CN113919162A - 基于仿真与多源实测数据融合的电压暂降风险预警方法 - Google Patents

基于仿真与多源实测数据融合的电压暂降风险预警方法 Download PDF

Info

Publication number
CN113919162A
CN113919162A CN202111201065.9A CN202111201065A CN113919162A CN 113919162 A CN113919162 A CN 113919162A CN 202111201065 A CN202111201065 A CN 202111201065A CN 113919162 A CN113919162 A CN 113919162A
Authority
CN
China
Prior art keywords
model
data
simulation
sag
measured data
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.)
Granted
Application number
CN202111201065.9A
Other languages
English (en)
Other versions
CN113919162B (zh
Inventor
张逸
吴逸帆
章书旗
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202111201065.9A priority Critical patent/CN113919162B/zh
Publication of CN113919162A publication Critical patent/CN113919162A/zh
Application granted granted Critical
Publication of CN113919162B publication Critical patent/CN113919162B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)

Abstract

本发明提出基于仿真与多源实测数据融合的电压暂降风险预警方法，包括以下步骤：步骤S1、选取具备信息互补关联的仿真数据与实测数据，经预处理后形成电压暂降风险预警的支撑数据；步骤S2、在支撑数据的基础上，引入分项指标，经同趋化处理、特征提取、降维融合后得到影响域综合量化指标
Figure DEST_PATH_IMAGE002
；步骤S3、基于改进梯度下降法设计和训练多元回归模型，模型更新策略包含仿真与实测数据的知识迁移，步长更新策略改进为基于Armijo‑Goldstein准则的自适应步长更新；步骤S4、以多元回归模型挖掘支撑数据，预测残余电压幅度并根据其大小结合不同用户需要与暂降耐受特性划分预警级别，实施电压暂降风险预警；本发明能从电网及用户侧融合仿真与实测数据信息实现暂降风险预警。

Description

基于仿真与多源实测数据融合的电压暂降风险预警方法
技术领域
本发明涉及电能质量及电网运维技术领域，尤其是基于仿真与多源实测数据融合的电压暂降风险预警方法。
背景技术
随着工业水平的提高及电网的不断扩大，设备趋于集成化与精密化，人们对于电能质量的要求也越来越高。电压暂降作为影响最为严重的一类电能质量问题，每年由电压暂降事件带来的投诉超过电能质量问题的半数，由电压暂降问题而导致的经济损失也十分巨大的。
为了减少电压暂降问题所带来的影响，准确地进行电压暂降风险预警是至关重要的。准确的电压暂降风险预警可以提前向电网及用户发出预警信息，电网及用户可以根据预警级别提前采取相应措施，制定合理的工作计划，降低电压暂降带来的经济损失，同时还可为电压暂降的治理提供一定依据，进一步减小电压暂降带来的影响。
目前对于电压暂降风险预警的研究较少，以往大多通过仿真模拟分析进行，基于仿真模拟分析的方法主要通过故障计算来获得全网的暂降、水平，在当今复杂大电网环境下，新能源、分布式发电飞速发展，系统元件多，参数复杂，故障仿真量大，计算过程繁琐，仿真耗时长，计算效率低，且难以反应实际场景下外部因素(如天气)的影响，同时大多仅考虑了故障导致的电压暂降，忽略了其他暂降成因的影响，对暂降影响的考虑不够全面。而受限于监测装置成本，目前监测装置数量少，监测数据样本不足，数据保真度不高，使得使用实测数据模型的收敛速度、收敛性及准确率受到一定影响。本方法基于仿真与实测多元数据融合实现电压暂降风险预警，将仿真数据所含暂降物理模型机理信息迁移至实测数据中，避免了仿真时的大规模故障计算，提高了数据利用率，扩充了实测数据信息量，使得模型的收敛性、收敛速度、准确率、计算效率得到了提升。
发明内容
本发明提出基于仿真与多源实测数据融合的电压暂降风险预警方法，能从电网侧及用户侧多维度实现暂降风险预警。
本发明采用以下技术方案。
基于仿真与多源实测数据融合的电压暂降风险预警方法，所述方法包括以下步骤：
步骤S1、针对预警区域内与电压暂降风险相关的影响因素，选取具备信息互补关联的仿真数据与实测数据，经预处理后形成电压暂降风险预警的支撑数据；
步骤S2、在支撑数据的基础上，引入节点密集指标si、用户密集指标ci，监测点紧密程度指标di，将以上分项指标经同趋化处理、特征提取后降维融合得到影响域综合量化指标ei，用于综合表征电压暂降传播特性及影响域；
步骤S3、基于改进梯度下降法设计多元回归模型，对支撑数据进行量化及标准化处理使其可用于训练多元回归模型，该模型的更新策略中包括仿真数据与实测数据的知识迁移，模型的步长更新策略改进为基于Armijo-Goldstein准则的自适应步长更新；
步骤S4、以基于改进梯度下降法的多元回归模型对支撑数据进行数据挖掘，预测残余电压幅度，根据残余电压幅度大小结合不同用户需要及暂降耐受特性划分电压暂降预警级别，实施电压暂降风险预警。
所述步骤S1中，对预警区域内与电压暂降风险相关的影响因素进行分析，选取关联性大的影响因素；
已选取的影响因素中，其仿真数据通过对区域内进行随机故障仿真计算得到，用于反映系统的故障水平及系统的运行方式对电压暂降风险的影响；
已选取的影响因素中，其实测数据来源于电压暂降发生后各信息系统的监测装置所记录的数据，该数据既包含用户侧受电压暂降影响信息和实际场景下外部暂降风险影响因素，同时记录内容也包含系统故障水平及部分电网侧暂降影响因素。
步骤S1中，所述仿真数据通过Monte Carlo法的随机设置故障参数，生成相应故障卡，通过BPA仿真软件进行海量故障计算得到；所述实测数据分别从电能质量监测系统、调度自动化系统、用电信息采集系统、防震减灾系统、工业生产管理系统、营销业务应用系统获取，并以序列方式在电压暂降数据库中存储。
在步骤S2中，节点密集程度指标si、用户密集程度指标ci，监测点紧密程度指标di的公式如下：
Figure BDA0003304828520000031
Figure BDA0003304828520000032
Figure BDA0003304828520000033
式中：D为监测点i的邻接节点集合，M为监测点i的接入用户集合，bj表示节点j邻接节点数(包括自身节点)，cj表示节点j邻接用户数(包括自身节点所接用户)；ni表示源节点i的邻接节点数，li为源节点i及邻接节点之间的互联线路数量，包括单回线/双回线，所述ni个节点间最多可产生
Figure BDA0003304828520000034
条单边，以上式表征监测节点周围的连接紧密程度。
在步骤S2中，生成节点密集程度指标si、用户密集程度指标ci，监测点紧密程度指标di；其si、ci越大，暂降影响范围越大，暂降时负荷电动机启停导致暂降加重的可能性大，残余电压幅度低，暂降风险大，而di越大，节点周围连接越紧密，支撑能力强，残余电压幅度高，暂降风险小；由于si、ci与di对于暂降风险的影响趋势相反，因此对si、ci进行同趋化处理，同趋化方法采用倒数方式，之后对同趋化后指标进行标准化处理，后基于熵权法得到影响域综合量化指标ei，对输入数据进行降维处理，综合评估暂降传播及影响域的影响，如下式所示：
Figure BDA0003304828520000035
Figure BDA0003304828520000036
Figure BDA0003304828520000041
式中带*号为经标准化处理后数据，pij为第i个节点的第j个指标占所有指标之和比例，n为指标数量，Enj为第j个指标的信息熵，wj为第j个指标的权重。
在步骤S3中，在支撑数据准备完毕后，分别对支撑数据中的仿真数据与实测数据构建基于改进梯度下降法的多元回归模型；
在步骤S4中，首先利用仿真数据与实测数据分别构建多元回归模型，在初步建立仿真数据对应模型M1与实测数据对应模型M2后，两者在输入参量中存在相同的电压暂降风险特征属性，这一部分属性用CShared进行表示，CShared对应的模型回归系数为βShared，其余特征属性为仿真数据模型与实测数据模型所特有的，用C1表示仿真数据模型所特有的属性，C1所对应的回归系数为β1，C2表示实测数据模型所特有的属性，C2所对应的回归系数为β2；对于CShared而言，其在仿真数据与实测数据中的含义一致，在两个模型输出均为残余电压幅度这一输出参量时，可以认为CShared对模型产生的响应是相同的，即CShared对于残余电压幅度的影响机理是一致的；之后在训练过程中仿真数据模型用于对实测数据模型进行暂降模型机理知识的迁移，将仿真数据作为源域，实测数据作为目标域，作为源域的仿真数据中所蕴含物理模型机理信息可视为先验知识，对CShared进行知识迁移，使得目标域学习先验知识，经知识迁移后的实测数据模型用于对残余电压幅度进行预测。
基于仿真与实测多元数据融合的电压暂降风险预警模型迭代过程如下步骤所示，该模型基于改进梯度下降法的多元回归实现；
步骤B1、首先分别针对仿真数据与实测数据构建初始多元回归模型，对仿真数据模型M1、实测数据模型M2设置初始模型参数，两模型的损失函数分别为下述公式七的J1(x)、J2(z)，以损失函数最小为目标，计算相应梯度为下述公式八中的
Figure BDA0003304828520000042
选择负梯度
Figure BDA0003304828520000043
作为最速搜索方向；
Figure BDA0003304828520000051
Figure BDA0003304828520000052
式中：下标1、2分别表示仿真数据模型，实测数据模型，xi为第i个仿真输入数据，f(x)为仿真数据模型结果，zi为第i个实测输入数据，g(z)实测数据模型输出，U1(i)为第i个仿真数据目标值，U2(i)为第i个实测数据目标值；
步骤B2、根据公式九对所有模型参数进行初次更新；
xk+1＝xk-αkgk公式九；
式中：xk+1为第k+1次模型参数，xk为第k次模型参数，αk为第k次步长，gk为第k次梯度大小；
步骤B3、对梯度下降法的模型更新策略进行改进，以M2为目标域，M1为源域，针对共同输入参量CShared的回归系数βShared进行知识迁移学习，在知识迁移学习过程中对βShared参数进行二次更新，参数更新采用自适应加权融合的方法，使单次学习误差小的占比大，单次学习误差小的占比小；自适应加权融合的模型更新公式如公式十：
Figure BDA0003304828520000053
式中：β为更新前仿真与实测数据共有属性回归系数，
Figure BDA0003304828520000054
为更新后仿真与实测数据共有属性回归系数，σ表示单次学习评价指标；
步骤B4、在对模型进行迁移学习后，将更新后的系数
Figure BDA0003304828520000055
分别代回原模型，重新进行梯度计算，并参照公式九二次更新两模型非共有部分的输入特征属性C1，C2所对应的回归系数β1，β2；
步骤B5、模型参数更新结束后，对模型的步长更新策略进行改进，代入当前步长计算是否满足公式十一中的Armijo-Goldstein准则，不断更新步长，使模型可根据学习结果自适应调节步长，并用于下一次迭代过程中；
Figure BDA0003304828520000061
式中：f为模型拟合函数，xk为第k次迭代时模型参数，αk为第k次迭代步长，dk为第k次下降方向，gk为第k次梯度大小，ρ∈(0，0.5)
步骤B6、重复上述步骤步骤B1至步骤B5，直至迭代满足收敛条件，模型具备残余电压幅度预测能力，可根据残余电压幅度结合不同用户需要及暂降耐受特性划分得到暂降风险预警级别。
本发明提出了一种新的电压暂降风险预警方法，提出了基于仿真与多源实测数据融合的电压暂降风险预警方法。该方法综合运用仿真与实测数据内含信息，兼顾电网侧及用户侧信息，在改进梯度下降法的模型训练过程中，将仿真数据所蕴含的暂降物理模型机理信息迁移至实测数据模型中，完成知识迁移，实现仿真数据与实测数据的多源信息融合，同时在训练过程中依据学习效果自适应更新步长，丰富了对少量实测数据及罕见故障场景的数据挖掘，提高了模型的收敛性、收敛速度、计算效率、准确率，使模型具备残余电压幅度预测功能，并根据不同用户需要及耐受特性划分预警级别，从电网侧及用户侧多维度实现暂降风险预警，以便企业用户能够预先采取相应措施，减小电压暂降带来的影响。
本发明融合仿真数据与实测数据信息，发挥仿真数据与实测数据的优势，将仿真数据所含的模型机理信息迁移至实测数据中来，丰富了对少量实测数据及罕见故障场景下的数据挖掘，实现仿真与实测多源数据的信息融合。基于知识迁移方法改进了梯度下降法的多元回归模型参数更新策略，同时基于Armijo-Goldstein准则对改进了梯度下降法的多元回归模型的步长更新策略，提高了对少量实测数据的数据挖掘效果，扩充了少量实测数据所含数据量，提高了模型的收敛速度、收敛性、计算效率及准确率。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是本发明的工作流程示意图。
具体实施方式
如图所示，基于仿真与多源实测数据融合的电压暂降风险预警方法，所述方法包括以下步骤：
步骤S1、针对预警区域内与电压暂降风险相关的影响因素，选取具备信息互补关联的仿真数据与实测数据，经预处理后形成电压暂降风险预警的支撑数据；
步骤S2、在支撑数据的基础上，引入节点密集指标si、用户密集指标ci，监测点紧密程度指标di，将以上分项指标经同趋化处理、特征提取后降维融合得到影响域综合量化指标ei，用于综合表征电压暂降传播特性及影响域；
步骤S3、基于改进梯度下降法设计多元回归模型，对支撑数据进行量化及标准化处理使其可用于训练多元回归模型，该模型的更新策略中包括仿真数据与实测数据的知识迁移，模型的步长更新策略改进为基于Armijo-Goldstein准则的自适应步长更新；
步骤S4、以基于改进梯度下降法的多元回归模型对支撑数据进行数据挖掘，预测残余电压幅度，根据残余电压幅度大小结合不同用户需要及暂降耐受特性划分电压暂降预警级别，实施电压暂降风险预警。
所述步骤S1中，对预警区域内与电压暂降风险相关的影响因素进行分析，选取关联性大的影响因素；
已选取的影响因素中，其仿真数据通过对区域内进行随机故障仿真计算得到，用于反映系统的故障水平及系统的运行方式对电压暂降风险的影响；
已选取的影响因素中，其实测数据来源于电压暂降发生后各信息系统的监测装置所记录的数据，该数据既包含用户侧受电压暂降影响信息和实际场景下外部暂降风险影响因素，同时记录内容也包含系统故障水平及部分电网侧暂降影响因素。
从仿真数据与实测数据选取所得电压暂降风险特征属性如下表1所示。
表1电压暂降风险特征属性
Figure BDA0003304828520000081
步骤S1中，所述仿真数据通过Monte Carlo法的随机设置故障参数，生成相应故障卡，通过BPA仿真软件进行海量故障计算得到；所述实测数据分别从电能质量监测系统、调度自动化系统、用电信息采集系统、防震减灾系统、工业生产管理系统、营销业务应用系统获取，并以序列方式在电压暂降数据库中存储。
在步骤S2中，节点密集程度指标si、用户密集程度指标ci，监测点紧密程度指标di的公式如下：
Figure BDA0003304828520000091
Figure BDA0003304828520000092
Figure BDA0003304828520000093
式中：D为监测点i的邻接节点集合，M为监测点i的接入用户集合，bj表示节点j邻接节点数(包括自身节点)，cj表示节点j邻接用户数(包括自身节点所接用户)；ni表示源节点i的邻接节点数，li为源节点i及邻接节点之间的互联线路数量，包括单回线/双回线，所述ni个节点间最多可产生
Figure BDA0003304828520000094
条单边，以上式表征监测节点周围的连接紧密程度。
在步骤S2中，生成节点密集程度指标si、用户密集程度指标ci，监测点紧密程度指标di；其si、ci越大，暂降影响范围越大，暂降时负荷电动机启停导致暂降加重的可能性大，残余电压幅度低，暂降风险大，而di越大，节点周围连接越紧密，支撑能力强，残余电压幅度高，暂降风险小；由于si、ci与di对于暂降风险的影响趋势相反，因此对si、ci进行同趋化处理，同趋化方法采用倒数方式，之后对同趋化后指标进行标准化处理，后基于熵权法得到影响域综合量化指标ei，对输入数据进行降维处理，综合评估暂降传播及影响域的影响，如下式所示：
Figure BDA0003304828520000095
Figure BDA0003304828520000096
Figure BDA0003304828520000101
式中带*号为经标准化处理后数据，pij为第i个节点的第j个指标占所有指标之和比例，n为指标数量，Enj为第j个指标的信息熵，wj为第j个指标的权重。
在步骤S3中，在支撑数据准备完毕后，分别对支撑数据中的仿真数据与实测数据构建基于改进梯度下降法的多元回归模型；
在步骤S4中，首先利用仿真数据与实测数据分别构建多元回归模型，在初步建立仿真数据对应模型M1与实测数据对应模型M2后，两者在输入参量中存在相同的电压暂降风险特征属性，这一部分属性用CShared进行表示，CShared对应的模型回归系数为βShared，其余特征属性为仿真数据模型与实测数据模型所特有的，用C1表示仿真数据模型所特有的属性，C1所对应的回归系数为β1，C2表示实测数据模型所特有的属性，C2所对应的回归系数为β2；对于CShared而言，其在仿真数据与实测数据中的含义一致，在两个模型输出均为残余电压幅度这一输出参量时，可以认为CShared对模型产生的响应是相同的，即CShared对于残余电压幅度的影响机理是一致的；之后在训练过程中仿真数据模型用于对实测数据模型进行暂降模型机理知识的迁移，将仿真数据作为源域，实测数据作为目标域，作为源域的仿真数据中所蕴含物理模型机理信息可视为先验知识，对CShared进行知识迁移，使得目标域学习先验知识，经知识迁移后的实测数据模型用于对残余电压幅度进行预测。
基于仿真与实测多元数据融合的电压暂降风险预警模型迭代过程如下步骤所示，该模型基于改进梯度下降法的多元回归实现；
步骤B1、首先分别针对仿真数据与实测数据构建初始多元回归模型，对仿真数据模型M1、实测数据模型M2设置初始模型参数，两模型的损失函数分别为下述公式七的J1(x)、J2(z)，以损失函数最小为目标，计算相应梯度为下述公式八中的
Figure BDA0003304828520000102
选择负梯度
Figure BDA0003304828520000103
作为最速搜索方向；
Figure BDA0003304828520000111
Figure BDA0003304828520000112
式中：下标1、2分别表示仿真数据模型，实测数据模型，xi为第i个仿真输入数据，f(x)为仿真数据模型结果，zi为第i个实测输入数据，g(z)实测数据模型输出，U1(i)为第i个仿真数据目标值，U2(i)为第i个实测数据目标值；
步骤B2、根据公式九对所有模型参数进行初次更新；
xk+1＝xk-αkgk 公式九；
式中：xk+1为第k+1次模型参数，xk为第k次模型参数，αk为第k次步长，gk为第k次梯度大小；
步骤B3、对梯度下降法的模型更新策略进行改进，以M2为目标域，M1为源域，针对共同输入参量CShared的回归系数βShared进行知识迁移学习，在知识迁移学习过程中对βShared参数进行二次更新，参数更新采用自适应加权融合的方法，使单次学习误差小的占比大，单次学习误差小的占比小；自适应加权融合的模型更新公式如公式十：
Figure BDA0003304828520000113
式中：β为更新前仿真与实测数据共有属性回归系数，
Figure BDA0003304828520000114
为更新后仿真与实测数据共有属性回归系数，σ表示单次学习评价指标；
步骤B4、在对模型进行迁移学习后，将更新后的系数
Figure BDA0003304828520000115
分别代回原模型，重新进行梯度计算，并参照公式九二次更新两模型非共有部分的输入特征属性C1，C2所对应的回归系数β1，β2；
步骤B5、模型参数更新结束后，对模型的步长更新策略进行改进，代入当前步长计算是否满足公式十一中的Armijo-Goldstein准则，不断更新步长，使模型可根据学习结果自适应调节步长，并用于下一次迭代过程中；
Figure BDA0003304828520000121
式中：f为模型拟合函数，xk为第k次迭代时模型参数，αk为第k次迭代步长，dk为第k次下降方向，gk为第k次梯度大小，ρ∈(0，0.5)
步骤B6、重复上述步骤步骤B1至步骤B5，直至迭代满足收敛条件，模型具备残余电压幅度预测能力，可根据残余电压幅度结合不同用户需要及暂降耐受特性划分得到暂降风险预警级别。
本例中，参照一般行业暂降耐受特性给出如表3所示的用于暂降预警级别划分。
表3 电压暂降风险预警级别
风险预警级别 残余电压幅度(％)
1 70％-95％
2 55％-70％
3 55％以下
本例可实现对电力系统某一节点的电压暂降风险进行预测评估。
首先采集电能质量监测系统、调度系统等多源信息系统的实测数据并基于MonteCarlo法利用BPA进行随机故障仿真获取仿真数据。在获得实测数据与仿真数据并对数据进行预处理后，构建基于仿真与实测数据多源融合的残余电压幅度回归预测模型，针对仿真数据与实测数据建立基于改进梯度下降法的多元回归模型，仿真数据模型用于对实测数据模型进行暂降物理模型机理知识的迁移，经知识迁移后的实测数据模型可实现对残余电压幅度预测，预测得到残余电压幅度后可根据不同用户需要结合暂降耐受特性划分得到暂降风险预警级别，为电网及企业运维人员提供指导，制定差异化运维策略，减小电压暂降损失。
本方法中，仿真数据模型与实测数据模型在梯度下降法的模型参数更新过程中实现知识迁移，将海量仿真数据包含的暂降模型机理信息迁移至少量实测数据中，对实测数据模型与仿真数据模型共有特征属性维度参数进行修正，改进了梯度下降法的模型更新策略，实现信息互补。同时基于Armijo-Goldstein准则对梯度下降法的步长更新策略做出改进，使得步长可根据模型学习效果进行优化，自适应更新步长，通过模型更新及步长更新的改进，提高了模型收敛性、收敛速度、计算效率、准确率。
待模型学习结束后，通过输入数据完成对某一母线的残余电压幅度预测，并根据用户需要结合不同用户需要及暂降耐受特性划分得到暂降风险预警级别，完成电压暂降风险预警，有利于电网及企业运维人员提前采取措施，实施差异化运维，减少电压暂降损失，同时也为电压暂降治理提供一定依据。

Claims (7)

1.基于仿真与多源实测数据融合的电压暂降风险预警方法，其特征在于：所述方法包括以下步骤：
步骤S1、针对预警区域内与电压暂降风险相关的影响因素，选取具备信息互补关联的仿真数据与实测数据，经预处理后形成电压暂降风险预警的支撑数据；
步骤S2、在支撑数据的基础上，引入节点密集指标si、用户密集指标ci，监测点紧密程度指标di，将以上分项指标经同趋化处理、特征提取后降维融合得到影响域综合量化指标ei，用于综合表征电压暂降传播特性及影响域；
步骤S3、基于改进梯度下降法设计多元回归模型，对支撑数据进行量化及标准化处理使其可用于训练多元回归模型，该模型的更新策略中包括仿真数据与实测数据的知识迁移，模型的步长更新策略改进为基于Armijo-Goldstein准则的自适应步长更新；
步骤S4、以基于改进梯度下降法的多元回归模型对支撑数据进行数据挖掘，预测残余电压幅度，根据残余电压幅度大小结合不同用户需要及暂降耐受特性划分电压暂降预警级别，实施电压暂降风险预警。
2.根据权利要求1所述的基于仿真与多源实测数据融合的电压暂降风险预警方法，其特征在于：所述步骤S1中，对预警区域内与电压暂降风险相关的影响因素进行分析，选取关联性大的影响因素；
已选取的影响因素中，其仿真数据通过对区域内进行随机故障仿真计算得到，用于反映系统的故障水平及系统的运行方式对电压暂降风险的影响；
已选取的影响因素中，其实测数据来源于电压暂降发生后各信息系统的监测装置所记录的数据，该数据既包含用户侧受电压暂降影响信息和实际场景下外部暂降风险影响因素，同时记录内容也包含系统故障水平及部分电网侧暂降影响因素。
3.根据权利要求2所述的基于仿真与多源实测数据融合的电压暂降风险预警方法，其特征在于：步骤S1中，所述仿真数据通过MonteCarlo法的随机设置故障参数，生成相应故障卡，通过BPA仿真软件进行海量故障计算得到；所述实测数据分别从电能质量监测系统、调度自动化系统、用电信息采集系统、防震减灾系统、工业生产管理系统、营销业务应用系统获取，并以序列方式在电压暂降数据库中存储。
4.根据权利要求3所述的基于仿真与多源实测数据融合的电压暂降风险预警方法，其特征在于：在步骤S2中，节点密集程度指标si、用户密集程度指标ci，监测点紧密程度指标di的公式如下：
Figure FDA0003304828510000021
Figure FDA0003304828510000022
Figure FDA0003304828510000023
式中：D为监测点i的邻接节点集合，M为监测点i的接入用户集合，bj表示节点j邻接节点数(包括自身节点)，cj表示节点j邻接用户数(包括自身节点所接用户)；ni表示源节点i的邻接节点数，li为源节点i及邻接节点之间的互联线路数量，包括单回线/双回线，所述ni个节点间最多可产生
Figure FDA0003304828510000024
条单边，以上式表征监测节点周围的连接紧密程度。
5.根据权利要求4所述的基于仿真与多源实测数据融合的电压暂降风险预警方法，其特征在于：在步骤S2中，生成节点密集程度指标si、用户密集程度指标ci，监测点紧密程度指标di；其si、ci越大，暂降影响范围越大，暂降时负荷电动机启停导致暂降加重的可能性大，残余电压幅度低，暂降风险大，而di越大，节点周围连接越紧密，支撑能力强，残余电压幅度高，暂降风险小；由于si、ci与di对于暂降风险的影响趋势相反，因此对si、ci进行同趋化处理，同趋化方法采用倒数方式，之后对同趋化后指标进行标准化处理，后基于熵权法得到影响域综合量化指标ei，对输入数据进行降维处理，综合评估暂降传播及影响域的影响，如下式所示：
Figure FDA0003304828510000031
Figure FDA0003304828510000032
Figure FDA0003304828510000033
式中带*号为经标准化处理后数据，pij为第i个节点的第j个指标占所有指标之和比例，n为指标数量，Enj为第j个指标的信息熵，wj为第j个指标的权重。
6.根据权利要求5所述的基于仿真与多源实测数据融合的电压暂降风险预警方法，其特征在于：在步骤S3中，在支撑数据准备完毕后，分别对支撑数据中的仿真数据与实测数据构建基于改进梯度下降法的多元回归模型；
在步骤S4中，首先利用仿真数据与实测数据分别构建多元回归模型，在初步建立仿真数据对应模型M1与实测数据对应模型M2后，两者在输入参量中存在相同的电压暂降风险特征属性，这一部分属性用CShared进行表示，CShared对应的模型回归系数为βShared，其余特征属性为仿真数据模型与实测数据模型所特有的，用C1表示仿真数据模型所特有的属性，C1所对应的回归系数为β1，C2表示实测数据模型所特有的属性，C2所对应的回归系数为β2；对于CShared而言，其在仿真数据与实测数据中的含义一致，在两个模型输出均为残余电压幅度这一输出参量时，可以认为CShared对模型产生的响应是相同的，即CShared对于残余电压幅度的影响机理是一致的；之后在训练过程中仿真数据模型用于对实测数据模型进行暂降模型机理知识的迁移，将仿真数据作为源域，实测数据作为目标域，作为源域的仿真数据中所蕴含物理模型机理信息可视为先验知识，对CShared进行知识迁移，使得目标域学习先验知识，经知识迁移后的实测数据模型用于对残余电压幅度进行预测。
7.根据权利要求6所述的基于仿真与多源实测数据融合的电压暂降风险预警方法，其特征在于：基于仿真与实测多元数据融合的电压暂降风险预警模型迭代过程如下步骤所示，该模型基于改进梯度下降法的多元回归实现；
步骤B1、首先分别针对仿真数据与实测数据构建初始多元回归模型，对仿真数据模型M1、实测数据模型M2设置初始模型参数，两模型的损失函数分别为下述公式七的J1(x)、J2(z)，以损失函数最小为目标，计算相应梯度为下述公式八中的▽J1、▽J2，选择负梯度-▽J作为最速搜索方向；
Figure FDA0003304828510000041
Figure FDA0003304828510000042
式中：下标1、2分别表示仿真数据模型，实测数据模型，xi为第i个仿真输入数据，f(x)为仿真数据模型结果，zi为第i个实测输入数据，g(z)实测数据模型输出，U1(i)为第i个仿真数据目标值，U2(i)为第i个实测数据目标值；
步骤B2、根据公式九对所有模型参数进行初次更新；
xk+1＝xk-αkgk 公式九；
式中：xk+1为第k+1次模型参数，xk为第k次模型参数，αk为第k次步长，gk为第k次梯度大小；
步骤B3、对梯度下降法的模型更新策略进行改进，以M2为目标域，M1为源域，针对共同输入参量CShared的回归系数βShared进行知识迁移学习，在知识迁移学习过程中对βShared参数进行二次更新，参数更新采用自适应加权融合的方法，使单次学习误差小的占比大，单次学习误差小的占比小；自适应加权融合的模型更新公式如公式十：
Figure FDA0003304828510000051
式中：β为更新前仿真与实测数据共有属性回归系数，
Figure FDA0003304828510000052
为更新后仿真与实测数据共有属性回归系数，σ表示单次学习评价指标；
步骤B4、在对模型进行迁移学习后，将更新后的系数
Figure FDA0003304828510000053
分别代回原模型，重新进行梯度计算，并参照公式九二次更新两模型非共有部分的输入特征属性C1，C2所对应的回归系数β1，β2；
步骤B5、模型参数更新结束后，对模型的步长更新策略进行改进，代入当前步长计算是否满足公式十一中的Armijo-Goldstein准则，不断更新步长，使模型可根据学习结果自适应调节步长，并用于下一次迭代过程中；
Figure FDA0003304828510000054
式中：f为模型拟合函数，xk为第k次迭代时模型参数，αk为第k次迭代步长，dk为第k次下降方向，gk为第k次梯度大小，ρ∈(0，0.5)
步骤B6、重复上述步骤步骤B1至步骤B5，直至迭代满足收敛条件，模型具备残余电压幅度预测能力，可根据残余电压幅度结合不同用户需要及暂降耐受特性划分得到暂降风险预警级别。
CN202111201065.9A 2021-10-15 2021-10-15 基于仿真与多源实测数据融合的电压暂降风险预警方法 Active CN113919162B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111201065.9A CN113919162B (zh) 2021-10-15 2021-10-15 基于仿真与多源实测数据融合的电压暂降风险预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111201065.9A CN113919162B (zh) 2021-10-15 2021-10-15 基于仿真与多源实测数据融合的电压暂降风险预警方法

Publications (2)

Publication Number Publication Date
CN113919162A true CN113919162A (zh) 2022-01-11
CN113919162B CN113919162B (zh) 2022-08-09

Family

ID=79240692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111201065.9A Active CN113919162B (zh) 2021-10-15 2021-10-15 基于仿真与多源实测数据融合的电压暂降风险预警方法

Country Status (1)

Country Link
CN (1) CN113919162B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648078A (zh) * 2022-05-23 2022-06-21 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种地热清洁能源深浅联动降碳增效监控系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016026355A1 (zh) * 2014-08-18 2016-02-25 国家电网公司 一种有源配电网电压跌落仿真与评估方法
CN106058865A (zh) * 2016-07-08 2016-10-26 东南大学 一种电网节点电压暂降的风险评估方法
CN109034461A (zh) * 2018-07-06 2018-12-18 国网山西省电力公司电力科学研究院 一种基于实际电网监测信息的电压暂降随机预估方法
CN109165806A (zh) * 2018-07-02 2019-01-08 国网浙江省电力有限公司电力科学研究院 基于潮流动态转换的风险预警与电压优化调节系统和方法
WO2020081526A1 (en) * 2018-10-19 2020-04-23 University Of Tennessee Research Foundation Power electronics converter based reconfigurable grid emulation platform
CN111722002A (zh) * 2020-06-29 2020-09-29 国网四川省电力公司电力科学研究院 一种新型电压暂降严重度评估方法
CN112232386A (zh) * 2020-09-27 2021-01-15 国网福建省电力有限公司莆田供电公司 一种基于支持向量机的电压暂降严重程度预测方法
CN113011026A (zh) * 2021-03-19 2021-06-22 福州大学 一种电网电压暂降仿真方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016026355A1 (zh) * 2014-08-18 2016-02-25 国家电网公司 一种有源配电网电压跌落仿真与评估方法
CN106058865A (zh) * 2016-07-08 2016-10-26 东南大学 一种电网节点电压暂降的风险评估方法
CN109165806A (zh) * 2018-07-02 2019-01-08 国网浙江省电力有限公司电力科学研究院 基于潮流动态转换的风险预警与电压优化调节系统和方法
CN109034461A (zh) * 2018-07-06 2018-12-18 国网山西省电力公司电力科学研究院 一种基于实际电网监测信息的电压暂降随机预估方法
WO2020081526A1 (en) * 2018-10-19 2020-04-23 University Of Tennessee Research Foundation Power electronics converter based reconfigurable grid emulation platform
CN111722002A (zh) * 2020-06-29 2020-09-29 国网四川省电力公司电力科学研究院 一种新型电压暂降严重度评估方法
CN112232386A (zh) * 2020-09-27 2021-01-15 国网福建省电力有限公司莆田供电公司 一种基于支持向量机的电压暂降严重程度预测方法
CN113011026A (zh) * 2021-03-19 2021-06-22 福州大学 一种电网电压暂降仿真方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHANG YI等: "Study on risk aversion mechanism of voltage sag introduced in a third party insurance institution", 《JOURNAL OF ELECTRIC POWER SCIENCE AND TECHNOLOGY 》 *
刘挺坚等: "连锁故障中负荷损失数值特征的非参关联分析", 《电力自动化设备》 *
李晨懿等: "模糊综合评价在电压暂降源识别中的应用", 《电网技术》 *
胡文曦等: "电网结构对电压暂降传播的影响及其量化分析方法", 《电力自动化设备》 *
邢海军等: "主动配电网规划研究综述", 《电网技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648078A (zh) * 2022-05-23 2022-06-21 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种地热清洁能源深浅联动降碳增效监控系统
CN114648078B (zh) * 2022-05-23 2022-09-13 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种地热清洁能源深浅联动降碳增效监控系统

Also Published As

Publication number Publication date
CN113919162B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
Rocchetta et al. A power-flow emulator approach for resilience assessment of repairable power grids subject to weather-induced failures and data deficiency
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
Ma et al. Short term load forecasting based on iForest-LSTM
CN106570778A (zh) 一种基于大数据的数据集成与线损分析计算的方法
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN112330121B (zh) 一种配电网自动化建设投资效益评估方法
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
Han et al. Multi‐objective robust dynamic VAR planning in power transmission girds for improving short‐term voltage stability under uncertainties
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN115759371A (zh) 一种基于gcn-lstm的电力系统短期负荷预测方法
CN113919162B (zh) 基于仿真与多源实测数据融合的电压暂降风险预警方法
CN110807508B (zh) 计及复杂气象影响的母线峰值负荷预测方法
CN112288172A (zh) 台区线损率的预测方法、装置
Shaghaghi et al. Proposing a new optimized forecasting model for the failure rate of power distribution network thermal equipment for educational centers
CN113469266A (zh) 一种基于改进深度卷积神经网络的窃电行为检测方法
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN111369048B (zh) 一种话务量预测方法
CN115829334A (zh) 一种电网业务的风险评估方法及系统
CN114971272A (zh) 一种中压配电网网格化规划评价方法及系统
Grasso et al. Artificial Load Profiles and PV Generation in Renewable Energy Communities Using Generative Adversarial Networks
CN113537607A (zh) 停电预测方法
Eie Probabilistic load flow studies: analytical and approximate methods
Guo et al. Power Customer Complaint Prediction Model Based on Time Series Analysis.
Yu-zhao et al. Price forecasting algorithm for coal and electricity based on PSO and RBF neural network
Jansson et al. Monte Carlo Simulations in Load Flow Calculations-An Application on a Swedish 50 kV Network

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