CN110598907A - 一种配电网健康状态的智能诊断方法及系统 - Google Patents
一种配电网健康状态的智能诊断方法及系统 Download PDFInfo
- Publication number
- CN110598907A CN110598907A CN201910761758.XA CN201910761758A CN110598907A CN 110598907 A CN110598907 A CN 110598907A CN 201910761758 A CN201910761758 A CN 201910761758A CN 110598907 A CN110598907 A CN 110598907A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- health
- load
- rate
- 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 200
- 230000036541 health Effects 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 45
- 238000012360 testing method Methods 0.000 claims description 44
- 238000012797 qualification Methods 0.000 claims description 33
- 238000012546 transfer Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000005265 energy consumption Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 230000007547 defect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013506 data mapping Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims 1
- 238000005065 mining Methods 0.000 abstract description 6
- 230000006866 deterioration Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 210000002216 heart Anatomy 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 239000000427 antigen Substances 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000001736 capillary Anatomy 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 239000011541 reaction mixture Substances 0.000 description 2
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 1
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 1
- 108010023302 HDL Cholesterol Proteins 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 108010028554 LDL Cholesterol Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000023555 blood coagulation Effects 0.000 description 1
- 210000001772 blood platelet Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000023597 hemostasis Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000001839 systemic circulation Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
Abstract
一种配电网健康状态的智能诊断方法及系统,包括:基于预先确定的关键特征量集和获取的当前配电网数据,计算所述关键特征量集中每个关键特征量的值;将所述每个关键特征量的值带入预先构建的配电网健康指数预测模型,得到健康指数;基于所述健康指数得到配电网健康状态;提出的关键特征量,解决了配电网健康评价特征量繁杂、冗余度高,依赖专家经验的难题,可为配电网健康指数计算提供理论基础,配电网健康指数预测模型的提出能够对量大面广的配电设备和复杂多变的配电网数据进行深层次的挖掘,有效的防止配电网健康恶化,预防故障或停电事故发生。
Description
技术领域
本发明涉及配电网资产管理技术领域,具体涉及一种配电网健康状态的智能诊断方法及系统。
背景技术
配电网直接面向终端用户,综合承接分布式电源、电动汽车等间歇性主动式负荷,是智能电网的物理载体和基石,是一切新技术所需数据的来源,是能源互联网不可或缺的角色。由于火电比例的相对下降和燃气、新能源发电比例的逐年上升,电力系统正在承载着越来越多的调负荷工作,这使得配电网健康状态变得越来越难以预测。同时影响配电网健康状态的因素庞杂,如何从繁多影响因素中找到影响配电网络健康状态的关键因素并提炼出最小关键特征量集,是配电网健康指数计算的首要条件。面对量大面广的配电设备和复杂多变的配电网中的数据维度之高、体量之大、类型之广也使得浅层机器学习无法适用。除此之外,由于实际配电系统搭建的特殊性,其网络拓扑无法用经典的深度神经网络很好地表示出来,存在网络规模变化或反复训练的问题。
配电网健康状态评价,受不同维度多个特征参量的复杂耦合影响,除了具有不确定性、随机性、物理解析模型不尽完备等特点,还具备时序性特征,即不同时刻的关键特征量取值,设备或网络健康指数的计算结果不同。因此,单纯依靠物理模型解析求解较为困难,仅仅采用不能处理时间序列的机器学习算法精度不高。因为这种时间序列特征在设备全寿命周期内可以看成是一种专家经验,即设备或网络的健康状态在全寿命周期内是逐步衰减的,类似于设备故障率在全寿命周期内符合浴盆曲线。因此如何在配电网各个环节、各个设备充分应用人工智能技术,使得计算机能从电网负荷、可靠性等多类型内外部数据的深层次挖掘中进行预测分析、拟合优化、发现问题并辅助规划、运行与检修决策,已经成为了电力领域现在的热点与难点。
发明内容
为了解决现有技术中所存在的上述不足,本发明提供一种配电网健康状态的智能诊断方法及系统。
本发明提供的技术方案是:
一种配电网健康状态的智能诊断方法,所述方法包括:
基于预先确定的关键特征量集和获取的当前配电网数据,计算所述关键特征量集中每个关键特征量的值;
将所述每个关键特征量的值带入预先构建的配电网健康指数预测模型,得到健康指数;
基于所述健康指数得到配电网健康状态。
优选的,所述配电网健康指数预测模型的构建,包括:
基于预先确定的配电网关键特征量获取配电网历史时序数据,以及所述历史时序数据对应的目标配电网的健康指数;
基于所述历史数据和对应的健康指数构建向量集,
并将所述向量集分为训练集和测试集;
对所述训练集,采用长短时记忆网络进行训练,得到关键特征量值与健康指数的对应关系;
基于所述测试集对所述关键特征量值与健康指数对应关系的准确性进行测试,得到配电网健康指数预测模型。
优选的,所述关键特征量集的确定,包括:
基于所述配电网故障原因和调研数据,得到n个影响配电网健康状态的因素和评价指标;
对所述影响配电网健康状态的因素和评价指标进行降维处理,得到关键特征量集;
其中,所述n大于100;
所述降维处理包括:分类和数据映射;
所述关键特征量集中的关键特征量,包括:负荷转供能力、综合电压合格率、谐波合格率、供电可靠率、综合线损率、同层设备间负载率均衡度、不同层设备间负载率协调度、经济载荷供电距离合格率和分布式能源消纳能力。
优选的,所述基于预先确定的关键特征量集和获取的当前配电网数据,计算所述关键特征量集中每个关键特征量的值,包括:
基于所述当前配电网数据中的负荷数据和负荷转供能力的计算式计算负荷转供能力值;
基于所述当前配电网数据中的电压数据和综合电压合格率的计算式计算综合电压合格率的值;
基于所述当前配电网数据中的谐波数据和谐波合格率的计算式计算谐波合格率的值;
基于所述当前配电网数据中的供电数据和供电可靠率的计算式计算供电可靠率的值;
基于所述当前配电网数据中的供电量数据和综合线损率的计算式计算综合线损率的值;
基于所述当前配电网数据中的同层设备负载数据和同层设备间负载率协调度的计算式计算同层设备间负载率协调度的值;
基于所述当前配电网数据中的不同层设备负载数据和不同层设备间负载率协调度的计算式计算不同层设备间负载率协调度的值;
基于所述当前配电网数据中的经济载荷供电数据和经济载荷供电距离合格率的计算式计算经济载荷供电距离合格率的值;
基于所述当前配电网数据中的分布式能源数据和分布式能源消纳能力的计算式计算分布式能源消纳能力值。
优选的,所述负荷转供能力的计算式如下:
式中,TS为负荷转供能力;PS为系统能成功转移的负荷;P为总负荷;Plost为系统丢失的负荷。
优选的,所述综合电压合格率的计算式如下:
式中,γ为综合电压合格率;γA为A类的年(季、月)度电压合格率;γB为类的年(季、月)度电压合格率B;γC为C类的年(季、月)度电压合格率;γD为D类的年(季、月)度电压合格率。
优选的,所述谐波合格率的计算式如下:
式中,η为谐波合格率;N为评价网络中的负荷接入点总数;n为年(季、月)度或当前时间断面上电压总谐波畸变率和电流总谐波畸变率不满足标准的节点总数。
优选的,所述供电可靠率的计算式如下:
式中,RS3为供电可靠率;Tfail为用户平均停电时间;Tsum为统计期间时间;Tlimit为用户平均限电时间。
优选的,所述综合线损率的计算式如下:
ΔP%=WS/WG×100%
式中,ΔP为综合线损率;WS为线损电能;WG为供电量。
优选的,所述同层设备间负载率均衡度的计算式如下:
式中,BLR_i为同层设备间负载率均衡度;LRij为第j个i类层级设备的负载率值;为第i类层级设备的负载率均值;Mi为第i类层级设备的个数;i=1,2,3,4分别对应高压线路、变电站、中压线路和配变。
优选的,所述不同层设备间负载率协调度的计算式如下:
式中,CLR为不同层设备间负载率协调度;N为配电系统的层级总个数;为第i类层级设备的负载率均值;为所有层级设备的负载率均值。
优选的,所述经济载荷供电距离合格率的计算式如下:
式中,ηeconomy为经济载荷供电距离合格率;L为总的线路条数;l为小于经济载荷供电距离的线路条数。
优选的,所述分布式能源消纳能力的计算式如下:
式中,ηs为分布式能源消纳能力;PG为分布式电源消纳容量;PL为总负荷量。
优选的,所述基于所述健康指数得到配电网健康状态,包括:
基于历史配电网的健康指数数据进行健康等级的划分;
将当前得到的所述健康指数与划分好的健康等级进行对比,确定当前所述健康指数对应的配电网健康等级;
基于所述配电网健康等级得到当前配电网的健康状态;
其中,所述健康等级包括:健康、亚健康、一般缺陷、严重缺陷和危机缺陷。
一种配电网健康状态的智能诊断系统,所述系统包括:
计算模块:用于基于预先确定的关键特征量集和获取的当前配电网数据,计算所述关键特征量集中每个关键特征量的阈值;
预测模块:用于将所述每个关键特征量的阈值带入预先构建的配电网健康指数预测模型,得到健康指数;
状态模块:用于基于所述健康指数得到配电网健康状态。
优选的,还包括:构建模块;
所述构建模块,用于基于预先构建的配电网关键特征量获取配电网历史数据,以及所述历史数据对应的目标配电网的健康指数;
基于所述历史数据和对应的健康指数构建向量集,
并将所述向量集分为训练集和测试集;
对所述训练集,采用长短时记忆网络进行训练,得到关键特征量值与健康指数的对应关系;
基于所述测试集对所述关键特征量值与健康指数对应关系的准确性进行测试,得到配电网健康指数预测模型。
与现有技术相比,本发明的有益效果为:
1、本发明提供的技术方案包括:基于预先确定的关键特征量集和获取的当前配电网数据,计算所述关键特征量集中每个关键特征量的值;将所述每个关键特征量的值带入预先构建的配电网健康指数预测模型,得到健康指数;基于所述健康指数得到配电网健康状态;提出的关键特征量,解决了配电网健康评价特征量繁杂、冗余度高,依赖专家经验的难题,可为配电网健康指数计算提供理论基础,配电网健康指数预测模型的提出能够对量大面广的配电设备和复杂多变的配电网数据进行深层次的挖掘,有效的防止配电网健康恶化,预防故障或停电事故发生。
2、本发明提供的技术方案,为配电网健康状况的量化分析提供基础理论和实用化的技术手段,促进配电资产管理水平从定性到定量的跃升,有效指导了配电网规划、运行、检修等资产管理相关环节,充分利用长短时神经记忆网络的长期记忆能力和深度学习的优势,有效解决了配电健康状态诊断过程中的时序性问题,能够对量大面广的配电设备和复杂多变的配电网数据进行深层次挖掘,为配电网健康状况的量化分析提供基础理论和实用化的技术手段,促进配电资产管理水平从定性到定量的跃升,有效指导了配电网规划、运行、检修等资产管理相关环节。
附图说明
图1为发明配电网健康状态的智能诊断方法整体结构示意图;
图2为本发明的个关键特征量以及维度质检的关系示意图;
图3为本发明的基于长短时网络记忆的健康指数预测框架示意图;
图4为本发明的长短时网络记忆单元结构示意图;
图5为本发明的BP神经网络200次训练后的测试结果图;
图6为本发明的CNN神经网络200次训练后的测试结果图;
图7为本发明的RNN神经网络200次训练后的测试结果图;
图8为本发明的LSTM神经网络200次训练后的测试结果图;
图9为本发明的BP神经网络2000次训练后的测试结果图;
图10为本发明的CNN神经网络2000次训练后的测试结果图;
图11为本发明的RNN神经网络2000次训练后的测试结果图;
图12为本发明的LSTM神经网络2000次训练后的测试结果图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
由于衡量配电网健康状态的关键特征量指标在数量和定义上的复杂性,以及配电网健康状态评价的时序性特点,传统的机器学习方法很难进行有效而充分的信息提取和健康预测,尚未形成一套智能的配电网健康指数评价方法。因此,本发明的目的是通过从一个全新的思考方式——通过与人体健康体检类比,提出了一套衡量配电网健康状态的关键特征量及其计算公式,打破了传统配电网健康评价特征量繁杂且冗余度高,依赖专家经验的局面,通过对关键特征量进行训练来计算网络的健康指数;同时还提出了基于长短时记忆神经网络(LSTM)的配电网健康指数计算方法与模型,有效的解决了配电网健康诊断过程中的时序性问题,能够对量大面广的配电设备和复杂多变的配电网数据进行深层次挖掘,为配电网健康状况的量化分析提供基础理论和实用化的技术手段,促进配电资产管理水平从定性到定量的跃升,有效指导了配电网规划、运行、检修等资产管理相关环节,如图1所示,具体步骤如下:
步骤一:基于预先确定的关键特征量集和获取的当前配电网数据,计算所述关键特征量集中每个关键特征量的值;
步骤二:将所述每个关键特征量的值带入预先构建的配电网健康指数预测模型,得到健康指数;
步骤三:基于所述健康指数得到配电网健康状态;
本发明通过与人体系统进行类比,提出了表征配电网健康状态的“三高”概念,提出了配电网健康等级划分标准;结合故障原因统计分析、国内外文献调研、以及一线专家的实际经验,并与人体健康体检指标进行类比分析,从安全、可靠、经济、绿色4个维度提出了表征配电网健康状况的9个关键特征量,并分析了它们之间的相互关系;依据配电网健康状态诊断的时序性等特点,提出了基于长短时记忆神经网络(LSTM)的配电网健康指数计算方法与模型。
配电网健康指数的概念
1)配电系统与人体系统的类比
配电系统是一个实时平衡的复杂系统,其健康诊断与人体健康体检有许多相似之处。如果把配电系统看作是人体的血液循环系统(即体循环),那么其各组成部分的类比情况见表1。配电网是一般是环网设计、辐射运行,电流从发电机经过线路和变压器配送到各用电设备;而血液循环系统则是由心脏、血管、毛细血管及血液组成的一个封闭的运输系统,类似于电网的合环运行。
表1配电系统组成部分与人体的类比
配电系统 | 人体血液循环系统(体循环) |
发电机(包括地方电厂、上级电源和DG、DES等) | 心脏 |
线路(主干线与分支线) | 血管(动脉(静脉)、毛细血管) |
电流 | 血液 |
系统各设备 | 身体各器官 |
2)配电网“三高”指标
人体“三高症”(即高血压、高血糖和高血脂)无论哪一种都会对身体产生不良后果。与人体“三高症”类似,配电网健康也存在着“三高”,如果能够找到并减少和控制配电网“三高”,就能有效防止配电网健康恶化,预防故障或停电事故发生。配电网“三高”和人体”三高”的对比分析如下(详见表2):
①电压偏差高:如果电压低导致日光灯无法启动,空调器、电冰箱、电脑等无法正常工作,低压线损增大等;电压过高造成居民照明、电器设备烧毁,直接影响供电可靠性、安全性。
②负载不均衡度高:设备过负荷运行,发热量增大,绝缘层加速老化,甚至出现过热并烧毁设备;轻载或空载运行会增加线损和运行成本,降低电网运行效率。
③波形畸变率高:谐波会造成电网功率损耗增加、设备寿命缩短、接地保护功能失常、遥控功能失常、设备过热等。谐波对电网安全性、稳定性和可靠性的影响还表现在可能引起电网发生谐振、使正常的供电中断、事故扩大、电网解裂等。
表2配电网“三高”概念
其中,步骤一:基于预先确定的关键特征量集和获取的当前配电网数据,计算所述关键特征量集中每个关键特征量的阈值,包括:
表征配电网健康状态的关键特征量指标
本发明适用于配电网健康指数计算相关环节。
1)关键特征量的确定方法
本发明一方面结合停电责任原因分析、国内外文献调研和一线专家的实际经验,梳理了100多个影响配电网健康状态的因素和评价指标,坚持科学、可行、全面、简洁及开放性的准则,将大量底层数据映射至9项关键特征量,再进而映射到4个评价维度中(安全、可靠、经济、绿色)。另一方面,借鉴人体健康体检,与人体健康体检指标进行类比分析,提出了表征配电网健康状况的9个关键特征量,详见表3:
①安全方面。负荷转供能力是指配电网发生故障后的恢复能力,在原理上可以与负责人体免疫的白细胞和淋巴细胞的含量相类比。
②可靠方面。综合电压合格率与血压中的收缩压和舒张压相对应;谐波合格率是衡量电能质量的指标,可与衡量血液质量即糖尿病检测指标的空腹血葡萄糖和糖化血红蛋白相对应;血小板的主要功能是凝血和止血,修补破损的血管,保证人体能量可靠供应,因此与配电网的供电可靠率相对应。
③经济方面。红细胞的功能是运输氧、二氧化碳、电解质、葡萄糖以及氨基酸这些人体新陈代谢所必须的物质,是我们人体内不可缺少的“运输队”,是人体能量供应效率的指标,因此可以与描述电网运行效率的综合线损率相对应;总胆固醇、甘油三脂、高密度脂蛋白胆固醇与低密度脂蛋白胆固醇等血脂含量直接影响到血管壁的质量。血管壁的质量越好,向器官运输能量的能力越高,因此可以与线路的负载能力相对应,即同层设备间负载率均衡度与不同层间负载率协调度;载荷供电距离是指一条线路在满足供电准则规定的电压限值条件下能够将电力传输到的最远距离,若将线路长度看成身高,负荷大小看成质量(体重),则经济载荷供电距离可以与体重指数相对应。
④绿色方面。糖类抗原是可诱发免疫反应的外来分子,而分布式电源相对于配电网也属于外来物,因此分布式电源的消纳能力可以与糖类抗原的含量相对应。
表3关键特征量与人体体检项目的对照
2)关键特征量及指标计算方法
表4给出了表征配电网健康状况的9个关键特征量的含义、计算公式及阈值。安全指标表征了配电网抵御扰动的能力。可靠指标表征了配电网“保质保量”的能力保证供电质量和供电连续性。经济指标反映了配电网的运行经济性既要避免系统容量浪费,又要防止出现“卡脖子”现象。绿色指标衡量配电网接纳分布式电源的能力。
表4表征配电网络健康状况的关键特征量及计算公式
注:
负荷转供能力:PS表示在典型负荷水平下,针对不同的故障模式,系统能成功转移的负荷,是通过优化算法得到的值,P为总负荷;
综合电压合格率:式中γA、γB、γC、γD分别是A、B、C、D类的年(季、月)度电压合格率;
谐波合格率:n是年(季、月)度或当前时间断面上电压总谐波畸变率和电流总谐波畸变率不满足标准的节点总数,N是评价网络中的负荷接入点总数;供电可靠率:式中Tfail为用户平均停电时间,Tlimit为用户平均限电时间,Tsum为统计期间时间
综合线损率:式中WS为线损电能,WG为供电量;
同层设备间负载率均衡度:Mi为第i类层级设备的个数,LRij为第j个i类层级设备的负载率值,第i类层级设备的负载率均值,i=1,2,3,4分别对应高压线路、变电站、中压线路和配变。
不同层间负载率协调度:所有层级设备的负载率均值,N为配电系统的层级总个数。
分布式能源消纳能力:其中分布式电源消纳容量PG是通过优化算法得到的值,PL为总负荷量。
3)关键特征量之间的关系分析
安全、可靠、经济、绿色这4维度的关键特征量之间的关系如图2所示,具体如下:
①安全方面。负荷转供能力主要受到负载与电压水平以及网络结构的影响,因此同层间负载率均衡度、不同层间负载率协调度和综合电压合格率均对其造成影响。此外,由于分布式电源消纳能力和经济载荷供电距离合格率对电压分布造成影响,因此也会间接影响负荷转供能力。
②可靠方面。一般来说,综合电压合格率与谐波合格率越高,供电可靠率也就越高。同时综合电压合格率还会受到负荷转供能力、分布式电源消纳能力及同层间负载率均衡度/不同层间负载率协调度等特征量影响。
③经济方面。综合线损率主要受到负荷分布,电网运行方式和电压水平的影响,即负载分布越均衡,供电距离越短,节点电压偏离正常范围数越少,则线损率越低;
④绿色方面。对于分布式能源消纳能力,其影响因素主要是电压分布及线路R与X的比值,因此受到影响网络结构及电压水平的特征量指标如:综合电压合格率、负荷转供能力及同层间负载率均衡度/不同层间负载率协调度的影响。
步骤二:将所述每个关键特征量的阈值带入预先构建的配电网健康指数预测模型,得到健康指数,包括:
基于LSTM的配电网健康指数智能评价方法
将前面的9个关键特征量作为LSTM模型的t时刻的输入样本xt(即第t个样本),即每一个样本xt含有这9个维度的健康指标信息。基于LSTM的配电网健康指数计算过程,主要分为前向计算和反向传播两部分,如图3所示。
(1)前向计算
长短时记忆网络(LSTM)模型单元结构如图4所示。
对于给定的网络关键特征量向量:
LSTM前向计算方法可以表示为:
①遗忘门:
ft=σ(Vfht-1+Hfxt+bf) (2)
式(2)中:ft为t时刻的遗忘门计算结果,它决定了上一时刻的单元状态Ct-1有多少保留到当前时刻Ct;Vf、Hf分别为遗忘门计算过程中输入项ht-1和xt的权重系数,bf为遗忘门的偏置项;ht-1为t-1时刻的输出状态;σ为sigmoid函数。
②输入门:
it=σ(Viht-1+Hixt+bi) (3)
式(3)中:it为t时刻的输入门计算结果,它决定了当前时刻网络的输入xt有多少保存到单元状态Ct;Vi、Hi为输入门计算过程中输入项ht-1和xt的权重系数的权重系数,bi为输入门的偏置项;
③用于描述当前输入的单元状态
式(4)中,描述当前输入的单元状态,它是根据上一时刻的输出ht-1和当前时刻的输入xt来计算的;Vc、Hc分别为计算过程中输入项ht-1和xt的权重系数,bc为的偏置项;tanh为双曲正切激活函数。
④当前时刻的单元状态Ct:
式(5)中:Ct是当前时刻的单元状态,是由上一次的单元状态Ct-1按元素乘以遗忘门ft,再用当前输入的单元状态按元素乘以输入门it,再将两个积加和产生的;符号表示按元素乘。
⑤输出门:
ot=σ(Voht-1+Hoxt+bo) (6)
式(6)中:ot为t时刻的输出门计算结果,它控制单元状态Ct有多少输出到LSTM的当前输出值ht;Vo、Ho为输出门计算过程中输入项ht-1和xt的权重系数,bo为输出门的偏置项。
⑥当前时刻的输出状态ht
ht=ottanh(Ct) (7)
式(7)中,ht是当前时刻的输出状态,由输出门ot和单元状态Ct共同确定的。
⑦当前时刻的预测结果
式(8)中,为t时刻的预测结果;P为预测计算过程中的权重系数,b为预测计算过程中的偏置项;g为Relu函数。
(2)反向传播计算
根据式(9)-(10)计算训练误差并更新网络参数。
式(9)~式(10)中:J为误差函数;n为样本总数;xt、yt表示t时刻的关键特征量和网络健康指数;V、H为前向计算中权重系数构成的矩阵;b为前向计算中偏置项构成的列向量;Vkd、Hkl分别表示权重系数矩阵V、H的第k行、第l列的元素;bk表示偏置项列向量的第k行元素。
式(11)中:Pr表示分类精度,用于在模型训练中测试模型的分类精度;yk为第k个输入样本值,为第k个网络预测值。
θt的取值范围如式(12)所示,表示预测结果与测试样本值yt的一致性。
步骤三:基于所述健康指数得到配电网健康状态;
配电网健康指数的定义与等级划分标准
考虑到复杂配电网的运行状况与人体健康有许多相似之处,将表征配电网健康状态的性能表现概况为安全、可靠、经济、绿色四个维度,它是在对配电设备或者系统各种信息数字转化的基础上,结合现场设备的运行工况和内外部环境信息,计算出来的一个位于(0,5]区间的单一数值。通过数值所在的区间,能够轻易地判断设备当前及未来的功能和性能状态。其对应关系如下表5所示。
表5配电网络健康等级划分
得到配电网状态之后,如果配电网存在问题,则根据表5的阈值判断具体出现问题的特征量。
实施例2
以某两个试点为例进行进一步解释:
试点一和试点二,110kV变电站供电范围内的网络作为研究对象,两座变电站各有两台110kV主变,母线采用单母线分段接线方式。试点一某变电站共有17条10kV馈线,其中电缆线路9条(单环网接线8条,多联络接线1条),架空电缆混合线路8条(单联络接线2条,多联络接线6条)。试点二某变电站共有21条出线,其中电缆线路9条(全部为单环网接线),架空电缆混合线路12条(单联络接线4条,多联络接线8条)。两座变电站的关键特征量见表6。
表6关键特征量的计算结果
(1)训练与测试结果分析
本次实验样本共200个,每个样本是十维向量(包括9个关键特征量和目标配电网的健康指数)。选取前160个样本作为训练集,后40个作为测试集。首先对数据进行预处理,因为这9个性能指标的单位并不统一,需要先进行归一化处理,从而避免训练过程中偏重某一指标。
为验证所提算法的综合性能,将LSTM神经网络算法与BP神经网络、CNN神经网络和RNN神经网络算法进行对比分析,他们的设置参数如表7所示。为避免单次实验偶然性,分别选取200次和2000次试验结果,对LSTM神经网络算法和BP神经网络、CNN神经网络和RNN神经网络算法进行对比分析如下。结果如表8-表9所示。
表7网络参数
算法 | 学习率 | 参数数目 |
BP | 0.01 | 9*64*521*1=294912 |
CNN | 0.01 | 9*32+9*64+9*64*64=38592 |
RNN | 0.01 | 9*64+64*64+64*1=4736 |
LSTM | 0.01 | 4*(9*64+64*64)=18688 |
表8 200次训练测试误差
算法 | 迭代次数 | 测试误差 | 分类精度/% |
BP | 200 | 0.38 | 40 |
CNN | 200 | 1.9 | 0 |
RNN | 200 | 0.125 | 45 |
LSTM | 200 | 0.017 | 95 |
表9 2000次训练测试误差
算法 | 迭代次数 | 测试误差 | 分类精度/% |
BP | 2000 | 0.108 | 17.5 |
CNN | 2000 | 0.015 | 87.5 |
RNN | 2000 | 0.010 | 100 |
LSTM | 2000 | 0.005 | 95 |
如图5-12所示的结果可以看出,训练效果最好的是LSTM网络,具体分析讨论如下:
1)BP神经网络由于算法简单,神经元之间仅仅存在简单的全链接关系,200次训练,如图5所示和2000次训练如图9所示,情况下测试误差都较大、分类精度都较低,相对而言未能很好地提取样本信息,并且由于网络的全链接结构形式网络参数数量很大,网络的训练时间相对较长。
2)CNN网络通过卷积运算对样本信息进行了深度挖掘,训练误差相较于BP神经网络大大减小。同时由于卷积权值共享的机制,网络参数数量远小于BP网络,训练速度加快,但其在200次训练下,如图6所示,网络学习效果不好,测试误差最大、分类精度最低;当训练次数提升至2000次时,如图10所示,能够达到与RNN和LSTM接近的测试误差。这表明CNN虽然具备很强的信息挖掘能力,但其在处理时序数据时,相比LSTM需要训练更多次数才能较好拟合预测模型。
3)RNN网络考虑了样本的时序关系,在200次训练情况下,如图7所示,得到了仅次于LSTM网络的训练效果,并且在训练次数增加到2000次时也取得了最接近LSTM网络精度的结果。虽然在2000次训练后,如图11所示,RNN网络能够达到100%的分类精度,但其测试误差相对较大,健康指数的数值拟合程度上与LSTM之间还有明显差距。
4)LSTM算法充分挖掘了随时间变化的样本指标之间的关系,具有长期记忆能力,对数据有了更充分地利用,其在200次训练下如图8所示,就取得了非常不错的测试误差结果。在训练次数提升至2000时,如图12所示,仍然保持了最小的测试误差,获得了最佳的网络健康指数预测准确性,性能明显优于其他算法。同时,单个LSTM单元的参数不多,而且隐藏单元层也通常在几十个左右,因此网络参数也会较少,网络的训练时间也较少。与引导学习预测分类精度83%对比,LSTM的预测分类精度达到了95%,有了大幅度的提升,且健康指数的数值拟合效果十分好,仅仅存在2个样本因为十分靠近分级线而出现了分类错误,综合来看较其他算法具有明显优势。
(2)健康指数计算分析
将表6中的关键特征量信息输入训练好的LSTM配电网健康指数预测模型,得到配电网健康指数预测结果如表10所示。
表10健康指数的计算结果
变电站 | 健康指数 | 健康等级 |
试点一某110kV变电站 | 3.552 | 亚健康 |
试点二某110kV变电站 | 2.817 | 一般缺陷 |
根据表3配电网络健康等级划分可知,试点一某110kV变电站健康状态为亚健康,试点二某110kV变电站健康状态为一般缺陷。从关键特征量指标来看,试点一区配电网健康状态较好,主要原因是其网络结构连接紧密,线路分段和联络水平合理,负荷转供路径充足,负荷转供能力较高。因此,在其他指标都差不多的情况下,试点一区配电网的总体健康水平较好。
实施例3
基于同一种构思发明,本申请还提供一种配电网健康状态的智能诊断系统,所述系统包括:
计算模块:用于基于预先确定的关键特征量集和获取的当前配电网数据,计算所述关键特征量集中每个关键特征量的阈值;
预测模块:用于将所述每个关键特征量的阈值带入预先构建的配电网健康指数预测模型,得到健康指数;
状态模块:用于基于所述健康指数得到配电网健康状态。
还包括:构建模块;
所述构建模块,用于基于预先构建的配电网关键特征量获取配电网历史数据,以及所述历史数据对应的目标配电网的健康指数;
基于所述历史数据和对应的健康指数构建向量集,
并将所述向量集分为训练集和测试集;
对所述训练集,采用长短时记忆网络进行训练,得到关键特征量值与健康指数的对应关系;
基于所述测试集对所述关键特征量值与健康指数对应关系的准确性进行测试,得到配电网健康指数预测模型。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (16)
1.一种配电网健康状态的智能诊断方法,其特征在于,所述方法包括:
基于预先确定的关键特征量集和获取的当前配电网数据,计算所述关键特征量集中每个关键特征量的值;
将所述每个关键特征量的值带入预先构建的配电网健康指数预测模型,得到健康指数;
基于所述健康指数得到配电网健康状态。
2.如权利要求1所述的方法,其特征在于,所述配电网健康指数预测模型的构建,包括:
基于预先构建的配电网关键特征量获取配电网历史时序数据,以及所述历史时序数据对应的目标配电网的健康指数;
基于所述历史数据和对应的健康指数构建向量集,
并将所述向量集分为训练集和测试集;
对所述训练集,采用长短时记忆网络进行训练,得到关键特征量值与健康指数的对应关系;
基于所述测试集对所述关键特征量值与健康指数对应关系的准确性进行测试,得到配电网健康指数预测模型。
3.如权利要求1或2所述的方法,其特征在于,所述关键特征量集的确定,包括:
基于所述配电网故障原因和调研数据,得到n个影响配电网健康状态的因素和评价指标;
对所述影响配电网健康状态的因素和评价指标进行降维处理,得到关键特征量集;
其中,所述n大于100;
所述降维处理包括:分类和数据映射;
所述关键特征量集中的关键特征量,包括:负荷转供能力、综合电压合格率、谐波合格率、供电可靠率、综合线损率、同层设备间负载率均衡度、不同层设备间负载率协调度、经济载荷供电距离合格率和分布式能源消纳能力。
4.如权利要求3所述的方法,其特征在于,所述基于预先确定的关键特征量集和获取的当前配电网数据,计算所述关键特征量集中每个关键特征量的阈值,包括:
基于所述当前配电网数据中的负荷数据和负荷转供能力的计算式计算负荷转供能力值;
基于所述当前配电网数据中的电压数据和综合电压合格率的计算式计算综合电压合格率的值;
基于所述当前配电网数据中的谐波数据和谐波合格率的计算式计算谐波合格率的值;
基于所述当前配电网数据中的供电数据和供电可靠率的计算式计算供电可靠率的值;
基于所述当前配电网数据中的供电量数据和综合线损率的计算式计算综合线损率的值;
基于所述当前配电网数据中的同层设备负载数据和同层设备间负载率协调度的计算式计算同层设备间负载率协调度的值;
基于所述当前配电网数据中的不同层设备负载数据和不同层设备间负载率协调度的计算式计算不同层设备间负载率协调度的值;
基于所述当前配电网数据中的经济载荷供电数据和经济载荷供电距离合格率的计算式计算经济载荷供电距离合格率的值;
基于所述当前配电网数据中的分布式能源数据和分布式能源消纳能力的计算式计算分布式能源消纳能力值。
5.如权利要求4所述的方法,其特征在于,所述负荷转供能力的计算式如下:
式中,TS为负荷转供能力;PS为系统能成功转移的负荷;P为总负荷;Plost为系统丢失的负荷。
6.如权利要求4所述的方法,其特征在于,所述综合电压合格率的计算式如下:
式中,γ为综合电压合格率;γA为A类的年(季、月)度电压合格率;γB为类的年(季、月)度电压合格率B;γC为C类的年(季、月)度电压合格率;γD为D类的年(季、月)度电压合格率。
7.如权利要求4所述的方法,其特征在于,所述谐波合格率的计算式如下:
式中,η为谐波合格率;N为评价网络中的负荷接入点总数;n为年(季、月)度或当前时间断面上电压总谐波畸变率和电流总谐波畸变率不满足标准的节点总数。
8.如权利要求4所述的方法,其特征在于,所述供电可靠率的计算式如下:
式中,RS3为供电可靠率;Tfail为用户平均停电时间;Tsum为统计期间时间;Tlimit为用户平均限电时间。
9.如权利要求4所述的方法,其特征在于,所述综合线损率的计算式如下:
ΔP%=WS/WG×100%
式中,ΔP为综合线损率;WS为线损电能;WG为供电量。
10.如权利要求4所述的方法,其特征在于,所述同层设备间负载率均衡度的计算式如下:
式中,BLR_i为同层设备间负载率均衡度;LRij为第j个i类层级设备的负载率值;为第i类层级设备的负载率均值;Mi为第i类层级设备的个数;i=1,2,3,4分别对应高压线路、变电站、中压线路和配变。
11.如权利要求4所述的方法,其特征在于,所述不同层设备间负载率协调度的计算式如下:
式中,CLR为不同层设备间负载率协调度;N为配电系统的层级总个数;为第i类层级设备的负载率均值;为所有层级设备的负载率均值。
12.如权利要求4所述的方法,其特征在于,所述经济载荷供电距离合格率的计算式如下:
式中,ηeconomy为经济载荷供电距离合格率;L为总的线路条数;l为小于经济载荷供电距离的线路条数。
13.如权利要求4所述的方法,其特征在于,所述分布式能源消纳能力的计算式如下:
式中,ηs为分布式能源消纳能力;PG为分布式电源消纳容量;PL为总负荷量。
14.如权利要求1所述的方法,其特征在于,所述基于所述健康指数得到配电网健康状态,包括:
将当前得到的所述健康指数与预先划分好的健康等级进行对比,确定当前所述健康指数对应的配电网健康等级;
基于所述配电网健康等级得到当前配电网的健康状态;
其中,所述健康等级包括:健康、亚健康、一般缺陷、严重缺陷和危机缺陷。
15.一种配电网健康状态的智能诊断系统,其特征在于,所述系统包括:
计算模块:用于基于预先确定的关键特征量集和获取的当前配电网数据,计算所述关键特征量集中每个关键特征量的值;
预测模块:用于将所述每个关键特征量的值带入预先构建的配电网健康指数预测模型,得到健康指数;
状态模块:用于基于所述健康指数得到配电网健康状态。
16.如权利要求15所述的系统,其特征在于,所述带入模块,还包括:构建模块;
所述构建模块,用于基于预先构建的配电网关键特征量获取配电网历史数据,以及所述历史数据对应的目标配电网的健康指数;
基于所述历史数据和对应的健康指数构建向量集,
并将所述向量集分为训练集和测试集;
对所述训练集,采用长短时记忆网络进行训练,得到关键特征量值与健康指数的对应关系;
基于所述测试集对所述关键特征量值与健康指数对应关系的准确性进行测试,得到配电网健康指数预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910761758.XA CN110598907A (zh) | 2019-08-13 | 2019-08-13 | 一种配电网健康状态的智能诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910761758.XA CN110598907A (zh) | 2019-08-13 | 2019-08-13 | 一种配电网健康状态的智能诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598907A true CN110598907A (zh) | 2019-12-20 |
Family
ID=68854649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910761758.XA Pending CN110598907A (zh) | 2019-08-13 | 2019-08-13 | 一种配电网健康状态的智能诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598907A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126489A (zh) * | 2019-12-24 | 2020-05-08 | 广东电网有限责任公司 | 一种基于集成学习的输电设备状态评价方法 |
CN113327033A (zh) * | 2021-05-28 | 2021-08-31 | 广西电网有限责任公司电力科学研究院 | 配电网故障诊断方法及系统 |
CN114239870A (zh) * | 2021-11-10 | 2022-03-25 | 深圳供电局有限公司 | 健康状态检测方法、系统及存储介质 |
CN114492869A (zh) * | 2022-01-25 | 2022-05-13 | 王启明 | 一种基于物联网技术的配电系统健康诊断方法 |
CN115048591A (zh) * | 2022-06-17 | 2022-09-13 | 四川高融软科信息技术有限公司 | 一种基于人工智能的配电网全息数据可视化智能展示分析系统 |
CN116184200A (zh) * | 2023-04-26 | 2023-05-30 | 国家石油天然气管网集团有限公司 | 一种输油泵感应电机的健康状态评估方法及系统 |
-
2019
- 2019-08-13 CN CN201910761758.XA patent/CN110598907A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126489A (zh) * | 2019-12-24 | 2020-05-08 | 广东电网有限责任公司 | 一种基于集成学习的输电设备状态评价方法 |
CN113327033A (zh) * | 2021-05-28 | 2021-08-31 | 广西电网有限责任公司电力科学研究院 | 配电网故障诊断方法及系统 |
CN114239870A (zh) * | 2021-11-10 | 2022-03-25 | 深圳供电局有限公司 | 健康状态检测方法、系统及存储介质 |
CN114492869A (zh) * | 2022-01-25 | 2022-05-13 | 王启明 | 一种基于物联网技术的配电系统健康诊断方法 |
CN115048591A (zh) * | 2022-06-17 | 2022-09-13 | 四川高融软科信息技术有限公司 | 一种基于人工智能的配电网全息数据可视化智能展示分析系统 |
CN115048591B (zh) * | 2022-06-17 | 2023-09-29 | 河北新大长远电力科技股份有限公司 | 一种基于人工智能的配电网全息数据可视化智能展示分析系统 |
CN116184200A (zh) * | 2023-04-26 | 2023-05-30 | 国家石油天然气管网集团有限公司 | 一种输油泵感应电机的健康状态评估方法及系统 |
CN116184200B (zh) * | 2023-04-26 | 2023-08-04 | 国家石油天然气管网集团有限公司 | 一种输油泵感应电机的健康状态评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598907A (zh) | 一种配电网健康状态的智能诊断方法及系统 | |
CN103761690B (zh) | 基于电网系统中电压无功控制系统的评估方法 | |
CN107123988B (zh) | 一种考虑恢复量不确定的停电电网负荷恢复二阶锥规划方法 | |
CN103310298A (zh) | 一种配电网规划方案多阶段综合评估方法 | |
CN108764684A (zh) | 基于模糊层次分析法的智能箱式变电站健康状态评估方法 | |
CN108009585A (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
CN114977321A (zh) | 一种计及源荷不确定性的配电网优化调度方法 | |
CN115640963A (zh) | 一种考虑投资运营模式的海上风电接入系统鲁棒规划方法 | |
Liu et al. | Power grid partition with improved biogeography-based optimization algorithm | |
CN110649627B (zh) | 一种基于gbrt的静态电压稳定裕度评估方法及系统 | |
CN117394366A (zh) | 一种含多微网的主动配电网不确定性分层调度方法 | |
CN115528750B (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
CN116307028A (zh) | 一种基于改进决策树的短期电力负荷预测方法及系统 | |
CN115051360A (zh) | 集成式知识迁移的电力系统运行风险在线计算方法与装置 | |
CN112769124B (zh) | 一种基于潮流转移和追踪的电力系统快速运行风险评估方法 | |
CN111092425B (zh) | 一种基于拓扑特性的网架聚类分析方法及系统 | |
CN112365024A (zh) | 一种基于深度学习的高压直流换流站能效预测方法及系统 | |
Wang et al. | Power System Transient Stability Assessment and Key Bus Set Selection Based on Multiple-agent Cooperation | |
Vahid et al. | A new method to reduce losses in distribution networks using system reconfiguration with distributed generations using self-adaptive harmony search algorithm | |
Yu et al. | Transfomer fault diagnosis based on rough sets theory and artificial neural networks | |
Zhang et al. | Power Quality Evaluation Based on the Fusion of Improved Entropy and Analytic Hierarchy Process | |
Jiang et al. | Fault Diagnosis of Power Electronic Circuits Based on Adaptive Simulated Annealing Particle Swarm Optimization. | |
CN112733306B (zh) | 配网无功电压三级协调控制效果评估模型的构建方法 | |
Zhang et al. | Optimization method of distribution network grid with high-permeability new energy based on knowledge distillation algorithm | |
Mao et al. | Research on Fault Diagnosis Model Based on the Fusion of Communication Network and Grid Data |
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 |