CN111144638A - 一种基于大数据的配电网运行态势预测方法 - Google Patents

一种基于大数据的配电网运行态势预测方法 Download PDF

Info

Publication number
CN111144638A
CN111144638A CN201911344192.7A CN201911344192A CN111144638A CN 111144638 A CN111144638 A CN 111144638A CN 201911344192 A CN201911344192 A CN 201911344192A CN 111144638 A CN111144638 A CN 111144638A
Authority
CN
China
Prior art keywords
distribution network
data
power distribution
rate
load
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
Application number
CN201911344192.7A
Other languages
English (en)
Other versions
CN111144638B (zh
Inventor
周建华
李展望
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201911344192.7A priority Critical patent/CN111144638B/zh
Publication of CN111144638A publication Critical patent/CN111144638A/zh
Application granted granted Critical
Publication of CN111144638B publication Critical patent/CN111144638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • 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
    • G06N3/08—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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于大数据的配电网运行态势预测方法。首先，构建比较全面的能够进行预测的配电网运行状态指标体系；然后获取待评估区域的各种所需参数；接着对该区域进行短期负荷预测，预测接下来一段时间的负荷数据；然后对该区域进行潮流计算，获取指标体系所需的数据；接着得出指标体系，并进行预警，以尽早采取应对措施，尽量避免事故发生。本发明能够为配电网运行人员提前发现配电网运行缺陷，及时作出改善措施提供帮助。

Description

一种基于大数据的配电网运行态势预测方法
技术领域
本发明涉及配电网技术领域，尤其涉及一种基于大数据的配电网运行态势预测方法。
背景技术
配电网作为电力系统中直接与用户连接的一环，是电力系统的重要组成部分，其安全可靠性将直接影响着国民经济发展和人民生活水平。据不完全统计，我国用户停电故障中的80％是由于配电网故障引起的。因此，对配电网运行风险进行预警有着非常重要的实际意义。
为了满足社会经济发展以及用户对供电可靠性和安全性的要求，需要对配电网的运行状态进行安全评价及预警，以尽早采取应对措施，尽量避免事故发生。目前对配电网发展态势预判的研究一般都是针对配电网风险评估和风险预警进行研究，需要提前设定风险情景集合，还要综合考虑各类设备的故障概率，操作起来比较困难。
配电网运行状态发展态势预判就是评估配电网在未来一段时间内运行状态的好坏，从而为配电网安全预警提供依据。要对配电网运行状态的发展态势进行预判，实质上是在配电网运行状态评估指标体系的基础上，对配电网运行状态评估指标的未来值进行预测，然后再结合各个评估指标未来值的得分好坏来给出配电网运行状态发展态势的综合评估结果，对相应指标进行预测和预警，从而为配电网运行人员提前发现配电网运行缺陷，及时作出改善措施提供帮助。
发明内容
发明目的：针对现有技术存在的不足，提出了一种基于大数据的配电网运行态势预测方法，提取出配电网发展态势预判的指标，并结合配电网短期负荷预测和配电网络潮流计算对相应指标进行预测和预警，从而为配电网运行人员提前发现配电网运行缺陷，及时作出改善措施提供帮助。
技术方案：为实现上述发明目的，本发明采用以下技术方案：
一种基于大数据的配电网运行态势预测方法，包括以下步骤：
(1)构建配电网运行状态指标体系；遵循系统性、一致性、可测性、独立性和可比性五大基本原则构建配电网运行状态指标体系，并且配电网运行状态指标体系中所有指标必须是能够进行预测的；
(2)确定评估区域，根据需要确定进行评估的配电网区域；
(3)获取评估区域的网络拓扑；从现有的电网数据平台地理信息系统GIS中获取评估区域内主变、配变、10kV线路的3级连接关系；
(4)获取该区域评估所需数据；从调度管理系统OMS、生产管理系统PMS和营销用电采集系统中获取配电网运行状态指标体系所需的配电网基础运行数据和设备台账数据；
(5)获取10kV馈线出线开关和配变短期负荷预测结果；
(6)配网潮流计算；运用前推回代潮流计算方法，根据所确定的评估区域的网络拓扑、各个配变的有功数据和无功数据、所确定评估区域内各条线路的阻抗来进行计算；
(7)计算得到预判日的各类运行数据；根据配网潮流计算结果得到预判日的各类设备运行数据，包括10kV线路首端有功功率和各个配变电压数据；
(8)配电网运行状态指标体系中指标的统计计算及预警；根据计算得到的预判日的各类运行数据计算出指标值。
进一步的，步骤(1)中构建的指标体系包括：负载率、电压合格率、运行故障、供电可靠性和线损率五大类指标；其中，负载率包括设备的轻载率、重载率和过载率，电压合格率包括主变10kV母线电压合格率和台区关口电压合格率，运行故障包括10kV架空线路故障率、10kV电缆线路故障率、开关设备故障率和配变故障率，供电可靠性包括低压用户预安排停电时户数、低压用户预安排停电次数。
进一步的，步骤(5)中采用改进的粒子群BP神经网络算法进行短期负荷预测，其具体步骤如下：
(51)根据所确定的评估区域内的10kV馈线出线开关和配变短期历史负荷数据、天气数据等运用关联因素分析法找出对短期负荷有影响的相关因素集，记作I；
(52)根据相关因素集I，构建BP神经网络模型；
(53)采用改进的粒子群算法优化BP神经网络模型的初始连接权值和阙值；
(54)从步骤(53)的优化结果出发，利用BP神经网络算法进行局部搜索，得到BP神经网络模型的训练结果；
(55)用训练好的BP神经网络模型进行10kV馈线出线开关和配变短期负荷预测。
更进一步的，步骤(53)具体为：
以BP神经网络模型的初始连接权值和阙值作为粒子群算法的粒子X，采用粒子群算法进行优化，其中，粒子群的更新过程为：
Figure BDA0002332908910000031
式中：t表示第t次迭代；Vi表示粒子i的速度；ω表示惯性因子；r1和r2为0到1的随机数；c1和c2分别为个体学习因子和群体学习因子；Xi表示粒子i的位置；Pbesti表示粒子i目前为止的最好位置；PGbest表示群体目前为止的最好位置，Xi为第i个粒子；
其中，对粒子群算法进行了如下的改进：
(a)确定惯性因子ω和学习因子c1、c2随着迭代次数动态的线性变化；
ω＝ωstart-(ωstart-ωend)t/T；
其中，ωstart和ωend分别表示迭代开始时与迭代结束时的惯性权重；t和T分别表示当前迭代次数和最大迭代次数；
Figure BDA0002332908910000032
其中，c1e、c1f和c2e、c2f分别表示c1和c2迭代开始时与迭代结束时的取值；
(b)引入自适应变异；
在粒子更新过程中，随机选取速度的一维进行自适应变异，具体操作如下：
Figure BDA0002332908910000033
式中，k为当前迭代代数，Kmax为最大迭代次数，V(j)为速度的第j维；Vj,min、Vj,max分别为第j维速度的最小值和最大值，Ri为当前迭代次数与最大迭代次数的比值，R为随机生成的一个0到1区间内的随机数；
当R大于Ri时，对粒子进行变异操作；这样，前期由于Ri较小，变异概率比较大，从而增加了粒子的搜索范围，后期Ri较大，变异概率变小，不仅能保持粒子的局部搜索能力，还能使粒子群跳出局部最优。
进一步的，步骤(8)计算出的指标值中还有一小部分指标需要另行预测，具体预测步骤为：
首先，根据历史故障数据、天气数据、设备使用时间和年限等数据运用关联因素分析法建立相关因素集；
然后，构建精度合适的预测模型对故障进行预测。
有益效果：与现有技术相比，本发明提出了一种简单实用的配电网运行态势预判思路；构建了比较全面的能够进行预测的配电网运行状态指标体系；针对短期负荷预测，提出了一种改进的粒子群BP神经网络算法，预测精度和预测速度优良；结合配电网短期负荷预测和配电网络潮流计算对相应指标进行预测和预警，以尽早采取应对措施，尽量避免事故发生。本发明能够为配电网运行人员提前发现配电网运行缺陷，及时作出改善措施提供帮助。
附图说明
图1是基于大数据的配电网运行态势预测方法步骤流程图；
图2是配电网主变、配变、10kV线路的3级连接关系示意图；
图3是配电网前推回代潮流计算流程图；
图4是配电网发展态势预判流步骤流程图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细说明。
如图1所示，本发明的一种基于大数据的配电网运行态势预测方法，包括以下步骤：
(1)构建配电网运行状态指标体系。遵循系统性、一致性、可测性、独立性和可比性五大基本原则构建指标体系，并且指标体系中所有指标必须是可以进行预测的。
构建的配电网运行状态指标体系包括：负载率、电压合格率、运行故障、供电可靠性和线损率五大类指标；其中，负载率包括设备的轻载率、重载率和过载率，电压合格率包括主变10kV母线电压合格率和台区关口电压合格率，运行故障包括10kV架空线路故障率、10kV电缆线路故障率、开关设备故障率和配变故障率，供电可靠性包括低压用户预安排停电时户数、低压用户预安排停电次数。
(2)确定评估区域。根据需要确定进行评估的配电网区域。
(3)获取评估区域的网络拓扑。从现有的电网数据平台地理信息系统GIS中获取上述所选择的评估区域内主变、配变、10kV线路的3级连接关系，如图2所示，其中A、B、C分别表示高、中、低压配电系统。高压配变(也称主变)将35kV或110kV的电压降到10kV，通常将主变的每一回10kV出线称为一条馈线；开关站作为主变10kV母线的延伸，起到分配电能的作用；中压配变(也称配变，将配变及其供电的低压区域称为台区)和低压线路(0.4kV)组成了低压配电系统。35kV线路与一高压配变(主变)输入连接，该高压配变(主变)输出通过一10kV线路与两路中压配变(配变)连接；110kV线路与另一高压配变(主变)输入连接，该高压配变(主变)输出通过开闭所连接两路10kV线路，两路10kV线路分别连接一中压配变(配变)。
(4)获取该区域评估所需数据。从调度管理系统OMS、生产管理系统PMS、营销用电采集系统等中获取上述所构建的配电网运行状态指标体系所需的配电网基础运行数据和设备台账数据等，其中，有所确定评估区域内各条线路长度及规格、各线路最大载流量、各主变额定容量、各配变额定容量、故障历史数据、天气数据等信息。
(5)获取10kV馈线出线开关和配变短期负荷预测结果。
为了提高预测的速度和精度，采用一种改进的粒子群BP神经网络算法进行短期负荷预测，充分结合了两种算法的优势，首先利用改进粒子群算法寻找一个全局最优附近的点，再从该点出发利用局部搜索能力较强的BP神经网络算法进行局部搜索，其具体步骤如下：
(51)根据上述所确定的评估区域内的10kV馈线出线开关和配变短期历史负荷数据、天气数据等运用关联因素分析法找出对短期负荷有影响的相关因素集，记作I。
(52)根据相关因素集I，构建BP神经网络模型。
(53)采用改进的粒子群算法优化BP神经网络模型的初始连接权值和阙值。
以BP神经网络模型的初始连接权值和阙值作为粒子群算法的粒子X，采用粒子群算法进行优化，其中，粒子群的更新过程为：
Figure BDA0002332908910000051
式中：t表示第t次迭代；Vi表示粒子i的速度；ω表示惯性因子；r1和r2为0到1的随机数；c1和c2分别为个体学习因子和群体学习因子；Xi表示粒子i的位置；Pbesti表示粒子i目前为止的最好位置；PGbest表示群体目前为止的最好位置，Xi为第i个粒子。
其中，对粒子群算法进行了如下的改进：
(a)确定惯性因子ω和学习因子c1、c2随着迭代次数动态的线性变化。
ω＝ωstart-(ωstart-ωend)t/T (2)；
式中：ωstart和ωend分别表示迭代开始时与迭代结束时的惯性权重；t和T分别表示当前迭代次数和最大迭代次数。
Figure BDA0002332908910000061
式中：c1e、c1f和c2e、c2f分别表示c1和c2迭代开始时与迭代结束时的取值。
(b)引入了自适应变异。为了克服传统粒子群算法易陷入局部收敛、收敛速度慢的缺点，在粒子更新过程中，随机选取速度的一维j进行自适应变异，具体操作如下：
Figure BDA0002332908910000062
式中，k为当前迭代代数，Kmax为最大迭代次数，V(j)为速度的第j维，Vj,min、Vj,max分别为第j维速度的最小值和最大值，Ri为当前迭代次数与最大迭代次数的比值，R为随机生成的一个0到1区间内的随机数。
当R大于Ri时，对粒子进行变异操作；这样，前期由于Ri较小，变异概率比较大，从而增加了粒子的搜索范围，后期Ri较大，变异概率变小，不仅能保持粒子的局部搜索能力，还能使粒子群跳出局部最优。
(54)从步骤(53)的优化结果出发，利用BP神经网络算法进行局部搜索，得到BP神经网络模型的训练结果。
(55)用训练好的BP神经网络模型进行10kV馈线出线开关和配变短期负荷预测。
(6)配网潮流计算。运用目前比较成熟的前推回代潮流计算方法，根据上述所确定的评估区域的网络拓扑、各个配变的有功、无功数据(无功预测数据根据有功预测数据和功率因数0.85近似确定)、所确定评估区域内各条线路的阻抗来进行计算；其中，配电网前推回代潮流计算具体流程如图3所示，具体为：
(61)输入待评估区域配电网网络原始数据，进行网络分析；
(62)进行待评估区域配电网节点电压初始化，并置迭代计数k＝1；
(63)判断是否满足收敛条件，即连续两次迭代的节点电压差值和功率差值均低于事先设定的误差限，如果满足，则输出潮流计算结果，结束计算；如果不满足，则执行步骤(64)；
(64)回代过程：计算各支路功率损耗和支路首端功率；
(65)前推过程：计算各节点电压；
(66)令：K＝k+1，并判断k>N是否成立，若不成立，则返回步骤(63)；若成立，则输出“迭代N次不收敛”，计算结束。
(7)计算得到预判日的各类运行数据。根据配网潮流计算结果得到预判日的各类设备运行数据，包括10kV线路首端有功功率、各个配变电压数据等；具体流程见图4。由图4可知，在图1的基础上，计算得到预判日的各类运行数据包括：其中一路：首先，计算各个主变、10kV线路、配变有功功率；其次，计算各个主变、线路、配变的负载率；然后，根据最大负载率统计分析主变、线路、配变的负载率情况；最后，对可能出现重过载的主变、线路、配变进行预警。
另一路：首先计算各个台区关口的电压值；其次，统计台区关口的电压合格率；然后，对可能出现电压严重不合格的台区进行预警。
另外，获取10kV馈线出线开关和配变短期负荷预测结果后，进行统计供电量和售电量；求中低压统计线损率；并对可能出现统计线损率较大的10kV馈线进行预警。
(8)指标体系中指标的统计计算及预警。根据计算得到的预判日的各类运行数据计算出指标值，具体流程见图4；其中，运行故障和供电可靠性指标是需要另行预测的，供电可靠性指标预测根据上述评估区域内预判日内的预安排停电用户数和预安排停电时间计算，运行故障指标的预测方法采用关联因素分析来构建预测模型进行预测。
其中，预测步骤为：首先，根据历史故障数据、天气数据、设备使用时间和年限等数据运用关联因素分析法建立相关因素集；然后，根据建立的相关因素集构建精度合适的线性回归预测模型对故障进行预测。
综上，本发明所提出的基于大数据的配电网运行态势预测方法能对配电网的运行状态进行安全评价及预警，为配电网运行人员提前发现配电网运行缺陷，及时作出改善措施提供帮助。

Claims (5)

1.一种基于大数据的配电网运行态势预测方法，其特征在于，包括以下步骤：
(1)构建配电网运行状态指标体系；遵循系统性、一致性、可测性、独立性和可比性五大基本原则构建配电网运行状态指标体系，并且配电网运行状态指标体系中所有指标必须是能够进行预测的；
(2)确定评估区域，根据需要确定进行评估的配电网区域；
(3)获取评估区域的网络拓扑；从现有的电网数据平台地理信息系统GIS中获取评估区域内主变、配变、10kV线路的3级连接关系；
(4)获取该区域评估所需数据；从调度管理系统OMS、生产管理系统PMS和营销用电采集系统中获取配电网运行状态指标体系所需的配电网基础运行数据和设备台账数据；
(5)获取10kV馈线出线开关和配变短期负荷预测结果；
(6)配网潮流计算；运用前推回代潮流计算方法，根据所确定的评估区域的网络拓扑、各个配变的有功数据和无功数据、所确定评估区域内各条线路的阻抗来进行计算；
(7)计算得到预判日的各类运行数据；根据配网潮流计算结果得到预判日的各类设备运行数据，包括10kV线路首端有功功率和各个配变电压数据；
(8)配电网运行状态指标体系中指标的统计计算及预警；根据计算得到的预判日的各类运行数据计算出指标值。
2.根据权利要求1所述的一种基于大数据的配电网运行态势预测方法，其特征在于，步骤(1)中构建的指标体系包括：负载率、电压合格率、运行故障、供电可靠性和线损率五大类指标；其中，负载率包括设备的轻载率、重载率和过载率，电压合格率包括主变10kV母线电压合格率和台区关口电压合格率，运行故障包括10kV架空线路故障率、10kV电缆线路故障率、开关设备故障率和配变故障率，供电可靠性包括低压用户预安排停电时户数、低压用户预安排停电次数。
3.根据权利要求1所述的一种基于大数据的配电网运行态势预测方法，其特征在于，步骤(5)中采用改进的粒子群BP神经网络算法进行短期负荷预测，其具体步骤如下：
(51)根据所确定的评估区域内的10kV馈线出线开关和配变短期历史负荷数据、天气数据等运用关联因素分析法找出对短期负荷有影响的相关因素集，记作I；
(52)根据相关因素集I，构建BP神经网络模型；
(53)采用改进的粒子群算法优化BP神经网络模型的初始连接权值和阙值；
(54)从步骤(53)的优化结果出发，利用BP神经网络算法进行局部搜索，得到BP神经网络模型的训练结果；
(55)用训练好的BP神经网络模型进行10kV馈线出线开关和配变短期负荷预测。
4.根据权利要求3所述的一种基于大数据的配电网运行态势预测方法，其特征在于，步骤(53)具体为：
以BP神经网络模型的初始连接权值和阙值作为粒子群算法的粒子X，采用粒子群算法进行优化，其中，粒子群的更新过程为：
Figure FDA0002332908900000021
式中：t表示第t次迭代；Vi表示粒子i的速度；ω表示惯性因子；r1和r2为0到1的随机数；c1和c2分别为个体学习因子和群体学习因子；Xi表示粒子i的位置；Pbesti表示粒子i目前为止的最好位置；PGbest表示群体目前为止的最好位置，Xi为第i个粒子；
其中，对粒子群算法进行了如下的改进：
(a)确定惯性因子ω和学习因子c1、c2随着迭代次数动态的线性变化；
ω＝ωstart-(ωstart-ωend)t/T；
其中，ωstart和ωend分别表示迭代开始时与迭代结束时的惯性权重；t和T分别表示当前迭代次数和最大迭代次数；
Figure FDA0002332908900000022
其中，c1e、c1f和c2e、c2f分别表示c1和c2迭代开始时与迭代结束时的取值；
(b)引入自适应变异；
在粒子更新过程中，随机选取速度的一维进行自适应变异，具体操作如下：
Figure FDA0002332908900000023
式中，k为当前迭代代数，Kmax为最大迭代次数，V(j)为速度的第j维；Vj,min、Vj,max分别为第j维速度的最小值和最大值，Ri为当前迭代次数与最大迭代次数的比值，R为随机生成的一个0到1区间内的随机数；
当R大于Ri时，对粒子进行变异操作；这样，前期由于Ri较小，变异概率比较大，从而增加了粒子的搜索范围，后期Ri较大，变异概率变小，不仅能保持粒子的局部搜索能力，还能使粒子群跳出局部最优。
5.根据权利要求1所述的一种基于大数据的配电网运行态势预测方法，其特征在于，步骤(8)计算出的指标值中还有一小部分指标需要另行预测，具体预测步骤为：
首先，根据历史故障数据、天气数据、设备使用时间和年限等数据运用关联因素分析法建立相关因素集；
然后，构建精度合适的预测模型对故障进行预测。
CN201911344192.7A 2019-12-24 2019-12-24 一种基于大数据的配电网运行态势预测方法 Active CN111144638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911344192.7A CN111144638B (zh) 2019-12-24 2019-12-24 一种基于大数据的配电网运行态势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911344192.7A CN111144638B (zh) 2019-12-24 2019-12-24 一种基于大数据的配电网运行态势预测方法

Publications (2)

Publication Number Publication Date
CN111144638A true CN111144638A (zh) 2020-05-12
CN111144638B CN111144638B (zh) 2023-12-12

Family

ID=70519547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911344192.7A Active CN111144638B (zh) 2019-12-24 2019-12-24 一种基于大数据的配电网运行态势预测方法

Country Status (1)

Country Link
CN (1) CN111144638B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680831A (zh) * 2020-05-25 2020-09-18 广东电网有限责任公司广州供电局 变电站用电分析系统和方法
CN111817265A (zh) * 2020-06-29 2020-10-23 北京智芯微电子科技有限公司 低压台区配电保护方法及系统
CN112488417A (zh) * 2020-12-14 2021-03-12 国网江苏省电力有限公司苏州供电分公司 一种基于lbp和神经网络的电网运行特征感知方法及系统
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
CN114254818A (zh) * 2021-12-09 2022-03-29 国网江苏省电力有限公司盐城供电分公司 一种基于风险评估模型的低压配电网连锁故障预警方法
CN114970774A (zh) * 2022-07-29 2022-08-30 国网经济技术研究院有限公司 一种智能变压器故障预测方法和装置
CN115952917A (zh) * 2023-01-31 2023-04-11 国网江苏省电力有限公司南京供电分公司 一种有源配电网安全态势感知方法与系统
CN117350891A (zh) * 2023-09-27 2024-01-05 广东电网有限责任公司 基于粒子群优化模型的电网安全检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105429134A (zh) * 2015-12-08 2016-03-23 河海大学 一种基于电力大数据的电网电压稳定性预测方法
CN105631525A (zh) * 2014-10-28 2016-06-01 国家电网公司 区域配电网优化运行系统
CN107908638A (zh) * 2017-09-26 2018-04-13 国网甘肃省电力公司 基于大数据挖掘配的电网运行效率评价方法及系统
CN108694467A (zh) * 2018-05-22 2018-10-23 中国电力科学研究院有限公司 一种对配电网线损率进行预测的方法及系统
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
CN109993361A (zh) * 2019-03-29 2019-07-09 国网上海市电力公司 一种基于pmu的配电网运行趋势预测方法
CN110570091A (zh) * 2019-08-12 2019-12-13 国网上海市电力公司 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631525A (zh) * 2014-10-28 2016-06-01 国家电网公司 区域配电网优化运行系统
CN105429134A (zh) * 2015-12-08 2016-03-23 河海大学 一种基于电力大数据的电网电压稳定性预测方法
CN107908638A (zh) * 2017-09-26 2018-04-13 国网甘肃省电力公司 基于大数据挖掘配的电网运行效率评价方法及系统
CN108694467A (zh) * 2018-05-22 2018-10-23 中国电力科学研究院有限公司 一种对配电网线损率进行预测的方法及系统
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
CN109993361A (zh) * 2019-03-29 2019-07-09 国网上海市电力公司 一种基于pmu的配电网运行趋势预测方法
CN110570091A (zh) * 2019-08-12 2019-12-13 国网上海市电力公司 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
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》 *
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》, no. 12, 25 December 2017 (2017-12-25) *
李展望: "基于大数据的配电网运行态势评价研究", 《中国优秀硕士学位论文全文数据库（电子期刊） 工程科技Ⅱ辑》 *
李展望: "基于大数据的配电网运行态势评价研究", 《中国优秀硕士学位论文全文数据库（电子期刊） 工程科技Ⅱ辑》, 15 January 2022 (2022-01-15), pages 4 *
李强等: "基于负荷监测系统的配电网潮流计算", 《华东电力》 *
李强等: "基于负荷监测系统的配电网潮流计算", 《华东电力》, no. 08, 24 August 2013 (2013-08-24) *
翟帅华等: "基于改进PSO-BP神经网络的短期电力负荷预测", 《工业控制计算机》 *
翟帅华等: "基于改进PSO-BP神经网络的短期电力负荷预测", 《工业控制计算机》, no. 09, 25 September 2018 (2018-09-25) *
黎津池;: "基于短期负荷预测含分布式发电配电网状态估计", 四川电力技术, no. 03 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680831A (zh) * 2020-05-25 2020-09-18 广东电网有限责任公司广州供电局 变电站用电分析系统和方法
CN111817265A (zh) * 2020-06-29 2020-10-23 北京智芯微电子科技有限公司 低压台区配电保护方法及系统
CN112488417A (zh) * 2020-12-14 2021-03-12 国网江苏省电力有限公司苏州供电分公司 一种基于lbp和神经网络的电网运行特征感知方法及系统
CN112488417B (zh) * 2020-12-14 2022-06-21 国网江苏省电力有限公司苏州供电分公司 一种基于lbp和神经网络的电网运行特征感知方法及系统
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
CN114254818A (zh) * 2021-12-09 2022-03-29 国网江苏省电力有限公司盐城供电分公司 一种基于风险评估模型的低压配电网连锁故障预警方法
CN114970774A (zh) * 2022-07-29 2022-08-30 国网经济技术研究院有限公司 一种智能变压器故障预测方法和装置
CN115952917A (zh) * 2023-01-31 2023-04-11 国网江苏省电力有限公司南京供电分公司 一种有源配电网安全态势感知方法与系统
CN115952917B (zh) * 2023-01-31 2024-10-18 国网江苏省电力有限公司南京供电分公司 一种有源配电网安全态势感知方法与系统
CN117350891A (zh) * 2023-09-27 2024-01-05 广东电网有限责任公司 基于粒子群优化模型的电网安全检测方法及系统

Also Published As

Publication number Publication date
CN111144638B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN111144638B (zh) 一种基于大数据的配电网运行态势预测方法
CN110429714B (zh) 一种基于大数据的云平台智能配电系统
CN113689119B (zh) 基于数字孪生的配电网供电可靠性评价方法、设备及介质
CN109657959A (zh) 一种含多元数据的配电网规划计算分析方法
CN110826228B (zh) 一种地区电网运行品质极限评估方法
CN104281892A (zh) 一种配电网主要设备新建与改造规划协同优化方法
CN116298675B (zh) 一种基于智能算法的配电网线损异常检测方法及系统
CN113419168B (zh) 直流系统中断路器暂态特性分析方法及装置
CN113904322A (zh) 一种基于电流+电压的低压配网拓扑生成方法
CN111025081A (zh) 一种配电台区的居民电压监测方法
CN115860321A (zh) 一种配电网供电可靠性评估方法、系统、电子设备及介质
Chai et al. Application of Digital Twin and Hologram Technology to Achieve Distribution Network Reliability Forecast
CN114881516A (zh) 一种基于电力物联网多源数据融合的设备状态评估方法
CN117353289A (zh) 一种基于实时数据流式处理的配电变压器运行状态评估系统及方法
CN117614141A (zh) 一种用于配电网的多电压层级协调管理方法
CN114678866B (zh) 一种基于调控云的输电线路负荷转移控制方法
CN112485593B (zh) 一种基于大数据驱动的配电网问题智能诊断方法
CN114595543A (zh) 一种基于电压关联系数的配电网拓扑识别方法
CN114462692A (zh) 一种电网老旧设备技改策略优化调整方法
Lingang et al. Research on integrated calculation method of theoretical line loss of MV and LV distribution Network based on Adaboost integrated learning
CN112001073A (zh) 一种牵引供电系统的可靠性分析研究方法
Kaiyuan et al. Reliability study for distribution network considering adverse weather
CN114336794B (zh) 一种配电系统的性能评估方法和装置
CN118508597B (zh) 一种面向电力系统保障对象的应急供电方法、系统和设备
CN117913827B (zh) 一种计及触发功能的复杂配电网的优化方法

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
GR01 Patent grant
GR01 Patent grant