CN114118759A - 一种配变台区负荷过载状态评估方法及装置 - Google Patents
一种配变台区负荷过载状态评估方法及装置 Download PDFInfo
- Publication number
- CN114118759A CN114118759A CN202111383768.8A CN202111383768A CN114118759A CN 114118759 A CN114118759 A CN 114118759A CN 202111383768 A CN202111383768 A CN 202111383768A CN 114118759 A CN114118759 A CN 114118759A
- Authority
- CN
- China
- Prior art keywords
- distribution transformer
- overload state
- transformer area
- overload
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000000513 principal component analysis Methods 0.000 claims abstract description 23
- 238000007619 statistical method Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 5
- 238000000556 factor analysis Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012847 principal component analysis method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配变台区负荷过载状态评估方法及装置,该方法包括:根据数据统计分析,将获取的配变台区负荷过载状态数据划分为多种配变台区负荷过载状态;构建含有不同因素的过载状态影响变量,结合主成分分析确定过载状态影响变量中不同因素的参数体系,且确定不同因素的参数体系对配变台区的负载率的影响度,获取不同因素与配变台区负荷过载状态的关联关系;根据配电台区负荷过载状态的历史数据以及历史过载情况,构建先验概率统计结果;根据关联关系与先验概率统计结果构造贝叶斯网络,对配变台区的过载状态进行评估。通过结合贝叶斯研究不用因素对配变台区负荷过载状态的影响度,提高了对于配变台区过载状态的管理效率。
Description
技术领域
本发明涉及配变台区负荷过载状态的评估技术领域,尤其涉及一种配变台区负荷过载状态评估方法及装置。
背景技术
社区配电网是电力系统的重要组成部分。随着城市建设改造进程的加快,大规模社区的出现,给社区配电网系统带来了诸多挑战:复杂的拓扑结构、频繁的负荷波动、多样化的用户场景以及短路故障事件都会对社区配电网系统的安全稳定运行造成严重影响。一旦社区配电网发生停电将会严重影响居民、商业、工业、政府和医院用户的正常工作运转,给人们生命和财产造成损失。
目前,通常通过对配变台区负荷过载状态评估来规划和维护社区配电网安全运行,当前一般基于传统电力系统运行状态描述方法,建立电网群安全正常运行的边界条件,以电压偏移率、发用电功率等多维度特征向量对子电网状态分类,并应用智能算法对实时负荷过载状态进行评估,此类方法评估结果单一,会导致评估风险发生概率很大,但实际上不具有一定的破坏性,容易造成维护工作的增加。
发明内容
本发明的目的在于提供一种配变台区负荷过载状态评估方法及装置,结合贝叶斯网络以提高社区配电网运行时安全评估的准确度,并解决现有技术中由于评估结果单一导致的风险评估不准确的问题。
为实现上述目的,本发明提供一种配变台区负荷过载状态评估方法,包括:
根据数据统计分析,将获取的配变台区负荷过载状态数据划分为多种配变台区负荷过载状态;
构建含有不同因素的过载状态影响变量,结合主成分分析确定所述过载状态影响变量中不同因素的参数体系,且确定所述不同因素的参数体系对配变台区的负载率的影响度,获取所述不同因素与所述配变台区负荷过载状态的关联关系;
根据配电台区负荷过载状态的历史数据以及历史过载情况,构建先验概率统计结果;
根据所述关联关系与所述先验概率统计结果构造贝叶斯网络,对配变台区的过载状态进行评估。
优选地,在根据数据统计分析,将获取的配变台区负荷过载状态数据划分为多种配变台区负荷过载状态之前,还包括:
对所述获取的配变台区负荷过载状态数据进行预处理,采用数据清洗删除所述配变台区负荷过载状态数据中的残缺值,并通过属性特征的选择来减少所述配变台区负荷过载状态数据的维度。
优选地,所述将获取的配变台区负荷过载状态数据划分为多种配变台区负荷过载状态,具体为:
统计所述配变台区负荷过载状态数据,将配变台区的负载率小于等于0.7的配变台区负荷过载状态划分为第一级别;
统计所述配变台区负荷过载状态数据,将配变台区的负载率大于0.7且小于等于0.8的配变台区负荷过载状态划分为第二级别;
统计所述配变台区负荷过载状态数据,将配变台区的负载率大于0.8且小于等于0.9的配变台区负荷过载状态划分为第三级别;
统计所述配变台区负荷过载状态数据,将配变台区的负载率大于0.9的配变台区负荷过载状态划分为第四级别。
优选地,所述结合主成分分析确定所述过载状态影响变量中不同因素的参数体系,具体为:
构建所述过载状态影响变量,包括温度变化、区域人口集聚密度、用电结构变化以及重要负荷新增;
采用所述主成分分析抽取所述过载状态影响变量中的因素占比大于等于0.8且小于等于0.9的不同因素,构建所述不同因素的参数体系,所述不同因素的参数体系包括日期、变压器运行时间、额定负荷以及历史重过载发生次数。
优选地,所述根据所述关联关系与所述先验概率统计结果构造贝叶斯网络,具体为:
配电台区负荷过载状态的历史数据以及历史过载情况,包括统计历史配变状态参数、相应的日期、变压器时间、额定负荷以及历史重过载发生次数;
将历史配变状态参数、相应的日期、变压器时间、额定负荷以及历史重过载发生次数结合所述关联关系,构建所述贝叶斯网络。
本发明还提供一种配变台区负荷过载状态评估装置,包括:
划分模块,用于根据数据统计分析,将获取的配变台区负荷过载状态数据划分为多种配变台区负荷过载状态;
关联模块,用于构建含有不同因素的过载状态影响变量,结合主成分分析确定所述过载状态影响变量中不同因素的参数体系,且确定所述不同因素的参数体系对配变台区的负载率的影响度,获取所述不同因素与所述配变台区负荷过载状态的关联关系;
计算模块,用于根据配电台区负荷过载状态的历史数据以及历史过载情况,构建先验概率统计结果;
评估模块,用于根据所述关联关系与所述先验概率统计结果构造贝叶斯网络,对配变台区的过载状态进行评估。
优选地,还包括数据处理模块,用于对所述获取的配变台区负荷过载状态数据进行预处理,采用数据清洗删除所述配变台区负荷过载状态数据中的残缺值,并通过属性特征的选择来减少所述配变台区负荷过载状态数据的维度。
优选地,所述划分模块,还用于:
统计所述配变台区负荷过载状态数据,将配变台区的负载率小于等于0.7的配变台区负荷过载状态划分为第一级别;
统计所述配变台区负荷过载状态数据,将配变台区的负载率大于0.7且小于等于0.8的配变台区负荷过载状态划分为第二级别;
统计所述配变台区负荷过载状态数据,将配变台区的负载率大于0.8且小于等于0.9的配变台区负荷过载状态划分为第三级别;
统计所述配变台区负荷过载状态数据,将配变台区的负载率大于0.9的配变台区负荷过载状态划分为第四级别。
优选地,所述关联模块,还用于:
构建所述过载状态影响变量,包括温度变化、区域人口集聚密度、用电结构变化以及重要负荷新增;
采用所述主成分分析抽取所述过载状态影响变量中的因素占比大于等于0.8且小于等于0.9的不同因素,构建所述不同因素的参数体系,所述不同因素的参数体系包括日期、变压器运行时间、额定负荷以及历史重过载发生次数。
优选地,所述评估模块,还用于:
配电台区负荷过载状态的历史数据以及历史过载情况,包括统计历史配变状态参数、相应的日期、变压器时间、额定负荷以及历史重过载发生次数;
将历史配变状态参数、相应的日期、变压器时间、额定负荷以及历史重过载发生次数结合所述关联关系,构建所述贝叶斯网络
相对于现有技术,本发明的有益效果在于:
本发明首先对过载状态进行划分,进一步根据主成分分析获取不同因素与配变台区负荷过载状态的关联关系,作为构建贝叶斯的基础,以解决现有技术中评估单一的问题,且提高了配变台区负荷过载状态评估的准确度,方便维护人员根据不同的过载状态判断是否需要进行的勘察,较少维护人员的工作量。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明某一实施例提供的配变台区负荷过载状态评估方法的流程示意图;
图2是本发明某一实施例提供的贝叶斯网络结构示意图;
图3是本发明某一实施例提供的配变台区负荷过载状态评估装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅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,本领域普通技术人员在没有作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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,本发明某一实施例提供一种配变台区负荷过载状态评估方法。如图1所示,该配变台区负荷过载状态评估方法包括步骤S101至步骤S104。各步骤具体如下:
步骤S101:根据数据统计分析,将获取的配变台区负荷过载状态数据划分为多种配变台区负荷过载状态。
收集某城市重大节假日重要配变台区负荷过载状态数据及相应的气温、环境等相应参数。配变台区过载预测所涉及的数据种类多,除了负荷系统本身的数据,还需要利用多个实时系统的海量数据进行联合分析和数据挖掘,这也使数据体量呈指数增长。在这样高频率大体量的数据基础上,短期配变重过载预测模型的计算效率的要求也进一步提高。综合考虑学者的研究结果、电网公司的经验以及可用数据,本发明将配变投运年限、额定负荷、历史重过载状况、天气状况、用电类别、用电行业作为数据收集变量。天气状况中,既包括了过往实际温度,又包括了未来一周的预测温度,结合数据收集为后续贝叶斯模型的构建提供支撑与基础。
对获取的配变台区负荷过载状态数据进行预处理,采用数据清洗删除配变台区负荷过载状态数据中的残缺值,并通过属性特征的选择来减少配变台区负荷过载状态数据的维度。具体的,在收集某城市重大节假日重要配变台区负荷过载状态数据及相应的气温、环境等相应参数以后进行数据预处理,获得实验所需的配变台区负荷过载状态数据。在真实数据中不可避免的包含噪声、不完整或不一致的数据,所以往往需要在进行数据挖掘以及建模前,通过数据预处理的过程来提高挖掘对象的质量,减少噪声等造成的误差,最终达到提高挖掘模式的知识表达效果。本实施例采用数据预处理的方法包括但不限于数据清理、数据集成及数据变换,在数据挖掘之前使用此类数据处理技术是会较大提高挖掘效果并在很大程度上降低挖掘所需要的时间。
数据清洗主要是检查数据的一致性和有效性,来处理其中的无效值与残缺值等,在本实施例的数据集中,部分设备的名称、超声波、地电波或温度、湿度等重要的数据项为空值,因为缺少重要的属性数据将导致挖掘模式达不到良好效果,且删除后剩余的数据样本量仍可满足模型建立,因此采用数据清洗的方式将此类含有空值的行删除。
数据变换指将数据从一种表现形式转变为另一种表现形式,通过观察汇总的设备的检测数据,发现其超声波与地电波的数值度量单位为dB,而湿度是以百分比为计量的,为不影响计算效果,采用数据转换的方法将湿度转变为一般值即以小数作为计算值。
通过对属性特征的选择可以使模型更有效也减少了样本的维度从而降低建模的时间和空间复杂度,有效简化了学习模型。删除数据集中与目标特征相关性小的属性特征,如城区、设备编号、实验日期、报告日期及地电波环境、超声波环境等属性特征。
统计配变台区负荷过载状态数据,将配变台区的负载率小于等于0.7的配变台区负荷过载状态划分为第一级别,将配变台区的负载率大于0.7且小于等于0.8的配变台区负荷过载状态划分为第二级别,将配变台区的负载率大于0.8且小于等于0.9的配变台区负荷过载状态划分为第三级别,将配变台区的负载率大于0.9的配变台区负荷过载状态划分为第四级别。在本实施例中,将四种级别分别定义为一般、中等、严重以及非常严重。
具体的,结合电力设备行业带电检测技术规范、专家对电力设备故障的分析和各配电网台区的整体数据分布,确定节假日重要配变台区负荷过载状态类别,分别为一般、中等、严重和非常严重4个等级。
负载率指该电力设备实际承担的负荷与其容量之比,用于反应电力设备的承载能力。将配变台区的负载率为小于等于70%作为一般级别,负载率在(70%,80%]区间作为中等级别,负载率在(80%,90%]作为严重级别,负载率超过90%作为非常严重级别,极其容易带来安全运行风险。
步骤S102:构建含有不同因素的过载状态影响变量,结合主成分分析确定所述过载状态影响变量中不同因素的参数体系,且确定所述不同因素的参数体系对配变台区的负载率的影响度,获取所述不同因素与所述配变台区负荷过载状态的关联关系。
具体的,构建配变台区负荷过载状态影响变量中不同因素的参数体系,过载状态影响变量包括温度变化、区域人口集聚密度、用电结构变化、重要负荷新增等,研究不同因素与配变台区负荷过载状态的关联关系。利用主成分分析法,确定不同因素对于负载率的影响程度,不同变量对配变负载的影响会发生变化。为了使模型能最大程度地适应当前环境条件,构建周期性的预测模型之前,都应做一次变量重要性检验,确定符合当前情况的重要变量,具体采用主成分分析法,对各个要素与过载状态的关联关系进行计算,作为贝叶斯模型构建的基础。
主成分分析也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标。在实际问题研究中,为了全面、系统地分析问题,需考虑众多影响因素,也称为变量。由于每个变量都在不同程度上反映了所研究问题的某些信息,并且指标之间彼此有一定的相关性,因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时,变量太多会增加计算量和增加分析问题的复杂性。主成分分析法是一种客观方法,通常用来对指标进行降维处理,通过得到的方差贡献率和载荷矩阵计算出各指标的贡献度。主成分分析与因子分析很相似,区别在于因子分析是先抽取因子,再将变量分解成因子的线性组合,而主成分分析是将变量进行线性组合得到主成分。同时,主成分分析是因子分析中进行因子抽取的方法之一。因此,主成分分析法也可以借助SPSS软件实现,其操作步骤与因子分析相同,最后从不同角度对结果进行解读。
在对不同因素的重要程度进行测算时,往往由于考虑尽可能多的因素而导致信息的重叠,增加了研究问题的复杂程度,因此本实施例通过线性组合的方式,从这些因素中抽取出主成分进行研究。
设有P个配变台区负荷过载状态影响变量,x1,x2,…,xp分别表示温度变化、区域人口集聚密度、用电结构变化、重要负荷新增等,U为X的协方差阵Σ的特征值所对应的特征向量,通常采用Y1(选取的第一个线性组合,即第一个综合指标)的方差来表达,即Var(Y1)越大,表示Y1包含的信息越多。因此在所有的线性组合中选取的F1应该是方差最大的,故称Y1为第一主成分原则上可抽取P个主成分,其数学模型为:
如果将P个主成分全部抽取,则失去了简化数据的意义,因此提取已包含了80%—90%以上信息的前几个主成分,主成分是影响因素的线性组合,其中各因素的系数表示其对主成分的贡献程度。其中,主成分提取的步骤如下:
1)对影响因素进行识别,并获取样本数据。
2)进行样本数据进行标准化处理,以消除不同量纲的影响。
3)对已经识别出的影响因素进行相关性分析,判断其是否适合进行主成分分析,因素越多,因素之间的相关程度越高,主成分分析的效果就越好。
4)根据相关性分析的结果提取主成分。提取原则:主成分特征值>1,通常累计贡献率要>80%。
5)分析成分矩阵(因子分析是分析旋转成分矩阵),得到因素在主成分上的载荷,判断因素的影响程度。
经过测算,主要的不同因素为日期、变压器运行时间、额定负荷以及历史重过载发生次数。通过主成分分析,可以确定相应节点对目标节点的影响程度,从而确定系统的薄弱环节,可以确定某个节点对目标节点的重要程度,从而确定目标节点发生的最可能的途径。
步骤S103:根据配电台区负荷过载状态的历史数据以及历史过载情况,构建先验概率统计结果。
具体的,配电台区负荷过载状态的历史数据以及历史过载情况,包括统计历史配变状态参数、相应的日期、变压器时间、额定负荷以及历史重过载发生次数。通过计算统计历史配变状态参数、相应的日期、变压器时间、额定负荷以及历史重过载发生次数,构建先验概率。
步骤S104:根据所述关联关系与所述先验概率统计结果构造贝叶斯网络,对配变台区的过载状态进行评估。
请参阅图2以及表1,引入贝叶斯概率评估理论,以配变台区负荷过载的历史数据及历史过载情况构建前验概率统计结果,根据过载状态的分析,用有向边连接节点变量,体现出各个要素的因果关系以及情景的演化顺序,构建大型城市节假日重要配变台区负荷过载状态的推演网络,获取评估结果。关于不同因素与多种配变台区负荷过载状态,如表1所示:
表1不同因素与多种配变台区负荷过载状态的编号说明
编号 | 节点名称 |
R101 | 负载时间 |
R201 | 台区负荷(0.8,0.9] |
R202 | 台区负荷小于等于0.7 |
R203 | 台区负荷(0.7,0.8] |
R204 | 台区负荷大于0.9 |
R301 | 日期 |
R302 | 变压器运行时间 |
R303 | 额定负荷 |
R304 | 历史重过载发生次数 |
贝叶斯网络(BayesianNetworks)也被称为信念网络(BeliefNetworks),是描述数据变量之间依赖关系的一种图形模式,是一种用来进行推理的模型。贝叶斯网络提供了一种方便的框架结构来表示因果关系,这使得不确定性推理在逻辑上更为清晰、更容易理解。
对于贝叶斯网络,可以有以下两种表达形式:
(1)贝叶斯网络表达了各个节点间的条件独立关系,可以直观地从贝叶斯网络当中得出属性间的条件独立关系以及依赖关系。
(2)贝叶斯网络用另一种形式表示出了事件的联合概率分布,根据贝叶斯网络的网络结构以及条件概率表(CPT),可以快速得到每个基本事件(所有属性值的一个组合)的概率。贝叶斯学习理论利用先验知识和样本数据来获得对未知样本的估计,而概率(包括联合概率和条件概率)是先验信息和样本数据信息在贝叶斯学习理论当中的表现形式。
本实施例采用贝叶斯网络中的第二中表现形式,贝叶斯网络由两部分组成:贝叶斯网络结构和条件概率表。贝叶斯网络结构清晰的反映了数据变量间相互关系,条件概率表体现了各关系的节点间影响程度。
从配电台区负荷状态出发,将原因逐层推进,结合上述主成分分析结果,通过统计历史配变状态参数以及相应的日期、变压器运行时间、额定负荷、历史重过载发生次数等,构造贝叶斯网络,依据公式确定根节点的先验概率,依次计算非根节点的条件概率,最后,求出叶节点处于不同状态下的概率,完成配变台区负载状态评估。
给定一个随机变量集,γ={X1,X2,…,Xn},其中Xi是一个m维向量。贝叶斯网络说明γ上的联合条件概率分布。贝叶斯网络定义如下:
B=<G,θ>;
G是一个有向无环图,其顶点对应于有限集γ中的随机变量X1,X2,…,Xn。其弧代表一个函数依赖关系,如果有一条弧由变量Y到X,则Y是X的父节点或者直接前驱,而X则是Y的后继。一旦给定其双父节点,有向无环图中的每个变量独立于有向无环图中该节点的非后继。在图G中Xi的所有双亲变量用集合Pa(Xi)表示。
θ代表用于量化网络的一组参数,对于每一个Xi及Pa(Xi)的取值Xi,存在如下一个参数,即
θxi|Pa(Xi)=P(xi|Pa(Xi))θxi|Pa(Xi)=P(xi|Pa(Xi));
该参数指明了在给定Pa(Xi)发生的情况xi事件发生的条件概率。实际上一个贝叶斯网络给定了变量集合γ上的联合条件概率分布,即
利用网络结构图G进行预测,通过大量历史故障数据建立故障样本集合,从概率统计的角度出发,进行故障发生概率估计,样本越多越精确,通过贝叶斯网络模型来计算后验概率,故障概率估计更加准确。
本发明结合配电网台区过载状态评估带来的实际问题,运维大修等工作开展缺乏依据等问题,进行短期配电网台区过载预警,周期性地对的台区过载概率进行预测,为即将到来的过载可能提供预警,相比以往的事后处理方式,能使供电单位对于配网情况的应对方案更为高效,同时也能为之后的配网升级改造规划提供具有建设性的参考。除此之外,对于城市或更大的区域而言,了解各地区的重过载情况有助于更好的总体统筹和规划建设。首先进行数据收集,将收集到的数据集进行清洗和处理,处理成易于计算的数据,然后针对过载状态的不同情况进行分类,然后研究不同因素对于过载状态的影响程度,在导致结果下的不同原因之间的相关关系,分析出这些原因变量之间的相互影响机制。作为贝叶斯构建的基础,最后,建立贝叶斯网络模型,对配电网台区的过载状态进行预测。
请参阅图3,本发明另一实施例提供一种配变台区负荷过载状态评估装置,包括:
划分模块11,用于根据数据统计分析,将获取的配变台区负荷过载状态数据划分为多种配变台区负荷过载状态。
关联模块12,用于构建含有不同因素的过载状态影响变量,结合主成分分析确定所述过载状态影响变量中不同因素的参数体系,且确定所述不同因素的参数体系对配变台区的负载率的影响度,获取所述不同因素与所述配变台区负荷过载状态的关联关系。
计算模块13,用于根据配电台区负荷过载状态的历史数据以及历史过载情况,构建先验概率统计结果。
评估模块14,用于根据所述关联关系与所述先验概率统计结果构造贝叶斯网络,对配变台区的过载状态进行评估。
关于配变台区负荷过载状态评估装置的具体限定可以参见上文中对于配变台区负荷过载状态评估方法的限定,在此不再赘述。上述配变台区负荷过载状态评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种配变台区负荷过载状态评估方法,其特征在于,包括:
根据数据统计分析,将获取的配变台区负荷过载状态数据划分为多种配变台区负荷过载状态;
构建含有不同因素的过载状态影响变量,结合主成分分析确定所述过载状态影响变量中不同因素的参数体系,且确定所述不同因素的参数体系对配变台区的负载率的影响度,获取所述不同因素与所述配变台区负荷过载状态的关联关系;
根据配电台区负荷过载状态的历史数据以及历史过载情况,构建先验概率统计结果;
根据所述关联关系与所述先验概率统计结果构造贝叶斯网络,对配变台区的过载状态进行评估。
2.根据权利要求1所述的配变台区负荷过载状态评估方法,其特征在于,在根据数据统计分析,将获取的配变台区负荷过载状态数据划分为多种配变台区负荷过载状态之前,还包括:
对所述获取的配变台区负荷过载状态数据进行预处理,采用数据清洗删除所述配变台区负荷过载状态数据中的残缺值,并通过属性特征的选择来减少所述配变台区负荷过载状态数据的维度。
3.根据权利要求1所述的配变台区负荷过载状态评估方法,其特征在于,所述将获取的配变台区负荷过载状态数据划分为多种配变台区负荷过载状态,具体为:
统计所述配变台区负荷过载状态数据,将配变台区的负载率小于等于0.7的配变台区负荷过载状态划分为第一级别;
统计所述配变台区负荷过载状态数据,将配变台区的负载率大于0.7且小于等于0.8的配变台区负荷过载状态划分为第二级别;
统计所述配变台区负荷过载状态数据,将配变台区的负载率大于0.8且小于等于0.9的配变台区负荷过载状态划分为第三级别;
统计所述配变台区负荷过载状态数据,将配变台区的负载率大于0.9的配变台区负荷过载状态划分为第四级别。
4.根据权利要求3所述的配变台区负荷过载状态评估方法,其特征在于,所述结合主成分分析确定所述过载状态影响变量中不同因素的参数体系,具体为:
构建所述过载状态影响变量,包括温度变化、区域人口集聚密度、用电结构变化以及重要负荷新增;
采用所述主成分分析抽取所述过载状态影响变量中的因素占比大于等于0.8且小于等于0.9的不同因素,构建所述不同因素的参数体系,所述不同因素的参数体系包括日期、变压器运行时间、额定负荷以及历史重过载发生次数。
5.根据权利要求4所述的配变台区负荷过载状态评估方法,其特征在于,所述根据所述关联关系与所述先验概率统计结果构造贝叶斯网络,具体为:
配电台区负荷过载状态的历史数据以及历史过载情况,包括统计历史配变状态参数、相应的日期、变压器时间、额定负荷以及历史重过载发生次数;
将历史配变状态参数、相应的日期、变压器时间、额定负荷以及历史重过载发生次数结合所述关联关系,构建所述贝叶斯网络。
6.一种配变台区负荷过载状态评估装置,其特征在于,包括:
划分模块,用于根据数据统计分析,将获取的配变台区负荷过载状态数据划分为多种配变台区负荷过载状态;
关联模块,用于构建含有不同因素的过载状态影响变量,结合主成分分析确定所述过载状态影响变量中不同因素的参数体系,且确定所述不同因素的参数体系对配变台区的负载率的影响度,获取所述不同因素与所述配变台区负荷过载状态的关联关系;
计算模块,用于根据配电台区负荷过载状态的历史数据以及历史过载情况,构建先验概率统计结果;
评估模块,用于根据所述关联关系与所述先验概率统计结果构造贝叶斯网络,对配变台区的过载状态进行评估。
7.根据权利要求6所述的配变台区负荷过载状态评估装置,其特征在于,还包括数据处理模块,用于对所述获取的配变台区负荷过载状态数据进行预处理,采用数据清洗删除所述配变台区负荷过载状态数据中的残缺值,并通过属性特征的选择来减少所述配变台区负荷过载状态数据的维度。
8.根据权利要求6所述的配变台区负荷过载状态评估装置,其特征在于,所述划分模块,还用于:
统计所述配变台区负荷过载状态数据,将配变台区的负载率小于等于0.7的配变台区负荷过载状态划分为第一级别;
统计所述配变台区负荷过载状态数据,将配变台区的负载率大于0.7且小于等于0.8的配变台区负荷过载状态划分为第二级别;
统计所述配变台区负荷过载状态数据,将配变台区的负载率大于0.8且小于等于0.9的配变台区负荷过载状态划分为第三级别;
统计所述配变台区负荷过载状态数据,将配变台区的负载率大于0.9的配变台区负荷过载状态划分为第四级别。
9.根据权利要求8所述的配变台区负荷过载状态评估装置,其特征在于,所述关联模块,还用于:
构建所述过载状态影响变量,包括温度变化、区域人口集聚密度、用电结构变化以及重要负荷新增;
采用所述主成分分析抽取所述过载状态影响变量中的因素占比大于等于0.8且小于等于0.9的不同因素,构建所述不同因素的参数体系,所述不同因素的参数体系包括日期、变压器运行时间、额定负荷以及历史重过载发生次数。
10.根据权利要求9所述的配变台区负荷过载状态评估装置,其特征在于,所述评估模块,还用于:
配电台区负荷过载状态的历史数据以及历史过载情况,包括统计历史配变状态参数、相应的日期、变压器时间、额定负荷以及历史重过载发生次数;
将历史配变状态参数、相应的日期、变压器时间、额定负荷以及历史重过载发生次数结合所述关联关系,构建所述贝叶斯网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111383768.8A CN114118759A (zh) | 2021-11-19 | 2021-11-19 | 一种配变台区负荷过载状态评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111383768.8A CN114118759A (zh) | 2021-11-19 | 2021-11-19 | 一种配变台区负荷过载状态评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118759A true CN114118759A (zh) | 2022-03-01 |
Family
ID=80438994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111383768.8A Pending CN114118759A (zh) | 2021-11-19 | 2021-11-19 | 一种配变台区负荷过载状态评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118759A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116826720A (zh) * | 2023-06-21 | 2023-09-29 | 浙江卓松电气有限公司 | 配电设备的电负荷预测方法、装置、设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109412155A (zh) * | 2018-11-16 | 2019-03-01 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于图计算的配电网供电能力评估方法 |
CN111262243A (zh) * | 2020-03-04 | 2020-06-09 | 国网浙江省电力有限公司 | 一种园区配电系统运行方式智能辨识以及优化方法 |
CN113361202A (zh) * | 2021-06-11 | 2021-09-07 | 国网上海市电力公司 | 一种基于特征负荷预测的配变重过载快速预警方法 |
CN113570109A (zh) * | 2021-06-25 | 2021-10-29 | 广西电网有限责任公司南宁供电局 | 一种配变重过载预测的方法 |
-
2021
- 2021-11-19 CN CN202111383768.8A patent/CN114118759A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109412155A (zh) * | 2018-11-16 | 2019-03-01 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于图计算的配电网供电能力评估方法 |
CN111262243A (zh) * | 2020-03-04 | 2020-06-09 | 国网浙江省电力有限公司 | 一种园区配电系统运行方式智能辨识以及优化方法 |
CN113361202A (zh) * | 2021-06-11 | 2021-09-07 | 国网上海市电力公司 | 一种基于特征负荷预测的配变重过载快速预警方法 |
CN113570109A (zh) * | 2021-06-25 | 2021-10-29 | 广西电网有限责任公司南宁供电局 | 一种配变重过载预测的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116826720A (zh) * | 2023-06-21 | 2023-09-29 | 浙江卓松电气有限公司 | 配电设备的电负荷预测方法、装置、设备及可读存储介质 |
CN116826720B (zh) * | 2023-06-21 | 2024-03-29 | 浙江卓松电气有限公司 | 配电设备的电负荷预测方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527114B (zh) | 一种基于大数据的线路台区异常分析方法 | |
Sheu | Dynamic relief-demand management for emergency logistics operations under large-scale disasters | |
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
Wang et al. | A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction | |
Porteiro et al. | Electricity demand forecasting in industrial and residential facilities using ensemble machine learning | |
CN111160626A (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及系统 | |
CN116680635A (zh) | 电力网故障位置推断法方法及系统 | |
CN115564182A (zh) | 一种基于电网资源业务中台的电网分析方法 | |
Lourenço et al. | Short term load forecasting using Gaussian process models | |
Xiao et al. | Design and implementation of a data-driven approach to visualizing power quality | |
Ghasemi et al. | Equipment failure rate in electric power distribution networks: An overview of concepts, estimation, and modeling methods | |
CN110956281A (zh) | 一种基于Log分析的电力设备异常检测报警系统 | |
CN114118759A (zh) | 一种配变台区负荷过载状态评估方法及装置 | |
CN113988709A (zh) | 中压配电线路故障率分析方法、装置、终端设备及介质 | |
Wu et al. | Improved unscented Kalman filter based interval dynamic state estimation of active distribution network considering uncertainty of photovoltaic and load | |
CN112070129B (zh) | 地面沉降风险识别方法、装置以及系统 | |
ul Hassan et al. | Online static security assessment for cascading failure using stacked De-noising Auto-encoder | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
JPH11175503A (ja) | 時系列データ予測装置 | |
CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
Daraghmi et al. | Accurate and time‐efficient negative binomial linear model for electric load forecasting in IoE |
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 |