CN104820874A - 电力调度中心的监控方法 - Google Patents

Abstract

本发明公开了电力调度中心的监控方法，由数据的获取、监控节点的设备故障的监控、用电高峰的预测组成，获取来自电力调度中心每个监控节点的监控数据，生成与关注数据对应的三维图形数据。采集监控节点的设备状态数据、存储、对比数据中的异常、分析并显示故障原因、通知相关人员并修复故障。本发明使用了条件随机场理论对各监控节点的用电设备建立数学模型，并以此预测总用电量的趋势，通过预测用电高峰的时间段，提前采取措施合理调节用电量，以达到削减高峰、平衡电力供需关系的目的，从而达到缓解电网负荷的目的。本发明提高监控效率、确保电网安全地运行。

Description

电力调度中心的监控方法

技术领域

本发明涉及电力技术领域，具体是电力调度中心的监控方法。

背景技术

电力调度中心根据电力系统当前运行状况和预计的变化进行判断、决策和指挥。电力调度的主要职责保证电网连续、稳定、正常运行，按照资源优化配置的原则，实现优化调度、节能调度，最大限度满足用户的用电需要。电力调度系统是指当居民用电超过一个限度的时候，适当的把企业用电限制并输送给居民用电。为了在保证电力调度和电力供应的时间段中，提高对于突发事件的应急情况的解决速度，进一步来确保电力供应的安全运行水平，在电力调控中安装工业电视监控系统。设备的监视主要包括主变压器、断路器、电压互感器、电流互感器、高压室开关、主控室的电源盘及控制盘盘面等。通过在监视对象处安装摄像机、感应探头等装置，实现对一二次设备及其运行情况的监视，如：主变压器、开关是否有外部损伤，主变压器油位及控制盘上的表头、灯光信号是否正常等。但是监控节点的设备出现故障时也无法及时维修。

而且随着生活水平的不断提高，居民用电占电网总负荷的比例正在不断增加。由于居民用电具有时间上集中的特点，因此将导致电网负荷在短时间内剧烈波动，出现用电高峰。传统电力系统应对高峰负荷的措施主要是依靠增加发电装机容量和提升电网设备输配电能力来实现，从而使得发电侧和电网侧设备利用效率低下，严重浪费了资源。由此可见，电网负荷预测对于电网负荷调节具有重要意义。目前，现有技术中所使用的主流的电网负荷预测方法有：回归分析预测法(包括线性回归和非线性回归类方法)，时间序列预测法，灰色预测法，神经网络预测法等。但是，现有技术中的电网负荷预测方法(例如，以回归类方法为例)一般都具有计算量庞大，实时性欠佳等缺点，因此难以对居民用户的电网负荷进行较好的预测。

发明内容

本发明的目的在于提供提高监控效率、能预测用电高峰的电力调度中心的监控方法,以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

电力调度中心的监控方法，由数据的获取、监控节点的设备故障的监控、用电高峰的预测组成，具体如下所述：

步骤一、数据的获取：获取来自电力调度中心每个监控节点的监控数据，所述监控数据包括所述每个监控节点的电压、电流、变压器输出功率；对获取的监控数据进行选择，得到关注数据；生成与关注数据对应的三维图形数据；在电力调度中心的显示屏上显示与三维图形数据对应的三维图形；

步骤二、监控节点的设备故障的监控：

采集监控节点的设备状态数据；存储全部数据；对比数据中的异常，对比过程中没有发现异常，就会将设备的实时数据通过图形、表格、页面的形式显示出来；分析并显示故障原因：将异常的数据与故障范本一一比对后，找到相似度最高的故障范本，再将该故障范本调用并显示出来；通知相关人员并修复故障；

步骤三、用电高峰的预测：

1）根据预设的温度阈值对用电量数据进行分类，并确定待预测时间段内的用电量数据的类别；在待预测时间段内采集所有待测用电设备的指定类别的用电量数据；

2）建立条件随机场模型，并将所采集的用电量数据作为训练样本估计得到用电量的条件概率分布函数；所述条件概率分布函数包括：对条件随机场模型进行初始化设置，即将特征权重参数λ的初始值设置为0；将所采集的用电量数据作为训练样本输入初始化设置后的条件随机场模型中进行迭代计算，并使用最大似然参数估计算法估算得到所述特征权重参数λ的值，从而得到用电量的条件概率分布函数，

      

其中，p(y|x,λ)为用电量的条件概率分布函数，x为当前用电量，y为预期用电量，λ为特征权重参数，Z(x)为归一化因子，f为特征向量；

3）根据所述用电量的条件概率分布函数和当前用电量，预测下一预测时间段的预期用电量和是否出现用电高峰；预先设置用电量阈值Pa和用电量高峰的概率阈值Pt；根据用电量的条件概率分布函数计算预期用电量的取值大于Pa的概率；当预期用电量的取值大于Pa的概率大于或等于用电量高峰的概率阈值Pt时，判断下一预测时间段内将出现用电高峰；

4）当预测到将出现用电高峰时，向监控节点发送报警信息与控制信号。

作为本发明进一步的方案：所述步骤一中三维图形数据包括三维图元数据、颜色透明度编码数据、动画显示数据和/或背景渲染数据。

 与现有技术相比，本发明的有益效果是：本发明能够直观地显示来自各监控节点的监控数据，供调度人员观察分析，并能根据分析结果对各监控点的运行进行调控，从而确保电网安全地运行。本发明能够第一时间发现监控设备的异常，提高了监控效率。本发明使用了条件随机场理论对各监控节点的用电设备建立数学模型，并以此预测总用电量的趋势，通过预测用电高峰的时间段，提前采取措施合理调节用电量，以达到削减高峰、平衡电力供需关系的目的，从而达到缓解电网负荷的目的。

具体实施方式

下面将结合本发明实施例，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明实施例中，电力调度中心的监控方法，由数据的获取、监控节点的设备故障的监控、用电高峰的预测组成，具体如下所述：

步骤一、数据的获取：获取来自电力调度中心每个监控节点的监控数据，所述监控数据包括所述每个监控节点的电压、电流、变压器输出功率；对获取的监控数据进行选择，得到关注数据；生成与关注数据对应的三维图形数据；在电力调度中心的显示屏上显示与三维图形数据对应的三维图形。

步骤二、监控节点的设备故障的监控：采集监控节点的设备状态数据；存储全部数据；对比数据中的异常，对比过程中没有发现异常，就会将设备的实时数据通过图形、表格、页面的形式显示出来；分析并显示故障原因：将异常的数据与故障范本一一比对后，找到相似度最高的故障范本，再将该故障范本调用并显示出来；通知相关人员并修复故障。

步骤三、用电高峰的预测：1）根据预设的温度阈值对用电量数据进行分类，并确定待预测时间段内的用电量数据的类别；在待预测时间段内采集所有待测用电设备的指定类别的用电量数据。2）建立条件随机场模型，并将所采集的用电量数据作为训练样本估计得到用电量的条件概率分布函数；所述条件概率分布函数包括：对条件随机场模型进行初始化设置，即将特征权重参数λ的初始值设置为0；将所采集的用电量数据作为训练样本输入初始化设置后的条件随机场模型中进行迭代计算，并使用最大似然参数估计算法估算得到所述特征权重参数λ的值，从而得到用电量的条件概率分布函数，其中，p(y|x,λ)为用电量的条件概率分布函数，x为当前用电量，y为预期用电量，λ为特征权重参数，Z(x)为归一化因子，f为特征向量。3）根据所述用电量的条件概率分布函数和当前用电量，预测下一预测时间段的预期用电量和是否出现用电高峰；预先设置用电量阈值Pa和用电量高峰的概率阈值Pt；根据用电量的条件概率分布函数计算预期用电量的取值大于Pa的概率；当预期用电量的取值大于Pa的概率大于或等于用电量高峰的概率阈值Pt时，判断下一预测时间段内将出现用电高峰。需要考虑到天气因素，例如温度对用电量的影响，每一类特定天气条件下的用电量数据都有相应的规律。因此，可以预先设置一个温度阈值，然后根据预设的温度阈值对用电量数据进行分类。例如，可以分为寒冷天气、凉爽天气、温暖天气和炎热天气四种条件下的用电量数据。4）当预测到将出现用电高峰时，向监控节点发送报警信息与控制信号。

条件随机场(Conditional Random Fields，CRF)理论实质上是一种统计学习的方法。统计学习通过分析大量数据以构建概率统计模型，提取数据的特征并对数据的趋势做出预测。条件随机场模型是一种用来标记和切分序列化数据的统计模型。这些数据被预设为具有马尔可夫属性。该模型在给定需要标记的观察序列的条件下，计算整个标记序列的联合概率。标记序列的分布条件属性，可以让条件随机场很好的拟合现实数据，而在这些数据中，标记序列的条件概率依赖于观察序列中非独立的、相互作用的特征，并通过赋予特征以不同权值来表示特征的重要程度。条件随机场模型是针对具有马尔可夫性质的一组随机变量建立的模型。马尔可夫性质意味着基于无向图拓补联合的随机变量只与相邻的变量有关，而与不相邻的变量独立。在本发明的技术方案中，将每个被测用电设备的用电量作为条件随机场模型的变量，从而可以建立条件随机场模型，并根据所建立的建立条件随机场模型、条件随机场理论及估计方法预测用电趋势。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (2)

1.电力调度中心的监控方法，其特征在于，由数据的获取、监控节点的设备故障的监控、用电高峰的预测组成，具体如下所述：

步骤一、数据的获取：获取来自电力调度中心每个监控节点的监控数据，所述监控数据包括所述每个监控节点的电压、电流、变压器输出功率；对获取的监控数据进行选择，得到关注数据；生成与关注数据对应的三维图形数据；在电力调度中心的显示屏上显示与三维图形数据对应的三维图形；

步骤二、监控节点的设备故障的监控：

采集监控节点的设备状态数据；存储全部数据；对比数据中的异常，对比过程中没有发现异常，就会将设备的实时数据通过图形、表格、页面的形式显示出来；分析并显示故障原因：将异常的数据与故障范本一一比对后，找到相似度最高的故障范本，再将该故障范本调用并显示出来；通知相关人员并修复故障；

步骤三、用电高峰的预测：

1）根据预设的温度阈值对用电量数据进行分类，并确定待预测时间段内的用电量数据的类别；在待预测时间段内采集所有待测用电设备的指定类别的用电量数据；

2）建立条件随机场模型，并将所采集的用电量数据作为训练样本估计得到用电量的条件概率分布函数；所述条件概率分布函数包括：对条件随机场模型进行初始化设置，即将特征权重参数λ的初始值设置为0；将所采集的用电量数据作为训练样本输入初始化设置后的条件随机场模型中进行迭代计算，并使用最大似然参数估计算法估算得到所述特征权重参数λ的值，从而得到用电量的条件概率分布函数，

其中，p(y|x,λ)为用电量的条件概率分布函数，x为当前用电量，y为预期用电量，λ为特征权重参数，Z(x)为归一化因子，f为特征向量；

3）根据所述用电量的条件概率分布函数和当前用电量，预测下一预测时间段的预期用电量和是否出现用电高峰；预先设置用电量阈值Pa和用电量高峰的概率阈值Pt；根据用电量的条件概率分布函数计算预期用电量的取值大于Pa的概率；当预期用电量的取值大于Pa的概率大于或等于用电量高峰的概率阈值Pt时，判断下一预测时间段内将出现用电高峰；

4）当预测到将出现用电高峰时，向监控节点发送报警信息与控制信号。

2.根据权利要求1所述的电力调度中心的监控方法，其特征在于，所述步骤一中三维图形数据包括三维图元数据、颜色透明度编码数据、动画显示数据和/或背景渲染数据。