基于DBN和K-means聚类的配变重过载预警方法

童光华，董亮，任永平，于金平，冉新涛

（1.国网新疆电力有限公司电力科学研究院，新疆维吾尔自治区乌鲁木齐市 830011；2.国网新疆奎屯供电公司，新疆维吾尔自治区奎屯市 833200）

0 引言

配电网供电可靠性直接影响用电客户的满意度[1-2]，相关影响因素主要包括供电线路和配电变压器的故障率、作业停运修复时间、用户密度的分布、配电变压器重过载等[3-4]。随着经济快速发展，工业用电量、居民生活用电量都急速增长，配电变压器数量随之迅速增加；特别是7—8月、春节等时间段，由于用户用电需求的增加用电负荷剧增，引起大量配电变压器过负荷的运行状态，造成配电变压器非正常运行或故障[5-6]。某省电力公司运监中心数据显示，截至2017年10月，该省重载配电变压器设备已达255台，不仅给电网安全运行带来了较大的安全隐患，也造成了设备资产的严重浪费。

目前，配电系统运行产生的多源异构、规模巨大、增长快速、类型丰富的数据样本，表现出大数据的基本特征[5]。基于数据的机器学习是现代智能技术的重要组成部分，为配电变压器重过载问题的解决提供了新思路。采用基于数据的机器学习理论对配电网重过载变压器进行预测分析[6]，可以有效预测配电变压器未来是否会出现重过载现象。作为人工智能的分支，机器学习能够发掘已知数据的潜在规律对未来的数据发展做出预测，其中主要方法有支持向量机(support vector machine,SVM)算法[7-11]、人工神经网络(artificial neural network,ANN)算法[12-16]、深度学习算法[17-20]等。……