CN112751418A - 智能配电网区域态势要素感知方法及系统 - Google Patents
智能配电网区域态势要素感知方法及系统 Download PDFInfo
- Publication number
- CN112751418A CN112751418A CN202011641005.4A CN202011641005A CN112751418A CN 112751418 A CN112751418 A CN 112751418A CN 202011641005 A CN202011641005 A CN 202011641005A CN 112751418 A CN112751418 A CN 112751418A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- load
- measurement
- current
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000008447 perception Effects 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 83
- 230000006870 function Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 238000005065 mining Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012843 least square support vector machine Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 10
- 238000012502 risk assessment Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 208000014674 injury Diseases 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 206010063659 Aversion Diseases 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000052343 Dares Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明属于配电网感知领域,提供了一种智能配电网区域态势要素感知方法及系统。其中,能配电网区域态势要素感知方法,包括实时获取配电网各节点量测的负荷、电压与电流数据以及当前微气象数据,并从历史数据库中调取设备故障历史数据;基于配电网各节点量测的负荷、电压与电流数据以及当前微气象数据估计配电网运行状态并输出线路故障报警信息,同时基于设备故障历史数据评估出配电网停电风险以及配电网失负荷运行风险。
Description
技术领域
本发明属于智能配电网领域,尤其涉及一种智能配电网区域态势要素感知方法及系统。
背景技术
智能配电网态势感知是配电系统可靠、经济、安全运行的重要基础,是智能配电网发展的一个新方向。态势感知是指在特定时空下、对动态环境中各元素或对象的觉察、理解,以及对未来状态的预测。电网作为一个超实时的系统,其运行状态复杂多变,同时为了应对元件的N-1事件、短期负荷的波动等情况,减轻多元负荷、各类配电设备故障对配网的影响,亟需进一步提升对配电网运行态势的掌控能力。发明人发现,目前多集中在了分布式电源接入后的主动配电网的态势感知,未针对传统配电网进行区域态势要素感知,而且电网运行中发生最多的故障为线路故障,电力自动化系统中积累了大量线路故障相关的历史报警信息,线路故障类型也和故障报警信息的相关性很强,但是调度人员对这些历史数据的利用率不高
发明内容
为了解决上述问题,本发明提供一种智能配电网区域态势要素感知方法及系统,其能够对配电网进行区域态势要素感知,掌握配电网运行态势,在一定的时空范围内,认知及理解影响主动配电网运行的多种因素,准确有效地预测配电网的安全运行态势。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种智能配电网区域态势要素感知方法。
在一个或多个实施例中,一种智能配电网区域态势要素感知方法,包括:
实时获取配电网各节点量测的负荷、电压与电流数据以及当前微气象数据,并从历史数据库中调取设备故障历史数据;
基于配电网各节点量测的负荷、电压与电流数据以及当前微气象数据估计配电网运行状态并输出线路故障报警信息,同时基于设备故障历史数据评估出配电网停电风险以及配电网失负荷运行风险。
本发明的第二个方面提供一种智能配电网区域态势要素感知系统。
在一个或多个实施例中,一种智能配电网区域态势要素感知系统,包括:
态势要素获取模块,其用于:实时获取配电网各节点量测的负荷、电压与电流数据以及当前微气象数据,并从历史数据库中调取设备故障历史数据;
态势理解模块,其用于:基于配电网各节点量测的负荷、电压与电流数据以及当前微气象数据估计配电网运行状态并输出线路故障报警信息,同时基于设备故障历史数据评估出配电网停电风险以及配电网失负荷运行风险。
本发明的第三个方面提供一种计算机可读存储介质。
在一个或多个实施例中,一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的智能配电网区域态势要素感知方法中的步骤。
本发明的第四个方面提供一种计算机设备。
在一个或多个实施例中,一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的智能配电网区域态势要素感知方法中的步骤。
与现有技术相比,本发明的有益效果是:
在配电网态势感知中,态势要素的采集通过对外界环境和配电网的运行状态等数据进行收集,提取关键要素主要包括气象要素,配电网运行状态要素,设备健康信息、设备检修计划等设备状态要素,感知配电网的运行状态,基于配电网各节点量测的负荷、电压与电流数据以及当前微气象数据估计配电网运行状态并输出线路故障报警信息,同时基于设备故障历史数据评估出配电网停电风险以及配电网失负荷运行风险,进行安全风险分析与预警,形成深度的态势感知,实现准确有效预测配电网的安全运行态势的目的。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的一种智能配电网区域态势要素感知方法原理图;
图2是本发明实施例的PMU基本框架的结构示意图;
图3是本发明实施例的面向状态估计的多元混合数据库;
图4是本发明实施例的风险分析流程;
图5是本发明实施例的效用理论曲线;
图6是本发明实施例的自动变步长的方法流程;
图7是本发明实施例的某市某区域10kv电压等级的配电网。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1,本实施例的一种智能配电网区域态势要素感知方法,包括:
(1)态势要素获取步骤:实时获取配电网各节点量测的负荷、电压与电流数据以及当前微气象数据,并从历史数据库中调取设备故障历史数据。
微气象数据可从气象数据库内或是采用相关气象传感器获取,比如温度传感器、风力传感器等。
配电网各节点量测的负荷、电压与电流数据等数据可通过以下技术获取:
同步相量测量技术(Synchronized Phasor Measurements)是电力系统中的一项重要的量测技术,它的诞生得益于全球定位系统(GPS)的出现于电力系统微机保护信号采样及数据处理技术的发展。同步相量测量系统可提供最小同步精度为 1μs的三相电压及电流测量值,并附带相角信息,同时同步测量系统或广域监测系统(Wide Area MeasurementSystem,WAMS)也可测量本地频率和频率变化率。在关键节点,该系统还可以定制测量谐波及其他电能质量参数。
不同厂商制造的PMU各不相同,因此很难给出一种适用所有PMU厂商的硬件配置。图2给出了PMU基本框架的结构示意图。图2所示结构中,模拟量的输入是从电力系统二次侧的电流和电压互感器采集到的电流和电压信号。 PMU同时采集三相电流和三相电压,并可采集一个变电站多条线路的电流和不同母线上的电压。
电流和电压输入信号经变换器转变为符合模数转换器要求的电压信号 (单位电压通常在±10V范围内)。低通滤波器的截止频率和频率响应由采样频率决定。一般来说,低通滤波器为模拟型滤波器,并且其截止频率小于采样频率的一半,以满足奈奎斯特采样定理的要求。与许多微机保护装置类似, PMU也可采用高采样频率,并同时设计高截止频率的模拟低通滤波器。在这个模拟低通滤波器后,应用数字抽取滤波器将采样数据变换到一个较低的采样频率。这个与模拟低通滤波器相连的数字抽取滤波器构成的混合滤波器不容易受器件老化和温度变化的影响,性能更加稳定。这确保了所有模拟信号在通过这种滤波器时将产生相同的相移和衰减,及不同信号间的相角差和相对幅值保持不变。过采样技术的另一个好处在于:能够把模拟信号采样值全部存储下来,则PMU又可用作高带宽的数字故障录波器。
PMU量测具有很多优点:可以量测相角;采样间隔短(5ms~30ms);数据同步性好;量测精度高(相角精度可达0.01°)基于当地配电网量测实际情况,建设面向状态估计的多元混合数据库,如图3所示,包括PMU量测、RTU (远程终端单元)量测、FTU(馈线终端单元)量测、DTU(配电自动化终端) 量测、AMI量测、负荷预测等多种量测伪量测数据库。
远程终端单元(Remote Terminal Unit,RTU),一种针对通信距离较长和工业现场环境恶劣而设计的具有模块化结构的、特殊的计算机测控单元。
远程终端单元(Remote Terminal Unit,RTU),一种针对通信距离较长和工业现场环境恶劣而设计的具有模块化结构的、特殊的计算机测控单元,它将末端检测仪表和执行机构与远程调控中心的主计算机连接起来,具有远程数据采集、控制和通信功能,能接收主计算机的操作指令,控制末端的执行机构动作。按照国标CB/T 14429-93《远动设备及系统术语》中的定义,远动指应用通信技术,完成遥测、遥信、遥控和遥调等功能的总称,简称“四遥”
配电开关监控终端(简称FTU),具有遥控、遥信,故障检测功能,并与配电自动化主站通信,提供配电系统运行情况和各种参数即监测控制所需信息,包括开关状态、电能参数、相间故障、接地故障以及故障时的参数,并执行配电主站下发的命令,对配电设备进行调节和控制,实现故障定位、故障隔离和非故障区域快速恢复供电等功能。
配电终端单元(Distribution Terminal Unit),用于开闭所,环网柜,变电所的多回路数据采集、通讯、管理。DTU的主要功能是把远端设备的数据通过无线的方式传送回后台中心。具有更多回路,更多参数监控管理的能力,并上传至上层主站。
高级计量架构(Advanced Metering Infrastructure,AMI)是一个用来测量、收集、储存、分析和运用用户用电信息的完整的网络处理系统,由安装在用户端的智能电表,位于电力公司内的量测数据管理系统和连接它们的通信系统组成。
(2)态势理解步骤:基于配电网各节点量测的负荷、电压与电流数据以及当前微气象数据估计配电网运行状态并输出线路故障报警信息,同时基于设备故障历史数据评估出配电网停电风险以及配电网失负荷运行风险。
在配电网运行状态估计的过程中:
根据配电网参数和量测配置建立混合量测状态估计模型;
判断是否是RTU/FTU采样时刻,若是,结合上一时刻动态状态估计的预测对量测元件量测进行量测等效变换,组成混合量测;否则,在非RTU/FTU采样时刻,根据量测函数将上一时刻动态状态估计的预测值变换为量测预测值,并与PMU实时量测更新组成混合量测,实现状态预报与量测预报的递归转换;
基于混合量测与上一时刻的动态状态估计值进行动态状态估计,输出动态状态估计结果。
以PMU、RTU、FTU的量测等效变换为例,介绍量测等效变换的基本原理:
若将状态变量设为节点电压的实部和虚部,混合量测系统包含FTU量测、 RTU量测和PMU量测且系统满足可观性要求,且不考虑非实时量测数据,假设FTU的配置能提供主要馈线的功率量测和电压电流幅值量测,RTU能提供主要节点的电压量测和功率量测,PMU能提供重要节点和支路的电压、电流相量量测。
递归方法对状态估计中的伪量测进行预测,这种递归方法指利用动态状态估计计算的状态预测值推算量测量,并计算等效量测误差,再利用推算的量测量结合PMU实时量测进行动态状态估计计算实时状态和下一时刻的状态预测值,构成一个递归循环。具体流程如下:
根据线性量测矩阵和预测协方差矩阵将上一时刻动态状态估计的状态预测递归变换为量测预测结果,递归变换模型如下:
根据更新的PMU实时量测对量测预测值进行更新,设共有a个等效量测量,b个PMU等效量测量,对重新排序为 是非PMU 量测的预测值,是PMU量测的预测值,将替换为PMU实时等效量测量zpmu,k+1,形成更新后的等效量测预测量测误差方差也进行相应的排序,其中对应PMU量测的误差被替换为PMU实时量测误差,形成新的量测预测方差
多元混合数据库中各量测手段的刷新周期不同,需要建立多时空尺度的状态估计。基于RTU、PMU、AMI混合量测,提出了一种主动配电网状态估计架构,在一段刷新周期内使用了多种状态估计包括非线性静态状态估计、线性静态状态估计、线性动态状态估计,其中线性动态状态估计用于预测电压相量,为静态状态估计提供伪量测,静态状态估计反过来又为下一时刻的线性动态状态估计提供功率伪量测,从而形成实时动态的状态估计循环。在面向态势感知的状态估计架构中,需要根据态势感知的要求对状态估计量进行调整;另一方面不同的配电网运行状态和风险等级对状态估计时间尺度的要求是不同的。基于以上两点考虑对配电网分时段状态估计架构进行改进。
在配电网运行状态评估的过程中,还基于风险理论和效用理论进行配网安全风险性评估。
风险理论:
传统确定性安全评估的目的是测试系统在预想故障集下承受扰动的能力。典型的例子是N-1校验。校验后的结果需要系统的每条线路的电流都在额定安全电流之内。评估的结果为安全或不安全。这个方法简单,但是评价结果却很粗糙,没有体现系统安全水平在变化过程中的本质。风险理论是研究能导致伤害的可能性和这种伤害严重程度的理论。设计人员和安全工程师应用风险评估能够以一种系统的方式检查由于设备的使用而产生的灾害,从而可以选择合适的安全措施。因此,将风险理论运用到安全性评估过程中是十分有益的。
风险这一概念虽然由来已久,但至今未有一个统一的定义,对于风险的定义,主要的观点如下:
(1)风险是事件未来结果的不确定性。其中,一种观点认为风险就是不确定性,与不确定性在本质上是一致的。另种观点认为风险与不确定性有密切联系,但二者本质有差别。奈特在其书中认为风险是一种概率型随机事件,如果一个行为所面临的随机性能用具体的数值概率来量化,即为风险;如果不能确定具体的概率值,就称为不确定性。
(2)风险是损失机会或者损失可能性。美国学者海斯在年首先从经济学角度提出风险的定义,认为风险是损失的可能性。等人定义风险为不利事件或事件集发生的机会,并用概率表示,即把风险视为在给定条件下各种可能的结果中较坏结果出现的可能性大小,这种可能性定义为预期结果的不利偏差,与较坏结果的发生概率相对应,是一种相对数量的测度指标。
(3)风险是实际结果与预期结果的偏差。这一定义是用波动性来解释风险的典型代表。首先,这些波动是一种未来结果的不确定性,不是事先可准确预知的变动或律动。其次,这些波动又是具有一些统计特性的频繁甚至连续的变动。衡量波动性的数理统计方法主要有变量的期望值和方差(或标准差)。其中,期望值表示变量波动变化的集中趋势和平均水平,而方差则表示变量变化的离散趋势,即风险水平。
比较上述三种观点,大多数学者都认为第三种观点最接近风险的本质。因此风险在应用中常被定义为:能导致伤害的灾难可能性和这种伤害的严重程度。从定义可以看出,伤害发生的可能性与后果的严重程度是风险的两个重要因素,风险指标就是应用这两者的乘积来表示的。风险指标定量地描述了系统的安全状态,计算公式如下:
式中,i为预想事故集中的元件集合;Xt是故障前的运行状态;E是不确定的事故;C是不确定事故造成的后果;P(E/Xt)是在Xt下E出现的概率;S(C/E)是在E下产生C后果的严重程度;R(C/Xt)是风险指标值。
风险具有以下特点:
(1)风险具有客观性。风险的存在不以人的主观意志为转移。另外,风险的客观性还体现在其可测性上,即应用概率手段来度量风险的大小。
(2)风险具有普遍性。风险是普遍存在的,在人类生活的个个领域内的,随时面临着各种各样的风险。
(3)风险具有可变性。风险是不断变化的,当决定风险的因素发生变化时,风险的内容和大小也会发生相应地变化。
(4)风险具有部分可识别性。有些风险是可以识别的,在风险发生之前,人们可以通过现有的一些手段判断某种风险发生的可能性以及风险可能会带來的后果严重程度,定性或定量的描述风险的存在。
(5)风险具有部分可控性。有些风险的发生是可以控制的,有些风险则不能,因此风险控制就是针对不同的风险采取不同的控制措施尽量避免风险的发生,或者减少风险发生后的后果严重程度。
釆用风险理论对系统进行安全分析的过程是风险分析,欧洲机器安全规范标准对风险分析进行了定义:采用一系列的逻辑步骤,使设计人员和安全工程师能够以一种系统的方式检查由于机器的使用而产生的灾害,从而可以选择合适的安全措施。风险分析的具体流程主要包括个步骤:①选择可能发生故障的元件,确定预想事故集;②确定可能发生事故的可能性;③评估事故产生的后果严重程度;④计算相应的风险指标;⑤评估风险的可接受程度;⑥采取措施来减少不可接受的风险。如图4所示。
效用理论:
早期的风险评估研究中往往根据期望损失大小来度量风险大小,这种方法不能够很好地比较高损失、低概率与低损失、高概率风险间的差异,而实际上前者的风险更大,这体现了人们对高损失事故的回避。风险评估中的严重程度函数应能反映不同问题间的相对严重程度和元件越限的程度。基于效用理论的故障严重程度度量方法可以很好地反映这种情况。以下以效用理论在经济领域的应用为例做详细介绍。
效用理论的应用最早始于经济学研究。在经济学领域,效用指商品或劳务满足人的欲望或者需要的能力。一种商品或劳务是否具有效用,具有多大的效用,取决于它能否满足和在多大程度上满足人的欲望和需要。效用函数是对效用的一种度量方法,给出了综合满意程度的量化形式。由于效用函数的形式视决策者对风险态度的不同而不同,因而效用函数的类型就多种多样,常用效用函数有保守型(风险厌恶型)、冒险型(风险喜好型)和中立型(风险中立型),图形如图5所示。
设u(x)为效用函数,x为货币额,且u(x)连续,有一阶、二阶导数,则有:
(1)u'(x),即u(x)是x的递增函数;
(2)当决策者为保守型,u(x)是凸函数,即u″(x)<0;保守型效用函数表示随着货币额的增多而效用递增,但其递增的速度越来越慢。决策者对利益的反映比较迟缓,但是对损失的反应则很敏感,虽然追求利益,但更要规避风险。这是一种谨慎小心的保守型决策者。这类函数所对应的曲线为保守型效用曲线,如图5的A曲线所示。曲线中间部分呈上凸形状,表示决策者厌恶风险,上凸的越厉害,表示厌恶风险的程度越高。
(3)当决策者为中立型时,u(x)是线性函数,即u″(x)=0。直线型效用函数与决策的货币额成线性关系,决策者对决策风险持中立态度,属中间型决策者。决策者只需要根据期望损益值作为选择方案的标准,而不需要利用效用函数。其所对应的曲线如图5的C曲线所示。
(4)当决策者为冒险型,u(x)是凹函数,即u″(x)>0。冒险型效用函数表示随着货币额的增多而效用递增,而且递增的速度越来越快,决策者想获大利而不关心亏损,也即决策者对于亏损反映迟缓,而对利益却很敏感,是一种想谋大利、不怕冒险的进取型的决策者。这类函数所对应的曲线为冒险型效用曲线,如图5的B曲线所示。曲线中间的部分呈上凹形状,表示决策者喜欢冒险,敢于作大胆的尝试。效用曲线上凹的越厉害,表示决策者冒险性越大。
在配电网运行状态估计的过程中,利用重复潮流对配电网供电能力进行实时评估:从当前运行点出发,设定步长,按照预设负荷增长模式,不断增大负荷并求取它们的潮流解,直到发生越限为止;其中,将发生越限的临界点所对应的负荷为配电网的当前运行方式所能供应的最大负荷。
配电网供电能力评估的本质是在给定的运行方式及负荷增长模式下求取一个临界点,在该临界点恰好有以约束作用,当负荷有一微小增长,越过该临界点时将有越界发生,该临界点就对应着配电网的最大供电能力,最大供电能力与当前所供应负荷之差即为剩余的供电裕度。
在配电网最大供电能力的求解过程中,负荷增长倍数k的步长的选取是非常重要的,如果步长选得过大,计算结果的精度就会很低,如果步长过小,则收敛速度又太慢。鉴于上述问题,在负荷增长过程中,采用自动变步长的方法逐步向前搜索:若搜索成功即没有越限发生,则以原步长继续向前搜索;若搜索失败即发生越限,则步长减半,如此反复,直到步长减小到满足精度为止。
如图6所示,详细步骤如下:
步骤1:确定初始搜索步长h0>0及收敛精度ε>0;
步骤2:确定负荷增长模式Sd,令S等于当前的实际负荷S0,h=h0,K=1;
步骤3:若h>ε,则继续进行下一步;若h<ε,则计算结束,返回S和K,S 即为配电网在当前运行方式下可供应的最大负荷,S-S0即为剩余的供电裕度,K为供电倍数;
步骤4:计算S′=S+hSd;
步骤5:以S′为基准进行潮流计算,判断是否有越限发生,如果没有越限,则继续下一步,否则转步骤7;
步骤6:令S=S',转步骤4;
步骤7:步长缩小为原来的一半,即h=h/2,转步骤3。
基于重复潮流的配电网供电能力评估算法具有以下优点:
适用范围广,对配电网的电压等级和接线形式没有特殊要求;
考虑约束条件全面,可计及支路容量约束、节点电压约束等各种运行约束条件;
简单、容易实现,且能够准确地得到当前运行方式的最大供电能力和剩余供电裕度;
计算量小,由于实际配电网的最大供电能力不会超过实际负荷很多倍,因此取初始步长h0=2时,一般迭代不超过4次便会有越限发生,取收敛精度ε=10-3时,整个迭代过程中潮流计算的次数一般为10次左右,计算量明显小于各种智能算法,因此基于重复潮流求取临界点的方法很适合在配电网供电能力实时评估这一物理问题中应用。
实际算例采用某市某区域10kv电压等级的配电网,含一台变比为 10000/400的油浸式变压器,变压器额定容量为800KVA。整个区域共分为A、 B、C三个台区,网络共8个节点,由8条线路连接,其中一条为联络线路,A 区1节点负荷为中央商务区和某公司的总负荷,A区2、3节点负荷某小区的负荷,B区1节点负荷为某公司和商务区的总负荷为,B区2节点负荷为某小区物业公司负荷,C区1、2节点负荷为某小区的总负荷。其拓扑如图7所示。
算例以3月13日上午11:00作为当前时刻,各节点负荷和线路具体参数如下:
表1 3.13日11:00各节点负荷
序号 | 有功功率(kw) | 无功功率(kvar) |
2 | 106.8 | 38.8 |
3 | 68.7 | 25 |
4 | 120.3 | 43.8 |
5 | 78.2 | 28.5 |
6 | 10 | 3.7 |
7 | 8.7 | 3.2 |
8 | 10.1 | 3.6 |
表2某配电台区支路参数
始节点 | 末节点 | R(Ω) | X(Ω) |
1 | 2 | 0.0367 | 0.0479 |
2 | 3 | 0.0205 | 0.0267 |
3 | 4 | 0.0581 | 0.0758 |
1 | 5 | 0.0337 | 0.044 |
5 | 6 | 0.0116 | 0.0152 |
6 | 7 | 0.0116 | 0.0152 |
7 | 8 | 0.0116 | 0.0152 |
4 | 5 | 0.0464 | 0.0606 |
基于当前时刻的负荷数据和线路参数进行配电网快速潮流计算,潮流计算结果如下:
表3支路潮流计算结果
由算例结果可知,该区域配电网的当前时刻运行安全性好,全部的线路和配电都没有处于过载或者重载现象,各节点电压标幺值均接近于1,没有出现低电压的风险。当前运行状态的供电可靠性较好,距离最大供电能力还有 357kw+127jkvar的供电裕度,设备利用率也仅有53.4%,通过该区域两周的负荷变化情况可知,该区域的负荷水平较低,即便在一天中的峰值时刻,该网络也具备很好的供电可靠性。由此可知,该区域配网在保证了安全同时,也保证了配网的供电可靠性。
具体地,所述智能配电网区域态势要素感知方法,还包括态势预测步骤:
基于实时负荷量测及最小二乘支持向量机的负荷短期预测方法得到未来时刻的负荷,再采用配电网快速潮流计算得到未来时刻的电气量,基于潮流计算结果计算相关指标,评估未来时刻配电网的运行状态,实现未来态势预测。
本实施例综合考虑计算速度与精度两方面,关于预测速度方面,根据最小二乘支持向量机计算速度快且相对传统预测方法对波动性大的负荷序列预测效果较好的特点,采用最小二乘支持向量机进行预测,关于预测精度方面,从误差方面入手,利用BP神经网络强大的非线性映射能力对最小二乘支持向量机预测的误差进行预测,通过误差校正环节对预测值进行校正,提高预测精度。
BP神经网络的优势是具有强大的自主学习能力,网络训练前无需建立精确地的数学模型及物理模型,通过训练能够实现任何复杂的非线性映射功能。本实施例采用BP神经网络滚动预测法对负荷的误差进行预测,根据负荷预测误差的相似性及规律性,将预测日前4日相同时刻的误差作为输入,来预测当日相同时刻的误差,因此为了保证网络模型的一致性。
在线负荷预测的运行流程为:
准备第i天t时刻的用于最小二乘支持向量机的预测样本和用于BP神经网络模型的误差预测样本;
输入第i天t时刻的预测样本,得到t时刻负荷预测值li,t,此预测值是未经过误差修正的;
加载训练好的对应于t时刻的BP神经网络,以误差预测样本作为网络输入,得到第i天t时刻的误差预测值ei,t;
将LSSVM预测得到的负荷预测值li,t与对应BP神经网络得到的误差预测值ei,t相加,得到最终第i天t时刻的超短期负荷预测值Li,t=li,t+ei,t。
所述智能配电网区域态势要素感知方法,还包括基于线路故障报警信息形成相应序列并判断线路故障类型,其过程为:
采用Apriori算法对预处理后的线路故障报警信息序列进行频繁项集挖掘,找到所有线路故障报警信息频繁项集;
按照与预处理编号过程相逆的步骤,以产生线路故障报警信息和线路故障类型之间的关联规则;
依据关联规则及当前线路故障报警信息序列,得到对应的线路故障类型。
其中,关联规则挖掘过程主要包含两个阶段:第一阶段必须先从资料集合中找出所有的高频项目组(Frequent Itemset),第二阶段再由这些高频项目组中产生关联规则(Association Rules)。
关联规则挖掘的第一阶段必须从原始资料集合中,找出所有高频项目组 (LargeItemset)。高频的意思是指某一项目组出现的频率相对于所有记录而言,必须达到某一水平。一项目组出现的频率称为支持度(Support),以一个包含A与 B两个项目的2-itemset为例,我们可以经由公式求得包含{A,B}项目组的支持度,若支持度大于等于所设定的最小支持度(Minimum Support)门槛值时,则{A,B} 称为高频项目组。一个满足最小支持度的k-itemset,则称为高频k-项目组 (Frequent k-itemset),一般表示为Large k或Frequentk。算法并从Large k的项目组中再产生Large k+1,直到无法再找到更长的高频项目组为止。
关联规则挖掘的第二阶段是要产生关联规则(Association Rules)。从高频项目组产生关联规则,是利用前一步骤的高频k-项目组来产生规则,在最小信赖度 (MinimumConfidence)的条件门槛下,若一规则所求得的信赖度满足最小信赖度,称此规则为关联规则。例如:经由高频k-项目组{A,B}所产生的规则AB,其信赖度可经由公式求得,若信赖度大于等于最小信赖度,则称AB为关联规则。
因此,大多数关联规则挖掘算法通常采用的一种策略是,将关联规则挖掘任务分解为如下两个主要的子任务。(1)频繁项集产生:其目标是发现满足最小支持度阈值的所有项集,这些项集称作频繁项集。(2)规则的产生:其目标是从上一步发现的频繁项集中提取所有高置信度的规则,这些规则称作强规则。
电网故障数据库中存在大量线路故障报警信息,需要对这些数据进行预处理。数据预处理包括线路故障元事件的选取、排序、分类、编号,其简介如下:
线路故障元事件的选取:
线路故障信息应包含SOE数据、遥信变位数据(包括断路器、保护信号)、遥测数据、调度员日志。
SOE数据是包含时标的数据,不受通信系统传输导致信息延迟的影响,可以准确知道故障信息报发的先后顺序。
遥信变位数据可以反映线路故障时保护动作信息和断路器跳闸信息。
遥测数据可以反映线路故障时相关遥测值的变化,当某些报警发生时是否有相应的遥测越限情况,有助于判断是否为真实的故障。遥测数据需要进行逻辑转换。
调度员日志是确定电网真实故障的依据。因为由于装置的误动或人为的误操作可能会导致报警信息中某些故障不是真实发生的,同时通过调度员的记录可以知道故障是瞬时的还是永久的。通过上述信息应能获取历史上真实事故发生的时间,当时电网运行的情况,调度员采取的措施。选取所需的线路故障信息保存到电网报警数据仓库中,全过程由程序执行,也可以人工调整。
线路故障元事件:
每个线路故障元事件中的故障信号均以具体文字描述,计算时所需内存大,因此将各故障信号转化为以编号代码表述,具体对应如表所示。
表4线路故障报警信号编号代码表
表5线路故障类型编号代码表
本实施例的Apriori算法在传统Apriori算法的基础上,修改以下内容:
对故障影响因素进行相关性分析,考察各种参数之间的线性相关程度,对于部分相关程度较高的特征,进行属性项约简,只保留其中一种参数。
修改“支持度”定义,如下所示:
其中:count(X∪Y)表示历史数据中XY事件组合的总故障次数;count(DXY)表示XY事件组合在历史数据统计时段内的总出现天数;count(T)表示历史数据的总故障次数;count(DT)表示历史数据统计时段的总天数。
因此,“支持度”的物理含义是,XY事件组合的日均故障次数与全部历史数据的总日均故障次数的比例。支持度大于1,表示XY事件组合的日均故障次数超出总体日均故障平均值,故障多发。支持度越大,故障频次越高,风险越高。
除修改最小支持度判据外,另外增加判定条件如下:
countDX≥ε
该式的含义为:历史故障所产生的故障报警信号需大于等于ε个。由此可以避免极其偶然因素导致的过关联现象发生。
在关联规则产生的过程中,对于线路故障报警信息进行规则匹配,对于未找到匹配规则的故障,将该次故障视为稀有故障,判断其中是否含有错误信息,若没有错误信息则新增规则来适应稀有故障。
在关联规则的产生过程中,每次对实时故障报警信息挖掘完成后,都更新线路故障类型计数和规则库中规则的可信度。
实施例二
本实施例提供了一种智能配电网区域态势要素感知系统,包括:
态势要素获取模块,其用于:实时获取配电网各节点量测的负荷、电压与电流数据以及当前微气象数据,并从历史数据库中调取设备故障历史数据;
态势理解模块,其用于:基于配电网各节点量测的负荷、电压与电流数据以及当前微气象数据估计配电网运行状态并输出线路故障报警信息,同时基于设备故障历史数据评估出配电网停电风险以及配电网失负荷运行风险。
在其他实施例中,所述智能配电网区域态势要素感知系统,还包括态势预测模块,其用于:
基于实时负荷量测及最小二乘支持向量机的负荷短期预测方法得到未来时刻的负荷,再采用配电网快速潮流计算得到未来时刻的电气量,基于潮流计算结果计算相关指标,评估未来时刻配电网的运行状态,实现未来态势预测。
本实施例的智能配电网区域态势要素感知系统与实施例一的智能配电网区域态势要素感知方法相对应,其中,智能配电网区域态势要素感知系统各个模块的具体实施过程与智能配电网区域态势要素感知方法中各个步骤相对应,其具体实施过程如实施例一所述,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的智能配电网区域态势要素感知方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的智能配电网区域态势要素感知方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能配电网区域态势要素感知方法,其特征在于,包括:
实时获取配电网各节点量测的负荷、电压与电流数据以及当前微气象数据,并从历史数据库中调取设备故障历史数据;
基于配电网各节点量测的负荷、电压与电流数据以及当前微气象数据估计配电网运行状态并输出线路故障报警信息,同时基于设备故障历史数据评估出配电网停电风险以及配电网失负荷运行风险。
2.如权利要求1所述的智能配电网区域态势要素感知方法,其特征在于,所述智能配电网区域态势要素感知方法,还包括:
基于实时负荷量测及最小二乘支持向量机的负荷短期预测方法得到未来时刻的负荷,再采用配电网快速潮流计算得到未来时刻的电气量,基于潮流计算结果计算相关指标,评估未来时刻配电网的运行状态,实现未来态势预测。
3.如权利要求1所述的智能配电网区域态势要素感知方法,其特征在于,在配电网运行状态估计的过程中:
根据配电网参数和量测配置建立混合量测状态估计模型;
判断是否是RTU/FTU采样时刻,若是,结合上一时刻动态状态估计的预测对量测元件量测进行量测等效变换,组成混合量测;否则,在非RTU/FTU采样时刻,根据量测函数将上一时刻动态状态估计的预测值变换为量测预测值,并与PMU实时量测更新组成混合量测,实现状态预报与量测预报的递归转换;
基于混合量测与上一时刻的动态状态估计值进行动态状态估计,输出动态状态估计结果。
4.如权利要求1所述的智能配电网区域态势要素感知方法,其特征在于,在配电网运行状态估计的过程中,利用重复潮流对配电网供电能力进行实时评估:从当前运行点出发,设定步长,按照预设负荷增长模式,不断增大负荷并求取它们的潮流解,直到发生越限为止;其中,将发生越限的临界点所对应的负荷为配电网的当前运行方式所能供应的最大负荷。
5.如权利要求4所述的智能配电网区域态势要素感知方法,其特征在于,在负荷增长过程中,若搜索成功即没有越限发生,则以原步长继续向前搜索;若搜索失败即发生越限,则步长减半,如此反复,直到步长减小到满足精度为止。
6.如权利要求1所述的智能配电网区域态势要素感知方法,其特征在于,所述智能配电网区域态势要素感知方法,还包括:
采用Apriori算法对预处理后的线路故障报警信息序列进行频繁项集挖掘,找到所有线路故障报警信息频繁项集;
按照与预处理编号过程相逆的步骤,以产生线路故障报警信息和线路故障类型之间的关联规则;
依据关联规则及当前线路故障报警信息序列,得到对应的线路故障类型。
7.如权利要求6所述的智能配电网区域态势要素感知方法,其特征在于,在关联规则产生的过程中,对于线路故障报警信息进行规则匹配,对于未找到匹配规则的故障,将该次故障视为稀有故障,判断其中是否含有错误信息,若没有错误信息则新增规则来适应稀有故障;
或
在关联规则的产生过程中,每次对实时故障报警信息挖掘完成后,都更新线路故障类型计数和规则库中规则的可信度。
8.一种智能配电网区域态势要素感知系统,其特征在于,包括:
态势要素获取模块,其用于:实时获取配电网各节点量测的负荷、电压与电流数据以及当前微气象数据,并从历史数据库中调取设备故障历史数据;
态势理解模块,其用于:基于配电网各节点量测的负荷、电压与电流数据以及当前微气象数据估计配电网运行状态并输出线路故障报警信息,同时基于设备故障历史数据评估出配电网停电风险以及配电网失负荷运行风险。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的智能配电网区域态势要素感知方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的智能配电网区域态势要素感知方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641005.4A CN112751418A (zh) | 2020-12-31 | 2020-12-31 | 智能配电网区域态势要素感知方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641005.4A CN112751418A (zh) | 2020-12-31 | 2020-12-31 | 智能配电网区域态势要素感知方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112751418A true CN112751418A (zh) | 2021-05-04 |
Family
ID=75651313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011641005.4A Pending CN112751418A (zh) | 2020-12-31 | 2020-12-31 | 智能配电网区域态势要素感知方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112751418A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113595078A (zh) * | 2021-08-20 | 2021-11-02 | 国网四川省电力公司电力科学研究院 | 一种多源混合数据融合的配电网状态估计方法和装置 |
CN113657689A (zh) * | 2021-09-01 | 2021-11-16 | 中国人民解放军国防科技大学 | 一种自适应微型电网的调度优化的方法及系统 |
CN113743622A (zh) * | 2021-08-04 | 2021-12-03 | 珠海许继芝电网自动化有限公司 | 基于n-1准则的配电网分析系统及方法 |
CN115640916A (zh) * | 2022-12-22 | 2023-01-24 | 国网浙江省电力有限公司宁波供电公司 | 分布式电源出力和多能负荷态势感知方法及系统 |
CN116187567A (zh) * | 2023-02-16 | 2023-05-30 | 中国人民解放军国防科技大学 | 一种针对饱和扰动增长模的尺度分离方法、装置和设备 |
CN117094475A (zh) * | 2023-10-18 | 2023-11-21 | 合肥工业大学 | 一种电力配电网故障分析系统 |
CN117114116A (zh) * | 2023-08-04 | 2023-11-24 | 北京杰成合力科技有限公司 | 一种基于机器学习的根因分析方法、介质和设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014173131A1 (zh) * | 2013-04-23 | 2014-10-30 | 国家电网公司 | 一种基于响应的大电网全态势在线一体化量化评估方法 |
CN107274115A (zh) * | 2017-08-11 | 2017-10-20 | 国网江苏省电力公司电力科学研究院 | 基于分布式监测和多源信息融合的主动配电网态势感知系统和方法 |
CN108418204A (zh) * | 2018-02-12 | 2018-08-17 | 浙江大学 | 一种基于态势感知的微电网状态评估方法 |
-
2020
- 2020-12-31 CN CN202011641005.4A patent/CN112751418A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014173131A1 (zh) * | 2013-04-23 | 2014-10-30 | 国家电网公司 | 一种基于响应的大电网全态势在线一体化量化评估方法 |
CN107274115A (zh) * | 2017-08-11 | 2017-10-20 | 国网江苏省电力公司电力科学研究院 | 基于分布式监测和多源信息融合的主动配电网态势感知系统和方法 |
CN108418204A (zh) * | 2018-02-12 | 2018-08-17 | 浙江大学 | 一种基于态势感知的微电网状态评估方法 |
Non-Patent Citations (3)
Title |
---|
于涛等: "基于态势感知的智能配电网运行状态评估", 《山东电力技术》 * |
杨媛媛等: "配电网风险评价体系及其应用" * |
陈昕: "数据挖掘技术在电网报警分析中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743622A (zh) * | 2021-08-04 | 2021-12-03 | 珠海许继芝电网自动化有限公司 | 基于n-1准则的配电网分析系统及方法 |
CN113743622B (zh) * | 2021-08-04 | 2024-05-03 | 珠海许继芝电网自动化有限公司 | 基于n-1准则的配电网分析系统及方法 |
CN113595078A (zh) * | 2021-08-20 | 2021-11-02 | 国网四川省电力公司电力科学研究院 | 一种多源混合数据融合的配电网状态估计方法和装置 |
CN113657689A (zh) * | 2021-09-01 | 2021-11-16 | 中国人民解放军国防科技大学 | 一种自适应微型电网的调度优化的方法及系统 |
CN113657689B (zh) * | 2021-09-01 | 2023-07-14 | 中国人民解放军国防科技大学 | 一种自适应微型电网的调度优化的方法及系统 |
CN115640916A (zh) * | 2022-12-22 | 2023-01-24 | 国网浙江省电力有限公司宁波供电公司 | 分布式电源出力和多能负荷态势感知方法及系统 |
CN116187567A (zh) * | 2023-02-16 | 2023-05-30 | 中国人民解放军国防科技大学 | 一种针对饱和扰动增长模的尺度分离方法、装置和设备 |
CN116187567B (zh) * | 2023-02-16 | 2023-08-08 | 中国人民解放军国防科技大学 | 一种针对饱和扰动增长模的尺度分离方法、装置和设备 |
CN117114116A (zh) * | 2023-08-04 | 2023-11-24 | 北京杰成合力科技有限公司 | 一种基于机器学习的根因分析方法、介质和设备 |
CN117094475A (zh) * | 2023-10-18 | 2023-11-21 | 合肥工业大学 | 一种电力配电网故障分析系统 |
CN117094475B (zh) * | 2023-10-18 | 2024-01-30 | 合肥工业大学 | 一种电力配电网故障分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112751418A (zh) | 智能配电网区域态势要素感知方法及系统 | |
Kezunovic et al. | The role of big data in improving power system operation and protection | |
CN105069535B (zh) | 一种基于arima模型的配电网运行可靠性的预测方法 | |
CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
CN107679768B (zh) | 一种基于电网实时数据的态势感知系统及其构建方法 | |
CN102498629B (zh) | 对电能供应网的监视 | |
CN112288303B (zh) | 确定线损率的方式、装置 | |
KR102625403B1 (ko) | 지역 단위 재생 에너지 통합 관제 시스템 | |
Angioni et al. | Design and implementation of a substation automation unit | |
WO2020162937A1 (en) | Automated model validation system for electrical grid | |
CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
CN109657913B (zh) | 一种考虑分布式电源的输配电网联合风险评估方法 | |
WO2020171814A1 (en) | Event selection for power grid disturbance | |
CN113036786A (zh) | 一种低压配变用户相序识别及三相不平衡调整方法 | |
CN111929527B (zh) | 设备故障特征规则化知识表示的适应性评价系统及方法 | |
Ibe et al. | Adequacy analysis and security reliability evaluation of bulk power system | |
CN117767283A (zh) | 一种基于多策略融合的电网资源趋势预警分析方法及系统 | |
Mauricio et al. | Cuckoo search algorithm optimization of Holt-Winter Method for distribution transformer load forecasting | |
Zolin et al. | Wide Area Monitoring System (WAMS) application in smart grids | |
Jing et al. | Reliability analysis of distribution network operation based on short-term future big data technology | |
Billinton et al. | Basic concepts of power system reliability evaluation | |
Ankaliki | Energy control center functions for power system | |
Khalyasmaa et al. | Fuzzy inference algorithms for power equipment state assessment | |
CN111241354A (zh) | 一种调控云电网运行大数据质量评估方法 | |
Li et al. | Study on electronic energy meter failure power calculation based on metering automation 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210504 |
|
RJ01 | Rejection of invention patent application after publication |