和相关电压、有功、无功数据，保存在1)中的数据仓库中，在形成建立决策树时，能以此检索出必要的样本信息，以此来确定决策树的节点属性、以及属性值；

4)利用1)中保存的海量信息，提取出相关的样本信息，确定根节点、内部节点、叶子节点；以高压母线电压、低压母线电压、中压母线电压、高压变压器无功、联络线无功数据、调节的设备以及调节值作为决策树的节点属性，每个分支路径是节点属性值的一个输出，用部分样本信息来训练节点属性值；

5)根据4)的节点属性使用贪心算法对每个变电站来建立一颗决策树，为样本验证提供节点支路信息；

6)根据样本信息进行树的裁剪，完成决策树节点属性值的定量分析，得到各个内部节点的属性修正值；

7)用最小成本复杂度剪枝法对冗余的决策树枝进行裁剪，生成最优决策树；

8)根据其余样本信息，完成决策树节点属性值的验证分析，把决策树的节点和属性值保存在数据仓库，实时运行时从数据仓库获取决策树，供AVC多级联合协调决策分析使用。

2、根据权利要求1所述的基于决策树的多级联合协调自动电压控制方法，其特征在于，所述决策树是数据挖掘中一种常用技术，能用于分析数据，也能用来作预测。

3、根据权利要求1所述的基于决策树的多级联合协调自动电压控制方法，其特征在于，所述决策树首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。

4、根据权利要求1所述的基于决策树的多级联合协调自动电压控制方法，其特征在于，所述数据仓库是数据存放的地方和提供对数据检索的支持；相对于操纵型数据库来说其突出的特点是对海量数据的支持和快速的检索技术。

5、根据权利要求1所述的基于决策树的多级联合协调自动电压控制方法，其特征在于，所述贪心算法为一个典型的决策树学习系统，它以信息熵作为分离目标评价函数，采用自顶向下不可返回的策略，搜出全部空间的一部分，它确保决策树建立最简单，每次所做的测试数据最少。

Images