CN112884042A - 一种基于关联向量机的输配电线路最大负荷辨识方法 - Google Patents

一种基于关联向量机的输配电线路最大负荷辨识方法 Download PDF

Info

Publication number
CN112884042A
CN112884042A CN202110200110.2A CN202110200110A CN112884042A CN 112884042 A CN112884042 A CN 112884042A CN 202110200110 A CN202110200110 A CN 202110200110A CN 112884042 A CN112884042 A CN 112884042A
Authority
CN
China
Prior art keywords
power transmission
distribution line
load
data
abnormal
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
Application number
CN202110200110.2A
Other languages
English (en)
Inventor
李宇恒
于迎霞
童钰梅
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.)
Xinjiang University
Original Assignee
Xinjiang 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 Xinjiang University filed Critical Xinjiang University
Priority to CN202110200110.2A priority Critical patent/CN112884042A/zh
Publication of CN112884042A publication Critical patent/CN112884042A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明为一种基于关联向量机的输配电线路最大负荷辨识方法。一种基于关联向量机的输配电线路最大负荷辨识方法，包括以下步骤：S1：应用关联向量机，建立输配电线路日负荷模式的异常模式识别模型；S2：以输配电线路的日负荷数据作为样本，确定该异常模式识别模型的参数；S3：对输配电线路日负荷数据进行分类，提取异常数据并剔除，识别输配电线路真实年最大负荷。本发明涉所述的一种基于关联向量机的输配电线路最大负荷辨识方法,能够消除线路合环运行、负荷割接等影响，准确统计输配电线路的年最大负荷，以支撑电网规划和改造，可避免人工结合电网运行及改造等进一步校核，有助于提高自动化统计结果的准确性。

Description

一种基于关联向量机的输配电线路最大负荷辨识方法
技术领域
本发明属于电力系统自动化领域，具体涉及一种基于关联向量机的输配电线路最大负荷辨识方法。
背景技术
输配电线路最大负荷是电力系统网络N-1分析的基础，也是电网年度运行方式安排，以及规划和改造的关键依据之一。因此，输配电线路最大负荷的准确与否影响重大，对提高其统计分析的自动化水平具有重要意义。
但是，电网的网架是动态变化的，运行方式也是灵活调整的，例如负荷割接、线路串供等，导致以时间为基准采集到的日负荷数据无法准确表征输配电线路的真实负载率。目前广泛采用的措施是自动统计的基础上，人工结合电网运行和改造情况，进一步校核和修正，仍存在效率低，且容易出错等问题。
有鉴于此，本发明为了解决上述问题，基于关联向量机，提出一种新的输配电线路最大负荷辨识方法。
发明内容
本发明的目的是提供一种基于关联向量机的输配电线路最大负荷辨识方法，能够消除线路合环运行、负荷割接等影响，准确统计输配电线路的年最大负荷，以支撑电网规划和改造。
为了实现上述目的，所采用的技术方案为：
一种基于关联向量机的输配电线路最大负荷辨识方法，包括以下步骤：
S1：应用关联向量机，建立输配电线路日负荷模式的异常模式识别模型；
S2：以输配电线路的日负荷数据作为样本，确定所述的异常模式识别模型的参数；
S3：对输配电线路日负荷数据进行分类，提取异常数据并剔除，识别输配电线路真实年最大负荷。
进一步地，所述的步骤S30中，将提取到的异常数据与同期历史数据相比较，进一步核对和验证异常日负荷，再剔除异常数据。
进一步地，所述的步骤S30中，剔除异常数据后，调整统计范围，确保其中所有日负荷数据合理，即可认为由调整后输配电线路合理日负荷数据集合得到的年最大负荷是真实年最大负荷。
与现有技术相比，本发明的有益效果：
本发明通过引入关联向量机辨识输配电线路的年最大负荷，避免了线路合环运行、负荷割接的干扰，准确掌握输配电线路年最大负荷的真实水平，避免人工结合电网运行及改造等进一步校核，有助于提高自动化统计结果的准确性，也有利于电网分析的自动化水平。
附图说明
图1为本发明的工作流程图；
图2为实施例2的电路运行方式。
具体实施方式
为了进一步阐述本发明一种基于关联向量机的输配电线路最大负荷辨识方法，达到预期发明目的，以下结合较佳实施例，对依据本发明提出的一种基于关联向量机的输配电线路最大负荷辨识方法，其具体实施方式、结构、特征及其功效，详细说明如后。在下述说明中，不同的“一实施例”或“实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
下面将结合具体的实施例，对本发明一种基于关联向量机的输配电线路最大负荷辨识方法做进一步的详细介绍：
本发明的技术方案为：
一种基于关联向量机的输配电线路最大负荷辨识方法，包括以下步骤：
S1：应用关联向量机，建立输配电线路日负荷模式的异常模式识别模型；
S2：以输配电线路的日负荷数据作为样本，确定该异常模式识别模型的参数；
S3：对输配电线路日负荷数据进行分类，提取异常数据并剔除，识别输配电线路真实年最大负荷。
优选地，所述的步骤S30中，将提取到的异常数据与同期历史数据相比较，进一步核对和验证异常日负荷，再剔除异常数据。
优选地，所述的步骤S30中，剔除异常数据后，调整统计范围，确保其中所有日负荷数据合理，即可认为由调整后输配电线路合理日负荷数据集合得到的年最大负荷是真实年最大负荷。
实施例1.
结合图1所示的工作流程图，操作步骤如下：
S1：应用关联向量机，建立输配电线路日负荷模式识别模型，用于判别其模式是否异常后，获得异常模式识别模型，即RVM模式识别模型。
利用输配电线路的日负荷数据作为样本，确定该异常模式识别模型的参数。
S2：采用步骤S1得到的RVM模式识别模型，对输配电线路日负荷进行分类，提取异常数据。
S3：将步骤S2得到的异常数据与同期历史数据相比较，进一步核对和验证异常日负荷。
S4：依据步骤S3中的结果，剔除输配电线路异常日负荷数据，调整统计范围，确保其中所有日负荷数据合理，即可认为由调整后输配电线路合理日负荷数据集合得到的年最大负荷是真实年最大负荷。
应用关联向量机建立输配电线路日负荷状态模式辨识模型，具体如下：
将输配电线路日负荷数据状态分为正常和异常两类，通过关联向量机建模找到日负荷向量x＝{xn}与状态目标值t＝{tn},n＝1...N之间的隐式函数y(x)，具体如下：
Figure BDA0002948260710000041
式中，K(x,xi)表示核函数，w＝{w0,w1,…wN}表示权重系数向量，p(ti)表示状态目标值t的概率分布，Ν表示正态分布，δ2为方差。
但对于本发明所涉及的二元分类，应用Sigmoid函数表征状态目标值t的概率分布，更具有普适性：
Figure BDA0002948260710000042
式中，σ表示Sigmoid函数，通过拉普拉斯方法迭代求解：
步骤1：假设α已知，求解极大似然估计权重系数向量wMP
Figure BDA0002948260710000043
Figure BDA0002948260710000044
式中，yi＝σ[y(xi；w)]，α＝[α0,α1,α2,…αN]T为超因子矢量，A表示以α为对角元素的矩阵。通过牛顿法求解：
Figure BDA0002948260710000045
式中，y＝[y1,y2,…,yN]T，
Figure BDA0002948260710000046
Figure BDA0002948260710000047
步骤2：迭代逼近wMP
Figure BDA0002948260710000051
式中，Σi,i是Σ的对角元素。
确定wMP之后，即可进行输配电线路日负荷进行状态模式的识别，找到异常数据。为减少导致误判，将异常日负荷与历史同期数据进行二次比对，消除盲点。剔除异常数据后，可在合理日负荷数据集内，统计分析获得输配电线路真实年最大负荷。
实施例2.
考虑如图2所示运行方式改变：某年某月某日，B变电站检修需线路2XX开关停电，为不中断负荷供电，合上线路1与线路2联络开关、拉开线路2XX开关，将线路2的负荷调线路1供电，导致线路1负荷增加，日最大负荷异常。识别操作步骤如下：
S1：应用关联向量机，建立线路1日负荷模式识别模型，即RVM模式识别模型。利用线路A在上述某年某月某日方式改变前的日负荷数据作为样本，确定该异常模式识别模型的参数。
S2：采用步骤S1得到的RVM模式识别模型，对线路1方式改变日，即某年某月某的日负荷进行分类，发现并提取数据异常。
S3：将步骤S2得到的异常数据与线路1同期历史数据相比较，核对和确认异常。
S4：依据步骤S3中的结果，将线路1某年某月某的日负荷从年统计范围中剔除，排查非正常方式干扰，确保其中所有日负荷数据合理，进而可以得到线路1真实年最大负荷。
以上所述，仅是本发明实施例的较佳实施例而已，并非对本发明实施例作任何形式上的限制，依据本发明实施例的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明实施例技术方案的范围内。

Claims (3)

1.一种基于关联向量机的输配电线路最大负荷辨识方法，其特征在于，包括以下步骤：
S1：应用关联向量机，建立输配电线路日负荷模式的异常模式识别模型；
S2：以输配电线路的日负荷数据作为样本，确定所述的异常模式识别模型的参数；
S3：对输配电线路日负荷数据进行分类，提取异常数据并剔除，识别输配电线路真实年最大负荷。
2.根据权利要求1所述的输配电线路最大负荷辨识方法，其特征在于，
所述的步骤S3中，将提取到的异常数据与同期历史数据相比较，进一步核对和验证异常日负荷，再剔除异常数据。
3.根据权利要求1所述的输配电线路最大负荷辨识方法，其特征在于，
所述的步骤S3中，剔除异常数据后，调整统计范围，确保其中所有日负荷数据合理，即可认为由调整后输配电线路合理日负荷数据集合得到的年最大负荷是真实年最大负荷。
CN202110200110.2A 2021-02-23 2021-02-23 一种基于关联向量机的输配电线路最大负荷辨识方法 Pending CN112884042A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110200110.2A CN112884042A (zh) 2021-02-23 2021-02-23 一种基于关联向量机的输配电线路最大负荷辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110200110.2A CN112884042A (zh) 2021-02-23 2021-02-23 一种基于关联向量机的输配电线路最大负荷辨识方法

Publications (1)

Publication Number Publication Date
CN112884042A true CN112884042A (zh) 2021-06-01

Family

ID=76053783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110200110.2A Pending CN112884042A (zh) 2021-02-23 2021-02-23 一种基于关联向量机的输配电线路最大负荷辨识方法

Country Status (1)

Country Link
CN (1) CN112884042A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007037315A (ja) * 2005-07-28 2007-02-08 Tokyo Electric Power Co Inc:The 配電系統制御方法及び装置
CN101551884A (zh) * 2009-05-08 2009-10-07 华北电力大学 面向大规模样本的cvr电力负荷快速预测方法
CN106529786A (zh) * 2016-10-26 2017-03-22 珠海许继芝电网自动化有限公司 一种基于大数据分析的配电网负荷校准方法和装置
CN106709816A (zh) * 2016-11-29 2017-05-24 国网陕西省电力公司电力科学研究院 基于非参数回归分析的电力负荷异常数据识别与修正方法
CN109583680A (zh) * 2018-09-30 2019-04-05 国网浙江长兴县供电有限公司 一种基于支持向量机的窃电辨识方法
CN111324790A (zh) * 2020-02-20 2020-06-23 国网新疆电力有限公司电力科学研究院 基于支持向量机分类的负荷类型识别方法
CN111401757A (zh) * 2020-03-19 2020-07-10 西安交通大学 一种计及时空相关性的多区域电力负荷时序场景建模方法
CN111815054A (zh) * 2020-03-31 2020-10-23 浙江大学 基于大数据的工业蒸汽热网短期负荷预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007037315A (ja) * 2005-07-28 2007-02-08 Tokyo Electric Power Co Inc:The 配電系統制御方法及び装置
CN101551884A (zh) * 2009-05-08 2009-10-07 华北电力大学 面向大规模样本的cvr电力负荷快速预测方法
CN106529786A (zh) * 2016-10-26 2017-03-22 珠海许继芝电网自动化有限公司 一种基于大数据分析的配电网负荷校准方法和装置
CN106709816A (zh) * 2016-11-29 2017-05-24 国网陕西省电力公司电力科学研究院 基于非参数回归分析的电力负荷异常数据识别与修正方法
CN109583680A (zh) * 2018-09-30 2019-04-05 国网浙江长兴县供电有限公司 一种基于支持向量机的窃电辨识方法
CN111324790A (zh) * 2020-02-20 2020-06-23 国网新疆电力有限公司电力科学研究院 基于支持向量机分类的负荷类型识别方法
CN111401757A (zh) * 2020-03-19 2020-07-10 西安交通大学 一种计及时空相关性的多区域电力负荷时序场景建模方法
CN111815054A (zh) * 2020-03-31 2020-10-23 浙江大学 基于大数据的工业蒸汽热网短期负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任明明: "基于频域分解的短期负荷预测研究" *

Similar Documents

Publication Publication Date Title
CN112699913B (zh) 一种台区户变关系异常诊断方法及装置
CN106959400B (zh) 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法
CN111505433B (zh) 一种低压台区户变关系纠错及相位识别方法
CN111784093B (zh) 一种基于电力大数据分析的企业复工辅助判断方法
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN105574666A (zh) 一种基于关键数据建模的评定企业信用等级的方法及装置
CN112434942A (zh) 一种反窃电智能预警及用户用电行为分析方法
CN116028887A (zh) 一种连续性工业生产数据的分析方法
CN110059126B (zh) 基于lkj异常值数据的复杂关联网络分析方法及系统
CN114358157A (zh) 一种基于时序数据LSTM特征的K-Shape聚类方法
CN114493619A (zh) 一种基于电力数据的企业征信标签构建方法
CN114118245A (zh) 一种电网设备资产台账异常数据自动修复系统及方法
CN111311025B (zh) 一种基于气象相似日的负荷预测方法
CN117407313A (zh) 一种基于机器学习分析自动化测试质量的方法及系统
CN117559443A (zh) 尖峰负荷下大工业用户集群有序用电控制方法
CN112884042A (zh) 一种基于关联向量机的输配电线路最大负荷辨识方法
CN112801315A (zh) 电力二次设备的状态诊断方法、装置及终端
CN112561388A (zh) 一种基于物联网的信息处理方法、装置及设备
CN116826976A (zh) 一种配网运行自动化监管控制系统
CN115994784A (zh) 一种价格确定模型及其构建方法
CN115619763A (zh) 基于多级推理检测的输电线路小部件图像目标检测方法
CN115470854A (zh) 信息系统故障分类方法及分类系统
CN115081515A (zh) 能效评价模型构建方法、装置、终端及存储介质
CN111882289B (zh) 一种项目数据审核指标区间测算的装置和方法
CN113902485A (zh) 一种专变电力用户行业识别方法、装置及设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210601