CN114254806A - 配电网重过载预警方法、装置、计算机设备和存储介质 - Google Patents
配电网重过载预警方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114254806A CN114254806A CN202111408727.XA CN202111408727A CN114254806A CN 114254806 A CN114254806 A CN 114254806A CN 202111408727 A CN202111408727 A CN 202111408727A CN 114254806 A CN114254806 A CN 114254806A
- Authority
- CN
- China
- Prior art keywords
- heavy overload
- early warning
- data
- real
- power grid
- 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 70
- 238000009826 distribution Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004590 computer program Methods 0.000 claims abstract description 39
- 238000010219 correlation analysis Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012098 association analyses Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010978 in-process monitoring Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种配电网重过载预警方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取电网实时数据;根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型;将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。本方法首先根据电网实时数据获取不同维度的重过载分类特征,进而根据不同维度的重过载分类特征准确地确定重过载负荷类型,提高符合预测的针对性,进而选择与重过载类型对应的预警模型进行重过载预测,提高了重过载预警的准确率。
Description
技术领域
本申请涉及配电自动化技术领域,特别是涉及一种配电网重过载预警方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
配电网作为电网直接面向用户的环节,供电设备的运行状态直接影响供电质量。随着社会经济的飞速发展和电力需求的快速增长,生产、生活用电负荷在不断攀升,使得电网原有的配变设备所承受的负荷日趋严重,成为电网安全运行的重大隐患。设备的重过载运行是引起故障停电的主要原因之一,而重过载现象通常也伴随着三相不平衡、电压偏移等其他问题,严重影响用户安全可靠用电。特别在夏季、节假日等用电高峰时段,存在重过载变压器烧坏及配电变压器容量不足导致不能正常供电的情况,影响供电可靠性且造成客户投诉,同时也会造成直接的经济损失。此外,设备长时间处于重过载状态会加快元件的非正常损耗,降低设备使用寿命,给电网带来故障隐患和运行风险,同时也会影响公司经济效益。因此,重过载治理一直是配电网运维检修工作的重要内容。
目前,对于配电网的重过载治理通常分为事中监测和事后处理两个阶段,即实时监测配电网设备的运行情况,在发现重过载事件后,向运维人员发出告警信息,然后由现场专工根据具体情况采取相应措施进行处理。面临的业务难题是这种治理方式相对被动,需要投入大量监测时间成本和技改检修人力成本。在大部分情况下,考虑到实际工况中允许设备短时间重过载运行,为保证持续供电,对一般的重过载事件只进行监测,对频繁出现重过载的配变进行报备,并列入周期性技术改造大修计划。而对于可能或已经造成停电的重过载事件,可以通过切改用户线路或临时替换大容量变压器消除重过载现象,但临时停电依然不可避免。
由于用电需求增长、地区发展不均衡、配网投资精准性不高、配网结构复杂、突发偶然事件等内外部原因,配变重过载时有发生。改善重过载治理工作现状,提高重过载设备的治理效率和效果,具有重要的现实意义和经济社会效益。
用电负荷不断增长,配变重过载现象频发,造成直接经济损失并对电网安全运行造成重大隐患。常规事中监控、事后处理的方式相对被动,需要投入大量监测时间成本和技改检修人力成本,重过载预警准确率低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高配电网重过载预警准确率的配电网重过载预警方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种配电网重过载预警方法。该方法包括:
获取电网实时数据;
根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型;
将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。
在其中一个实施例中,根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型,包括:根据电网实时数据,获取负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征、设备特征;根据负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征以及设备特征,确定重过载负荷类型。
在其中一个实施例中,预警模型的训练过程包括:获取样本数据;其中,样本数据根据配电网历史重过载记录提取得到;对样本数据进行关联分析,得到重过载影响数据集合;根据重过载影响数据集合对初始预警模型进行训练,当初始预警模型预测得到的样本预警结果与真实预警结果的差值小于预设误差阈值时,得到预设预警模型。
在其中一个实施例中,对样本数据进行关联分析,得到重过载影响数据集合包括:根据预设特征规则对样本数据进行特征提取,得到样本特征变量;根据重过载负荷类型对样本特征变量进行聚类分析,得到不同重过载负荷类型下的特征变量;对不同重过载负荷类型下的特征变量进行关联分析,得到不同重过载负荷类型下的重过载影响数据集合。
在其中一个实施例中,该方法还包括:当初始预警模型预测得到的样本预警结果与真实预警结果的差值大于或者等于预设误差阈值时,调整重过载记录提取节点或调整关联分析系数,返回获取样本数据的步骤。
在其中一个实施例中,该方法还包括:根据预警结果数据以及电网实时数据进行重过载影响分析,得到每个电网实时数据对重过载的影响值。
第二方面,本申请还提供了一种配电网重过载预警装置。该装置包括:
获取模块,用于获取电网实时数据;
类型确定模块,用于根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型;
预警模块,用于将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。
第三方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现以下步骤:
获取电网实时数据;
根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型;
将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。
第四方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取电网实时数据;
根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型;
将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。
第五方面,本申请还提供了一种计算机程序产品。该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取电网实时数据;
根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型;
将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。
上述配电网重过载预警方法、装置、计算机设备、存储介质和计算机程序产品,获取电网实时数据;根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型;将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。本方法首先根据电网实时数据获取不同维度的重过载分类特征,进而根据不同维度的重过载分类特征准确地确定重过载负荷类型,提高符合预测的针对性,进而选择与重过载类型对应的预警模型进行重过载预测,提高了重过载预警的准确率。
附图说明
图1为一个实施例中配电网重过载预警方法的流程示意图;
图2为一个实施例中预设预警模型的训练流程示意图;
图3为一个实施例中配电网重过载预警装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
目前的配电网重过载预警,依靠人工经验,分段设定设备的阈值,按照设备实际运行过程中超过的阈值对设备的重过载进行预警。还有方法的采用大数据挖掘和人工智能的配电网重过载预警方法,以配变负荷预测为切入点,包括利用历史负荷数据外推负荷的典型变化规律,加入气象条件、经济指标等外部间接因素分析与负荷的关联程度,采用各类机器学习方法构建负荷预测模型,最后基于负荷预测结果对重过载进行判断。
然而,配电网的正常运行除了要考虑设备和线路本身性能和状态外,还会受到外部气候、环境、用户等各种复杂因素的影响,传统配网重过载预警依靠人工经验及阈值预警方法,采用信息化手段进行定制开发、固定参数配置等方式实现,准确率不足,不能满足科学、动态预警管理需求。
目前的预警方法主要依靠采用大数据和人工智能的重过载预警方法,由于各类负荷预测方法在预测精度上的局限性导致基于负荷预测结果的重过载预测不能适应业务实际情况。对于短期负荷预测,考虑到目前消除重过载的手段以实施周期较长的线路切改和设备改造为主,短期的预测结果不足以提供足够的时间去消除重过载隐患;对于中长期负荷预测,考虑到台区负荷的突变性和波动性,负荷预测结果本身不能满足对重过载进行判断的基本精度。
因此,本申请对影响配电网重过载的因素影响聚类分析,提高符合预测的针对性,从而提高预警结果的准确性,进一步地,本申请还采用深度学习方法,对预警模型进行迭代优化,应用时间越长,预警精度越高。
在一个实施例中,如图1所示,提供了一种配电网重过载预警方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取电网实时数据。
其中,电网实时数据包括电网实时运行数据、电网管理数据、计量营销系统数据、气象数据以及非统调数据等。
电网运行数据包括电网拓扑模型、电网实时数据(包含线路,变压器)、地方电源96点历史出力、地方电源96点发电计划、厂站电源属性信息、历史及实时电网负荷数据等。
电网管理数据包括设备检修计划、新设备投产信息、联络线计划、备用需求、设备台账、以及转移负荷信息等。
计量营销系统数据包括行业编号、行业名称行业所属门类、行业所大类、分类负荷基础信息、分类负荷电量、分类负荷历史负荷、专变专线用户基础信息、专变专线用户电量专变专线用户历史负荷以及专变专线用户用电计划等。
数值气象数据包括气象站点信息、站点气象实测数据以及网格化数值气象预报数据等。
非统调数据包括非统调电源信息、非统调电源历史出力、非统调电源发电计划、非统调电源并网点变更、节假日数据、宏观经济及行业类数据。
具体地,终端通过数据接口接收各系统传来的数据,包括电网实时运行数据、电网管理数据、计量营销系统数据、气象数据以及非统调数据等。
步骤104,根据电网实时数据,获取不同维度的重过载分类特征,根据不通过维度的重过载分类特征,确定重过载负荷类型。
本申请实施例从重过载发生时段、持续时长、发生相别、负载率水平等多个维度对重过载事件进行细分,对重过载定义做出清晰、可执行的限定。重过载分类特征包括负荷特征、时间特征、相别特征等,结合业务需求明确模型的技术目标,包括模型的预测精度、预测效率、预测时间跨度等,模型的目标一定程度上决定了特征变量和模型架构的选择。
具体地,终端根据电网实时数据提取不同维度的重过载分类特征,根据不同维度的分类特征确定重过载负荷类型。
步骤106,将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。
其中,预设预警模型包括不同重过载负荷类型的模型。预设预警模型是根据不同重过载负荷类型事件的记录训练得到的,例如,根据重过载工业负荷事件的记录训练工业负荷对应的预设预警模型,其他负荷类的预警模型的训练类似,本实施例在此不再赘述。
具体地,终端将电网实时数据输入与重过载负荷类型对应的预设预警模型中,通过预设预警模型进行预测,得到预警结果数据。
上述配电网重过载预警方法中,获取电网实时数据;根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型;将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。本方法首先根据电网实时数据获取不同维度的重过载分类特征,进而根据不同维度的重过载分类特征准确地确定重过载负荷类型,提高符合预测的针对性,进而选择与重过载类型对应的预警模型进行重过载预测,提高了重过载预警的准确率。
在一个可选的实施例中,根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型,包括:根据电网实时数据,获取负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征以及设备特征;根据负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征以及设备特征,确定重过载负荷类型。
其中,重过载负荷类型包括工业负荷、商业负荷、居民负荷、医院负荷以及学校负荷等。不同类别的负荷的不同特征包括:负荷曲线形状不同、峰谷时段不同、峰谷差不同等。
具体地,终端从电网实时数据的获取负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征、设备特征等不同维度的特征,根据负荷特征、发生时段、持续时长、相别特征、气象特征以及经济特征,确定重过载负荷类型。
在一个可选的实施例中,如图2所示,预警模型的训练过程包括:
步骤202,获取样本数据。
其中,样本数据根据配电网历史重过载记录提取得到。;
具体地,终端通过数据接口接收各系统传输的历史数据,从历史数据中筛选得到历史重过载记录,对历史重过载记录中数据进行预处理,得到样本数据。
终端根据样本量化目标和样本规模对历史重过载记录进行筛选和清洗,将不合理数据、脏数据进行删除,以消除不合理数据对后续统计分析的影响。不合理数据包括:数据不完整(漏点),数据不一致,数据含噪声(跳点),遥测数据不刷新(死数据)。
量化样本目标,即根据数据预处理结果,在历史重过载记录数据中,对重过载预警的目标进行量化分析,包括重过载分级的每级指标,比如负载率120%为过载,100%为重载一级,90%为重载二级等。量化样本规模,就是将历史重过载记录数据预处理后,形成样本数据。根据数据治理情况,来确定样本数据的规模。因为不合理数据剔除后,样本规模会比收集的数据少。
步骤204,对样本数据进行关联分析,得到重过载影响数据集合。
具体地,终端对样本数据中单个变量或者变量组合与重过载事件之间的关联程度,根据关联程度大于预设关联阈值的变量形成重过载影响数据集合。
步骤206,根据重过载影响数据集合对初始预警模型进行训练,当初始预警模型预测得到的样本预警结果与真实预警结果的差值小于预设误差阈值时,得到预设预警模型。
具体地,采用深度学习方法,根据重过载影响数据集合对初始预警模型进行训练,当初始预警模型预测得到的样本预警结果与真实预警结果的差值小于预设误差阈值时,得到预设预警模型。预设预警模型是适用于线路负荷、母线负荷全拓扑对象,覆盖重过载短期、中长期的全周期预警模型,同时预设预警模型具备自主学习和偏差自校正机制算法库。
短期预测可以预测未来三天内的预警结果,中期是月到年,长期是3-5年。全周期是设备的全寿命周期,不同设备不一样,以变压器为例,是20年。历史数据可以支撑中期预警,模型与短期相同。
在电网实时数据中,有“宏观经济及行业类数据”,通过这类数据可以预测配电网长期的负荷发展情况,相比短期和中期,长期预警模型会增加这个影响因素的比重。
全周期是指在短期、中长期模型中,会考虑该设备的历史情况,即将是否发生过重过载,和发生重过载的次数和严重情况作为影响因素。从而预测该设备再次发生重过载的几率和严重情况。
本实施例中,通过关联分析来分析不同变量或者变量组合与重过载事件之间的关联关系,可以准确提取重过载影响数据集合,进而根据重过载影响集合对初始预警模型进行训练,得到准确的预设预警模型。
在一个可选的实施例中,对样本数据进行关联分析,得到重过载影响数据集合包括:根据预设特征规则对样本数据进行特征提取,得到样本特征变量;根据重过载负荷类型对样本特征变量进行聚类分析,得到不同重过载负荷类型下的特征变量;对不同重过载负荷类型下的特征变量进行关联分析,得到不同重过载负荷类型下的重过载影响数据集合。
其中,预设特征规则是电网运行人员根据电网历史过重载记录分析得到的不同变量之间的特征规则。比如某变压器在很长时间段内持续出现重过载,根据预设特征规则可以判断重过载是因为该变压器容量过小,不满足负荷增长的需求。
具体地,终端根据预设特征规则对样本数据进行特征提取,得到样本特征变量。根据重过载负荷类型对样本特征变量进行聚类分析,得到不同重过载负荷类型下的特征变量,实现不同负荷类别的特征变量划分;对不同重过载负荷类型下的特征变量与重过载事件进行关联分析,得到不同重过载负荷类型下的重过载影响数据集合。
在一个可选的实施例中,该方法还包括:当初始预警模型预测得到的样本预警结果与真实预警结果的差值大于或者等于预设误差阈值时,调整重过载记录提取节点或调整关联分析系数,返回所述获取样本数据的步骤。
具体地,当初始预警模型预测得到的样本预警结果与真实预警结果的差值大于或者等于预设误差阈值时,调整重过载记录中的单个变量或者变量组合,对不同重过载负荷类型下的特征变量再次进行关联分析,根据关联分析结果调整重过载影响数据集合,或者调整单个变量或者变量组合与重过载时间的关联分析系数,对不同重过载负荷类型下的特征变量再次进行关联分析,根据关联分析结果调整重过载影响数据集合;根据调整后的重过载影响因素集合对初始预警模型进行训练,当初始预警模型预测得到的样本预警结果与真实预警结果的差值小于预设误差阈值时,得到预设预警模型。
当初始预警模型预测得到的样本预警结果与真实预警结果的差值大于或者等于预设误差阈值时,还可以增加样本数据数量,继续对初始预警模型进行训练,当初始预警模型预测得到的样本预警结果与真实预警结果的差值小于预设误差阈值时,得到预设预警模型。
当初始预警模型预测得到的样本预警结果与真实预警结果的差值大于或者等于预设误差阈值时,还可以更换预警模型所使用的深度学习算法,改变模型架构,根据重过载影响因素集合对调整后的预警模型进行训练,当调整后的预警模型预测得到的样本预警结果与真实预警结果的差值小于预设误差阈值时,得到预设预警模型。
本实施例中,通过增加样本数量、改变模型架构以及选择不同的影响因素组合等几个方面对模型进行持续的迭代式优化,可以保证不同负荷类型的预警模型的准确性。
在一个可选的实施例中,该方法还包括:根据预警结果数据以及电网实时数据进行重过载影响分析,得到每个电网实时数据对重过载的影响值。
具体地,根据预警结果数据以及输入的电网实时数据,得到每个电网实时数据对重过载的影响值,并在终端显示界面展示。
还可以在终端显示界面分别显示配电重过载情况概览、气象条件对重过载的影响、运行负荷对重过载的影响、一定时期内预警结果,对预测结果进行多维度可视化展示。通过配电网设备安全风险评级,展现投运年限更久、累计重过载时长更长、累计重过载次数更多的配变,实现进一步聚焦,便于工作人员直观地获取重过载清单,指导配网检修;展现模型对未来三天可能发生重过载的配电网设备预测,使业务人员提前防范,主动处理;从客户全方位、资产全寿命两个维度展现重过载预测结果,为配变年度技改投资提供准确的数据支撑和决策参考。例如,夏天气温高,会导致空调负荷用的多,从而造成设备重过载。气温作为气象条件是模型的输入,是否重过载是模型的输出,通过展示不同气温条件下,配电网设备的重过载情况,来展示气温对重过载的影响。
本实施例中,通过可视化展示电网实时数据对重过载的影响值,以使电网工作人员更加直观地找出问题,通过合理地安排技术改造大修计划,及时进行调整用户线路和配变增容,减少非计划停电,是重过载较为理想的治理方式。开展重过载影响因素分析并实现基于人工智能的事前预测,对于及时发现重过载隐患、优化设备升级改造计划具有重要作用和意义。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的配电网重过载预警方法的配电网重过载预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个配电网重过载预警装置实施例中的具体限定可以参见上文中对于配电网重过载预警方法的限定,在此不再赘述。
在一个实施例中,如图3所示,提供了一种配电网重过载预警装置,包括:获取模块302、类型确定模块304和预警模块306,其中:
获取模块302,用于获取电网实时数据。
类型确定模块304,用于根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型。
预警模块306,用于将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。
在一个可选的实施例中,类型确定模块304还用于根据电网实时数据,获取负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征、设备特征;根据负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征以及设备特征,确定重过载负荷类型。
在一个可选的实施例中,配电网重过载预警装置还包括训练模块,用于获取样本数据;其中,样本数据根据配电网历史重过载记录提取得到;对样本数据进行关联分析,得到重过载影响数据集合;根据重过载影响数据集合对初始预警模型进行训练,当初始预警模型预测得到的样本预警结果与真实预警结果的差值小于预设误差阈值时,得到预设预警模型。
在一个可选的实施例中,训练模块还用于根据预设特征规则对样本数据进行特征提取,得到样本特征变量;根据重过载负荷类型对样本特征变量进行聚类分析,得到不同重过载负荷类型下的特征变量;对不同重过载负荷类型下的特征变量进行关联分析,得到不同重过载负荷类型下的重过载影响数据集合。
在一个可选的实施例中,训练模块还用于当初始预警模型预测得到的样本预警结果与真实预警结果的差值大于或者等于预设误差阈值时,调整重过载记录提取节点或调整关联分析系数,返回获取样本数据的步骤。
在一个可选的实施例中,预警模块306还用于根据预警结果数据以及电网实时数据进行重过载影响分析,得到每个电网实时数据对重过载的影响值。
上述配电网重过载预警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。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种配电网重过载预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取电网实时数据;
根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型;
将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:预警模型的训练过程包括:根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型,包括:根据电网实时数据,获取负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征、设备特征;根据负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征以及设备特征,确定重过载负荷类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:预警模型的训练过程包括:获取样本数据;其中,样本数据根据配电网历史重过载记录提取得到;对样本数据进行关联分析,得到重过载影响数据集合;根据重过载影响数据集合对初始预警模型进行训练,当初始预警模型预测得到的样本预警结果与真实预警结果的差值小于预设误差阈值时,得到预设预警模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对样本数据进行关联分析,得到重过载影响数据集合包括:根据预设特征规则对样本数据进行特征提取,得到样本特征变量;根据重过载负荷类型对样本特征变量进行聚类分析,得到不同重过载负荷类型下的特征变量;对不同重过载负荷类型下的特征变量进行关联分析,得到不同重过载负荷类型下的重过载影响数据集合。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:该方法还包括:当初始预警模型预测得到的样本预警结果与真实预警结果的差值大于或者等于预设误差阈值时,调整重过载记录提取节点或调整关联分析系数,返回获取样本数据的步骤。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:该方法还包括:根据预警结果数据以及电网实时数据进行重过载影响分析,得到每个电网实时数据对重过载的影响值。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取电网实时数据;
根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型;
将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型,包括:根据电网实时数据,获取负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征、设备特征;根据负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征以及设备特征,确定重过载负荷类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:预警模型的训练过程包括:获取样本数据;其中,样本数据根据配电网历史重过载记录提取得到;对样本数据进行关联分析,得到重过载影响数据集合;根据重过载影响数据集合对初始预警模型进行训练,当初始预警模型预测得到的样本预警结果与真实预警结果的差值小于预设误差阈值时,得到预设预警模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对样本数据进行关联分析,得到重过载影响数据集合包括:根据预设特征规则对样本数据进行特征提取,得到样本特征变量;根据重过载负荷类型对样本特征变量进行聚类分析,得到不同重过载负荷类型下的特征变量;对不同重过载负荷类型下的特征变量进行关联分析,得到不同重过载负荷类型下的重过载影响数据集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:该方法还包括:当初始预警模型预测得到的样本预警结果与真实预警结果的差值大于或者等于预设误差阈值时,调整重过载记录提取节点或调整关联分析系数,返回获取样本数据的步骤。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:该方法还包括:根据预警结果数据以及电网实时数据进行重过载影响分析,得到每个电网实时数据对重过载的影响值。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取电网实时数据;
根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型;
将电网实时数据输入与重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据电网实时数据,获取不同维度的重过载分类特征,根据不同维度的重过载分类特征,确定重过载负荷类型,包括:根据电网实时数据,获取负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征、设备特征;根据负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征以及设备特征,确定重过载负荷类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:预警模型的训练过程包括:获取样本数据;其中,样本数据根据配电网历史重过载记录提取得到;对样本数据进行关联分析,得到重过载影响数据集合;根据重过载影响数据集合对初始预警模型进行训练,当初始预警模型预测得到的样本预警结果与真实预警结果的差值小于预设误差阈值时,得到预设预警模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对样本数据进行关联分析,得到重过载影响数据集合包括:根据预设特征规则对样本数据进行特征提取,得到样本特征变量;根据重过载负荷类型对样本特征变量进行聚类分析,得到不同重过载负荷类型下的特征变量;对不同重过载负荷类型下的特征变量进行关联分析,得到不同重过载负荷类型下的重过载影响数据集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:该方法还包括:当初始预警模型预测得到的样本预警结果与真实预警结果的差值大于或者等于预设误差阈值时,调整重过载记录提取节点或调整关联分析系数,返回获取样本数据的步骤。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:该方法还包括:根据预警结果数据以及电网实时数据进行重过载影响分析,得到每个电网实时数据对重过载的影响值。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种配电网重过载预警方法,其特征在于,所述方法包括:
获取电网实时数据;
根据所述电网实时数据,获取不同维度的重过载分类特征,根据所述不同维度的重过载分类特征,确定重过载负荷类型;
将所述电网实时数据输入与所述重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。
2.根据权利要求1所述的方法,其特征在于,所述根据所述电网实时数据,获取不同维度的重过载分类特征,根据所述不同维度的重过载分类特征,确定重过载负荷类型,包括:
根据所述电网实时数据,获取负荷特征、发生时段、持续时长、相别特征、气象特征、经济特征、设备特征;
根据所述负荷特征、所述发生时段、所述持续时长、所述相别特征、所述气象特征、所述经济特征以及所述设备特征,确定重过载负荷类型。
3.根据权利要求1所述的方法,其特征在于,所述预警模型的训练过程包括:
获取样本数据;其中,所述样本数据根据配电网历史重过载记录提取得到;
对所述样本数据进行关联分析,得到重过载影响数据集合;
根据重过载影响数据集合对初始预警模型进行训练,当初始预警模型预测得到的样本预警结果与真实预警结果的差值小于预设误差阈值时,得到预设预警模型。
4.根据权利要求3所述的方法,其特征在于,所述对所述样本数据进行关联分析,得到重过载影响数据集合包括:
根据预设特征规则对所述样本数据进行特征提取,得到样本特征变量;
根据重过载负荷类型对所述样本特征变量进行聚类分析,得到不同重过载负荷类型下的特征变量;
对所述不同重过载负荷类型下的特征变量进行关联分析,得到不同重过载负荷类型下的重过载影响数据集合。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
当初始预警模型预测得到的样本预警结果与真实预警结果的差值大于或者等于预设误差阈值时,调整重过载记录提取节点或调整关联分析系数,返回所述获取样本数据的步骤。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预警结果数据以及电网实时数据进行重过载影响分析,得到每个电网实时数据对重过载的影响值。
7.一种配电网重过载预警装置,其特征在于,所述装置包括:
获取模块,用于获取电网实时数据;所述电网实时数据包括电网实时运行数据、电网管理数据、计量营销系统数据、气象数据以及非统调数据;
类型确定模块,用于根据所述电网实时数据确定重过载负荷类型;
预警模块,用于将所述电网实时数据输入与所述重过载负荷类型对应的预设预警模型进行预测,得到预警结果数据。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111408727.XA CN114254806A (zh) | 2021-11-19 | 2021-11-19 | 配电网重过载预警方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111408727.XA CN114254806A (zh) | 2021-11-19 | 2021-11-19 | 配电网重过载预警方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114254806A true CN114254806A (zh) | 2022-03-29 |
Family
ID=80791137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111408727.XA Pending CN114254806A (zh) | 2021-11-19 | 2021-11-19 | 配电网重过载预警方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114254806A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523148A (zh) * | 2023-07-03 | 2023-08-01 | 广东电网有限责任公司湛江供电局 | 一种配电网配变重过载预警方法、装置和设备 |
-
2021
- 2021-11-19 CN CN202111408727.XA patent/CN114254806A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523148A (zh) * | 2023-07-03 | 2023-08-01 | 广东电网有限责任公司湛江供电局 | 一种配电网配变重过载预警方法、装置和设备 |
CN116523148B (zh) * | 2023-07-03 | 2023-09-22 | 广东电网有限责任公司湛江供电局 | 一种配电网配变重过载预警方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN107123982B (zh) | 一种基于设备异动的配电网可靠性经济效益分析方法 | |
CN111080072A (zh) | 配电变压器健康指数评估方法、装置及系统 | |
CN111008193B (zh) | 一种数据清洗与质量评价方法及系统 | |
CN111291076A (zh) | 基于大数据的异常用水监测报警系统及其构建方法 | |
CN111552686B (zh) | 一种电力数据质量评估方法及其装置 | |
CN115358522A (zh) | 一种企业在线监测系统和方法 | |
CN114254806A (zh) | 配电网重过载预警方法、装置、计算机设备和存储介质 | |
CN115577996B (zh) | 一种电网停电计划的风险评估方法、系统、设备和介质 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN111460260A (zh) | 多类型数据的数据处理系统、方法及介质 | |
CN113537681A (zh) | 用于炼化企业设备管理信息化的方法及系统 | |
CN112200458B (zh) | 一种配电网规划数据应用方法及系统 | |
CN114925900A (zh) | 一种配变重、过载风险预警分析的方法 | |
Hu et al. | Big data management and application research in power load forecasting and power transmission and transformation equipment evaluation | |
Chen et al. | An analytical method of data mining on voltage sag based on gray target theory and cloud model | |
Zhang | Portrait analysis of power transmission line for smart grid based on external data association fusion | |
Teringl et al. | Asset management system in DSO using business intelligence tools and advanced analytics | |
CN117933677B (zh) | 基于区域调频的水力发电厂关联数据预测方法和装置 | |
Zhang et al. | Power Marketing Risk Prevention and Control Management of Power Supply Enterprises Based on Big Data Analysis Technology | |
CN117150032B (zh) | 一种水电站发电机组的智能维护系统及方法 | |
CN117131947B (zh) | 架空输电线路故障预测方法、装置、设备及存储介质 | |
CN118014604A (zh) | 基于因果检验和回归模型的电量波动因素量化评估方法 | |
Duan et al. | Bionic based key technologies of equipment portrait for railway passenger stations | |
Li et al. | Research on key technologies of net metering for smart grid AMI and data mining of user electricity consumption |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230423 Address after: Full Floor 14, Unit 3, Building 2, No. 11, Middle Spectra Road, Huangpu District, Guangzhou, Guangdong 510700 Applicant after: China Southern Power Grid Digital Grid Technology (Guangdong) Co.,Ltd. Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
TA01 | Transfer of patent application right |