CN114548845A - 一种配网管理方法、装置及系统 - Google Patents

一种配网管理方法、装置及系统 Download PDF

Info

Publication number
CN114548845A
CN114548845A CN202210450479.3A CN202210450479A CN114548845A CN 114548845 A CN114548845 A CN 114548845A CN 202210450479 A CN202210450479 A CN 202210450479A CN 114548845 A CN114548845 A CN 114548845A
Authority
CN
China
Prior art keywords
data
power data
subsequence
distribution network
network management
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210450479.3A
Other languages
English (en)
Other versions
CN114548845B (zh
Inventor
霍超
郑利斌
甄岩
白晖峰
陈文彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Smartchip Microelectronics Technology Co Ltd
Original Assignee
Beijing Smartchip Microelectronics Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Smartchip Microelectronics Technology Co Ltd filed Critical Beijing Smartchip Microelectronics Technology Co Ltd
Priority to CN202210450479.3A priority Critical patent/CN114548845B/zh
Publication of CN114548845A publication Critical patent/CN114548845A/zh
Application granted granted Critical
Publication of CN114548845B publication Critical patent/CN114548845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (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

本发明实施例提供一种配网管理方法、装置及系统，该方法包括：获取电力数据，所述电力数据包括台区负荷数据和可开发容量数据；对所述电力数据进行预处理及变分模态分解得到第一子序列组；根据XGBoost算法筛选所述第一子序列组得到第二子序列组；将所述第二子序列组带入支持向量机得到预测结果。该方法通过对电力数据的智能分析，实现了对配网管理的辅助决策。

Description

一种配网管理方法、装置及系统
技术领域
本发明涉及物联网领域，具体地涉及一种配网管理方法、装置及系统。
背景技术
数字孪生是以多维模型和融合数据为驱动，通过实时连接、映射、分析、交互来刻画、仿真、预测、优化和控制物理世界，使物理系统的全要素、全过程、全价值链达到最大限度的优化。数字孪生与各产业的深化融合能够有力推动各产业数字化、网络化、智能化发展进程，成为了产业变革的强大助力，应用发展前景广阔。
在配电网领域，随着台区智能融合终端的规模化推广和部署，台区侧、设备侧逐渐完成“数化”，为配电网数字孪生系统的建设提供了数字化基础。通过端侧传感器采集了台区大量的电气量及非电气量等结构化数据，基于融合终端采集APP收集数据，开展边侧智能分析功能，并将分析结果上送数字孪生平台统一展示和提供告警提示等。在宏观层面上，构建配电全网的全景感知孪生体，实现潮流趋势预测、线路运行状态评估，支撑配网规划辅助决策。
现有的电力数字孪生系统尚处于起步阶段，已经开展较多的为变电站数字孪生系统试点建设。虽然配电台区智能终端进行了大量部署，但是未实现数据间的融合贯通和直观展示，台区及配电全网的数据价值未得到充分的挖掘，亟需运用数字孪生等新的技术手段、以数字化智能化重新定义配电网。
发明内容
本发明实施例的目的是提供一种配网管理方法、装置及系统，该方法通过对电力数据的智能分析，实现了对配网管理的辅助决策。
为了实现上述目的，本发明实施例提供一种配网管理方法，该方法包括：获取电力数据，所述电力数据包括台区负荷数据和可开发容量数据；对所述电力数据进行预处理及变分模态分解得到第一子序列组；根据XGBoost算法筛选所述第一子序列组得到第二子序列组；将所述第二子序列组带入支持向量机得到预测结果。
可选的，所述对所述电力数据进行预处理包括：所述电力数据为多组电力数据帧；如果某一电力数据帧的缺失值小于数据阈值，则补全该电力数据帧；如果某一电力数据帧的缺失值不小于数据阈值，则删除该电力数据帧。
可选的，所述变分模态分解为将所述电力数据分解为k个子序列
Figure 227355DEST_PATH_IMAGE001
：
Figure 484024DEST_PATH_IMAGE002
其中，所述
Figure DEST_PATH_IMAGE003
为t时间的电力数据，
Figure 730329DEST_PATH_IMAGE004
为t时间的子序列。
可选的，所述第一子序列组和第二子序列组均包括众数分量、小节分量和即刻分量；所述众数分量为变化平缓且平均幅值最大的数据；所述小节分量为中频变化数据；所述即刻分量为平均幅值最小的数据。
可选的，所述根据XGBoost算法筛选所述第一子序列组得到第二子序列组包括：
Figure DEST_PATH_IMAGE005
其中，
Figure 224370DEST_PATH_IMAGE006
为所述第二子序列组，
Figure DEST_PATH_IMAGE007
为关键影响因子。
可选的，所述将所述第二子序列组带入支持向量机得到预测结果包括：优化所述支持向量机以确定优化权重，根据所述优化权重确定所述预测结果，如果所述优化权重大于权重阈值，则所述第二子序列组为所述预测结果。
可选的，所述优化所述支持向量机以确定优化权重包括：
Figure 657757DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为所述优化权重，
Figure 921379DEST_PATH_IMAGE010
为模型误差，
Figure 553349DEST_PATH_IMAGE006
为第二子序列组，
Figure DEST_PATH_IMAGE011
为
Figure 218292DEST_PATH_IMAGE010
序列标准差的鲁棒估计，C1 ，C2均为权重函数分段边界参数。
另一方面，本发明提供一种配网管理装置，其特征在于，该装置包括：采集装置，用于采集电力数据，所述电力数据包括台区负荷数据和可开发容量数据；预处理装置，用于对所述电力数据进行预处理及变分模态分解得到第一子序列组；筛选装置，用于根据XGBoost算法筛选所述第一子序列组得到第二子序列组；预测装置，用于将所述第二子序列组带入支持向量机得到预测结果。
可选的，所述预处理装置还用于：所述电力数据为多组电力数据帧；如果某一电力数据帧的缺失值小于数据阈值，则补全该电力数据帧；如果某一电力数据帧的缺失值不小于数据阈值，则删除该电电力数据帧。
可选的，所述预处理装置还用于：所述变分模态分解为将所述电力数据分解为k个子序列
Figure 466871DEST_PATH_IMAGE012
：
Figure DEST_PATH_IMAGE013
其中，所述
Figure 3025DEST_PATH_IMAGE003
为t时间的电力数据，
Figure 755081DEST_PATH_IMAGE014
为t时间的子序列。
可选的，所述第一子序列组和第二子序列组均包括众数分量、小节分量和即刻分量；所述众数分量为变化平缓且平均幅值最大的数据；所述小节分量为中频变化数据；所述即刻分量为平均幅值最小的数据。
可选的，所述根据XGBoost算法筛选所述第一子序列组得到第二子序列组包括：
Figure 921751DEST_PATH_IMAGE005
其中，
Figure 654696DEST_PATH_IMAGE006
为所述第二子序列组，
Figure DEST_PATH_IMAGE015
为关键影响因子。
可选的，优化所述支持向量机确定所述优化权重，根据所述优化权重确定所述预测结果，如果所述优化权重不小于权重阈值，则所述第二子序列组为所述预测结果。
可选的，所述优化所述支持向量机确定所述优化权重，包括
Figure 728962DEST_PATH_IMAGE008
其中，
Figure 476470DEST_PATH_IMAGE009
为所述优化权重，
Figure 673096DEST_PATH_IMAGE010
为模型误差，
Figure 365108DEST_PATH_IMAGE006
为第二子序列组，
Figure 570962DEST_PATH_IMAGE016
为
Figure 318117DEST_PATH_IMAGE010
序列标准差的鲁棒估计，C1 ，C2均为权重函数分段边界参数。
另一方面，本发明提供一种配网管理系统，该系统包括上述所述的配网管理装置、主站及及终端设备，所述配网管理装置用于获取所述终端设备的电力数据并获得预测结果；所述主站根据所述预测结果确定配网方式。
通过上述技术方案，本发明提供了一种配网管理方法，该方法包括：获取电力数据，所述电力数据包括台区负荷数据和可开发容量数据；对所述电力数据进行预处理及变分模态分解得到第一子序列组；根据XGBoost算法筛选所述第一子序列组得到第二子序列组；将所述第二子序列组带入支持向量机得到预测结果。该方法通过获取电力数据以及预测模型，对配网的配置规划方案进行推演，形成最优方案，完成对配网管理辅助决策。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明的一种配网管理方法的示意图；
图2是本发明的一种配网管理方法的数据流转示意图；
图3是本发明的一种配网管理方法的算法示意图；
图4是本发明的数据预处理流程图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1是本发明的一种配网管理方法的示意图，如图1所示，步骤1为获取电力数据，所述电力数据包括台区负荷数据和可开发容量数据，结合图2所示，所述电力数据具体可以包括台区负荷数据、光伏接入数据及电动汽车充放电数据，所述电力数据通过人工智能获取的大数据。步骤2为对所述电力数据进行预处理及变分模态分解得到第一子序列组。所述对所述电力数据进行预处理包括：所述电力数据为多组电力数据帧；如果一个电力数据帧的缺失值小于数据阈值，则补全所述电力数据帧，其补全的数据为根据所述电力数据帧确定；如果一个电力数据帧的缺失值不小于数据阈值，则删除所述电力数据帧，剩余的电力数据帧作为处理后的电力数据。所述数据阈值为最小允许缺失的数据帧数。按照一种优选的实施方式，如图4所示，数据输入后统计数据的日缺失值，如果所述日缺失值小于10%（数据阈值）时，则采用差值法补全，具体可以采用拉格朗日插值法或分段差值法；如果所述日缺失值大于或等于10%，则舍弃该数据；对其数据进行筛选后进行数据输出。数据预处理是对采集数据的异常缺失进行弥补处理，该方法有效的提高了数据的利用率。
所述变分模态分解为将所述电力数据分解为k个子序列
Figure DEST_PATH_IMAGE017
：
Figure 498694DEST_PATH_IMAGE013
其中，所述
Figure 678002DEST_PATH_IMAGE003
为t时间的电力数据，
Figure 156388DEST_PATH_IMAGE004
为t时间的子序列。变分模态分解算法（VMD）能够对原始非平稳信号S分解为k个具有不同中心频率和带宽的相对平稳的子序列
Figure 737542DEST_PATH_IMAGE018
，每个子序列能够反映原始信号在不同时间尺度下的结构特征。变分模态分解算法（VMD）将数据分解为多个特征不一的IMF(分量)。
变分模态分解算法（VMD）能根据实际需要设置分解后信号分量个数，易于与神经网络方法相结合，本发明对筛选后数据通过变分模态分解算法进行分解时选取的个数为3个，分别为众数分量
Figure DEST_PATH_IMAGE019
、小节分量
Figure 476304DEST_PATH_IMAGE020
及即刻分量
Figure DEST_PATH_IMAGE021
，所述众数分量为变化平缓且平均幅值最大的数据；所述小节分量为中频变化数据；所述即刻分量为平均幅值最小的数据。具体的，具有周期性的众数分量
Figure 80591DEST_PATH_IMAGE019
和小节分量
Figure 503614DEST_PATH_IMAGE022
的规律明显，众数分量
Figure 204853DEST_PATH_IMAGE019
变化平缓且平均幅值最大，反应原始数据的最主要趋势及特性，变化周期一般为24h；小节分量
Figure DEST_PATH_IMAGE023
为中频变化数据，变化周期约为12h；即刻分量
Figure 117446DEST_PATH_IMAGE021
中波形变化规律弱，波动具有较强随机性，且平均幅值相对较低，一般为天气等因素变化导致的短时间内负荷发生相应变化。
步骤3为根据XGBoost算法（极端梯度提升算法）筛选所述第一子序列组得到第二子序列组。不同类型的原始电力数据的波动与主要影响因子的变化有关。本发明构建联合影响因子选择算法（Joint Influence Factor Selection，JIFS），使用的基于决策树的XGBoost算法分析不同影响因子的负荷预测的重要程度，选取电力数据关键影响因子。这个步骤是实现负荷精准预测的关键，也是降低输入数据维度和提高模型训练速度的重要保障，筛选后第二子序列组
Figure 409362DEST_PATH_IMAGE024
为：
Figure 229551DEST_PATH_IMAGE025
其中，行向量代表一个影响因子的特征数据，列向量代表某一时刻各个影响因子的特征数据，影响因子与原始采集数据类型相关，比如台区负荷数据一般与功率、季节、温度、天气等影响因素相关，则
Figure 50876DEST_PATH_IMAGE026
分别为其中的关键影响因子；电动汽车充放电数据与充电功率、出行特征、累计行驶里程等影响因素相关，则
Figure DEST_PATH_IMAGE027
分别为其中的关键影响因子。
XGBoost算法也称为极端梯度提升算法，是在梯度提升机器算法的基础上进行了扩展，实现方式是通过集成多个弱分类器以增强分类效果，通过将其损失函数进行二阶泰勒展开，能够实现对高维稀疏特征进行分布式处理。树集成模型得到终值的方法是通过持续添加新的决策树，利用残差多次迭代拟合，公式（1）所示。
Figure 868791DEST_PATH_IMAGE028
（1）
其中，
Figure 385354DEST_PATH_IMAGE029
为样本值
Figure 271883DEST_PATH_IMAGE030
和预测值
Figure 682136DEST_PATH_IMAGE031
的函数关系，F为所有分类树的集合，
Figure 733268DEST_PATH_IMAGE032
为第k棵数函数模型，S为
Figure 861761DEST_PATH_IMAGE033
相应叶节点序列所标记的映射；T为叶子节点数目；
Figure 164698DEST_PATH_IMAGE034
为叶子节点权重
Figure 429457DEST_PATH_IMAGE035
的空间，每一个独立
Figure 917070DEST_PATH_IMAGE036
映射得到一个
Figure 264350DEST_PATH_IMAGE037
，而每一个
Figure 495611DEST_PATH_IMAGE032
都有且只有一个对应的q（树结构）和
Figure 21402DEST_PATH_IMAGE038
。
算法目标函数主要包括两部分内容，一部分代表损失函数项，另一部分代表正则惩罚项，将损失函数与正则惩罚项相结合即可实现对其整体最优解的寻找，求解出的整体最优解即可满足对损失函数的下降和模型的复杂度的权衡。XGBoost目标函数具体公式如式（2）所示。
Figure 414337DEST_PATH_IMAGE039
（2）
其中，
Figure 517422DEST_PATH_IMAGE040
代表训练损失函数，用以表示预测值
Figure 286795DEST_PATH_IMAGE041
和目标值
Figure 664162DEST_PATH_IMAGE042
之间的差异；
Figure 493578DEST_PATH_IMAGE043
和
Figure 818380DEST_PATH_IMAGE044
分别为叶子数目和叶子权重的正则化参数，
Figure 125865DEST_PATH_IMAGE043
的取值用来抑制节点继续向下分裂；Ω(f)是代表模型复杂度的惩罚函数，其主要作用是用来调整模型复杂度，避免过拟合发生。将式（1）预测值
Figure 360668DEST_PATH_IMAGE041
递推展开，经过t 次迭代后，用
Figure 360985DEST_PATH_IMAGE045
表示第i 个样本点的预测值，可得到前t-1 棵树的预测值是前t-1 棵树的输出值之和
Figure 907504DEST_PATH_IMAGE046
，设
Figure 15750DEST_PATH_IMAGE047
为第t 棵树的函数，
Figure 229694DEST_PATH_IMAGE048
为第t 棵树的输出结果，
Figure 276278DEST_PATH_IMAGE049
相加，得到新的预测值，从而得到最小化损失函数L(t)，一个新的第t 棵树的目标函数：
Figure 310093DEST_PATH_IMAGE050
（3）
其中，
Figure 224960DEST_PATH_IMAGE051
和
Figure 558989DEST_PATH_IMAGE052
为损失函数一阶导数和损失函数二阶导数。
使用XGBoost算法实现预测模型输入变量选择的步骤如下：输入原始数据，进行特征参数计算，特征参数计算见公式（4）：
Figure 901109DEST_PATH_IMAGE053
（4）
Figure 294656DEST_PATH_IMAGE054
代表划分的单位相窗宽度；
Figure 13214DEST_PATH_IMAGE055
代表第i个相窗对应相位；W 代表相窗个数；
Figure 201750DEST_PATH_IMAGE056
和
Figure 714770DEST_PATH_IMAGE057
代表以相位为随机变量时，第i 个相窗内事件发生的概率、均值以及标准差；确定输入向量和输出向量，并进行集测试集划分；根据公式（1）、（2）和（3）不断迭代进行模型参数优化，完成XGBoost模型训练；输入测试样本，输出联合关键影响因子。
步骤4为将所述第二子序列组带入支持向量机得到预测结果。所述步骤包括：优化所述支持向量机以确定优化权重，根据所述优化权重确定所述预测结果，如果所述优化权重大于权重阈值，则所述第二子序列组为所述预测结果。所述优化所述支持向量机以确定优化权重包括：
Figure 598544DEST_PATH_IMAGE058
其中，
Figure 855213DEST_PATH_IMAGE059
为所述优化权重，
Figure 918763DEST_PATH_IMAGE060
为模型误差，
Figure 602685DEST_PATH_IMAGE061
为第二子序列组，
Figure 504913DEST_PATH_IMAGE062
为
Figure 299694DEST_PATH_IMAGE060
序列标准差的鲁棒估计，C1，C2均为权重函数分段边界参数。
支持向量机（SVM）是逻辑回归算法的强化，具有良好的拟合性和泛在性。其中加权最小二乘支持向量机是实际应用中高效的预测模型之一，其模型误差的加权方法为：
Figure 462822DEST_PATH_IMAGE063
（5）
其中，
Figure 458591DEST_PATH_IMAGE064
为模型误差，
Figure 173082DEST_PATH_IMAGE065
为
Figure 771553DEST_PATH_IMAGE064
序列标准差的鲁棒估计，
Figure 930133DEST_PATH_IMAGE066
为加权函数分段边界函数。
采用以上加权因子可以提高模型抗噪能力，但因为样本数量较大，无法消除离群点的影响，会影响预测精度，本发明针对电力数据特性对加权最小二乘支持向量机模型的误差加权规则进行改进，使得训练误差较大的样本权重赋零，削弱噪声样本点对模型的影响。优化后权重加权方法为：
Figure 955858DEST_PATH_IMAGE067
（6）
模型误差
Figure 426154DEST_PATH_IMAGE068
越小，权重
Figure 562737DEST_PATH_IMAGE069
越大，当误差绝对值大于
Figure 434878DEST_PATH_IMAGE070
时，这些样本点可以忽略，即优化后权重加权方法使得训练误差较大的样本权重赋零，削弱噪声样本点对模型的影响，可以有效的提升模型预测精度并降低计算量。
图3是本发明的一种配网管理方法的算法示意图，如图3所示，本发明对电力数据预处理及变分模态分解，针对分解得到的各个子序列，利用联合影响因子算法选择负荷变化关键影响因子，作为负荷预测的输入。最后使用优化支持向量机模型得到最终的分析结果。
本发明还提供一种配网管理装置，该装置包括：采集装置，用于采集电力数据，所述电力数据包括台区负荷数据和可开发容量数据；预处理装置，用于对所述电力数据进行预处理及变分模态分解得到第一子序列组；筛选装置，用于根据XGBoost算法筛选所述第一子序列组得到第二子序列组；预测装置，用于将所述第二子序列组带入支持向量机得到预测结果。
本发明还提供一种配网管理系统，该系统包括上述所述的配网管理装置、主站及及终端设备，所述配网管理装置用于获取所述终端设备的电力数据并获得预测结果；所述主站根据所述预测结果确定配网方式。
图2是本发明的一种配网管理方法的数据流转示意图，如图2所示，本发明依托云边协同的架构，基于融合终端采集的海量配网运行数据，通过人工智能、大数据及数字孪生技术，对数据进行价值挖掘。
其中，台区智能融合终端是该系统中的关键节点，基于融合终端中内嵌的AI芯片以及本发明介绍的智能分析算法实现边侧智能分析功能模块设计。具体包括：利用台区智能融合终端存储的配电台区全链路检测节点的完整运行数据及季节性用电特性，精准预测台区短期、中期以及长期客户用电需求及负载变化趋势，对台区进行分相可开放容量评估。对分布式光伏进行监测和管理内容包括：监测光伏发电量、光伏逆变器输出的电能质量，电压、谐波等;监测电力孤岛，保证检修安全；生成告警事件上报，对于严重影响电网质量的用户可通过交流接触器强制隔离并网线路。在区域电网内，综合考虑电网负荷、用户行为数据和充电设备运营数据等多数据网络的数据信息，提出最优的充电策略。
本发明的配网管理方法包括：获取电力数据，所述电力数据包括台区负荷数据和可开发容量数据；对所述电力数据进行预处理及变分模态分解得到第一子序列组；根据XGBoost算法筛选所述第一子序列组得到第二子序列组；将所述第二子序列组带入支持向量机得到预测结果。该方法通过人工智能、大数据及数字孪生技术，对数据进行价值挖掘，根据台区负荷预测以及可开放容量分析上报的结果，以及预测模型，对配网的配置规划方案进行推演，形成最优方案，完成对配网管理辅助决策。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (15)

1.一种配网管理方法，其特征在于，该方法包括：
获取电力数据，所述电力数据包括台区负荷数据和可开发容量数据；
对所述电力数据进行预处理及变分模态分解得到第一子序列组；
根据XGBoost算法筛选所述第一子序列组得到第二子序列组；
将所述第二子序列组带入支持向量机得到预测结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述电力数据进行预处理包括：
所述电力数据为多组电力数据帧；
如果某一电力数据帧的缺失值小于数据阈值，则补全该电力数据帧；
如果某一电力数据帧的缺失值不小于数据阈值，则删除该电力数据帧。
3.根据权利要求1所述的方法，其特征在于，
所述变分模态分解为将所述电力数据分解为k个子序列
Figure 101999DEST_PATH_IMAGE001
：
Figure 183088DEST_PATH_IMAGE002
其中，所述
Figure 143085DEST_PATH_IMAGE003
为t时间的电力数据，
Figure 967821DEST_PATH_IMAGE004
为t时间的子序列。
4.根据权利要求1所述的方法，其特征在于，
所述第一子序列组和第二子序列组均包括众数分量、小节分量和即刻分量；
所述众数分量为变化平缓且平均幅值最大的数据；
所述小节分量为中频变化数据；
所述即刻分量为平均幅值最小的数据。
5.根据权利要求1所述的方法，其特征在于，所述根据XGBoost算法筛选所述第一子序列组得到第二子序列组包括：
Figure 693944DEST_PATH_IMAGE005
其中，
Figure 821300DEST_PATH_IMAGE006
为所述第二子序列组，
Figure 517861DEST_PATH_IMAGE007
为关键影响因子。
6.根据权利要求1所述的方法，其特征在于，所述将所述第二子序列组带入支持向量机得到预测结果包括：
优化所述支持向量机以确定优化权重，根据所述优化权重确定所述预测结果，
如果所述优化权重大于权重阈值，则所述第二子序列组为所述预测结果。
7.根据权利要求6所述的方法，其特征在于，所述优化所述支持向量机以确定优化权重包括：
Figure 897021DEST_PATH_IMAGE008
其中，
Figure 729848DEST_PATH_IMAGE009
为所述优化权重，
Figure 169050DEST_PATH_IMAGE010
为模型误差，
Figure 352907DEST_PATH_IMAGE006
为第二子序列组，
Figure 126303DEST_PATH_IMAGE011
为
Figure 95528DEST_PATH_IMAGE010
序列标准差的鲁棒估计，
C1，C2均为权重函数分段边界参数。
8.一种配网管理装置，其特征在于，该装置包括：
采集装置，用于采集电力数据，所述电力数据包括台区负荷数据和可开发容量数据；
预处理装置，用于对所述电力数据进行预处理及变分模态分解得到第一子序列组；
筛选装置，用于根据XGBoost算法筛选所述第一子序列组得到第二子序列组；
预测装置，用于将所述第二子序列组带入支持向量机得到预测结果。
9.根据权利要求8所述的装置，其特征在于，所述预处理装置还用于：
所述电力数据为多组电力数据帧；
如果某一电力数据帧的缺失值小于数据阈值，则补全该电力数据帧；
如果某一电力数据帧的缺失值不小于数据阈值，则删除该电力数据帧。
10.根据权利要求8所述的装置，其特征在于，所述预处理装置还用于：
所述变分模态分解为将所述电力数据分解为k个子序列
Figure 689320DEST_PATH_IMAGE012
：
Figure 111205DEST_PATH_IMAGE002
其中，所述
Figure 81435DEST_PATH_IMAGE003
为t时间的电力数据，
Figure 639587DEST_PATH_IMAGE004
为t时间的子序列。
11.根据权利要求8所述的装置，其特征在于，
所述第一子序列组和第二子序列组均包括众数分量、小节分量和即刻分量；
所述众数分量为变化平缓且平均幅值最大的数据；
所述小节分量为中频变化数据；
所述即刻分量为平均幅值最小的数据。
12.根据权利要求8所述的装置，其特征在于，所述根据XGBoost算法筛选所述第一子序列组得到第二子序列组包括：
Figure 669860DEST_PATH_IMAGE005
其中，
Figure 193024DEST_PATH_IMAGE006
为所述第二子序列组，
Figure 186519DEST_PATH_IMAGE007
为关键影响因子。
13.根据权利要求8所述的装置，其特征在于，
优化所述支持向量机确定所述优化权重，根据所述优化权重确定所述预测结果，
如果所述优化权重不小于权重阈值，则所述第二子序列组为所述预测结果。
14.根据权利要求13所述的装置，其特征在于，所述优化所述支持向量机确定所述优化权重，包括
Figure 723811DEST_PATH_IMAGE008
其中，
Figure 659406DEST_PATH_IMAGE009
为所述优化权重，
Figure 790304DEST_PATH_IMAGE010
为模型误差，
Figure 836757DEST_PATH_IMAGE006
为第二子序列组，
Figure 225626DEST_PATH_IMAGE013
为
Figure 82854DEST_PATH_IMAGE010
序列标准差的鲁棒估计，
C1，C2均为权重函数分段边界参数。
15.一种配网管理系统，其特征在于，该系统包括权利要求8-14中任一项所述的配网管理装置、主站及及终端设备，
所述配网管理装置用于获取所述终端设备的电力数据并获得预测结果；
所述主站根据所述预测结果确定配网方式。
CN202210450479.3A 2022-04-27 2022-04-27 一种配网管理方法、装置及系统 Active CN114548845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210450479.3A CN114548845B (zh) 2022-04-27 2022-04-27 一种配网管理方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210450479.3A CN114548845B (zh) 2022-04-27 2022-04-27 一种配网管理方法、装置及系统

Publications (2)

Publication Number Publication Date
CN114548845A true CN114548845A (zh) 2022-05-27
CN114548845B CN114548845B (zh) 2022-07-12

Family

ID=81667316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210450479.3A Active CN114548845B (zh) 2022-04-27 2022-04-27 一种配网管理方法、装置及系统

Country Status (1)

Country Link
CN (1) CN114548845B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103558529A (zh) * 2013-11-14 2014-02-05 国家电网公司 一种三相共筒式超高压gis局部放电的模式识别方法
CN107292462A (zh) * 2017-08-25 2017-10-24 广东工业大学 一种短期负荷预测方法、装置及系统
US20180150547A1 (en) * 2016-11-30 2018-05-31 Business Objects Software Ltd. Time series analysis using a clustering based symbolic representation
CN109256207A (zh) * 2018-08-29 2019-01-22 王雁 一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法
WO2019161204A1 (en) * 2018-02-19 2019-08-22 Protabit LLC Platform for protein storage, analysis and engineering
CN110729764A (zh) * 2019-12-06 2020-01-24 国网江苏省电力有限公司南通供电分公司 一种含光伏发电系统的优化调度方法
CN111062533A (zh) * 2019-12-16 2020-04-24 国家能源集团谏壁发电厂 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法
US20200148395A1 (en) * 2018-01-26 2020-05-14 Dalian University Of Technology Method for prediction of key performance parameters of aero-engine in transition condition
CN111930802A (zh) * 2020-08-01 2020-11-13 青岛鼎信通讯股份有限公司 一种基于Lasso解析的反窃电分析方法
CN112232600A (zh) * 2020-11-17 2021-01-15 烟台海颐软件股份有限公司 一种基于变分模态分解的短期电力负荷预测方法及系统
CN112330052A (zh) * 2020-11-20 2021-02-05 广西电网有限责任公司电力科学研究院 一种配变负荷预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112417028A (zh) * 2020-11-26 2021-02-26 国电南瑞科技股份有限公司 一种风速时序特征挖掘方法及短期风电功率预测方法
CN112669173A (zh) * 2021-01-07 2021-04-16 云南电网有限责任公司电力科学研究院 一种基于多粒度特征和XGBoost模型的短期负荷预测方法
CN112990603A (zh) * 2021-04-16 2021-06-18 西安建筑科技大学 考虑频域分解后数据特征的空调冷负荷预测方法及系统
US20210203159A1 (en) * 2019-12-27 2021-07-01 North China Electric Power University Power load forecasting method in multi-energy coupling mode
CN113159361A (zh) * 2020-12-03 2021-07-23 安徽大学 基于VDM和Stacking模型融合的短期负荷预测方法及系统
CN113673788A (zh) * 2021-09-23 2021-11-19 国网天津市电力公司 基于分解误差修正和深度学习的光伏发电功率预测方法
CN113705885A (zh) * 2021-08-26 2021-11-26 南京理工大学 一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及系统

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103558529A (zh) * 2013-11-14 2014-02-05 国家电网公司 一种三相共筒式超高压gis局部放电的模式识别方法
US20180150547A1 (en) * 2016-11-30 2018-05-31 Business Objects Software Ltd. Time series analysis using a clustering based symbolic representation
CN107292462A (zh) * 2017-08-25 2017-10-24 广东工业大学 一种短期负荷预测方法、装置及系统
US20200148395A1 (en) * 2018-01-26 2020-05-14 Dalian University Of Technology Method for prediction of key performance parameters of aero-engine in transition condition
WO2019161204A1 (en) * 2018-02-19 2019-08-22 Protabit LLC Platform for protein storage, analysis and engineering
CN109256207A (zh) * 2018-08-29 2019-01-22 王雁 一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法
CN110729764A (zh) * 2019-12-06 2020-01-24 国网江苏省电力有限公司南通供电分公司 一种含光伏发电系统的优化调度方法
CN111062533A (zh) * 2019-12-16 2020-04-24 国家能源集团谏壁发电厂 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法
US20210203159A1 (en) * 2019-12-27 2021-07-01 North China Electric Power University Power load forecasting method in multi-energy coupling mode
CN111930802A (zh) * 2020-08-01 2020-11-13 青岛鼎信通讯股份有限公司 一种基于Lasso解析的反窃电分析方法
CN112232600A (zh) * 2020-11-17 2021-01-15 烟台海颐软件股份有限公司 一种基于变分模态分解的短期电力负荷预测方法及系统
CN112330052A (zh) * 2020-11-20 2021-02-05 广西电网有限责任公司电力科学研究院 一种配变负荷预测方法
CN112417028A (zh) * 2020-11-26 2021-02-26 国电南瑞科技股份有限公司 一种风速时序特征挖掘方法及短期风电功率预测方法
CN113159361A (zh) * 2020-12-03 2021-07-23 安徽大学 基于VDM和Stacking模型融合的短期负荷预测方法及系统
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112669173A (zh) * 2021-01-07 2021-04-16 云南电网有限责任公司电力科学研究院 一种基于多粒度特征和XGBoost模型的短期负荷预测方法
CN112990603A (zh) * 2021-04-16 2021-06-18 西安建筑科技大学 考虑频域分解后数据特征的空调冷负荷预测方法及系统
CN113705885A (zh) * 2021-08-26 2021-11-26 南京理工大学 一种融合VMD、XGBoost及优化TCN的配电网电压预测方法及系统
CN113673788A (zh) * 2021-09-23 2021-11-19 国网天津市电力公司 基于分解误差修正和深度学习的光伏发电功率预测方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
D. KOSCHWITZ等: "Data-driven heating and cooling load predictions for non-residential buildings based on support vector machine regression and NARX Recurrent Neural Network: A comparative study on district scale", 《ENERGY》 *
LI YUANCHEN等: "Short-term electrical load forecasting using least squares support vector machines", 《INTERNATIONAL CONFERENCE ON POWER SYSTEM TECHNOLOGY》 *
YUANYUAN WANG等: "Short-term load forecasting of industrial customers based on SVMD and XGBoost", 《INTERNATIONAL JOURNAL OF ELECTRICAL POWER AND ENERGY SYSTEMS》 *
张向荣等: "《模式识别》", 31 May 2019, 西安电子科技大学出版社 *
张苏宁等: "基于极端梯度提升的跨地区多种类电力需求预测", 《计算机与现代化》 *
徐耀松等: "基于相似日选择与改进Stacking集成学习的短期负荷预测", 《传感技术学报》 *
王晓霞等: "基于集成深度学习算法的燃气负荷预测方法", 《计算机系统应用》 *
王洪等: "基于加权支持向量机的凸轮升程误差拟合方法", 《计算机工程与科学》 *
王绵斌等: "小样本条件下基于VMD-SVM的电网技改项目科技投资预测", 《科技管理研究》 *

Also Published As

Publication number Publication date
CN114548845B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN108256697B (zh) 一种用于电力系统短期负荷的预测方法
Wang et al. A hybrid forecasting model based on outlier detection and fuzzy time series–A case study on Hainan wind farm of China
CN111079989B (zh) 一种基于dwt-pca-lstm的供水公司供水量预测装置
CN101383023A (zh) 基于样本动态组织与温度补偿的神经网络短期电力负荷预测
CN115760484B (zh) 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN110503256A (zh) 基于大数据技术的短期负荷预测方法及系统
CN112434390B (zh) 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法
CN104036328A (zh) 自适应风电功率预测系统及预测方法
CN114252103B (zh) 融合电站运行故障预测方法
CN114970952A (zh) 一种考虑环境因素的光伏出力短期预测方法及系统
CN116316599A (zh) 一种智能用电负荷预测方法
CN113011680A (zh) 一种电力负荷预测方法及系统
CN114781723A (zh) 一种基于多模型融合的短期光伏出力预测方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN114266416A (zh) 基于相似日的光伏发电功率短期预测方法、装置及存储介质
CN115456306A (zh) 一种母线负荷预测方法、系统、设备及存储介质
CN114611764A (zh) 一种特定区域内企业工业用水异常监测预警方法
Sun et al. Short-term power load prediction based on VMD-SG-LSTM
CN117407681B (zh) 一种基于向量聚类的时序数据预测模型建立方法
CN116826745B (zh) 一种电力系统背景下的分层分区短期负荷预测方法及系统
CN118094319A (zh) 基于数据融合的水电机组故障预测诊断方法及系统
CN114548845B (zh) 一种配网管理方法、装置及系统
CN117374917A (zh) 一种超短期电力负荷的多元回归预测方法及装置
CN116451608A (zh) 一种复杂地形的混合风功率预测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant