CN112508276B - 一种电网快速诊断与优化系统及优化方法 - Google Patents
一种电网快速诊断与优化系统及优化方法 Download PDFInfo
- Publication number
- CN112508276B CN112508276B CN202011415094.0A CN202011415094A CN112508276B CN 112508276 B CN112508276 B CN 112508276B CN 202011415094 A CN202011415094 A CN 202011415094A CN 112508276 B CN112508276 B CN 112508276B
- Authority
- CN
- China
- Prior art keywords
- power grid
- data
- module
- real
- optimization
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000013523 data management Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000007726 management method Methods 0.000 description 10
- 238000007405 data analysis Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 6
- 238000007418 data mining Methods 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 5
- 238000013079 data visualisation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000001801 Z-test Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
-
- 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—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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电网快速诊断与优化系统及优化方法，所述优化系统包括D5000系统和OMS系统，所述D5000系统通过电网拓扑结构与OMS系统相连接；所述OMS系统包括数据修正模块、电网N‑1模块和电网方式优化模块；所述数据修正模块、电网N‑1模块和电网方式优化模块均通过电网拓扑结构与D5000系统相连接。本发明通过电网设备的监测数据，计算电网设备负载率，实现重载设备运行实时监控。依据电网运行实时状态，完成电网N‑1校核报告，为优化电网运行方式和检修方式安排提供辅助决策建议，从而有效调整调度策略和计划，进行科学调度，改善电网运行状况。
Description
技术领域
本发明涉及电网快速诊断与优化技术领域，具体为一种电网快速诊断与优化系统及优化方法。
背景技术
D5000系统的数据管理采用实时数据库与关系数据库相结合的方式，利用实时库来满足高速实时数据存取需求，同时利用关系数据库保存可靠性要求高的数据，既充分利用了关系数据库的高可靠性、可扩展性和通用性，又充分发挥了实时数据库的高速性。关系数据库主要用来保存电网设备、参数、静态拓扑连接、系统配置、告警和事件记录、历史统计信息等一切需要永久保存的数据，这些数据又细分为模型数据和历史数据两部分。模型数据指维持系统正常运行需要的数据，历史数据指反映电网过去运行状态的数据。实时数据库提供高效的实时数据存取，实现电力系统的监视、控制和电网分析。在D5000系统里面，对实时性有较高要求的应用都需要构筑在实时库之上，同时实时库也是应用和平台之间、应用和应用之间数据交互的基础。实时数据库采用磁盘文件映射的内存管理机制实现，并支持多应用、多态。实时数据库提供各种访问接口，包括本地接口与网络接口。
虽然D5000系统具备电网运行海量实时数据，但是，缺少实时数据分析手段，电网运行数据仍然依靠人工分析。研究开发电网快速诊断与优化系统，实现重载设备运行实时监控，通过电网全面N-1分析，及时准确掌握电网运行实时状态，对于提高电网调控运行管理水平、促进调度管理工作本质提升，具有重要意义。
电力运行数据主要来源于电力生产和电能使用的发电、输电、变电、配电、用电和调度各个环节，具有三个特点：(1)数据体量大：PB级；常规的调度自动化系统包含数十万个采集点；配用电、数据中心将达到千万级；(2)数据类型繁多：实时数据历史数据文本数据多媒体数据时间序列数据等各类结构化、半结构化数据以及非结构化数据；(3)价值密度低：所采集的绝大部分数据都是正常数据，只有极少量的异常数据，而异常数据是状态检修的最重要依据。
通过使用D5000系统可采集电力系统的主要运行数据，再对采集的电力大数据进行系统的处理和分析，从而实现对电网的实时监控；进一步地，结合大数据分析与电力系统模型，可以对电网运行进行诊断、优化和预测，为电网安全、可靠、经济、高效地运行提供保障。
大数据分析不是ICT行业的专利。目前，金融、广电等传统行业都在积极借助大数据的力量，帮助企业实现转型。在电力行业，大数据已经被视作企业战略层面的重要议题：国家电网就在北京亦庄、上海、陕西建立了三个大数据中心，其中北京亦庄大数据中心已安装超过10200个传感器，每个月可节约的能耗价值大概为30万元。大数据在公共管理、零售、互联网、电信、金融等众多行业快速推广，市场规模迅速扩大，2012年国内大数据市场规模已达4.5亿元。IDC预测，2016年中国大数据市场规模将达6.17亿美元，而全球规模将达238亿美元。大数据已经渗透到当今的每个行业，成为重要的生产因素。人们对于海量数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来。大数据超过了传统数据库系统的处理能力，为了获得数据中的价值，必须选择新的方式进行处理。电力运行数据是大数据理念、技术和方法在电力行业的实践，是大数据应用的重点领域之一，目前，对220千伏以下电网运行N-1分析系统的研究极少。
发明内容
本发明要解决的技术问题是克服现有的缺陷，提供一种电网快速诊断与优化系统及优化方法，针对上述背景技术中存在的不足，本发明提出了一种电网快速诊断与优化系统及优化方法，实现重载设备实时监控，通过电网全面N-1分析，及时准确掌握电网运行实时状态，对于减少电网设备运行故障，及时优化电网运行方式；在电网事故处理过程中，可以为运行人员提供辅助策略，提高电网事故处理的效率，具有重要社会效益，可以有效解决背景技术中的问题。
为实现上述目的，本发明提供如下技术方案：一种电网快速诊断与优化系统，包括D5000系统和OMS系统，所述D5000系统通过电网拓扑结构与OMS系统相连接；所述OMS系统包括数据修正模块、电网N-1模块和电网方式优化模块；所述数据修正模块、电网N-1模块和电网方式优化模块均通过电网拓扑结构与D5000系统相连接。
作为本发明的一种优选技术方案，所述D5000系统包括调度EMS系统和监控元件，所述调度EMS系统和监控元件分别与数据修正模块、电网N-1模块和电网方式优化模块相连接
作为本发明的一种优选技术方案，所述D5000系统包括硬件层、操作系统层、支撑平台层和应用层，硬件层与操作系统层相连接，操作系统层与支撑平台层相连接，支撑平台层与应用层相连接。
作为本发明的一种优选技术方案，所述硬件层包括网络及计算机设备，网络及计算机设备与操作系统层相连接；所述操作系统层包括OS操作系统，OS操作系统分别与网络及计算机设备、支撑平台层相连接；所述支撑平台层包括数据管理、信息传输与交换、公共服务和功能，数据管理包括实时数据库和关系数据库，实时数据库、关系数据库、信息传输与交换、公共服务和功能分别与OS操作系统、应用层相连接，所述应用层包括应用模块，应用模块分别与实时数据库、关系数据库、信息传输与交换、公共服务和功能相连接。
一种电网快速诊断与优化系统的优化方法，其步骤如下：
S1、利用D5000系统的调度EMS系统获取电网设备运行参数；
S2、利用D5000系统的各电网设备的监控元件，对电网设备的运行状态、有功负荷进行实时采集，并将实时采集的数据输入数据修正模块，在数据修正模块内完成数据的清洗、筛选和加工；
S3、根据步骤S2中清洗、筛选和加工的数据，计算监控元件流入功率和流出功率，实现采集数据甄别修正；
S4、利用电网方式优化模块内的人工神经网络对历史和实时电网运行实时大数据进行训练，得到人工神经网络分析模型，并存储在电网N-1模块中；
S5、利用电网N-1模块中的人工神经网络分析模型实现电网N-1的计算校核，完成电网运行方式优化。
作为本发明的一种优选技术方案，所述步骤S4中利用人工神经网络对历史和实时电网运行实时大数据进行训练，得到人工神经网络分析模型的方法为：将历史和实时电网运行实时大数据作为人工神经网络模型的输入I(T)，根据需求选取评估尺度t，基于经主成分分析提取的主要评估指标，选取T+t时刻的指标值O(T+t)作为输出，对人工神经网络进行训练，得到人工神经网络分析模型。
与现有技术相比，本发明的有益效果是：本发明通过电网设备的监测数据，计算电网设备负载率，实现重载设备运行实时监控。依据电网运行实时状态，完成电网N-1校核报告，为优化电网运行方式和检修方式安排提供辅助决策建议，从而有效调整调度策略和计划，进行科学调度，改善电网运行状况。
附图说明
图1为本发明的系统框图；
图2为本发明的软件体系架构图；
图3为本发明的D5000系统的体系结构图。
具体实施方式
对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
智能电网由坚强的实体电网与信息化、智能化的控制体系有机互补而形成，实体电网是实现智能电网的基础，智能控制体系是智能电网实现的手段。D5000系统的体系结构如图3所示，所述D5000系统包括硬件层、操作系统层、支撑平台层和应用层，硬件层与操作系统层相连接，操作系统层与支撑平台层相连接，支撑平台层与应用层相连接。所述硬件层包括网络及计算机设备，网络及计算机设备与操作系统层相连接；所述操作系统层包括OS操作系统，OS操作系统分别与网络及计算机设备、支撑平台层相连接；所述支撑平台层包括数据管理、信息传输与交换、公共服务和功能，数据管理包括实时数据库和关系数据库，实时数据库、关系数据库、信息传输与交换、公共服务和功能分别与OS操作系统、应用层相连接，所述应用层包括应用模块，应用模块分别与实时数据库、关系数据库、信息传输与交换、公共服务和功能相连接。其中，硬件层基于国产服务器和网络设备，目前使用的为华为R2488服务器，操作系统层采用国产B级安全操作系统(麒麟操作系统)，数据库采用国产达梦数据库系统。
图2为本发明的平台总体体系架构，可将总体体系架构归纳为数据管理、信息传输与交换、公共服务和功能4个层次。平台采用面向服务的软件体系架构(SOA)，具有良好的标准、开放、可靠、安全和适应性强等特点，直接承载着实时监控与预警、调度计划(OPS)、安全校核(SCS)和调度管理(OMS)四大应用平台，能较好地满足系统集成和应用不断发展的需要。平台具有层次化的功能设计，能有效对硬件资源、数据及软件功能模块进行良好的组织，对应用开发和运行提供理想环境。平台针对系统和应用运行维护需求开发的公共应用支持和管理功能，能为应用系统的运行管理提供全面的支持。
如图1所示，本发明实施例提供了一种电网快速诊断与优化系统，包括D5000系统和OMS系统，所述D5000系统通过电网拓扑结构与OMS系统相连接；所述OMS系统包括数据修正模块、电网N-1模块和电网方式优化模块；所述数据修正模块、电网N-1模块和电网方式优化模块均通过电网拓扑结构与D5000系统相连接。所述D5000系统包括调度EMS系统和监控元件，所述调度EMS系统和监控元件分别与数据修正模块、电网N-1模块和电网方式优化模块相连接。
一种电网快速诊断与优化系统的优化方法，从调度EMS系统获取电网设备运行参数，以及各电网设备的监控元件，对电网设备的运行情况、有功负荷按照指定频率采集。通过电网设备的监测数据，计算电网设备负载率，实现重载设备运行实时监控。依据电网运行实时状态，完成电网N-1校核报告，为优化电网运行方式和检修方式安排提供辅助决策建议，从而有效调整调度策略和计划，进行科学调度，改善电网运行状况。具体步骤如下：
S1、利用D5000系统的调度EMS系统获取电网设备运行参数。
从EMS提取电网设备运行数据，对数据进行清洗、筛选、加工，计算设备运行参数，实现电网N-1计算校核，从而及时全面准确掌握电网运行状况，提出优化电网运行方式的策略建议，提高电网调度管理水平。
电力运行数据分析技术满足电力数据飞速增长，满足各专业工作需要，满足提高电力工业发展需要，服务经济发展需要。电力运行数据分析技术包括：数据挖掘、统计分析、数据可视化等。
S11、数据挖掘：数据挖掘技术是通过分析大量数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示3个步骤。数据准备是从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集；规律寻找是用某种方法将数据集所含的规律找出来；规律表示是尽可能以用户可理解的方式(如可视化)将找出的规律表示出来。数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等等。
S12、统计分析：统计分析，常指对收集到的有关数据资料进行整理归类并进行解释的过程。统计分析可分为描述统计和推断统计。描述统计是将研究中所得的数据加以整理、归类、简化或绘制成图表，以此描述和归纳数据的特征及变量之间的关系的一种最基本的统计方法。描述统计主要涉及数据的集中趋势、离散程度和相关强度，最常用的指标有平均数、标准差、相关系数等。推断统计指用概率形式来决断数据之间是否存在某种关系及用样本统计值来推测总体特征的一种重要的统计方法。推断统计包括总体参数估计和假设检验，最常用的方法有Z检验、T检验、卡方检验等。
S13、数据可视化：数据可视化主要旨在借助于图形化手段，清晰有效地传达与沟通信息，便于相关者对数据的理解和认识。数据可视化与信息图形、信息可视化、科学可视化以及统计图形密切相关。
S2、利用D5000系统的各电网设备的监控元件，对电网设备的运行状态、有功负荷进行实时采集，并将实时采集的数据输入数据修正模块，在数据修正模块内完成数据的清洗、筛选和加工。
S3、根据步骤S2中清洗、筛选和加工的数据，计算监控元件流入功率和流出功率，实现采集数据甄别修正。
大数据指无法在一定时间内用常规工具软件对其进行分析处理的具有高容量、快速性、多样性和价值密度低等特征的大型复杂数据集合。智能电网实现的前提是能够获取并处理实时全景状态数据，即电网运行、调度、管理和检修等过程产生的海量多源异构及多态大数据。随着电网规模的不断增长及智能化的快速发展，各类管理系统中进行获取与传输、应用的数据成几何级增长，这些数据不仅涵盖了系统运行、监控、调度、检修、营销等业务信息，同时也包括了大量的经济社会类数据，为电网分析提供了基础。
由于影响数据分析的因素众多，难以建立精确的模型，速度精度也受限，因而采用关联规则挖掘方法，从电网的异构多源数据中挖掘出主要影响因素，用于数据分析的输入，以减少输入的维度，加快分析速度。关联规则中，每个样本为一个“事务”，记为T，n个事务组成事务数据库D，每个事务由多个属性来确定，记为“项”，多个项组成的集合称为“项集”，每个子集事务T都是一个项集，某子集事务T中项集A出现的频率是指包含项集的事务数，记为P(A)，也是A的支持度，P(A)大于设定的最小阀值时，A称为频繁项集。若项集
且A∩B＝φ，则
称为关联规则，事务数据库D中包含A∪B的概率为关联规则
的支持度s，记为
s表征关联规则在事务数据库中的重要程度或出现的概率，支持度越高，关联程度越高。关联规则
的置信度c是指包含A∪B的事务数与包含A的事务数的比值，它是概率P(B|A)，记做
c表征关联规则的可信程度，置信度越高，可信度越高。最小支持度阀值与最小置信度阀值是由用户按需求定义的，支持度与置信度均大于或等于最小阀值的规则称为“强规则”，通过寻找“影响因素-运行可靠性指标”的“强规则”，可以得到影响运行可靠性的主要影响因素。
S4、利用人工神经网络对历史和实时电网运行实时大数据进行训练，得到人工神经网络分析模型；运行数据快速分析是指根据历史和实时电网运行大数据，快速计算电网设备运行状态的过程。常用的分析方法包括传统方法和人工智能方法，传统方法以回归分析法为主，人工智能方法包括神经网络、深度学习法等。电网设备的运行指标值主要从现场长期运行记录的大量统计数据中得出，难以建立影响因素与运行指标值之间的精确解析模型，因此采用人工神经网络法。基于人工神经网络运行数据快速分析方法为：将历史和实时电网运行实时大数据作为人工神经网络模型的输入I(T)，根据需求选取评估尺度t，基于经主成分分析提取的主要评估指标，选取T+t时刻的指标值O(T+t)作为输出，对人工神经网络进行训练，得到人工神经网络分析模型。将实时数据的主要影响因素数据作为人工神经网络的输入，即可分析t时间后的设备运行指标值。时间尺度选为分钟、小时级，可分析几分钟或几小时元件、节点、区域、系统的电压、潮流是否越限，可用于实时的运行控制与风险管控；选取时间尺度为天、月或年，可分析区域、系统的切负荷情况、供电可用率等指标，用于检修、调度等控制与决策或电网规划。
S5、利用步骤S4建立的人工神经网络分析模型实现电网N-1的计算校核，提出电网运行方式优化策略。
电网“N-1”风险分析以深入开展危险点分析和预控活动为总线，包括方式安排、风险分析、防范措施、管理措施、采取防范措施后的风险分析、调度事故处理预案等一系列措施。
电网“N-1”风险分析总体目标：通过分析电网输变设备“N-1”时保证电网安全稳定运行的各项组织措施、技术措施和安全措施，认真做好杜绝发生大面积停电事故，以“N-1”风险分析为指导，合理安排检修工作，保证电网安全、稳定运行，确保电网始终处在“可控、能控、在控”状态。
基于设备运行数据的设备运行状态评价方法包括单一设备的状态评价方法和设备群的状态整体评价方法。
单一设备的状态评价方法，需要注重具体的某一个设备。将所选取的设备的状态参数罗列出来，将其作为状态评价的数据保障。因设备具备很多的类别，所以评价模型也有所差异，所以在评价指标的选择上，需让指标能够与设备运行状态紧密相连，能够通过前者将后者真真切切地反映出来。通常状态下，所选取的评价指标需遵循独立性原则。换而言之，便是不同的评价指标可以从不同方面将设备的运行状态反应出来。对单一设备状态进行评价过程中，可将其具备的振动、压差、温度以及效率等作为评价指标，这些指标均具备独立性，并且能够从指标自身反映出设备的运行状态。当然，这些具有独立性特征的评价指标组合起来，便形成了一个状态评价单元，此单元经过模型的涉及，便得出了评价指标向量；除此之外，还涵盖了以单个设备为基础的整体状态等级。
设备群的状态整体评价是关键环节之一，与单个设备的状态评价方法具有同样的价值作用。从整体层面而言，以每一个独立的设备的运行状态为依据，进而完成某电网设备运行状态的评价相对来说是较为不易的。主要原因为：每一个设备均参与到运行工作当中，不同的设备对电网运行所产生的影响是有所差异的，其差异可大可小，需根据具体设备而定。因此，便造成了评价不易的情况。因此，针对设备群的状态整体评价进行论述便显得极为重要。基于整体层面而言，因某一个功能是通过同类设备群共同运行而完成的，所以便需要评估这些功能的同类设备群，以此为整体运行状态的评价提供保障依据。在选取设备群状态评价方法过程中，需以某一个设备所出现的故障以及运行状态作为参考依据，从而对各设备群的权重向量加以明确。从另一个角度上分析，便是设备群的状态整体评价方法具备多样化的特点。如：其一，某设备存在故障，且障碍非常差；其二，某设备对整体运行情况构成极大的威胁。针对上述不同情况需采取不同的评价方法。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种电网快速诊断与优化系统，其特征在于：包括D5000系统和OMS系统，所述D5000系统通过电网拓扑结构与OMS系统相连接；所述OMS系统包括数据修正模块、电网N-1模块和电网方式优化模块；所述数据修正模块、电网N-1模块和电网方式优化模块均通过电网拓扑结构与D5000系统相连接，所述D5000系统包括调度EMS系统和监控元件，所述调度EMS系统和监控元件分别与数据修正模块、电网N-1模块和电网方式优化模块相连接，其应用于电网快速诊断与优化系统的优化方法步骤如下：
S1、利用D5000系统的调度EMS系统获取电网设备运行参数；
S2、利用D5000系统的各电网设备的监控元件，对电网设备的运行状态、有功负荷进行实时采集，并将实时采集的数据输入数据修正模块，在数据修正模块内完成数据的清洗、筛选和加工；
S3、根据步骤S2中清洗、筛选和加工的数据，计算监控元件流入功率和流出功率，实现采集数据甄别修正；
S4、利用电网方式优化模块内的人工神经网络对历史和实时电网运行实时大数据进行训练，得到人工神经网络分析模型，并存储在电网N-1模块中；
S5、利用电网N-1模块中的人工神经网络分析模型实现电网N-1的计算校核，完成电网运行方式优化。
2.根据权利要求1所述的一种电网快速诊断与优化系统，其特征在于：所述D5000系统包括硬件层、操作系统层、支撑平台层和应用层，硬件层与操作系统层相连接，操作系统层与支撑平台层相连接，支撑平台层与应用层相连接。
3.根据权利要求2所述的一种电网快速诊断与优化系统，其特征在于：所述硬件层包括网络及计算机设备，网络及计算机设备与操作系统层相连接；所述操作系统层包括OS操作系统，OS操作系统分别与网络及计算机设备、支撑平台层相连接；所述支撑平台层包括数据管理、信息传输与交换、公共服务和功能，数据管理包括实时数据库和关系数据库，实时数据库、关系数据库、信息传输与交换、公共服务和功能分别与OS操作系统、应用层相连接，所述应用层包括应用模块，应用模块分别与实时数据库、关系数据库、信息传输与交换、公共服务和功能相连接。
4.根据权利要求1所述的一种电网快速诊断与优化系统，其特征在于：所述步骤S4中利用人工神经网络对历史和实时电网运行实时大数据进行训练，得到人工神经网络分析模型的方法为：将历史和实时电网运行实时大数据作为人工神经网络模型的输入I(T)，根据需求选取评估尺度t，基于经主成分分析提取的主要评估指标，选取T+t时刻的指标值O(T+t)作为输出，对人工神经网络进行训练，得到人工神经网络分析模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011415094.0A CN112508276B (zh) | 2020-12-07 | 2020-12-07 | 一种电网快速诊断与优化系统及优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011415094.0A CN112508276B (zh) | 2020-12-07 | 2020-12-07 | 一种电网快速诊断与优化系统及优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112508276A CN112508276A (zh) | 2021-03-16 |
| CN112508276B true CN112508276B (zh) | 2022-12-06 |
Family
ID=74970594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011415094.0A Active CN112508276B (zh) | 2020-12-07 | 2020-12-07 | 一种电网快速诊断与优化系统及优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508276B (zh) |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636990B (zh) * | 2015-02-17 | 2018-10-02 | 国家电网公司 | 基于n-1准则的电网设备停运原因实时排查及预警方法 |
| CN104730421B (zh) * | 2015-03-27 | 2017-10-03 | 广东电网有限责任公司中山供电局 | 电网故障设备的诊断方法和系统 |
| CN104915750A (zh) * | 2015-04-17 | 2015-09-16 | 华中电网有限公司 | 一种实现与ems和oms一体化的智能操作票管理方法及系统 |
| CN105354643A (zh) * | 2015-11-24 | 2016-02-24 | 国网四川省电力公司经济技术研究院 | 一种风电接入电网的风险预测评估方法 |
| CN107292760A (zh) * | 2016-04-10 | 2017-10-24 | 国网山东省电力公司经济技术研究院 | 基于电网pms和ems的电网设备运行状态评估系统 |
| CN109409702A (zh) * | 2018-10-10 | 2019-03-01 | 武汉华飞智能电气科技有限公司 | 一种电网运行指标分析系统 |
| CN109816161A (zh) * | 2019-01-14 | 2019-05-28 | 中国电力科学研究院有限公司 | 一种配电网运行辅助决策分析系统及其应用方法 |
-
2020
- 2020-12-07 CN CN202011415094.0A patent/CN112508276B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112508276A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106504116B (zh) | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 | |
| Roccetti et al. | A cautionary tale for machine learning design: why we still need human-assisted big data analysis | |
| CN105469204A (zh) | 深度融合大数据分析技术的重装制造企业综合评价系统 | |
| CN103825755A (zh) | 电力二次系统的建模方法与系统 | |
| CN115564071A (zh) | 一种电力物联网设备数据标签生成方法及系统 | |
| CN115423429A (zh) | 基于图像和声音信息的多模态一体化配网运营系统 | |
| CN109739912A (zh) | 数据分析方法及系统 | |
| CN107104951A (zh) | 网络攻击源的检测方法和装置 | |
| CN110838055A (zh) | 一种基于大数据的电力企业财务数据管理系统 | |
| Maquee et al. | Clustering and association rules in analyzing the efficiency of maintenance system of an urban bus network | |
| CN115718472A (zh) | 水电机组故障扫描诊断方法 | |
| Suo et al. | Computer assistance analysis of power grid relay protection based on data mining | |
| CN111125450A (zh) | 一种多层拓扑网络资源对象的管理方法 | |
| CN111353085A (zh) | 一种基于特征模型的云挖掘分析网络舆情方法 | |
| CN109446278A (zh) | 一种基于区块链的大数据管理平台系统 | |
| CN112508276B (zh) | 一种电网快速诊断与优化系统及优化方法 | |
| Escobedo et al. | Business intelligence and data analytics (BI&DA) to support the operation of smart grid | |
| CN112784129A (zh) | 一种泵站设备运维数据监管平台 | |
| Zhu et al. | An experimental study on four models of customer churn prediction | |
| Wang et al. | [Retracted] Attribute Reduction Algorithm on Concept Lattice and Application in Smart City Energy Consumption Analysis | |
| Gao | [Retracted] Real‐Time Visualization Optimization Management Simulation of Big Data Stream on Industrial Heritage Cloud Platform | |
| Sun et al. | An artificial intelligence-based real-time monitoring framework for time series | |
| Li et al. | Multi-source heterogeneous log fusion technology of power information system based on big data and imprecise reasoning theory | |
| Xiang et al. | Analysis of the Application of Military Big Data in Equipment Quality Information Management | |
| Zhao et al. | Application research on application performance management system in big data of power grid |
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 |