CN110619182A - 一种基于wams大数据的输电线路参数辨识及输电网建模方法 - Google Patents
一种基于wams大数据的输电线路参数辨识及输电网建模方法 Download PDFInfo
- Publication number
- CN110619182A CN110619182A CN201910905557.2A CN201910905557A CN110619182A CN 110619182 A CN110619182 A CN 110619182A CN 201910905557 A CN201910905557 A CN 201910905557A CN 110619182 A CN110619182 A CN 110619182A
- Authority
- CN
- China
- Prior art keywords
- power transmission
- data
- big data
- transmission line
- parameter identification
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于WAMS大数据的输电线路参数辨识及输电网建模方法,属于电力系统大数据应用领域,包括以下步骤:获取给定时段内的电力系统广域量测大数据;采用孤立森林算法对广域量测大数据进行异常检测;针对异常数据,采用基于深度学习的方法进行补偿优化;基于经过处理的广域量测大数据和基于渐消记忆改进的最小二乘法对输电线路进行参数辨识,并根据输电线路两端安装并联电抗的情况来分别计算线路阻抗和线路对地导纳;基于辨识得到的各输电线路阻抗,建立输电网的简单等效模型。本发明解决了输电线路参数辨识及输电网简单等效建模的问题,是基于WAMS的电网在线应用的基础性工作。
Description
技术领域
本发明属于电力系统大数据应用领域,公开一种基于WAMS大数据的输电线路参数辨识及输电网建模方法。
背景技术
在传统输电线路参数辨识技术基础上,基于广域量测大数据,采用基于渐消记忆改进的最小二乘法对输电线路参数进行参数辨识,根据辨识得到的各线路阻抗对输电网进行简单的等效建模,该方法对电力系统大数据的应用和输电网的研究具有重要意义。
随着广域量测系统(wide area measurement system,WAMS)在电网中的广泛应用,同步向量测量装置(PMU)可实现对全网同步相角和全网各个站点的实时数据采集。由于广域量测数据具有高精度以及高时间同步性,相比传统的SCADA测量系统,WAMS测量的电气量中电压和电流功角具有实际的物理意义,利用WAMS数据可以辨识电网的变压器、线路等的参数。运用广域量测系统收集的电网状态数据可以对电网参数,通过监测上述参数可以实时掌握线路在各种运行环境下的状态,如变压器和线路参数等进行辨识,由此可以为电网提供一套电网参数的监视系统,这些所辨识参数可以为电网异常运行状态提供预警,为电网调度运行提供辅助决策,提高电网运行可靠性。同时,利用大数据分析,以现有典型电网的实际故障样本和在线辨识数据进行类比分析,提取输电线路异常信息,对电网时变风险评估及预警。此外,根据辨识得到的各输电线路阻抗值,可以对输电网进行简单等效建模,为针对输电网的研究打下基础。
发明内容
针对现有技术的不足,本发明提出了“一种基于WAMS大数据的输电线路参数辨识及输电网建模方法”,在传统参数辨识技术基础上,基于广域量测大数据,采用基于渐消记忆改进的最小二乘法对输电线路参数进行参数辨识,根据辨识得到的各线路阻抗对输电网进行简单的等效建模。
本发明采用如下技术方案:一种基于WAMS大数据的输电线路参数辨识及输电网建模方法,该方法包括如下步骤:
步骤1:获取给定时段内的电力系统广域量测大数据;
步骤2:采用孤立森林算法对广域量测大数据进行异常检测;
步骤3:针对异常数据,采用基于深度学习的方法进行补偿优化;
步骤4:基于经过处理的广域量测大数据和基于渐消记忆改进的最小二乘法对输电线路进行参数辨识,并根据输电线路两端安装并联电抗的情况来分别计算线路阻抗和线路对地导纳;
步骤5:基于步骤4辨识得到的各线路阻抗,再考虑输电线路上的变压器、电抗器、电容器、断路器、接地开关、电压互感器、电流互感器等等,建立输电网的简单等效模型。
附图说明
图1:本发明针对基于WAMS大数据的输电线路参数辨识及输电网建模方法的整体实施流程图。
具体实施方式
本发明提出的一种基于WAMS大数据的输电线路参数辨识及输电网建模方法,其整体实施流程见图1。
步骤1:获取给定时段内的电力系统广域量测大数据;
首先,获取给定时段内的电力系统广域量测大数据,根据输电线路参数辨识和输电网建模的需求确定需要的大数据对象。
步骤2:采用孤立森林算法对广域量测大数据进行异常检测;
iForest算法通过随机切割广域量测大数据集,形成超平面从而实现广域量测大数据的分离,持续循环切割直到每个子空间只有一个数据或者无法再切割。一般来说,异常数据只占数据集中很小的一部分,因此高密度区域基本都是正常数据,需要多次进行切割才能分离完全,低密度区域基本都是异常数据,只需通过少数切割就能分离完全。构建广域量测iForest主要包括以下步骤:
1)从广域量测大数据集中随机选择ψ个样本数据点作为子采样集,并将其视为初始iTree的根节点;
2)随机选定广域量测数据的一个属性q,并在属性q的数据阈值范围内随机选择点p进行切割;
3)以点p形成了一个超平面,将数据分为左右两个子空间,并分别将小于p和大于p的广域量测数据放在当前iTree节点的左子空间和右子空间;
4)循环执行步骤2和步骤3,生成新的子空间节点,直至子空间节点中只有一个广域量测数据项或切割次数已经达到log2ψ时,停止切割。
通过上述方法生成了t个iTree,由t个iTree构成解决数据异常检测问题的孤立森林模型iForest。再定义iForest算法对异常数据的评价体系,针对测试数据x,将x代入iForest中的每一棵iTree,并求得x落在每棵iTree上的深度,记作h(x),将全部的h(x)取平均值记作E(h(x))。则被检测数据样本x异常分值记为:
H(x)=ln(x)+ξ (1)
E(h(x))→0,s→1
E(h(x))→ψ-1,s→0
E(h(x))→c(ψ),s→0.5
其中,h(x)是x在iTree中的节点深度,E(h(x))是t个iTree的节点深度取均值,是c(ψ)个二分搜索树的平均长度,S(x,ψ)是x的异常分值,ξ为欧拉常数。
当S(x,ψ)越接近于1,即在iTree分支的深度越小时,该数据越可能为异常数据;当S(x,ψ)越接近于0时,即在iTree分支的深度越大时,该数据越可能是正常数据;当大部分数据的S(x,ψ)为0.5时,则证明该数据集中无明显异常值。
步骤3:针对异常数据,采用基于深度学习的方法进行补偿优化;
随着深度学习的发展,基于深度学习的异常数据补偿优化将发挥至关重要的作用。传统异常数据补偿优化技术的结果误差较大,训练时间也较长,针对以上缺陷,采用基于深度学习神经网络的多变量时序数据补偿优化方法,该方法基于长短期记忆(LSTM)神经网络,对异常数据的补偿优化所耗时间较短且误差较小。循环神经网络是人工神经网络的一种,RNN的特点在于不同层之间的神经元相互也建立权的连接,当序列继续推进,之前隐藏层将对之后的隐藏层产生效果。LSTM模型是RNN的一种改进体,LSTM的特征是在RNN的结构基础上,将其每一层都增加了阀门节点阀门一共有三种类型:遗忘门、输入门和输出门。可以开启或关闭增加的阀门以确定每一层的输出处的模型网络的存储器状态的结果是否达到阈值,若超过阈值,将被增至到当前层的计算中,阀节点以sigmoid函数计算网络的状态为输入;若超过阈值,阀门输出和当前层的乘积被视为下一层的输入;若结果未能超过阈值而选择忘记输出。
步骤4:基于经过处理的广域量测大数据和基于渐消记忆改进的最小二乘法对输电线路进行参数辨识,并根据输电线路两端安装并联电抗的情况来分别计算线路阻抗和线路对地导纳;
针对长输电线路,必须考虑电阻、电抗和电纳的修正系数才能进行准确的参数辨识,而在参数辨识领域,最小二乘法是一种经典的数据处理方法,但是这对广域量测大数据,由于数据量巨大,可能会出现“数据饱和”现象。因此,采用基于渐消记忆改进的最小二乘法对WAMS输电线路参数进行辨识,渐消记忆递推最小二乘法的基本思想是给采样数据赋予不同的权重,对老数据附加遗忘因子,以降低老数据所提供的信息量,增加新数据的信息量,这样就既考虑了老数据的作用,又侧重考虑了新数据提供的信息进行参数辨识。渐消记忆最小二乘法递推算法概括为:
K(k)=P(k)h(k)[hT(k)P(k)×h(k)+λ]-1 (4)
θ(k+1)=θ(k)+K(k)[z(k)-hT(k)θ(k)] (5)
P(k+1)=[1-K(k)hT(k)]×P(k)/λ (6)
步骤5:基于步骤4辨识得到的各线路阻抗,建立输电网的简单等效模型。
最后,根据上述步骤中得到各输电线路阻抗值,再考虑输电线路上的变压器、电抗器、电容器、断路器、接地开关、电压互感器、电流互感器等等,建立输电网的简单等效模型。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的保护范畴。
Claims (4)
1.本文公开了一种基于WAMS大数据的输电线路参数辨识及输电网建模方法,其特征在于,该方法包括如下步骤:
步骤1:获取给定时段内的电力系统广域量测大数据;
步骤2:采用改进的孤立森林算法对广域量测大数据进行异常检测;
步骤3:针对异常数据,采用基于深度学习的方法进行补偿优化;
步骤4:基于经过处理的广域量测大数据和基于渐消记忆改进的最小二乘法对输电线路进行参数辨识,并根据输电线路两端安装并联电抗的情况来分别计算线路阻抗和线路对地导纳;
步骤5:基于步骤4辨识得到的各线路阻抗,再考虑输电线路上的变压器、电抗器、电容器、断路器、接地开关、电压互感器、电流互感器等等,建立输电网的简单等效模型。
2.根据权利要求1所述的一种基于WAMS大数据的输电线路参数辨识及输电网建模方法,其特征在于,所述步骤2中采用采用改进的孤立森林算法对广域量测大数据进行异常检测,该方法跟传统方法对比而言,IForest算法的泛化能力更好,在面对不同来源和不同规模的数据集的时都表现出优异的异常检测能力,进行异常检测时的结构实现简单、耗时少、精确度高并且稳定性更好。
3.根据权利要求1所述的一种基于WAMS大数据的输电线路参数辨识及输电网建模方法,其特征在于,所述步骤3中针对异常数据采用基于深度学习神经网络的多变量时序数据补偿优化方法,该方法基于长短期记忆(LSTM)神经网络,对异常数据的补偿优化所耗时间较短且误差较小,而传统方法对异常数据进行补偿优化时误差较大,训练时间也较长。
4.根据权利要求1所述的一种基于WAMS大数据的输电线路参数辨识及输电网建模方法,其特征在于,所述步骤4中基于经过处理的广域量测大数据和基于渐消记忆改进的最小二乘法对输电线路进行参数动态辨识,针对长输电线路,还必须考虑电阻、电抗和电纳的修正系数才能进行准确的参数辨识;与传统的最小二乘法相比,渐消记忆递推最小二乘法的基本思想是给采样数据赋予不同的权重,对老数据附加遗忘因子,以降低老数据所提供的信息量,增加新数据的信息量,这样就既考虑了老数据的作用,又侧重考虑了新数据提供的信息进行参数辨识,该方法成功避免了因大数据引起的“数据饱和”现象,极大提高了辨识的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905557.2A CN110619182A (zh) | 2019-09-24 | 2019-09-24 | 一种基于wams大数据的输电线路参数辨识及输电网建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905557.2A CN110619182A (zh) | 2019-09-24 | 2019-09-24 | 一种基于wams大数据的输电线路参数辨识及输电网建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110619182A true CN110619182A (zh) | 2019-12-27 |
Family
ID=68924281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910905557.2A Pending CN110619182A (zh) | 2019-09-24 | 2019-09-24 | 一种基于wams大数据的输电线路参数辨识及输电网建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619182A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242459A (zh) * | 2020-01-07 | 2020-06-05 | 中国南方电网有限责任公司 | 全网设备参数异常值辨识方法及系统 |
CN111638028A (zh) * | 2020-05-20 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
CN112287602A (zh) * | 2020-10-28 | 2021-01-29 | 北京国信会视科技有限公司 | 一种基于机器学习和孤立森林的动车轴温故障预警方法 |
CN113536674A (zh) * | 2021-07-13 | 2021-10-22 | 国网浙江省电力有限公司湖州供电公司 | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 |
CN113537338A (zh) * | 2021-07-13 | 2021-10-22 | 国网浙江省电力有限公司湖州供电公司 | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 |
CN115438592A (zh) * | 2022-11-08 | 2022-12-06 | 成都中科合迅科技有限公司 | 基于系统工程的工业研发设计数据建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942160A (zh) * | 2017-11-07 | 2018-04-20 | 国电南瑞科技股份有限公司 | 基于bp神经网络的线路参数特性辨识模型的建立方法 |
CN108776683A (zh) * | 2018-06-01 | 2018-11-09 | 广东电网有限责任公司 | 一种基于孤立森林算法和神经网络的电力运维数据清洗方法 |
CN109217304A (zh) * | 2018-10-17 | 2019-01-15 | 贵州电网有限责任公司 | 基于wams系统量测量的线路参数辨识方法 |
-
2019
- 2019-09-24 CN CN201910905557.2A patent/CN110619182A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942160A (zh) * | 2017-11-07 | 2018-04-20 | 国电南瑞科技股份有限公司 | 基于bp神经网络的线路参数特性辨识模型的建立方法 |
CN108776683A (zh) * | 2018-06-01 | 2018-11-09 | 广东电网有限责任公司 | 一种基于孤立森林算法和神经网络的电力运维数据清洗方法 |
CN109217304A (zh) * | 2018-10-17 | 2019-01-15 | 贵州电网有限责任公司 | 基于wams系统量测量的线路参数辨识方法 |
Non-Patent Citations (2)
Title |
---|
DONG XU: "An improved data anomaly detection method based on isolation forest", 《2017 10TH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN》 * |
姚若昊: "基于同步相量测量单元的输电线路参数辨识方法", 《自动化技术与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242459A (zh) * | 2020-01-07 | 2020-06-05 | 中国南方电网有限责任公司 | 全网设备参数异常值辨识方法及系统 |
CN111638028A (zh) * | 2020-05-20 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
CN112287602A (zh) * | 2020-10-28 | 2021-01-29 | 北京国信会视科技有限公司 | 一种基于机器学习和孤立森林的动车轴温故障预警方法 |
CN113536674A (zh) * | 2021-07-13 | 2021-10-22 | 国网浙江省电力有限公司湖州供电公司 | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 |
CN113537338A (zh) * | 2021-07-13 | 2021-10-22 | 国网浙江省电力有限公司湖州供电公司 | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 |
CN113536674B (zh) * | 2021-07-13 | 2023-09-29 | 国网浙江省电力有限公司湖州供电公司 | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 |
CN115438592A (zh) * | 2022-11-08 | 2022-12-06 | 成都中科合迅科技有限公司 | 基于系统工程的工业研发设计数据建模方法 |
CN115438592B (zh) * | 2022-11-08 | 2023-01-24 | 成都中科合迅科技有限公司 | 基于系统工程的工业研发设计数据建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619182A (zh) | 一种基于wams大数据的输电线路参数辨识及输电网建模方法 | |
CN110311376B (zh) | 一种电力系统动态安全评估综合模型及时空可视化方法 | |
CN107453357B (zh) | 一种基于分层求解的配电网状态估计方法 | |
Dahal et al. | Online dimension reduction of synchrophasor data | |
CN102221651B (zh) | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 | |
CN108832619A (zh) | 基于卷积神经网络的电力系统暂态稳定评估方法 | |
CN110414412B (zh) | 基于大数据分析的广域电网多重扰动精确识别方法和装置 | |
CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN108074198B (zh) | 一种电力系统pmu不良数据识别方法 | |
CN103995162A (zh) | 基于高级量测体系的配电网大用户实时防窃电方法 | |
CN112994017A (zh) | 基于配电网概率潮流计算的分布式光伏电源选址优化方法 | |
CN111415059A (zh) | 一种实用模型机构建及在线应用方法 | |
CN114580829A (zh) | 基于随机森林算法的用电安全感知方法、设备及介质 | |
CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
Wang et al. | Application of multiattention mechanism in power system branch parameter identification | |
CN112446175B (zh) | 基于配电网概率潮流计算的分布式电源选址优化方法 | |
CN109684749B (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
Domínguez et al. | Analysis of electric power consumption using Self-Organizing Maps. | |
CN114996635A (zh) | 一种配电网参数确定方法、装置、设备及存储介质 | |
CN107507885A (zh) | 基于多通道传感器数据的太阳能电池生产过程监测方法 | |
Li et al. | Research and application of power system data anomaly identification based on time series and deep learning | |
CN113406548A (zh) | 一种基于云边协同计算的漏电测量误差补偿方法及系统 | |
Jie et al. | Non-Intrusive Load Decomposition Based on Graph Convolutional Network | |
CN116702629B (zh) | 一种具备可迁移能力的电力系统暂态稳定评估方法 | |
Xiong et al. | Method for Identifying PMU Bad Data Based on Long Short-Term Memory Network |
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: 20191227 |