CN110263945A - 基于马尔科夫链的配电网线损处理系统 - Google Patents
基于马尔科夫链的配电网线损处理系统 Download PDFInfo
- Publication number
- CN110263945A CN110263945A CN201910428562.9A CN201910428562A CN110263945A CN 110263945 A CN110263945 A CN 110263945A CN 201910428562 A CN201910428562 A CN 201910428562A CN 110263945 A CN110263945 A CN 110263945A
- Authority
- CN
- China
- Prior art keywords
- line loss
- reason
- distribution network
- data
- model
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 98
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013480 data collection Methods 0.000 claims abstract description 15
- 230000003993 interaction Effects 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000013508 migration Methods 0.000 abstract description 4
- 230000005012 migration Effects 0.000 abstract description 4
- 230000007704 transition Effects 0.000 abstract description 4
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000010977 unit operation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
Abstract
一种基于马尔科夫链的配电网线损处理系统。本发明包括有数据采集端口、模型训练单元、根据模型训练单元的训练结果而确定的模型计算单元以及供人机交互的处理单元。本发明的模型训练单元具有基于非确定有限状态机的配网故障风险分析模型。模型训练单元在分析配电网数据的过程中迭代计算从而获得各状态的迁移路径,将非确定有限状态机与隐型马尔科夫算法相结合,通过样本训练计算各状态转移概率,综合全面考虑各类输入因素,最小化数据不全对模型计算单元运算结果的影响。由此,本发明的处理单元能够输出一系列调控方案。本发明能够通过使用较为完善的特大型城市典型配电网故障数据集来验证模型的正确性。
Description
技术领域
本发明涉及配电网技术领域,具体而言涉及一种配电网线损的处理系统。
背景技术
配电网是电力系统的末端网络,与用户直接连接。其分布地域广、设备类别众多并且网络结构灵活多变。配电网络设备由于经常暴露在室外环境中,因此设备的故障率受环境因素影响较大。恶劣气候条件下,配网设备故障率将会显著增加,相应造成电网停电风险增加。配电网电能损耗,据统计,能够在整个电网线损中占到70%左右份额。
然而,参考图1,由于电网设备故障受环境因素和设备内部原因等众多因素的影响,配电网线损分布和变化规律很难确定。因而,现有技术很难针对配电网的不同线损状况确定有针对性的应对和处理措施。
目前配电网线损分析的大部分研究点在于规划分析和理论计算,即在配电网网架建设与规划阶段开展性线损评估,或是利用潮流算法、等值阻抗法开展理论线损计算,发现损耗较高的线路。现有的研究并不能从运行角度全面考察配电网内、外因素对线损影响,难以准确反应运行态电能损耗的随机性、动态性与过程性,更无法实现配电网高损成因辨识。并且,由于现有线损识别技术无法迅速的适应网架更新与运行方式的频繁变换,其很难对线损成因进行准确的识别,或识别迟滞性过大。现有技术很难针对具有模糊性和不确定性的线损进行及时反馈和处理。
发明内容
本发明针对现有技术的不足,提供一种基于马尔科夫链的配电网线损处理系统,本发明在当前已有的各类配电网线损原因辨识方法的基础上,提出了一种基于马尔科夫随机场的方法,构建配电网线损原因辨识模型。利用线损位置相关的各类先验条件的模糊性和不确定性问题实现线损辨识。本发明能够支持向量机与神经网络等分类算法,更好地处理了分类边缘的混叠,明显减少了干扰噪声,在算法准确性方面也有一定的提高。最后,将所提算法应用在配电网线损原因识别上也取得了良好的效果。本发明具体采用如下技术方案。
首先,为实现上述目的,提出一种基于马尔科夫链的配电网线损处理系统,其包括:数据采集端口,用于在模型训练阶段搜集不同高损原因及其所影响的线损分布的数据;还用于在配电网工作状态下实时采集工作线损分布的数据,包括线损值、线损率、线路负荷与网架结构。模型训练单元,用于将所述数据采集端口获得的所述线损分布的数据以及其对应的高损原因代入基于马尔科夫随机场的辨识模型中,训练、更新并输出更新后的辨识模型。模型计算单元,用于在配电网工作状态下将所述数据采集端口所采集的工作线损分布的数据代入所述模型训练单元所输出的辨识模型,经该辨识模型计算以获得线损发生的可能原因及概率。处理单元,用于针对所述模型计算单元中计算得到的最大概率所对应的线损发生的可能原因进行响应和处理:若技术原因造成的线路损耗过高则提示降低线路半径,若技术原因造成的主设备损耗过高则提示更换对应设备,若技术原因造成的台区损耗过高则提示需要明确台-户关系,若技术原因造成的设备空载/重载则提示更换对应设备,若管理原因造成的抄核问题则使用信息手段重新抄核,若管理原因造成的窃电则提示提高监督手段,若管理原因造成的漏电则提示加大可疑用户排查,若管理原因造成的线路运维不到位则提示提升运维精益化,若管理原因造成的线变关系混乱则提示梳理配电网图模,若计量原因造成的计量精度低则提示更换计量设备,若计量原因造成的PT/CT不准确则提示更换互感器,若计量原因造成的电表老化与故障则提示更换或维修电表。
可选的,上述的基于马尔科夫链的配电网线损处理系统中,所述数据采集端口在模型训练阶段所搜集的不同高损原因标记为Xt,其中,i∈[1,N]表示高损原因的标号,高损原因的总数记为N;高损原因所Xt所影响的线损分布的数据标记为Yi,Yi包括线损值、线损率、线路负荷与网架结构的数据中的任意一种或组合。
可选的,上述的基于马尔科夫链的配电网线损处理系统中,所述模型训练单元中的辨识模型,其内构建有马尔可夫随机场的五元组HMM{N,M,π,A,B},其中N表示高损原因的总数,M表示可观察的配电网存在的高损耗点数量,πn为初始状态概率,A={aij}为隐藏状态的概率转移矩阵,B={bij}表示线损原因与线损分布之间的概率关系矩阵。该辨识模型下,线损分布的数据Yi在全部高损原因Xt条件下发生的总概率为所述模型训练单元中还包括有正向辅助变量计算子模块,用于根据t时刻与t+1时刻的高损原因所对应的概率计算正向辅助变量γ(Xt,Xt+1)=P(P(Xt=xi),P(Xt+1=xj))。所述模型训练单元中还包括反向辅助变量计算子模块,用于根据t时刻的概率P(Xt=x)计算反向辅助变量训练子模块,用于在给定由线损分布的数据Yi所组成的序列Y下,根据前向后向算法中的参数学习过程,不断迭代更新HMM五元组中的数值,使得训练参数P(Y|X)获得最大,而后输出迭代更新HMM五元组中数值后的辨识模型。其中,所述前向后向算法中的参数学习过程满足:其中,t时刻的概率P(Xt=x)对应有
可选的,上述的基于马尔科夫链的配电网线损处理系统中,所述训练子模块中,t时刻的概率P(Xt=x)满足
可选的,上述的基于马尔科夫链的配电网线损处理系统中,所述模型计算单元,用于在配电网工作状态下将所述数据采集端口所采集的工作线损分布的数据Yi所组成的序列Y代入所述辨识模型,循环提取所有工作线损分布的数据Yi所对应的高损原因Xt,循环结束后,获得最大概率的高损原因为
可选的,上述的基于马尔科夫链的配电网线损处理系统中,所述处理单元,包括有指针存储子模块,用于通过指针的方式存储不同高损原因Xt及其所对应的响应和处理方式。
可选的,上述的基于马尔科夫链的配电网线损处理系统中,所述处理单元还包括人机交互子模块,用于根据所述模型计算单元输出的获得最大概率的高损原因Xt查询所述指针存储子模块,输出或执行所述指针存储子模块中指针所指向的响应和处理方式。
可选的,上述的基于马尔科夫链的配电网线损处理系统中,所述数据采集端口在配电网工作状态下,每经过一个采样周期均实时进行一次对所述工作线损分布的数据的采集,其采集的数据包括:线损值、线损率、线路负荷与网架结构。
有益效果
本发明的模型训练单元具有基于非确定有限状态机的配网故障风险分析模型。模型训练单元在分析配电网数据的过程中迭代计算从而获得各状态的迁移路径,将非确定有限状态机与隐型马尔科夫算法相结合,通过样本训练计算各状态转移概率,综合全面考虑各类输入因素,最小化数据不全对模型计算单元运算结果的负面影响。由此,本发明的处理单元能够输出一系列调控方案。本发明能够通过使用较为完善的特大型城市典型配电网故障数据集来验证模型的正确性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,并与本发明的实施例一起,用于解释本发明,并不构成对本发明的限制。在附图中:
图1是某地区配电网故障分布趋势图;
图2是本发明的基于马尔科夫链的配电网线损处理系统的结构框图;
图3是本发明的基于马尔科夫链的配电网线损处理系统的处理步骤流程图;
图4是本发明所使用的马尔科夫随机场的示意图;
图5是本发明与其他方式对线损原因进行预测的准确率的对照图。
具体实施方式
为使本发明实施例的目的和技术方案更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
参考图1所示的某地区配电网故障分布趋势,平面坐标为月份及故障区域,垂直坐标为故障发生次数,可以发现故障在一年中有2~3次的波峰变化,对于区域总体变化规律较为一致。因而需要针对由配电网多类故障表象组成的不确定性动态系统,分析配电网风险过程中各状态的迁移路径,将非确定有限状态机与隐型马尔科夫算法相结合,实现对配电网故障线损的及时处理。
图2为根据本发明的一种基于马尔科夫链的配电网线损处理系系统,其包括:
数据采集端口,用于在模型训练阶段搜集不同高损原因及其所影响的线损分布的数据;还用于在配电网工作状态下实时采集工作线损分布的数据,包括线损值、线损率、线路负荷与网架结构;
模型训练单元,用于将所述数据采集端口获得的所述线损分布的数据以及其对应的高损原因代入基于马尔科夫随机场的辨识模型中,训练、更新并输出更新后的辨识模型;
模型计算单元,用于在配电网工作状态下将所述数据采集端口所采集的工作线损分布的数据代入所述模型训练单元所输出的辨识模型,经该辨识模型计算以获得线损发生的可能原因及概率;
处理单元,用于针对所述模型计算单元中计算得到的最大概率所对应的线损发生的可能原因进行响应和处理。其处理过程参考下表的对应关系建立指针存储子模块。该子模块通过指针的方式存储不同高损原因Xt及其所对应的响应和处理方式:
若技术原因造成的线路损耗过高则提示降低线路半径,若技术原因造成的主设备损耗过高则提示更换对应设备,若技术原因造成的台区损耗过高则提示需要明确台-户关系,若技术原因造成的设备空载/重载则提示更换对应设备,若管理原因造成的抄核问题则使用信息手段重新抄核,若管理原因造成的窃电则提示提高监督手段,若管理原因造成的漏电则提示加大可疑用户排查,若管理原因造成的线路运维不到位则提示提升运维精益化,若管理原因造成的线变关系混乱则提示梳理配电网图模,若计量原因造成的计量精度低则提示更换计量设备,若计量原因造成的PT/CT不准确则提示更换互感器,若计量原因造成的电表老化与故障则提示更换或维修电表。
表1线损原因归纳表
具体而言,参考图3,上述系统按照如下的流程实现对高损原因Xt的确定:
首先,构建马尔科夫随机场。马尔科夫随机场通过对无向图的状态迁移分析,采用马尔科夫模型构建一个训练过程,针对线损率、网架结构和售电量变化等影响因素,能够推断出线损原因。具体表现在算法中就是基于前向后向算法,求得随机场局部最优解。对于隐马尔可夫模型五元组HMM{N,M,π,A,B},有:
定义正向辅助变量γ(Xt,Xt+1)为t时刻与t+1时刻的故障原因概率:
γ(Xt,Xt+1)=P(P(Xt=xi),P(Xt+1=xj)) (2)
定义反向辅助变量,给定Y可观察序列和HMM五元组情况下,t时刻的P(Xt=x)概率:
则有:
然后,根据前向后向算法中的参数学习过程,不断更新HMM五元组中的数值,使得P(Y|X)最大。即计算与γ(Xt,Xt+1)的期望值,迭代计算(12)-(14),不断更新HMM五元组参数:
通过多次迭代上述公式,不断更新HMM五元组中的值,能够得到一个最大P(Y|X)。
最后,在配电网工作状态下实时采集工作线损分布的数据,将已知线损值输入到上节训练完成的模型中,通过求下列各式,可得最大概率的原因值Xt
其中的马尔可夫随机场(HiddenMarkovModel,HMM)是建立在马尔可夫模型和贝叶斯理论基础之上的概率理论,也叫马尔可夫网(Markov-Network),是利用无向图组织某种分布随机的马尔科夫过程,使用无向图描述的图模型刻画联合分布的一种方法。其难点是利用无向图承载马尔科夫可观察参数,然后利用这些参数来作进一步的预测或分析,例如人脸识别等。马尔科夫随机场是多个马尔可夫链组成的无向图,他的状态迁移是利用可观测向量序列观察到的,每个观测向量都是通过某些概率密度分布表现为各种状态,每一个观测向量是由一个具有相应概率密度分布的状态序列产生。所以,马尔可夫随机场是一个双重多向随机过程,是具有一定状态数的随机函数集。满足马尔科夫随机场需要有下列假设,对于随机场X={XS,s∈S}:
假设随机场S如图4所示,其中X表示随机场中状态节点,Y表示该状态节点的可观察输出,a表示节点迁移概率,b表示可观察概率。
马尔科夫随机场满足马尔科夫链的基本属性,需要有以下假设:
P(Xi|Xi-1.…X1)=P(Xi|Xi-1) (12)
P(Xi+1|Xi)=P(Xj+1|Xj) (13)
P(Yi...YT|X1...XT)=ΠP(Yi|Xt) (14)
其中式(12)为一阶独立状态假设,即Xi状态只与Xi-1状态独立相关,对于过去已发生状态的条件概率分布仅为Xi-1的函数,式(12)是所有马尔科夫类分析包括其变体的基础性假设。式(13)为时间无关性假设,对于所有时间断面i、j,其状态与具体时间无关。式(14)为输出独立性假设,输出Yi只与Xi相关,输出只与当前状态相关。
由上面假设可以构建隐马尔可夫模型五元组:
HMM{N,M,π,A,B} (15)
其中N表示隐藏状态的数量,M表示可观测状态的数量,πn为初始状态概率,A={aij}为隐藏状态的概率转移矩阵,B={bij}表示隐藏状态与输出状态间的概率关系矩阵,图1所示的隐马尔可夫随机场可表示为:
马尔可夫随机场主要解决:已知HMM模型求给定输出序列的概率;已知输出状态序列求最优的隐藏状态序列;已知输出和隐藏状态序列集构建HMM模型这三类问题。
由此,本发明所提供的基于马尔科夫随机场的方法,实现了配电网高损原因辨识,实现了线损形成原因的分析,通过实际算例验证算法效果准确性较高,参考图5,其准确率达到79.30%,优于SVM、ANNs等算法,在模型训练时间与实例验证时间也比较高效。本发明通过快速而有针对性的处置,能够为配电网节能降损提供具体的策略支撑。
以上仅为本发明的实施方式,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,这些均属于本发明的保护范围。
Claims (8)
1.一种基于马尔科夫链的配电网线损处理系统,其特征在于,包括:
数据采集端口,用于在模型训练阶段搜集不同高损原因及其所影响的线损分布的数据;还用于在配电网工作状态下实时采集工作线损分布的数据,包括线损值、线损率、线路负荷与网架结构;
模型训练单元,用于将所述数据采集端口获得的所述线损分布的数据以及其对应的高损原因代入基于马尔科夫随机场的辨识模型中,训练、更新并输出更新后的辨识模型;
模型计算单元,用于在配电网工作状态下将所述数据采集端口所采集的工作线损分布的数据代入所述模型训练单元所输出的辨识模型,经该辨识模型计算以获得线损发生的可能原因及概率;
处理单元,用于针对所述模型计算单元中计算得到的最大概率所对应的线损发生的可能原因进行响应和处理:若技术原因造成的线路损耗过高则提示降低线路半径,若技术原因造成的主设备损耗过高则提示更换对应设备,若技术原因造成的台区损耗过高则提示需要明确台-户关系,若技术原因造成的设备空载/重载则提示更换对应设备,若管理原因造成的抄核问题则使用信息手段重新抄核,若管理原因造成的窃电则提示提高监督手段,若管理原因造成的漏电则提示加大可疑用户排查,若管理原因造成的线路运维不到位则提示提升运维精益化,若管理原因造成的线变关系混乱则提示梳理配电网图模,若计量原因造成的计量精度低则提示更换计量设备,若计量原因造成的PT/CT不准确则提示更换互感器,若计量原因造成的电表老化与故障则提示更换或维修电表。
2.如权利要求1所述的基于马尔科夫链的配电网线损处理系统,其特征在于,所述数据采集端口在模型训练阶段所搜集的不同高损原因标记为Xt,其中,i∈[1,N]表示高损原因的标号,高损原因的总数记为N;高损原因所Xt所影响的线损分布的数据标记为Yi,Yi包括线损值、线损率、线路负荷与网架结构的数据中的任意一种或组合。
3.如权利要求1-2所述的基于马尔科夫链的配电网线损处理系统,其特征在于,所述模型训练单元中的辨识模型,其内构建有马尔可夫随机场的五元组HMM{N,M,π,A,B},其中N表示高损原因的总数,M表示可观察的配电网存在的高损耗点数量,πn为初始状态概率,A={aij}为隐藏状态的概率转移矩阵,B={bij}表示线损原因与线损分布之间的概率关系矩阵;
该辨识模型下,线损分布的数据Yi在全部高损原因Xt条件下发生的总概率为
所述模型训练单元中还包括有正向辅助变量计算子模块,用于根据t时刻与t+1时刻的高损原因所对应的概率计算正向辅助变量γ(Xt,Xt+1)=P(P(Xt=xi),P(Xt+1=xj));
还包括反向辅助变量计算子模块,用于根据t时刻的概率P(Xt=x)计算反向辅助变量
训练子模块,用于在给定由线损分布的数据Yi所组成的序列Y下,根据前向后向算法中的参数学习过程,不断迭代更新HMM五元组中的数值,使得训练参数P(Y|X)获得最大,而后输出迭代更新HMM五元组中数值后的辨识模型;
其中,所述前向后向算法中的参数学习过程满足: 其中,t时刻的概率P(Xt=x)对应有
4.如权利要求1-3所述的基于马尔科夫链的配电网线损处理系统,其特征在于,所述训练子模块中,t时刻的概率P(Xt=x)满足
5.如权利要求1-3所述的基于马尔科夫链的配电网线损处理系统,其特征在于,所述模型计算单元,用于在配电网工作状态下将所述数据采集端口所采集的工作线损分布的数据Yi所组成的序列Y代入所述辨识模型,循环提取所有工作线损分布的数据Yi所对应的高损原因Xt,循环结束后,获得最大概率的高损原因为
6.如权利要求1-5所述的基于马尔科夫链的配电网线损处理系统,其特征在于,所述处理单元,包括有指针存储子模块,用于通过指针的方式存储不同高损原因Xt及其所对应的响应和处理方式。
7.如权利要求6所述的基于马尔科夫链的配电网线损处理系统,其特征在于,所述处理单元还包括人机交互子模块,用于根据所述模型计算单元输出的获得最大概率的高损原因Xt查询所述指针存储子模块,输出或执行所述指针存储子模块中指针所指向的响应和处理方式。
8.如权利要求1-7所述的基于马尔科夫链的配电网线损处理系统,其特征在于,所述数据采集端口在配电网工作状态下,每经过一个采样周期均实时进行一次对所述工作线损分布的数据的采集,其采集的数据包括:线损值、线损率、线路负荷与网架结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910428562.9A CN110263945A (zh) | 2019-05-22 | 2019-05-22 | 基于马尔科夫链的配电网线损处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910428562.9A CN110263945A (zh) | 2019-05-22 | 2019-05-22 | 基于马尔科夫链的配电网线损处理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110263945A true CN110263945A (zh) | 2019-09-20 |
Family
ID=67915055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910428562.9A Pending CN110263945A (zh) | 2019-05-22 | 2019-05-22 | 基于马尔科夫链的配电网线损处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263945A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111293692A (zh) * | 2020-03-23 | 2020-06-16 | 贵州电网有限责任公司 | 一种降低配电网线损的优化方法 |
CN111384714A (zh) * | 2020-03-12 | 2020-07-07 | 深圳供电局有限公司 | 一种基于多因素状态分布低压台区线损问题查找方法 |
CN111428199A (zh) * | 2020-03-23 | 2020-07-17 | 贵州电网有限责任公司 | 一种基于fam-svm的配电网线损的计算方法 |
CN112986393A (zh) * | 2021-02-22 | 2021-06-18 | 深圳市市政设计研究院有限公司 | 一种桥梁拉索损伤的检测方法和系统 |
-
2019
- 2019-05-22 CN CN201910428562.9A patent/CN110263945A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111384714A (zh) * | 2020-03-12 | 2020-07-07 | 深圳供电局有限公司 | 一种基于多因素状态分布低压台区线损问题查找方法 |
CN111384714B (zh) * | 2020-03-12 | 2023-10-31 | 深圳供电局有限公司 | 一种基于多因素状态分布低压台区线损问题查找方法 |
CN111293692A (zh) * | 2020-03-23 | 2020-06-16 | 贵州电网有限责任公司 | 一种降低配电网线损的优化方法 |
CN111428199A (zh) * | 2020-03-23 | 2020-07-17 | 贵州电网有限责任公司 | 一种基于fam-svm的配电网线损的计算方法 |
CN112986393A (zh) * | 2021-02-22 | 2021-06-18 | 深圳市市政设计研究院有限公司 | 一种桥梁拉索损伤的检测方法和系统 |
CN112986393B (zh) * | 2021-02-22 | 2023-09-29 | 深圳市市政设计研究院有限公司 | 一种桥梁拉索损伤的检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263945A (zh) | 基于马尔科夫链的配电网线损处理系统 | |
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
Li et al. | Stepping community detection algorithm based on label propagation and similarity | |
US9287713B2 (en) | Topology identification in distribution network with limited measurements | |
CN104317681B (zh) | 针对计算机系统的行为异常自动检测方法及检测系统 | |
CN109145464B (zh) | 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
Candelieri et al. | A graph based analysis of leak localization in urban water networks | |
CN111754026B (zh) | 光伏电站群功率预测方法、装置、计算机设备及存储介质 | |
CN109242041A (zh) | 一种电能表异常数据检测方法、装置、设备及存储介质 | |
Ma et al. | Topology identification of distribution networks using a split-EM based data-driven approach | |
CN115422788B (zh) | 一种配电网线损分析管理方法、装置、存储介质及系统 | |
CN108810799B (zh) | 一种基于线性判别分析的多楼层室内定位方法及系统 | |
CN114358092B (zh) | 一种电容式电压互感器内绝缘性能在线诊断方法及系统 | |
Dong et al. | Forecasting smart meter energy usage using distributed systems and machine learning | |
Massaferro et al. | Improving electricity non technical losses detection including neighborhood information | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
Massucco et al. | An instantaneous growing stream clustering algorithm for probabilistic load modeling/profiling | |
Gong et al. | Evolutionary generation of test data for multiple paths coverage | |
CN107977727B (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 | |
Hogan et al. | Towards effective clustering techniques for the analysis of electric power grids | |
Huang et al. | Generalized Pareto model based on particle swarm optimization for anomaly detection | |
CN110322113A (zh) | 基于马尔科夫链的配电网线损处理方法 | |
CN115618286A (zh) | 变压器局部放电类型识别方法、系统、设备、终端及应用 | |
CN111222688B (zh) | 一种商业楼宇的日负荷预测方法 |
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 |