CN110728457A - 一种考虑配电网多层级薄弱环节的运行风险态势感知方法 - Google Patents
一种考虑配电网多层级薄弱环节的运行风险态势感知方法 Download PDFInfo
- Publication number
- CN110728457A CN110728457A CN201910989307.1A CN201910989307A CN110728457A CN 110728457 A CN110728457 A CN 110728457A CN 201910989307 A CN201910989307 A CN 201910989307A CN 110728457 A CN110728457 A CN 110728457A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- value
- follows
- distribution network
- data
- 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.)
- Granted
Links
Images
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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—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
本发明属于电力工程技术领域,具体涉及一种考虑配电网多层级薄弱环节的运行风险态势感知方法。本发明利用配电网历史运行数据、气象数据、静态参数等数据,构建配电网多层级运行状态预测模型。以运行状态越限程度衡量配电网的运行严重度,结合运行状态发生概率计算其下一时刻的运行风险,从而辨识配电网薄弱环节,有助于控制中心实现配电网运行风险的实时预警。
Description
技术领域
本发明属于电力工程技术领域,具体涉及一种考虑配电网多层级薄弱环节的运行风险态势感知方法。
背景技术
随着新能源的接入和配电网规模的飞速发展,配电网运行状态的短时变化日益激烈。由于用电用户对配电网供电质量、可靠性等要求的逐渐提高,控制中心对配电网的潮流控制以及优化调度面临着新的挑战,迫切需要在线辨识配电网薄弱环节,进行配电网实时运行风险态势感知以及预警。同时,随着配电自动化、用电信息采集、各类监控和管理系统以及大量智能配电终端不断接入,海量异构、多态的配电数据以指数级的速度增长。配电数据反映了配电网区的历史运行情况与运行趋势,涵盖着影响配电网运行风险的不确定因素,因此如何深度汲取配电数据携带的有效信息,以对配电网的实时运行风险进行管控具有重要意义。
发明内容
为了解决上述问题,本发明提供了一种考虑配电网多层级薄弱环节的运行风险态势感知方法,具体技术方案如下:
一种考虑配电网多层级薄弱环节的运行风险态势感知方法,包括以下步骤:
S1:配电网态势觉察,收集以及处理设备运行状态的关键要素原数据;
S2:以步骤S1处理后的数据作为训练和测试样本,对深度信念网络DBN进行训练,生成配电网运行状态预测模型;
S3:配电网态势预测阶段,将t时刻实时数据的主要影响因素数据输入到步骤S2训练好的配电网运行状态预测模型,得到配电线路/配变t+T时刻的运行状态预测值,利用严重度函数将预测值转化为风险严重度;
S4:应用高斯混合模型,计算线路/配变的风险概率;
S5:设定运行风险指标,计算配电系统-线路-配变三个层级的风险值;
S6:配电网态势感知预警等级评判。
优选地,所述步骤S1具体为:收集影响配电网设备运行状态的关键要素,包括气象因素、设备静态参数、时间特征、状态参数,去除数据的单位转化为无量纲的纯数值,并将文本型或字符型的数据转换为数字型数据,经处理后数据构成m×n的矩阵X:
矩阵X表示待预测线路/配变的一个训练样本,样本采集了n个关键要素,m个历史采样数据;其中,xij表示所采集的第i个关键要素的第j个历史时刻的数值;
将矩阵X进行min-max标准化,使其各元素均映射在[0,1]之间:
优选地,所述步骤S2具体包括以下步骤:
S21:将步骤S1中矩阵X*分成训练数据矩阵X1和测试数据矩阵X2两部分:
其中,矩阵X1包含n个关键要素的k个历史时刻采样数据,矩阵X2包含n个关键要素的m-k个历史时刻采样数据;
网络训练和测试输入数据分别矩阵X1和矩阵X2,模型的输出的间隔时间T运行状态值矩阵Y1和矩阵Y2,预测时间间隔T取值考虑实际情况;
S22:无监督地分别独自训练各层的RBM网络,利用k步Gibbs采样的对比散度算法,得到网络参数θ={W,a,b}的局部最优值;
随机初始化权值θ={W,a,b},其中W为权重向量,a是可见层的偏置向量,b为隐藏层的偏置向量,随机初始化为较小的数值,训练样本集X1={V1 V2 … Vk},v和h分别为可视层和隐藏层的状态向量v,h,W,a,b表示如下:
其中,n为显元的个数,等于关键要素个数n,N为隐元的个数;隐元和显元值的计算公式如下所示:
将X1赋给显层v(0),计算它使隐层神经元被开启的概率如公式下所示:
其中,式中的上标用于区别不同的向量,下标用于区别同一向量中的不同维;
根据计算的概率分布进行一步的Gibbs抽样,对隐藏层中的每个单元从{0,1}中抽取得到相应的值,即h(0)~p(h(0)/v(0))详细过程如下:
首先产生一个[0,1]上的随机数rj,然后确定hj,公式如下所示:
用h(0)重构显层,先计算概率密度,再进行Gibbs抽样:
根据计算得到的概率分布,再一次进行一步Gibbs采样,来对显层中的神经元从{0,1}中抽取相应的值来进行采样重构,即v(1)~p(v(1)/h(0)),详细过程如下:
产生一个[0,1]上的随机数ri,然后确定vi,公式如下所示:
再次用重构后的显元计算出隐层神经元被开启的概率:
更新得到新的权重W和偏置a,b,计算公式如下所示:
其中,λ为学习率;
S23:根据训练数据集对DBN模型进行基于误差反向传播算法的有监督学习对网络参数进行微调;
进行BP网络有监督的调优训练时,需要先利用前向传播算法,从输入得到一定的输出值,然后再利用BP算法来更新网络的权重值和偏置值;
S24:利用测试数据集X2对训练好的DBN预测模型进行测试,查看模型的预测效果,若测试误差达到允许范围,则以此模型作为该配电系统的运行状态预测模型;反之,调整网络神经元数目或增加训练样本对DBN模型进行重新训练。
优选地,所述前向传播算法的步骤如下:
利用CD算法预训练好的W,b来确定相应隐元的开启和关闭,计算每个隐元的激励值如下:
h(l)=W(l)·v+b(l); (15)
其中,l描述为神经网络的层数索引;而W和b的值如下:
其中,Wi,j描述代表从第i个显元到第j个隐元的权重,n代表显元的个数,N代表隐元的个数;
逐层向上传播,逐层将隐藏层中每个隐元的激励值计算出来并用sigmoid函数完成标准化,如下所示:
计算出输出层的激励值和输出:
优选地,所述BP算法的步骤如下:
采用最小均方误差准则的BP算法来更新整个网络的参数,将运行状态预测值和实际值的误差平方和的平均值作为DBN预测模型的代价函数,其表达式为:
采用梯度下降法来更新网络的权重和偏置参数,如下所示:
其中,λ为学习效率。
优选地,所述步骤S24中选取平均绝对百分误差来对预测效果进行评判,MAE由下式计算:
优选地,所述步骤S3具体包括以下步骤:
根据步骤S1中的数据处理方法形成预测模型的t时刻实时数据输入矩阵X*,选取t+T时刻的运行态势Y(y1,y2,y3),其中y1表示电压预测值,y2表示负载率预测值,y3表示三相不平衡度预测值;
根据所预测值计算线路/变压器t+T时刻的风险严重度,将风险严重度定义为设备t+T时刻对应的严重度函数值,严重度函数如下所示:
(1)电压越限严重函数:
(2)重过载严重函数:
(3)三相不平衡严重函数:
优选地,所述步骤S4具体包括以下步骤:
根据配电网历史数据,计算线路/配变电压、负载率以及三相不平衡度的偏差值ΔY(y1,y2,y3),得到由偏差值组成3个n维的样本ΔY(Δy1,Δy2,…,Δyn);分别对这3个样本进行统计分析,绘制样本的概率密度函数;高斯混合模型如下:
其中:
样本ΔY(Δy1,Δy2,…,Δyn)服从s个高斯混合分布,ΔY为配电网某配变或线路历史数据电压、负载率以及三相不平衡度的偏差值。
优选地,配电线路/配变风险值的计算具体如下:
根据设备运行的风险概率和风险严重度计算其风险值,公式如下:
R(y)=P(Δy)×S(y); (28)
式中:R(y)表示待评估的配变或者线路t+T时刻的风险值;S(y)为待评估的配变或者线路在状态y时引起危害的严重度;P(Δy)表示待评估的配变或者线路t+T时刻的运行状态变量的偏差值的概率。
本发明的有益效果为:本发明提供了一种考虑配电网多层级薄弱环节的运行风险态势感知方法,利用配电网历史运行数据、气象数据、静态参数等数据,构建配电网多层级运行状态预测模型。以运行状态越限程度衡量配电网的运行严重度,结合运行状态发生概率计算其下一时刻的运行风险,从而辨识配电网薄弱环节,有助于控制中心实现配电网运行风险的实时预警。
附图说明
图1是本发明方法流程图;
图2是配电设备运行状态DBN预测模型建立流程图;
图3是DBN网络的输入和输出示意图;
图4是配电设备运行状态DBN预测模型;
图5是EM算法流程图;
图6是配电系统风险指标示意图;
图7是单条线路/单台配变风险指标示意图。
具体实施方式
为了更好的理解本发明,下面结合附图和具体实施例对本发明作进一步说明:
本发明提供一种考虑配电网多层级薄弱环节的运行风险态势感知方法,觉察阶段:对气象信息、日期类型、静态参数以及运行参数等配电网海量数据进行采集,为态势理解与预测层提供信息支持;理解阶段:将采集信息输入深度信念网络(deep beliefnetwork,DBN)中,进行状态理解,形成配电设备运行状态DBN预测模型;预测阶段:将t时刻实时数据的关键要素数据输入预测模型,获取t+T(T可以为15min,1h,6h,1d等)时刻的配电线路/配变运行态势;随后,进行多层级的运行风险分析,配电系统(层级一)以预测t+T时刻出现异常运行状态的设备比例来衡量系统的运行风险,单条线路/单台变压器(层级二、三)根据运行状态事件的严重度与发生概率(运用混合高斯模型拟合概率密度函数)来评估其t+T时刻运行风险等级,从而辨识配电网薄弱环节,进行风险等级预警设定。如图1所示,包括以下步骤:S1:配电网态势觉察,收集以及处理设备运行状态的关键要素原数据。
收集影响配电网设备运行状态的关键要素,包括气象因素、设备静态参数、时间特征(星期类、月份类、节假日、特殊活动日等)、状态参数(电压、电流、负载率等),去除数据的单位转化为无量纲的纯数值,并将文本型或字符型的数据转换为数字型数据,经处理后数据构成m×n的矩阵X:
矩阵X表示待预测线路/配变的一个训练样本,样本采集了n个关键要素,m个历史采样数据;其中,xij表示所采集的第i个关键要素的第j个历史时刻的数值;
将矩阵X进行min-max标准化,使其各元素均映射在[0,1]之间:
S2:以步骤S1处理后的数据矩阵X*作为训练和测试样本,对深度信念网络DBN进行训练,生成配电网运行状态预测模型;如图2所示,包括以下步骤:
S21:将步骤S1中矩阵X*分成训练数据矩阵X1和测试数据矩阵X2两部分。
其中,矩阵X1包含n个关键要素的k个历史时刻采样数据,矩阵X2包含n个关键要素的m-k个历史时刻采样数据。
网络训练和测试输入数据分别矩阵X1和矩阵X2,模型的输出的间隔时间T运行状态值矩阵Y1和矩阵Y2,预测时间间隔T取值考虑实际情况;一般为{15min,1h,6h,1d},网络的输入和输出如图3所示。
S22:无监督地分别独自训练各层的RBM网络,利用k步Gibbs采样的对比散度(Contrastive Divergence)算法,简称为CD-k,得到网络参数θ={W,a,b}的局部最优值;
随机初始化权值θ={W,a,b},其中W为权重向量,a是可见层的偏置向量,b为隐藏层的偏置向量,随机初始化为较小的数值(可为0),训练样本集X1={V1 V2 … Vk},v和h分别为可视层和隐藏层的状态向量v,h,W,a,b表示如下:
其中,n为显元的个数,等于关键要素个数n,N为隐元的个数;隐元和显元值的计算公式如下所示:
将X1赋给显层v(0),计算它使隐层神经元被开启的概率如公式下所示:
其中,式中的上标用于区别不同的向量,下标用于区别同一向量中的不同维;
根据计算的概率分布进行一步的Gibbs抽样,对隐藏层中的每个单元从{0,1}中抽取得到相应的值,即h(0)~p(h(0)/v(0))详细过程如下:
首先产生一个[0,1]上的随机数rj,然后确定hj,公式如下所示:
用h(0)重构显层,先计算概率密度,再进行Gibbs抽样:
根据计算得到的概率分布,再一次进行一步Gibbs采样,来对显层中的神经元从{0,1}中抽取相应的值来进行采样重构,即v(1)~p(v(1)/h(0)),详细过程如下:
产生一个[0,1]上的随机数ri,然后确定vi,公式如下所示:
再次用重构后的显元计算出隐层神经元被开启的概率:
更新得到新的权重W和偏置a,b,计算公式如下所示:
其中,λ为学习率。
S23:根据训练数据集对DBN模型进行基于误差反向传播算法的有监督学习对网络参数进行微调;进行BP网络有监督的调优训练时,需要先利用前向传播算法,从输入得到一定的输出值,然后再利用BP算法来更新网络的权重值和偏置值。
前向传播算法的步骤如下:
利用CD算法预训练好的W,b来确定相应隐元的开启和关闭,计算每个隐元的激励值如下:
h(l)=W(l)·v+b(l); (15)
其中,l描述为神经网络的层数索引;而W和b的值如下:
其中,Wi,j描述代表从第i个显元到第j个隐元的权重,n代表显元的个数,N代表隐元的个数。
逐层向上传播,逐层将隐藏层中每个隐元的激励值计算出来并用sigmoid函数完成标准化,如下所示:
计算出输出层的激励值和输出:
BP算法的步骤如下:
采用最小均方误差准则的BP算法来更新整个网络的参数,将运行状态预测值和实际值的误差平方和的平均值作为DBN预测模型的代价函数,其表达式为:
采用梯度下降法来更新网络的权重和偏置参数,如下所示:
其中,λ为学习效率。
S24:利用测试数据集X2对训练好的DBN预测模型进行测试,查看模型的预测效果,若测试误差达到允许范围,则以此模型作为该配电系统的运行状态预测模型;反之,调整网络神经元数目或增加训练样本对DBN模型进行重新训练。
选取平均绝对百分误差(mean absolute error,MAE)来对预测效果进行评判,MAE由下式计算:
S3:配电网态势预测阶段,将t时刻实时数据的主要影响因素数据输入到步骤S2训练好的配电网运行状态预测模型,得到配电线路/配变t+T时刻的运行状态预测值,利用严重度函数将预测值转化为风险严重度。包括以下步骤:
根据步骤S1中的数据处理方法形成预测模型的t时刻实时数据输入矩阵X*,选取t+T时刻的运行态势Y(y1,y2,y3),其中y1表示电压预测值,y2表示负载率预测值,y3表示三相不平衡度预测值。根据所预测值计算线路/变压器t+T时刻的风险严重度,将风险严重度定义为设备t+T时刻对应的严重度函数值,严重度函数如下所示:
(1)电压越限严重函数:
(2)重过载严重函数:
(3)三相不平衡严重函数:
S4:应用高斯混合模型,计算线路/配变的风险概率。具体包括以下步骤:
根据配电网历史数据,计算线路/配变电压、负载率以及三相不平衡度的偏差值ΔY(y1,y2,y3),得到由偏差值组成3个n维的样本ΔY(Δy1,Δy2,…,Δyn);分别对这3个样本进行统计分析,绘制样本的概率密度函数;高斯混合模型如下:
其中:
样本ΔY(Δy1,Δy2,…,Δyn)服从s个高斯混合分布,ΔY为配电网某配变或线路历史数据电压、负载率以及三相不平衡度的偏差值。
(πs,us,Σs)是模型的分布参数,通过期望最大化算法(expectationmaximization,EM)计算可得,迭代步骤分为2步,分别为求期望(E步,expectation-step)和求极大化(M步,Maximization-step)。E步是在已有的模型基础上,对缺失的信息进行估计之后,将新的估计值替换到似然函数中,M步将似然函数最大化以获得新的参数值。下次迭代中,更新模型,估计缺失的信息,然后代入到似然函数中,直至符合迭代终止条件为止,EM算法流程如图5所示。
S5:设定运行风险指标,计算配电系统-线路-配变三个层级的风险值。所述步骤具体实现如下:本发明按照系统-线路-配变三个层级分别设定其险评价指标。
配电系统风险指标:以出现异常运行状态(包括电压超限、重过载、电流三相不平衡)的线路/配变数量占所评估系统的线路/变压器总量的比例来衡量系统的运行风险。评估的配电系统可为某个供电分区/供电分局,包括电压超限比例、重过载比例、三相不平衡比例,以便进行区域差异化的运行风险评估,所述配电系统具体指标体系如图6所示。
配电线路/配变安全风险指标:配电线路/配变安全风险指标是风险严重度和风险概率两个要素来设定,包括电压超限风险、重过载风险、三相不平衡风险,所述单条线路/单台配变具体风险指标体系如图7所示。
(1)配电系统风险值R(异常运行状态设备比例值)
1)所述线路电压超限比例指标:当线路电压预测超出0.95~1.05p.u.时,认为此线路电压超限,计算公式如下:
2)所述线路重载比例指标:当线路负载率预测值大于80%且小于100%时,认为此线路为重载线路,计算公式如下:
3)所述线路过载比例指标:当线路负载率预测值大于100%时,认为此线路为过载线路,计算公式如下:
4)所述线路轻度不平衡比例指标:当线路三相电流不平衡率预测值大于15%且小于50%时,认为此线路为轻度不平衡线路,计算公式如下:
5)所述线路重度不平衡比例指标:当线路三相电流不平衡率预测值大于50%时,认为此线路为重度不平衡线路,计算公式如下:
6)所述变压器电压超限比例指标:当配变电压预测值超出0.95~1.05p.u.时,认为此配变电压超限,计算公式如下:
7)所述变压器重载比例指标:当配变负载率预测值大于80%且小于100%时,认为此配变为重载配变,计算公式如下:
8)所述变压器过载比例指标:当配变负载率预测值大于100%时,认为此配变为过载配变,计算公式如下:
9)所述变压器轻度不平衡比例指标:当配变三相电流不平衡率预测值大于15%且小于50%时,认为此配变为轻度不平衡配变,计算公式如下:
10)所述变压器重度不平衡比例指标:当配变三相电流不平衡率预测值大于50%时,认为此配变为重度不平衡线路,计算公式如下:
(2)配电线路/配变风险计算
本发明根据设备运行的风险概率和风险严重度计算其风险值,公式如下:
R(y)=P(Δy)×S(y); (38)
式中:R(y)表示待评估的配变或者线路t+T时刻的风险值;
S(y)为待评估的配变或者线路在状态y时引起危害的严重度,具体求法见步骤S3;。
P(Δy)表示待评估的配变或者线路t+T时刻的运行状态变量的偏差值的概率,具体求法见步骤S4;
计算配电线路和配变的t+T时刻运行风险指标值,具体计算公式如下:
a.电压超限风险计算公式:
R(y1)=P(Δy1)×S(y1); (39)
b.重、过载风险计算公式:
R(y2)=P(Δy2)×S(y2); (40)
c.三相不平衡度风险计算公式:
R(y3)=P(Δy3)×S(y3); (41)
S6:配电网态势感知预警等级评判。具体如下:
(1)配电系统风险等级评定以及预警:根据配电系统风险评估方法计算得到配电区域的风险值R,按线性关系划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四个风险等级配电系统风险等级划分如表1所示。
表1配电系统风险等级划分情况
等级 | 风险值区间(R) | 描述 |
Ⅰ | [0,0.05) | 系统运行状态正常,运行风险低 |
Ⅱ | [0.05,0.15) | 系统运行风险在可控范围内,建议关注系统运行状态 |
Ⅲ | 0.15,0.3) | 系统处于高风险等级,发出预警信息,建议尽快采取风险管控措施 |
Ⅳ | [0.3,1] | 系统运行风险过高,面临失稳,建议立即采取风险管控措施。 |
(2)单条线路/单台配变风险等级评定以及预警:根据上述设备风险评估方法计算得到配电区域的风险值R,按风险值按线性关系划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四个风险等级,配电线路/配变风险等级划分如表2所示。
表2单条线路/单台配变风险等级划分情况
等级 | 风险值区间(R) | 描述 |
Ⅰ | [0,0.25) | 设备运行状态正常,运行风险低 |
Ⅱ | [0.25,0.5) | 设备运行风险在可控范围内,建议关注此设备运行状态 |
Ⅲ | [0.5,0.75) | 设备处于高风险等级,发出预警信息,建议尽快采取风险管控措施 |
Ⅳ | [0.5,1] | 设备运行风险过高,面临故障状态,建议立即采取风险管控措施。 |
本发明不局限于以上所述的具体实施方式,以上所述仅为本发明的较佳实施案例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种考虑配电网多层级薄弱环节的运行风险态势感知方法,其特征在于:包括以下步骤:
S1:配电网态势觉察,收集以及处理设备运行状态的关键要素原数据;
S2:以步骤S1处理后的数据作为训练和测试样本,对深度信念网络DBN进行训练,生成配电网运行状态预测模型;
S3:配电网态势预测阶段,将t时刻实时数据的主要影响因素数据输入到步骤S2训练好的配电网运行状态预测模型,得到配电线路/配变t+T时刻的运行状态预测值,利用严重度函数将预测值转化为风险严重度;
S4:应用高斯混合模型,计算线路/配变的风险概率;
S5:设定运行风险指标,计算配电系统-线路-配变三个层级的风险值;
S6:配电网态势感知预警等级评判。
2.根据权利要求1所述的一种考虑配电网多层级薄弱环节的运行风险态势感知方法,其特征在于:所述步骤S1具体为:
收集影响配电网设备运行状态的关键要素,包括气象因素、设备静态参数、时间特征、状态参数,去除数据的单位转化为无量纲的纯数值,并将文本型或字符型的数据转换为数字型数据,经处理后数据构成m×n的矩阵X:
矩阵X表示待预测线路/配变的一个训练样本,样本采集了n个关键要素,m个历史采样数据;其中,xij表示所采集的第i个关键要素的第j个历史时刻的数值;
将矩阵X进行min-max标准化,使其各元素均映射在[0,1]之间:
3.根据权利要求2所述的一种考虑配电网多层级薄弱环节的运行风险态势感知方法,其特征在于:所述步骤S2具体包括以下步骤:
S21:将步骤S1中矩阵X*分成训练数据矩阵X1和测试数据矩阵X2两部分:
其中,矩阵X1包含n个关键要素的k个历史时刻采样数据,矩阵X2包含n个关键要素的m-k个历史时刻采样数据;
网络训练和测试输入数据分别矩阵X1和矩阵X2,模型的输出的间隔时间T运行状态值矩阵Y1和矩阵Y2,预测时间间隔T取值考虑实际情况;
S22:无监督地分别独自训练各层的RBM网络,利用k步Gibbs采样的对比散度算法,得到网络参数θ={W,a,b}的局部最优值;
随机初始化权值θ={W,a,b},其中W为权重向量,a是可见层的偏置向量,b为隐藏层的偏置向量,随机初始化为较小的数值,训练样本集X1={V1 V2 … Vk},v和h分别为可视层和隐藏层的状态向量v,h,W,a,b表示如下:
其中,n为显元的个数,等于关键要素个数n,N为隐元的个数;隐元和显元值的计算公式如下所示:
将X1赋给显层v(0),计算它使隐层神经元被开启的概率如公式下所示:
其中,式中的上标用于区别不同的向量,下标用于区别同一向量中的不同维;
根据计算的概率分布进行一步的Gibbs抽样,对隐藏层中的每个单元从{0,1}中抽取得到相应的值,即h(0)~p(h(0)|v(0))详细过程如下:
首先产生一个[0,1]上的随机数rj,然后确定hj,公式如下所示:
用h(0)重构显层,先计算概率密度,再进行Gibbs抽样:
根据计算得到的概率分布,再一次进行一步Gibbs采样,来对显层中的神经元从{0,1}中抽取相应的值来进行采样重构,即v(1)~p(v(1)|h(0)),详细过程如下:
产生一个[0,1]上的随机数ri,然后确定vi,公式如下所示:
再次用重构后的显元计算出隐层神经元被开启的概率:
更新得到新的权重W和偏置a,b,计算公式如下所示:
其中,λ为学习率;
S23:根据训练数据集对DBN模型进行基于误差反向传播算法的有监督学习对网络参数进行微调;
进行BP网络有监督的调优训练时,需要先利用前向传播算法,从输入得到一定的输出值,然后再利用BP算法来更新网络的权重值和偏置值;
S24:利用测试数据集X2对训练好的DBN预测模型进行测试,查看模型的预测效果,若测试误差达到允许范围,则以此模型作为该配电系统的运行状态预测模型;反之,调整网络神经元数目或增加训练样本对DBN模型进行重新训练。
9.根据权利要求1所述的一种考虑配电网多层级薄弱环节的运行风险态势感知方法,其特征在于:配电线路/配变风险值的计算具体如下:
根据设备运行的风险概率和风险严重度计算其风险值,公式如下:
R(y)=P(Δy)×S(y); (28)
式中:R(y)表示待评估的配变或者线路t+T时刻的风险值;S(y)为待评估的配变或者线路在状态y时引起危害的严重度;P(Δy)表示待评估的配变或者线路t+T时刻的运行状态变量的偏差值的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910989307.1A CN110728457B (zh) | 2019-10-17 | 2019-10-17 | 一种考虑配电网多层级薄弱环节的运行风险态势感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910989307.1A CN110728457B (zh) | 2019-10-17 | 2019-10-17 | 一种考虑配电网多层级薄弱环节的运行风险态势感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728457A true CN110728457A (zh) | 2020-01-24 |
CN110728457B CN110728457B (zh) | 2022-11-22 |
Family
ID=69220202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910989307.1A Active CN110728457B (zh) | 2019-10-17 | 2019-10-17 | 一种考虑配电网多层级薄弱环节的运行风险态势感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728457B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112003735A (zh) * | 2020-07-28 | 2020-11-27 | 四川大学 | 一种感知风险的深度学习驱动的极限传输容量调整方法 |
CN112149901A (zh) * | 2020-09-23 | 2020-12-29 | 华北电力科学研究院有限责任公司 | 一种汽轮机低压末级压力场预测方法及装置 |
CN112434955A (zh) * | 2020-11-27 | 2021-03-02 | 广东电网有限责任公司肇庆供电局 | 一种基于多数据融合的配网线路运行风险感知方法 |
CN112467746A (zh) * | 2020-11-21 | 2021-03-09 | 东南大学 | 一种考虑越限风险的配电网优化方法 |
CN113034018A (zh) * | 2020-12-21 | 2021-06-25 | 国网青海省电力公司 | 基于功率矩分析的电网供需平衡调节方法 |
CN113326996A (zh) * | 2020-12-10 | 2021-08-31 | 国网山东省电力公司德州供电公司 | 一种高比例新能源接入地区电网的安全风险评估方法 |
CN114826921A (zh) * | 2022-05-05 | 2022-07-29 | 苏州大学应用技术学院 | 基于抽样子图的网络资源动态分配方法、系统及介质 |
CN114938385A (zh) * | 2022-04-29 | 2022-08-23 | 广东电网有限责任公司 | 一种电力物理网安全态势感知方法、装置、设备及介质 |
CN115545347A (zh) * | 2022-11-15 | 2022-12-30 | 贵州电网有限责任公司 | 基于大数据分析的电力系统风险预测系统及方法 |
CN114826921B (zh) * | 2022-05-05 | 2024-05-17 | 苏州大学应用技术学院 | 基于抽样子图的网络资源动态分配方法、系统及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050606A (zh) * | 2014-06-26 | 2014-09-17 | 国家电网公司 | 一种配电网现状薄弱环节分析方法 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN108647838A (zh) * | 2018-06-27 | 2018-10-12 | 南京师范大学 | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 |
CN109086913A (zh) * | 2018-07-11 | 2018-12-25 | 山东大学 | 一种基于深度学习的电力系统暂态稳定评估方法及系统 |
CN109409658A (zh) * | 2018-09-18 | 2019-03-01 | 中国电力科学研究院有限公司 | 一种配电网运行风险感知方法和装置 |
CN109492751A (zh) * | 2018-11-02 | 2019-03-19 | 重庆邮电大学 | 基于bn-dbn的网络安全态势要素获取机制 |
CN109670720A (zh) * | 2018-12-26 | 2019-04-23 | 国网河南省电力公司经济技术研究院 | 一种基于分级指标的含分布式能源的主动配电网评价方法 |
-
2019
- 2019-10-17 CN CN201910989307.1A patent/CN110728457B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050606A (zh) * | 2014-06-26 | 2014-09-17 | 国家电网公司 | 一种配电网现状薄弱环节分析方法 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN108647838A (zh) * | 2018-06-27 | 2018-10-12 | 南京师范大学 | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 |
CN109086913A (zh) * | 2018-07-11 | 2018-12-25 | 山东大学 | 一种基于深度学习的电力系统暂态稳定评估方法及系统 |
CN109409658A (zh) * | 2018-09-18 | 2019-03-01 | 中国电力科学研究院有限公司 | 一种配电网运行风险感知方法和装置 |
CN109492751A (zh) * | 2018-11-02 | 2019-03-19 | 重庆邮电大学 | 基于bn-dbn的网络安全态势要素获取机制 |
CN109670720A (zh) * | 2018-12-26 | 2019-04-23 | 国网河南省电力公司经济技术研究院 | 一种基于分级指标的含分布式能源的主动配电网评价方法 |
Non-Patent Citations (2)
Title |
---|
刘红军 等: "电网调度系统网路安全态势感知研究", 《电测与仪表》 * |
黄伟 等: "基于主动配电系统供电能力的安全态势感知方法", 《电力自动化设备》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112003735B (zh) * | 2020-07-28 | 2021-11-09 | 四川大学 | 一种感知风险的深度学习驱动的极限传输容量调整方法 |
CN112003735A (zh) * | 2020-07-28 | 2020-11-27 | 四川大学 | 一种感知风险的深度学习驱动的极限传输容量调整方法 |
CN112149901A (zh) * | 2020-09-23 | 2020-12-29 | 华北电力科学研究院有限责任公司 | 一种汽轮机低压末级压力场预测方法及装置 |
CN112149901B (zh) * | 2020-09-23 | 2024-04-16 | 华北电力科学研究院有限责任公司 | 一种汽轮机低压末级压力场预测方法及装置 |
CN112467746A (zh) * | 2020-11-21 | 2021-03-09 | 东南大学 | 一种考虑越限风险的配电网优化方法 |
CN112434955A (zh) * | 2020-11-27 | 2021-03-02 | 广东电网有限责任公司肇庆供电局 | 一种基于多数据融合的配网线路运行风险感知方法 |
CN113326996A (zh) * | 2020-12-10 | 2021-08-31 | 国网山东省电力公司德州供电公司 | 一种高比例新能源接入地区电网的安全风险评估方法 |
CN113034018A (zh) * | 2020-12-21 | 2021-06-25 | 国网青海省电力公司 | 基于功率矩分析的电网供需平衡调节方法 |
CN113034018B (zh) * | 2020-12-21 | 2024-02-06 | 国网青海省电力公司 | 基于功率矩分析的电网供需平衡调节方法 |
CN114938385A (zh) * | 2022-04-29 | 2022-08-23 | 广东电网有限责任公司 | 一种电力物理网安全态势感知方法、装置、设备及介质 |
CN114938385B (zh) * | 2022-04-29 | 2023-10-24 | 广东电网有限责任公司 | 一种电力物理网安全态势感知方法、装置、设备及介质 |
CN114826921A (zh) * | 2022-05-05 | 2022-07-29 | 苏州大学应用技术学院 | 基于抽样子图的网络资源动态分配方法、系统及介质 |
CN114826921B (zh) * | 2022-05-05 | 2024-05-17 | 苏州大学应用技术学院 | 基于抽样子图的网络资源动态分配方法、系统及介质 |
CN115545347A (zh) * | 2022-11-15 | 2022-12-30 | 贵州电网有限责任公司 | 基于大数据分析的电力系统风险预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110728457B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728457B (zh) | 一种考虑配电网多层级薄弱环节的运行风险态势感知方法 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
CN108320043A (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
CN105046402A (zh) | 一种应用于智能变电站二次设备的状态评估方法 | |
CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
CN112257935B (zh) | 一种基于lstm—rbf神经网络模型的航空安全预测方法 | |
CN111178725A (zh) | 一种基于层次分析法的保护设备状态预警方法 | |
CN112150304A (zh) | 电网运行状态轨迹稳定性预判方法、系统及存储介质 | |
CN106682159A (zh) | 一种阈值配置方法 | |
CN110084502A (zh) | 一种电能质量治理设备运行状态评估方法及装置 | |
Eltyshev et al. | Intelligent decision support in the electrical equipment diagnostics | |
Kim et al. | Inspection schedule for prognostics with uncertainty management | |
CN115169704A (zh) | 基于增量集成学习模型的cvt误差状态预测方法和装置 | |
CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
CN112580254A (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
CN112101673A (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
Pisica et al. | Feature selection filter for classification of power system operating states | |
CN115345379A (zh) | 一种变电设备运维辅助决策方法 | |
CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 | |
Jiang et al. | A standard-based approach for multi-criteria performance evaluation of engineered systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |