CN108647838B - 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 - Google Patents
一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 Download PDFInfo
- Publication number
- CN108647838B CN108647838B CN201810677017.9A CN201810677017A CN108647838B CN 108647838 B CN108647838 B CN 108647838B CN 201810677017 A CN201810677017 A CN 201810677017A CN 108647838 B CN108647838 B CN 108647838B
- Authority
- CN
- China
- Prior art keywords
- phase angle
- situation
- power grid
- voltage
- random matrix
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000008447 perception Effects 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法,本发明充分挖掘电网运行数据,以电压数据和相角数据为研究对象,从电压态势和支路态势两个角度对电网实时态势进行评估和未来态势预测,构建电网态势感知体系,实现电网的运行态势感知。
Description
技术领域
本发明涉及电网态势评估技术领域,尤其是一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法。
背景技术
随着智能电网的不断发展和相关技术的进步,电网的发展规划需要与电网运行状况紧密结合,在电网规划阶段应对电网运行态势进行较为精细的仿真分析。近年来,随着广域测量系统(WAMS)、能量管理系统(EMS)和配电管理系统(DMS)在电网中运用,对含多数据源和大数据量电力系统的掌控将成为新的研究热点。目前,有关电网态势感知技术的研究还处于起步阶段。电网的态势感知过程主要分为态势要素采集、实时态势理解和未来态势预测3个阶段。其中未来态势预测是对电网态势的发展趋势进行总结和分析,从而对电网未来态势的发展趋势进行预测,并分析未来电网运行状态下的潜在风险,是态势感知中最高层次的要求。考虑到当前电网的态势感知技术,主要是对电网的静态稳定态势和暂态稳定态势进行评估,且评估指标较为单一。而对于未来态势预测层面,研究较少,仍有待进一步深入研究。
因此,本发明提供一种基于随机矩阵理论和在线序列极限学习机(OS-ELM)的电网态势感知方法,充分挖掘电网运行数据,以电压数据和相角数据为研究对象,从电压态势和支路态势两个角度对电网实时态势进行评估和未来态势预测,构建电网态势感知体系,实现电网的运行态势感知。
发明内容
本发明所要解决的技术问题在于,提供一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法,能够构建电网态势感知体系,实现电网的运行态势感知。
为解决上述技术问题,本发明提供一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法,包括如下步骤:
(1)获取电网运行时电压幅值和相角数据,构成随机矩阵模型;
(2)利用随机矩阵理论分析,根据平均谱半径评估电网当前时刻的电压态势;
(3)计算相角随机矩阵的期望和方差,以变异系数指标评估电网当前时刻的支路态势;
(4)采用在线序列极限学习机对未来时刻的电压幅值和相角分别预测;
(5)将预测的电压幅值和相角数据更新到随机矩阵模型中,采用步骤(2)和(3)的方法以获取电网未来时刻的电压态势和支路态势。
优选的,步骤(2)中的电压态势即为节点电压的变化情况,以电压幅值为研究对象,电压幅值数据可以较好反映电网的稳定性,对源荷波动性灵敏度较高;构建以节点电压数据为基本元素的矩阵XA∈CN×T,N为节点数,T为采样时间;采用随机矩阵理论中单环定理分析和平均谱半径评估电网当前电压态势;其中,平均谱半径计算公式为
式中,λi为节点电压随机矩阵的特征值。
优选的,步骤(3)中支路态势即为电网支路功率的变化情况,以相角数据为研究对象,相角数据可以反映电网支路功率的变化波动;构建以相角数据为基本元素的矩阵XP∈CN ×T,N为节点数,T为采样时间;其中,相角随机矩阵需要先进行差分运算,则相角差分矩阵为
式中,rinner为单环定理中圆环率的内中心圆半径,rinner=(1-N/T)1/2,以变异系数指标实时评估电网运行时的支路态势。
优选的,步骤(4)中的在线序列极限学习机预测包括如下步骤:
(41)将历史电压和相角样本数据预处理,分别作为在线序列极限学习机的输入量;
(42)设定在线序列极限学习机网络初始参数,求得初始隐含层输出矩阵和输出权值向量;
(43)在初始网络基础上,根据最新批次的电压进和相角样本数据序列更新参数隐含层输出矩阵和输出权值向量,直到所有数据训练学习结束,从而获得未来时刻的电压和相角预测值。
本发明的有益效果为:本发明将大数据和机器学习相关理论和方法引入到电网的态势感知中,利用随机矩阵理论进行多维大数据的处理,有效评估电网实时态势;利用在线序列极限学习机来预测电网运行数据,更新到随机矩阵模型中,提前获取电网未来发展态势;随机矩阵理论可以有效处理电网运行时产生的大量多维数据,在线序列极限学习机学习速度快、泛化能力强,当电网数据出现异常时具有较好的鲁棒性;此外,本发明的方法不需要依赖一定的物理模型,直接分析电网运行数据,对电网态势进行实时评估与预测,为电网运行控制提供参考依据。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的电网实时运行电压态势图。
图3为本发明的电网实时运行支路态势图。
图4为本发明基于在线序列极限学习机的电压和相角预测结果示意图。
图5为本发明更新预测电压数据后的未来电压态势与实际态势对比结果示意图。
图6为本发明更新预测相角数据后的未来支路态势与实际态势对比结果示意图。
具体实施方式
一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法,包括如下步骤:
(1)获取电网运行时电压幅值和相角数据,构成随机矩阵模型;
(2)利用随机矩阵理论分析,根据平均谱半径评估电网当前时刻的电压态势;
(3)计算相角随机矩阵的期望和方差,以变异系数指标评估电网当前时刻的支路态势;
(4)采用在线序列极限学习机对未来时刻的电压幅值和相角分别预测;
(5)将预测的电压幅值和相角数据更新到随机矩阵模型中,采用步骤(2)和(3)的方法以获取电网未来时刻的电压态势和支路态势。
下面结合附图,对本发明的技术方案进行具体说明。
如图1所示,一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法,具体包括以下步骤:
1)以IEEE118节点测试系统为例,首先进行潮流仿真计算,获取电网运行时电压幅值和相角数据,构成随机矩阵模型,共选取600个采样时刻;
2)利用随机矩阵理论分析,根据平均谱半径评估电网当前时刻的电压态势。这里随机矩阵采用节点电压幅值数据,构建以节点电压幅值数据为基本元素的矩阵XA∈CN×T,N为节点数,T为采样时间,这里N=118,T=200。采用随机矩阵理论中单环定理分析随机矩阵特征根分布和计算平均谱半径评估电网电压实时态势,平均谱半径范围在0-1之间,越接近1表示系统越稳定。从第201个时刻起的电压实时态势如图2所示,由图可以看出,电压态势相对平稳,电网运行状态稳定。其中,平均谱半径计算公式为
式中,λi为节点电压随机矩阵的特征值。
3)计算相角随机矩阵的期望和方差,以变异系数评估电网当前时刻的支路态势。
这里,随机矩阵采用电压相角数据,构建以相角数据为基本元素的矩阵XP∈CN×T,N为节点数,T为采样时间,这里N=118,T=200。相角随机矩阵需进行差分运算,差分矩阵为
这里,rinner为单环定理中圆环率的内中心圆半径,rinner=(1-N/T)1/2,取rinner=0.6403。
电压相角数据可以反映电网线路两端功率的变化过程,因此,支路态势即为相角态势。通过实时的变异系数来分析电网支路态势,变异系数指标值Ecv越大表示支路波动变化越大,系统不稳定。若相角随机矩阵服从标准正态分布,则Ecv=1.5618。因此,变异系数指标值的参考范围为Ecv≥1.5618,越接近1.5618,则支路态势越稳定。从第201个采样时刻起的支路态势如图3所示,由支路态势图可以看出,支路变化波动较小,电网运行稳定。
4)采用在线序列极限学习机对未来时刻的电压幅值和相角分别预测;在线序列极限学习机预测包括如下步骤:
(1)将历史电压和相角样本数据预处理,主要是进行归一化处理,分别作为在线序列极限学习机的输入量;以600个采样时刻的数据作为样本集,前500个点作为训练集,后100点作为测试集;
(2)设定在线序列极限学习机网络初始参数,求得初始隐含层输出矩阵H0和β0输出权值向量;
(3)在初始网络基础上,根据最新第k批次的样本数据序贯更新参数隐含层输出矩阵Hk和输出权值向量βk,直到所有数据训练学习结束,从而获得未来100个时刻点的电压和相角的预测值。以测试系统中节点41为例,其节点电压幅值和相角预测结果如图4所示。
5)将预测所得的电压和相角数据更新到随机矩阵模型XA和XP中去,采用步骤2)和3)的方法计算平均谱半径rMSR和变异系数指标Ecv,以获取电网未来时刻的电压态势和支路态势,如图5和图6所示,对比实际值和预测值,可以看出,本发明方法可以有效预测电网未来态势,提前获知电网未来发展趋势,为电网的合理调度与安全稳定运行提供参考。
Claims (2)
1.一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法,其特征在于,包括如下步骤:
(1)获取电网运行时电压幅值和相角数据,构成随机矩阵模型;
(2)利用随机矩阵理论分析,根据平均谱半径评估电网当前时刻的电压态势;
(3)计算差分相角随机矩阵的期望和方差,以变异系数指标评估电网当前时刻的支路态势;支路态势即为电网支路功率的变化情况,以相角数据为研究对象,相角数据可以反映电网支路功率的变化波动;构建以相角数据为基本元素的矩阵XP∈CN×T,N为节点数,T为采样时间;其中,相角随机矩阵需要先进行差分运算,则相角差分矩阵为
式中,rinner为单环定理中圆环率的内中心圆半径,rinner=(1-N/T)1/2,以变异系数指标实时评估电网运行时的支路态势;
(4)采用在线序列极限学习机对未来时刻的电压幅值和相角分别预测;在线序列极限学习机预测包括如下步骤:
(41)将历史电压和相角样本数据预处理,分别作为在线序列极限学习机的输入量;
(42)设定在线序列极限学习机网络初始参数,求得初始隐含层输出矩阵和输出权值向量;
(43)在初始网络基础上,根据最新批次的电压进和相角样本数据序列更新参数隐含层输出矩阵和输出权值向量,直到所有数据训练学习结束,从而获得未来时刻的电压和相角预测值;
(5)将预测的电压幅值和相角数据更新到随机矩阵模型中,采用步骤(2)和(3)的方法以获取电网未来时刻的电压态势和支路态势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810677017.9A CN108647838B (zh) | 2018-06-27 | 2018-06-27 | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810677017.9A CN108647838B (zh) | 2018-06-27 | 2018-06-27 | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647838A CN108647838A (zh) | 2018-10-12 |
CN108647838B true CN108647838B (zh) | 2022-04-01 |
Family
ID=63753726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810677017.9A Active CN108647838B (zh) | 2018-06-27 | 2018-06-27 | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647838B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274097A (zh) * | 2018-11-16 | 2019-01-25 | 四川大学 | 一种基于随机矩阵理论的电力系统暂态稳定态势评估方法 |
CN110728457B (zh) * | 2019-10-17 | 2022-11-22 | 广西电网有限责任公司电力科学研究院 | 一种考虑配电网多层级薄弱环节的运行风险态势感知方法 |
CN112100920A (zh) * | 2020-09-15 | 2020-12-18 | 东南大学 | 一种配电网三相电压计算方法、装置、设备及存储介质 |
CN117728405B (zh) * | 2024-02-05 | 2024-05-03 | 国网冀北电力有限公司 | 基于混合学习网络大模型的电力系统态势感知方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106779215A (zh) * | 2016-12-15 | 2017-05-31 | 全球能源互联网研究院 | 一种基于机器学习的电网全局延时态势感知方法 |
CN108196165A (zh) * | 2018-01-09 | 2018-06-22 | 贵州大学 | 基于样本协方差矩阵最大特征值的电网异常状态检测方法 |
-
2018
- 2018-06-27 CN CN201810677017.9A patent/CN108647838B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106779215A (zh) * | 2016-12-15 | 2017-05-31 | 全球能源互联网研究院 | 一种基于机器学习的电网全局延时态势感知方法 |
CN108196165A (zh) * | 2018-01-09 | 2018-06-22 | 贵州大学 | 基于样本协方差矩阵最大特征值的电网异常状态检测方法 |
Non-Patent Citations (4)
Title |
---|
基于云计算和极限学习机的分布式电力负荷预测算法;王保义等;《电网技术》;20140228;第38卷(第2期);第526-531页 * |
基于随机矩阵理论的电力系统暂态稳定性分析;刘威;《中国电机工程学报》;20160920;第36卷(第18期);第4854-4863页 * |
基于随机矩阵理论的电网状态分析与扰动定位方法;张力等;《电力系统自动化》;20180625;第42卷(第12期);第93-99页 * |
基于随机矩阵理论的电网静态稳定态势评估方法;吴茜等;《中国电机工程学报》;20161020;第36卷(第4期);第5414-5420页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108647838A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647838B (zh) | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 | |
CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN108876054B (zh) | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 | |
CN107292502B (zh) | 一种配电网可靠性评估方法 | |
CN108520325B (zh) | 一种基于多变环境下加速退化数据的集成寿命预测方法 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN110969306B (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN108319131B (zh) | 基于数据挖掘的机组调峰能力评估方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN112307677A (zh) | 基于深度学习的电网振荡模态评估与安全主动预警方法 | |
Evans et al. | Multivariate data analytics in PV manufacturing—Four case studies using manufacturing datasets | |
CN115293257A (zh) | 一种针对异常用电用户的检测方法及系统 | |
CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
CN117851908B (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN107276093B (zh) | 基于场景削减的电力系统概率潮流计算方法 | |
CN110474323B (zh) | 一种电力系统惯性时间常数测量方法 | |
CN109193791B (zh) | 一种基于改进shapley值的风电汇聚趋势性分状态量化方法 | |
CN111965442A (zh) | 一种数字孪生环境下的能源互联网故障诊断方法及装置 | |
CN115561697A (zh) | 一种智能电表误差分析方法 | |
CN113705885B (zh) | 一种融合VMD、XGBoost及TCN的配电网电压预测方法及系统 |
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 |