CN105322519A - 一种智能配电网大数据融合分析与运行状态监测方法 - Google Patents

Abstract

本发明涉及一种智能配电网大数据融合分析与运行状态监测方法，其包括S1、数据预处理；S2、信息融合；S3、数据分析及可视化处理；S4、状态调控与故障监测；本发明以数据驱动为出发点，无需知道物理系统的网络参数以及精确模型，且不受系统的运行方式与运行参数的影响，具有免训练、无整定、准确性好以及可靠性高等特点，特别适用于含分布式电源的智能配电网网络式控制与保护。

Description

一种智能配电网大数据融合分析与运行状态监测方法

技术领域

本发明涉及智能配电网大数据分析以及智能配电网保护控制方法研究领域，更具体地说，是涉及一种智能配电网大数据融合分析与运行状态监测方法。

背景技术

电网状态评估与继电保护是电力系统安全稳定运行的重要支撑。传统的中压配电网多采用辐射型结构，其在正常运行时潮流在网络中是单向流动的，保护整定较为简单。对于智能配电网，由于网络中接入了大量的分布式电源，其中分布式新能源发电功率输出具有一定的随机性，因而配网系统在正常运行时，存在双向不定潮流的问题。此外，分布式电源的接入改变了故障特性，这给配电网的保护控制带来了极大的困难。当前智能配电网的保护控制方法多需要进行复杂的整定计算，而且当系统运行参数、运行方式以及网络拓扑结构发生改变后需要重新整定，耗时长。另外，当下的保护控制方法多是基于单一的小样本特征量进行状态监测与故障判断，当传感器或者通信异常时，易发生保护的误动甚至拒动。由此可见，当前智能配电网中绝大多数的保护控制方法并没有对智能配电网大数据进行合理有效的利用，既浪费了宝贵的资源，又不利于系统的安全稳定运行。

鉴于此，本发明结合智能配电网大数据以及智能配电网保护控制的特点，引入信息融合、数理统计以及数据分析的相关理论与方法，提出一种基于多维尺度分析与局部异常因子分析相结合的智能配电网新型保护方法。该方法通过对智能配电网大数据中的状态监测数据进行信息融合以及数据降维，再对处理过的数据进数据分析，进而进行网络的状态监测以及故障定位。最后，通过RTDS半实物实时仿真实验，验证本方法的有效性。

发明内容

有鉴于此，有必要针对上述问题，提供一种智能配电网大数据融合分析与运行状态监测方法，通过对状态监测数据进行信息融合以及数据降维，再对处理过的数据进行离群点检测，进而实现配电网的状态监测与故障定位。

为了实现上述目的，本发明的技术方案如下：

一种智能配电网大数据融合分析与运行状态监测方法，包括以下步骤：

S1、数据预处理，选取多个不同特征量，分别建立每个特征量的单时段单特征量状态监测矩阵；

S2、信息融合，将多个不同特征量的单时段单特征量状态监测矩阵扩展成一个单时段多特征量状态监测矩阵，并将该矩阵在时间序列上进行扩充，构建一个高维时空状态监测矩阵；

S3、数据分析及可视化处理，采用多维尺度分析算法对高维时空状态监测矩阵进行处理，保持各对象相对关系基本不变，将高维数据在低维空间中呈现出来，完成数据可视化的同时降低低价值数据量，进一步实现数据融合，并通过降维处理后的时空状态监测矩阵进行基于局部异常因子(LocalOutlierFactor,即LOF)分析原理的离群点检测，完成智能配电网运行状态的在线辨识；

S4、状态调控与故障监测，将时空状态监测矩阵中的离群点与物理电网中的故障节点一一对应，故障节点所在的公共区域即为故障区域，若监测到故障发生，则向故障区域发送故障隔离命令。

作为优选的，所述特征量选取电流和功率两种类型的特征量，包括三相电流、负序电流、零序电流、零序功率和零序无功。

作为优选的，所述步骤S1具体包括：

S11、特征量选取，在确保智能配电网状态监测时效性与准确性的前提下，选取多个特征状态监测量，作为特征量；

S12、构建网络关联矩阵A，具体包括：

S121、将配电网中的开关设备作为节点进行编号；

S122、对处于节点之间的区域进行编号；

S123、根据节点与区域的关联关系，生成具体的网络关联矩阵A；

S13、区域差分处理，首先计算各特征量的区域差分矩阵R_i，R_i＝AT_i，式中，Ti为各节点终端上传的特征量数据组成的列矩阵；再构建单时段单特征量状态监测矩阵D_i，D_i＝|A^T|R_i。

作为优选的，所述网络关联矩阵构建规则为：关联值为0，表示节点不在区域内；关联值为1，表示节点位于区域内，节点的电流/功率指向区域内；关联值为-1，表示节点位于区域内，节点的电流/功率指向区域外。

作为优选的，所述步骤S2具体包括，将不同特征量的单时段状态监测矩阵在空间上拓展成一个单时段多特征量状态监测矩阵W_i，W_i＝[D₁，D₂，...，Dn]，式中D₁、D₂…D_n为单时段单特征量状态监测矩阵；再将单时段多特征量状态监测矩阵Wi在时间序列上拓展成一个多时段多特征量的高维时空状态监测矩阵W，W＝[W₁，W₂，...，Wn]。

作为优选的，所述S3中降维处理具体包括，据欧几里德距离计算高维时空状态监测矩阵中各对象间的相异度矩阵，并根据相异度矩阵计算中心化内积矩阵，再求解中心化内积矩阵前两个特征根及各自对应的正交化特征向量x₍₁₎，x₍₂₎，最后令M＝(x₍₁₎，x₍₂₎)，M即为高维时空状态监测矩阵W在二维空间的表示。

作为优选的，所述离群点检测方法具体包括，首先确定M中各对象的K距离，对象的K距离定义为对象与除其之外距其最近的第K个对象的距离，再根据K距离计算各对象的K邻域以及各对象的局部可达距离，最后分别计算各对象的局部可达密度和局部异常因子。

作为优选的，所说步骤S3中，定义LOF值大于5的节点为故障节点。

与现有技术相比，本发明的有益效果在于：本发明以数据驱动为出发点，无需知道物理系统的网络参数以及精确模型，且不受系统的运行方式与运行参数的影响，具有免训练、无整定、准确性好以及可靠性高等特点，特别适用于含分布式电源的智能配电网网络式控制与保护。

附图说明

图1为本发明的方法流程框图；

图2是本发明的具体流程示意图；

图3为某10KV配电网状态监测与故障处理拓扑结构图；

图4为配电网正常运行时空状态监测矩阵多维尺度分析可视化结果图；

图5为配电网正常运行时空状态监测矩阵与LOF分析的可视化结果图；

图6为图3中区域Z2故障时空状态监测矩阵多维尺度分析可视化结果图；

图7为图3中区域Z2故障时空状态监测矩阵LOF分析可视化结果图；

图8为图3中区域Z9故障时空状态监测矩阵多维尺度分析可视化结果图；

图9为图3中区域Z9故障时空状态监测矩阵LOF分析可视化结果图。

具体实施方式

下面结合附图和实施例对本发明所述的智能配电网大数据融合分析与运行状态监测方法作进一步说明。

以下是本发明所述的智能配电网大数据融合分析与运行状态监测方法的最佳实例，并不因此限定本发明的保护范围。

图1和图2示出了本发明的智能配电网大数据融合分析与运行状态监测方法流程图，包括以下步骤：

S1、数据预处理，数据预处理包括特征量选取、网络关联矩阵构建以及区域差分处理三方面内容。特征量选取是在确保智能配电网状态监测时效性与准确性的前提下，选取合适的特征状态监测量，以最大限度地实现多类型故障的可靠识别；网络关联矩阵则是明确网络各节点之间以及各节点与区域之间的相对关系，为区域差分处理提供依据；区域差分处理的目的在于对原始特征状态监测数据进行规范与简化，进一步提高数据质量。

S2、信息融合，本发明采用信息融合的方法构建高维时空状态监测矩阵。首先在空间上将多个由不同的特征量构建的单时段单特征量状态监测矩阵扩展成一个单时段多特征量状态监测矩阵；然后，将该矩阵在时间序列上进一步扩充，最终生成一个高维时空状态监测矩阵。

S3、数据分析与可视化，该环节首先采用多维尺度分析算法对高维时空状态监测矩阵进行处理，在保持各对象相对关系基本不变的前提下，将高维数据在低维空间中呈现出来，在完成数据可视化的同时降低低价值数据量，进一步实现数据融合；然后，对降维处理后的时空状态监测矩阵进行离群点检测，完成智能配电网运行状态的在线辨识。

S4、状态调控与故障处理，该环节分为故障前的状态调控以及故障后的故障定位与隔离两方面内容。故障前的状态调控目的在于预防以及降低故障发生的可能性。时空状态监测矩阵中的离群点与物理电网中的故障节点一一对应，故障节点所在的公共区域即为故障区域。因此在故障发生后，数据处理中心仅需向该区域内的测控一体化终端发送跳闸命令即可完成故障的隔离。

进一步的，进行所述步骤1时，选取电流与功率两种类型的特征量。包括：三相电流、负序电流、零序电流、零序有功、零序无功。

进一步的，进行所述步骤1时，网络关联矩阵其构建过程如下：

(1)将配电网中的开关设备作为节点进行编号；

(2)对处于节点之间的区域进行编号；

(3)根据节点与区域的关联关系，生成具体的网络关联矩阵。

网络关联矩阵构建规则：关联值为0，表示节点不在区域内；关联值为1，表示节点位于区域内，节点的电流/功率指向区域内；关联值为-1，表示节点位于区域内，节点的电流/功率指向区域外。

需要说明的是，配电网中节点与区域的编号对网络关联矩阵没有实质性的影响，因此在对配电网中节点、区域进行编号时无需遵循特定的规则。

进一步的进行所述步骤1时，对原始状态监测数据进行区域差分处理以增强故障节点与正常节点的差异性，本环节的具体处理步骤如下：

(1)计算各特征量的区域差分矩阵R_i，R_i＝AT_i。式中，A为网络关联矩阵，Ti为各节点终端上传的特征量数据组成的列矩阵。

(2)构建单时段单特征量状态监测矩阵D_i，D_i＝|A^T|R_i。

进一步的，进行所述步骤2时，采用信息融合的方法构建高维时空状态监测矩阵，具体过程如下：

(1)将不同特征量的单时段状态监测矩阵在空间上拓展成一个单时段多特征量状态监测矩阵W_i，W_i＝[D₁，D₂，...，Dn]；

(2)将单时段多特征量状态监测矩阵Wi在时间序列上拓展成一个多时段多特征量的高维时空状态监测矩阵W,W＝[W₁，W₂，...，Wn]。

进一步的，进行所述步骤2时，信息融合过程中所形成的高维时空状态监测矩阵W是一个高度稀疏且高度相关的矩阵，因此在二维空间中亦能够很好的表示。

进一步的，进行所述步骤3时，利用多维尺度分析对高维时空状态监测矩阵W进行降维的过程如下：

(1)根据欧几里德距离计算高维时空状态监测矩阵W各对象间的相异度矩阵D＝(d_ij)；

(2)根据相异度矩阵D计算中心化内积矩阵B＝(b_ij)；

(3)求解中心化内积矩阵前两个特征根及各自对应的正交化特征向量；

(4)令M＝(x₍₁₎，x₍₂₎)，M即为高维时空状态监测矩阵W在二维空间的表示。

进一步的，进行所述步骤3时，低维时空状态监测矩阵进行离群点检测分析的主要步骤：

(1)首先确定M中各对象的K距离，对象的K距离定义为对象与除其之外距其最近的第K个对象的距离；

(2)再根据K距离计算各对象的K邻域N_k(P)；

(3)之后再确定各对象的局部可达距离reach_dist(p,q)；

(4)分别计算各对象的局部可达密度Ird_k(p)和局部异常因子LOF_k(p)。

其中K邻域N_k(P)，局部可达距离reach_dist(p,q)，局部可达密度Ird_k(p)以及局部异常因子的定义如下：

N_k(p)＝{q∈D/{p}|dist(p,q)≤K_dist(p)}

reach_dist(p,q)＝max{K_dist(q),dist(p,q)}

${\mathrm{Ird}}_k\left(p\right)=\frac{\left|N_{k\left(p\right)}\right|}{{\Σ}_{o\∈N_{k\left(p\right)}}reach\_dist(p,q)}$

${\mathrm{LOF}}_k\left(p\right)=\frac{{\Σ}_{o\∈N_{k\left(p\right)}}\frac{{\mathrm{Ird}}_k\left(q\right)}{{\mathrm{Ir}}_k\left(p\right)}}{\left|N_{k\left(p\right)}\right|}$

进一步的，进行所述步骤3时，为了兼顾保护的灵敏性与可靠性，在智能配电网大数据融合分析与运行状态在线监测方法中定义LOF值大于5的节点为故障节点。

在本实施例中，为了验证本发明所提出的智能配电网大数据融合分析与运行状态在线监测方法的性能，以智能配电网示范区含双DG的10kV配电网为研究对象，根据实际参数在RTDS中搭建了相应的模型如图3所示。选取了正常运行、T接线区域故障、DG临近区域故障三个场景对本发明提出的保护方法进行验证。

场景一：配电网正常运行情况分析

图4与图5所示为此场景下时空状态监测矩阵多维尺度分析与LOF分析的可视化结果图，由图可知，正常运行时，节点1至16为聚在一起的一群点，不存在离群点，由于各节点的LOF值均在1左右，小于故障节点判定值，数据处理中心判定网络无故障。

场景二：区域Z2发生单相接地故障

图6与图7所示为此场景下时空状态监测矩阵多维尺度分析与LOF分析的可视化结果图。由图可知，节点2、3、15远离其它节点成为离群点，其LOF值均在100左右，远大于故障节点的判定值，而其它节点的LOF值均在1左右，数据处理中心判定2、3、15为故障节点，三者所在的共同区域Z2为故障区域，此后数据处理中心向节点2、3、15处的测控一体化终端发送跳闸命令将故障区域Z2隔离。

场景三：区域Z3发生两相接地故障

图8与图9所示为此场景下时空状态监测矩阵多维尺度分析与LOF分析的可视化结果图。由图可知，节点11、12远离其它节点成为立群点，其LOF值均在260左右，远大于故障节点的判定值，而其它节点的LOF值均在1左右，数据处理中心判定11、12为故障节点，二者所在的共同区域Z9为故障区域，此后数据处理中心向节点11、12处的测控一体化终端发送跳闸命令将故障区域Z9隔离。

本发明根据智能配电网大数据的特点以及含分布式电源的智能配电网保护控制存在的问题，提出了一种智能配电网大数据融合分析与运行状态在线监测方法，根据实际电网参数搭建了基于RTDS的半实物闭环实时仿真测试系统，进行了正常运行、单相接地、双相接地三组动模实验，验证了提出的状态监测与故障处理方法的正确性。该方法以数据驱动为出发点，无需知道物理系统的网络参数以及精确模型，且不受系统的运行方式与运行参数的影响，具有免训练、无整定、准确性好以及可靠性高等特点，特别适用于含分布式电源的智能配电网网络式控制与保护。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种智能配电网大数据融合分析与运行状态监测系统，其特征在于：包括以下步骤：

S1、数据预处理，选取多个不同特征量，分别建立每个特征量的单时段单特征量状态监测矩阵；

S2、信息融合，将多个不同特征量的单时段单特征量状态监测矩阵扩展成一个单时段多特征量状态监测矩阵，并将该矩阵在时间序列上进行扩充，构建一个高维时空状态监测矩阵；

S3、数据分析及可视化处理，对高维时空状态监测矩阵进行处理，将高维数据在低维空间中呈现出来，并通过降维处理后的时空状态监测矩阵进行离群点检测，完成智能配电网运行状态的在线辨识；

S4、状态调控与故障监测，将时空状态监测矩阵中的离群点与物理电网中的故障节点一一对应，故障节点所在的公共区域即为故障区域，若监测到故障发生，则向故障区域发送故障隔离命令。

2.根据权利要求1所述的智能配电网大数据融合分析与运行状态监测方法，其特征在于，所述特征量选取电流和功率两种类型的特征量，包括三相电流、负序电流、零序电流、零序功率和零序无功。

3.根据权利要求1所述的智能配电网大数据融合分析与运行状态监测方法，其特征在于，所述步骤S1具体包括：

S11、特征量选取，在确保智能配电网状态监测时效性与准确性的前提下，选取多个特征状态监测量，作为特征量；

S12、构建网络关联矩阵A，具体包括：

S121、将配电网中的开关设备作为节点进行编号；

S122、对处于节点之间的区域进行编号；

S123、根据节点与区域的关联关系，生成具体的网络关联矩阵A；

S13、区域差分处理，首先计算各特征量的区域差分矩阵R_i，R_i＝AT_i，式中，Ti为各节点终端上传的特征量数据组成的列矩阵；再构建单时段单特征量状态监测矩阵D_i，D_i＝|A^T|R_i。

4.根据权利要求3所述的智能配电网大数据融合分析与运行状态监测方法，其特征在于，所述网络关联矩阵构建规则为：关联值为0，表示节点不在区域内；关联值为1，表示节点位于区域内，节点的电流/功率指向区域内；关联值为-1，表示节点位于区域内，节点的电流/功率指向区域外。

5.根据权利要求1所述的智能配电网大数据融合分析与运行状态监测方法，其特征在于，所述步骤S2具体包括，将不同特征量的单时段状态监测矩阵在空间上拓展成一个单时段多特征量状态监测矩阵W_i，W_i＝[D₁，D₂，...，Dn]，式中D₁、D₂…D_n为单时段单特征量状态监测矩阵；再将单时段多特征量状态监测矩阵Wi在时间序列上拓展成一个多时段多特征量的高维时空状态监测矩阵W，W＝[W₁，W₂，...，Wn]。

6.根据权利要求1所述的智能配电网大数据融合分析与运行状态监测方法，其特征在于，所述S3中降维处理具体包括，据欧几里德距离计算高维时空状态监测矩阵中各对象间的相异度矩阵，并根据相异度矩阵计算中心化内积矩阵，再求解中心化内积矩阵前两个特征根及各自对应的正交化特征向量x₍₁₎，x₍₂₎，最后令M＝(x₍₁₎，x₍₂₎)，M即为高维时空状态监测矩阵W在二维空间的表示。

7.根据权利要求6所述的智能配电网大数据融合分析与运行状态监测方法，其特征在于，所述离群点检测方法具体包括，首先确定M中各对象的K距离，对象的K距离定义为对象与除其之外距其最近的第K个对象的距离，再根据K距离计算各对象的K邻域以及各对象的局部可达距离，最后分别计算各对象的局部可达密度和局部异常因子。

8.根据权利要求3所述的智能配电网大数据融合分析与运行状态监测方法，其特征在于，所说步骤S3中，所述离群点检测为基于局部异常因子(LocalOutlierFactor,即LOF)分析原理的离群点检测，定义LOF值大于5的节点为故障节点。