CN112180216A - 一种基于大数据驱动的配电网智能感知与诊断方法 - Google Patents

Abstract

本发明公开了一种基于大数据驱动的配电网智能感知与诊断方法，采用K‑means分层评估策略，其基础层将配电网局部区段的历史监测信息进行分类，并根据历史故障记录信息，计算每一簇中的各评估区段的故障概率；中间层提出了区段复合故障概率求解算法，根据监测区段实时采样数据矩阵到各簇的距离，计算实时监测数据属于各簇的概率，并结合每个簇中各区段发生故障的概率，求得各区段发生故障的复合概率；输出层提出了最大复合概率评估算法，以各区段发生故障的最大复合概率作为整体运行状态评估系数，评估配电网运行状态等级，将该结果输出至配电网运维管理系统，指导配电网运维管理人员进行配电网调整控制。本发明能够实现基于大数据的配电网运行状态快速诊断。

Description

一种基于大数据驱动的配电网智能感知与诊断方法

技术领域

本发明涉及一种用于配电网智能控制领域的基于大数据驱动的配电网智能感知与诊断方法。

背景技术

配电网直接与用户相连接，同时，因其地理分布覆盖面积广、地理环境复杂多变，具有故障率高等特点，快速准确地对于配电网的故障状态进行感知与诊断是提高用户供电安全可靠性必不可少的技术措施。

来源于配电网大量的实时数据和故障记录历史数据累积为配电网智能评估提供了良好的数据基础。但是，由于此类数据的总量过于庞大，且存在错误和不一致性，配电网的数据监测点也数量有限，因此海量数据无法得到有效应用。

发明内容

本发明的目的是为了克服现有技术的不足，一种基于大数据驱动的配电网智能感知与诊断方法，其能够实现基于大数据的配电网运行状态快速诊断。

实现上述目的的一种技术方案是：一种基于大数据驱动的配电网智能感知与诊断方法；

本方法采用K-means分层评估策略，包含基础层、中间层和输出层三部分；基础层将配电网局部区段的历史监测信息进行分类，并根据历史故障记录信息，计算每一簇中的各评估区段的故障概率；中间层提出了区段复合故障概率求解算法，根据监测区段实时采样数据矩阵到各簇的距离，计算实时监测数据属于各簇的概率，并结合每个簇中各区段发生故障的概率，求得各区段发生故障的复合概率；输出层提出了最大复合概率评估算法，以各区段发生故障的最大复合概率作为整体运行状态评估系数，评估配电网运行状态等级，将该结果输出至配电网运维管理系统，指导配电网运维管理人员进行配电网调整控制。

进一步的，所述配电网局部区段的划分方法为：对于配电网中功率交换节点j和j+1而言，区段(j,j+1]定义为第j+1个评估区段。

本发明的一种基于大数据驱动的配电网智能感知与诊断方法，基于有限监测点的电压信息，利用K-means分层评估算法，对所研究配电网所有的评估区段进行状态评估。基于有限监测点或者全监测点的电压、电流冗余信息，利用圆环定理和平均谱半径特征，感知配电网故障发生的时刻。根据来自于地调的自动化系统，对数据进行特性分析、数据清洗与抽取，然后基于数据来源、用途、数据属性等不同维度，综合考虑数据预集规则，来对多源异构数据进行分类组合，建立高可靠性的含新能源配电网状态感知与诊断方法。上述方法的输出均为配电网故障状态的感知与诊断结果，该结构通过配电网运维管理系统呈现，供配电网运维管理人员进行配电网调整控制。

附图说明

图1为本发明的一种基于大数据驱动的配电网智能感知与诊断方法的配电网区段划分示意图。

具体实施方式

为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明：

本发明的一种基于大数据驱动的配电网智能感知与诊断方法，包含基础层、中间层和输出层三部分。

基础层将配电网局部区段的历史监测信息进行分类，并根据历史故障记录信息，计算每一簇中的各评估区段的故障概率。请参阅图1，根据配电网不同的功率交换节点划分区段。对于功率交换节点j和j+1而言，区段(j,j+1]定义为第j+1个评估区段。在配电网中，部分关键评估区段配置了监测装置，可以有效的监测其实时运行信息。图1中，区段(j,j+1]为监测区段。而对于与区段(j,j+1]相邻的大量非监测区段，其运行信息处于系统盲区，难以实时监测。因此，有必要基于监测区段有限的历史信息，建立基于监测区段信息的系统不完备数据库。监测区段历史信息下式：

H_N＝[A₁,A₂,…,A_t]

式中，A_i＝[a_1i,a_2i,…,a_mi]^T，m表示监测区段的个数，t表示历史信息记录条目的个数。i表示记录信息的条目序号。

配电网运行状态评估区段的故障状态历史信息下式所示。

S_N＝[B₁,B₂,…,B_t]

式中，B_i＝[b_1i,b_2i,…,b_ni]^T，n表示评估区段的个数。b_ji表示各区段故障状态。j为区段序号。

中间层提出了区段复合故障概率求解算法，根据监测区段实时采样数据矩阵到各簇的距离，计算实时监测数据属于各簇的概率，并结合每个簇中各区段发生故障的概率，求得各区段发生故障的复合概率。

假定基于监测区段的实时数据为C＝[c₁,c₂,…,c_m]，计算其与第l簇中心的距离d_l。而后可得当前实时监测数据属于不同簇的概率系数，其计算过程如下：

1)定义逆距离系数：

式中，l为簇序号，d_l为实时监测数据到第l簇中心的距离，χ_l为逆距离系数。

2)计算实时监测数据属于第l簇的概率系数：

式中，k表示最大簇序号，p_l表示实时监测数据属于第l簇的概率系数。

根据第l簇中第j个区段发生故障的概率与监测数据归属于第l簇的概率系数，可以计算实时监测数据在各个评估区段的复合故障概率。

输出层提出了最大复合概率评估算法，以各区段发生故障的最大复合概率作为整体运行状态评估系数，评估配电网运行状态等级。

由于配电网运行中，异常区段只占少数，因此若以全部目标节点作为评估信息，会出现大量正常数据淹没少数异常信息的情况。因此本发明选取复合故障概率最大的点来表征配电网整体运行状态，如下所示。

δ_s＝max{p_j}_{j＝1,2,…,n}

将该结果输出至配电网运维管理系统，指导配电网运维管理人员对配电网的故障概率进行研判，同时进行配电网调整控制。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (2)

1.一种基于大数据驱动的配电网智能感知与诊断方法，其特征在于：

本方法采用K-means分层评估策略，包含基础层、中间层和输出层三部分；基础层将配电网局部区段的历史监测信息进行分类，并根据历史故障记录信息，计算每一簇中的各评估区段的故障概率；中间层提出了区段复合故障概率求解算法，根据监测区段实时采样数据矩阵到各簇的距离，计算实时监测数据属于各簇的概率，并结合每个簇中各区段发生故障的概率，求得各区段发生故障的复合概率；输出层提出了最大复合概率评估算法，以各区段发生故障的最大复合概率作为整体运行状态评估系数，评估配电网运行状态等级，将该结果输出至配电网运维管理系统，指导配电网运维管理人员进行配电网调整控制。

2.根据权利要求1所述的一种基于大数据驱动的配电网智能感知与诊断方法，其特征在于，所述配电网局部区段的划分方法为：对于配电网中功率交换节点j和j+1而言，区段(j,j+1]定义为第j+1个评估区段。

Images