CN114139436A - 一种低压配电网用户电能质量扰动溯源方法 - Google Patents
一种低压配电网用户电能质量扰动溯源方法 Download PDFInfo
- Publication number
- CN114139436A CN114139436A CN202111077592.3A CN202111077592A CN114139436A CN 114139436 A CN114139436 A CN 114139436A CN 202111077592 A CN202111077592 A CN 202111077592A CN 114139436 A CN114139436 A CN 114139436A
- Authority
- CN
- China
- Prior art keywords
- power
- low
- harmonic
- power quality
- voltage
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 230000003068 static effect Effects 0.000 claims abstract description 5
- 238000010224 classification analysis Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- G06Q10/06—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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
Abstract
本发明涉及一种低压配电网重要用户电能质量扰动溯源方法，包括以下步骤：步骤1、提出低压用户电能质量扰动模式特征；步骤2、基于谐波状态静态估计算法，计算低压电力用户的不同节点谐波数值；步骤3、依据步骤2的低压电力用户的不同节点谐波数值，计算电能质量扰动源的高、中、弱三个等级的低压电力用户的谐波变化量，与步骤1获得的电能质量扰动源的高、中、弱三个等级的电力用户电能质量扰动模型特征曲线进行对应归类分析，然后从电力用户容量大小、扰动强弱、谐波变化大小三个方面，对重要电力用户电能质量扰动进行综合评价，定位重要电力用户点电能质量扰动源。本发明能够实现低压配电用户的电能质量扰动快速定位。
Description
技术领域
本发明属于低压配电网电能质量扰动溯源技术领域，尤其是一种低压配电网用户电能质量扰动溯源方法。
背景技术
现代电力系统中出现大量非线性、冲击性及波动性等干扰性负荷，诸如半导体整流器、晶闸管调压及变频调速装置、工业炼钢电弧炉和轧机、家用电器和电气化铁路等，致使电网发生各种电能质量问题。除干扰性负荷大量增加外，电网中敏感性负荷也在不断涌现，即随着计算机、精加工制造业、电力电子和信息技术等高新产业的发展，用户对电能质量提出越来越高的要求。
电能质量问题会产生诸多危害，诸如导致设备工作异常、产生废品，计算机复位、数据丢失，设备效能降低、寿命缩短、过热、烧毁，电容器击穿损坏功率因数下降、设备容量下降，电力损耗增加、付出更多电费等。谐波问题长期困扰着电力系统，它的存在不仅使用户侧电能质量受到较大影响，还影响着供电侧输电效率，在畸变率较高时甚至会危害到继电保护装置的灵敏度，危害到电网运行安全。
因此，如何对电能质量扰动进行溯源，进而能够及时发现各种扰动隐患和电能质量问题，是本领域技术人员亟待解决的技术难题。
发明内容
本发明的目的在于克服现有技术的不足，提出一种低压配电网用户电能质量扰动溯源方法，能够对低压配电网重要电力用户电能质量扰动进行溯源。
本发明解决其现实问题是采取以下技术方案实现的：
一种低压配电网重要用户电能质量扰动溯源方法，包括以下步骤：
步骤1、应用低压配电网谐波潮流计算方法，基于电力用户用电特性数据库，将电力用户用电特性与电能质量关联关系相结合，考虑不同电力用户的应用环境、电能质量，应用神经网络分析方法，提出低压用户电能质量扰动模式特征；
步骤2、根据步骤1电压用户电能质量扰动模式特征曲线，基于谐波状态静态估计算法，计算低压电力用户的不同节点谐波数值，并分别分析电能质量扰动源的高、中、弱三个等级的低压电力用户不同节点谐波变化规律；
步骤3、依据步骤2的低压电力用户的不同节点谐波数值，计算电能质量扰动源的高、中、弱三个等级的低压电力用户的谐波变化量，与步骤1获得的电能质量扰动源的高、中、弱三个等级的电力用户电能质量扰动模型特征曲线进行对应归类分析，然后从电力用户容量大小、扰动强弱、谐波变化大小三个方面，对重要电力用户电能质量扰动进行综合评价，定位重要电力用户点电能质量扰动源。
而且，所述步骤1的具体步骤包括：
步骤1.1基于电力用户用电特性数据库，将电力用户用电特性与电能质量关联关系相结合，将低压电力用户分为电能质量扰动源高、中、弱等三个等级；
步骤1.2考虑不同电力用户的应用环境、电能质量，分别对步骤1.1中的电能质量扰动源的高、中、弱三个等级的低压电力用户历史数据，应用神经网络分析低压用户电能质量扰动模式特征，获得高、中、弱三个等级的电力用户电能质量扰动模型特征曲线，包括电量、谐波特征曲线；
而且，所述步骤1.1的具体包括以下步骤：
步骤1.1.1根据实际配电网的拓扑结构和设备组成，按照低压配电网用户谐波占比大于10％，5％和3％分成优、良和中等三个等级。
步骤1.1.2考虑低压电力用户的一级、二级、三级等不同负荷等级，结合电力用户实际用电量大小和步骤1.1.1的谐波占比等级，将低压电力用户分为电能质量扰动源高、中、弱等三个等级。
而且，所述步骤1.2的具体包括以下步骤：
步骤1.2.1应用集成学习算法LightGBM算法，输入已有的低压电力用户电能质量历史数据，依次训练多个弱决策树，并将其进行组合，最终生成可拟合复杂映射的强分类器，其基本设定为：
构建如下式所示的集成映射模型：
式中：x∈Rm为m维的样本输入，fr为第r棵回归树，其输出fr(x)等于样本 x归入的叶节点得分ω，T棵级联树得分累加即得到最终的预测输出
定义电能质量问题的损失函数为：
式中：l为样本损失函数，通常定义为平方损失，即
在已迭代生成T-1棵回归树时，为使收敛速度达到最快，第T棵树的回归目标应为损失函数下降的负梯度方向gT。对应于输入样本xi，gT,i可通过式计算：
训练回归树寻找最优分裂特征与分裂阈值时，LightGBM针对连续特征作离散化分区处理，分裂阈值只遍历特征取值范围内的部分值，且选择特征j与阈值v进行分裂时，其方差增益为：
式中：Ω为分配到待分裂节点的样本全集，nΩ为Ω中的样本数量，nL|j,v与nR|j,v分别为应用特征j与阈值v分裂后分入树左半枝与右半枝的样本数。遍历至特征j时，所选择的最佳阈值应满足
考虑到当样本数量增加时，对分裂阈值与特征的搜索计算复杂度也将线性增加，对此LightGBM采用降采样的方法，保留前a×100％梯度绝对值最大的样本，并随机抽取剩余1-a样本中的b×100％样本用于方差增益估计，故Gj,v计算式变为如式所示的形式：
式中：ΩA为前a×100％样本集，ΩB为剩余样本中采样b×100％得到的子样本集；
步骤1.2.2利用经LightGBM深度神经网络训练后生成的可拟合复杂映射的强分类器和高、中、弱三个等级相应的三个样本集，生成三个等级的电力用户电能质量扰动模型特征曲线，包括电量、谐波特征曲线。
而且，所述步骤2的具体包括以下步骤：
步骤2.1：在充分考虑网络连接、分支参数以及测量系统的具体条件，可将谐波状态估计的测量方程写为：
Z＝h(X)+V
式中，Z为量测量；x为状态变量，通常情况下代表节点电压幅值以及节点电压相位；v为量测误差；
步骤2.2：注入电流和状态量节点电压相量的相位测量值之间存在着的线性关系，有以下线性状态方程：
式中，H为量测方程矩阵，由系统本体的拓扑结构与量测点所配置方案共同决定；HT为H的转置矩阵；X*为系统状态变量；Zm为谐波状态估计的测量；W为量测加权矩阵；
步骤2.3：对步骤2.2的线性方程进行求解，得到低压电力用户的不同节点谐波数值，并以此分析低压电力用户的不同节点谐波变化规律。
而且，所述步骤3的具体步骤包括：
步骤3.1：根据步骤2得到的低压电力用户的不同节点谐波数值，计算电能质量扰动源的高、中、弱三个等级的低压电力用户的谐波变化量，针对差异化场景重点电力用户电能质量的特点，按照平均三等份的原则，将用户电能质量的谐波变化分成高、中和弱三个等级，与步骤1获得的电能质量扰动源的高、中、弱三个等级的电力用户电能质量扰动模型特征曲线一一对应；
步骤3.2：依次按照电力用户容量、扰动强弱、谐波变化大小各占比权重 1/3的方式，对重要电力用户电能质量扰动进行综合评价，按照评价分值大小，确定扰动源。
本发明的优点和有益效果：
1、本发明提出了一种低压配电网重要用户电能质量扰动溯源方法。基于电力用户用电特性数据库，实现电力用户用电特性与电能质量关联关系相结合；应用神经网络LightGBM算法分析低压用户电能质量扰动模式特征，获得电能质量扰动模型特征曲线；应用谐波状态静态估计算法，分析低压电力用户不同节点谐波变化规律，实现与扰动模型特征曲线对应；考虑电力用户容量、扰动强弱、谐波变化大小三个层面进行评测，实现低压配电用户的电能质量扰动快速定位。
2、本发明提出的扰动溯源方法基于谐波状态估计实现谐波源识别，考虑不同的电力用户的定制电力、电能质量要求，通过智能学习算法总结低压电力用户的不同节点谐波变化规律，应用谐波状态估计和综合评测，实现了重要电力用户电能质量扰动源定位。通过对电网电能质量扰动数据进行长期的监测，利用本发明方法进行智能化分析，对电能质量扰动进行溯源，能够及时发现各种扰动隐患和电能质量问题，有助于开展针对性的电能质量治理，达到改善电网电能质量的目的。本发明综合考虑差异化场景下的电能质量划分，结合重要电力用户的不同用电需求，对电力用户的谐波变化规律进行分析，实现了对低压配电网重要用户电能质量扰动溯源。
附图说明
图1是本发明的处理流程图；
图2(a)是本发明的基本潮流流向拓扑图；
图2(b)是本发明的谐波潮流流向拓扑图；
图3是本发明的谐波状态估计示意图。
具体实施方式
以下结合附图对本发明实施例作进一步详述：
一种低压配电网重要用户电能质量扰动溯源方法，如图1所示，包括以下步骤：
步骤1、应用低压配电网谐波潮流计算方法，基于电力用户用电特性数据库，将电力用户用电特性与电能质量关联关系相结合，考虑不同电力用户的应用环境、电能质量，应用神经网络分析方法，提出低压用户电能质量扰动模式特征；
在本实施例中，低压配电网谐波潮流由基波潮流和谐波潮流组成，基波潮流流向图如图2(a)，谐波潮流流量图如图2(b)所示；
在本实施例中，低压配电网谐波潮流计算方法包括非线性时域分析法以及线性分析法；其中，非线性时域分析用微分方程来精确描述非线性原件，从网络的状态方程出发，通过求解微分方程组得出通过非线性原件的电流波形，进行FFT分析得出基波和各次谐波电流；线性分析忽略基波潮流与谐波潮流的相互影响，将基波潮流与谐波潮流分离迭代，对网络进行谐波潮流计算；
在本实施例中，考虑电力用户的应用环境，包括居民生活用电(电压等级不满1kV、10kV)，大工业用电(电压等级为10、35、110kV)；
在本实施例中，考虑电力用户电能质量，包括电能的电压、频率和波形的稳定性；
在本实施例中，所述步骤1的具体步骤包括：
步骤1.1基于电力用户用电特性数据库，将电力用户用电特性与电能质量关联关系相结合，将低压电力用户分为电能质量扰动源高、中、弱等三个等级
在本实施例中，所述步骤1.1的具体包括以下步骤：
步骤1.1.1根据实际配电网的拓扑结构和设备组成，按照低压配电网用户谐波占比大于10％，5％和3％分成优、良和中等三个等级。
步骤1.1.2考虑低压电力用户的一级、二级、三级等不同负荷等级，结合电力用户实际用电量大小和步骤1.1.1的谐波占比等级，将低压电力用户分为电能质量扰动源高、中、弱等三个等级。
步骤1.2考虑不同电力用户的应用环境、电能质量，分别对步骤1中的电能质量扰动源的高、中、弱三个等级的低压电力用户历史数据，应用神经网络分析低压用户电能质量扰动模式特征，获得高、中、弱三个等级的电力用户电能质量扰动模型特征曲线，包括电量、谐波特征曲线；
在本实施例中，所述步骤1.2的具体包括以下步骤：
步骤1.2.1应用集成学习算法LightGBM算法，输入已有的低压电力用户电能质量历史数据，依次训练多个弱决策树，并将其进行组合，最终生成可拟合复杂映射的强分类器。
LightGBM通常采用CART(Classification And Regression Tree)决策树作为基本模型，对于一个回归问题，可构建如下式所示的集成映射模型：
式中：x∈Rm为m维的样本输入，fr为第r棵回归树，其输出fr(x)等于样本x归入的叶节点得分ω，T棵级联树得分累加即得到最终的预测输出
定义电能质量问题的损失函数为：
式中：l为样本损失函数，通常定义为平方损失，即
在已迭代生成T-1棵回归树时，为使收敛速度达到最快，第T棵树的回归目标应为损失函数下降的负梯度方向gT。对应于输入样本xi，gT,i可通过式计算：
为加快训练速度，训练回归树寻找最优分裂特征与分裂阈值时，LightGBM 针对连续特征作离散化分区处理，分裂阈值只遍历特征取值范围内的部分值，且选择特征j与阈值v进行分裂时，其方差增益为：
式中：Ω为分配到待分裂节点的样本全集，nΩ为Ω中的样本数量，nL|j,v与nR|j,v分别为应用特征j与阈值v分裂后分入树左半枝与右半枝的样本数。遍历至特征 j时，所选择的最佳阈值应满足
考虑到当样本数量增加时，对分裂阈值与特征的搜索计算复杂度也将线性增加，对此LightGBM采用降采样的方法，保留前a×100％梯度绝对值最大的样本，并随机抽取剩余1-a样本中的b×100％样本用于方差增益估计，故Gj,v计算式变为如式所示的形式：
式中：ΩA为前a×100％样本集，ΩB为剩余样本中采样b×100％得到的子样本集。
步骤1.2.2利用经LightGBM深度神经网络训练后生成的可拟合复杂映射的强分类器和高、中、弱三个等级相应的三个样本集，生成三个等级的电力用户电能质量扰动模型特征曲线，包括电量、谐波特征曲线。
步骤2、根据步骤1电压用户电能质量扰动模式特征曲线，基于谐波状态静态估计算法，计算低压电力用户的不同节点谐波数值，并分别分析电能质量扰动源的高、中、弱三个等级的低压电力用户不同节点谐波变化规律；
在本实施例中，所述步骤2的具体包括以下步骤：
步骤2.1：在充分考虑网络连接、分支参数以及测量系统的具体条件，可将谐波状态估计的测量方程写为：
Z＝h(X)+V
式中，Z为量测量；x为状态变量，通常情况下代表节点电压幅值以及节点电压相位；v为量测误差；
步骤2.2：注入电流和状态量节点电压相量的相位测量值之间存在着的线性关系，大大简化了估计谐波状态的数学方法，忽略测量噪声情况下，有以下线性状态方程：
式中，H为量测方程矩阵，由系统本体的拓扑结构与量测点所配置方案共同决定；HT为H的转置矩阵；X*为系统状态变量；Zm为谐波状态估计的测量；W为量测加权矩阵；
对该方程进行求解，得到低压电力用户的不同节点谐波数值，并以此分析低压电力用户的不同节点谐波变化规律。
所述谐波状态估计的算法流程如图3所示。获取电力系统网架拓扑结构以及电路模型元件参数，建立起一个三相多频率系统模型，该模型可以把电路耦合、阻抗和注入电流不平衡等不对称条件整合，对量测点处的谐波进行精确测量。通过收集电力系统中测量点的谐波信息，输入到谐波状态估计模块进行估计，从而获取非测量点的谐波信息。模型中谐波状态估计的状态变量为非测量点处的谐波电压。
步骤3、依据步骤2的低压电力用户的不同节点谐波数值，计算电能质量扰动源的高、中、弱三个等级的低压电力用户的谐波变化量，与步骤1获得的电能质量扰动源的高、中、弱三个等级的电力用户电能质量扰动模型特征曲线进行对应归类分析，然后从电力用户容量大小、扰动强弱、谐波变化大小三个方面，对重要电力用户电能质量扰动进行综合评价，定位重要电力用户点电能质量扰动源。
所述步骤3的具体步骤包括：
步骤3.1：根据步骤2得到的低压电力用户的不同节点谐波数值，计算电能质量扰动源的高、中、弱三个等级的低压电力用户的谐波变化量，针对差异化场景重点电力用户电能质量的特点，按照平均三等份的原则，将用户电能质量的谐波变化分成高、中和弱三个等级，与步骤1获得的电能质量扰动源的高、中、弱三个等级的电力用户电能质量扰动模型特征曲线一一对应；
步骤3.2：依次按照电力用户容量、扰动强弱、谐波变化大小各占比权重 1/3的方式，对重要电力用户电能质量扰动进行综合评价，按照评价分值大小，确定扰动源。
综上所述，本发明首先应用低压配电网谐波潮流计算方法，基于电力用户用电特性数据库，将电力用户用电特性与电能质量关联关系相结合，考虑不同电力用户的应用环境、电能质量，提出了低压用户电能质量扰动模式特征；其次针对差异化场景重点电力用户电能质量的特点，结合电能质量扰动之间相互的耦合关系，充分应用谐波补偿设备、ATP等，以设备投入成本最低为目标，提出差异化重点用户电能质量的谐波抑制方法；再次针对差异化场景重点电力用户电能质量的特点，结合电能质量扰动之间相互的耦合关系，充分应用谐波补偿设备、ATP等，以设备投入成本最低为目标，提出差异化重点用户电能质量的谐波抑制方法；最后依据不同的电力用户的定制电力、电能质量要求，提出重要电力用户点能够质量扰动源定位方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (6)
1.一种低压配电网重要用户电能质量扰动溯源方法，其特征在于：包括以下步骤：
步骤1、应用低压配电网谐波潮流计算方法，基于电力用户用电特性数据库，将电力用户用电特性与电能质量关联关系相结合，考虑不同电力用户的应用环境、电能质量，应用神经网络分析方法，提出低压用户电能质量扰动模式特征；
步骤2、根据步骤1电压用户电能质量扰动模式特征曲线，基于谐波状态静态估计算法，计算低压电力用户的不同节点谐波数值，并分别分析电能质量扰动源的高、中、弱三个等级的低压电力用户不同节点谐波变化规律；
步骤3、依据步骤2的低压电力用户的不同节点谐波数值，计算电能质量扰动源的高、中、弱三个等级的低压电力用户的谐波变化量，与步骤1获得的电能质量扰动源的高、中、弱三个等级的电力用户电能质量扰动模型特征曲线进行对应归类分析，然后从电力用户容量大小、扰动强弱、谐波变化大小三个方面，对重要电力用户电能质量扰动进行综合评价，定位重要电力用户点电能质量扰动源。
2.根据权利要求1所述的一种低压配电网重要用户电能质量扰动溯源方法，其特征在于：所述步骤1的具体步骤包括：
步骤1.1基于电力用户用电特性数据库，将电力用户用电特性与电能质量关联关系相结合，将低压电力用户分为电能质量扰动源高、中、弱等三个等级；
步骤1.2考虑不同电力用户的应用环境、电能质量，分别对步骤1.1中的电能质量扰动源的高、中、弱三个等级的低压电力用户历史数据，应用神经网络分析低压用户电能质量扰动模式特征，获得高、中、弱三个等级的电力用户电能质量扰动模型特征曲线，包括电量、谐波特征曲线。
3.根据权利要求2所述的一种低压配电网重要用户电能质量扰动溯源方法，其特征在于：所述步骤1.1的具体包括以下步骤：
步骤1.1.1根据实际配电网的拓扑结构和设备组成，按照低压配电网用户谐波占比大于10％，5％和3％分成优、良和中等三个等级；
步骤1.1.2考虑低压电力用户的一级、二级、三级等不同负荷等级，结合电力用户实际用电量大小和步骤1.1.1的谐波占比等级，将低压电力用户分为电能质量扰动源高、中、弱等三个等级。
4.根据权利要求2所述的一种低压配电网重要用户电能质量扰动溯源方法，其特征在于：所述步骤1.2的具体包括以下步骤：
步骤1.2.1应用集成学习算法LightGBM算法，输入已有的低压电力用户电能质量历史数据，依次训练多个弱决策树，并将其进行组合，最终生成可拟合复杂映射的强分类器，其基本设定为：
构建如下式所示的集成映射模型：
式中：x∈Rm为m维的样本输入，fr为第r棵回归树，其输出fr(x)等于样本x归入的叶节点得分ω，T棵级联树得分累加即得到最终的预测输出
定义电能质量问题的损失函数为：
式中：l为样本损失函数，通常定义为平方损失，即
在已迭代生成T-1棵回归树时，为使收敛速度达到最快，第T棵树的回归目标应为损失函数下降的负梯度方向gT；
对应于输入样本xi，gT,i可通过式计算：
训练回归树寻找最优分裂特征与分裂阈值时，LightGBM针对连续特征作离散化分区处理，分裂阈值只遍历特征取值范围内的部分值，且选择特征j与阈值v进行分裂时，其方差增益为：
式中：Ω为分配到待分裂节点的样本全集，nΩ为Ω中的样本数量，nL|j,v与nR|j,v分别为应用特征j与阈值v分裂后分入树左半枝与右半枝的样本数；遍历至特征j时，所选择的最佳阈值应满足
考虑到当样本数量增加时，对分裂阈值与特征的搜索计算复杂度也将线性增加，对此LightGBM采用降采样的方法，保留前a×100％梯度绝对值最大的样本，并随机抽取剩余1-a样本中的b×100％样本用于方差增益估计，故Gj,v计算式变为如式所示的形式：
式中：ΩA为前a×100％样本集，ΩB为剩余样本中采样b×100％得到的子样本集；
步骤1.2.2利用经LightGBM深度神经网络训练后生成的可拟合复杂映射的强分类器和高、中、弱三个等级相应的三个样本集，生成三个等级的电力用户电能质量扰动模型特征曲线，包括电量、谐波特征曲线。
5.根据权利要求1所述的一种低压配电网重要用户电能质量扰动溯源方法，其特征在于：所述步骤2的具体包括以下步骤：
步骤2.1：在充分考虑网络连接、分支参数以及测量系统的具体条件，可将谐波状态估计的测量方程写为：
Z＝h(X)+V
式中，Z为量测量；x为状态变量，通常情况下代表节点电压幅值以及节点电压相位；v为量测误差；
步骤2.2：注入电流和状态量节点电压相量的相位测量值之间存在着的线性关系，有以下线性状态方程：
HTWHX*＝HTWZm.
式中，H为量测方程矩阵，由系统本体的拓扑结构与量测点所配置方案共同决定；HT为H的转置矩阵；X*为系统状态变量；Zm为谐波状态估计的测量；W为量测加权矩阵；
步骤2.3：对步骤2.2的线性方程进行求解，得到低压电力用户的不同节点谐波数值，并以此分析低压电力用户的不同节点谐波变化规律。
6.根据权利要求1所述的一种低压配电网重要用户电能质量扰动溯源方法，其特征在于：所述步骤3的具体步骤包括：
步骤3.1：根据步骤2得到的低压电力用户的不同节点谐波数值，计算电能质量扰动源的高、中、弱三个等级的低压电力用户的谐波变化量，针对差异化场景重点电力用户电能质量的特点，按照平均三等份的原则，将用户电能质量的谐波变化分成高、中和弱三个等级，与步骤1获得的电能质量扰动源的高、中、弱三个等级的电力用户电能质量扰动模型特征曲线一一对应；
步骤3.2：依次按照电力用户容量、扰动强弱、谐波变化大小各占比权重1/3的方式，对重要电力用户电能质量扰动进行综合评价，按照评价分值大小，确定扰动源。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111077592.3A CN114139436A (zh) | 2021-09-14 | 2021-09-14 | 一种低压配电网用户电能质量扰动溯源方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111077592.3A CN114139436A (zh) | 2021-09-14 | 2021-09-14 | 一种低压配电网用户电能质量扰动溯源方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114139436A true CN114139436A (zh) | 2022-03-04 |
Family
ID=80393838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111077592.3A Pending CN114139436A (zh) | 2021-09-14 | 2021-09-14 | 一种低压配电网用户电能质量扰动溯源方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114139436A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109209A (zh) * | 2023-04-11 | 2023-05-12 | 广东广泽实业有限公司 | 一种基于大数据的电力产品质量溯源追踪管理方法及系统 |
| CN116316586A (zh) * | 2023-03-15 | 2023-06-23 | 国网湖北省电力有限公司随州供电公司 | 一种采用跳变分析法对电力系统中功率跳变溯源的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080074441A (ko) * | 2007-02-09 | 2008-08-13 | 김영일 | 지능형 전기품질 진단 분석 방법 |
| US20110112779A1 (en) * | 2009-11-06 | 2011-05-12 | City University Of Hong Kong | Power quality meter and method of waveform anaylsis and compression |
| CN102565574A (zh) * | 2011-12-06 | 2012-07-11 | 中国人民解放军海军工程大学 | 船舶电能质量监测系统 |
| CN111639583A (zh) * | 2020-05-26 | 2020-09-08 | 国网湖南省电力有限公司 | 一种电网电能质量扰动的识别方法及系统 |
| CN112163613A (zh) * | 2020-09-24 | 2021-01-01 | 国网辽宁省电力有限公司辽阳供电公司 | 一种电能质量扰动的快速识别方法 |
| KR102219119B1 (ko) * | 2020-10-21 | 2021-02-23 | 인텍전기전자 주식회사 | 교류 철도 계통의 전력 품질 예측에 대한 오차를 최소화할 수 있는 데이터베이스를 기반으로 하는 전력 품질 예측 시스템 |
-
2021
- 2021-09-14 CN CN202111077592.3A patent/CN114139436A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080074441A (ko) * | 2007-02-09 | 2008-08-13 | 김영일 | 지능형 전기품질 진단 분석 방법 |
| US20110112779A1 (en) * | 2009-11-06 | 2011-05-12 | City University Of Hong Kong | Power quality meter and method of waveform anaylsis and compression |
| CN102565574A (zh) * | 2011-12-06 | 2012-07-11 | 中国人民解放军海军工程大学 | 船舶电能质量监测系统 |
| CN111639583A (zh) * | 2020-05-26 | 2020-09-08 | 国网湖南省电力有限公司 | 一种电网电能质量扰动的识别方法及系统 |
| CN112163613A (zh) * | 2020-09-24 | 2021-01-01 | 国网辽宁省电力有限公司辽阳供电公司 | 一种电能质量扰动的快速识别方法 |
| KR102219119B1 (ko) * | 2020-10-21 | 2021-02-23 | 인텍전기전자 주식회사 | 교류 철도 계통의 전력 품질 예측에 대한 오차를 최소화할 수 있는 데이터베이스를 기반으로 하는 전력 품질 예측 시스템 |
Non-Patent Citations (3)
| Title |
|---|
| 严静;邵振国;: "电能质量谐波监测与评估综述", 电气技术, no. 07, 15 July 2020 (2020-07-15) * |
| 刘科研;盛万兴;秦梦雅;尹忠东;吕琛;: "计及多种扰动源的有源配电网电能质量分析方法", 电网技术, no. 06, 10 January 2020 (2020-01-10) * |
| 李从飞: "电能质量扰动检测与分类方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, 15 January 2018 (2018-01-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116316586A (zh) * | 2023-03-15 | 2023-06-23 | 国网湖北省电力有限公司随州供电公司 | 一种采用跳变分析法对电力系统中功率跳变溯源的方法 |
| CN116316586B (zh) * | 2023-03-15 | 2023-10-10 | 国网湖北省电力有限公司随州供电公司 | 一种采用跳变分析法对电力系统中功率跳变溯源的方法 |
| CN116109209A (zh) * | 2023-04-11 | 2023-05-12 | 广东广泽实业有限公司 | 一种基于大数据的电力产品质量溯源追踪管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
| CN114139436A (zh) | 一种低压配电网用户电能质量扰动溯源方法 | |
| CN110648088B (zh) | 一种基于鸟群算法与svm的电能质量扰动源判断方法 | |
| CN103177188A (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
| Silva et al. | An accurate method for fault location in HVDC systems based on pattern recognition of DC voltage signals | |
| Yu et al. | Fault location in distribution system using convolutional neural network based on domain transformation | |
| Golestani et al. | Polynomial‐dynamic electric arc furnace model combined with ANN | |
| Jahromi et al. | A new method for power system load modeling using a nonlinear system identification estimator | |
| Yadav et al. | Frequency coupling matrix model of a three-phase variable frequency drive | |
| Guo et al. | On-line prediction of transient stability using decision tree method—Sensitivity of accuracy of prediction to different uncertainties | |
| Gao et al. | High-impedance arc fault modeling for distribution networks based on dynamic geometry dimension | |
| Babayomi et al. | Intelligent fault diagnosis in a power distribution network | |
| CN115469182A (zh) | 基于高频波形特性的直流微电网高阻故障检测方法及装置 | |
| Wilson et al. | Uncertainty Quantification of Capacitor Switching Transient Location using Machine Learning | |
| Srikanth et al. | Deep learning and signal processing based algorithm for autorecognition of harmonic loads | |
| CN114421465A (zh) | 基于元件拓扑的电网参数辨识校验方法、装置及存储介质 | |
| Kumar et al. | Fuzzy rule-based fault location technique for thyristor-controlled series-compensated transmission lines | |
| Kim et al. | Measurement-based estimation of the composite load model parameters | |
| Tuttelberg et al. | Comparison of system identification methods applied to analysis of inter-area modes | |
| Borges et al. | Feature extraction-based method for voltage sag source location in the context of smart grids | |
| Allawi et al. | A New Approach to Detecting High Impedance Fault in Power Distribution Feeder Based on Signal Processing Hybrid Technique and ANNs. | |
| Shi et al. | Study on stability feature extraction of power system using deep learning | |
| Garg et al. | Fault classification, location in a series compensated power transmission network using Online Sequential Extreme Learning Machine | |
| Singh et al. | Condition monitoring of electrical supply voltage quality to electrical machines using RBF neural network | |
| CN116702629B (zh) | 一种具备可迁移能力的电力系统暂态稳定评估方法 |
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 |