CN114492975A - 一种配电物联网的边缘侧智能决策系统 - Google Patents
一种配电物联网的边缘侧智能决策系统 Download PDFInfo
- Publication number
- CN114492975A CN114492975A CN202210066859.7A CN202210066859A CN114492975A CN 114492975 A CN114492975 A CN 114492975A CN 202210066859 A CN202210066859 A CN 202210066859A CN 114492975 A CN114492975 A CN 114492975A
- Authority
- CN
- China
- Prior art keywords
- module
- load prediction
- power distribution
- model
- initial
- 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
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 33
- 230000005611 electricity Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 4
- 239000012535 impurity Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research 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
- G06Q10/04—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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/30—Information sensed or collected by the things relating to resources, e.g. consumed power
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/40—Maintenance of things
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/60—Positioning; Navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Accounting & Taxation (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种配电物联网的边缘侧智能决策系统,包括:数据输入模块,其包括与5G通信模块相连的多个数据采集模块和一个云端模块;云端模块位于配电网的云端,其训练得到初始故障定位模型和初始负荷预测模型;系统决策模块,其位于配电网中的边缘节点处,包括与5G通信模块相连的故障定位模块和负荷预测模块,以及与故障定位模块和负荷预测模块均相连的决策输出模块;故障定位模块和负荷预测模块分别下载所述初始故障定位模型和初始负荷预测模型。本发明的配电物联网的边缘侧智能决策系统将改进型BP神经网络与边缘导向的配电物联网云边协同相结合,加强云、边之间的数据融合,从而实现配电网边缘侧的智能决策。
Description
技术领域
本发明涉及配电物联网领域,具体涉及一种配电物联网的边缘侧智能决策系统。
背景技术
对于配电网需求侧管理提出了更高的要求,节能减排,改善用户的用电行为和用电目标成为配电网未来的发展方向。
但随着配电物联网规模的扩大,数以百万计的配电设备、传感器接入到配电物联网中,从而产生的海量多元异构数据,若完全依赖于云计算平台,不仅会占用大量的网络带宽,同时给电力数据存储和计算处理工作带来很大的麻烦。此外,越来越多的场景需要高速响应的计算服务,而云计算平台与物理设备的松耦合使得云计算存在时延和抖动。
因此目前边缘计算越来越广泛地应用于配电物联网。边缘计算节点就地完成数据采集、数据处理和故障分析,并对出现的故障进行快速处理,把处理后的结果上送到云平台,满足了配电网的实时性需求。此外,传统的配电物联网云端计算的集中式结构网络通道被大量的采样数据等非关键信息占用,可能导致需求侧偏低的通道带宽受限,不能及时接收到调度指令。因此,边缘计算技术在需求侧负荷管理方面也存在着优势。
但目前基于边缘计算架构的配电网智能化程度不够,逐渐无法满足智能电网的需求,且边、云之间的数据融合还可进一步优化,以便充分发挥边、云两端各自的特点。同时,目前配电网边缘计算几乎没有涉及对配电网负荷可调节潜力的挖掘以改善用户侧用电行为等方面。
发明内容
本发明的目的在于提供一种配电物联网的边缘侧智能决策系统,以提高边缘计算节点的智能化水平,实现配电网合理高效运行。
为了实现上述目的,本发明提供一种配电物联网的边缘侧智能决策系统,包括:数据输入模块,其包括与一5G通信模块相连的多个数据采集模块和一个云端模块;所述云端模块位于配电网的云端,其设置为训练得到初始模型,所述初始模型包括初始故障定位模型和初始负荷预测模型;系统决策模块,其位于配电网中的边缘节点处,包括与所述5G通信模块相连的故障定位模块和负荷预测模块,以及与所述故障定位模块和负荷预测模块均相连的决策输出模块;故障定位模块和负荷预测模块分别设置为下载所述初始故障定位模型和初始负荷预测模型。
所述故障定位模块设置为下载来自所述初始故障定位模型作为当前的故障定位模型,实时地利用当前的保护设备动作信息和当前的故障定位模型来在保护设备发生动作时确定故障位置信息,并在确定故障位置信息的过程中对当前的故障定位模型进行后续训练,以不断更新当前的故障定位模型;所述负荷预测模块设置为下载所述初始负荷预测模型作为当前的负荷预测模型;利用最近一段固定预测时间的运行负荷和气象数据和当前的负荷预测模型来确定未来一段固定预测时间的负荷预测结果,同时在确定负荷预测结果的过程中对当前的负荷预测模型进行后续训练,以不断更新当前的负荷预测模型。
所述当前的负荷预测模型的输入参数为最近一段固定预测时间的配电网的每小时的负荷数据、配电网当日最高气温、最低气温和平均气温,输出参数为未来一段固定预测时间的负荷预测结果。
所述故障定位模块设置为利用改进型BP神经网络算法对当前的故障定位模型进行后续训练,且所述负荷预测模块设置为采用改进型BP神经网络对当前的负荷预测模型进行后续训练。
所述决策输出模块设置为接收来自故障定位模块和负荷预测模块的输出结果,并根据输出结果发送相应的决策信息给配电网监控中心、用户侧和供给侧中的至少一个;故障定位模块和负荷预测模块的输出结果分别是故障定位信息和负荷预测结果。
所述决策输出模块设置为:
若收到来自故障定位模块的输出的故障定位信息,则将故障定位信息发送给监控中心,以通知工作人员进行线下抢修;
若收到来自负荷预测模块输出的负荷预测结果,则根据负荷预测结果中预测的配电网用电峰值和用电低谷时段做出以下行为:
在所预测用电峰值即将到来前发送信息给配电网用户,通知其用电峰值即将到来、电价将升高、建议减少用电量,同时发送信息给配电网供给侧,通知其加大对于该配电网的发电量;在所预测用电低谷即将到来前,发送信息给配电网用户,通知其用电低谷即将到来、电价将降低,建议增加用电量,同时发送信息给配电网供给侧,通知其减少对于该配电网的发电量。
所述系统决策模块还包括与所述5G通信模块、故障定位模块、负荷预测模块和决策输出模块均相连的数据存储模块,所述数据存储模块设置为记录故障定位模块、负荷预测模块和决策输出模块的输出结果,并在云端调用这些输出结果时,将这些输出结果传送给云端。
不同的数据采集模块分别设置于配电网的不同层级和不同位置,且不同的数据采集模块的类型不同;数据采集模块的类型包括电压传感器、电流传感器、功率传感器、温度传感器、保护设备、运行负荷传感器和气象数据传感器。
所述云端模块设置为:以采样数据中的保护设备动作信息作为初始故障定位模型的样本数据,以采样数据中的运行负荷和气象数据作为初始负荷预测模型的样本数据,分别进行机器学习训练,得到初始故障定位模型和初始负荷预测模型。
所述云端模块设置为执行如下步骤来得到初始故障定位模型:
S1:对配电网在过流故障时的采样数据中的保护设备动作信息进行预处理,以生成初始故障定位模型的样本数据;
S2:确定初始故障定位模型所采用的BP神经网络的拓扑结构;
S3:对初始故障定位模型所采用的BP神经网络进行权重和阈值设置及初始化;
S4:根据初始故障定位模型的样本数据构建训练数据集、测试数据集,利用训练数据集训练所述初始故障定位模型,并利用测试数据集验证所述初始故障定位模型;
所述云端模块设置为执行如下步骤来得到初始负荷预测模型:
S1’:对配电网的最近一段固定采样时长的采样数据中的运行负荷和气象数据进行预处理,以生成初始负荷预测模型的样本数据;
S2’:确定初始负荷预测模型所采用的BP神经网络的拓扑结构,即,确定BP神经网络的隐含层、输入层和输出层的参数;
S3’:对初始负荷预测模型所采用的BP神经网络进行权重和阈值设置及初始化;
S4’:根据初始负荷预测模型的样本数据构建训练数据集、测试数据集,利用训练数据集训练所述初始负荷预测模型,并利用测试数据集验证所述初始负荷预测模型。
本发明的配电物联网的边缘侧智能决策系统将改进型BP神经网络与边缘导向的配电物联网云边协同相结合,加强云、边之间的数据融合,从而实现配电网边缘侧的智能决策,克服目前基于边缘计算架构的配电物联网的智能化水平不足的局限性,提高边缘计算节点的智能化水平,实现配电网合理高效运行。
附图说明
图1本发明的配电物联网的边缘侧智能决策系统的系统结构图。
具体实施方式
以下结合具体实施例,对本发明做进一步说明。应理解,以下实施例仅用于说明本发明而非用于限制本发明的范围。
如图1所示为本发明的配电物联网的边缘侧智能决策系统,其用于克服目前基于边缘计算架构的配电物联网的局限性,提高边缘计算节点的智能化水平,实现配电网合理高效运行。如图1所示,所述配电物联网的边缘侧智能决策系统包括通过5G通信模块20彼此连接的数据输入模块10和系统决策模块30。其中,数据输入模块10包括与5G通信模块20相连的多个数据采集模块11和一个云端模块12。
数据采集模块11均为传统的采集传感器,不同的数据采集模块11分别设置于配电网的不同层级和不同位置,且不同的数据采集模块11的类型不同,从而分别用于实时获取配电网的各个位置处所采集的各种类型的采样数据。数据采集模块11的类型包括电压传感器、电流传感器、功率传感器、温度传感器、保护设备、运行负荷传感器和气象数据传感器(这些传感器均为实现本发明所须有的传感器),从而使得采样数据的类型包括电压、电流、阻抗、功率、温度、保护设备动作信息、运行负荷和气象数据。
云端模块12位于配电网的云端,其设置为训练得到初始模型。其中,所述初始模型包括初始故障定位模型和初始负荷预测模型,因此,云端模块 12设置为:以采样数据中的保护设备动作信息作为初始故障定位模型的样本数据,以采样数据中的运行负荷和气象数据作为初始负荷预测模型的样本数据,分别进行机器学习训练,得到初始故障定位模型和初始负荷预测模型。
这是由于云端模块12具有更强大的计算、存储能力,而边缘节点一般为搭载智能芯片的嵌入式系统,计算、存储资源有限,因此需要云端模块12 来承担计算量较大的计算。
所述云端模块12具体设置为执行如下步骤来得到初始故障定位模型:
步骤S1:对配电网在过流故障时的采样数据(包括电压、电流、阻抗、功率、温度、保护设备动作信息、运行负荷和气象数据)中的保护设备动作信息进行预处理,以生成初始故障定位模型的样本数据;
由此,经过预处理的保护设备动作信息为初始故障定位模型的样本数据。在本实施例中,初始故障定位模型的样本数据除了包括作为初始故障定位模型的输入参数的经过预处理的保护设备动作信息,还包括作为初始故障定位模型的输出参数的故障位置信息,通过配电网过流故障时的历史数据来得到。其中,对保护设备动作信息进行预处理”,具体是指指对保护设备动作信息进行量化,若设备动作当作1进行处理,没用动作当作0进行处理。
步骤S2:确定初始故障定位模型所采用的BP神经网络的拓扑结构,即,确定BP神经网络的隐含层、输入层和输出层的参数;
BP神经网络的隐含层、输入层和输出层的参数包括:确定输入层和输出层的节点数,隐含层的层数、隐含层的节点数。
步骤S3:对初始故障定位模型所采用的BP神经网络进行权重和阈值设置及初始化。
这里的初始化是指对权值和阈值的初始化,即选取权值和阈值的初始值。
步骤S4:根据初始故障定位模型的样本数据构建训练数据集、测试数据集,利用训练数据集训练所述初始故障定位模型,并利用测试数据集验证所述初始故障定位模型。
所述云端模块12设置为执行如下步骤来得到初始负荷预测模型:
步骤S1’:对配电网的最近一段固定采样时长的采样数据中的运行负荷和气象数据进行预处理,以生成初始负荷预测模型的样本数据。
由此,经过预处理的运行负荷和气象数据为初始负荷预测模型的样本数据。运行负荷和气象数据包括:配电网每一段负荷采样间隔的负荷数据、配电网每一段气象采样间隔内的最高气温、最低气温和平均气温。
在本实施例中,所述固定采样时长为一个月,负荷采样间隔为一个小时,气象采样间隔为一天。
在本实施例中,初始负荷预测模型的样本数据是通过获取配电网的最近一个月的运行负荷和气象数据,并进行预处理以剔除杂质来得到的。其中,杂质是指信息采集时,因各种原因而使采集数据与真实数据误差比较大的那些数据。
步骤S2’:确定初始负荷预测模型所采用的BP神经网络的拓扑结构,即,确定BP神经网络的隐含层、输入层和输出层的参数;
步骤S3’:对初始负荷预测模型所采用的BP神经网络进行权重和阈值设置及初始化。
步骤S4’:根据初始负荷预测模型的样本数据构建训练数据集、测试数据集,利用训练数据集训练所述初始负荷预测模型,并利用测试数据集验证所述初始负荷预测模型。
云端模块12还设置为通过5G通信模块20将初始模型(包括初始故障定位模型和初始负荷预测模型)提供给系统决策模块30,从而实现云、边协同,加强云、边之间的数据融合。
5G通信模块20设置为将各个数据采集模块11采集的采样数据发送给云端模块12和系统决策模块30,将云端模块12训练好的初始模型发送给系统决策模块30。由此,通过5G通信模块20实现了数据输入模块10的数据采集模块11和云端模块12、数据输入模块10和云端模块12之间的数据交互。
系统决策模块30为系统的决策模块,其数量为多个,分别位于配电网中的边缘节点处,其设置为根据初始模型和采样数据进行智能决策。
系统决策模块30包括与所述5G通信模块20相连的故障定位模块31 和负荷预测模块32,与所述故障定位模块31和负荷预测模块32均相连的决策输出模块33,以及与所述5G通信模块20、故障定位模块31、负荷预测模块32和决策输出模块33均相连的数据存储模块34。
故障定位模块31设置为执行:
步骤A1:下载来自云端模块12的初始故障定位模型作为当前的故障定位模型;
步骤A2:实时地利用当前的保护设备动作信息和当前的故障定位模型来在保护设备发生动作时确定故障位置信息,并在确定故障位置信息的过程中(即执行计算任务过程中)利用现有的改进型BP神经网络对当前的故障定位模型进行后续训练,以不断更新当前的故障定位模型,从而不断完善神经网络拓扑,提高预测精度。
其中,当前的故障定位模型的输入参数为保护设备动作信息,输出参数为故障位置信息。
改进型BP神经网络针对传统BP神经网络容易陷入局部最小值和收敛效果不佳的问题,通过优化其初始权值和阈值来改善,适合用于边缘节点中对模型训练,提高模型运行效率(具体参见【隋惠惠.基于BP神经网络的短期电力负荷预测的研究[D].哈尔滨工业大学,2015】)。
所述负荷预测模块32设置为执行如下步骤:
步骤B1:下载来自云端模块12的初始负荷预测模型作为当前的负荷预测模型;
步骤B2:利用最近一段固定预测时间的运行负荷和气象数据和当前的负荷预测模型来确定未来一段固定预测时间的负荷预测结果,同时在确定负荷预测结果的过程中(即执行计算任务过程中)采用改进型BP神经网络算法对当前的负荷预测模型进行后续训练,以不断更新当前的负荷预测模型,从而不断完善神经网络拓扑,提高预测精度。
其中,当前的负荷预测模型的输入参数为最近一段固定预测时间(即过去24小时)的配电网的每小时的负荷数据、配电网当日最高气温、最低气温、平均气温,输出参数为未来一段固定预测时间的负荷预测结果(在本实施例中,为未来24小时每小时的负荷预测结果),即可预测到配电网当日用电峰值和用电低谷。
决策输出模块33设置为接收来自故障定位模块31和负荷预测模块32 的输出结果,并根据输出结果发送相应的决策信息给配电网监控中心、用户侧和供给侧中的至少一个。
其中,故障定位模块31和负荷预测模块32的输出结果分别是故障定位信息和负荷预测结果,决策信息也就是决策输出模块33的输出结果。
决策输出模块33具体设置为:若收到来自故障定位模块31的输出的故障定位信息,则将故障定位信息发送给监控中心,以通知工作人员进行线下抢修。
若收到来自负荷预测模块32输出的负荷预测结果,则根据负荷预测结果中预测的配电网用电峰值和用电低谷时段做出以下行为:在所预测用电峰值即将到来前发送信息给配电网用户,通知其用电峰值即将到来、电价将升高,建议减少不必要的用电量,同时发送信息给配电网供给侧,通知其加大对于该配电网的发电量;在所预测用电低谷即将到来前,发送信息给配电网用户,通知其用电低谷即将到来、电价将降低,建议适时增加必要的用电量,同时发送信息给配电网供给侧,通知其减少对于该配电网的发电量。本发明的配电物联网的边缘侧智能决策系统以此引导和激励电力用户挖掘负荷可调节潜力,改善用电行为。“削峰填谷”,实现了配电网的合理运行。
数据存储模块34设置为记录故障定位模块31、负荷预测模块32和决策输出模块33的输出结果,并在云端需要调用这些输出结果时,将这些输出结果传送给云端。
由此,本发明涉及的配电网边缘侧智能决策系统将BP神经网络算法与边缘导向的配电物联网云边协同相结合,首先在云端系统以配电网过流故障历史数据和历史负荷运行数据为样本数据进行BP神经网络模型训练,得到初始故障定位模型和初始负荷预测模型并提供给边缘侧。边缘侧通过输入采集的数据,进行智能决策。同时,在边缘节点处使用改进型BP神经网络进行初始模型的后续优化。该系统了实现配电网边缘侧的智能决策,改善配电物联网的边缘计算架构。同时,加强了云,边之间的数据融合。
综上,本发明的配电物联网的边缘侧智能决策系统将改进型BP神经网络与边缘导向的配电物联网云边协同相结合,加强云、边之间的数据融合,从而实现配电网边缘侧的智能决策,克服目前基于边缘计算架构的配电物联网的智能化水平不足的局限性,提高边缘计算节点的智能化水平,实现配电网合理高效运行。
以上所述的,仅为本发明的较佳实施例,并非用以限定本发明的范围,本发明的上述实施例还可以做出各种变化。凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰,皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。
Claims (10)
1.一种配电物联网的边缘侧智能决策系统,其特征在于,包括:
数据输入模块(10),其包括与一5G通信模块(20)相连的多个数据采集模块(11)和一个云端模块(12);所述云端模块(12)位于配电网的云端,其设置为训练得到初始模型,所述初始模型包括初始故障定位模型和初始负荷预测模型;
系统决策模块(30),其位于配电网中的边缘节点处,包括与所述5G通信模块(20)相连的故障定位模块(31)和负荷预测模块(32),以及与所述故障定位模块(31)和负荷预测模块(32)均相连的决策输出模块(33);故障定位模块(31)和负荷预测模块(32)分别设置为下载所述初始故障定位模型和初始负荷预测模型。
2.根据权利要求1所述的配电物联网的边缘侧智能决策系统,其特征在于,所述故障定位模块(31)设置为下载来自所述初始故障定位模型作为当前的故障定位模型,实时地利用当前的保护设备动作信息和当前的故障定位模型来在保护设备发生动作时确定故障位置信息,并在确定故障位置信息的过程中对当前的故障定位模型进行后续训练,以不断更新当前的故障定位模型;
所述负荷预测模块(32)设置为下载所述初始负荷预测模型作为当前的负荷预测模型;利用最近一段固定预测时间的运行负荷和气象数据和当前的负荷预测模型来确定未来一段固定预测时间的负荷预测结果,同时在确定负荷预测结果的过程中对当前的负荷预测模型进行后续训练,以不断更新当前的负荷预测模型。
3.根据权利要求2所述的配电物联网的边缘侧智能决策系统,其特征在于,所述当前的负荷预测模型的输入参数为最近一段固定预测时间的配电网的每小时的负荷数据、配电网当日最高气温、最低气温和平均气温,输出参数为未来一段固定预测时间的负荷预测结果。
4.根据权利要求2所述的配电物联网的边缘侧智能决策系统,其特征在于,所述故障定位模块(31)设置为利用改进型BP神经网络算法对当前的故障定位模型进行后续训练,且所述负荷预测模块(32)设置为采用改进型BP神经网络算法对当前的负荷预测模型进行后续训练。
5.根据权利要求1所述的配电物联网的边缘侧智能决策系统,其特征在于,所述决策输出模块(33)设置为接收来自故障定位模块(31)和负荷预测模块(32)的输出结果,并根据输出结果发送相应的决策信息给配电网监控中心、用户侧和供给侧中的至少一个;故障定位模块(31)和负荷预测模块(32)的输出结果分别是故障定位信息和负荷预测结果。
6.根据权利要求5所述的配电物联网的边缘侧智能决策系统,其特征在于,所述决策输出模块(33)设置为:
若收到来自故障定位模块(31)的输出的故障定位信息,则将故障定位信息发送给监控中心,以通知工作人员进行线下抢修;
若收到来自负荷预测模块(32)输出的负荷预测结果,则根据负荷预测结果中预测的配电网用电峰值和用电低谷时段做出以下行为:
在所预测用电峰值即将到来前发送信息给配电网用户,通知其用电峰值即将到来、电价将升高、建议减少用电量,同时发送信息给配电网供给侧,通知其加大对于该配电网的发电量;在所预测用电低谷即将到来前,发送信息给配电网用户,通知其用电低谷即将到来、电价将降低,建议增加用电量,同时发送信息给配电网供给侧,通知其减少对于该配电网的发电量。
7.根据权利要求5所述的配电物联网的边缘侧智能决策系统,其特征在于,所述系统决策模块(30)还包括与所述5G通信模块(20)、故障定位模块(31)、负荷预测模块(32)和决策输出模块(33)均相连的数据存储模块(34),所述数据存储模块(34)设置为记录故障定位模块(31)、负荷预测模块(32)和决策输出模块(33)的输出结果,并在云端调用这些输出结果时,将这些输出结果传送给云端。
8.根据权利要求1所述的配电物联网的边缘侧智能决策系统,其特征在于,不同的数据采集模块(11)分别设置于配电网的不同层级和不同位置,且不同的数据采集模块(11)的类型不同;数据采集模块(11)的类型包括电压传感器、电流传感器、功率传感器、温度传感器、保护设备、运行负荷传感器和气象数据传感器。
9.根据权利要求1所述的配电物联网的边缘侧智能决策系统,其特征在于,所述云端模块(12)设置为:以采样数据中的保护设备动作信息作为初始故障定位模型的样本数据,以采样数据中的运行负荷和气象数据作为初始负荷预测模型的样本数据,分别进行机器学习训练,得到初始故障定位模型和初始负荷预测模型。
10.根据权利要求9所述的配电物联网的边缘侧智能决策系统,其特征在于,所述云端模块(12)设置为执行如下步骤来得到初始故障定位模型:
步骤S1:对配电网在过流故障时的采样数据中的保护设备动作信息进行预处理,以生成初始故障定位模型的样本数据;
步骤S2:确定初始故障定位模型所采用的BP神经网络的拓扑结构;
步骤S3:对初始故障定位模型所采用的BP神经网络进行权重和阈值设置及初始化;
步骤S4:根据初始故障定位模型的样本数据构建训练数据集、测试数据集,利用训练数据集训练所述初始故障定位模型,并利用测试数据集验证所述初始故障定位模型;
所述云端模块(12)设置为执行如下步骤来得到初始负荷预测模型:
步骤S1’:对配电网的最近一段固定采样时长的采样数据中的运行负荷和气象数据进行预处理,以生成初始负荷预测模型的样本数据;
步骤S2’:确定初始负荷预测模型所采用的BP神经网络的拓扑结构,即,确定BP神经网络的隐含层、输入层和输出层的参数;
步骤S3’:对初始负荷预测模型所采用的BP神经网络进行权重和阈值设置及初始化;
步骤S4’:根据初始负荷预测模型的样本数据构建训练数据集、测试数据集,利用训练数据集训练所述初始负荷预测模型,并利用测试数据集验证所述初始负荷预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210066859.7A CN114492975A (zh) | 2022-01-20 | 2022-01-20 | 一种配电物联网的边缘侧智能决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210066859.7A CN114492975A (zh) | 2022-01-20 | 2022-01-20 | 一种配电物联网的边缘侧智能决策系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114492975A true CN114492975A (zh) | 2022-05-13 |
Family
ID=81472673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210066859.7A Pending CN114492975A (zh) | 2022-01-20 | 2022-01-20 | 一种配电物联网的边缘侧智能决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492975A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116827764A (zh) * | 2023-08-23 | 2023-09-29 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及系统 |
-
2022
- 2022-01-20 CN CN202210066859.7A patent/CN114492975A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116827764A (zh) * | 2023-08-23 | 2023-09-29 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及系统 |
CN116827764B (zh) * | 2023-08-23 | 2023-11-03 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111722540A (zh) | 一种能源互联网数字孪生仿真系统及方法 | |
CN104218620A (zh) | 基于伪序贯蒙特卡洛模拟的主动配电网可靠性分析方法 | |
CN110224427B (zh) | 一种基于微电网能量控制策略的信息物理系统建模方法 | |
CN102316496A (zh) | 无线传感器网络中基于卡尔曼滤波的数据融合方法 | |
CN116544983B (zh) | 风光发电储能系统及其优化配置方法 | |
CN113569411A (zh) | 一种面向灾害天气的电网运行风险态势感知方法 | |
CN114492975A (zh) | 一种配电物联网的边缘侧智能决策系统 | |
CN116739360A (zh) | 基于区块链的分布式风光储智慧能量管理系统 | |
CN115314343A (zh) | 一种源荷储资源聚合控制网关装置及负荷和出力预测方法 | |
CN108767987A (zh) | 一种配电网及其微电网保护与控制系统 | |
CN105471107B (zh) | 一种电网电能量计量系统的分时任务采集方法 | |
CN211480995U (zh) | 分布式资源聚合装置及系统 | |
CN110994613B (zh) | 一种电厂负荷调度系统及其调度方法 | |
CN102156408B (zh) | 一种动态自适应演化最大功率点跟踪控制系统及方法 | |
CN105207255B (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
CN110991519A (zh) | 一种智能开关状态分析调整方法及系统 | |
CN103530508A (zh) | 一种建立风速功率转换概率模型的方法 | |
CN116435989A (zh) | 新型电力系统设备物联状态预测方法、装置及系统 | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
CN106447062A (zh) | 一种面向复杂配电网的在线优化仿真系统 | |
CN117914001B (zh) | 电力系统、故障研判方法、装置、设备及介质 | |
CN116404745B (zh) | 基于大数据的配电网智能调控辅助决策系统及方法 | |
CN108448572A (zh) | 一种短期微电网负荷区间概率预测方法 | |
CN104809528B (zh) | 基于Mycielski方法与Markov链的超短期风电功率预测方法 | |
CN117575308B (zh) | 分布式配电网的风险评估方法、装置、设备及存储介质 |
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 |