CN112488416B - 一种电网运行态势监测方法及系统 - Google Patents

一种电网运行态势监测方法及系统 Download PDF

Info

Publication number
CN112488416B
CN112488416B CN202011467993.5A CN202011467993A CN112488416B CN 112488416 B CN112488416 B CN 112488416B CN 202011467993 A CN202011467993 A CN 202011467993A CN 112488416 B CN112488416 B CN 112488416B
Authority
CN
China
Prior art keywords
index
power grid
monitoring
evaluation information
weight
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.)
Active
Application number
CN202011467993.5A
Other languages
English (en)
Other versions
CN112488416A (zh
Inventor
丁宏恩
霍雪松
赵家庆
张琦兵
吕洋
赵奇
俞瑜
赵慧
王若晨
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.)
State Grid Jiangsu Electric Power Co Ltd
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 State Grid Jiangsu Electric Power Co Ltd, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202011467993.5A priority Critical patent/CN112488416B/zh
Publication of CN112488416A publication Critical patent/CN112488416A/zh
Application granted granted Critical
Publication of CN112488416B publication Critical patent/CN112488416B/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
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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

一种电网运行态势监测方法及系统，首先，结合构建电网调控运行的宏观、微观特征指标体系，考虑指标评估的模糊性，利用梯形模糊数对语义指标进行处理，并将模糊值转换为脆数。之后，确定指标权重；最后，结合指标权重计算电网不同场景下的态势值，实现对电网运行态势的监测。本发明的电网运行态势监测方法及系统，可对电网宏观、微观指标体系进行分析，准确评估电网态势，为调度人员掌握电网当前状态提供支撑。

Description

一种电网运行态势监测方法及系统
技术领域
本发明属于电力系统优化运行技术领域，具体涉及一种电网运行态势监测方法及系统。
背景技术
随着可再生能源和柔性负荷广泛接入电网，源荷强随机性、大波动性，以及双向潮流的广域性、不确定性、不均匀性使得多电网形态日趋复杂。如何利用电网运行数据以及相关专家经验，准确监测电网态势则成为电网安全运行所要研究的重点内容。
目前对于电网态势的检测主要从电网运行数据出发，文献《基于同步相量测量装置的配电网安全态势感知方法》(田书欣，李昆鹏，魏书荣等《电机工程学报》，2020年11月4日)通过分析同步向量测量装置来实现对电网的安全态势感知，文献《Data-drivendistributed analytics and control platform for smart grid situationalawareness.》(《CSEE Journal of Power and Energy Systems》，Saunders C S,Liu G,YuY,et al，2016)介绍了电网态势感知系统的主要组成部分和功能层次结构，提出只能电网态势感知模型及概念设计，上述研究都未曾考虑电网运行过程中由专家经验而产生的模糊信息。此外，对于电网态势的分析偏向于宏观分析，忽略了微观指标所反映的电网态势。因此难以对电网态势进行有效监测，为电网有效的调度运行带来了极大的挑战。
发明内容
为解决当前电网态势难以精准监测的问题，本发明提出一种电网运行态势监测方法及系统，构建了电网宏观微观指标，从宏观和微观的角度对电网指标进行监测，并采用模糊优化方法将模糊信息进行清晰化，计算各指标的权重，构建电网态势监测矩阵从而实现对电网态势的精准监测。
本发明采用如下技术方案：
一种电网运行态势监测方法，其特征在于，所述电网运行态势监测方法包括以下步骤：
步骤1：构建电网宏观指标体系与电网微观指标体系；
步骤2：采集不同时刻的电网微观指标数据和电网宏观指标信息，将电网宏观指标以及部分电网微观指标通过语义评估信息进行表征；
步骤3：将步骤2中的语义评估信息转换为模糊数，并将模糊数进行清晰化处理为脆数，脆数为一维数组；
步骤4：计算电网宏观指标体系与电网微观指标体系中每一指标的权重；
步骤5：根据步骤2采集的不同时刻的电网微观指标数据和步骤3计算得到的各语义评估信息对应的脆数，构建电网态势监测的初始矩阵；
步骤6：结合步骤4中所得到的指标权重以及步骤5中的初始矩阵，生成最终的电网态势监测矩阵，计算电网态势的监测结果。
本发明具体包括以下优选方案：
在步骤1中，电网宏观微观指标包括“经济性指标(A1)”、“安全性指标(A2)”、“可靠性指标(A3)”；其中，“经济性指标(A1)”用于表征电网运行过程中损失电量的大小，“安全性指标(A2)”用于表征电网运行过程中电压偏差的大小，“可靠性指标(A3)”用于表征电网持续供电能力的大小；
在步骤1中，所述电网微观指标包括“电压合格率(A4)”、“停电概率(A5)”、“数据丢失率(A6)”、“可再生能源出力占比(A7)”。
在步骤2中，通过语义评估信息进行表征的部分电网微观指标包括无法实时准确监测的电网微观指标数据、以及涉及机密不宜公开的电网微观指标数据；
在电网宏观指标以及通过语义评估信息进行表征的部分电网微观指标中，采用“非常好”、“好”、“一般”、“低”、“非常低”进行语义表征。
当0％≤J＜5％，经济性语义评估信息为“非常好”；
当5％≤J＜10％，经济性语义评估信息为“好”；
当10％≤J＜15％，经济性语义评估信息为“一般”；
当15％≤J＜20％，经济性语义评估信息为“低”；
当20％≤J，经济语义评估信息为“非常低”；
其中J为损失电量参数百分比；
当0％≤Q＜0.5％，安全性语义评估信息为“非常好”；
当0.5％≤Q＜1％，安全性语义评估信息为“好”；
当1％≤Q＜2％，安全性语义评估信息为“一般”；
当2％≤Q＜2.5％，安全性语义评估信息为“低”；
当2.5％≤Q，安全性语义评估信息为“非常低”；
其中Q为和额定电压偏差的百分比；
当300≤K，可靠性语义评估信息为“非常好”；
当200≤K<300，可靠性语义评估信息为“好”；
当100≤K<200，可靠性语义评估信息为“一般”；
当50≤K<100，可靠性语义评估信息为“低”；
当K＜50，可靠性语义评估信息为“非常低”；
其中所述K为连续安全供电的时间，单位为天。
步骤3具体语义描述对应的梯形模糊数值为：“非常好”对应(0.7，0.8，0.9，1)，“好”对应(0.5，0.6，0.7，0.8)，“一般”对应(0.3，0.4，0.5，0.6)，“低”对应(0.1，0.2，0.3，0.4)，“非常低”对应(0.0,0.1,0.2,0.3)。
步骤3中需利用如下公式以及梯形模糊数将语义描述转换为脆数：
Figure BDA0002835137630000031
其中a,b,c,d分别为梯形模糊数
Figure BDA0002835137630000032
对应的四个值，
Figure BDA0002835137630000033
为转换后的脆数。
步骤4中，计算电网宏观指标体系与电网微观指标体系中每一指标的权重包括以下内容：
步骤4.1：构造各电网宏观指标以及各电网微观指标之间的相对重要性矩阵；
步骤4.2：基于指标之间的相对重要性矩阵计算得到每个指标的权重。
在步骤4.1中，构造各电网宏观指标以及各电网微观指标之间的相对重要性矩阵，具体包括以下内容：
步骤4.1.1：将重要性划分为k个等级标准，k个等级标准分别使用不同的语义进行标准，并设置相对应不同等级标准语义描述的模糊数；
步骤4.1.2：根据实际需求对指标的重要性进行排序，并选择最重要指标与最不重要指标；
步骤4.1.3：将每个指标的重要性根据4.1.1设置的k个等级标准表示为对应的模糊数，并通过清晰化处理以得到相应脆数；
步骤4.1.4：计算得到最重要指标相对于其它每一个指标的相对重要性
Figure BDA0002835137630000041
并构造相对重要性矩阵表
Figure BDA0002835137630000042
其中，该最重要指标相对于自己的相对重要性为1；
计算最不重要指标相对于其它所有指标的相对重要性
Figure BDA0002835137630000043
并构造相对重要性矩阵
Figure BDA0002835137630000044
计算方式包括但不限于计算各指标重要性之间的比值：
Figure BDA0002835137630000045
Figure BDA0002835137630000046
在步骤4.2中，基于指标之间的相对重要性矩阵计算得到每个指标的权重包括以下内容：
步骤4.2.1：指标体系中的各个指标的权重的目标函数和约束条件：
Figure BDA0002835137630000047
其中，各个指标的权重通过梯形模糊数表示，
Figure BDA0002835137630000048
为指标权重；ξ*为指标权重求解模型的目标函数，模型对该目标函数的最小值求解以得到指标权重；
Figure BDA0002835137630000049
为指标权重之和；
Figure BDA00028351376300000410
为最重要指标权重的梯形模糊数，
Figure BDA00028351376300000411
为指标j权重的梯形模糊数，
Figure BDA0002835137630000051
表示最坏的指标的权重的梯形模糊数；其中，上标w表示权重，下标j表示第j个指标，下标B表示最重要指标，下标W表示最不重要指标；
(aBj,bBj,cBj,dBj)表示
Figure BDA0002835137630000052
即最重要指标对于第j个指标的相对重要性；(ajW,bjW,cjW,djW)表示
Figure BDA0002835137630000053
即最不重要指标对于第j个指标的相对重要性；
步骤4.2.2：经过步骤4.2.1的模型计算得到每个指标的梯形模糊权重，下述公式获得最终的指标权重：
Figure BDA0002835137630000054
其中，
Figure BDA0002835137630000055
表示指标j的权重的梯形模糊数，
Figure BDA0002835137630000056
为梯形模糊数转换后的脆数。
步骤5需根据步骤3和步骤4的结果，对电网态势进行监测时需要构建如下监测矩阵：
Figure BDA0002835137630000057
其中，Ci代表第i个指标，Ai代表第i个时刻的电网态势，AAI代表所有时刻中电网最坏态势的集合，即rAAIi是r1i～rmi中电网态势监测最差值，AI与AAI相反，代表所有时刻电网中最好的态势集合。
步骤5需按照如下公式对所构建的监测矩阵初始化：
Figure BDA0002835137630000058
如果j∈Cost
Figure BDA0002835137630000059
如果j∈Benefit
其中，nij的为归一化后指标具体的值，Cost表示成本型指标，Benefit表示利益型指标，成本型包括经济性、安全性、可靠性以及电压合格率，利益型指标包括停电概率、数据丢失率以及可再生能源比例。
步骤6需利用步骤5的结果生成最终的监测矩阵：
Figure BDA0002835137630000061
步骤6需利用如下公式获取最终电网态势检监测结果：
Figure BDA0002835137630000062
其中，
Figure BDA0002835137630000063
Figure BDA0002835137630000064
为相对于理想解的效用度，Ki -相对于反理想解的效用度。
本发明还公开了一种电网运行态势监测系统，包括体系构建模块、数据采集模块、数据预处理模块、指标权重计算模块以及电网态势监测模块，其特征在于：
体系构建模块构建电网宏观指标体系与电网微观指标体系，所述电网宏观指标包括“经济性指标(A1)”、“安全性指标(A2)”、“可靠性指标(A3)”，经济性是指电网运行过程中损失电量的大小，安全性是指电网运行过程中电压偏差的大小，可靠性是指电网的持续供电能力大小；电网微观指标包括“电压合格率(A4)”、“停电概率(A5)”、“数据丢失率(A6)”、“可再生能源出力占比(A7)”；
数据采集模块采集电网微观指标；
数据预处理模块所述数据采集模块计算电网宏观指标，将电网微观指标和电网宏观指标通过语义评估信息进行表征；采用梯形模糊数将语义评估信息转换为脆数，脆数为一维数组；
指标权重计算模块首先生成最重要指标与非最重要指标的相对重要性矩阵，以及最不重要指标与非最不重要指标的相对重要性矩阵，再根据相对重要性矩阵模型计算电网宏观指标体系与电网微观指标体系中每一指标的权重；
电网态势监测模块构建监测矩阵，并通过监测矩阵获取最终电网态势检监测结果
本文所提一种电网运行态势监测方法及系统，通过构建电网宏观和微观指标体系精准表征电网运行特性，利用梯形模糊数避免语义信息的失真与丢失，对电网态势进行监测，合理感知电网运行态势，为电网高效调度提供支撑。
附图说明
图1为本发明的电网运行态势监测方法流程图；
图2为本发明的电网运行态势监测系统图。
具体实施方式
下面结合附图对本发明作进一步说明，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本发明公开了一种电网运行态势监测方法，包括如下步骤：
步骤1，构建电网宏观、微观指标体系，具体如表1所示:
表1电网宏观、微观指标体系
Figure BDA0002835137630000071
表中的“经济性指标(A1)”用于表征电网运行过程中损失电量的大小，“安全性指标(A2)”用于表征电网运行过程中电压偏差的大小，“可靠性指标(A3)”用于表征电网持续供电能力的大小。
步骤2，采集不同时刻的电网微观指标数据和电网宏观指标信息，将所述电网宏观指标以及部分电网微观指标通过语义评估信息进行表征；部分电网微观指标包括无法实时准确监测的电网微观指标数据、以及涉及机密不宜公开的电网微观指标数据；本发明是将电网宏观与微观指标通过语义进行表征，该语义信息可以分成多级，级别划分越多，精度越高，本发明的优选实选取了“非常好”、“好”、“一般”、“低”、“非常低”这5个标准，本领域技术人员可以根据实际需求对语义信息进行划分。
当0％≤J＜5％，经济性语义评估信息为“非常好”；
当5％≤J＜10％，经济性语义评估信息为“好”；
当10％≤J＜15％，经济性语义评估信息为“一般”；
当15％≤J＜20％，经济性语义评估信息为“低”；
当20％≤J，经济语义评估信息为“非常低”；
其中J为损失电量参数百分比；
当0％≤Q＜0.5％，安全性语义评估信息为“非常好”；
当0.5％≤Q＜1％，安全性语义评估信息为“好”；
当1％≤Q＜2％，安全性语义评估信息为“一般”；
当2％≤Q＜2.5％，安全性语义评估信息为“低”；
当2.5％≤Q，安全性语义评估信息为“非常低”；
其中Q为电压偏差参数百分比；
当300≤K，可靠性语义评估信息为“非常好”；
当200≤K<300，可靠性语义评估信息为“好”；
当100≤K<200，可靠性语义评估信息为“一般”；
当50≤K<100，可靠性语义评估信息为“低”；
当K＜50，可靠性语义评估信息为“非常低”；
其中K为持续安全供电的时间，单位为天。
步骤3，利用梯形模糊数将监测信息中模糊信息转换为梯形模糊数，具体转换方式如表2所示，并利用以下公式将模糊数清晰化：
Figure BDA0002835137630000081
其中，a,b,c,d分别为梯形模糊数
Figure BDA0002835137630000082
对应的四个值，
Figure BDA0002835137630000083
为梯形模糊数转换后的脆数，脆数是指一维数组。
表2梯形模糊数转换表
Figure BDA0002835137630000084
步骤4中，计算电网宏观指标体系与电网微观指标体系中每一指标的权重包括以下内容：
步骤4.1：构造各电网宏观指标以及各电网微观指标之间的相对重要性矩阵；具体包括以下内容：
步骤4.1.1：将重要性划分为k个等级标准，k个等级标准分别使用不同的语义进行标准，并设置相对应不同等级标准语义描述的模糊数；在本实施例中，将重要性划分为“非常重要”、“重要”、“一般重要”、“不重要”、“非常不重要”五个标准，等级标准划分越多，精度越高，本领域技术人员可以根据实际需求对重要性进行划分；
步骤4.1.2：根据实际需求对指标的重要性进行排序，并选择最重要指标与最不重要指标；在本实施例中，最重要指标定义为电网安全性指标，最不重要指标定义为可再生能源占比指标；
步骤4.1.3：将每个指标的重要性根据4.1.1设置的k个等级标准表示为对应的模糊数，并通过清晰化处理以得到相应脆数；
步骤4.1.4：计算得到最重要指标相对于其它每一个指标的相对重要性
Figure BDA0002835137630000091
并构造相对重要性矩阵表
Figure BDA0002835137630000092
其中，该最重要指标相对于自己的相对重要性为1；
计算最不重要指标相对于其它所有指标的相对重要性
Figure BDA0002835137630000093
并构造相对重要性矩阵
Figure BDA0002835137630000094
计算方式包括但不限于计算各指标重要性之间的比值：
Figure BDA0002835137630000095
Figure BDA0002835137630000096
步骤4.2：基于指标之间的相对重要性矩阵计算得到每个指标的权重，包括以下内容：
步骤4.2.1：指标体系中的各个指标的权重的目标函数和约束条件：
Figure BDA0002835137630000101
其中，各个指标的权重通过梯形模糊数表示，
Figure BDA0002835137630000102
为指标权重；ξ*为指标权重求解模型的目标函数，模型对该目标函数的最小值求解以得到指标权重；
Figure BDA0002835137630000103
为指标权重之和；
Figure BDA0002835137630000104
为最重要指标权重的梯形模糊数，
Figure BDA0002835137630000105
为指标j权重的梯形模糊数，
Figure BDA0002835137630000106
表示最坏的指标的权重的梯形模糊数；其中，上标w表示权重，下标j表示第j个指标，下标B表示最重要指标，下标W表示最不重要指标；
(aBj,bBj,cBj,dBj)表示
Figure BDA0002835137630000107
即最重要指标对于第j个指标的相对重要性；(ajW,bjW,cjW,djW)表示
Figure BDA0002835137630000108
即最不重要指标对于第j个指标的相对重要性。
步骤4.2.2：经过步骤4.2.1的模型计算得到每个指标的梯形模糊权重，下述公式获得最终的指标权重：
Figure BDA0002835137630000109
其中，
Figure BDA00028351376300001010
表示指标j的权重的梯形模糊数，
Figure BDA00028351376300001011
为梯形模糊数转换后的脆数。
对指标赋予权重的方法很多，包括熵值法、赋权法，最简单的就是根据实际需要直接赋予权重值，所有权重值之和等于1即可。本申请所介绍的只是一优选实施例。
步骤5，获取电网态势监测值，在这个过程中首先通过以下方式生成监测信息的初始矩阵：
Figure BDA0002835137630000111
其中，Ci代表第i个指标，Ai代表第i个时刻的电网态势。AAI代表所有时刻中电网最坏态势的集合，即rAAIi是r1i～rmi中电网态势监测最差值，AI与AAI相反，代表所有时刻电网中最好的态势集合。
对初始矩阵进行初始化，以下的归一化方式是初始化过程的一个实施例：
Figure BDA0002835137630000112
如果j∈Cost
Figure BDA0002835137630000113
如果j∈Benefit
其中，nij的为归一化后指标具体的值，Cost表示成本型指标，Benefit表示利益型指标，成本型包括经济性、安全性、可靠性以及电压合格率，利益型指标包括停电概率、数据丢失率以及可再生能源比例。
步骤6，利用以下公式生成最终监测矩阵：
vij＝nij×R(wj)
并利用以下公式得到电网态势的检测值：
Figure BDA0002835137630000114
其中，
Figure BDA0002835137630000115
Figure BDA0002835137630000116
为相对于理想解的效用度，Ki -相对于反理想解的效用度。
如图2所示为本发明公开的一种电网运行态势监测系统，包括体系构建模块、数据采集模块、数据预处理模块、指标权重计算模块以及电网态势监测模块，其特征在于：
所述体系构建模块构建电网宏观指标体系与电网微观指标体系，所述电网宏观指标包括“经济性指标(A1)”、“安全性指标(A2)”、“可靠性指标(A3)”，所述经济性是指电网运行过程中损失电量的大小，所述安全性是指电网运行过程中电压偏差的大小，所述可靠性是指电网的持续供电能力大小；所述电网微观指标包括“电压合格率(A4)”、“停电概率(A5)”、“数据丢失率(A6)”、“可再生能源出力占比(A7)”；
所述数据采集模块采集电网微观指标；
所示数据预处理模块所述数据采集模块计算电网宏观指标，将所述电网微观指标和电网宏观指标通过语义评估信息进行表征；采用梯形模糊数将语义评估信息转换为脆数，所述脆数为一维数组；
所述指标权重计算模块首先生成最重要指标与非最重要指标的相对重要性矩阵，以及最不重要指标与非最不重要指标的相对重要性矩阵，再根据相对重要性矩阵模型计算电网宏观指标体系与电网微观指标体系中每一指标的权重；
所述电网态势监测模块构建监测矩阵，并通过监测矩阵获取最终电网态势检监测结果。
下面对江苏省苏州市某地区不同时刻的电网态势信息进行监测。本文以此进行具体实施方式说明。
首先获取不同时刻下的电网态势监测信息值，其中A7为可再生能源出力占比，由于可再生能源出力占比的详细信息涉及到电网内部机密，不易公开，因此通常在处理此类私密性较强的信息的时候，都通过模糊语义进行处理。具体如表3所示：
表3电网态势监测原始数据表
Figure BDA0002835137630000121
之后，利用表2内容将表3中的语义监测信息转换为梯形模糊数，并将梯形模糊数转换为脆数。最终得到表4结果。
表4电网态势监测清晰化数据
Figure BDA0002835137630000131
之后，确定指标权重，各指标最终权重如下：
表5各指标权重确定
Figure BDA0002835137630000132
利用公式(6)对表4中的数据进行归一化，并生成初始矩阵如下所示：
Figure BDA0002835137630000133
其中第一行代表AAI，最后一行代表AI，其余每行代表每个时刻的电网态势数据，每一列代表一个指标的具体的数据。
将矩阵A进行归一化，得到矩阵A1：
Figure BDA0002835137630000134
结合指标权重，获取最终矩阵A2：
Figure BDA0002835137630000135
计算最终电网态势监测结果：
T1时刻：0.8153；T2时刻：0.5255；T3时刻：0.5711；
因此三个时刻态势相比，T1时刻电网态势最好，T3时刻次之，最差的是T2时刻的电网态势。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种电网运行态势监测方法，其特征在于，所述电网运行态势监测方法包括以下步骤：
步骤1：构建电网宏观指标体系与电网微观指标体系；
步骤2：采集不同时刻的电网微观指标数据和电网宏观指标信息，将所述电网宏观指标以及部分电网微观指标通过语义评估信息进行表征；
步骤3：将步骤2中的语义评估信息转换为模糊数，并将模糊数进行清晰化处理为脆数，所述脆数为一维数组；
步骤4：计算电网宏观指标体系与电网微观指标体系中每一指标的权重；
步骤5：根据步骤2采集的不同时刻的电网微观指标数据和步骤3计算得到的各语义评估信息对应的脆数，构建电网态势监测的初始矩阵；
步骤6：结合步骤4中所得到的指标权重以及步骤5中的初始矩阵，生成最终的电网态势监测矩阵，计算电网态势的监测结果。
2.根据权利要求1所述的电网运行态势监测方法，其特征在于：
在所述步骤1中，电网宏观微观指标包括“经济性指标(A1)”、“安全性指标(A2)”、“可靠性指标(A3)”；其中，所述“经济性指标(A1)”用于表征电网运行过程中损失电量的大小，所述“安全性指标(A2)”用于表征电网运行过程中电压偏差的大小，所述“可靠性指标(A3)”用于表征电网持续供电能力的大小；
3.根据权利要求1所述的电网运行态势监测方法，其特征在于：
在所述步骤1中，所述电网微观指标包括“电压合格率(A4)”、“停电概率(A5)”、“数据丢失率(A6)”、“可再生能源出力占比(A7)”。
4.根据权利要求2所述的电网运行态势监测方法，其特征在于：
所述步骤2中，所述通过语义评估信息进行表征的部分电网微观指标包括无法实时准确监测的电网微观指标数据、以及涉及机密不宜公开的电网微观指标数据；
在所述电网宏观指标以及通过语义评估信息进行表征的部分电网微观指标中，采用“非常好”、“好”、“一般”、“低”、“非常低”进行语义表征。
5.根据权利要求4所述的电网运行态势监测方法，其特征在于：
当0％≤J＜5％，经济性语义评估信息为“非常好”；
当5％≤J＜10％，经济性语义评估信息为“好”；
当10％≤J＜15％，经济性语义评估信息为“一般”；
当15％≤J＜20％，经济性语义评估信息为“低”；
当20％≤J，经济语义评估信息为“非常低”；
其中J为损失电量参数百分比；
当0％≤Q＜0.5％，安全性语义评估信息为“非常好”；
当0.5％≤Q＜1％，安全性语义评估信息为“好”；
当1％≤Q＜2％，安全性语义评估信息为“一般”；
当2％≤Q＜2.5％，安全性语义评估信息为“低”；
当2.5％≤Q，安全性语义评估信息为“非常低”；
其中Q为和额定电压偏差的百分比；
当300≤K，可靠性语义评估信息为“非常好”；
当200≤K<300，可靠性语义评估信息为“好”；
当100≤K<200，可靠性语义评估信息为“一般”；
当50≤K<100，可靠性语义评估信息为“低”；
当K＜50，可靠性语义评估信息为“非常低”；
其中所述K为连续安全供电的时间，单位为天。
6.根据权利要求1所述的电网运行态势监测方法，其特征在于：
所述步骤3具体语义描述对应的梯形模糊数值为：“非常好”对应(0.7，0.8，0.9，1)，“好”对应(0.5，0.6，0.7，0.8)，“一般”对应(0.3，0.4，0.5，0.6)，“低”对应(0.1，0.2，0.3，0.4)，“非常低”对应(0.0,0.1,0.2,0.3)。
7.根据权利要求1或6所述的电网运行态势监测方法，其特征在于：
所述步骤3中需利用如下公式以及梯形模糊数将语义描述转换为脆数：
Figure FDA0003625367830000021
其中a,b,c,d分别为梯形模糊数
Figure FDA0003625367830000022
对应的四个值，
Figure FDA0003625367830000023
为转换后的脆数。
8.根据权利要求1所述的电网运行态势监测方法，其特征在于：
所述步骤4中，计算电网宏观指标体系与电网微观指标体系中每一指标的权重包括以下内容：
步骤4.1：构造各电网宏观指标以及各电网微观指标之间的相对重要性矩阵；
步骤4.2：基于指标之间的相对重要性矩阵计算得到每个指标的权重。
9.根据权利要求8所述的电网运行态势监测方法，其特征在于：
在步骤4.1中，构造各电网宏观指标以及各电网微观指标之间的相对重要性矩阵，具体包括以下内容：
步骤4.1.1：将重要性划分为k个等级标准，k个等级标准分别使用不同的语义进行标准，并设置相对应不同等级标准语义描述的模糊数；
步骤4.1.2：根据实际需求对指标的重要性进行排序，并选择最重要指标与最不重要指标；
步骤4.1.3：将每个指标的重要性根据4.1.1设置的k个等级标准表示为对应的模糊数，并通过清晰化处理以得到相应脆数；
步骤4.1.4：计算得到最重要指标相对于其它每一个指标的相对重要性
Figure FDA0003625367830000031
并构造相对重要性矩阵表
Figure FDA0003625367830000032
其中，该最重要指标相对于自己的相对重要性为1；以
Figure FDA0003625367830000033
表示；
计算最不重要指标相对于其它所有指标的相对重要性
Figure FDA0003625367830000034
并构造相对重要性矩阵
Figure FDA0003625367830000035
以
Figure FDA0003625367830000036
表示。
10.根据权利要求8或9所述的电网运行态势监测方法，其特征在于：
在步骤4.2中，基于指标之间的相对重要性矩阵计算得到每个指标的权重包括以下内容：
步骤4.2.1：指标体系中的各个指标的权重的目标函数和约束条件：
minξ*需满足
Figure FDA0003625367830000041
其中，各个指标的权重通过梯形模糊数表示，
Figure FDA0003625367830000042
为指标权重；ξ*为指标权重求解模型的目标函数，模型对该目标函数的最小值求解以得到指标权重；
Figure FDA0003625367830000043
为指标权重之和；
Figure FDA0003625367830000044
为最重要指标权重的梯形模糊数，
Figure FDA0003625367830000045
为指标j权重的梯形模糊数，
Figure FDA0003625367830000046
表示最坏的指标的权重的梯形模糊数；其中，上标w表示权重，下标j表示第j个指标，下标B表示最重要指标，下标W表示最不重要指标；
(aBj,bBj,cBj,dBj)表示
Figure FDA0003625367830000047
即最重要指标对于第j个指标的相对重要性；(ajW,bjW,cjW,djW)表示
Figure FDA0003625367830000048
即最不重要指标对于第j个指标的相对重要性；
步骤4.2.2：经过步骤4.2.1的模型计算得到每个指标的梯形模糊权重，下述公式获得最终的指标权重：
Figure FDA0003625367830000049
其中，
Figure FDA00036253678300000410
表示指标j的权重的梯形模糊数，
Figure FDA00036253678300000411
为梯形模糊数转换后的脆数。
11.根据权利要求10所述的电网运行态势监测方法，其特征在于：
所述步骤5需根据步骤3和步骤4的结果，对电网态势进行监测时需要构建如下监测矩阵：
Figure FDA0003625367830000051
其中，Ci代表第i个指标，Ai代表第i个时刻的电网态势，AAI代表所有时刻中电网最坏态势的集合，即rAAIi是r1i～rmi中电网态势监测最差值，AI与AAI相反，代表所有时刻电网中最好的态势集合。
12.根据权利要求11所述的电网运行态势监测方法，其特征在于：
所述步骤5需按照如下公式对所构建的监测矩阵初始化：
Figure FDA0003625367830000052
如果j∈Cost
Figure FDA0003625367830000053
如果j∈Benefit
其中，nij的为归一化后指标具体的值，Cost表示成本型指标，Benefit表示利益型指标，成本型包括经济性、安全性、可靠性以及电压合格率，利益型指标包括停电概率、数据丢失率以及可再生能源比例。
13.根据权利要求12所述的电网运行态势监测方法，其特征在于：
所述步骤6需利用步骤5的结果生成最终的监测矩阵：
Figure FDA0003625367830000054
14.根据权利要求13所述的电网运行态势监测方法，特征在于：
所述步骤6需利用如下公式获取最终电网态势检监测结果：
Figure FDA0003625367830000055
其中，
Figure FDA0003625367830000061
Figure FDA0003625367830000062
为相对于理想解的效用度，
Figure FDA0003625367830000063
相对于反理想解的效用度。
15.根据权利要求1-14的一种电网运行态势监测系统，包括体系构建模块、数据采集模块、数据预处理模块、指标权重计算模块以及电网态势监测模块，其特征在于：
所述体系构建模块构建电网宏观指标体系与电网微观指标体系，所述电网宏观指标包括“经济性指标(A1)”、“安全性指标(A2)”、“可靠性指标(A3)”，所述经济性是指电网运行过程中损失电量的大小，所述安全性是指电网运行过程中电压偏差的大小，所述可靠性是指电网的持续供电能力大小；所述电网微观指标包括“电压合格率(A4)”、“停电概率(A5)”、“数据丢失率(A6)”、“可再生能源出力占比(A7)”；
所述数据采集模块采集电网微观指标；
所示数据预处理模块所述数据采集模块计算电网宏观指标，将所述电网微观指标和电网宏观指标通过语义评估信息进行表征；采用梯形模糊数将语义评估信息转换为脆数，所述脆数为一维数组；
所述指标权重计算模块首先生成最重要指标与非最重要指标的相对重要性矩阵，以及最不重要指标与非最不重要指标的相对重要性矩阵，再根据相对重要性矩阵模型计算电网宏观指标体系与电网微观指标体系中每一指标的权重；
所述电网态势监测模块构建监测矩阵，并通过监测矩阵获取最终电网态势检监测结果。
CN202011467993.5A 2020-12-14 2020-12-14 一种电网运行态势监测方法及系统 Active CN112488416B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011467993.5A CN112488416B (zh) 2020-12-14 2020-12-14 一种电网运行态势监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011467993.5A CN112488416B (zh) 2020-12-14 2020-12-14 一种电网运行态势监测方法及系统

Publications (2)

Publication Number Publication Date
CN112488416A CN112488416A (zh) 2021-03-12
CN112488416B true CN112488416B (zh) 2022-07-01

Family

ID=74917581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011467993.5A Active CN112488416B (zh) 2020-12-14 2020-12-14 一种电网运行态势监测方法及系统

Country Status (1)

Country Link
CN (1) CN112488416B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926790B (zh) * 2021-03-18 2022-08-26 国网江苏省电力有限公司苏州供电分公司 计及电网调度多维影响的最优供电路径决策方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107609754A (zh) * 2017-08-25 2018-01-19 国网辽宁省电力有限公司 一种电网信息系统性能监测系统及方法
CN110689240A (zh) * 2019-09-12 2020-01-14 国网山东省电力公司寿光市供电公司 一种配电网经济运行模糊综合评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107609754A (zh) * 2017-08-25 2018-01-19 国网辽宁省电力有限公司 一种电网信息系统性能监测系统及方法
CN110689240A (zh) * 2019-09-12 2020-01-14 国网山东省电力公司寿光市供电公司 一种配电网经济运行模糊综合评价方法

Also Published As

Publication number Publication date
CN112488416A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
Wang et al. Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system
Wu et al. A DEMATEL-TODIM based decision framework for PV power generation project in expressway service area under an intuitionistic fuzzy environment
Meschede et al. On the impact of probabilistic weather data on the economically optimal design of renewable energy systems–a case study on La Gomera island
Galvani et al. Data clustering based probabilistic optimal power flow in power systems
CN115730749B (zh) 基于融合电力数据的电力调度风险预警方法及装置
Chan et al. Multiple classifier system for short term load forecast of microgrid
Zahraoui et al. A novel approach for sizing battery storage system for enhancing resilience ability of a microgrid
Gao et al. Spectral clustering based demand-oriented representative days selection method for power system expansion planning
CN112488416B (zh) 一种电网运行态势监测方法及系统
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN111144447A (zh) 一种新能源出力引起的反调峰风险的电网峰谷时段划分方法
Hong et al. Event-based under-frequency load shedding scheme in a standalone power system
Kaplun et al. About using electricity pricing for smart grid dynamic management with renewable sources
CN109586309B (zh) 基于大数据自由熵理论和场景匹配的配电网无功优化方法
CN112001578A (zh) 一种适用于广义储能资源优化调度方法及系统
Farrag et al. Quantification of efficiency improvements from integration of battery energy storage systems and renewable energy sources into domestic distribution networks
Mao et al. Short-term photovoltaic output forecasting model for economic dispatch of power system incorporating large-scale photovoltaic plant
Liu et al. Advanced evaluation method for regional wind power prediction
Shuang et al. Wind power prediction using time-series analysis base on rough sets
Chen et al. Multi‐round load control method considering the safe electricity consumption for industrial users based on situational awareness
Yu et al. Interpretable data‐driven contingency classification for real‐time corrective security‐constrained economic dispatch
Liu et al. A Combined Clustering Scenario Reduction Method Base on Potential Decision Results for Generation Expansion Planning
Feng et al. Design of Comprehensive Energy System Considering Anomaly Detection of Multi-Energy Data
Tavares et al. Probabilistic models in power distribution electrical networks
Cai et al. Generation Schedule Considering Branch Security Check under New Energy Access

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