CN110222897A - 一种配电网可靠性分析方法 - Google Patents
一种配电网可靠性分析方法 Download PDFInfo
- Publication number
- CN110222897A CN110222897A CN201910500951.8A CN201910500951A CN110222897A CN 110222897 A CN110222897 A CN 110222897A CN 201910500951 A CN201910500951 A CN 201910500951A CN 110222897 A CN110222897 A CN 110222897A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- distribution network
- mnemonics
- shot
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 230000007774 longterm Effects 0.000 claims abstract description 30
- 230000001343 mnemonic effect Effects 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000013499 data model Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000012935 Averaging Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 2
- 240000002853 Nelumbo nucifera Species 0.000 claims description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 5
- 241001269238 Data Species 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 229940050561 matrix product Drugs 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 238000011548 physical evaluation Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网可靠性分析方法,包括以下步骤:数据采集步骤、数据清洗步骤、构建数据库步骤、负荷预测步骤、物理指标计算步骤、综合物理指标计算步骤、数据模型指标计算步骤、加权平均步骤。其技术效果是:通过引入长短期记忆法神经网络对负荷有功无功进行预测,以实现短期可靠性评价效果,以较短时间内的数据逼近传统基于大量历史数据的统计预测,利用预测负荷以及网架线路参数进行物理指标计算,快速得到描述用户节点设备健康、配网拓扑、用户节点电压降落相关的指标,利用大数据随机矩阵的建模能力,利用圆环率定理计算配电网所有用户节点数据的平均谱半径变化曲线,得到数据模型指标,描述系统整体运行态势与负荷波动对系统运行的影响。
Description
技术领域
本发明涉及电网管理领域的一种配电网可靠性分析方法。
背景技术
随着社会经济的进步,配电网越来越复杂,更多类型设备的接入使得配电网的可靠性问题对用户日常供电的影响进一步增加。国家能源局于2015年发布了“配电网建设改造行动计划(2015-2020年)”,确立了到2020年中心城市供电可靠率达到99.99%,城镇地区达到99.88%的行动目标。
配电网可靠性受到网络自身拓扑、用户侧负载规律、设备运行状态等多种因素的影响。目前针对配电网的可靠性评价指标的研究,主要有解析法、蒙特卡洛法、N-1安全性准则、分层目标规划评价等方法。其仍主要基于物理模型驱动的方法,利用物理机理构建数学模型,求解后映射回实际系统以实现状态感知与分析。然而此类方法并不能很好地切合规模日益增长的配电网分析需求,主要的原因是一方面新能源、柔性负荷的接入令物理模型求解速度大幅度降低,另一方面如天气、经济、社会事件等多源因素为配电网带来了多重不确定性与随机性,这是物理模型难以解决的问题。
近年来大数据技术受到了广泛重视,基于大数据随机矩阵理论的电网分析方法已在配电网中得到初步应用。随着配电网的规模不断扩大,测量体系的不断完善,从配电网海量异构的量测数据中挖掘潜在信息,分析配电网运行状态,是一个可行的方向。基于数据模型,从宏观角度分析电力系统运行状态、关联的影响因素等内容,取得了良好的效果。但是数据模型需要大量的数据作支撑,是一种宏观普适分析方法,存在信息淹没、敏感度较低等不足。无法对细节、以及电网特有的项目进行感知,例如高变压器负载率等对网络运行状态影响不大但长期增加设备损耗的一类指标。
评价配电网可靠性时,传统的物理模型分析方法已不能很好的切合日益庞大的配电网分析需求,而以随机矩阵为代表的高维统计模型分析方法以大量数据作支撑,是一种宏观普适分析方法,它无法对细节、以及电网特有的项目进行感知。
发明内容
本发明的目的是为了克服现有技术的不足,提供一种配电网可靠性评价方法,旨在充分利用物理模型和数据模型指标的优点,解决传统物理模型计算速度、过分简化后的精度问题,以及数据模型细节缺失的问题,可避免随着配电网规模增加造成计算速度、精度显著下降的问题。
实现上述目的的一种技术方案是:一种配电网可靠性分析方法,其特征在于:包括以下步骤:
数据采集步骤:获取系统台账数据,以及各个台区和各个台区下所有用户节点的原始电气测量数据,至少包括:电压、电流及有功功率和无功功率;
数据清洗步骤:对数据采集步骤中所得到的数据进行修补;
构建数据库步骤:根据数据清洗步骤中得到的数据建立标准化数据库;
负荷预测步骤:根据构建数据库步骤建立的标准化数据库,利用长短期记忆法神经网络,对各个用户节点的负荷进行预测;
物理指标计算步骤:根据负荷预测步骤得到的时间负荷预测曲线,以及网架线路参数计算评价配电网可靠性的物理指标;
综合物理指标计算步骤:使用主成分分析法对物理指标计算步骤得到的物理指标,进行降维处理,得到综合物理指标;
数据模型指标计算步骤:根据构建数据库步骤建立的标准化数据库建立高维随机矩阵模型,基于高维随机矩阵理论分析工具得到数据模型指标;
加权平均步骤:对综合物理指标计算步骤中得到的综合物理指标与数据模型指标计算步骤所得的数据模型指标进行加权求和,得到用于评价配电网可靠性的综合评价指标。
进一步的,负荷预测步骤包括:
配置步骤:对所述标准化数据库中的各个用户节点的负荷数据,以时间为尺度进行训练集、验证集与测试集配置;
网络构建步骤:初始化所述长短期记忆法神经网络,依据所述标准化数据库分配训练集、验证集与测试集,配置所述长短期记忆法神经网络的超参数,根据所述训练集训练所述长短期记忆法神经网络,并用验证集验证所述长短期记忆法神经网络;
网络测试步骤:、采用所述测试集测试所述长短期记忆法神经网络;
S43循环步骤:重复网络构建步骤和网络测试步骤,调整所述长短期记忆法神经网络的算法的优化器、迭代次数和步长,直至所述长短期记忆法神经网络匹配所述标准化数据库中的负荷数据;
生成时间负荷预测曲线步骤:依据所述长短期记忆法神经网络,得到配电网的时间负荷预测曲线。
进一步的,物理指标计算步骤中的物理指标包括单元层指标和耦合层指标。
进一步的,数据模型指标计算步骤包括以下步骤:
高维统计特征计算步骤:提取构建数据库步骤所建立的标准化数据库中的用户节点电压数据和电流数据进行建模,得到配电网运行的高维随机矩阵模型;
随机矩阵模型参数调整步骤:调整所述高维随机矩阵的圆环率算法参数;
出环概率计算步骤:根据所述高维随机矩阵模型,得到所述高维随机矩阵模型平均谱半径变化曲线,计算得到数据模型指标。
进一步的,加权平均步骤中综合物理指标和数据模型指标的权重可调。
采用了本发明的一种配电网可靠性分析方法的技术方案,包括以下步骤:数据采集步骤:获取系统台账数据,以及各个台区和各个台区下所有用户节点的原始电气测量数据,至少包括:电压、电流及有功功率和无功功率;数据清洗步骤:对数据采集步骤中所得到的数据进行修补;构建数据库步骤:根据数据清洗步骤中得到的数据建立标准化数据库;负荷预测步骤:根据构建数据库步骤建立的标准化数据库,利用长短期记忆法神经网络,对各个用户节点的负荷进行预测;物理指标计算步骤:根据负荷预测步骤得到的时间负荷预测曲线,以及网架线路参数计算评价配电网可靠性的物理指标;综合物理指标计算步骤:使用主成分分析法对物理指标计算步骤得到的物理指标,进行降维处理,得到综合物理指标;数据模型指标计算步骤:根据构建数据库步骤建立的标准化数据库建立高维随机矩阵模型,基于高维随机矩阵理论分析工具得到数据模型指标;加权平均步骤:对综合物理指标计算步骤中得到的综合物理指标与数据模型指标计算步骤所得的数据模型指标进行加权求和,得到用于评价配电网可靠性的综合评价指标。
其技术效果是:通过引入长短期记忆法神经网络对负荷有功无功进行预测,以实现短期可靠性评价效果,以较短时间内的数据逼近传统基于大量历史数据的统计预测。利用预测负荷以及网架线路参数进行物理指标计算,可快速得到描述用户节点设备健康、配网拓扑、用户节点电压降落相关的指标,此外利用大数据随机矩阵的建模能力,利用圆环率定理计算配电网全节点数据的平均谱半径变化曲线,得到数据模型指标,描述系统整体运行态势与负荷波动对系统运行的影响情况。基于两种指标得到综合评价指标,综合考量配电网整体运行可靠性与用户节点设备健康、拓扑对可靠性影响,全面描述配电网可靠性的同时,利用了高维统计领域的算法,有效避免了随着网络规模增加计算速度、精度显著下降的问题。
附图说明
图1为本发明的一种配电网可靠性分析方法的流程图。
具体实施方式
请参阅图1,本发明的发明人为了能更好地对本发明的技术方案进行理解,下面通过具体地实施例,并结合附图进行详细地说明:
本发明的一种配电网可靠性分析方法包括以下步骤:
S1数据采集步骤:获取系统台账数据,以及各个台区和各个台区下所有用户节点的原始电气测量数据,至少包括:电压、电流及有功功率和无功功率。
S2数据清洗步骤:对数据采集步骤中所得到的数据进行清洗、并进行标签化及结构化;其步骤包括:
S21电压数据清洗步骤:清洗电压测量数据。
对于任一用户节点,将指定时刻电压测量值U与指定时刻前15分钟电压测量值U-15,以及指定时刻后15分钟电压测量值U+15分别进行比较,确保电压测量值的波动不超过电压裕度δu,即:|U-U-15|≤δu,|U-U+15|≤δu。
对于任一用户节点,将指定时刻电压测量值U,与前一周指定时刻电压测量值的平均值进行比较,使两者之间的偏差不超过电压裕度δu,即:
对于任一用户节点,指定时刻电压测量值U与额定电压之间的偏差在规定的范围内,即:U∈[a,b],其中a为指定时刻电压测量值的下限,b为指定时刻电压测量值的下限。
对于任一用户节点,指定时刻电压测量值U小于指定时刻父节点母线电压Ub,即:U<Ub。
S22电流数据清洗步骤:清洗电流测量数据。
对于任一用户节点,将指定时刻电流测量值I与指定时刻前15分钟电流测量值I-15,以及指定时刻后15分钟电压测量值I+15分别进行比较,确保电流测量值的波动不超过电流裕度δI,即:|I-I-15|≤δI,|I-I+15|≤δI。
对于任一用户节点将指定时刻电流测量值I,与前一周指定时刻电流测量值的平均值进行比较,使两者之间的偏差不超过电流裕度δI,即:
对于任一用户节点的每个开关,其指定时刻电流测量值I小于指定时刻对应出口断路器电流测量值Ib,即:I<Ib。
S23有功功率数据清洗步骤:清洗有功功率测量数据。
对于任一用户节点,将指定时刻有功功率测量值P,与指定时刻前15分钟有功功率测量值P-15和指定时刻后15分钟有功功率测量值P+15分别进行比较,确保有功功率测量值的波动不超过有功功率裕度δP,即:|P-P-15|≤δP,|P-P+15|≤δP。
对于任一用户节点,将指定时刻有功功率测量值P,与前一周指定时刻有功功率测量值的平均值进行比较,使两者之间的偏差不超过功率裕度δP,即:
对于任一用户节点,将有功电度量Wp与t0时间内有功做功比较,使有功电度量Wp与t0时间内有功做功之间的偏差|P×t0-Wp|≤δP。
对筛选出的不符合上述三个条件的不良数据点的数据进行修补,由于用户节点中功率测量元件,与电压互感器和电流互感器为分立元件,故采用电压电流与功率因数值cosφ进行修补。即:P=UIcosφ,若修补后仍然不符合上述三个条件的,则认为该组数据为真实突变量,保持原值。
若指定时刻有功功率测量值、指定时刻电压测量值和指定时刻电流测量值缺失,则对应用和代替。指定时刻无功功率测量值同理。
S24无功功率数据清洗步骤:清洗无功功率测量数据。
对于任一用户节点,将指定时刻无功功率测量值Q,与指定时刻前15分钟无功功率测量值Q-15和指定时刻后15分钟无功功率测量值Q+15分别进行比较,确保无功功率测量值的波动不超过无功功率裕度δQ,即:|Q-Q-15|≤δQ,|Q-Q+15|≤δQ。
将指定时刻无功功率测量值Q,与前一周指定时刻无功功率测量值的平均值进行比较,使两者之间的偏差,不超过无功率裕度δQ,即:
将无功电度量Wq与t0时间内无功做功比较,使无功电度量Wq与t0时间内无功做功比较,使无功电度量WQ与t0时间内无功做功之间的偏差|P×t0-WQ|≤δQ。
S3构建数据库步骤:根据数据清洗步骤中得到的数据建立标准化数据库。
S4负荷预测步骤:根据构建数据库步骤建立的标准化数据库,利用长短期记忆法(LSTM)神经网络,对各个用户节点的负荷进行预测,包括以下步骤:
S40配置步骤:对所述标准化数据库中的各个用户节点的负荷数据,即有功功率数据和无功功率数据,以时间为尺度进行训练集、验证集与测试集配置。
S41网络构建步骤:初始化所述长短期记忆法神经网络,依据所述标准化数据库分配训练集、验证集与测试集,配置所述长短期记忆法神经网络的超参数,根据所述训练集训练所述长短期记忆法神经网络,并用验证集验证所述长短期记忆法神经网络。
S42网络测试步骤:、采用所述测试集测试所述长短期记忆法神经网络。
S43循环步骤:重复网络构建步骤和网络测试步骤,调整所述长短期记忆法神经网络的参数,至少包括算法的优化器、迭代次数和步长,直至所述长短期记忆法神经网络匹配所述标准化数据库中的负荷数据。
S44生成时间负荷预测曲线步骤:依据所述长短期记忆法神经网络,得到配电网的时间负荷预测曲线。
S5物理指标计算步骤:根据负荷预测步骤得到的时间负荷预测曲线,以及网架线路参数计算可靠性多层次物理指标类;具体包括以下步骤:
S50单元层指标评价步骤:利用所述时间负荷预测曲线,计算评价配电网运行可靠性的单元层指标,包括:潮流安全裕度、潮流安全期望、潮流安全概率、潮流过载期望及潮流过载概率。上述指标描述了用户节点的负荷波动与设备健康情况,将用户节点的设备参数,至少包括配变额定容量,纳入可靠性评价领域,体现了设备与用户行为对配电网系统的共同影响。
潮流安全裕度Ms描述了配变对负荷波动的承载能力,单独可作为后期设备升级、规划与经济性评价等问题的参考指标,即:
其中,S为配电变压器容量,Lmax为评价期内用户节点最大负荷。
潮流安全期望Es是用户节点负荷在低于80%额定容量下的有功功率平均值,描述了用户节点基础负荷的平均大小,即:
Pi为用户节点i的有功功率,p(Pi<0.8S)为用户节点i的有功有功功率低于80%额定容量S的出现概率。
潮流过载期望Ed为用户节点负荷大于等于80%额定容量S部分的平均值,描述了用户节点峰值负荷的平均大小对配电变压器处于高负载状态的程度,即:
潮流安全概率ps为低于80%额定容量S的用户节点i的有功功率Pi的出现概率。该指标描述了用户节点i负荷处于安全范围内的时间长短,即:.ps=p(Pi<0.8S)。
潮流过载概率pd体现了对应台区配电变压器处于高负载状态下的时间长短,pd=p(Pi≥0.8S)。
S51耦合层指标评价步骤:
评价配电网运行可靠性的耦合层指标包括:电压安全裕度、电压越限概率、电压越上限概率、电压越下限概率以及电压安全概率。这一指标类基于负荷预测结果与线路拓扑模型、线路参数、长度数据,综合评价了线路拓扑与用户节点负荷对受电侧电能质量、电压稳定性的影响。
通过分析台区内线路拓扑数据,提取线路长度与单位阻抗参数,预测负荷数据与系统潮流方程计算指定时刻用户节点电压估计值U':
其中R表示线路长度,X表示单位阻抗参数,利用电压估计值计算耦合层指标。
电压安全裕度Mus描述了用户节点电压与安全电压上下限之间的距离,体现了输电线距离与用户节点负荷对用户用电质量及用电设备可靠性的影响,公式为:
Unominal为额定运行电压铭牌值,Umax为预测电压最大值,Umin为预测电压最小值。
电压安全概率pus:pus=p(0.93Unominal≤U≤1.07Unominal);
电压越限概率pud:pud=1-p(0.93Unominal≤U≤1.07Unominal);
这组指标体现了用户节点负荷大小与波动情况对配电网系统可靠性的影响。
电压越上限概率pupper:pupper=p(U≥1.07Unominal)。
电压越下限概率plower:plower=p(U≤0.93Unominal)。
该组指标描述了功率因数与无功功率变化对节点电压的影响。
S6综合物理指标计算步骤:使用主成分分析法(PCA,principal ComponentAnalysis)对物理指标计算步骤得到的单元层指标和耦合层指标,进行降维处理,得到综合物理指标;具体包含以下步骤:
S61原始矩阵构建步骤:物理指标计算步骤中所得到的物理指标中,选取n个物理指标,进行m个用户节点的评价,构建m×n的数据矩阵A。物理指标计算步骤中所得到的物理指标量纲不同,分布各异,需要对各物理指标进行标准化处理,必须基于配电大数据得到各物理指标的分布函数。
数据矩阵A中的任意一个列指标变量Y进行正态分布标准化处理,转换为对应的正态分布变量Z:
式中:表示列指标变量Y的均值;σ表示列指标变量Y的标准差。从而得到正态分布矩阵A'=[Z1,Z2,……,Zn]。
S62自相关矩阵建立及特征值计算步骤:
正态分布矩阵A'的列指标变量间的相关关系是指已知一个列指标变量或一组列指标变量时,可以确定另一个列指标变量的值,或者找到一种变化规律。比如采用Pearson相关系数来度量正态分布矩阵A'的列指标变量Z1和列指标变量Z2之间线性相关性的强弱。其定义为:
式中:cov(Z1Z2)表示列指标变量Z1和列指标变量Z2之间的协方差;σ(Z1)、σ(Z2)分别表示列指标变量Z1、Z2的标准差。列指标变量Z1至的列指标变量Zn的自相关矩阵Γ,且自相关矩阵Γ为正定矩阵,即:
必正交相似于对角阵B,即:
假设C是特征向量构成的正交阵:C=(c1,c2,...,cn)。
因此,由C的第一列元素c1所组成的原始变量线性组合有最大的方差,使得下式成立:
以此类推:
正态分布矩阵A'的主成分Fk就是以自相关矩阵Γ的特征向量为系数的线性组合,彼此互不相关,其方差是自相关矩阵Γ的特征根,有:
Var(F1)≥Var(F2)≥...≥Var(Fn)>0。
根据自相关矩阵Γ,采用求得其特征值及特征向量c1、c2、...、cn。
S63确定主成分步骤:以及公式求列指标变量Zk的方差贡献率ωk,利用公式求累计方差贡献率η。
根据实际的需求选取累计方差贡献率最小值ηmin,从与相对应的F1开始选取主成分,直到累计方差贡献率η大于选取的最小值ηmin为止,共选取了前p个主成分,即F1…Fp。因此,所选取主成分的个数p取决于单个列指标变量Zk方差贡献率和累计方差贡献率最小值ηmin。又由于自相关矩阵Γ的特征值是从大到小排列,则前p个主成分包含了m个原始指标变量所含的绝大部分信息。
S64综合物理评价指标确定步骤:
V[s(Fk,Zl)]为主成分因子载荷矩阵,V中的不同数值s(Fk,Zl)分别对应第k个主成分Fk与原第l物理评价指标间Yl的相关性系数,其取值为[1,1],正负号分别代表正相关和负相关,绝对值越大表明相关性越强。对可靠性评价时,不需要全部指标的全部信息,因而只需选取代表主要信息的部分指标即可。因此,可根据载荷矩阵,对p个主成分,分别选取|s(Fk,Zl))|最大值对应的物理指标Zl作为可靠性评价物理指标。
S7数据模型指标计算步骤:对构建数据库步骤建立的标准化数据库建立高维随机矩阵模型,基于高维随机矩阵理论分析工具得到数据模型指标;包括:
S70高维统计特征计算步骤:根据各个用户节点的数据建立高维随机矩阵模型,基于随机矩阵的单环定理得到配电网高维统计特征,计算过程如下:
S700高维统计量计算步骤:高维特征值统计量为线性特征值统计量(LES),公式为:其中,为连续测试函数(testing function),λi为特征值,下标N为空间维度;
S701收敛值求解步骤:根据LES的大数定律求依概率的收敛值,公式为:其中ρ(λ)为随机矩阵特征值的概率密度函数(PDF,probability density function)。
S702高维特征值统计量中心极限求解步骤:
给定一个非Hermitian的N×M矩形随机矩阵G,其元素为Gij满足标准正态独立同分布(i.i.d.);H是G的协方差矩阵令测试函数连续且则N,M→∞且c=N/M≤1时,构造函数其表示为:其值分布收敛于均值为0,其方差表示为如下的高斯随机变量:
其中,κ4=E(G4)-3是G元素的4阶累计量。
其中θ、θ1、θ2为积分自变量。
S703单环定理求解步骤:
考虑L个独立随机矩阵的奇异值等价矩阵累乘其中Gu,g∈RN×M。进一步,可将Zu,g归一化为则当N,M→∞且N/M=c∈(0,1]时,的经验谱密度函数几乎一定收敛于ρring(λ),即:
S704随机矩阵模型处理步骤:选取n个变量作为一个复杂系统的空间样本。再采样时刻th,n个变量的量测数据可以构成一个列向量:
将各个采样时刻的量测数据向量按照时间顺序排列,可以形成一个矩阵:
该矩阵为大数据分析的数据源,在数据源Ω中,可以采用一个Nw×Mw的分离窗来获取生数据矩阵将中的元素按下式进行标准化处理,得到标准非Hermitian矩阵即:
其中, 分别为的均值和标准差;分别为的平均值和标准差,且 的奇异值等价矩阵为:其中,Hu为哈尔酉矩阵,
对于α个任意的标准非Hermitian矩阵其矩阵积为
将的每一行按标准化进行处理,得到标准矩阵积Θ其中:
其中,
S705实时分离窗步骤:为了实现数据的实时分析,可以采用实时分离窗获取生数据矩阵,实时分离窗能够从数据源中获取指定时刻及其历史采样时刻,或者说历史上指定时刻的测量数据。在采样时刻ti,采用实时分离窗获取的生数据矩阵为:其中为采样时刻tj的数据向量。以数据矩阵O为输入计算该采样窗口期内的特征谱半径并计算其均值。逐步滑动采样窗口期以获得平均谱半径变化曲线:
S71随机矩阵模型参数调整步骤:由于单环定理的外环半径为1,内环半径rinner<1。故需选取合适的采样窗口期,控制输入矩阵的规模大小,以控制内环半径在0.65~0.75,计算得到T。计算公式为:
对O做加噪处理以增强数据随机性,减少数据基本关联度对算法输出的影响,其中,M为行数,即数据维度(数据种类个数);T为列数,即采样数;k为噪声规模。公式为:Oin=O+k·random(M·T)。
调整参数直到正常运行状态下的高维随机矩阵模型结果,使所述高维随机矩阵模型平均谱半径曲线与内环半径重合,只存在少于十个跌落。
S72出环概率计算步骤:根据所述高维随机矩阵模型,计算出环概率。该指标表现配电网系统整体运行态势稳定性与配电网系统状态变化剧烈程度,计算公式为:
S8加权平均步骤:对综合物理指标计算步骤与数据模型指标计算步骤所得数据进行加权求和,得到用于评价配电网可靠性的综合评价指标,根据实际对于物理模型与数据模型重要程度的需求而调整权值。
本发明的一种配电网可靠性分析方法,将高维统计和LSTM神经网络应用于配电自动化,实现配电网的可靠性短期快速评价。在当今新能源及柔性负荷接入、规模快速增长的配电网应用场景中本发明的一种配电网可靠性分析方法提供的可靠性评价方法能有效避免传统物理模型的计算速度问题、模型简化后计算精度问题,以及纯大数据随机矩阵评价方法的细节缺失问题,基于两种指标得到综合评价指标,综合考量配电网整体运行可靠性与用户节点设备健康、拓扑对可靠性影响,全面描述配电网可靠性。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (5)
1.一种配电网可靠性分析方法,其特征在于:包括以下步骤:
数据采集步骤:获取系统台账数据,以及各个台区和各个台区下所有用户节点的原始电气测量数据,至少包括:电压、电流及有功功率和无功功率;
数据清洗步骤:对数据采集步骤中所得到的数据进行修补;
构建数据库步骤:根据数据清洗步骤中得到的数据建立标准化数据库;
负荷预测步骤:根据构建数据库步骤建立的标准化数据库,利用长短期记忆法神经网络,对各个用户节点的负荷进行预测;
物理指标计算步骤:根据负荷预测步骤得到的时间负荷预测曲线,以及网架线路参数计算评价配电网可靠性的物理指标;
综合物理指标计算步骤:使用主成分分析法对物理指标计算步骤得到的物理指标,进行降维处理,得到综合物理指标;
数据模型指标计算步骤:根据构建数据库步骤建立的标准化数据库建立高维随机矩阵模型,基于高维随机矩阵理论分析工具得到数据模型指标;
加权平均步骤:对综合物理指标计算步骤中得到的综合物理指标与数据模型指标计算步骤所得的数据模型指标进行加权求和,得到用于评价配电网可靠性的综合评价指标。
2.根据权利要求1所述的一种配电网可靠性分析方法,其特征在于:负荷预测步骤包括:
配置步骤:对所述标准化数据库中的各个用户节点的负荷数据,以时间为尺度进行训练集、验证集与测试集配置;
网络构建步骤:初始化所述长短期记忆法神经网络,依据所述标准化数据库分配训练集、验证集与测试集,配置所述长短期记忆法神经网络的超参数,根据所述训练集训练所述长短期记忆法神经网络,并用验证集验证所述长短期记忆法神经网络;
网络测试步骤:、采用所述测试集测试所述长短期记忆法神经网络;
循环步骤:重复网络构建步骤和网络测试步骤,调整所述长短期记忆法神经网络的算法的优化器、迭代次数和步长,直至所述长短期记忆法神经网络匹配所述标准化数据库中的负荷数据;
生成时间负荷预测曲线步骤:依据所述长短期记忆法神经网络,得到配电网的时间负荷预测曲线。
3.根据权利要求1所述的一种配电网可靠性分析方法,其特征在于:物理指标计算步骤中的物理指标包括单元层指标和耦合层指标。
4.根据权利要求1所述的一种配电网可靠性分析方法,其特征在于:数据模型指标计算步骤包括以下步骤:
高维统计特征计算步骤:提取构建数据库步骤所建立的标准化数据库中的用户节点电压数据和电流数据进行建模,得到配电网运行的高维随机矩阵模型;
随机矩阵模型参数调整步骤:调整所述高维随机矩阵的圆环率算法参数;
出环概率计算步骤:根据所述高维随机矩阵模型,得到所述高维随机矩阵模型平均谱半径变化曲线,计算得到数据模型指标。
5.根据权利要求1所述的一种配电网可靠性分析方法,其特征在于:加权平均步骤中综合物理指标和数据模型指标的权重可调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910500951.8A CN110222897A (zh) | 2019-06-11 | 2019-06-11 | 一种配电网可靠性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910500951.8A CN110222897A (zh) | 2019-06-11 | 2019-06-11 | 一种配电网可靠性分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222897A true CN110222897A (zh) | 2019-09-10 |
Family
ID=67816473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910500951.8A Pending CN110222897A (zh) | 2019-06-11 | 2019-06-11 | 一种配电网可靠性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222897A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273126A (zh) * | 2020-01-20 | 2020-06-12 | 湖南大学 | 一种配电网拓扑快速感知方法 |
CN111275582A (zh) * | 2020-04-03 | 2020-06-12 | 国网新疆电力有限公司经济技术研究院 | 一种自动化处理数据的方法及装置 |
CN111563623A (zh) * | 2020-04-30 | 2020-08-21 | 国网山东省电力公司威海供电公司 | 一种风电系统规划的典型场景提取方法及系统 |
CN111967772A (zh) * | 2020-08-18 | 2020-11-20 | 广东电网有限责任公司东莞供电局 | 一种多线路并行供电系统过负荷停运概率的计算方法 |
CN112001644A (zh) * | 2020-08-27 | 2020-11-27 | 广东电网有限责任公司广州供电局 | 一种配电网运行可靠性检测方法、装置、终端及存储介质 |
CN112018757A (zh) * | 2020-08-20 | 2020-12-01 | 天津大学 | 一种面向配电网形态演化的通用算例生成方法 |
CN112327101A (zh) * | 2020-10-30 | 2021-02-05 | 国网上海市电力公司 | 基于长短时记忆神经网络的配电网可靠性检测方法及系统 |
CN112668834A (zh) * | 2020-12-01 | 2021-04-16 | 国网上海市电力公司 | 一种基于数据增维及随机张量理论的配网台区智能电表运行状态监测方法 |
CN113393102A (zh) * | 2021-06-02 | 2021-09-14 | 重庆大学 | 一种基于数据驱动的配电变压器运行状态趋势预测方法 |
CN116432598A (zh) * | 2023-06-12 | 2023-07-14 | 北京智芯仿真科技有限公司 | 一种评估集成电路电源供电系统可靠性的方法和系统 |
CN117972957A (zh) * | 2024-04-01 | 2024-05-03 | 广东电网有限责任公司江门供电局 | 基于gis的输电线路放线模拟施工可视化仿真方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203800A (zh) * | 2016-06-30 | 2016-12-07 | 中国电力科学研究院 | 一种配电网运行可靠性指标提取方法 |
WO2018157691A1 (zh) * | 2017-02-28 | 2018-09-07 | 国网江苏省电力公司常州供电公司 | 有源配电网的安全性量化方法 |
CN109061387A (zh) * | 2018-08-23 | 2018-12-21 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于圆环定理的电网异常状态判别方法 |
CN109193650A (zh) * | 2018-10-26 | 2019-01-11 | 湖北航天技术研究院总体设计所 | 一种基于高维随机矩阵理论的电网薄弱点评估方法 |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
CN109546659A (zh) * | 2018-10-19 | 2019-03-29 | 北京交通大学 | 基于随机矩阵和智能场景匹配的配电网无功优化方法 |
-
2019
- 2019-06-11 CN CN201910500951.8A patent/CN110222897A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203800A (zh) * | 2016-06-30 | 2016-12-07 | 中国电力科学研究院 | 一种配电网运行可靠性指标提取方法 |
WO2018157691A1 (zh) * | 2017-02-28 | 2018-09-07 | 国网江苏省电力公司常州供电公司 | 有源配电网的安全性量化方法 |
CN109061387A (zh) * | 2018-08-23 | 2018-12-21 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于圆环定理的电网异常状态判别方法 |
CN109546659A (zh) * | 2018-10-19 | 2019-03-29 | 北京交通大学 | 基于随机矩阵和智能场景匹配的配电网无功优化方法 |
CN109193650A (zh) * | 2018-10-26 | 2019-01-11 | 湖北航天技术研究院总体设计所 | 一种基于高维随机矩阵理论的电网薄弱点评估方法 |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
刘学军等: "基于大数据的配电网运行状态评估与预警", 《浙江电力》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273126B (zh) * | 2020-01-20 | 2021-01-29 | 湖南大学 | 一种配电网拓扑快速感知方法 |
CN111273126A (zh) * | 2020-01-20 | 2020-06-12 | 湖南大学 | 一种配电网拓扑快速感知方法 |
CN111275582A (zh) * | 2020-04-03 | 2020-06-12 | 国网新疆电力有限公司经济技术研究院 | 一种自动化处理数据的方法及装置 |
CN111563623B (zh) * | 2020-04-30 | 2022-05-10 | 国网山东省电力公司威海供电公司 | 一种风电系统规划的典型场景提取方法及系统 |
CN111563623A (zh) * | 2020-04-30 | 2020-08-21 | 国网山东省电力公司威海供电公司 | 一种风电系统规划的典型场景提取方法及系统 |
CN111967772A (zh) * | 2020-08-18 | 2020-11-20 | 广东电网有限责任公司东莞供电局 | 一种多线路并行供电系统过负荷停运概率的计算方法 |
CN112018757B (zh) * | 2020-08-20 | 2023-06-06 | 天津大学 | 一种面向配电网形态演化的通用算例生成方法 |
CN112018757A (zh) * | 2020-08-20 | 2020-12-01 | 天津大学 | 一种面向配电网形态演化的通用算例生成方法 |
CN112001644B (zh) * | 2020-08-27 | 2023-05-23 | 广东电网有限责任公司广州供电局 | 一种配电网运行可靠性检测方法、装置、终端及存储介质 |
CN112001644A (zh) * | 2020-08-27 | 2020-11-27 | 广东电网有限责任公司广州供电局 | 一种配电网运行可靠性检测方法、装置、终端及存储介质 |
CN112327101A (zh) * | 2020-10-30 | 2021-02-05 | 国网上海市电力公司 | 基于长短时记忆神经网络的配电网可靠性检测方法及系统 |
CN112668834A (zh) * | 2020-12-01 | 2021-04-16 | 国网上海市电力公司 | 一种基于数据增维及随机张量理论的配网台区智能电表运行状态监测方法 |
CN113393102A (zh) * | 2021-06-02 | 2021-09-14 | 重庆大学 | 一种基于数据驱动的配电变压器运行状态趋势预测方法 |
CN113393102B (zh) * | 2021-06-02 | 2022-08-12 | 重庆大学 | 一种基于数据驱动的配电变压器运行状态趋势预测方法 |
CN116432598A (zh) * | 2023-06-12 | 2023-07-14 | 北京智芯仿真科技有限公司 | 一种评估集成电路电源供电系统可靠性的方法和系统 |
CN116432598B (zh) * | 2023-06-12 | 2023-08-25 | 北京智芯仿真科技有限公司 | 一种评估集成电路电源供电系统可靠性的方法和系统 |
CN117972957A (zh) * | 2024-04-01 | 2024-05-03 | 广东电网有限责任公司江门供电局 | 基于gis的输电线路放线模拟施工可视化仿真方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222897A (zh) | 一种配电网可靠性分析方法 | |
CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
CN108535656A (zh) | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 | |
CN106972481A (zh) | 规模化充电设施接入有源配电网的安全性量化评估方法 | |
CN110417011A (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN107742040A (zh) | 一种基于topsis和最优组合权重的输电线路综合风险评估方法 | |
CN109490726A (zh) | 基于云理论的电力变压器绝缘状态评估方法 | |
CN109274097A (zh) | 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 | |
CN104809660A (zh) | 低压台区线损率分析指标的动态筛选及综合权重设置方法 | |
CN106203842A (zh) | 基于层次分析法和熵权法的电动汽车充电机评估方法 | |
CN104037943A (zh) | 一种提高电网电压质量的电压监测方法及系统 | |
CN109636009B (zh) | 一种建立确定电网线损的神经网络模型的方法和系统 | |
CN102170131B (zh) | 基于并行计算模式的关联输电断面极限功率计算方法 | |
CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
CN105656031A (zh) | 基于高斯混合分布特征的含风电电力系统安全风险评估方法 | |
CN112001644B (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
CN107292502A (zh) | 一种配电网可靠性评估方法 | |
CN104269867A (zh) | 一种节点扰动功率转移分布均衡度分析方法 | |
CN104882884A (zh) | 基于马尔可夫链-蒙特卡罗法的系统谐波概率评估方法 | |
Singh et al. | Power system adequacy and security calculations using Monte Carlo simulation incorporating intelligent system methodology | |
CN104077493A (zh) | 一种电力继电保护系统状态评估指标体系的构建方法 | |
CN107330573A (zh) | 一种光伏系统关键设备的状态评估方法及装置 | |
CN105656036B (zh) | 考虑潮流和灵敏度一致性等值的概率静态安全分析方法 | |
CN109378835A (zh) | 基于互信息冗余性最优的大规模电力系统暂态稳定评估系统 | |
CN103020461A (zh) | 电能质量模糊评价方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190910 |