CN114117916A - 一种基于bp神经网络的配电网故障参数辨识方法 - Google Patents

一种基于bp神经网络的配电网故障参数辨识方法 Download PDF

Info

Publication number
CN114117916A
CN114117916A CN202111424154.XA CN202111424154A CN114117916A CN 114117916 A CN114117916 A CN 114117916A CN 202111424154 A CN202111424154 A CN 202111424154A CN 114117916 A CN114117916 A CN 114117916A
Authority
CN
China
Prior art keywords
node
distribution network
parameter identification
fault
transformer
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
CN202111424154.XA
Other languages
English (en)
Other versions
CN114117916B (zh
Inventor
焦昊
王海林
陈锦铭
刘伟
郭雅娟
李岩
陈烨
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 Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
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 Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202111424154.XA priority Critical patent/CN114117916B/zh
Publication of CN114117916A publication Critical patent/CN114117916A/zh
Application granted granted Critical
Publication of CN114117916B publication Critical patent/CN114117916B/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
    • 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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种基于BP神经网络的配电网故障参数辨识方法，包括获取多组历史量测数据，构建配电网故障监测模型；判断配电网是否存在故障；若存在，获取故障位置并修复；获取分支节点、分裂节点和尾节点并构建参数辨识方程；获取配电网的实时量测数据；根据递推最小二乘法对实时量测数据进行辨识，获取参数辨识结果并与参数理论值相比较减少计算失误。本申请可以在对配电网故障进行诊断和修复的同时，辨识配电网参数，提高了配电网故障后参数辨识的效率；本申请通过对不同节点建立对应的参数辨识方程并进行归类，再利用递推最小二乘法实现对配电网相关参数的实时辨识，大大节省了编程的时间，提高了辨识的速度。

Description

一种基于BP神经网络的配电网故障参数辨识方法
技术领域
本申请涉及配电网参数辨识技术领域，尤其是一种基于BP神经网络的配电网故障参数辨识方法。
背景技术
配电网的参数对于配电网的控制和分析有着至关重要的意义，配电网参数受温度、运行环境、集肤效应等因素的影响，很难直接通过仪表直接进行测量，特别是配电网发生故障后，相关参数如果变化过大，不利用配电网的安全运行。配电网包括多个节点，配电网参数包括线路电阻、线路电抗、变压器电阻、变压器电导、变压器电抗、变压器电纳。随着科技的飞速发展，对配电网的参数识别的要求更高，需要能够在线实时辨识配电网参数。
现有技术中，通常采用BP神经网络结合传统算法，对配电网参数进行辨识，比如：将电网结构转化为特殊的图形结构，采用迭代更新的方式，利用深度网络结构，学习电网中故障的信息并以此生成相应的模型来对故障进行诊断，再利用最小二乘法对配电网设备进行参数辨识。但是使用这种方法，每当配电网中的数据产生变化时，需要重新对每一个配电网参数进行计算，不能结合上一次辨识的结果来减小计算量，存在内存消耗过大、计算量过大、存储空间要求高等缺点，因此需要对现有方法进行改进。
发明内容
为了解决现有技术中在对配电网故障参数进行辨识时，传统算法计算量大效率低的问题，本申请公开了一种基于BP神经网络的配电网故障参数辨识方法，包括：
获取多组历史量测数据，所述多组历史量测数据为在不同历史时间的每条线路首端和尾端以及每个变压器高压侧和低压侧的电压幅值、有功功率和无功功率；
构建BP神经网络；
根据所述多组历史量测数据以及所述BP神经网络，构建配电网故障监测模型；
根据所述配电网故障监测模型，判断所述配电网是否存在故障；
若所述配电网存在故障，获取故障位置并修复；
获取分支节点、分裂节点和尾节点；所述分支节点为所述配电网中关联四条及以上支路的节点，所述分裂节点为所述配电网中关联三条支路的节点，所述尾节点为位于所述配电网尾端且关联两条支路的节点；
构建参数辨识方程，所述参数辨识方程包括分支节点线路参数辨识方程、分支节点变压器参数辨识方程、分裂节点线路参数辨识方程、分裂节点变压器参数辨识方程、尾节点线路参数辨识方程和尾节点变压器参数辨识方程；
获取所述配电网的实时量测数据，所述实时量测数据为当前每条线路首端和尾端以及每个变压器高压侧和低压侧的电压幅值、有功功率和无功功率；
根据递推最小二乘法以及所述参数辨识方程，对所述实时量测数据进行辨识，获取参数辨识结果；
获取参数理论值；
获取所述参数辨识结果与所述参数理论值的误差，判断所述误差是否位于预设误差范围内；
若所述误差不位于所述预设误差范围内，重新获取所述配电网的实时量测数据，直至误差位于所述预设误差范围内；
若所述误差位于所述预设误差范围内，获取所述参数辨识结果。
可选的，所述方法还包括：
若所述配电网不存在故障，获取所述配电网的实时量测数据。
可选的，所述获取所述配电网的实时量测数据之后，所述方法还包括：
对所述实时量测数据进行预处理，所述预处理包括：设置量测数据阈值，删除超出量测数据阈值的实时量测数据；根据牛顿插值法，对所述实时量测数据进行数据填充；根据数据规范法，对所述实时量测数据进行排列。
可选的，所述根据所述多组历史量测数据以及所述BP神经网络，构建配电网故障监测模型，包括：
获取训练数据，构建配电网故障监测模型并进行训练；
获取验证数据，验证所述配电网故障监测模型；所述训练数据占所述多组历史量测数据的80％，所述验证数据占所述多组历史量测数据的20％。
可选的，所述若所述配电网存在故障，获取故障位置并修复，包括；
若所述配电网存在故障，判断故障所在节点；
隔离故障所在节点；
对故障进行修复后，重新运行故障所在节点。
可选的，所述分支节点线路参数辨识方程用于辨识与分支节点相连的线路电阻和线路电抗；所述分支节点线路参数辨识方程根据与分支节点相连的线路电压降落的横、纵分量，以及与分支节点相连的相邻节点处电压，以及分支节点处有功功率、无功功率和电压构建。
可选的，所述分支节点变压器参数辨识方程用于辨识与分支节点处变压器电阻、变压器电抗、变压器电导和变压器电纳；所述分支节点变压器参数辨识方程根据与分支节点相连的相邻节点处的有功功率、无功功率及电压，以及分支节点处变压器有功功率和无功功率，以及分支节点处电压构建。
可选的，所述分裂节点线路参数辨识方程用于辨识与分裂节点相连的线路电阻和线路电抗；所述分裂节点线路参数辨识方程根据与分裂节点相连的线路电压降落的横、纵分量，以及与分裂节点相连的相邻节点处电压，以及分裂节点处有功功率、无功功率和电压构建。
可选的，所述分裂节点变压器参数辨识方程用于辨识与分裂节点相连的变压器电阻、变压器电抗、变压器电导和变压器电纳；所述分裂节点变压器参数辨识方程根据与分裂节点相连的相邻节点处的有功功率和无功功率，以及分裂节点处有功功率、无功功率和电压，以及分裂节点变压器处有功功率、无功功率和电压，以及分裂节点处有功损耗和无功损耗构建。
可选的，所述尾节点线路参数辨识方程用于辨识与尾节点相连的线路电阻和线路电抗；所述尾节点线路参数辨识方程根据与尾节点相连的线路电压降落的横、纵分量，以及与尾节点相连的相邻节点处电压，以及尾点处有功功率、无功功率和电压构建。
可选的，所述尾节点变压器参数辨识方程用于辨识与尾节点相连的变压器电阻、变压器电抗、变压器电导和变压器电纳；所述尾节点变压器参数辨识方程根据与尾节点连接的相邻节点处有功功率、无功功率及电压，以及尾节点处变压器高压侧或低压侧有功功率、无功功率和电压构建。
本申请公开了一种基于BP神经网络的配电网故障参数辨识方法，包括：获取多组历史量测数据，所述多组历史量测数据为在不同历史时间的每条线路首端和尾端以及每个变压器高压侧和低压侧的电压幅值、有功功率和无功功率；构建配电网故障监测模型；判断配电网是否存在故障；若存在故障，获取故障位置并修复；获取分支节点、分裂节点和尾节点并构建参数辨识方程；获取配电网的实时量测数据；根据递推最小二乘法对实时量测数据进行辨识，获取参数辨识结果并与参数理论值相比较；判断误差是否位于预设误差范围内；若误差位于所述预设误差范围内，获取所述参数辨识结果。
本申请利用有限组历史量测数据，基于BP神经网络，对配电网故障监测模型进行训练和验证，减少了资金和时间的投入；本申请可以在对配电网故障进行诊断和修复的同时，辨识配电网参数，提高了配电网故障后参数辨识的效率；本申请对实时量测数据先进行预处理，再投入到参数的辨识中，提高了参数辨识的准确性，改善了辨识的效果；本申请通过对不同节点建立对应的参数辨识方程并进行归类，再利用递推最小二乘法实现对配电网相关参数的实时辨识，大大节省了编程的时间，提高了辨识的速度；本申请对辨识结果进行验证，提高了参数辨识的准确率和效率，适用于复杂配电网参数的辨识。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例公开的一种基于BP神经网络的配电网故障参数辨识方法的流程示意图；
图2为本申请实施例公开的一种基于BP神经网络的配电网故障参数辨识方法的参数方程构建演示图；
图3为本申请实施例公开的一种基于BP神经网络的配电网故障参数辨识方法的实际场景图；
图4为本申请实施例公开的一种仿真结果示意图；
图5为本申请实施例公开的又一种仿真结果示意图；
图6为本申请实施例公开的又一种仿真结果示意图；
图7为本申请实施例公开的又一种仿真结果示意图；
图8为本申请实施例公开的又一种仿真结果示意图。
具体实施方式
为了解决现有技术中在对配电网故障参数进行辨识时，传统算法计算量大效率低的问题，本申请公开了一种基于BP神经网络的配电网故障参数辨识方法，参见图1所示的流程示意图，包括：
获取多组历史量测数据，所述多组历史量测数据为在不同历史时间的每条线路首端和尾端以及每个变压器高压侧和低压侧的电压幅值、有功功率和无功功率。
构建BP神经网络。
根据所述多组历史量测数据以及所述BP神经网络，构建配电网故障监测模型。
具体过程如下：
步骤一：初始化BP神经网络节点输入权值。
步骤二：根据量测的1000组数据，将故障信息的各类样本输入向量和期望输出值确定。
步骤三：采用二分类故障诊断，故障时输出值为0，处于正常运行状态时输出值为1。
步骤四：采用Sigmoid作为激活函数f(v)，先对输入数据进行处理，采用800组量测数据来进行模型的训练，从神经网络中求得模型的输出，计算采用模型输出和正确输出之间的误差向量T，计算输出节点增量s。
w＝k-g；
s＝f′(v)T；
步骤五：然后利用s的值来计算左侧节点的增量，重复此步骤直至起始隐藏层的增量值被求出，即直至计算到输入层右侧的隐藏层才停止；
T(k)＝HTs；
s(k)＝f′(v(k))T(k)；
步骤六：最后利用相应公式来调整权重值；
Δmij＝αsixj；
mij←Δmij+mij；
重复以上步骤四至步骤六，对输入层与隐藏层之间、隐藏层与输出层之间的各个权重进行训练，对所有训练数据节点进行训练，直至BP神经网络得到了合适的训练，训练完毕，用200组量测数据来进行模型的验证。
在步骤四至步骤六中，w表示正确输出k与模型输出g的误差，v为相应节点的加权和，k为正确输出，g为模型输出，w1、w2分别为输出层第一个节点、第二个节点的误差，f′(v)表示激活函数f(v)的导数，T(k)表示第k层模型输出和正确输出之间的误差向量，HT表示权重矩阵，s(k)表示第k层节点的增量，v(k)表示第k层相应节点的加权和，f′(v(k))表示将第k层相应节点的加权和代入激活函数的导数，α表示学习率，取0.9，si表示隐藏层节点的增量，xj表示输入层节点的输出值，mij表示权重更新值。
根据所述多组历史量测数据以及所述BP神经网络，构建配电网故障监测模型。
根据所述配电网故障监测模型，判断所述配电网是否存在故障。
若所述配电网存在故障，获取故障位置并修复。若某一或某些部分存在故障，采用故障自动判决装置，自动判定故障所处节点位置，再利用配电网中的自动化隔离修复系统，自动将故障部分进行切除隔离，继而自动对故障部分进行修复后再投入整个配电网。
若所述配电网不存在故障，进入下一步。
获取分支节点、分裂节点和尾节点。所述分支节点为所述配电网中关联四条及以上支路的节点，所述分裂节点为所述配电网中关联三条支路的节点，所述尾节点为位于所述配电网尾端且关联两条支路的节点。
构建参数辨识方程，所述参数辨识方程包括分支节点线路参数辨识方程、分支节点变压器参数辨识方程、分裂节点线路参数辨识方程、分裂节点变压器参数辨识方程、尾节点线路参数辨识方程和尾节点变压器参数辨识方程。
所述分支节点线路参数辨识方程用于辨识与分支节点相连的线路电阻和线路电抗。所述分支节点线路参数辨识方程根据与分支节点相连的线路电压降落的横、纵分量，以及与分支节点相连的相邻节点处电压，以及分支节点处有功功率、无功功率和电压构建。
所述分支节点变压器参数辨识方程用于辨识与分支节点处变压器电阻、变压器电抗、变压器电导和变压器电纳。所述分支节点变压器参数辨识方程根据与分支节点相连的相邻节点处的有功功率、无功功率及电压，以及分支节点处变压器有功功率和无功功率，以及分支节点处电压构建。
所述分裂节点线路参数辨识方程用于辨识与分裂节点相连的线路电阻和线路电抗。所述分裂节点线路参数辨识方程根据与分裂节点相连的线路电压降落的横、纵分量，以及与分裂节点相连的相邻节点处电压，以及分裂节点处有功功率、无功功率和电压构建。
所述分裂节点变压器参数辨识方程用于辨识与分裂节点相连的变压器电阻、变压器电抗、变压器电导和变压器电纳。所述分裂节点变压器参数辨识方程根据与分裂节点相连的相邻节点处的有功功率和无功功率，以及分裂节点处有功功率、无功功率和电压，以及分裂节点变压器处有功功率、无功功率和电压，以及分裂节点处有功损耗和无功损耗构建。
所述尾节点线路参数辨识方程用于辨识与尾节点相连的线路电阻和线路电抗。所述尾节点线路参数辨识方程根据与尾节点相连的线路电压降落的横、纵分量，以及与尾节点相连的相邻节点处电压，以及尾点处有功功率、无功功率和电压构建。
所述尾节点变压器参数辨识方程用于辨识与尾节点相连的变压器电阻、变压器电抗、变压器电导和变压器电纳。所述尾节点变压器参数辨识方程根据与尾节点连接的相邻节点处有功功率、无功功率及电压，以及尾节点处变压器高压侧或低压侧有功功率、无功功率和电压构建。
参见图2所示的参数方程构建演示图，1为源节点；2为尾节点；3为分支节点；4为分裂节点。计算尾节点g处变压器参数时，根据以下公式计算：
Figure BDA0003377567510000051
Figure BDA0003377567510000052
式中，P3、Q3、U3分别为节点c处有功功率、无功功率、电压，Pg、Qg、Ug分别为尾节点g处变压器高压侧有功功率、无功功率、电压，节点g处变压器的电阻Rg、电抗Xg、电导Gg、电纳Bg为待辨识参数。
计算线路bc处参数时，根据以下公式：
Figure BDA0003377567510000061
Figure BDA0003377567510000062
Figure BDA0003377567510000063
式中：δUbc、ΔUbc分别是支路bc电压降落的横、纵分量，Ub为分支节点b处电压，线路bc处电阻Rbc、电抗Xbc为待辨识参数。
计算分支节点c处变压器参数时，通过以下公式计算：
Figure BDA0003377567510000064
Figure BDA0003377567510000065
式中：P4、Q4、U4分别为节点d处有功功率、无功功率、电压，Pc、Qc分别是分支节点c处变压器有功功率、无功功率，Uc是分支节点c处电压，节点c处变压器的电阻Rc、电抗Xc、电导Gc、电纳Bc为待辨识参数。
计算分裂节点e处变压器参数时，通过以下公式进行计算：
Figure BDA0003377567510000066
Figure BDA0003377567510000067
式中：Pe、Qe分别是分裂节点e处有功功率、无功功率，Uk表示m行k列的量测输入矩阵，P8、Q8、U8分别为分裂节点e处变压器有功功率、无功功率、电压，Pf、Qf分别为尾节点f处有功功率、无功功率，ΔP9、ΔQ9分别为分裂节点e处有功损耗、无功损耗，节点e处变压器的电阻Re、电抗Xe、电导Ge、电纳Be为待辨识参数。
计算与分裂节点e相连的线路de时，根据以下公式进行计算：
Figure BDA0003377567510000068
Figure BDA0003377567510000069
Figure BDA0003377567510000071
式中：δUde、ΔUde分别是支路de电压降落的横、纵分量，Ud为分裂节点d处电压，线路de处电阻Rde、电抗Xde为待辨识参数。
计算尾节点f处变压器参数时，根据以下公式进行计算：
Figure BDA0003377567510000072
Figure BDA0003377567510000073
式中：Pf、Qf、Uf为尾节点f处有功功率、无功功率、电压，P9、Q9、U9为尾节点f处变压器低压侧有功功率、无功功率、电压，节点f处变压器的电阻Rf、电抗Xf、电导Gf、电纳Bf为待辨识参数。且所述节点f处变压器的电阻Rf、电抗Xf满足以下公式：
Figure BDA0003377567510000074
Figure BDA0003377567510000075
Figure BDA0003377567510000076
式中：δUf、ΔUf分别是尾节点f处电压降落的横、纵分量，Uf为尾节点f处电压。
计算与尾节点f相连的线路ef参数时，通过以下公式计算：
Figure BDA0003377567510000077
Figure BDA0003377567510000078
Figure BDA0003377567510000079
式中：δUef、ΔUef分别是支路ef电压降落的横、纵分量，Ue为分裂节点e处电压，线路ef处电阻Ref、电抗Xef为待辨识参数。
获取所述配电网的实时量测数据，所述实时量测数据为当前每条线路首端和尾端以及每个变压器高压侧和低压侧的电压幅值、有功功率和无功功率。
对所述实时量测数据进行预处理，所述预处理包括：设置量测数据阈值，删除超出量测数据阈值的实时量测数据。根据牛顿插值法，对所述实时量测数据进行数据填充。根据数据规范法，对所述实时量测数据进行排列。
根据递推最小二乘法以及所述参数辨识方程，对所述实时量测数据进行辨识，获取参数辨识结果。具体过程为：
结合SCADA所测得的实时数据，对量测数据进行预处理，量测数据为各线路首末两端、变压器高压侧与低压侧的电压幅值、有功功率和无功功率，先进行数据的审查，设定数据阈值，超过阈值的数据直接判定为无效数据，以此先筛选出有效的量测数据，对于缺失的配电网量测值采用牛顿插值法进行数据填充，对于异常点和噪声过大点的数据采用遗弃后牛顿插值法，即先遗弃无效数据，再用牛顿插值法进行数据处理，对于新产生的数据组采用数据规范法进行排列；继而采用递推最小二乘法对配电网参数进行实时迭代辨识，将经过处理的实时量测数据按不同节点进行分类，分类完成后将数据输入由不同节点对应的参数辨识模型中，参数辨识模型依据参数辨识方程搭建，继而采用递推最小二乘法进行求解，同时将最新实时数据继续输入，从而完成参数迭代求解过程，将对参数辨识的结果表示为：
由最小二乘法可知：
Figure BDA0003377567510000081
进行推导变换，令：
Figure BDA0003377567510000082
进一步变换：
Figure BDA0003377567510000083
Figure BDA0003377567510000084
Figure BDA0003377567510000085
Figure BDA0003377567510000086
Figure BDA0003377567510000087
Yk-1＝[y1…yk-1]T；
其中，
Figure BDA0003377567510000088
表示第k次迭代的辨识结果，
Figure BDA0003377567510000089
表示第(k-1)次迭代的辨识结果，εk表示修正系数，Kk表示补偿因子，Uk表示m行k列的量测输入矩阵，yk表示第k组数据的输出观测量，Yk-1表示第k-1次输出观测矩阵。
u1(1)，u1(2)，…，u1(m)；u2(1)，u2(2)，…，u1(m)；uk(1)，uk(2)，…，uk(m)组成k行m列量测输入矩阵，具体为参数辨识方程中等式右侧量测数据，第一次测量值为u1(1)，u2(1)，…，uk(1)；第二次测量值为u1(2)，u2(2)，…，uk(2)；第m次测量值为u1(m)，u2(m)，…，uk(m)。输出观测矩阵具体为参数辨识方程中等式左侧量测数据。
最终推导得：
Figure BDA0003377567510000091
Figure BDA0003377567510000092
其中，&表示修正量。
一般最小二乘法存在着如下缺陷，如：数据量越多，矩阵阶数越大，造成矩阵求逆计算量很大，所需要的存储空间随之增大；新增数据集，求解结果需重新计算。
而使用递推最小二乘法，当等待辨识的系统处于运行状态，只需在原有辨识结果基础之上，结合新产生的观测数据修正原有数据，即可实现对辨识值的迭代求解，而无需从头重新计算辨识结果，求解速度及存储要求大大减小。
获取参数理论值。
获取所述参数辨识结果与所述参数理论值的误差，判断所述误差是否位于预设误差范围内。
若所述误差不位于所述预设误差范围内，重新获取所述配电网的实时量测数据，直至误差位于所述预设误差范围内。
若所述误差位于所述预设误差范围内，获取所述参数辨识结果。
分别用参数辨识结果与参数理论值进行潮流计算，再以最后计算得出的幅值误差c以考察对象，若其在误差允许范围内，则表明参数辨识结果精度达到要求，即输出并记录辨识结果。
Figure BDA0003377567510000093
其中，P’、Q’分别代表利用参数辨识结果计算得出的线路或变压器高压侧的有功功率、无功功率，P、Q分别代表利用历史记录参数计算得出的线路或变压器高压侧的有功功率、无功功率。
为了验证本发明的有效性，本实施例采用图3系统为例进行仿真测试，其测试结果如图4、图5、图6、图7和图8及下表所述：
表1辨识值与真实值
Figure BDA0003377567510000094
表2辨识结果计算潮流与理论潮流
S1 S2 S3
计算潮流 15.967+12.109 15.218+j13.945 14.99+j11.24
理论潮流 15.91+j12.16 15.22+j13.96 15+j11.25
幅值误差 0.0722％ 0.0562％ 0.0747％
由表2可知：幅值误差c＜1％。
通过潮流计算结果分析比较可以看出，通过本方法辨识出的参数计算的潮流与理论潮流值的幅值误差在可接受范围内，故说明了本参数辨识方法的有效性和可靠性。类似方法可以应用在其他各电网中。
本申请公开了一种基于BP神经网络的配电网故障参数辨识方法，包括：获取多组历史量测数据，所述多组历史量测数据为在不同历史时间的每条线路首端和尾端以及每个变压器高压侧和低压侧的电压幅值、有功功率和无功功率；构建配电网故障监测模型；判断配电网是否存在故障；若存在故障，获取故障位置并修复；获取分支节点、分裂节点和尾节点并构建参数辨识方程；获取配电网的实时量测数据；根据递推最小二乘法对实时量测数据进行辨识，获取参数辨识结果并与参数理论值相比较；判断误差是否位于预设误差范围内；若误差位于所述预设误差范围内，获取所述参数辨识结果。
本申请利用有限组历史量测数据，基于BP神经网络，对配电网故障监测模型进行训练和验证，减少了资金和时间的投入；本申请可以在对配电网故障进行诊断和修复的同时，辨识配电网参数，提高了配电网故障后参数辨识的效率；本申请对实时量测数据先进行预处理，再投入到参数的辨识中，提高了参数辨识的准确性，改善了辨识的效果；本申请通过对不同节点建立对应的参数辨识方程并进行归类，再利用递推最小二乘法实现对配电网相关参数的实时辨识，大大节省了编程的时间，提高了辨识的速度；本申请对辨识结果进行验证，提高了参数辨识的准确率和效率，适用于复杂配电网参数的辨识。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。

Claims (11)

1.一种基于BP神经网络的配电网故障参数辨识方法，其特征在于，包括：
获取多组历史量测数据，所述多组历史量测数据为在不同历史时间的每条线路首端和尾端以及每个变压器高压侧和低压侧的电压幅值、有功功率和无功功率；
构建BP神经网络；
根据所述多组历史量测数据以及所述BP神经网络，构建配电网故障监测模型；
根据所述配电网故障监测模型，判断所述配电网是否存在故障；
若所述配电网存在故障，获取故障位置并修复；
获取分支节点、分裂节点和尾节点；所述分支节点为所述配电网中关联四条及以上支路的节点，所述分裂节点为所述配电网中关联三条支路的节点，所述尾节点为位于所述配电网尾端且关联两条支路的节点；
构建参数辨识方程，所述参数辨识方程包括分支节点线路参数辨识方程、分支节点变压器参数辨识方程、分裂节点线路参数辨识方程、分裂节点变压器参数辨识方程、尾节点线路参数辨识方程和尾节点变压器参数辨识方程；
获取所述配电网的实时量测数据，所述实时量测数据为当前每条线路首端和尾端以及每个变压器高压侧和低压侧的电压幅值、有功功率和无功功率；
根据递推最小二乘法以及所述参数辨识方程，对所述实时量测数据进行辨识，获取参数辨识结果；
获取参数理论值；
获取所述参数辨识结果与所述参数理论值的误差，判断所述误差是否位于预设误差范围内；
若所述误差不位于所述预设误差范围内，重新获取所述配电网的实时量测数据，直至误差位于所述预设误差范围内；
若所述误差位于所述预设误差范围内，获取所述参数辨识结果。
2.根据权利要求1所述的一种基于BP神经网络的配电网故障参数辨识方法，其特征在于，所述方法还包括：
若所述配电网不存在故障，获取所述配电网的实时量测数据。
3.根据权利要求1所述的一种基于BP神经网络的配电网故障参数辨识方法，其特征在于，所述获取所述配电网的实时量测数据之后，所述方法还包括：
对所述实时量测数据进行预处理，所述预处理包括：设置量测数据阈值，删除超出量测数据阈值的实时量测数据；根据牛顿插值法，对所述实时量测数据进行数据填充；根据数据规范法，对所述实时量测数据进行排列。
4.根据权利要求1所述的一种基于BP神经网络的配电网故障参数辨识方法，其特征在于，所述根据所述多组历史量测数据以及所述BP神经网络，构建配电网故障监测模型，包括：
获取训练数据，构建配电网故障监测模型并进行训练；
获取验证数据，验证所述配电网故障监测模型；所述训练数据占所述多组历史量测数据的80%，所述验证数据占所述多组历史量测数据的20%。
5.根据权利要求1所述的一种基于BP神经网络的配电网故障参数辨识方法，其特征在于，所述若所述配电网存在故障，获取故障位置并修复，包括；
若所述配电网存在故障，判断故障所在节点；
隔离故障所在节点；
对故障进行修复后，重新运行故障所在节点。
6.根据权利要求1所述的一种基于BP神经网络的配电网故障参数辨识方法，其特征在于，所述分支节点线路参数辨识方程用于辨识与分支节点相连的线路电阻和线路电抗；所述分支节点线路参数辨识方程根据与分支节点相连的线路电压降落的横、纵分量，以及与分支节点相连的相邻节点处电压，以及分支节点处有功功率、无功功率和电压构建。
7.根据权利要求1所述的一种基于BP神经网络的配电网故障参数辨识方法，其特征在于，所述分支节点变压器参数辨识方程用于辨识与分支节点处变压器电阻、变压器电抗、变压器电导和变压器电纳；所述分支节点变压器参数辨识方程根据与分支节点相连的相邻节点处的有功功率、无功功率及电压，以及分支节点处变压器有功功率和无功功率，以及分支节点处电压构建。
8.根据权利要求1所述的一种基于BP神经网络的配电网故障参数辨识方法，其特征在于，所述分裂节点线路参数辨识方程用于辨识与分裂节点相连的线路电阻和线路电抗；所述分裂节点线路参数辨识方程根据与分裂节点相连的线路电压降落的横、纵分量，以及与分裂节点相连的相邻节点处电压，以及分裂节点处有功功率、无功功率和电压构建。
9.根据权利要求1所述的一种基于BP神经网络的配电网故障参数辨识方法，其特征在于，所述分裂节点变压器参数辨识方程用于辨识与分裂节点相连的变压器电阻、变压器电抗、变压器电导和变压器电纳；所述分裂节点变压器参数辨识方程根据与分裂节点相连的相邻节点处的有功功率和无功功率，以及分裂节点处有功功率、无功功率和电压，以及分裂节点变压器处有功功率、无功功率和电压，以及分裂节点处有功损耗和无功损耗构建。
10.根据权利要求1所述的一种基于BP神经网络的配电网故障参数辨识方法，其特征在于，所述尾节点线路参数辨识方程用于辨识与尾节点相连的线路电阻和线路电抗；所述尾节点线路参数辨识方程根据与尾节点相连的线路电压降落的横、纵分量，以及与尾节点相连的相邻节点处电压，以及尾点处有功功率、无功功率和电压构建。
11.根据权利要求1所述的一种基于BP神经网络的配电网故障参数辨识方法，其特征在于，所述尾节点变压器参数辨识方程用于辨识与尾节点相连的变压器电阻、变压器电抗、变压器电导和变压器电纳；所述尾节点变压器参数辨识方程根据与尾节点连接的相邻节点处有功功率、无功功率及电压，以及尾节点处变压器高压侧或低压侧有功功率、无功功率和电压构建。
CN202111424154.XA 2021-11-26 2021-11-26 一种基于bp神经网络的配电网故障参数辨识方法 Active CN114117916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111424154.XA CN114117916B (zh) 2021-11-26 2021-11-26 一种基于bp神经网络的配电网故障参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111424154.XA CN114117916B (zh) 2021-11-26 2021-11-26 一种基于bp神经网络的配电网故障参数辨识方法

Publications (2)

Publication Number Publication Date
CN114117916A true CN114117916A (zh) 2022-03-01
CN114117916B CN114117916B (zh) 2024-07-12

Family

ID=80370325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111424154.XA Active CN114117916B (zh) 2021-11-26 2021-11-26 一种基于bp神经网络的配电网故障参数辨识方法

Country Status (1)

Country Link
CN (1) CN114117916B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116937540A (zh) * 2023-06-13 2023-10-24 天津大学 一种基于无相位量测的多环中压配电网线路参数辨识方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3098924A1 (en) * 2015-05-29 2016-11-30 Electricité de France A method and device for calculation of power flow in the distribution grid
CN107942160A (zh) * 2017-11-07 2018-04-20 国电南瑞科技股份有限公司 基于bp神经网络的线路参数特性辨识模型的建立方法
CN109361211A (zh) * 2018-11-07 2019-02-19 国网浙江省电力公司湖州供电公司 一种基于最小二乘法的配网设备参数辨识方法
CN111415010A (zh) * 2020-03-20 2020-07-14 广东电网有限责任公司阳江供电局 一种基于贝叶斯神经网络的风电机组参数辨识方法
WO2020147349A1 (zh) * 2019-01-14 2020-07-23 中国电力科学研究院有限公司 配电网运行辅助决策分析系统及方法
CN112327098A (zh) * 2020-10-28 2021-02-05 江苏方天电力技术有限公司 基于低压配网综合监测单元的配电网故障区段定位方法
CN113536674A (zh) * 2021-07-13 2021-10-22 国网浙江省电力有限公司湖州供电公司 一种基于bp神经网络和改进scada数据的线路参数辨识方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3098924A1 (en) * 2015-05-29 2016-11-30 Electricité de France A method and device for calculation of power flow in the distribution grid
CN107942160A (zh) * 2017-11-07 2018-04-20 国电南瑞科技股份有限公司 基于bp神经网络的线路参数特性辨识模型的建立方法
CN109361211A (zh) * 2018-11-07 2019-02-19 国网浙江省电力公司湖州供电公司 一种基于最小二乘法的配网设备参数辨识方法
WO2020147349A1 (zh) * 2019-01-14 2020-07-23 中国电力科学研究院有限公司 配电网运行辅助决策分析系统及方法
CN111415010A (zh) * 2020-03-20 2020-07-14 广东电网有限责任公司阳江供电局 一种基于贝叶斯神经网络的风电机组参数辨识方法
CN112327098A (zh) * 2020-10-28 2021-02-05 江苏方天电力技术有限公司 基于低压配网综合监测单元的配电网故障区段定位方法
CN113536674A (zh) * 2021-07-13 2021-10-22 国网浙江省电力有限公司湖州供电公司 一种基于bp神经网络和改进scada数据的线路参数辨识方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHANG TONG 等: "A Fault Location Method for Active Distribution Network with Renewable Sources Based on BP Neural Network", 2015 7TH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS, 23 November 2015 (2015-11-23) *
吴凯 等: "一种基于最小二乘法的配网设备参数辨识方法", 能源与节能, no. 05, 20 May 2019 (2019-05-20) *
孔祥平 等: "面向故障暂态建模的光伏并网逆变器控制器参数辨识", 电力系统保护与控制, vol. 45, no. 11, 1 June 2017 (2017-06-01) *
陈谦 等: "计及配电网阻抗和无功补偿的完整综合负荷模型的参数辨识", 中国电机工程学报, vol. 30, no. 22, 5 August 2010 (2010-08-05) *
陈锦铭 等: "基于多源数据融合的配网故障停电损失评估及热点区域可视化", 电力信息与通信技术, 30 November 2019 (2019-11-30) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116937540A (zh) * 2023-06-13 2023-10-24 天津大学 一种基于无相位量测的多环中压配电网线路参数辨识方法

Also Published As

Publication number Publication date
CN114117916B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
CN107942160B (zh) 基于bp神经网络的线路参数特性辨识模型的建立方法
CN110795780B (zh) 一种基于XGBoost算法的斜拉桥有限元修正方法
CN107908864A (zh) 一种基于特征融合的复杂设备剩余使用寿命预测方法
CN110428185B (zh) 基于伪量测模型的电-热互联综合能源系统抗差状态估计方法
CN111814342B (zh) 一种复杂设备可靠性混合模型及其构建方法
CN115618732B (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
CN111415010A (zh) 一种基于贝叶斯神经网络的风电机组参数辨识方法
CN112163371A (zh) 一种变压器套管状态评估方法
CN103699723A (zh) 一种发电厂机组动力系统模型校核方法
CN114117916A (zh) 一种基于bp神经网络的配电网故障参数辨识方法
CN115902642A (zh) 电池荷电状态估算方法、装置、电子设备及存储介质
CN114547976B (zh) 基于金字塔变分自编码器的多采样率数据软测量建模方法
CN115796033A (zh) 输电系统故障的诊断方法、装置、计算机设备及存储介质
CN114997566A (zh) 考虑节点连通度损失的电网阻塞风险评估方法及系统
CN117494037A (zh) 一种基于变权vae与双通道特征融合的变压器故障诊断方法
CN114861874A (zh) 模型驱动图卷积神经网络潮流计算方法
CN113536674B (zh) 一种基于bp神经网络和改进scada数据的线路参数辨识方法
CN113189513B (zh) 一种基于纹波的冗余电源均流状态识别方法
CN112685963A (zh) 基于数据驱动的电力系统可靠性逆问题建模与计算方法
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN112800674A (zh) 一种基于极限学习机的电力系统元件可靠性参数计算方法
CN117314236A (zh) 一种基于bp神经网络的配电设备健康状态评价方法及系统
CN116578922A (zh) 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置
CN110705114A (zh) 一种无训练样本的通风故障诊断方法
CN111061708A (zh) 一种基于lstm神经网络的电能量预测与修复方法

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
GR01 Patent grant
GR01 Patent grant