CN110187242A - 一种基于时空相关性分析的配电网异常检测及定位方法 - Google Patents
一种基于时空相关性分析的配电网异常检测及定位方法 Download PDFInfo
- Publication number
- CN110187242A CN110187242A CN201910590643.9A CN201910590643A CN110187242A CN 110187242 A CN110187242 A CN 110187242A CN 201910590643 A CN201910590643 A CN 201910590643A CN 110187242 A CN110187242 A CN 110187242A
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- spectral structure
- residual
- distribution network
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于时空相关性分析的配电网异常检测及定位方法,包括如下步骤:1)、对于配网中每条馈线的在线监测三相电压数据,叠加形成时空数据矩阵;2)、对于每个采样时刻,获取对应时空数据窗口;3)、从1开始,逐渐去除数据中因子个数p,得到对应残差矩阵;4)、计算残差矩阵协方差矩阵经验谱分布;5)、对于[0,1]内时间相关系数b,计算残差协方差矩阵理论谱分布;6)、同时调节p和b,直到残差协方差矩阵的经验谱分布和理论谱分布距离最小。本发明能够有效地检测和定位配网馈线异常情况,有效提高了异常情况处理效率,为相关操作人员进行安全分析和控制策略提供支持。
Description
技术领域
本发明涉及电力电子技术领域,特别涉及到一种基于时空相关性分析的配电网异常检测及定位方法。
背景技术
配电网是电力系统的重要组成部分,其运行状态直接关系到整个系统的安全。配网中很多异常,如过电压、三相不平衡、过负荷等,发生后通常会持续一段时间,如果不能及时被检测和定位到,往往会引起严重的后果,如断电或系统崩溃。然而配电网异常通常呈现复杂性、非线性和易变性等特点,加之配电网分支众多,结构复杂,传统的基于模型的异常检测和定位方法很难准确地检测和定位到这些异常。
随着在线监测装置在配电网中的投入使用,大量监测数据获取成为可能,这些数据中包含了丰富的配电网运行状态信息。为了能够充分挖掘数据中所包含的信息,很多先进的数据分析技术被用于配网运行数据分析,如主成分分析法、支持向量机、深度自编码、长短期记忆网络等,虽然在不同程度上取得了一定效果。但对于检测和定位配电网馈线异常情况以及异常情况的处理效率上还存在很大的不足。
发明内容
本发明的目的在于针对现有技术中的不足,提供一种基于时空相关性分析的配电网异常检测及定位方法,以解决上述问题。
本发明所解决的技术问题可以采用以下技术方案来实现:
一种基于时空相关性分析的配电网异常检测及定位方法,包括如下步骤:
1)、对于配网中每条馈线的在线监测三相电压数据,叠加形成时空数据矩阵;
2)、对于每个采样时刻,获取对应时空数据窗口;
3)、从1开始,逐渐去除数据中因子个数p,得到对应残差矩阵;
4)、计算残差矩阵协方差矩阵经验谱分布,该计算过程中引入反应数据空间相关性的因子个数p;
5)、对于[0,1]内时间相关性系数b,计算残差协方差矩阵理论谱分布;
6)、同时调节p和b,直到残差协方差矩阵的经验谱分布和理论谱分布距离最小。
与现有技术相比,本发明的有益效果如下:
本发明采用在配电网中每条主馈线安装有多个监测装置,通过这些监测装置所收集到的数据形成了待分析的数据集。就数据结构而言,数据间的空间相关性和时间相关性包含了重要的馈线运行信息,即当馈线的运行状态发生改变时,数据的时空相关性会发生变化,从而可以通过分析数据的时空相关性来检测和定位馈线运行异常。
本发明能够有效地检测和定位配网馈线异常情况,有效提高了异常情况处理效率,为相关操作人员进行安全分析和控制策略提供支持。
附图说明
图1为本发明所述的配电网主馈线拓扑示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参见图1,本发明所述的一种基于时空相关性分析的配电网异常检测及定位方法,包括如下步骤:
1)、对于配网中每条馈线的在线监测三相电压数据,叠加形成时空数据矩阵;
2)、对于每个采样时刻,获取对应时空数据窗口;
3)、从1开始,逐渐去除数据中因子个数p,得到对应残差矩阵;
4)、计算残差矩阵协方差矩阵经验谱分布,该计算过程中引入反应数据空间相关性的因子个数p;
5)、对于[0,1]内时间相关系数b,计算残差协方差矩阵理论谱分布;
6)、同时调节p和b,直到残差协方差矩阵的经验谱分布和理论谱分布距离最小,p和b用来标识数据的行为。
7)、配电网运行发生异常时,其时空相关性发生改变,即时空相关系数集(p,b)发生改变,通过比较(p,b)与预先定义的阈值实现异常检测和定位。
本方案的具体方案如下:
(1)、基于配电网主馈线在线监测数据时空矩阵形成
配电网主馈线拓扑结构示意图如图1所示。配电网中,每条主馈线包含多个变电站和不同等级支线,在这些变电站和支线上安装有配电变压器,在配电变压器低压侧安装有监测装置。通过这些监测装置,我们能够实时获取到三相电压、三相电流、功率等配网运行状态相关参数。对于每个监测装置,选用三相电压作为测量量,然后将某条馈线上所有监测装置的三相电压测量量叠加在一起,形成一个时空数据集。所形成的时空数据集包含了丰富的馈线运行状态信息。
(2)、基于因子模型的时空数据分析
因子模型是分析高维数据时对数据降维并提取相关信息的重要数学工具。对于所形成的大尺寸时空数据矩阵,我们采用移动窗口法对数据进行分析,即以固定大小的滑动窗口在所形成的数据上滑动。对于每个数据窗口,用因子模型对数据进行建模,将数据分解为主成分和残差。对于残差部分,作了以下两个假设:
1)、残差矩阵数据之间的空间相关性可以通过去除主成分完全消除;
2)、残差矩阵数据之间的时间相关性服从AR(1)模型,即Ui,t=bUi,t-1+εi,t,其中Ui,t为当前时刻残差矩阵元素,Ui,t-1为前一时刻对应元素,b为时间相关性系数,εi,t为高斯噪音。
我们首先用AR(1)模型对残差矩阵进行建模,基于随机矩阵理论,计算出残差协方差矩阵极限谱分布,即矩阵维度趋于无穷时其特征值概率分布,该计算过程中引入反应数据时间相关性的相关系数b;同时,我们利用去除主成分方法得到实际残差矩阵,计算其经验谱分布,该计算过程中引入反应数据空间相关性的因子个数p。通过最小化极限谱分布和经验谱分布之间的距离,我们可以获得最优时空相关性相关系数(p,b)估计值。
(3)、数据时空相关性和配电网馈线运行状态关系分析
分析配电网馈线在不同运行状态时对应运行状态数据时空相关性。采用IEEE 33-bus和57-bus进行仿真分析,通过模拟负荷突增和短路异常,观测在不同运行状态下时空相关性系数变化情况。正常和异常情况下的时空相关性参数估计值如表1所示:
表1正常和异常情况下时空相关性参数估计值
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种基于时空相关性分析的配电网异常检测及定位方法,其特征在于:包括如下步骤:
1)、对于配网中每条馈线的在线监测三相电压数据,叠加形成时空数据矩阵;
2)、对于每个采样时刻,获取对应时空数据窗口;
3)、从1开始,逐渐去除数据中因子个数p,得到对应残差矩阵;
4)、计算残差矩阵协方差矩阵经验谱分布,该计算过程中引入反应数据空间相关性的因子个数p;
5)、对于[0,1]内时间系数b,计算残差协方差矩阵理论谱分布;
6)、同时调节p和b,直到残差协方差矩阵的经验谱分布和理论谱分布距离最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910590643.9A CN110187242A (zh) | 2019-07-02 | 2019-07-02 | 一种基于时空相关性分析的配电网异常检测及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910590643.9A CN110187242A (zh) | 2019-07-02 | 2019-07-02 | 一种基于时空相关性分析的配电网异常检测及定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110187242A true CN110187242A (zh) | 2019-08-30 |
Family
ID=67724602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910590643.9A Pending CN110187242A (zh) | 2019-07-02 | 2019-07-02 | 一种基于时空相关性分析的配电网异常检测及定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110187242A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215489A (zh) * | 2020-10-12 | 2021-01-12 | 上海交通大学 | 一种工业设备异常检测方法 |
CN112421772A (zh) * | 2020-10-23 | 2021-02-26 | 国网福建省电力有限公司 | 多跳d2d组网下数据驱动的配电网在线异常检测装置及方法 |
CN112417371A (zh) * | 2020-12-01 | 2021-02-26 | 国网上海市电力公司 | 配网台区智能电能表运行状态监测方法 |
CN113702769A (zh) * | 2021-08-30 | 2021-11-26 | 国家电网有限公司 | 基于监测数据空时相关性的配电网异常监测与定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102340811A (zh) * | 2011-11-02 | 2012-02-01 | 中国农业大学 | 无线传感器网络故障诊断方法 |
CN105574669A (zh) * | 2015-12-16 | 2016-05-11 | 国网山东省电力公司电力科学研究院 | 时空联合数据聚类分析的输变电设备状态异常检测方法 |
CN107015079A (zh) * | 2017-03-28 | 2017-08-04 | 国网上海市电力公司 | 一种基于广域测量的配电系统网络异常检测方法 |
CN109238760A (zh) * | 2018-09-11 | 2019-01-18 | 浙江大学 | 基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法 |
CN109557422A (zh) * | 2019-01-22 | 2019-04-02 | 山东大学 | 一种智能配电网短路故障定位方法及系统 |
-
2019
- 2019-07-02 CN CN201910590643.9A patent/CN110187242A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102340811A (zh) * | 2011-11-02 | 2012-02-01 | 中国农业大学 | 无线传感器网络故障诊断方法 |
CN105574669A (zh) * | 2015-12-16 | 2016-05-11 | 国网山东省电力公司电力科学研究院 | 时空联合数据聚类分析的输变电设备状态异常检测方法 |
CN107015079A (zh) * | 2017-03-28 | 2017-08-04 | 国网上海市电力公司 | 一种基于广域测量的配电系统网络异常检测方法 |
CN109238760A (zh) * | 2018-09-11 | 2019-01-18 | 浙江大学 | 基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法 |
CN109557422A (zh) * | 2019-01-22 | 2019-04-02 | 山东大学 | 一种智能配电网短路故障定位方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215489A (zh) * | 2020-10-12 | 2021-01-12 | 上海交通大学 | 一种工业设备异常检测方法 |
CN112421772A (zh) * | 2020-10-23 | 2021-02-26 | 国网福建省电力有限公司 | 多跳d2d组网下数据驱动的配电网在线异常检测装置及方法 |
CN112421772B (zh) * | 2020-10-23 | 2022-05-13 | 国网福建省电力有限公司 | 多跳d2d组网下数据驱动的配电网在线异常检测装置及方法 |
CN112417371A (zh) * | 2020-12-01 | 2021-02-26 | 国网上海市电力公司 | 配网台区智能电能表运行状态监测方法 |
CN113702769A (zh) * | 2021-08-30 | 2021-11-26 | 国家电网有限公司 | 基于监测数据空时相关性的配电网异常监测与定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187242A (zh) | 一种基于时空相关性分析的配电网异常检测及定位方法 | |
Xie et al. | Dimensionality reduction of synchrophasor data for early event detection: Linearized analysis | |
Wang et al. | Fast and accurate frequency response estimation for large power system disturbances using second derivative of frequency data | |
Wang et al. | A low-rank matrix approach for the analysis of large amounts of power system synchrophasor data | |
CN101846716B (zh) | 一种快速捕捉电网故障启动点的方法 | |
CN110933031A (zh) | 一种基于lstm的智能电网配电终端单元入侵检测方法 | |
CN106908668B (zh) | 一种实测地面合成电场数据的处理方法及系统 | |
CN106443433B (zh) | 基于分合闸线圈电流的断路器状态监测系统及监测方法 | |
CN111898669A (zh) | 一种基于机器学习的直流矿热炉异常事件预警系统 | |
Li et al. | Fast event identification through subspace characterization of PMU data in power systems | |
EP4131042A1 (en) | Systems and methods for malicious attack detection in phasor measurement unit data | |
CN111426905B (zh) | 一种配电网同母线变关系异常诊断方法、装置及系统 | |
CN113239132A (zh) | 一种电压互感器的超差在线辨识方法 | |
Shi et al. | PDL: An efficient prediction-based false data injection attack detection and location in smart grid | |
CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
Wu et al. | Online identification of bad synchrophasor measurements via spatio-temporal correlations | |
CN105974223B (zh) | 一种用于在线检测用电设备工作状态的方法及系统 | |
CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
CN108896805B (zh) | 斩波信号检定方法、系统及电能检测装置 | |
CN109901003B (zh) | 一种逆变器功率故障检测方法及系统 | |
CN109142979A (zh) | 一种配电网异常状态的检测方法及装置 | |
CN109946640B (zh) | 基于计量自动化系统数据的专变终端失压失流判断方法 | |
CN116149226A (zh) | 一种基于数据分析的开关柜远程控制系统 | |
Du et al. | Fault diagnosis method of automation equipment in independent and controllable substation based on deep reinforcement learning | |
Meghwani et al. | Robust event detection using synchrophasor assisted forecasting-aided state estimation |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |
|
RJ01 | Rejection of invention patent application after publication |