CN113131515B - 智能微电网ai故障检测及网络优化重构系统及方法 - Google Patents

智能微电网ai故障检测及网络优化重构系统及方法 Download PDF

Info

Publication number
CN113131515B
CN113131515B CN202110370769.2A CN202110370769A CN113131515B CN 113131515 B CN113131515 B CN 113131515B CN 202110370769 A CN202110370769 A CN 202110370769A CN 113131515 B CN113131515 B CN 113131515B
Authority
CN
China
Prior art keywords
grid
data
network
micro
intelligent
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
CN202110370769.2A
Other languages
English (en)
Other versions
CN113131515A (zh
Inventor
丁惜瀛
岳琦
刘昊程
李晓东
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.)
Zhu Yiquan
Original Assignee
Shenyang University of Technology
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 Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN202110370769.2A priority Critical patent/CN113131515B/zh
Publication of CN113131515A publication Critical patent/CN113131515A/zh
Application granted granted Critical
Publication of CN113131515B publication Critical patent/CN113131515B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/002—Measuring real component
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/003—Measuring reactive component
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明涉及一种智能微电网AI故障检测及网络优化重构系统，该系统的微源依次连接逆变器、第一智能调节设备，第一智能调节设备再连接到供电线路上，供电线路再通过第二智能调节设备连接到用电客户端，逆变器、第二智能调节设备和网络重构模块均与中央控制器连接；故障识别分类器输入端与多个分布式发电设备和用电客户端连接，故障识别分类器输出端与网络重构模块的输入端连接，网络重构模块的输出端分别与第一智能调节设备和第二智能调节设备连接；供电线路上还连接有并离网开关和大电网。本发明提升故障状态下智能微电网的运行效率及运行稳定性，能够迅速且准确的识别故障，减小网络损耗。

Description

智能微电网AI故障检测及网络优化重构系统及方法
技术领域
本发明公开了一种基于智能微电网AI故障检测及网络优化重构系统及方法，及基于故障识别的智能微电网网络优化重构方法，主要涉及智能微电网、AI故障识别技术及网络优化重构技术。
背景技术
虽然2000年初欧美就已经提出微网，但长期以来我国只能停留在理论研究阶段。微网这种直接面向用户供电和售电的系统，在我国没有适合其生存的土壤，一直到2014年，我国能源行业开始进入了体制机制改革与技术创新的快速发展期。然而微网中存在多种能源输入与输出、多种能量转换装置和多种微网运行状态，微网中风光发电装置受天气因素影响较大，设备运行成本各不相同，使得微网运行动态特性相对于大电网和单个分布式发电系统而言采集的数据类型和数据量更为复杂，且由于单个微网通常负责中小范围区域的能源需求，其鲁棒性较差，负荷波动对能源质量要求的影响较为明显，在并网状态时甚至会对大电网的正常运行产生不良影响，故微网的控制系统需要更加精确及高效。
与传统电网相比，智能微电网结构复杂，存在诸多传统方法难以检测出的潜在故障，导致配置结构变化，进而对智能微电网安全稳定运行产生较为明显的影响，系统运行效率下降甚至产生系统性失稳。
发明内容
发明目的：
本发明公开了一种智能微电网AI故障检测及网络优化重构系统及方法，其目的在于提升故障状态下智能微电网的运行效率及运行稳定性。
技术方案：
一种智能微电网AI故障检测及网络优化重构系统，该系统包括微源、逆变器、第一智能调节设备、第二智能调节设备、供电线路、用电客户端、故障识别分类器、网络重构模块、并离网开关、大电网和中央控制器，微源依次连接逆变器、第一智能调节设备，第一智能调节设备再连接到供电线路上，供电线路再通过第二智能调节设备连接到用电客户端，逆变器、第二智能调节设备和网络重构模块均与中央控制器连接；故障识别分类器输入端与多个分布式发电设备和用电客户端连接，故障识别分类器输出端与网络重构模块的输入端连接，网络重构模块的输出端分别与第一智能调节设备和第二智能调节设备连接；供电线路上还连接有并离网开关和大电网。
微源包括光伏发电设备、风力发电设备、燃气轮机发电设备和蓄电池。
中央控制器的控制为逆变器控制策略，控制策略采用下垂控制方法，使微源按照中央控制器系统下达的功率给定值分配系统中的瞬时负荷功率波动，协调微源。
一种智能微电网AI故障检测及网络优化重构系统的方法，步骤为：
(1)网架结构数据的采集：中央控制器采集智能微电网选定位置处的数据，通过在线检测，获取智能微电网选定位置处的电压、电流、频率、有功、无功功率及对应实测数据基础上的衍生数据，并构建出灰度图片，作为网架结构数据，网架结构数据作为故障识别分类器的输入，用于故障设别网络的训练及校验；
(2)采用卷积神经网络结构，采用步骤(1)中的网架结构数据构建故障识别分类器；
(3)基于卷积神经网络结构，将训练及校验数据进行分组；
(4)在线检测，通过在线检测，获取待检测位置处的电压、电流、频率、有功、无功功率，并构建出灰度图片，作为待检测的网架结构数据，依据步骤(2)中的故障识别分类器训练待检测的网架结构数据，进行故障识别网络；
(5)待检测的网架结构数据训练合格后，对辐射状的网络结构逐个进行潮流计算，引用目标函数得到各种网络结构的线路损耗值；
(6)比较各种网络结构的线路损耗值，得出其中最小线路损耗和对应的网络结构；
(7)网络重构模块通过第一智能调节设备切断或限制微源的功率输出，中央控制器控制支路开关和联络开关的通断，得到优化后的网络结构，从而实现智能微电网AI故障检测及网络优化重构。
网架结构数据的采集过程：
1)数据采集，在智能微电网各个微源、负荷及供电线路点处添加电压电流检测模块，并从电压电流信号引出，使用相应模块得到电压电流有效值、频率、有功功率、无功功率及谐波含量，由此可进行数据处理；
2)数据处理，将使用公式将各类数据进行归一化处理，将上述处理后的数据按类型合并，按需求列为矩阵，在根据该矩阵制成符合卷积神经网络的灰度图片；
3)矩阵制图，矩阵制图由识别数据矩阵排列完成，且数据均为0至64之间，
数据矩阵如下：
式中，UDG1为光伏发电设备的电压；UDG2为风力发电设备的电压；UDG3为燃气轮机发电设备的电压；UDG4为蓄电池发电设备的电压；Uload1为居民用电的电压；Uload2为企业用电的电压；Uload3为商业用电的电压；UX为供电线路的电压；IDG1为光伏发电设备的电流；IDG2为风力发电设备的电流；IDG3为燃气轮机发电设备的电流；IDG4为蓄电池发电设备的电流；Iload1为居民用电的电流；Iload2为企业用电的电流；Iload3为商业用电的电流；IX为供电线路的电流；fDG1为光伏发电设备的频率；fDG2为风力发电设备的频率；fDG3为燃气轮机发电设备的频率；fDG4为蓄电池发电设备的频率；fload1为居民用电的频率；fload2为企业用电的频率；fload3为商业用电的频率；fX为供电线路的频率；THDU DG1为光伏发电设备电压谐波含量值；THDI DG1为光伏发电设备电流谐波含量值。
卷积神经网络结构采用GoogLeNet作为基本框架。
故障识别分类器为模拟智能微电网正常运行状态和故障状态，形成故障识别模块。
故障识别模块的建立方法：
模拟智能微电网正常运行状态和故障状态，在线采集关键点位的电压、电流，频率，电压电流的谐波、有功功率、无功功率，并根据上述实测数据进行衍生数据生成，获取具有故障突出畸变的衍生数据；其次获取故障识别网络训练集校验数据；数据截取：以合适的周期为一个时段将每一个时段的所有数据组合到一起，构造为矩阵，其中每一个时段对应一个矩阵，并将矩阵中的数据做归一化处理后转化成灰度图片，大量制作这几种工作状态下的运行数据图片，用于后续的网络训练；最后，利用训练好的故障识别网络作为故障识别模块，根据在线监测的数据实时检测智能微电网的运行状态，并在故障时识别故障类型及定位。
目标函数为：
式中，PLoss为智能微电网网架结构线路损耗目标函数，PDGi为智能微电网微源输出功率，Pgrid为智能微电网从大电网吸收的功率，Pj为网架结构节点负荷，Ωα为网架结构所有可能的结构。
有益效果：
本发明首先介绍智能微电网网架系统，其次提出与基于深度学习算法的智能微电网AI故障检测模块，最后提出基于深度学习算法的智能微电网AI故障检测结果的智能微电网进行网络重构方法。
整个智能微电网网架系统，包含多种分布式智能微电网的微源，在关键环节并网处配有可以调节功率或进行开断的智能调节设备；因卷积神经网络的输入要求为图片，故通过相应命令将数据构建为矩阵，并由此将矩阵制为图片作为卷积神经网络输入进行训练与验证；引用目标函数得到各种网络结构的线路损耗值，得出其中最小线路损耗和对应的网络结构。在此基础上，智能调节设备切断或限制微源的功率输出，中央控制器控制支路开关和联络开关的通断，进行网络重构。
本发明提升故障状态下智能微电网的运行效率及运行稳定性，能够迅速且准确的识别故障，减小网络损耗。
附图说明
图1为本发明提供的一种智能微电网实例的整体结构框图；
图2为本发明提供的故障识别与定位网络分类器的训练与控制流程图；
图3为本发明提供的网络重构流程图；
图中标注：1、逆变器，2、第一智能调节设备，3、第二智能调节设备，4、供电线路，5、故障识别分类器，6、网络重构模块，7、并离网开关，8、大电网，9、中央控制器，10、光伏发电设备，11、风力发电设备，12、燃气轮机发电设备，13、蓄电池。
具体实施方式
以下结合说明书附图更详细的说明本发明。
随着5G通讯技术、AI故障识别技术、系统优化理论的发展，智能微电网的运行控制技术可得到全面提升，通过更大范围的数据采集与处理，配合先进的辨识与控制策略，可快速精准进行故障识别与定位，并在线优化网络结构，有效提升智能微电网运行性能。
本发明智能微电网AI故障检测及网络优化重构系统，智能微电网主要有光伏发电机、风力发电机、燃气轮机、蓄电池。该智能微电网结构可在任意节点接入各类微源或负荷。
如图1所示，一种智能微电网AI故障检测及网络优化重构系统，该系统包括多个分布式微源、多个逆变器1、多个第一智能调节设备2、多个第二智能调节设备3、供电线路4、用电客户端、故障识别分类器5、网络重构模块6、并离网开关7、大电网8和中央控制器9，多个分布式微源分别依次连接逆变器1、第一智能调节设备2后，再连接到供电线路4上，供电线路4再通过第二智能调节设备3连接到用电客户端，逆变器1、第二智能调节设备3和网络重构模块6均与中央控制器9连接；故障识别分类器5输入端与多个分布式发电设备和用电客户端连接，故障识别分类器5输出端与网络重构模块6的输入端连接，网络重构模块6的输出端分别与多个第一智能调节设备2和多个第二智能调节设备3连接；供电线路4上还连接有并离网开关7和大电网8。
微源包括光伏发电设备10、风力发电设备11、燃气轮机发电设备12、蓄电池13等。其中光伏发电设备10为多个光伏发电设备10并联的结构，多个光伏发电设备10均通过DC/AC逆变器连接到供电线路4；风力发电设备11为多个风力发电设备11并联的结构，多个风力发电设备11均通过DC/AC逆变器连接到供电线路4；燃气轮机发电设备为多个燃气轮机发电设备12并联的结构，多个燃气轮机发电设备12均通过DC/AC逆变器连接到供电线路4，蓄电池13为多个蓄电池13并联的结构，多个蓄电池13均通过DC/AC逆变器连接到供电线路4，各智能微电网上的微源通过供电线路4和大电网8相互连接。设置多种微源更加符合实际生活中电网各类复杂情况，使模拟数据更加精准。
用电客户端包括居民用电、企业用电、商业用电等各类负荷，负荷为电负荷、热负荷、冷负荷。
第一智能调节设备2和第二智能调节设备3用于在关键环节并网处进行调节功率或进行开断。
逆变器1及其控制系统实现智能微电网的微源并网，实现功率在线调节，每个并网逆变器1的功率分配参考值由中央控制器9以最低运行成本为目标优化调配，以最小线路损耗为目标，中央控制器9控制支路开关与联络开关的通断。
智能电网中的中央控制器9控制为逆变器控制策略。控制策略采用下垂控制方法，使各微源按照中央控制器9系统下达的功率给定值分配系统中的瞬时负荷功率波动，协调控制光伏发电设备10、风力发电设备11、燃气轮机发电设备12、蓄电池13等的微源。下垂控制方法对智能微电网中的微源输出的有功功率和无功功率分别进行控制，无需机组间的通信协调，实现了微源即插即用和对等控制的目标，保证了智能微电网内电力平衡和频率的统一，具有简单可靠的特点。
一种智能微电网AI故障检测及网络优化重构系统的方法，在线检测的智能微电网选定位置处实测数据及衍生数据构建作为故障识别分类器5的输入，对智能微电网的运行状态进行分析，通过数据采集，得到实测的灰度图片，根据基于深度学习算法的智能微电网AI故障识别分类器5识别出的故障类型及定位点。可直接使用已训练好的卷积神经网络识别故障类别及准确率。
根据基于深度学习算法的智能微电网AI故障检测模块识别出的故障类型及定位点，包括网络重构优化计算单元及智能调节设备的操控单元。本发明利用IEEE33节点配电网系统为例作为智能微电网AI故障检测及网络优化重构系统。
如图2和图3所示，一种智能微电网AI故障检测及网络优化重构系统的方法，步骤为：
(1)网架结构数据的采集：
中央控制器9采集智能微电网选定位置处的数据，通过在线检测，获取智能微电网选定位置处的电压、电流、频率、有功、无功功率及上述实测数据基础上的衍生数据，并构建出灰度图片，作为网架结构数据，网架结构数据作为故障识别分类器5的输入，用于故障设别网络的训练及校验；
最后，基于深度学习算法，当网架结构数据存在异常时，通过故障识别模块识别故障类型及定位。
网架结构数据的采集过程：
1)数据采集，在智能微电网各个微源、负荷及供电线路点处添加电压电流检测模块，并从电压电流信号引出，使用相应模块得到电压电流有效值、频率、有功功率、无功功率及谐波含量，由此可进行数据处理；
2)数据处理，将使用公式将各类数据进行归一化处理，将上述处理后的数据按类型合并，按需求列为矩阵，在根据该矩阵制成符合卷积神经网络的灰度图片；
3)矩阵制图，卷积神经网络的应用需要信息采集及处理，以及对卷积神经网络的训练验证和应用。在正常工作状态和故障情况下运行系统，收集微源、负荷和供电线路的电压、电流、频率、有功功率、无功功率和电压电流的谐波值，由于卷积神经网络的输入要求为图片，故通过相应命令将数据构建为矩阵，并由此将矩阵制为图片作为卷积神经网络输入进行训练与验证。矩阵制图由识别数据矩阵排列完成，且数据均为0至64之间。使用适合的方法将识别数据矩阵制图。
数据矩阵如下：
式中，UDG1为光伏发电设备的电压；UDG2为风力发电设备的电压；UDG3为燃气轮机发电设备的电压；UDG4为蓄电池发电设备的电压；Uload1为居民用电的电压；Uload2为企业用电的电压；Uload3为商业用电的电压；UX为供电线路的电压；IDG1为光伏发电设备的电流；IDG2为风力发电设备的电流；IDG3为燃气轮机发电设备的电流；IDG4为蓄电池发电设备的电流；Iload1为居民用电的电流；Iload2为企业用电的电流；Iload3为商业用电的电流；IX为供电线路的电流；fDG1为光伏发电设备的频率；fDG2为风力发电设备的频率；fDG3为燃气轮机发电设备的频率；fDG4为蓄电池发电设备的频率；fload1为居民用电的频率；fload2为企业用电的频率；fload3为商业用电的频率；fX为供电线路的频率；THDU DG1为光伏发电设备电压谐波含量值；THDI DG1为光伏发电设备电流谐波含量值。
(2)故障识别分类器构建：
故障识别分类器采用卷积神经网络结构，以输入层、卷积层、池化层、全连接层、输出层构建故障识别网络的结构；构建故障识别分类器；得到未训练的卷积神经网络。
卷积神经网络，采用GoogLeNet作为基本框架。其中，修改输出端的全连接层参数，该参数代表分类数量。DLA网络为卷积神经网络，作为顶层检测，提供检测结果，其结果可交由智能微电网中央控制器9进行控制。
故障识别分类器为模拟智能微电网正常运行状态和故障状态，形成故障识别模块。
故障识别模块的建立方法：
模拟智能微电网各类正常运行状态和各种故障状态，在线采集关键点位的电压、电流，频率，电压电流的谐波、有功功率、无功功率，并根据上述实测数据进行衍生数据生成，获取具有故障突出畸变的衍生数据；其次获取故障识别网络训练集校验数据；数据截取：以合适的周期为一个时段将每一个时段的所有数据组合到一起，构造为矩阵，其中每一个时段对应一个矩阵，并将矩阵中的数据做归一化处理后转化成灰度图片，大量制作这几种工作状态下的运行数据图片，用于后续的网络训练；最后，利用训练好的故障识别网络作为故障识别模块，根据在线监测的数据实时检测智能微电网的运行状态，并在故障时识别故障类型及定位。
(3)故障识别网络训练：
基于卷积神经网络结构，将训练及校验数据进行随机分组后，一部分用于训练，另一部分用于校验；训练故障识别网络；
(4)在线检测：
通过在线检测，获取待检测位置处的电压、电流、频率、有功、无功功率，并构建出灰度图片，作为待检测的网架结构数据，依据步骤(2)中的故障识别分类器训练待检测的网架结构数据，进行故障识别网络；
获取网架结构数据的方法与步骤(1)相同。
卷积神经网络训练，将得到的灰度图片按识别类别建立文件夹，并用一个文件夹包含其所有文件夹并生成压缩文件，在本发明中，命名为“故障识别图片”，将该文件用于卷积神经网络训练；
训练完成后可得到训练结果及自我验证准确率，至此，训练结束，可直接用于识别。
(5)使用训练合格后的网架结构数据对网络结构逐个进行潮流计算，引用目标函数得到各种网络结构的线路损耗值；
网络重构以最小网络损耗成本为目标，其目标函数为：
式中，PLoss为智能微电网网架系统线路损耗目标函数，PDGi为智能微电网微源输出功率，Pgrid为智能微电网从大电网吸收的功率，Pj为网架结构节点负荷，Ωα为网架结构所有可能的结构。
(6)比较供电线路网架结构所有可能的结构Ωα，即网架结构所有可能的结构Ωα对应的线路损耗值，得出其中最小线路损耗和对应的网络结构；
(7)根据步骤(6)中得到的最小线路损耗和对应的网络结构，网络重构模块6通过第一智能调节设备2切断或限制微源的功率输出，中央控制器9控制支路开关和联络开关的通断，得到优化后的网络结构。从而实现了提升故障状态下智能微电网的运行效率及运行稳定性，能够迅速且准确的识别故障，减小网络损耗。

Claims (6)

1.一种智能微电网AI故障检测及网络优化重构系统的方法，其特征在于：该方法的步骤为：
(1)网架结构数据的采集：中央控制器(9)采集智能微电网选定位置处的数据，通过在线检测，获取智能微电网选定位置处的电压、电流、频率、有功、无功功率及对应实测数据基础上的衍生数据，并构建出灰度图片，作为网架结构数据，网架结构数据作为故障识别分类器(5)的输入，用于故障设别网络的训练及校验；
(2)采用卷积神经网络结构，采用步骤(1)中的网架结构数据构建故障识别分类器；
(3)基于卷积神经网络结构，将训练及校验数据进行分组；
(4)在线检测，通过在线检测，获取待检测位置处的电压、电流、频率、有功、无功功率，并构建出灰度图片，作为待检测的网架结构数据，依据步骤(2)中的故障识别分类器训练待检测的网架结构数据，进行故障识别网络；
(5)待检测的网架结构数据训练合格后，对辐射状的网络结构逐个进行潮流计算，引用目标函数得到各种网络结构的线路损耗值；
(6)比较各种网络结构的线路损耗值，得出其中最小线路损耗和对应的网络结构；
(7)网络重构模块(6)通过第一智能调节设备(2)切断或限制微源的功率输出，中央控制器(9)控制支路开关和联络开关的通断，得到优化后的网络结构，从而实现智能微电网AI故障检测及网络优化重构；
网架结构数据的采集过程：
1)数据采集，在智能微电网各个微源、负荷及供电线路点处添加电压电流检测模块，并从电压电流信号引出，使用相应模块得到电压电流有效值、频率、有功功率、无功功率及谐波含量，由此可进行数据处理；
2)数据处理，将使用公式将各类数据进行归一化处理，将上述处理后的数据按类型合并，按需求列为矩阵，在根据该矩阵制成符合卷积神经网络的灰度图片；
3)矩阵制图，矩阵制图由识别数据矩阵排列完成，且数据均为0至64之间，数据矩阵如下：
式中，UDG1为光伏发电设备的电压；UDG2为风力发电设备的电压；UDG3为燃气轮机发电设备的电压；UDG4为蓄电池发电设备的电压；Uload1为居民用电的电压；Uload2为企业用电的电压；Uload3为商业用电的电压；UX为供电线路的电压；IDG1为光伏发电设备的电流；IDG2为风力发电设备的电流；IDG3为燃气轮机发电设备的电流；IDG4为蓄电池发电设备的电流；Iload1为居民用电的电流；Iload2为企业用电的电流；Iload3为商业用电的电流；IX为供电线路的电流；fDG1为光伏发电设备的频率；fDG2为风力发电设备的频率；fDG3为燃气轮机发电设备的频率；fDG4为蓄电池发电设备的频率；fload1为居民用电的频率；fload2为企业用电的频率；fload3为商业用电的频率；fX为供电线路的频率；THDUDG1为光伏发电设备电压谐波含量值；THDIDG1为光伏发电设备电流谐波含量值；
目标函数为：
式中，PLoss为智能微电网网架结构线路损耗目标函数，PDGi为智能微电网微源输出功率，Pgrid为智能微电网从大电网吸收的功率，Pj为网架结构节点负荷，Ωα为网架结构所有可能的结构；
该系统包括微源、逆变器(1)、第一智能调节设备(2)、第二智能调节设备(3)、供电线路(4)、用电客户端、故障识别分类器(5)、网络重构模块(6)、并离网开关(7)、大电网(8)和中央控制器(9)，微源依次连接逆变器(1)、第一智能调节设备(2)，第一智能调节设备(2)再连接到供电线路(4)上，供电线路(4)再通过第二智能调节设备(3)连接到用电客户端，逆变器(1)、第二智能调节设备(3)和网络重构模块(6)均与中央控制器(9)连接；故障识别分类器(5)输入端与多个分布式发电设备和用电客户端连接，故障识别分类器(5)输出端与网络重构模块(6)的输入端连接，网络重构模块(6)的输出端分别与第一智能调节设备(2)和第二智能调节设备(3)连接；供电线路(4)上还连接有并离网开关(7)和大电网(8)。
2.根据权利要求1所述的智能微电网AI故障检测及网络优化重构系统的方法，其特征在于：微源包括光伏发电设备(10)、风力发电设备(11)、燃气轮机发电设备(12)和蓄电池(13)。
3.根据权利要求1所述的智能微电网AI故障检测及网络优化重构系统的方法，其特征在于：中央控制器(9)的控制为逆变器控制策略，控制策略采用下垂控制方法，使微源按照中央控制器(9)系统下达的功率给定值分配系统中的瞬时负荷功率波动，协调微源。
4.根据权利要求1所述的智能微电网AI故障检测及网络优化重构系统的方法，其特征在于：卷积神经网络结构采用GoogLeNet作为基本框架。
5.根据权利要求1所述的智能微电网AI故障检测及网络优化重构系统的方法，其特征在于：故障识别分类器为模拟智能微电网正常运行状态和故障状态，形成故障识别模块。
6.根据权利要求5所述的智能微电网AI故障检测及网络优化重构系统的方法，其特征在于：故障识别模块的建立方法：模拟智能微电网正常运行状态和故障状态，在线采集关键点位的电压、电流，频率，电压电流的谐波、有功功率、无功功率，并根据上述实测数据进行衍生数据生成，获取具有故障突出畸变的衍生数据；其次获取故障识别网络训练集校验数据；数据截取：以合适的周期为一个时段将每一个时段的所有数据组合到一起，构造为矩阵，其中每一个时段对应一个矩阵，并将矩阵中的数据做归一化处理后转化成灰度图片，大量制作这几种工作状态下的运行数据图片，用于后续的网络训练；最后，利用训练好的故障识别网络作为故障识别模块，根据在线监测的数据实时检测智能微电网的运行状态，并在故障时识别故障类型及定位。
CN202110370769.2A 2021-04-07 2021-04-07 智能微电网ai故障检测及网络优化重构系统及方法 Active CN113131515B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110370769.2A CN113131515B (zh) 2021-04-07 2021-04-07 智能微电网ai故障检测及网络优化重构系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110370769.2A CN113131515B (zh) 2021-04-07 2021-04-07 智能微电网ai故障检测及网络优化重构系统及方法

Publications (2)

Publication Number Publication Date
CN113131515A CN113131515A (zh) 2021-07-16
CN113131515B true CN113131515B (zh) 2024-03-29

Family

ID=76775103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110370769.2A Active CN113131515B (zh) 2021-04-07 2021-04-07 智能微电网ai故障检测及网络优化重构系统及方法

Country Status (1)

Country Link
CN (1) CN113131515B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114065875B (zh) * 2021-12-02 2022-11-11 山东石油化工学院 基于大数据的电力电网故障识别系统
CN114814436A (zh) * 2022-05-23 2022-07-29 中国矿业大学 一种三电平逆变器故障诊断方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103236718A (zh) * 2013-03-26 2013-08-07 东北大学 一种智能微网的源-网-荷自动控制系统及控制方法
CN105425172A (zh) * 2015-12-21 2016-03-23 东北大学 基于多频段歪度分析的微网逆变器自适应故障诊断方法
CN106786774A (zh) * 2017-02-10 2017-05-31 云南电网有限责任公司电力科学研究院 一种基于专家系统的微电网故障重构方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103236718A (zh) * 2013-03-26 2013-08-07 东北大学 一种智能微网的源-网-荷自动控制系统及控制方法
CN105425172A (zh) * 2015-12-21 2016-03-23 东北大学 基于多频段歪度分析的微网逆变器自适应故障诊断方法
CN106786774A (zh) * 2017-02-10 2017-05-31 云南电网有限责任公司电力科学研究院 一种基于专家系统的微电网故障重构方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Detection and classification of micro-grid faults based on HHT and machine learning techniques;Manohar Mishra等;《IET Generation, Transmission & Distribution》;20171208;388-397 *
含分布式光伏及储能变流器的微网故障特征与保护;汪海宁 等;《电源学报》;20201130;第18卷(第06期);59-69 *
基于深度学习的输电线路故障类型辨识;徐舒玮 等;《中国电机工程学报》;20190105;第39卷(第01期);65-74 *

Also Published As

Publication number Publication date
CN113131515A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN101441239B (zh) 一种并网型光伏电站发电性能的验证方法
CN113131515B (zh) 智能微电网ai故障检测及网络优化重构系统及方法
CN107294130B (zh) 一种风储发电黑启动系统及其储能配置方法
CN107465211B (zh) 孤岛微电网的分布式固定时间协调控制方法
CN107732958B (zh) 一种计及源荷协同恢复的独立微电网黑启动优化方法
CN105720573B (zh) 基于实测数据的风光储电站有功及无功控制系统建模方法
CN104638668B (zh) 一种光伏发电并网控制方法及系统
CN105207573A (zh) 基于离散概率模型的风光互补供电系统定量优化配置方法
CN115622053B (zh) 一种用于考虑分布式电源的自动负荷建模方法及装置
Li et al. Research on clustering equivalent modeling of large-scale photovoltaic power plants
CN106452354A (zh) 一种并网型光伏电站发电性能的验证方法
CN116388278A (zh) 一种微电网群协同控制方法、装置、设备及介质
CN105391082A (zh) 基于分类样板逆变器的光伏电站理论功率计算方法
CN115564142A (zh) 一种混合储能系统的选址定容优化方法及系统
CN115102164A (zh) 多机组协同优化负荷分配方法、系统、设备及存储介质
CN115204048A (zh) 一种光伏发电系统模型辨识系统和方法
CN113988686A (zh) 基于多换流器并网协同控制的柔性配电网控制方法及系统
CN108233373B (zh) 考虑天气场景的分布式光伏接入配电网的概率谐波分析方法
CN112653185A (zh) 一种交直流混合系统的多目标优化配置方法和系统
CN106549412B (zh) 针对风电场并网的供电效益评估方法
Yu et al. Research on microgrid reconfiguration under rural network fault
Saadaoui et al. Hybridization and energy storage high efficiency and low cost
CN110768306A (zh) 一种提高保底电网中微电网应急能力的电源容量配置方法
CN117424294B (zh) 一种配电网高效无功规划方法及系统
Wang et al. Equivalent Modeling of PV Cluster Dynamic Process Based on K-medoids Clustering

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
TR01 Transfer of patent right

Effective date of registration: 20240426

Address after: 230000 B-2704, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui.

Patentee after: HEFEI LONGZHI ELECTROMECHANICAL TECHNOLOGY Co.,Ltd.

Country or region after: China

Address before: No.111 Shenyang West Liaoning Economic Development Zone

Patentee before: SHENYANG University OF TECHNOLOGY

Country or region before: China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240612

Address after: No.3-2, No. 77-2 Minglian Road, Huanggu District, Shenyang City, Liaoning Province, 110000

Patentee after: Zhu Yiquan

Country or region after: China

Address before: 230000 B-2704, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui.

Patentee before: HEFEI LONGZHI ELECTROMECHANICAL TECHNOLOGY Co.,Ltd.

Country or region before: China