CN108256536B - 一种基于地理位置关系的电力网络态势感知方法和装置 - Google Patents
一种基于地理位置关系的电力网络态势感知方法和装置 Download PDFInfo
- Publication number
- CN108256536B CN108256536B CN201611231874.3A CN201611231874A CN108256536B CN 108256536 B CN108256536 B CN 108256536B CN 201611231874 A CN201611231874 A CN 201611231874A CN 108256536 B CN108256536 B CN 108256536B
- Authority
- CN
- China
- Prior art keywords
- fault
- node
- accuracy
- svm algorithm
- svm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000008447 perception Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 100
- 238000011161 development Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 5
- 235000008694 Humulus lupulus Nutrition 0.000 abstract description 4
- 238000012706 support-vector machine Methods 0.000 description 82
- 230000018109 developmental process Effects 0.000 description 27
- 238000004364 calculation method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种基于地理位置关系的电力网络态势感知方法和装置,方法包括:记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果;对SVM算法中的参数进行训练,得到SVM模型;利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率;判断SVM算法的正确率是否达到正确率要求,并基于地理位置关系对电力网络进行态势感知。本发明通过预先的跳数选择,可以在保证精确的进行电网运行态势感知的同时,大幅度减少算法的复杂度,从而明显降低SVM算法的处理时延;可以保证态势感知在电网应用中的及时性和实用性。
Description
技术领域
本发明属于电力传输控制技术领域,具体涉及一种基于地理位置关系的电力网络态势感知方法和装置。
背景技术
支持向量机SVM(Support Vector Machine)在机器学习领域是一个有监督的学习模型,通常用来进行模式识别、分类、以及回归分析。它基于结构风险最小化理论,在特征空间中建构最优分割超平面,从而得到全局最优化结果,并且在整个样本空间的期望风险以某个概率满足一定上界。SVM是目前分类性能最好的几种技术之一。
在电力系统中,在进行故障状态的态势感知时,可以使用SVM(支持向量机)算法根据电压、电流、有功、无功数据及其一次和二次导数对某个节点未来状态趋势进行分类估计。典型的,如结果1表示该节点出现故障后可以在规定时间内自动恢复到正常状态,结果0则表示故障无法恢复正常状态且会出现逐步扩大的趋势。根据分类结果,可以提前采取措施,避免事故状态的扩大,从而获得一定的经济效益。
发明内容
为了克服上述现有技术的不足,本发明提供一种基于地理位置关系的电力网络态势感知方法和装置,通过对电压跌落的态势感知,当电压跌落导致无功谷出现时,系统能够及时准确判断无功谷的发展趋势(不断扩大的无功谷将导致系统的崩溃),从而采取相应策略,防止无功谷的扩大,并试图恢复相关节点电压;通过预先的跳数选择,可以在保证精确的进行电网运行态势感知的同时,大幅度减少算法的复杂度,从而明显降低SVM算法的处理时延;可以保证态势感知在电网应用中的及时性和实用性。
为了实现上述发明目的,本发明采取如下技术方案:
本发明提供一种基于地理位置关系的电力网络态势感知方法,所述方法包括:
记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果;
对SVM算法中的参数进行训练,得到SVM模型;
利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率;
判断SVM算法的正确率是否达到正确率要求,并基于地理位置关系对电力网络进行态势感知。
所述记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果包括:
定义故障节点的n跳邻居节点;
利用电力仿真软件PSCAD模拟电压跌落故障。
所述定义故障节点的n跳邻居节点包括:
与故障节点有直接电力线连接的节点称为故障节点的1跳邻居节点;
除了故障节点与故障节点的1跳邻居节点外,与故障节点的1跳邻居节点有直接电力线连接的节点称为故障节点的2跳邻居节点;
以此类推,除了故障节点与故障节点的1跳邻居节点、2跳邻居节点、……、n-1跳邻居节点外,与故障节点的n-1跳邻居节点有直接电力线连接的节点称为故障节点的n跳邻居节点。
所述对SVM算法中的参数进行训练,得到SVM模型包括:
通过故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果对SVM算法中的参数进行训练,得到SVM模型。
通过引入松弛变量和选取高斯核核函数提升SVM模型的性能。
所述利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率包括:
逐步增大故障节点的跳数,确定不同跳数下SVM模型的参数,直到故障节点及故障节点的n跳内邻居节点包含了电力网络中的所有节点为止;
根据SVM模型的参数,利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率。
所述判断SVM算法的正确率是否达到正确率要求包括:
若SVM算法的正确率的要求为达到正确率设定阈值,且在故障节点的跳数逐步增大的情况下,SVM算法的正确率的增加幅度首次应小于正确率增幅阈值,则表明SVM算法的正确率达到正确率要求。
所述基于地理位置关系对电力网络进行态势感知包括:
选取SVM算法的正确率达到正确率要求的故障节点的跳数作为最优跳数,对SVM算法中的参数进行训练与判断;
记录故障发生时规定时间段内,故障节点的最优跳数范围内所有邻居节点的相关电气数据;
利用SVM算法进行广域态势感知判断,依次判断每个故障节点的故障最终发展状态结果,若在设定时间范围内故障最终发展状态结果为故障节点不可自动恢复且有故障范围扩大趋势,则提前采取阻止故障范围扩大的措施,减少故障范围扩大带来的损失。
所述故障最终发展状态结果包括故障节点可自动恢复和故障节点不可自动恢复且有故障范围扩大趋势。
所述故障节点可自动恢复是指在半个采样周期至一分钟的时间范围内,故障节点的跌落电压恢复到电网额定电压的90%以上。
所述相关电气数据是指电压跌落故障发生前和电压跌落故障发生后设定时间内,等间隔采样得到的电气数据。
所述相关电气数据包括电压量测数据、电流量测数据、有功功率量测数据、无功功率量测数据、电压一次求导数据、电压二次求导数据、电流一次求导数据、电流二次求导数据、有功功率一次求导数据、有功功率二次求导数据、无功功率一次求导数据和无功功率二次求导数据。
本发明还提供一种基于地理位置关系的电力网络态势感知装置,所述装置包括:
用于记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果的装置;
用于通过故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果对SVM算法中的参数进行训练,得到SVM模型的装置;
用于利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率的装置;以及
用于判断SVM算法的正确率是否达到正确率要求,并基于地理位置关系对电力网络进行态势感知的装置。
所述记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果的装置包括:
用于定义故障节点的n跳邻居节点的装置,和
用于利用电力仿真软件PSCAD模拟电压跌落故障的装置。
通过引入松弛变量和选取高斯核核函数提升SVM模型的性能。
所述用于判断SVM算法的正确率是否达到正确率要求,并基于地理位置关系对电力网络进行态势感知的装置包括:
用于判断SVM算法的正确率是否达到正确率要求的装置,和
用于基于地理位置关系对电力网络进行态势感知的装置。
所述用于判断SVM算法的正确率是否达到正确率要求的装置判断SVM算法的正确率是否达到正确率要求过程如下:
若SVM算法的正确率的要求为达到正确率设定阈值,且在故障节点的跳数逐步增大的情况下,SVM算法的正确率的增加幅度首次应小于正确率增幅阈值,则表明SVM算法的正确率达到正确率要求。
所述用于基于地理位置关系对电力网络进行态势感知的装置包括:
用于选取SVM算法的正确率达到正确率要求的故障节点的跳数作为最优跳数,对SVM算法中的参数进行训练与判断的装置;
用于记录故障发生时规定时间段内,故障节点的最优跳数范围内所有邻居节点的相关电气数据的装置;以及
用于利用SVM算法进行广域态势感知判断,依次判断每个故障节点的故障最终发展状态结果,若在设定时间范围内故障最终发展状态结果为故障节点不可自动恢复且有故障范围扩大趋势,则提前采取阻止故障范围扩大的措施,减少故障范围扩大带来的损失的装置。
所述故障最终发展状态结果包括故障节点可自动恢复和故障节点不可自动恢复且有故障范围扩大趋势。
所述故障节点可自动恢复是指在半个采样周期至一分钟的时间范围内,故障节点的跌落电压恢复到电网额定电压的90%以上。
所述相关电气数据是指电压跌落故障发生前和电压跌落故障发生后设定时间内,等间隔采样得到的电气数据。
所述相关电气数据包括电压量测数据、电流量测数据、有功功率量测数据、无功功率量测数据、电压一次求导数据、电压二次求导数据、电流一次求导数据、电流二次求导数据、有功功率一次求导数据、有功功率二次求导数据、无功功率一次求导数据和无功功率二次求导数据。
与最接近的现有技术相比,本发明提供的技术方案具有以下有益效果:
1、本发明针对广域态势感知存在一定困难且感知效果不太理想的问题或现状,提出的方法实现了更准确和更大范围的电力网络广域态势感知;
2、通过态势感知,系统能够及时发现可能引起电网(部分)崩溃或瘫痪的故障或事件,从而提前采取措施,制止或延缓该发展态势;
3、通过对电压跌落的态势感知,当电压跌落导致无功谷出现时,系统能够及时准确判断无功谷的发展趋势(不断扩大的无功谷将导致系统的崩溃),从而采取相应策略,防止无功谷的扩大,并试图恢复相关节点电压;
4、通过预先的跳数选择,可以在保证精确的进行电网运行态势感知的同时,大幅度减少算法的复杂度,从而明显降低SVM算法的处理时延;
5、由于态势感知的复杂性和对处理时延的严格要求,本发明提供的方法可以保证态势感知在电网应用中的及时性和实用性。
附图说明
图1是本发明实施例中基于地理位置关系的电力网络态势感知方法流程图;
图2是本发明实施例中故障节点的1跳范围内的所有邻居节点参与状态感知示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
在对某个节点状态进行态势感知分类时,需要考虑同时间段内,其相邻地理位置节点的状态,相邻地理位置以类似计算机网络的跳数为判断准则,考虑该节点若干跳数内的所有邻居节点。通过不断扩大其相邻节点的覆盖范围,态势感知逐步具有全局性,其状态判断将更加准确,同时计算量和计算时延也将显著增加,其增加速度有可能超过幂函数和指数函数。因此,需要在结果准确性和计算量之间进行适当的折中。
本发明提供一种基于地理位置关系的电力网络态势感知方法,如图1,所述方法包括:
记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果;
对SVM算法中的参数(包括最优分割超平面相关参数)进行训练,得到SVM模型;
利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率;
判断SVM算法的正确率是否达到正确率要求,并基于地理位置关系对电力网络进行态势感知。
所述记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果包括:
定义故障节点的n跳邻居节点;
利用电力仿真软件PSCAD模拟电压跌落故障。
所述定义故障节点的n跳邻居节点包括:
与故障节点有直接电力线连接的节点称为故障节点的1跳邻居节点;
除了故障节点与故障节点的1跳邻居节点外,与故障节点的1跳邻居节点有直接电力线连接的节点称为故障节点的2跳邻居节点;
以此类推,除了故障节点与故障节点的1跳邻居节点、2跳邻居节点、……、n-1跳邻居节点外,与故障节点的n-1跳邻居节点有直接电力线连接的节点称为故障节点的n跳邻居节点,n为故障节点的跳数,其初始值为1。
所述对SVM算法中的参数进行训练,得到SVM模型包括:
通过故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果对SVM算法中的参数进行训练,得到SVM模型。通过引入松弛变量和选取高斯核核函数提升SVM模型的性能。
为了减少各变量量纲对分类的影响,对导数除外的各相关电气数据进行归一化处理,得到对应的标幺值,随后对得到的数据标幺值进行主成分分析预处理,以减少算法需要处理的数据量和数据维度。
所述利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率包括:
逐步增大故障节点的跳数,确定不同跳数下SVM模型的参数,直到故障节点及故障节点的n跳内邻居节点包含了电力网络中的所有节点为止;
根据SVM模型的参数,利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率。
所述判断SVM算法的正确率是否达到正确率要求包括:
若SVM算法的正确率的要求为达到正确率设定阈值(如0.95),且在故障节点的跳数逐步增大的情况下,SVM算法的正确率的增加幅度首次应小于正确率增幅阈值(如0.02),则表明SVM算法的正确率达到正确率要求。
除了进行SVM算法的正确率统计之外,还可以采用经典的精确率P与召回率R相结合的作为评估指标,精确率是指预测出来的不稳定事件中有多少件是准确的;召回率衡量的是不稳定的事件中有多少件被预测出来。与正确率类似,F1随跳数增加单调非减,分别计算各跳的F1值,如果F1大于额定值且增加幅度小于正确率设定阈值,选取此时的跳数为最佳跳数。
所述基于地理位置关系对电力网络进行态势感知包括:
选取SVM算法的正确率达到正确率要求的故障节点的跳数作为最优跳数,对SVM算法中的参数进行训练与判断;
记录故障发生时规定时间段内,故障节点的最优跳数范围内所有邻居节点的相关电气数据;
利用SVM算法进行广域态势感知判断,依次判断每个故障节点的故障最终发展状态结果,若在设定时间范围内故障最终发展状态结果为故障节点不可自动恢复且有故障范围扩大趋势,则提前采取阻止故障范围扩大的措施,减少故障范围扩大带来的损失。
所述故障最终发展状态结果包括故障节点可自动恢复和故障节点不可自动恢复且有故障范围扩大趋势。
所述故障节点可自动恢复是指在半个采样周期至一分钟的时间范围内,故障节点的跌落电压恢复到电网额定电压的90%以上。
所述相关电气数据是指电压跌落故障发生前和电压跌落故障发生后设定时间内,等间隔采样得到的电气数据。
所述相关电气数据包括电压量测数据、电流量测数据、有功功率量测数据、无功功率量测数据、电压一次求导数据、电压二次求导数据、电流一次求导数据、电流二次求导数据、有功功率一次求导数据、有功功率二次求导数据、无功功率一次求导数据和无功功率二次求导数据。
图2为故障节点的1跳范围内的所有邻居节点参与状态感知示意图,故障节点的1跳邻居节点有m个,基于对故障事件的模拟,根据实际仿真的结果,在出现各种故障条件下,故障节点一跳范围的广域态势感知正确率在90%以上,基于matlab仿真,F1已经达到2.2以上。
本发明还提供一种基于地理位置关系的电力网络态势感知装置,所述装置包括:
用于记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果的装置;
用于通过故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果对SVM算法中的参数进行训练,得到SVM模型的装置;
用于利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率的装置;以及
用于判断SVM算法的正确率是否达到正确率要求,并基于地理位置关系对电力网络进行态势感知的装置。
所述记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果的装置包括:
用于定义故障节点的n跳邻居节点的装置,和
用于利用电力仿真软件PSCAD模拟电压跌落故障的装置。
通过引入松弛变量和选取高斯核核函数提升SVM模型的性能。
所述用于判断SVM算法的正确率是否达到正确率要求,并基于地理位置关系对电力网络进行态势感知的装置包括:
用于判断SVM算法的正确率是否达到正确率要求的装置,和
用于基于地理位置关系对电力网络进行态势感知的装置。
所述用于判断SVM算法的正确率是否达到正确率要求的装置判断SVM算法的正确率是否达到正确率要求过程如下:
若SVM算法的正确率的要求为达到正确率设定阈值,且在故障节点的跳数逐步增大的情况下,SVM算法的正确率的增加幅度首次应小于正确率增幅阈值,则表明SVM算法的正确率达到正确率要求。
所述用于基于地理位置关系对电力网络进行态势感知的装置包括:
用于选取SVM算法的正确率达到正确率要求的故障节点的跳数作为最优跳数,对SVM算法中的参数进行训练与判断的装置;
用于记录故障发生时规定时间段内,故障节点的最优跳数范围内所有邻居节点的相关电气数据的装置;以及
用于利用SVM算法进行广域态势感知判断,依次判断每个故障节点的故障最终发展状态结果,若在设定时间范围内故障最终发展状态结果为故障节点不可自动恢复且有故障范围扩大趋势,则提前采取阻止故障范围扩大的措施,减少故障范围扩大带来的损失的装置。
所述故障最终发展状态结果包括故障节点可自动恢复和故障节点不可自动恢复且有故障范围扩大趋势。
所述故障节点可自动恢复是指在半个采样周期至一分钟的时间范围内,故障节点的跌落电压恢复到电网额定电压的90%以上。
所述相关电气数据是指电压跌落故障发生前和电压跌落故障发生后设定时间内,等间隔采样得到的电气数据。
所述相关电气数据包括电压量测数据、电流量测数据、有功功率量测数据、无功功率量测数据、电压一次求导数据、电压二次求导数据、电流一次求导数据、电流二次求导数据、有功功率一次求导数据、有功功率二次求导数据、无功功率一次求导数据和无功功率二次求导数据。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (18)
1.一种基于地理位置关系的电力网络态势感知方法,其特征在于,所述方法包括:
记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果;
对SVM算法中的参数进行训练,得到SVM模型;
利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率;
判断SVM算法的正确率是否达到正确率要求,并基于地理位置关系对电力网络进行态势感知;
所述利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率包括:
逐步增大故障节点的跳数,确定不同跳数下SVM模型的参数,直到故障节点及故障节点的n跳内邻居节点包含了电力网络中的所有节点为止;
根据SVM模型的参数,利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率;
所述判断SVM算法的正确率是否达到正确率要求包括:
若SVM算法的正确率的要求为达到正确率设定阈值,且在故障节点的跳数逐步增大的情况下,SVM算法的正确率的增加幅度首次应小于正确率增幅阈值,则表明SVM算法的正确率达到正确率要求。
2.根据权利要求1所述的基于地理位置关系的电力网络态势感知方法,其特征在于,所述记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果包括:
定义故障节点的n跳邻居节点;
利用电力仿真软件PSCAD模拟电压跌落故障。
3.根据权利要求2所述的基于地理位置关系的电力网络态势感知方法,其特征在于,所述定义故障节点的n跳邻居节点包括:
与故障节点有直接电力线连接的节点称为故障节点的1跳邻居节点;
除了故障节点与故障节点的1跳邻居节点外,与故障节点的1跳邻居节点有直接电力线连接的节点称为故障节点的2跳邻居节点;
以此类推,除了故障节点与故障节点的1跳邻居节点、2跳邻居节点、……、n-1跳邻居节点外,与故障节点的n-1跳邻居节点有直接电力线连接的节点称为故障节点的n跳邻居节点。
4.根据权利要求1所述的基于地理位置关系的电力网络态势感知方法,其特征在于,所述对SVM算法中的参数进行训练,得到SVM模型包括:
通过故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果对SVM算法中的参数进行训练,得到SVM模型。
5.根据权利要求1或4所述的基于地理位置关系的电力网络态势感知方法,其特征在于,通过引入松弛变量和选取高斯核核函数提升SVM模型的性能。
6.根据权利要求1所述的基于地理位置关系的电力网络态势感知方法,其特征在于,所述基于地理位置关系对电力网络进行态势感知包括:
选取SVM算法的正确率达到正确率要求的故障节点的跳数作为最优跳数,对SVM算法中的参数进行训练与判断;
记录故障发生时规定时间段内,故障节点的最优跳数范围内所有邻居节点的相关电气数据;
利用SVM算法进行广域态势感知判断,依次判断每个故障节点的故障最终发展状态结果,若在设定时间范围内故障最终发展状态结果为故障节点不可自动恢复且有故障范围扩大趋势,则提前采取阻止故障范围扩大的措施,减少故障范围扩大带来的损失。
7.根据权利要求1或6所述的基于地理位置关系的电力网络态势感知方法,其特征在于,所述故障最终发展状态结果包括故障节点可自动恢复和故障节点不可自动恢复且有故障范围扩大趋势。
8.根据权利要求7所述的基于地理位置关系的电力网络态势感知方法,其特征在于,所述故障节点可自动恢复是指在半个采样周期至一分钟的时间范围内,故障节点的跌落电压恢复到电网额定电压的90%以上。
9.根据权利要求1或6所述的基于地理位置关系的电力网络态势感知方法,其特征在于,所述相关电气数据是指电压跌落故障发生前和电压跌落故障发生后设定时间内,等间隔采样得到的电气数据。
10.根据权利要求9所述的基于地理位置关系的电力网络态势感知方法,其特征在于,所述相关电气数据包括电压量测数据、电流量测数据、有功功率量测数据、无功功率量测数据、电压一次求导数据、电压二次求导数据、电流一次求导数据、电流二次求导数据、有功功率一次求导数据、有功功率二次求导数据、无功功率一次求导数据和无功功率二次求导数据。
11.一种基于地理位置关系的电力网络态势感知装置,其特征在于,所述装置包括:
用于记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果的装置;
用于通过故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果对SVM算法中的参数进行训练,得到SVM模型的装置;
用于利用SVM算法对已有结果的故障事件进行判断,统计SVM算法的正确率的装置;以及
用于判断SVM算法的正确率是否达到正确率要求,并基于地理位置关系对电力网络进行态势感知的装置;
所述用于判断SVM算法的正确率是否达到正确率要求,并基于地理位置关系对电力网络进行态势感知的装置包括:
用于判断SVM算法的正确率是否达到正确率要求的装置,和
用于基于地理位置关系对电力网络进行态势感知的装置;
所述用于判断SVM算法的正确率是否达到正确率要求的装置判断SVM算法的正确率是否达到正确率要求过程如下:
若SVM算法的正确率的要求为达到正确率设定阈值,且在故障节点的跳数逐步增大的情况下,SVM算法的正确率的增加幅度首次应小于正确率增幅阈值,则表明SVM算法的正确率达到正确率要求。
12.根据权利要求11所述的基于地理位置关系的电力网络态势感知装置,其特征在于,所述记录故障节点、故障节点的n跳邻居节点的相关电气数据以及故障最终发展状态结果的装置包括:
用于定义故障节点的n跳邻居节点的装置,和
用于利用电力仿真软件PSCAD模拟电压跌落故障的装置。
13.根据权利要求11所述的基于地理位置关系的电力网络态势感知装置,其特征在于,通过引入松弛变量和选取高斯核核函数提升SVM模型的性能。
14.根据权利要求11所述的基于地理位置关系的电力网络态势感知装置,其特征在于,所述用于基于地理位置关系对电力网络进行态势感知的装置包括:
用于选取SVM算法的正确率达到正确率要求的故障节点的跳数作为最优跳数,对SVM算法中的参数进行训练与判断的装置;
用于记录故障发生时规定时间段内,故障节点的最优跳数范围内所有邻居节点的相关电气数据的装置;以及
用于利用SVM算法进行广域态势感知判断,依次判断每个故障节点的故障最终发展状态结果,若在设定时间范围内故障最终发展状态结果为故障节点不可自动恢复且有故障范围扩大趋势,则提前采取阻止故障范围扩大的措施,减少故障范围扩大带来的损失的装置。
15.根据权利要求11或14所述的基于地理位置关系的电力网络态势感知装置,其特征在于,所述故障最终发展状态结果包括故障节点可自动恢复和故障节点不可自动恢复且有故障范围扩大趋势。
16.根据权利要求15所述的基于地理位置关系的电力网络态势感知装置,其特征在于,所述故障节点可自动恢复是指在半个采样周期至一分钟的时间范围内,故障节点的跌落电压恢复到电网额定电压的90%以上。
17.根据权利要求11或14所述的基于地理位置关系的电力网络态势感知装置,其特征在于,所述相关电气数据是指电压跌落故障发生前和电压跌落故障发生后设定时间内,等间隔采样得到的电气数据。
18.根据权利要求17所述的基于地理位置关系的电力网络态势感知装置,其特征在于,所述相关电气数据包括电压量测数据、电流量测数据、有功功率量测数据、无功功率量测数据、电压一次求导数据、电压二次求导数据、电流一次求导数据、电流二次求导数据、有功功率一次求导数据、有功功率二次求导数据、无功功率一次求导数据和无功功率二次求导数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611231874.3A CN108256536B (zh) | 2016-12-28 | 2016-12-28 | 一种基于地理位置关系的电力网络态势感知方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611231874.3A CN108256536B (zh) | 2016-12-28 | 2016-12-28 | 一种基于地理位置关系的电力网络态势感知方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256536A CN108256536A (zh) | 2018-07-06 |
CN108256536B true CN108256536B (zh) | 2021-10-29 |
Family
ID=62719432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611231874.3A Active CN108256536B (zh) | 2016-12-28 | 2016-12-28 | 一种基于地理位置关系的电力网络态势感知方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256536B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111343105B (zh) * | 2020-05-19 | 2020-08-07 | 上海飞旗网络技术股份有限公司 | 基于深度学习的断流识别方法及装置 |
CN112149877B (zh) * | 2020-08-31 | 2022-07-05 | 国网江苏省电力有限公司苏州供电分公司 | 多元复杂城市电网多源数据驱动的故障预测方法及其系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101651345A (zh) * | 2009-09-17 | 2010-02-17 | 浙江大学 | 一种电网智能报警方法 |
CN103679296A (zh) * | 2013-12-24 | 2014-03-26 | 云南电力调度控制中心 | 基于态势感知的电网安全风险评估方法和模型 |
CN103795723A (zh) * | 2014-01-28 | 2014-05-14 | 河南科技大学 | 一种分布式物联网安全态势感知方法 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090030758A1 (en) * | 2007-07-26 | 2009-01-29 | Gennaro Castelli | Methods for assessing potentially compromising situations of a utility company |
-
2016
- 2016-12-28 CN CN201611231874.3A patent/CN108256536B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101651345A (zh) * | 2009-09-17 | 2010-02-17 | 浙江大学 | 一种电网智能报警方法 |
CN103679296A (zh) * | 2013-12-24 | 2014-03-26 | 云南电力调度控制中心 | 基于态势感知的电网安全风险评估方法和模型 |
WO2015096153A1 (zh) * | 2013-12-24 | 2015-07-02 | 云南电力调度控制中心 | 基于态势感知的电网安全风险评估方法和模型 |
CN103795723A (zh) * | 2014-01-28 | 2014-05-14 | 河南科技大学 | 一种分布式物联网安全态势感知方法 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
Non-Patent Citations (4)
Title |
---|
A situation assessment approach using support vector machines as a learning tool;Jie Lu 等;《Int. J. Nuclear Knowledge Management》;20080626;第3卷(第1期);82-97 * |
基于电能质量态势感知的分布式发电主动运行决策方法;段斌 等;《电力系统自动化》;20161110;第40卷(第21期);176-181 * |
电网态势感知技术国内外研究现状初探;杨菁 等;《华东电力》;20130824;第41卷(第8期);1575-1580 * |
面向电力信息网络的安全态势感知研究;徐茹枝 等;《电网技术》;20130105;第37卷(第1期);53-57 * |
Also Published As
Publication number | Publication date |
---|---|
CN108256536A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105873105B (zh) | 一种基于网络体验质量的移动通信网异常检测和定位方法 | |
CN106154180B (zh) | 储能电池充/放电异常行为检测方法及检测系统 | |
CN103576048A (zh) | 一种用于电压暂降源定位的可能故障线路集提取方法 | |
CN108256536B (zh) | 一种基于地理位置关系的电力网络态势感知方法和装置 | |
WO2018137324A1 (zh) | 基于系统参数相关系数的系统升级评估方法 | |
CN109462853B (zh) | 一种基于神经网络模型的网络容量预测方法 | |
CN104750878A (zh) | 一种基于混合搜索策略的拓扑故障诊断方法 | |
CN110837683A (zh) | 电力系统暂态稳定的预测模型的训练及预测方法、装置 | |
CN103533571A (zh) | 基于投票策略的容错事件检测方法 | |
CN113608072B (zh) | 基于非健全条件下电力自愈快速故障定位方法 | |
CN109767113B (zh) | 一种基于决策树的动态安全评估及预防控制综合方法 | |
CN112904148A (zh) | 智能电缆运行监测系统、方法及装置 | |
CN109561480B (zh) | 一种基站位置纠偏方法和系统 | |
CN107517474B (zh) | 一种网络分析优化方法及装置 | |
CN104218668A (zh) | 设备发生故障时引起动作的备自投的追踪确定方法 | |
CN106053978B (zh) | 一种基于窗口的卫星非周期性遥测模拟量判读方法 | |
CN113406437B (zh) | 一种基于辅助分类生成对抗网络的输电线路故障检测方法 | |
US20210168638A1 (en) | Methods, apparatus and computer-readable mediums relating to detection of sleeping cells in a cellular network | |
CN105827350A (zh) | 一种信息同步方法及网络设备 | |
CN110087264B (zh) | 一种邻区自优化过程中的邻区添加处理方法及装置 | |
Chernogorov et al. | Data Mining Approach to Detection of Random Access Sleeping Cell Failures in Cellular Mobile Networks | |
CN111881545A (zh) | 一种基于复杂网络依赖渗流模型的节点重要性识别方法 | |
CN103441480A (zh) | 一种新型广域电网行波保护方法 | |
CN112505477B (zh) | 一种基于配电网同步相量数据的扰动初判方法 | |
CN116736061B (zh) | 三极管的匹配精度检测方法、控制器及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |