CN114065634A - 一种数据驱动的电能质量监测布点优化方法及装置 - Google Patents

一种数据驱动的电能质量监测布点优化方法及装置 Download PDF

Info

Publication number
CN114065634A
CN114065634A CN202111372734.9A CN202111372734A CN114065634A CN 114065634 A CN114065634 A CN 114065634A CN 202111372734 A CN202111372734 A CN 202111372734A CN 114065634 A CN114065634 A CN 114065634A
Authority
CN
China
Prior art keywords
monitoring
optimization
power quality
stationing
optimal
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
CN202111372734.9A
Other languages
English (en)
Inventor
冯丹丹
王同勋
周胜军
刘颖英
李毅
陈蕾
徐重酉
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.)
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
Global Energy Interconnection Research Institute
Original Assignee
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
Global Energy Interconnection Research Institute
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 State Grid Corp of China SGCC, State Grid Zhejiang Electric Power Co Ltd, Global Energy Interconnection Research Institute filed Critical State Grid Corp of China SGCC
Priority to CN202111372734.9A priority Critical patent/CN114065634A/zh
Publication of CN114065634A publication Critical patent/CN114065634A/zh
Pending legal-status Critical Current

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor
    • 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)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

本发明公开了一种数据驱动的电能质量监测布点优化方法及装置，该方法包括：获取待评估区域电网节点的电能质量监测数据；基于样本量估计原理，根据电能质量监测数据的统计特征值确定最优监测布点数量；基于分层建模方法，根据最优监测布点数量、电网节点属性以及预设电能质量管控需求构建优化目标模型；基于优化目标模型，采用改进遗传算法进行全局优化求解，得到帕累托解集；根据帕累托解集和预设场景偏向权重矩阵确定最优监测布点。通过实施本发明，基于现有监测数据驱动更新监测优化布点。实现了基于监测数据驱动更新监测布点增量需求；此外，采用改进遗传算法，在满足监测布点优化架构同时，降低了解集样本空间，提高了寻优计算效率。

Description

一种数据驱动的电能质量监测布点优化方法及装置
技术领域
本发明涉及电力系统分析技术领域，具体涉及一种数据驱动的电能质量监测布点优化方法及装置。
背景技术
随着中国经济的飞速发展，电力系统节点规模快速扩大，大量非线性、波动性负荷接入电网，产生的高低电压、谐波、不平衡、电压暂降等电能质量问题日趋严重且复杂化。为及时发现、分析和解决电网存在的电能质量问题，电力公司普遍建设了电能质量监测系统。然而，目前电能质量监测系统的监测布点通常依靠人为经验进行铺设，布点目标单一，一般仅设置在干扰源负荷或者电网的重要节点，各区域电能质量水平评价缺乏横向比较的基准基础，同时由于某些节点数据缺失导致一些电能质量事件无法追溯。但是如果对电网所有节点配置监测装置，则经济经济性差且没有必要。因此，研究电能质量监测布点优化配置，对于减少设备投资、提高电力系统经济效益、实现电能质量精益化管理而言具有重要意义。
目前国内外针对电能质量监测点优化配置的研究主要是基于用户、电网参数，考虑电能质量事件传播规律，采用仿真计算、数学规划等方法，例如电压暂降可观测区域(MRA)法、图论分析法、奇异值分解法、回归系数法等，实现监测布点经济效益最大化，即保证全网任何一点发生可引起电能质量问题的事件时，都至少能被一台监测装置记录到，同时保证监测点部署数量最少。
上述方法主要是基于电能质量事件传播规律，基于静态数据和电网参数，采用仿真计算建立影响覆盖模型，引入目标规划方法寻找最优布点方案，但在实际情况下电网参数获取困难，特别是在配电网中，线路拓扑和设备参数具有不确定性和时变特性。
发明内容
有鉴于此，本发明实施例提供了涉及一种数据驱动的电能质量监测布点优化方法及装置，以解决现有技术中采用电网参数进行监测布点优化时较为困难且不确定性较大的技术问题。
本发明提出的技术方案如下：
本发明实施例第一方面提供一种电能质量监测布点优化方法，包括：获取待评估区域电网节点的电能质量监测数据；基于样本量估计原理，根据所述电能质量监测数据的统计特征值确定最优监测布点数量；基于分层建模方法，根据所述最优监测布点数量、电网节点属性以及预设电能质量管控需求构建优化目标模型；基于所述优化目标模型，采用改进遗传算法进行全局优化求解，得到帕累托解集；根据所述帕累托解集和预设场景偏向权重矩阵确定最优监测布点。
可选地，基于样本量估计原理，根据所述电能质量监测数据的统计特征值确定最优监测布点数量，包括：根据所述电能质量监测数据计算监测数据的统计特征值；基于样本量估计原理，根据所述统计特征值计算不同监测布点规模下对应的统计精度；根据不同监测布点规模下对应的统计精度绘制趋势图；根据所述趋势图和统计精度阈值先确定理论最优监测布点数量。
可选地，基于样本量估计原理，根据所述电能质量监测数据的统计特征值确定最优监测布点数量，还包括：根据所述理论最优监测布点数量、现有监测点数量以及具有安装条件的数量确定最优监测布点数量；根据所述最优监测布点数量进行合理性确认。
可选地，基于分层建模方法，根据所述最优监测布点数量、电网节点属性以及预设电能质量管控需求构建优化目标模型，包括：根据是否具备安装条件和是否已安装监测终端标记电网节点属性；根据电能质量管控需求确定优化目标；基于分层建模方法，将所述最优监测布点数量和所述优化目标作为目标函数，电网节点属性作为约束条件构建优化目标模型。
可选地，所述优化目标包括：重要程度、薄弱区域覆盖度以及监测范围覆盖度；所述重要程度根据干扰覆盖度、重要敏感用户的覆盖率以及总短路容量确定；所述薄弱区域覆盖度根据覆盖节点和线路的平均线损率、覆盖节点的总停电事件数量比重、覆盖节点的总投诉比重以及覆盖节点的设备损坏数量比重确定；所述监测范围覆盖度根据可观测的节点数以及待评估区域电网节点数确定。
可选地，基于所述优化目标模型，采用改进遗传算法进行全局优化求解，得到帕累托解集，包括：采用改进遗传算法交叉算子和变异算子，基于所述目标函数和约束条件，进行全局优化求解，得到帕累托解集；所述交叉算子确定条件为随机选择两点交叉，且满足两染色体选择点代数和相等；所述变异算子确定条件为变异点成偶出现，且满足变异点代数和前后不变。
可选地，根据所述帕累托解集和预设场景偏向权重矩阵确定最优监测布点，包括：根据重要程度、薄弱区域覆盖度、监测范围覆盖度以及预设场景确定场景偏向权重矩阵；根据所述场景偏向权重矩阵和所述帕累托解集计算帕累托解集评分；根据所述帕累托解集评分确定预设场景的最优监测布点。
本发明实施例第二方面提供一种电能质量监测布点优化装置，包括：数据获取模块，用于获取待评估区域电网节点的电能质量监测数据；数量计算模块，用于基于样本量估计原理，根据所述电能质量监测数据的统计特征值确定最优监测布点数量；模型构建模块，用于基于分层建模方法，根据所述最优监测布点数量、电网节点属性以及预设电能质量管控需求构建优化目标模型；遗传算法求解模块，用于基于所述优化目标模型，采用改进遗传算法进行全局优化求解，得到帕累托解集；监测布点确定模块，用于根据所述帕累托解集和预设场景偏向权重矩阵确定最优监测布点。
本发明实施例第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的电能质量监测布点优化方法。
本发明实施例第四方面提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的电能质量监测布点优化方法。
本发明提供的技术方案，具有如下效果：
本发明实施例提供的一种数据驱动的电能质量监测布点优化方法及装置，基于现有监测数据驱动更新监测优化布点。首先，通过现有监测系统数据信息掌握电能质量指标基本面和波动水平，基于样本量估计理论测算能覆盖基本面和波动概率特性的最优监测点数量，实现了基于监测数据驱动更新监测布点增量需求，相较与传统方法，避免复杂电网参数获取、评估过程；其次，该方法综合考虑电能质量管控需求，明确监测布点的各项优化目标和约束条件，建立优化目标模型，引入偏向目标权重矩阵，实现各类场景偏向参数设置集中化，可动态适应各类典型运行场景的管控需求，有效提高了电能质量监测布点优化的场景适用性和灵活性；此外，采用改进遗传算法，在满足监测布点优化架构同时，降低了解集样本空间，提高了寻优计算效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的电能质量监测布点优化方法的总体流程图；
图2是根据本发明实施例的电能质量监测布点优化方法的总体流程图；
图3是根据本发明实施例的电能质量监测布点优化方法的布点数量计算流程图；
图4是根据本发明另一实施例的电能质量监测布点优化方法的布点数量计算流程图；
图5是根据本发明实施例的电能质量监测布点优化方法的优化目标模型构建流程图；
图6是根据本发明实施例的电能质量监测布点优化方法的改进遗传算法流程图；
图7是根据本发明实施例的电能质量监测布点优化方法的统计精度趋势图；
图8是根据本发明实施例的电能质量监测布点优化方法的场景布点方案示意图；
图9是根据本发明实施例的电能质量监测布点优化装置的结构框图；
图10是根据本发明实施例提供的计算机可读存储介质的结构示意图；
图11是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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。
本发明实施例提供一种电能质量监测布点优化方法，如图1及图2所示，该方法包括如下步骤：
步骤S101：获取待评估区域电网节点的电能质量监测数据。
具体地，在进行电能质量监测布点优化时，可以选择某一区域作为待评估区域进行优化。在确定待评估区域后，可以基于该区域已经设置的电能质量系统监测布点获取监测数据，同时也可以通过临时设置的监测设备获取临时测试数据作为监测数据。
在获取监测数据时，可以针对待评估区域电网某电压等级对象，提取代表性数据。提取待评估区域电网PMS变电站该电压等级母线数量作为样本总体。提取代表性数据时基于分层抽样原理选取具有代表性电网节点并提取电能质量指标数据，或者也可以提取全节点监测数据作为代表性数据。其中，采用分层抽样原理时，分层抽样维度可以是负荷容量或短路容量等等。提取的电能质量指标包括但不限于：电压、三相电压不平衡度、总谐波电压畸变率或闪变等等，提取的数据粒度至少为分钟级数据。
步骤S102：基于样本量估计原理，根据所述电能质量监测数据的统计特征值确定最优监测布点数量。
具体地，电能质量监测数据的统计特征值可以通过电能质量电压类指标分钟级监测数据计算，然后采用样本量估计原理以及该统计特征值计算不同监测布点规模下所对应的统计精度，得到趋势分析图，从该图中确定最优监测布点数量。
步骤S103：基于分层建模方法，根据所述最优监测布点数量、电网节点属性以及预设电能质量管控需求构建优化目标模型。
具体地，在构建优化目标模型时，可以采用分层建模方法，基于最优监测布点数量和预设电能质量管控需求构建优化目标分量函数；然后基于电网节点属性确定优化目标模型的约束条件；采用该目标分量函数和约束条件构成优化目标模型。
步骤S104：基于所述优化目标模型，采用改进遗传算法进行全局优化求解，得到帕累托解集。
具体地，该改进遗传算法可以是改进NSGA-Ⅱ遗传算法，采用该遗传算法时，通过优化目标模型中的目标函数和约束条件进行非支配排序，然后基于遗传算法的选择、交叉以及变异三个基本操作，最终迭代求解得到帕累托解集。
步骤S105：根据所述帕累托解集和预设场景偏向权重矩阵确定最优监测布点。
在确定最优监测布点时，可以采用预设场景偏向权重矩阵和帕累托解集进行点乘计算，得到各类场景的帕累托解集评分，并基于该评分结果确定最优监测布点方案。
此外，在确定最优监测布点数量后，间隔预设时间，还可以再次重复上述流程，再次获取监测数据，进行最优监测布点数量的更新。
本发明实施例提供的电能质量监测布点优化方法，基于现有监测数据驱动更新监测优化布点。首先，通过现有监测系统数据信息掌握电能质量指标基本面和波动水平，基于样本量估计理论测算能覆盖基本面和波动概率特性的最优监测点数量，实现了基于监测数据驱动更新监测布点增量需求，相较与传统方法，避免复杂电网参数获取、评估过程；其次，该方法综合考虑电能质量管控需求，明确监测布点的各项优化目标和约束条件，建立优化目标模型，引入偏向目标权重矩阵，实现各类场景偏向参数设置集中化，可动态适应各类典型运行场景的管控需求，有效提高了电能质量监测布点优化的场景适用性和灵活性；此外，采用改进遗传算法，在满足监测布点优化架构同时，降低了解集样本空间，提高了寻优计算效率。
作为本发明实施例的一种可选的实施方式，如图3及图4所示，基于样本量估计原理，根据所述电能质量监测数据的统计特征值确定最优监测布点数量，包括如下步骤：
步骤S201：根据所述电能质量监测数据计算监测数据的统计特征值。具体地，该统计特征值包括均值和标准差，可以通过电能质量电压类指标分钟级监测数据计算该均值和标准差。此外，也可以通过秒级的监测数据进行计算，本发明实施例对此不做限定。
步骤S202：基于样本量估计原理，根据所述统计特征值计算不同监测布点规模下对应的统计精度。
具体地，采用样本量估计原理可以将监测布点方案抽象为不重复的随机抽样问题。其中，样本量估计原理可以采用如下公式表示：
Figure BDA0003362134450000081
式中，r表示随机抽样精度；μ、σ分别表示变量的均值、标准差；Z表示标准正态变量，对应95％正态区间，Z＝1.96；n表示样本容量；N表示总体容量。
在采用样本量估计原理时，式中的μ、σ可以基于上述计算的统计特征值中的均值和标准差确定。对于样本容量和总体容量，由于优化的为监测布点，由此，可以采用不同的监测布点的数量作为样本容量，总体容量采用步骤S101获取的区域电网PMS变电站该电压等级母线数量。
由此，将上述参数代入到样本估计量的计算公式中，可以计算得到不同监测布点规模下所对应的统计精度。
步骤S203：根据不同监测布点规模下对应的统计精度绘制趋势图。在计算到不同监测布点数量以及其对应的统计精度后，可以以监测布点数量为横轴，以统计精度为纵轴绘制趋势分析图。
步骤S204：根据所述趋势图和统计精度阈值先确定理论最优监测布点数量。为了确定最优监测布点数量，可以根据实际情况确定统计精度阈值，然后在趋势图中，根据统计精度阈值确定一条统计精度阈值线，找出该统计阈值线和统计精度的交汇点，该交汇点所对应的横坐标数值即为理论最优监测布点数量，或者说是统计学最优监测布点数量。
步骤S205：根据所述理论最优监测布点数量、现有监测点数量以及具有安装条件的数量确定最优监测布点数量。
具体的，在确定统计学最优监测布点数量后，还需要结合实际情况，即综合考虑现场部署条件以及现有监测点部署情况，得到实际监测布点增量需求。由此，可以通过以下公式计算：
Np＝min(N1，N2)-N0
式中，Np表示最优监测布点数量，即约束条件；N1表示统计学最优监测布点数量；N2表示现场具备安装监测终端条件的母线节点数量；N0表示电能质量监测系统现有监测点数量。
通过上述公式，即可计算到最优监测布点数量。由于该最优监测布点数量是通过理论最优监测布点数量和现有数量的差值确定，该最优监测布点数量可以称之为监测布点增量需求。
步骤S206：根据所述最优监测布点数量进行合理性确认。具体地，由于该最优监测布点是通过最优监测布点数量和现有数量的差值确定的，由此，其存在大于零或小于等于零的情况。当计算的最优监测布点数量Np小于等于零时，表明该区域电网该电压等级无需新增监测点，此时，可以再重新选取新的待评估区域进行最优监测布点数量的计算。当最优监测布点数量Np大于零时，表明该区域电网该电压等级需要提出新增监测点数量需求。
为排除偶然扰动造成波动较大的情况，需要针对该电压等级有序制定测试计划，进一步扩大普测范围和延迟临时测试时间，确认该最优监测布点数量或者说增量需求的合理性。
通过步骤S201-206的数据处理后，监测点最优布置数量作为固定值输入，有效降低后续计算的复杂度，大大提高布点方案寻优效率，具有较高的工程实用价值。
作为本发明实施例的一种可选的实施方式，如图5所示，基于分层建模方法，根据所述最优监测布点数量、电网节点属性以及预设电能质量管控需求构建优化目标模型，包括：
步骤S301：根据是否具备安装条件和是否已安装监测终端标记电网节点属性。具体地，针对待评估区域所有电网节点，按照现场示范具有安装条件和是否已安装监测节点分为四类，包括已监测节点、不具备监测条件节点、不需要监测节点以及需要监测节点。然后按照所述类别对相应的电网节点进行标记，得到电网节点属性。根据该电网节点属性构成节点属性向量，并采用如下的公式表示：
X＝[x1,x2…xn]T
其中，X为监测布点方案，由一组xi构成，i为该区域电网节点的编号，xi取值为节点监测状态属性值。
步骤S302：根据电能质量管控需求确定优化目标；所述优化目标包括：重要程度、薄弱区域覆盖度以及监测范围覆盖度。
具体地，针对电能质量管控需求，监测节点主要考虑利于监测干扰源接入管理、利于电能质量运维管理、利于用户营销服务等方面，监测节点应主要考虑获取尽可能多的节点电能质量状态。由此，综合考虑上述监测布点的各项需求。该优化目标模型的优化目标设定为：重要程度、薄弱区域覆盖度以及监测范围覆盖度。
其中，重要程度可以基于台账数据以及社会经历数据等静态类数据，通过量化干扰覆盖度、重要敏感用户的覆盖率以及总短路容量，采用加权的方式表征。重要程度越高表示监测布点方案越合理。由此，重要程度通过如下表达式计算：
Figure BDA0003362134450000111
在该公式中，ω1为各分量的权值向量，权值向量确定方法包括但不限于层次分析法、模糊聚类方法等；DT为方案的干扰源覆盖率，IS为方案的重要敏感用户的覆盖率，CP为总短路容量。
薄弱区域覆盖度基于营销数据、运行调度数据等动态类数据通过量化覆盖节点和线路的平均线损率、覆盖节点的总停电事件数量比重、覆盖节点的总投诉比重以及覆盖节点的设备损坏数量比重，采用加权的方式表征。薄弱区域覆盖度越高表示越有利于薄弱点查找或投诉管理。薄弱区域覆盖度通过如下表示式计算：
Figure BDA0003362134450000121
其中，ω2为各分量的权值向量，权值向量确定方法包括但不限于层次分析法、模糊聚类方法等；LL表示该布点方案覆盖节点、线路的平均线损率；PC表示方案覆盖节点的总停电事件数量比重；CL表示方案覆盖节点的总投诉比重，EQ表示方案覆盖节点的设备损坏数量比重。
考虑到可以基于电能质量传播规律对未安装监测装置节点进行状态估计，因此基于状态估计评价布点方案监测范围覆盖度。即监测范围覆盖度可以根据可观测的节点数以及待评估区域电网节点数确定。监测范围覆盖度具体采用如下公式表示：
f3(X)＝Am/N
其中，Am为可观测的节点数，N为区域电网总节点数。
步骤S303：将所述最优监测布点数量和所述优化目标作为目标函数，电网节点属性作为约束条件构建优化目标模型。
具体地，将所述最优监测布点数量和所述优化目标作为目标函数，电网节点属性作为约束条件可以将电能质量监测布点优化描述为如下的数学模型(优化目标模型)：
Figure BDA0003362134450000122
式中，X＝[x1,x2,…,xn]T为优化变量集；f(X)为目标函数，f1为重要程度，f2为薄弱区域覆盖度，f3为监测范围覆盖度，f4为监测点数量即步骤S102计算得到的最优监测布点数量；U为基本空间，R为U的子集。满足约束条件的解X称为可行解，集合R表示由所有满足约束条件的解所组成的集合，叫做可行解集合。
作为本发明实施例的一种可选的实施方式，基于所述优化目标模型，采用改进遗传算法进行全局优化求解，得到帕累托解集，包括：采用改进遗传算法交叉算子和变异算子，基于所述目标函数和约束条件，进行全局优化求解，得到帕累托解集；所述交叉算子确定条件为随机选择两点交叉，且满足两染色体选择点代数和相等；所述变异算子确定条件为变异点成偶出现，且满足变异点代数和前后不变。
具体地，如图6所示，该遗传算法求解的流程如下：
首先，随机产生规模为N的初始种群，基于优化目标模型进行非支配排序，通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群，其中，交叉算子确定规则为：随机选择两点交叉，且满足两染色体选择点代数和相等。变异算子确定规则为：变异点成偶出现，且满足变异点代数和前后不变。
其次，从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；
通过遗传算法的上述三个基本操作产生新的子代种群：依此类推，直到满足程序迭代代数大于预设值的结束条件。
作为本发明实施例的一种可选的实施方式，根据所述帕累托解集和预设场景偏向权重矩阵确定最优监测布点，包括：根据重要程度、薄弱区域覆盖度、监测范围覆盖度以及预设场景确定场景偏向权重矩阵；根据所述场景偏向权重矩阵和所述帕累托解集计算帕累托解集评分；根据所述帕累托解集评分确定预设场景的最优监测布点。
其中，预设场景包括但不限于电网规划、运行以及营销等场景。场景偏向权重矩阵可以基于层级分析法确定，该矩阵结构可以表示为：
Figure BDA0003362134450000141
在该矩阵结构中，行代表不同场景，例如可以是电网规划、运行以及营销等场景，列代表目标分量，即重要程度(关键程度)、薄弱区域覆盖度、监测范围覆盖度。在确定场景偏向权重矩阵后，可以将其和帕累托解集进行点乘，获得各类场景的帕累托解集评分E，将公式评分最高的方案确定为该场景最优监测布点方案。
作为本发明实施例的一种可选地实施方式，对某S区域电网区域开展分析，采用该电能质量监测布点优化方法确定最优监测布点数量。在该区域中，电压等级涵盖110kV、220kV，共计230个变电站节点，负荷接入类型包括重要枢纽变电站、电气化铁路、其它非线性负荷、敏感重要负荷、风电场、光伏电站、其他类等。
(1)数据驱动监测布点增量需求
以110kV为例进行说明，目前110kV网络已布监测点数量为8，计算110kV网络得到统计精度-布点规模趋势图如图7所示。设置精度阈值为0.05，从图中可知，最优监测点数量为17，由此需新增监测点数量为9。
(2)建立优化目标模型
根据节点属性向量定义公式，向量由一组xi构成，i为该区域电网节点的编号，xi为第i个节点状态属性值，取值范围定义为{-2，-1，0，1}，-2代表不具备监测条件，-1代表已监测，0代表不需监测，1需要监测。
优化多目标模型中目标分量f1、f2、f3权值参数w1、w2，基于层次分析法，取值依次设置为[0.4，0.4，0.2]、[0.2，0.3，0.3，0.2]、[0.2，0.3，0.3，0.2]。
(3)布点优化帕累托集求解
非支配排序遗传算法的参数取值如下：种群数量100，种群代数阈值200，交叉概率0.5，变异概率0.1。
(4)多场景优化布点方案
面向电能质量管控场景1、场景2、场景3，其权重偏向矩阵设置如下：
Figure BDA0003362134450000151
绘制3种场景布点方案示意图如图8所示，其中，纵横坐标为变电站相对地理位置，浅色节点为新增监测节点位置。
本发明实施例提供的电能质量监测布点优化方法，提出了一种基于数据驱动电能质量监测布点优化业务流程，业务流程定期执行，滚动更新监测布点增量需求，支撑电能质量监测布点管理计划制定；提出了监测布点增量需求计算方法，综合考虑电能质量水平基本面和波动概率特性，实现了基于监测数据驱动更新监测布点增量需求，同时支撑电能质量测试计划的制定，相较与传统方法，避免复杂电网参数获取、评估过程；提出了NSGA-Ⅱ遗传算法交叉、变异改进规则，针对本专利提出的监测布点增量需求，改进规则满足了本专利监测布点优化架构，同时由于降低了解集样本空间，提高了寻优计算效率；提出了偏向权重矩阵，实现各类场景偏向参数设置集中化，可动态适应各类典型运行场景的管控需求，有效提高了电能质量监测布点优化的场景适用性和灵活性。
本发明实施例还提供一种电能质量监测布点优化装置，如图9所示，包括：
数据获取模块，用于获取待评估区域电网节点的电能质量监测数据；具体内容参见上述方法实施例对应部分，在此不再赘述。
数量计算模块，用于基于样本量估计原理，根据所述电能质量监测数据的统计特征值确定最优监测布点数量；具体内容参见上述方法实施例对应部分，在此不再赘述。
模型构建模块，用于基于分层建模方法，根据所述最优监测布点数量、电网节点属性以及预设电能质量管控需求构建优化目标模型；具体内容参见上述方法实施例对应部分，在此不再赘述。
遗传算法求解模块，用于基于所述优化目标模型，采用改进遗传算法进行全局优化求解，得到帕累托解集；具体内容参见上述方法实施例对应部分，在此不再赘述。
监测布点确定模块，用于根据所述帕累托解集和预设场景偏向权重矩阵确定最优监测布点。具体内容参见上述方法实施例对应部分，在此不再赘述。
本发明实施例提供的电能质量监测布点优化装置，基于现有监测数据驱动更新监测优化布点。首先，通过现有监测系统数据信息掌握电能质量指标基本面和波动水平，基于样本量估计理论测算能覆盖基本面和波动概率特性的最优监测点数量，实现了基于监测数据驱动更新监测布点增量需求，相较与传统方法，避免复杂电网参数获取、评估过程；其次，该装置综合考虑电能质量管控需求，明确监测布点的各项优化目标和约束条件，建立优化目标模型，引入偏向目标权重矩阵，实现各类场景偏向参数设置集中化，可动态适应各类典型运行场景的管控需求，有效提高了电能质量监测布点优化的场景适用性和灵活性；此外，采用改进遗传算法，在满足监测布点优化架构同时，降低了解集样本空间，提高了寻优计算效率。
本发明实施例提供的电能质量监测布点优化装置的功能描述详细参见上述实施例中电能质量监测布点优化方法描述。
本发明实施例还提供一种存储介质，如图10所示，其上存储有计算机程序601，该指令被处理器执行时实现上述实施例中电能质量监测布点优化方法的步骤。该存储介质上还存储有音视频流数据，特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解，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，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备，如图11所示，该电子设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图11中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的电能质量监测布点优化方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1-8所示实施例中的电能质量监测布点优化方法。
上述电子设备具体细节可以对应参阅图1至图8所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种电能质量监测布点优化方法，其特征在于，包括：
获取待评估区域电网节点的电能质量监测数据；
基于样本量估计原理，根据所述电能质量监测数据的统计特征值确定最优监测布点数量；
基于分层建模方法，根据所述最优监测布点数量、电网节点属性以及预设电能质量管控需求构建优化目标模型；
基于所述优化目标模型，采用改进遗传算法进行全局优化求解，得到帕累托解集；
根据所述帕累托解集和预设场景偏向权重矩阵确定最优监测布点。
2.根据权利要求1所述的电能质量监测布点优化方法，其特征在于，基于样本量估计原理，根据所述电能质量监测数据的统计特征值确定最优监测布点数量，包括：
根据所述电能质量监测数据计算监测数据的统计特征值；
基于样本量估计原理，根据所述统计特征值计算不同监测布点规模下对应的统计精度；
根据不同监测布点规模下对应的统计精度绘制趋势图；
根据所述趋势图和统计精度阈值先确定理论最优监测布点数量。
3.根据权利要求2所述的电能质量监测布点优化方法，其特征在于，基于样本量估计原理，根据所述电能质量监测数据的统计特征值确定最优监测布点数量，还包括：
根据所述理论最优监测布点数量、现有监测点数量以及具有安装条件的数量确定最优监测布点数量；
根据所述最优监测布点数量进行合理性确认。
4.根据权利要求1所述的电能质量监测布点优化方法，其特征在于，基于分层建模方法，根据所述最优监测布点数量、电网节点属性以及预设电能质量管控需求构建优化目标模型，包括：
根据是否具备安装条件和是否已安装监测终端标记电网节点属性；
根据电能质量管控需求确定优化目标；
基于分层建模方法，将所述最优监测布点数量和所述优化目标作为目标函数，电网节点属性作为约束条件构建优化目标模型。
5.根据权利要求4所述的电能质量监测布点优化方法，其特征在于，所述优化目标包括：重要程度、薄弱区域覆盖度以及监测范围覆盖度；
所述重要程度根据干扰覆盖度、重要敏感用户的覆盖率以及总短路容量确定；
所述薄弱区域覆盖度根据覆盖节点和线路的平均线损率、覆盖节点的总停电事件数量比重、覆盖节点的总投诉比重以及覆盖节点的设备损坏数量比重确定；
所述监测范围覆盖度根据可观测的节点数以及待评估区域电网节点数确定。
6.根据权利要求4所述的电能质量监测布点优化方法，其特征在于，基于所述优化目标模型，采用改进遗传算法进行全局优化求解，得到帕累托解集，包括：
采用改进遗传算法交叉算子和变异算子，基于所述目标函数和约束条件，进行全局优化求解，得到帕累托解集；所述交叉算子确定条件为随机选择两点交叉，且满足两染色体选择点代数和相等；所述变异算子确定条件为变异点成偶出现，且满足变异点代数和前后不变。
7.根据权利要求5所述的电能质量监测布点优化方法，其特征在于，根据所述帕累托解集和预设场景偏向权重矩阵确定最优监测布点，包括：
根据重要程度、薄弱区域覆盖度、监测范围覆盖度以及预设场景确定场景偏向权重矩阵；
根据所述场景偏向权重矩阵和所述帕累托解集计算帕累托解集评分；
根据所述帕累托解集评分确定预设场景的最优监测布点。
8.一种电能质量监测布点优化装置，其特征在于，包括：
数据获取模块，用于获取待评估区域电网节点的电能质量监测数据；
数量计算模块，用于基于样本量估计原理，根据所述电能质量监测数据的统计特征值确定最优监测布点数量；
模型构建模块，用于基于分层建模方法，根据所述最优监测布点数量、电网节点属性以及预设电能质量管控需求构建优化目标模型；
遗传算法求解模块，用于基于所述优化目标模型，采用改进遗传算法进行全局优化求解，得到帕累托解集；
监测布点确定模块，用于根据所述帕累托解集和预设场景偏向权重矩阵确定最优监测布点。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1－7任一项所述的电能质量监测布点优化方法。
10.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1－7任一项所述的电能质量监测布点优化方法。
CN202111372734.9A 2021-11-18 2021-11-18 一种数据驱动的电能质量监测布点优化方法及装置 Pending CN114065634A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111372734.9A CN114065634A (zh) 2021-11-18 2021-11-18 一种数据驱动的电能质量监测布点优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111372734.9A CN114065634A (zh) 2021-11-18 2021-11-18 一种数据驱动的电能质量监测布点优化方法及装置

Publications (1)

Publication Number Publication Date
CN114065634A true CN114065634A (zh) 2022-02-18

Family

ID=80278404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111372734.9A Pending CN114065634A (zh) 2021-11-18 2021-11-18 一种数据驱动的电能质量监测布点优化方法及装置

Country Status (1)

Country Link
CN (1) CN114065634A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115469585A (zh) * 2022-09-26 2022-12-13 广州健新科技有限责任公司 一种基于大数据的水电机组状态监测方法及系统
CN115526011A (zh) * 2022-10-10 2022-12-27 北京维禹特科技发展有限公司 VOCs泄漏监测点的布局方法、装置、电子设备及介质
CN117557028A (zh) * 2023-11-08 2024-02-13 山东弘毅节能服务有限公司 一种智慧校园节能管理方法
CN117634146A (zh) * 2023-11-02 2024-03-01 三峡科技有限责任公司 电解水制氢能耗评估方法、系统、计算设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115469585A (zh) * 2022-09-26 2022-12-13 广州健新科技有限责任公司 一种基于大数据的水电机组状态监测方法及系统
CN115526011A (zh) * 2022-10-10 2022-12-27 北京维禹特科技发展有限公司 VOCs泄漏监测点的布局方法、装置、电子设备及介质
CN117634146A (zh) * 2023-11-02 2024-03-01 三峡科技有限责任公司 电解水制氢能耗评估方法、系统、计算设备及存储介质
CN117557028A (zh) * 2023-11-08 2024-02-13 山东弘毅节能服务有限公司 一种智慧校园节能管理方法

Similar Documents

Publication Publication Date Title
CN111783953B (zh) 一种基于优化lstm网络的24点电力负荷值7日预测方法
Luo et al. Real-time anomaly detection for very short-term load forecasting
CN114065634A (zh) 一种数据驱动的电能质量监测布点优化方法及装置
Gangammanavar et al. Stochastic optimization of sub-hourly economic dispatch with wind energy
Gan et al. Real-time deferrable load control: handling the uncertainties of renewable generation
Zhao et al. Resilient unit commitment for day-ahead market considering probabilistic impacts of hurricanes
CN105740975A (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
CN104573906B (zh) 用于分析电力传输系统中的振荡稳定性的系统和方法
DE112018000125B4 (de) Quantifizieren einer kombinierten Auswirkung untereinander abhängiger unsicherer Ressourcen in einem elektrischen Stromnetz
CN110907754B (zh) 一种基于psd-bpa的故障线路严重程度评估方法
CN106022614A (zh) 一种基于最近邻聚类的神经网络数据挖掘方法
Kaplan et al. A novel method based on Weibull distribution for short-term wind speed prediction
CN104915897A (zh) 一种电网规划评价业务的计算机实现方法
CN104463465A (zh) 一种基于分布式模型的实时监控集群处理方法
CN112910012A (zh) 一种配电系统弹性提升评估方法、存储介质及计算设备
Yang et al. Optimal power flow in distribution networks under stochastic N− 1 disruptions
CN111900713A (zh) 网源协调下考虑负荷和风电随机性多场景输电网规划方法
Khuntia et al. Risk‐based security assessment of transmission line overloading considering spatio‐temporal dependence of load and wind power using vine copula
Ye et al. A data driven multi-state model for distribution system flexible planning utilizing hierarchical parallel computing
CN106022590B (zh) 有源配电网的电压质量评估方法和装置
Jiang et al. Data-driven low-rank tensor approximation for fast grid integration of commercial EV charging stations considering demand uncertainties
Zhang et al. Measurement‐based dynamic load modelling using time‐domain simulation and parallel‐evolutionary search
CN112949201A (zh) 一种风速预测方法、装置、电子设备及存储介质
CN111864728B (zh) 一种可重构配电网重要设备识别方法和系统
CN117114161A (zh) 一种基于元学习的输电线路风偏闪络风险的预测方法

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