CN114742283A - 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 - Google Patents
一种基于深度学习网络的中压线路合环电流估算与风险评估方法 Download PDFInfo
- Publication number
- CN114742283A CN114742283A CN202210298941.2A CN202210298941A CN114742283A CN 114742283 A CN114742283 A CN 114742283A CN 202210298941 A CN202210298941 A CN 202210298941A CN 114742283 A CN114742283 A CN 114742283A
- Authority
- CN
- China
- Prior art keywords
- current
- loop
- value
- data
- prediction
- 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 69
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000012502 risk assessment Methods 0.000 title claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 68
- 230000006870 function Effects 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 30
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000011158 quantitative evaluation Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 108090000672 Annexin A5 Proteins 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000006798 ring closing metathesis reaction Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000547 structure data 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习网络的中压线路合环电流估算与风险评估方法，包括采集获取电网结构参数，发电和负荷水平数据，分布式电源出力数据，相关合环馈线电流历史数据等，构造神经网络输入输出数据，对该神经网络模型进行训练，进而考虑实时负荷预测值，分布式电源出力预测值，对预期边界条件下的中压线路合环电流进行预测和风险评估。本发明能增强对于新型配电网馈线建模复杂性和边界条件随机性、不确定性的适应性，提高估算准确性，提升估算效率，填补风险分级缺失，增加合环操作时段推荐功能。
Description
技术领域
本发明属于智能电网和数字电网领域，具体涉及一种基于深度学习网络的中压线路合环电流估算与风险评估方法。
背景技术
配电网是电力系统在发、输、配、用环节中最接近用户也是最重要的一个系统。近年来，为减少用户停电时间，提高供电可靠性，减少直接和间接的社会经济损失，我国城镇区域绝大多数中压线路或馈线都采用了双端电源供电。传统配电网采用的“闭环设计、开环运行、短时停电的开环转供”的供电方式也正在发展为“闭环设计、开环运行，不停电的合环转供”的供电方式。“短时停电的开环转供”方式即先将线路电源侧开关断开,再合上联络开关将它投运到另一个电源供电,即操作过程中要有短时的停电。“不停电的合环转供”方式，即当某个母线、开关或馈线需要检修或者发生故障时，该母线、开关或馈线上的多电源供电的负荷通过10kV或20kV中压馈线合环操作进行转移，将负荷转移到与之相连的其他母线或馈线上，从而实现不停电倒负荷操作。然而，在执行10kV或20kV中压馈线合环操作过程时，其一，如果合环前合环点两端母线的电压大小、相位存在较大差异，往往会引发很大的合环电流，导致10kV或20kV馈线保护动作；其二，合环时潜在的过大冲击电流或将损害配电设备，并可能对电力用户的电能质量造成影响，导致其用电设备跳闸；其三，合环过程中，若发生短路故障，或危害操作人员的人身安全和影响电网的安全稳定运行。其四，没有考虑馈线负荷水平、并网新能源出力等边界条件的合环操作预评估，导致配电网调度运行人员不清楚中压馈线应在哪一天以及哪个时段合环风险更小。因此，面向智能电网和数字电网建设，为减少客户平均停电时间，提升电力用户满意度，以“计划工作零停电和故障停电趋零”为目标，在配电网馈线合环操作之前，非常有必要对中压线路合环电流进行估算和风险评估。
目前，实际配电网操作人员一般还是凭经验决定何时和是否可以进行合环操作，进而制定合环转供电操作计划。这样会导致合环的操作有一定的盲目性，存在合环后过流跳闸导致合环操作不成功的情况，降低了配电系统的供电安全性和可靠性。近年来，已有一些关于10kV或20kV配网合环转供电操作的合环电流估算等安全性分析的研究和应用报道。但存在以下几方面的局限性。其一，从研究应用对象的角度来看，受限现有配电网主要馈电线路场景，现有技术中研究应用对象主要考虑为无新能源发电接入的配电网馈线，并未针对新型配电网中新能源发电接入的馈线。其二，从合环电流估算的边界条件角度来看，现有技术中负荷水平往往采用当前时段负荷或最大负荷值，并未结合馈线合环转供电计划的预期时段做负荷预测，即并未考虑馈线负荷和新能源发电的不确定性。其三，从合环电流估算的数学模型或算法的角度来看，现有技术中主要采用详细建模法和简化等值法等模型驱动的确定性评估方法。其中，系统详细建模法即将合环点两侧的10kV或20kV、35kV、110kV和220kV等高电压等级电网进行系统等值，利用等值电网进行电流计算，计算准确性较好。但对大型电力系统来说，系统详细建模法采用的模型复杂、参数准确性及实时性要求高，运行方式实时变化，设备众多，参数维护量非常大，且存在潮流计算迭代过程中的收敛性问题，使得该方法在实际应用中可行性较差。简化等值法，为增强估算的便捷性，以及应用的可行性，做了大量的简化处理。例如：中国专利公开号CN104410071A于2015年3月11日公开的一种35kV高压配电网合解环电流估算方法，忽略220kV电网运行方式变化对下级电网的影响因素，不使用传统潮流计算方法，仅采用复数基本的加减乘除法，采用最大负荷，通过计算220kV电压差引起的合环电流Iθ，计算两边变压器负载不均衡引起的合环电流IS，进而将上述两部分合环电流相加获得估算的合环电流。显然，此类方法针对的对象是35kV线路合环，虽然计算简便，但针对10kV或20kV的配电网中压馈线合环电流或存在较大的计算误差，不利于配电网馈线合环操作的精细化管理。此外，更重要的是，该方法本质上仍然属于一种确定性的模型驱动方法，对于配电网中压馈线运行中的拓扑结构、负荷类型和大小、新能源发电接入类型和大小、运行方式等建模复杂性和边界条件随机性、不确定性的适应性较差。
随着大数据和人工智能技术的发展，基于卷积神经网络的深度学习算法具有高效特征提取能力、长短期记忆网络及其变种网络专门处理时间序列问题的能力，在负荷预测和分布式电源出力预测等领域有了较为深入的研究和初步应用。由于负荷波动和分布式电源出力等边界条件的不确定性以及配电网建模的复杂性，传统的基于模型驱动的确定性馈线合环电流估算结果难以满足智能电网、数字电网建设以及新型配电网运行的需要，而借助人工智能技术，基于深度学习网络的概率密度预测的数据驱动方法能够描述新型配电网中10kV或20kV馈线合环电流未来可能的波动范围、不确定性及面临的风险，可为合环操作人员提供更多决策信息。
发明内容
本发明的目的在于克服上述缺点而提供的一种能增强对于新型配电网馈线建模复杂性和边界条件随机性、不确定性的适应性，提高估算准确性，提升估算效率，填补风险分级缺失，增加合环操作时段推荐功能的基于深度学习网络的中压线路合环电流估算与风险评估方法。
1、本发明的一种基于深度学习网络的中压线路合环电流估算与风险评估方法，包括如下步骤：
(1)数据采集：在数据采集与监视控制系统(Supervisory Control And DataAcquisition，SCADA)等中获取历史数据，涉及配电网调度部输电线路和变压器等电网结构参数和运行方式数据，市场部和生产技术部等电力用户和电网运行数据，发电和负荷水平数据、分布式能源出力、相关合环馈线电流历史数据等；
(2)数据预处理：对历史数据进行数据清洗，包括删除异常值，通过插值方法填充缺省值，并将数据进行归一化转换到0～1的范围区间，去除数据的单位限制，将其转化为无量纲的纯数值；
(3)神经网络训练、生成：通过时间错位的方法处理清洗后的数据，形成训练数据，生成适应模型结构的输入格式，调节网络的输入层，隐藏层，全连接层，以及卷积步长，卷积核等网络结构参数，已达到更优预测结果，设计基于卷积神经网络(Convolutional NeuralNetwork，CNN)和长短期记忆网络(long short-termmemory，LSTM)的深度学习模型实现合环电流预测模型的训练，生成其预测模型；
(4)合环边界条件确定：包括运行人员选择待合环的线路，指定中压线路合环计划操作时间范围，针对该计划操作时间范围开展负荷预测，和分布式电源出力数据预测，确定期望时间段的高压和中压配电网运行方式；
(5)合环电流概率预测：利用步骤(3)训练好的预测模型开展合环电流概率预测，利用分位数回归预测得到合环电流不同分位数条件下预测值，再利用核密度估计得到待测合环电流的概率密度分布以及合环电流概率累计分布曲线，根据合环电流概率分布曲线计算合环安全性评估指标；
(6)输出结果与展示：将合环电流与馈线最大容许载流量以及电流保护整定值进行比较，综合分析合环操作各风险指标，最终得到合环操作风险量化值。
上述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(2)中填充缺省值通过以下计算式实现：
式中：t表示缺省数据的时刻，单位：min；i表示小于t时刻的最近有值时刻，单位：min；j表示大于t时刻的最近有值时刻，单位：min；kt表示待填充的t时刻的缺省值；ki表示i时刻的数据值；kj表示j时刻的数据值；kt、ki、kj表示的数据值可以是电压、电流、有功功率，无功功率等，单位分别为kV，A，kW，kVar等。3、如权利要求1所述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(2)中数据进行归一化转换到0～1的范围区间，去除数据的单位限制，将其转化为无量纲的纯数值的计算式如下：
式中：k表示归一化输出值，单位为无量纲；korg表示待处理数据值；kmin、kmax分别表示待处理数据值所在特征中的最小、最大值；korg、kmin、kmax表示的数据值可以是电压、电流、有功功率，无功功率等，单位分别为kV，A，kW，kVar。
上述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(3)中基于CNN和LSTM的深度学习模型由输入层、CNN层、池化层、LSTM层、全连接层和池化层构成，优化器选择Adam优化器，构造如式(3)所示的损失函数：
式中：N为测试样本个数，i为序号；Xi为第i个合环电流预测的输入值；yi为第i个合环电流预测的实际值；τ表示分位点；f(W(τ),b(τ),Xi)为第i个合环电流CNN-LSTM网络输出的不同分位数下合环电流预测值；W(τ)，b(τ)表示不同分位数下模型的网络参数；ρτ(x)为不同分位数下合环电流预测模型的损失函数，其计算式如下：
式中：x表示函数变量。式(3)和式(4)中各变量均为无量纲。
上述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(3)中神经网络训练、生成通过如下步骤确定模型最优参数：
(a)构建训练样本集合，且转换为神经网络模型的输入输出格式；
(b)对获取数据进行训练集，测试集的划分；
(c)通过多次训练初步确定卷积层数，LSTM层数，以及全连接融合层；
(d)确定初步结构层数之后再通过调节模型结构的网络参数；
(e)最后再次确定模型的最后结构参数，通过检查评价指标，迭代次数对模型进行性能评价；
上述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(4)中合环边界条件确定的具体步骤如下：
(a)运行人员选择待合环线路；
(b)指定中压合环计划操作时间范围；
(c)针对该计划操作时间范围开展负荷预测，分布式电源出力预测；
(d)确定期望时间段的高压和中压配电网运行方式。
上述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(5)中合环电流预测概率包括三个方面，具体步骤如下：
其一、合环电流确定性预测，步骤如下：
(a)对电网负荷水平进行预测，分布式电源预测数据；
(b)对馈线负荷数据以及合环馈线直接相连的高压系统馈线母线电压幅值，有功功率，无功功率等，重复步骤2对数据进行预处理；
(c)再通过时间错位的方法处理清洗后的数据，生成适应模型结构的输入格式进行合环电流预测；
(d)确定期望时间段的高压和中压配电网运行方式；
(e)计算确定性预测精度评价指标，分别采用均方根误差(Root Mean SquareError，RMSE)，平均绝对误差(Mean Absolute Error，MAE)，平均绝对百分误差(MeanAbsolute Percentage Error，MAPE)，其计算式如下：
式中：N表示测试样本个数i为序号；Yi表示预测合环电流值；yi表示实际合环电流值；Yi和yi变量的单位均为无量纲；
(f)检查预测精度指标是否满足误差要求，如果预测精度较差继续返回调节模型的网络参数，结构参数以达到更准确的预测结果，确定模型的最优参数；
其二、不同分位数条件下合环电流预测，步骤如下：
利用上述得到的训练模型，更换其损失函数如式(3)，进行不同分位数条件下合环电流预测，其中合环电流概率预测评价指标采用可靠性指标(由PICP代表)以及敏锐性指标(由PINAW代表)，其计算式如下：
a)可靠性指标
b)敏锐性指标
式中：N表示合环电流预测样本数，i为序号；λi表示合环电流预测值属于置信区间的个数；YLi表示合环电流概率预测置信下界；YUi表示合环电流概率预测置信上界；R表示不同分位数下合环电流预测宽度；maxYi α，minYi α分别表示i时刻分位数预测的最大值与最小值；YLi、YUi、R、maxYi α、minYi α均为无量纲。
其三、合环电流核密度估计以及合环安全性评估指标计算，步骤如下：
首先将上述不同分位数条件下合环电流预测值作为核密度估计的输入值，其次采样高斯核密度进行估计，得到合环电流预测的概率密度曲线以及累计分布曲线，最后根据得到的概率曲线与馈线最大容许载流量以及电流保护整定值进行比较计算馈线越线概率；其具体计算式如下：(a)核密度估计函数采用高斯核函数表示为
其计算式如下：
h≈1.06σn-0.2 (13)
式中：n为样本个数，i为序号；h为窗口宽度；K(x)为核函数；σ为标准差，xi为合环电流预测的n个样本，h、
xi、K(x)的单位均为无量纲。
(b)合环安全性评估指标；合环越限概率表示为P；合环电流最大越限率表示为α；平均越限率表示为ε；其计算式如下：
Im＝F-1(99.9％) (15)
P＝P(It≥Is)＝1-F(Is) (16)
式中：f(x)表示合环电流概率密度函数；F(x)表示合环电流概率累积分布函数；Is表示馈线容许最大载流量，单位：A；Im表示合环电流累计分布函数概率为99.9％处的合环电流值，单位：A；It表示合环电流概率预测值，单位：A。
上述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(6)输出结果与展示，其特征如下：
输出结果与展示，先对预测结果反归一化，通过以下公式实现：
ko＝kp×(kmax-kmin)+kmin (19)
式中：kp表示网络预测输出的数据，kmin表示输出数据的最小值，kmax表示输出数据的最大值，kp，kmax，kmin，的单位均为无量纲；ko表示经过反归一化后的合环电流确定性预测结果，单位：A；再次利用核密度估计得到合环电流概率密度估计曲线，根据得到的预测曲线与馈线最大容许载流量以及电流保护整定值进行比较，求取合环操作评价指标，判断合环电流是否会导致合环开关的过流保护或速断保护误动作进，同时判定预期时间段能否合环，确定哪些时段合环电流最小，运行安全风险最小，最终确定合环风险评估值，其风险评估具体如下：
将配电网合环操作划分为三级，即安全级、预警级、越限级，设定了如下判别：5％＞风险值，为安全级操作；20％＞风险值≥5％,为预警级风险；20％＞风险值，为越限级风险；合环馈线的合环操作风险值定义为“后果值”和“概率值”的乘积确定；后果值又可以表示为“合环事故严重程度”“合环产生的社会影响因数”“合环馈线负荷重要性因数”的乘积结果表示，其中：
(a)合环事故严重程度：参考《南方电网运行安全风险量化评估技术规范》按损失负荷每1千千瓦1分计算作为基准分值，后果严重程度的分值用基础分值乘上区域系数得出，表示为Ca；
(b)合环产生的社会影响因数：根据用户对于停电敏感度、停电后造成的社会影响取值0.1～0.2,社会影响越大的该因数取值越大，表示为Cb；
(c)负荷重要性因数：参照供电电源数量、有否配置备自投装置、是否配置应急电源、用户对停电的敏感度、重要用户级别等因素从0.1～0.4取值,表示为Cc；
(d)合环操作风险发生值：根据合环电流概率密度曲线求取合环电流累计分布函数得到。即为合环越限概率表示Ra；
综上，合环风险评估值表示为Rloop，其计算式如下：
Rloop＝Ca×Cb×Cc×Ra (20)
本发明与现有技术相比，具有明显的有益效果，由以上方案可知，本发明借助负荷预测结果，分布式电源出力预测结果，以及历史负荷等数据，采用人工智能技术，通过深度学习网络这类数据驱动的方法，对新型配电网中压馈线合环电流预测，最终得到任意时刻的合环电流概率密度，从而更科学地反映新型配电网中压馈线合环操作下电流的随机性和不确定性。本发明由基于人工智能技术的数据驱动预测思想出发，采用基于卷积神经网络和长短期记忆网络的深度学习算法，有效将配电网拓扑结构、负荷、新能源发电以及合环电流的复杂模型关联关系转换为卷积神经网络之间的数据对应关系，有效解决了现有基于模型驱动的确定性合环电流估算技术对于新型配电网馈线建模复杂性和边界条件随机性、不确定性的适应性弱，准确性差，计算效率低，以及存在求解收敛性的问题。此外，通过非参数核密度估计和合环电流概率密度计算，实现了合环操作风险量化评估和分级，填补了现有技术中风险分级和合环操作时段推荐功能缺失的问题。是一种适应性佳、效率高、准确性好的中压线路合环电流估算与风险评估方法。
附图说明
图1为本发明涉及的中压配电网合环电流预测相关数据采集硬件结构系统图；
图2为本发明涉及的中压馈线合环电流预测评估技术路线图；
图3为本发明采用的某地区高压配电网系统结构图；
图4为本发明的11种年负荷分布曲线；
图5为本发明实施的具体馈线合环电流预测结果展示；
图6为本发明不同试验点概率密度曲线与概率累积分布曲线。
具体实施方法
以下结合附图及较佳实施例，对依据本发明提出的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法的具体实施方式、结构、特征及其功效，详细说明如后。
一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，包括如下步骤：
参见图1，本发明应用的中压配，电网合环电流预测系统硬件结构涉及：数据库系统、数据库维护终端、SCADA系统数据接口、SCADA系统数据服务器、调度数据网、SCADA系统变电站数据采集子站、采集子站维护终端、营销系统数据接口(开发中)、营销MIS系统服务器；
参见图2，本发明应用的中压配电网线路合环电流估算主要包括：系统数据采集模块、合环电流预测模型，负荷预测模型，分布式电源预测模型模块、SCADA系统实时数据获取接口模块、电网实时数学模型校核模块在线、潮流计算模块、结果输出模块；
本发明利用DIgSILENT/PowerFactory电力系统仿真软件建立贵州某地区城市电网为例进行准动态仿真模拟SCADA系统数据，其电网运行接线结构图如图3所示，本发明通过电网结构数据快速建模与合环电流预测分析实现配电网合环操作与风险评估的具体应用步骤如下：
(1)步骤1所述的基础数据获取：本发明的数据来源利用DIgSILENT软件模拟SCADA系统中各节点年度历史负荷数据，DIgSILENT中内置11种不同的年负荷分布，每种负荷曲线的建立相同，分为4个季节，其中每个季节又分为工作日和非工作日，如表1所示。
表1年负荷的建模方法
表1为年负荷分布的建模方法，含冬季，春季，夏季和秋季四个季节，每个季节由工作日和非工作日组成，非工作日又分为周六和周日，因此每个季节的负荷均由三个日负荷分布构成，如冬季节中的周一到周五的日负荷分布均为工作日-冬，周六的日负荷分布为周六-冬，周日的日负荷分布为周日-冬。四个不同季节的定义如表2所示。
表2季节的定义
从表2可以看出，DIgSILENT软件中将每年3月21日-5月14日定义为春季，5月15日-9月14日定义为夏季，9月15日-10月31日定义为秋季，11月1日-次年3月20日定义为冬季。根据上述年负荷建模方法，对数据进行检查清洗后得到11种分辨率为15分钟的年负荷分布曲线，如图4所示，其中横坐标日期，纵坐标为负荷标幺值，即该节点的实际负荷除以该节点的额定负荷，电网模型以及负荷模型建立好之后，利用BPA软件获取贵阳2021年夏小运行方式作为准动态仿真的初始数据，从而获取年运行数据，分辨率为15分钟，其中年负荷采样点数n＝35040(＝60/15×24×365)。
(2)步骤2所述的数据预处理：仿真获取的年潮流数据中存在潮流不收敛情况，亦为实际系统中可能存在的数据缺失等情况相对应，对于缺失数据利用matlab2021b软件进行编程实现，通过以下计算式实现：
式中：t表示缺省数据的时刻，单位：min；i表示小于t时刻的最近有值时刻，单位：min；j表示大于t时刻的最近有值时刻，单位：min。kt表示待填充的t时刻的缺省值；ki表示i时刻的数据值；kj表示j时刻的数据值；kt、ki、kj表示的数据值可以是电压、电流、有功功率，无功功率等，单位分别为kV，A，kW，kVar。
数据填充完成后，为了去除数据的单位限制，将数据进行归一化转换到0～1的范围区间，得到无量纲的纯数值，其计算式如下：
式中：k表示归一化输出值，归一化后的公式符号的单位为无量纲；korg表示待处理数据值；kmin、kmax分别表示待处理数据值所在特征中的最小、最大值；korg、kmin、kmax表示的数据值可以是电压、电流、有功功率，无功功率等，单位分别为kV，A，kW，kVar。
(3)步骤3所述的神经网络训练、生成：通过时间错位的方法处理清洗后的数据，形成训练数据，生成适应模型结构的输入输出格式，构造CNN-LSTM预测模型，包括训练样本，测试样本的划分，模型最优参数的确实，具体步骤如下：构造如式(3)所示的损失函数，即：
式中：N为测试样本个数，i为序号；Xi为第i个合环电流预测的输入值；yi为第i个合环电流预测的实际值；τ表示分位点；f(W(τ),b(τ),Xi)为第i个合环电流CNN-LSTM网络输出的不同分位数下合环电流预测值；W(τ)，b(τ)表示不同分位数下模型的网络参数；ρτ(x)为不同分位数下合环电流预测模型的损失函数，其计算式如下：
式中：x表示函数变量，式(3)和(4)中各变量均为无量纲。
(4)步骤3所述的神经网络训练、生成通过如下步骤确定模型最优参数：
(a)构建训练样本集合，且转换为神经网络模型的输入输出格式；
(b)对获取数据进行训练集，测试集的划分，由于利用DIgSILENT仿真模型建立的负荷模型性质，本发明由于夏秋两个季节负荷波动范围相似，将春，夏秋，以及冬合成三个季节的最后一个月作为测试集，得到测试样本9640(3×30×96)个，训练样本25400个，本发明输入数据包括馈线潮流，母线电压幅值，负荷数据等，共计47个输入特征；
(c)通过多次训练初步确定卷积层数，LSTM层数，以及全连接融合层；
(d)确定初步结构层数之后再通过调节模型结构的网络参数；
(e)最后再次确定模型的最后结构参数，通过检查评价指标，迭代次数对模型进行性能评价，至此完成了深度学习网络模型的训练与生成，得到的深度学习网络模型结构参数如下表3。
表3 CNN-LSTM结构参数
(5)步骤4所述的合环边界条件确定：根据实际合环需求确定合环馈线为中大线与方花线进行合环操作，合环点位置见图3；合环馈线主要参数如下表4。
表4合环馈线主要参数
(6)步骤5所述的合环电流概率预测。首先利用步骤(3)训练好的预测模型开展合环电流概率预测；其次采用分位数回归预测得到合环电流不同分位数条件下预测值；最后采用核密度估计得到待测合环电流的概率密度分布以及合环电流概率累计分布曲线，根据合环电流概率分布曲线计算合环安全性评估指标。具体步骤如下：
其一、合环电流确定性预测，步骤如下：
(a)对电网负荷水平进行预测，分布式电源预测数据；
(b)对馈线负荷数据以及合环馈线直接相连的高压系统馈线母线电压幅值，有功功率，无功功率等，重复步骤(2)对数据进行预处理；
(c)再通过时间错位的方法处理清洗后的数据，生成适应模型结构的输入格式进行合环电流预测；
(d)确定期望时间段的高压和中压配电网运行方式；
(e)计算确定性预测精度评价指标，分别采用均方根误差(Root Mean SquareError，RMSE)，平均绝对误差(Mean Absolute Error，MAE)，平均绝对百分误差(MeanAbsolute Percentage Error，MAPE)，其计算式如下：
式中：N表示测试样本个数i为序号；Yi表示预测合环电流值；yi表示实际合环电流值；Yi和yi变量的单位均为无量纲；
(f)检查预测精度指标是否满足误差要求，如果预测精度较差继续返回调节模型的网络参数，结构参数以达到更准确的预测结果，确定模型的最优参数，预测结果如图5。
其二、不同分位数条件下合环电流预测，步骤如下：
利用上述得到的训练模型，更换其损失函数如式(3)，进行不同分为数条件下合环电流预测，其中合环电流概率预测评价指标采用可靠性指标(由PICP代表)以及敏锐性指标(由PINAW代表)，其计算式如下：
a)可靠性指标
b)敏锐性指标
R＝maxYi α-minYi α (11)
式中：N表示合环电流预测样本数，i为序号；λi表示合环电流预测值属于置信区间的个数；YLi表示合环电流概率预测置信下界；YUi表示合环电流概率预测置信上界；R表示不同分位数下合环电流预测宽度；maxYi α，minYi α分别表示i时刻分位数预测的最大值与最小值；YLi、YUi、R、maxYi α、minYi α均为无量纲；其预测结果指标见表5。
表5合环电流概率预测指标
其三、合环电流核密度估计以及合环安全性评估指标计算，步骤如下：
首先将上述不同分位数条件下合环电流预测值作为核密度估计的输入值，其次采样高斯核密度进行估计，得到合环电流预测的概率密度曲线以及累计分布曲线，最后根据得到的概率曲线与馈线最大容许载流量以及电流保护整定值进行比较计算馈线越线概率；其具体计算式如下：
(a)核密度估计函数采用高斯核函数表示为
其计算式如下：
h≈1.06σn-0.2 (13)
式中：n为样本个数，i为序号；h为窗口宽度；K(x)为核函数；σ为标准差，xi为合环电流预测的n个样本，h、
xi、K(x)的单位均为无量纲。
(b)合环安全性评估指标；合环越限概率表示为P；合环电流最大越限率表示为α；平均越限率表示为ε；其计算式如下：
Im＝F-1(99.9％) (15)
P＝P(It≥Is)＝1-F(Is) (16)
式中：f(x)表示合环电流概率密度函数；F(x)表示合环电流概率累积分布函数；Is表示馈线容许最大载流量，单位：A；Im表示合环电流累计分布函数概率为99.9％处的合环电流值，单位：A；It表示合环电流概率预测值，单位：A；其合环电流概率预测指标计算结果见表5。相对应的概率密度估计，以及累计概率分布结果如图6；
(8)输出结果与展示：先对预测结果反归一化，通过以下公式实现：
ko＝kp×(kmax-kmin)+kmin (19)
式中：kp表示网络预测输出的数据，kmin表示输出数据的最小值，kmax表示输出数据的最大值，kp，kmax，kmin，的单位均为无量纲；ko表示经过反归一化后的合环电流确定性预测结果，单位：A；得到反归一化合环电流某时刻的合环电流累计分布曲线，将合环电流概率预测值与馈线容许载流量比较求得合环安全性评估指标，判断合环电流是否会导致合环开关的过流保护或速断保护误动作进，同时判定预期时间段能否合环，确定哪些时段合环电流最小，运行安全风险最小，最终确定合环风险评估值，其风险评估具体如下：
将配电网合环操作划分为三级，即安全级、预警级、越限级，设定了如下判别：5％＞风险值，为安全级操作；20％＞风险值≥5％,为预警级风险；20％＞风险值，为越限级风险；合环馈线的合环操作风险值定义为“后果值”和“概率值”的乘积确定；后果值又可以表示为“合环事故严重程度”“合环产生的社会影响因数”“合环馈线负荷重要性因数”的乘积结果表示，其中：
(a)合环事故严重程度：参考《南方电网运行安全风险量化评估技术规范》按损失负荷每1千千瓦1分计算作为基准分值，后果严重程度的分值用基础分值乘上区域系数得出，表示为Ca；
(b)合环产生的社会影响因数：根据用户对于停电敏感度、停电后造成的社会影响取值0.1～0.2,社会影响越大的该因数取值越大，表示为Cb；
(c)负荷重要性因数：参照供电电源数量、有否配置备自投装置、是否配置应急电源、用户对停电的敏感度、重要用户级别等因素从0.1～0.4取值,表示为Cc；
(d)合环操作风险发生值：根据合环电流概率密度曲线求取合环电流累计分布函数得到。即为合环越限概率表示Ra；
综上，合环风险评估值表示为Rloop，其计算式如下：
Rloop＝Ca×Cb×Cc×Ra (20)
(a)合环电流不同分位数预测值；
(b)核密度估计得到某时刻合环电流概率密度曲线；
(c)利用核密度曲线求取合环电流概率分布曲线；
(d)合环电流预测值与馈线最大容许载流量比较求取合环越限概率；
(e)利用风险评估公式求得合环风险量化值如表6；
(f)最后根据风险量化值对合环操作进行安全性评估。
表6合环操作风险评估值
中压馈线合环电流预测结果表明负荷低谷时段合环电流预测值相对较小，合环电流波动范围也小，大多数安全点都出现在负荷低谷时期，负荷高峰期出现合环越限点较多严禁进行合环操作，预警点主要出现在馈线出现个别高峰负荷进行，同时也肯出现合环电流预测波动范围大，不易进行长时合环运行。预测结果表明本发明只需避开负荷高峰时段，均可进行合环操作。
本发明利用人工智能手段对城市中压配网合环电流进行快速预测，预测出不同分位数合环电流，再利用核密度估计的方法得到合环电流概率密度曲线以及累计分布曲线，最终实现合环电流的风险量化评估，主要解决了现有合环电流估算适应性弱，准确性差，计算效率低，以及存在求解收敛性的问题，填报了现有技术中风险分级和合环操作时段推荐功能缺失的问题，可以快速的对实际合环操作以及操作人员提供有效的决策支持。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，任何未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (8)
1.一种基于深度学习网络的中压线路合环电流估算与风险评估方法，包括如下步骤：
(1)数据采集：在数据采集与监视控制系统中获取历史数据，涉及配电网调度部输电线路和变压器等电网结构参数和运行方式数据，市场部和生产技术部等电力用户和电网运行数据，发电和负荷水平数据、分布式能源出力、相关合环馈线电流历史数据；
(2)数据预处理：对历史数据进行数据清洗，包括删除异常值，通过插值方法填充缺省值，并将数据进行归一化转换到0～1的范围区间，去除数据的单位限制，将其转化为无量纲的纯数值；
(3)神经网络训练、生成：通过时间错位的方法处理清洗后的数据，形成训练数据，生成适应模型结构的输入格式，调节网络的输入层，隐藏层，全连接层，以及卷积步长，卷积核等网络结构参数，已达到更优预测结果，设计基于卷积神经网络和长短期记忆网络的深度学习模型实现合环电流预测模型的训练，生成其预测模型；
(4)合环边界条件确定：包括运行人员选择待合环的线路，指定中压线路合环计划操作时间范围，针对该计划操作时间范围开展负荷预测，和分布式电源出力数据预测，确定期望时间段的高压和中压配电网运行方式；
(5)合环电流概率预测：首先利用步骤(3)训练好的预测模型开展合环电流预测；其次采用分位数回归预测得到合环电流不同分位数条件下预测值；最后采用核密度估计得到待测合环电流的概率密度分布以及合环电流概率累计分布曲线，根据合环电流概率分布曲线计算合环安全性评估指标；
(6)输出结果与展示：将合环电流与馈线最大容许载流量以及电流保护整定值进行比较，综合分析合环操作各风险指标，最终得到合环操作风险量化值。
2.如权利要求1所述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(2)中填充缺省值通过以下计算式实现：
式中：t表示缺省数据的时刻，单位：min；i表示小于t时刻的最近有值时刻，单位：min；j表示大于t时刻的最近有值时刻，单位：min；kt表示待填充的t时刻的缺省值；ki表示i时刻的数据值；kj表示j时刻的数据值；kt、ki、kj表示的数据值可以是电压、电流、有功功率，无功功率等，单位分别为kV，A，kW，kVar等。
3.如权利要求1所述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(2)中数据进行归一化转换到0～1的范围区间，去除数据的单位限制，将其转化为无量纲的纯数值的计算式如下：
式中：k表示归一化输出值，单位为无量纲；korg表示待处理数据值；kmin、kmax分别表示待处理数据值所在特征中的最小、最大值；korg、kmin、kmax表示的数据值可以是电压、电流、有功功率，无功功率等，单位分别为kV，A，kW，kVar。
4.如权利要求1所述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(3)中基于CNN和LSTM的深度学习模型由输入层、CNN层、池化层、LSTM层、全连接层和池化层构成，优化器选择Adam优化器，构造如式(3)所示的损失函数：
式中：N为测试样本个数，i为序号；Xi为第i个合环电流预测的输入值；yi为第i个合环电流预测的实际值；τ表示分位点；f(W(τ),b(τ),Xi)为第i个合环电流CNN-LSTM网络输出的不同分位数下合环电流预测值；W(τ)，b(τ)表示不同分位数下模型的网络参数；ρτ(x)为不同分位数下合环电流预测模型的损失函数，其计算式如下：
式中：x表示函数变量，式(3)和式(4)中各变量均为无量纲。
5.如权利要求1所述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(3)中神经网络训练、生成通过如下步骤确定模型最优参数：
(a)构建训练样本集合，且转换为神经网络模型的输入输出格式；
(b)对获取数据进行训练集，测试集的划分；
(c)通过多次训练初步确定卷积层数，LSTM层数，以及全连接融合层；
(d)确定初步结构层数之后再通过调节模型结构的网络参数；
(e)最后再次确定模型的最后结构参数，通过检查评价指标，迭代次数对模型进行性能评价。
6.如权利要求1所述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(4)中合环边界条件确定的具体步骤如下：
(a)运行人员选择待合环线路；
(b)指定中压合环计划操作时间范围；
(c)针对该计划操作时间范围开展负荷预测，分布式电源出力预测；
(d)确定期望时间段的高压和中压配电网运行方式。
7.如权利要求1所述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(5)中合环电流概率预测包括如下三个方面，具体步骤如下：
其一、合环电流确定性预测，步骤如下：
(a)对电网负荷水平进行预测，分布式电源预测数据；
(b)对馈线负荷数据以及合环馈线直接相连的高压系统馈线母线电压幅值，有功功率，无功功率等，重复步骤2对数据进行预处理；
(c)再通过时间错位的方法处理清洗后的数据，生成适应模型结构的输入格式进行合环电流预测；
(d)确定期望时间段的高压和中压配电网运行方式；
(e)计算确定性预测精度评价指标，分别采用均方根误差(Root Mean Square Error，RMSE)，平均绝对误差(Mean Absolute Error，MAE)，平均绝对百分误差(Mean AbsolutePercentage Error，MAPE)，其计算式如下：
式中：N表示测试样本个数i为序号；Yi表示预测合环电流值；yi表示实际合环电流值；Yi和yi变量的单位均为无量纲；
(f)检查预测精度指标是否满足误差要求，如果预测精度较差继续返回调节模型的网络参数，结构参数以达到更准确的预测结果，确定模型的最优参数；
其二、不同分位数条件下合环电流预测，步骤如下：
利用上述得到的训练模型，更换其损失函数如式(3)，进行不同分位数条件下合环电流预测值，其合环电流概率预测评价指标采用可靠性指标(由PICP代表)以及敏锐性指标(由PINAW代表)，其计算式如下：
a)可靠性指标
b)敏锐性指标
R＝maxYi α-minYi α (11)
式中：N表示合环电流预测样本数，i为序号；λi表示合环电流预测值属于置信区间的个数；YLi表示合环电流概率预测置信下界；YUi表示合环电流概率预测置信上界；R表示不同分位数下合环电流预测宽度；maxYi α，minYi α分别表示i时刻分位数预测的最大值与最小值；YLi、YUi、R、maxYi α、minYi α均为无量纲。
其三、合环电流核密度估计以及合环安全性评估指标计算，步骤如下：
首先将上述不同分位数条件下合环电流预测值作为核密度估计的输入值，其次采样高斯核密度进行估计，得到合环电流预测的概率密度曲线以及累计分布曲线，最后根据得到的概率曲线与馈线最大容许载流量以及电流保护整定值进行比较计算馈线越线概率；其具体计算式如下：
(a)核密度估计函数采用高斯核函数表示为
其计算式如下：
h≈1.06σn-0.2 (13)
式中：n为样本个数，i为序号；h为窗口宽度；K(x)为核函数；σ为标准差，xi为合环电流预测的n个样本，h、
xi、K(x)的单位均为无量纲。
(b)合环安全性评估指标；合环越限概率表示为P；合环电流最大越限率表示为α；平均越限率表示为ε；其计算式如下：
Im＝F-1(99.9％) (15)
P＝P(It≥Is)＝1-F(Is) (16)
式中：f(x)表示合环电流概率密度函数；F(x)表示合环电流概率累积分布函数；Is表示馈线容许最大载流量，单位：A；Im表示合环电流累计分布函数概率为99.9％处的合环电流值，单位：A；It表示合环电流概率预测值，单位：A。
8.如权利要求1所述的一种基于深度学习网络的中压线路合环电流估算与风险评估的方法，其中步骤(6)输出结果与展示，其特征如下：
输出结果与展示，先对预测结果反归一化，通过以下公式实现：
ko＝kp×(kmax-kmin)+kmin (19)
式中：kp表示网络预测输出的数据，kmin表示输出数据的最小值，kmax表示输出数据的最大值，kp，kmax，kmin，的单位均为无量纲；ko表示经过反归一化后的合环电流确定性预测结果，单位：A；再次利用核密度估计得到合环电流概率密度估计曲线，根据得到的预测曲线与馈线最大容许载流量以及电流保护整定值进行比较，求取合环操作评价指标，判断合环电流是否会导致合环开关的过流保护或速断保护误动作进，同时判定预期时间段能否合环，确定哪些时段合环电流最小，运行安全风险最小，最终确定合环风险评估值，其风险评估具体如下：
将配电网合环操作划分为三级，即安全级、预警级、越限级，设定了如下判别：5％＞风险值，为安全级操作；20％＞风险值≥5％,为预警级风险；20％＞风险值，为越限级风险；合环馈线的合环操作风险值定义为“后果值”和“概率值”的乘积确定；后果值又可以表示为“合环事故严重程度”“合环产生的社会影响因数”“合环馈线负荷重要性因数”的乘积结果表示，其中：
(a)合环事故严重程度：参考《南方电网运行安全风险量化评估技术规范》按损失负荷每1千千瓦1分计算作为基准分值，后果严重程度的分值用基础分值乘上区域系数得出，表示为Ca；
(b)合环产生的社会影响因数：根据用户对于停电敏感度、停电后造成的社会影响取值0.1～0.2,社会影响越大的该因数取值越大，表示为Cb；
(c)负荷重要性因数：参照供电电源数量、有否配置备自投装置、是否配置应急电源、用户对停电的敏感度、重要用户级别等因素从0.1～0.4取值,表示为Cc；
(d)合环操作风险发生值：根据合环电流概率密度曲线求取合环电流累计分布函数得到。即为合环越限概率表示Ra；
综上，合环风险评估值表示为Rloop，其计算式如下：
Rloop＝Ca×Cb×Cc×Ra (20)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210298941.2A CN114742283A (zh) | 2022-03-25 | 2022-03-25 | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210298941.2A CN114742283A (zh) | 2022-03-25 | 2022-03-25 | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114742283A true CN114742283A (zh) | 2022-07-12 |
Family
ID=82276915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210298941.2A Pending CN114742283A (zh) | 2022-03-25 | 2022-03-25 | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114742283A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115048434A (zh) * | 2022-08-15 | 2022-09-13 | 南京灿能电力自动化股份有限公司 | 一种电能质量数据处理方法 |
| CN115545477A (zh) * | 2022-10-08 | 2022-12-30 | 广东电力交易中心有限责任公司 | 基于增量插值的输电线路阻塞风险概率评估方法及产品 |
| CN116449762A (zh) * | 2023-06-15 | 2023-07-18 | 贵州大学 | 基于物联网实现智能设备的安全预警方法及装置 |
| CN117972646A (zh) * | 2024-04-02 | 2024-05-03 | 国网辽宁省电力有限公司抚顺供电公司 | 输电线路避雷器、杆塔和接地系统运行状态评估方法 |
-
2022
- 2022-03-25 CN CN202210298941.2A patent/CN114742283A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115048434A (zh) * | 2022-08-15 | 2022-09-13 | 南京灿能电力自动化股份有限公司 | 一种电能质量数据处理方法 |
| CN115545477A (zh) * | 2022-10-08 | 2022-12-30 | 广东电力交易中心有限责任公司 | 基于增量插值的输电线路阻塞风险概率评估方法及产品 |
| CN116449762A (zh) * | 2023-06-15 | 2023-07-18 | 贵州大学 | 基于物联网实现智能设备的安全预警方法及装置 |
| CN116449762B (zh) * | 2023-06-15 | 2023-08-18 | 贵州大学 | 基于物联网实现智能设备的安全预警方法及装置 |
| CN117972646A (zh) * | 2024-04-02 | 2024-05-03 | 国网辽宁省电力有限公司抚顺供电公司 | 输电线路避雷器、杆塔和接地系统运行状态评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
| CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
| CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
| CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
| CN107908638A (zh) | 基于大数据挖掘配的电网运行效率评价方法及系统 | |
| CN104037943A (zh) | 一种提高电网电压质量的电压监测方法及系统 | |
| CN107103184A (zh) | 一种高压电缆接头温度预测方法 | |
| CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
| CN109787295B (zh) | 一种计及风电场状态的风电功率超短期预测计算方法 | |
| CN117332215B (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
| CN115392697A (zh) | 一种数据-模型混合驱动的电力系统安全评估方法及系统 | |
| CN107563641B (zh) | 一种计及灾害偏好的配电网抗灾多场景差异化规划方法 | |
| CN104050377A (zh) | 一种时变设备故障概率确定方法 | |
| CN109918612B (zh) | 一种基于稀疏学习的台区拓扑结构校验方法 | |
| Fan et al. | Ultra-short-term bus load forecasting method based on multi-source data and hybrid neural network | |
| CN105207255B (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
| CN116799780A (zh) | 一种配电网分布式光伏承载力评估方法、系统及评估终端 | |
| Sun et al. | Reliability prediction of distribution network based on PCA-GA-BP neural network | |
| Zhang et al. | Research on intelligent load forecast in power system dispatching automation | |
| CN113902219A (zh) | 一种主变负载影响因素分析模型的分析方法 | |
| CN112182952A (zh) | 一种提升电力系统弹性的多目标优化调度方法 | |
| CN111461462A (zh) | 基于TrellisNet-LSTM的日负荷预测方法 | |
| Tan et al. | Estimation method of line loss rate in low voltage area based on mean shift clustering and BP neural network | |
| Yu et al. | Medium and high voltage bus load forecasting algorithm considering structured electricity usage interactions | |
| Wang et al. | Heavy Load and Overload Pre-warning for Distribution Transformer with PV Access Based on Graph Neural Network |
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 |