CN114915546A - 一种停电用户定位方法、装置、设备、介质 - Google Patents
一种停电用户定位方法、装置、设备、介质 Download PDFInfo
- Publication number
- CN114915546A CN114915546A CN202210699197.7A CN202210699197A CN114915546A CN 114915546 A CN114915546 A CN 114915546A CN 202210699197 A CN202210699197 A CN 202210699197A CN 114915546 A CN114915546 A CN 114915546A
- Authority
- CN
- China
- Prior art keywords
- preset
- node
- power distribution
- prediction
- sequence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005070 sampling Methods 0.000 claims abstract description 59
- 238000000819 phase cycle Methods 0.000 claims abstract description 32
- 238000010586 diagram Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 229960001948 caffeine Drugs 0.000 claims description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N trimethylxanthine Natural products CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种停电用户定位方法、装置、设备、介质，所述方法包括：获取目标配电管理区域中配电关系拓扑网络及各预设用户节点不同相序的历史电气数据，基于历史电气数据确定各预设用户节点在下一个运行周期的预测电气数据；根据预测电气数据得到各预设配电节点和各预设用户节点在下一个运行周期中的有效电流值预测序列；根据各预设配电节点在下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定目标网络区域；基于目标网络区域中各节点与配电关系拓扑网络中根节点间唯一链路，建立预测偏差匹配模型，并求解定位目标停电用户。本发明实施例的技术方案实现了对配电管理区域中停电用户的准确定位。
Description
技术领域
本发明实施例涉及电力技术领域，尤其涉及一种停电用户定位方法、装置、设备和介质。
背景技术
低压配电台区是电力系统的末端环节，承担着将电能分配到千家万户的使命。通常，低压配电台区的停电故障影响范围小、损失小，对低压配电台区与的故障定位精度相对不高。但是，随着新型低压配电台区建设的不断推进，以及新能源并网设备与用户对供电可靠性的要求不断提高，对低压配电台区的停电故障用户定位的准确度还有待提升。
现有的一些故障定位方法通过对故障信息序列进行畸变检测，利用贝叶斯定理对局部矛盾信息进行研判与修正，并不适用于分支众多、区段数量大的低压配电网，存在算法设计复杂、定位准确率低等问题。
发明内容
本发明实施例提供了一种停电用户定位方法、装置、设备、存储介质，可以准确定的定位低压配电台区的故障用户，提升故障定位的准确率。
第一部分，一种停电用户定位方法，其特征在于，所述方法包括：
获取目标配电管理区域中配电关系拓扑网络，并获取所述配电关系拓扑网络中各预设用户节点的预设数量运行周期的不同相序的历史电气数据，并基于所述历史电气数据确定各所述预设用户节点在当前运行周期的下一个运行周期的预测电气数据；
根据所述预测电气数据，以及所述配电关系拓扑网络，确定所述配电关系拓扑网络中各预设配电节点和各所述预设用户节点在所述下一个运行周期中的有效电流值预测序列；
根据各所述预设配电节点在所述下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定所述配电关系拓扑网络中存在停电用户的目标网络区域；
基于所述目标网络区域中各节点与所述配电关系拓扑网络中根节点间唯一链路，以及所述目标网络区域中的各预设用户节点在所述下一个运行周期中的有效电流值预测序列，建立预测偏差匹配模型，并求解所述预测偏差匹配模型，定位所述目标网络区域中的目标停电用户。
第二方面，本发明实施例提供了一种停电用户定位装置，其特征在于，所述装置包括：
电气数据预测模块，用于获取目标配电管理区域中配电关系拓扑网络，并获取所述配电关系拓扑网络中各预设用户节点的预设数量运行周期的不同相序的历史电气数据，并基于所述历史电气数据确定各所述预设用户节点在当前运行周期的下一个运行周期的预测电气数据；
有效电流值预测模块，用于根据所述预测电气数据，以及所述配电关系拓扑网络，确定所述配电关系拓扑网络中各预设配电节点和各所述预设用户节点在所述下一个运行周期中的有效电流值预测序列；
停电区域确定模块，用于根据各所述预设配电节点在所述下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定所述配电关系拓扑网络中存在停电用户的目标网络区域；
停电用户定位模块，用于基于所述目标网络区域中各节点与所述配电关系拓扑网络中根节点间唯一链路，以及所述目标网络区域中的各预设用户节点在所述下一个运行周期中的有效电流值预测序列，建立预测偏差匹配模型，并求解所述预测偏差匹配模型，定位所述目标网络区域中的目标停电用户。
第三方面，本发明实施例提供了一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的停电用户定位方法。
第四方面，本发明实施例提供了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，该程序被处理器执行时实现任一实施例所述的停电用户定位方法。
本发明实施例所提供的技术方案，通过获取目标配电管理区域中配电关系拓扑网络，以及该配电关系拓扑网络中各预设用户节点的预设数量运行周期的不同相序的历史电气数据，并基于历史电气数据确定各预设用户节点在当前运行周期的下一个运行周期的预测电气数据；然后，根据预测电气数据，以及配电关系拓扑网络，确定配电关系拓扑网络中各预设配电节点和各预设用户节点在下一个运行周期中的有效电流值预测序列；进一步的，根据各预设配电节点在下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定所述配电关系拓扑网络中存在停电用户的目标网络区域；最终，基于目标网络区域中各节点与配电关系拓扑网络中根节点间唯一链路，以及各预设用户节点下一个运行周期的有效电流值预测序列，建立预测偏差匹配模型，并求解所述预测偏差匹配模型，定位所述目标网络区域中的目标停电用户。即通过低压配电台区各级分支馈线与用户节点安装的电气数据采集装置，采集各节点的电气量数据，采用有监督负荷预测模型对各用户进行短期负荷预测，计算低压配电台区潮流分布，逐级比较各节点的电流测量值与预测值误差，以及时研判停电事件以及精准定位停电用户，为低压配电台区停电用户精准辨识提供理论依据和实践指导。本发明实施例的技术方案解决了现有技术中停电故障定位方法不适用于低压配电台区，导致故障定位精度角度的问题，可以实现低压配电台区停电用户的准确辨识，提升故障用户定位的准确度。
附图说明
图1是本发明实施例一提供的一种停电用户定位方法流程图；
图2是本发明实施例一提供的一种目标配电管理区域中配电关系拓扑网络示意图；
图3是本发明实施例一提供的一种配电关系拓扑网络结构对应的各相序树状结构示意图；
图4是本发明实施例一提供的一种存在停电用户的目标网络区域网络示意图及故障定位链路示意图；
图5是本发明实施例二提供的一种停电用户定位装置的结构示意图；
图6为本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的一种停电用户定位方法流程图，本发明实施例可适用于电力系统停电故障位置定位场景中，特别是低压配电台区停电用户的定位，该方法可以由停电用户定位装置执行，该装置可以由软件和/或硬件的方式来实现。
如图1所示，停电用户定位方法包括以下步骤：
S110、获取目标配电管理区域中配电关系拓扑网络，并获取所述配电关系拓扑网络中各预设用户节点的预设数量运行周期的不同相序的历史电气数据，并基于所述历史电气数据确定各所述预设用户节点在当前运行周期的下一个运行周期的预测电气数据。
其中，配电管理区域可以是低压配电台区域，目标配电管理区域可以是任意一个需要关注的或是感兴趣的低压配电台区域。本实施例的方案可以对一个目标配电管理区域的停电故障数据进行分析，也可以同时对多个目标配电管理区域的停电数据进行分析，以确定相应的配电管理区域中是否发生停电故障事件，并对具体的停电用户进行定位。
配电关系拓扑网络则表示了在配电管理区域中，各个预设用户节点与预设配电节点连接关系，其中，配电节点是指低压配电网络中入度为1且出度大于2的非用户节点位置。还可以将配目标配电管理区域的拓扑结构区分相序地转化为树状图结构并划分计算单元。其中，计算单元则是以树状图中的任意节点作为上边界，以与该节点关联的所有次级节点上游邻域作为下边界划分出一个区域作为本级计算单元。对各配电节点及与其对应的计算单元可以分别进行如nij和Aij的同下标编号，对于层数为I的树状图，I≥3，定义i＝1，2，…，I，对第i层的J个节点，J≥1，定义j＝1，2，…，J，且初始值均为1。
示例性的，图2提供了一种目标配电管理区域中配电关系拓扑网络示意图，在图2中包括不同级别的配电节点以及各配电节点相关联的用户节点，其中，每一个虚线代表了一个计算单元，即一个预设配电节点关联的用户节点群。
三相电分为A相电，B相电和C相电，不同相电的电气数据会有所不同，可以对不同相电节点分别尽行管理，将配目标配电管理区域的拓扑结构区分相序地转化为树状图结构，如图3所示，分别展示了全相、A相、B相和C相对应的树状结构图。相应的，在进行后续电气数据处理的过程中，也会所以获取的电气数据要根据相序进行区分。
运行周期是指低压配电网负荷周期性波动时间间隔，当前运行周期则表示监测低压配电网运行过程中目前所处的运行周期。运行周期内设定监测电气数据的采样频率可以进行设定，例如设置一天为一个周期，在一天内，一个运行周期内可以每次间隔15分钟进行一次电气数据记录。电气数据表示一些电学数据，例如运行电压、运行电流、有功功率、无功功率及功率因数等数据。
对目标配电管理区域各用户节点位置电表从1至K进行编号，K≥1，k＝1,2，…，K，遍历k从至K对用户电表k采集对用户电表k采集的电压
电流
及功率因数角
计算有功功率
无功功率
其中，每个预设用户节点的有功功率、无功功率时序向量均由nT个值组成，其中，n表示连续采样的运行周期数量，T表示每个周期内的采样次数。
为了基于历史电气数据确定各预设用户节点在当前运行周期的下一个运行周期的预测电气数据，可以利用回归模型，输入历史电气数据中的在发生停电故障前的几个连续周期的电气数据，得出预设用户节点在当前运行周期的下一个运行周期所预测电气数据。
在一种可选的实施方式中，基于历史电气数据确定各预设用户节点在当前运行周期的下一个运行周期的预测电气数据的具体过程包括：
针对每一个预设用户节点，分别根据历史电气数据中电压值、电流值和功率因数计算历史有功功率和历史无功功率，并按照数据采集时序将历史有功功率和对应的历史无功功率进行组合建立历史电气数据矩阵，可表示为
其中，可以根据每个预设用户节点采集的A、B、C三相电流电压相量，分别由下式求出
相对应的有功功率
无功功率
式中，
分别为
相电压、电流有效值，
为
相功率因数，
将历史电气数据矩阵分别输入至经过预训练的有功功率负荷预测模型和无功功率负荷预测模型，得到预设用户节点在下一个运行周期的有功功率采样序列预测值和无功功率采样序列预测值，得到预测电气数据，可表示为
其中，负荷预测模型可以是一种回归模型，通过将各预设用户节点的历史电气数据矩阵输入至负荷预测模型，可以得到下一个运行周期的有功功率采样序列预测值和无功功率采样序列预测值，例如，可以选用SVM(Support vector machine，支持向量机)模型，输入历史电气数据矩阵中的在发生停电故障前的几个连续周期的电气数据，得到在下一个运行周期的有功功率采样序列预测值和无功功率采样序列预测值，序列即在一个运行周期内获取的预设的采样点的电气数据的集合。
在一种可选的实施方式中，有功功率负荷预测模型和无功功率负荷预测模型的训练过程，包括：
获取配电关系拓扑网络中各预设用户节点的预设历史阶段的多个运行周期的有功功率数据和无功功率数据，并分别将有功功率数据和无功功率数据划分为训练样本集、验证集和测试集；
其中，划分为训练样本集、验证集和测试集的方法包括但不限于:首先定义整数r满足0<r≤n，n表示获取的历史工作周期个数，以连续r-1个工作周期的数据作为输入，第r天的数据作为输出，分割为由3k(n-r+1)个有功功率样本构成的数据集ΩP和由3k(n-r+1)个无功功率样本数据集ΩQ，3k表示将k个预设用户节点根据相序进行区分，(n-r+1)表示将n个历史工作周期以连续r-1个工作周期的数据作为输入，第r天的数据作为输出，可以分为(n-r+1)种输入与输出，随后将3k(n-r+1)个有功功率样本构成的数据集ΩP和由3k(n-r+1)个无功功率样本数据集ΩQ分别划分为训练集、验证集和测试集。
分别将各训练样本集中任一运行周期的数据作为目标预测周期数据的标签数据，将目标预测周期之前的连续的预设周期数量的运行周期的数据作为待训练负荷预测模型的输入样本数据，进行模型训练。最终，分别基于验证集和测试集的数据对训练得到的负荷预测模型进行验证和测试，完成模型的训练过程，分别得到有功功率负荷预测模型和无功功率负荷预测模型。
S120、根据所述预测电气数据，以及所述配电关系拓扑网络，确定所述配电关系拓扑网络中各预设配电节点和各所述预设用户节点在所述下一个运行周期中的有效电流值预测序列。
其中，预设配电节点表示在低压配电网络拓扑中入度为1且出度大于1的位置，也即在低压配电网络拓扑中输入的电线数为1，输出的电线数大于1的整数，预设配电节点会根据与目标配电网络的起点的距离，从近至远分为不同等级，例如，与目标配电网络的起点最近的预设配电节点为一级预设配电节点，随后，与一级预设配电节点相邻的预设配电节点作为二级预设配电节点，每一级的预设配电节点的数目为一个或多个，所以也会对每级的预设配电节点依次进行排序，每一个预设配电节点可以会连接一个或多个预设用户节点。
配电关系拓扑网络表示在每一个预设配电节点下会连接一个或多个预设用户节点与一定数量的次级预设配电节点，某个预设配电节的有效电流值等于与该预设配电节点连接的所有预设用户节点的有效电流值以及所有次级预设配电节点的有效电流值之和。
在一种可选的实施方式中，根据预测电气数据，以及配电关系拓扑网络，确定配电关系拓扑网络中各预设配电节点和各用户节点在下一个运行周期中的有效电流值预测序列，可以是将预测电气数据和配电关系拓扑网络输入至预设三相四线潮流计算模型中，得到各预设配电节点与各预设用户节点在下一个运行周期中的有效电流值预测序列。
其中，预设三相四线潮流计算模型表示一种计算模型，可以根据预测电气数据中的有功功率和无用功率等数据计算出有效电流值预测序列，例如，可以选用MATLAB软件进行潮流计算。即通过低压三相四线潮流计算模型对下一个运行周期中运行(第n+1个)周期的T个时刻进行潮流计算，将t时刻下各预设配电节点三相电流有效值分别放入三个
矩阵，该矩阵中第i行第j列元素
存放节点nij的第
相电流有效值。
S130、根据各所述预设配电节点在所述下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定所述配电关系拓扑网络中存在停电用户的目标网络区域。
其中，有效电流值采样序列表示预设配电节点在所述下一个运行周期实际监测出的有效电流值；预测偏差值表示预设配电节点在下一个运行周期的采样有效电流值与对应的预测有效电流值的差值的绝对值；目标网络区域表示停电用户所在的区域，即存在停电用户的计算单元。例如，在图2中，假如预设配电节点n11在所述下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值很大，那么包含n11的虚线范围就视为目标网络区域。因为某些与预设配电节点连接的预设用户节点存在停电的情况，所以某些预设配电节点在所述下一个运行周期的采样有效电流值与对应的预测有效电流值会存在预测偏差值，可以根据预测偏差值确定是哪些预设配电节点连接下的预设用户节点存在发生停电故障的情况。
在一种可选的实施方式中，根据各预设配电节点在下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定配电关系拓扑网络中存在停电用户的目标网络区域，包括：
获取各预设配电节点在下一个运行周期中与有效电流值预测序列对应的有效电流值采样序列，并计算下一个运行周期中的有效电流值采样序列与有效电流值预测序列的预测偏差值序列。
其中，有效电流值采样序列表示预设配电节点在下一个运行周期中实际测量出的有效电流值序列；预测偏差值序列表示预设配电节点在下一个运行周期中有效电流值预测序列与有效电流值采样序列差值的绝对值。
将预测偏差值序列中元素与预先确定的偏差阈值序列中对应元素分别进行比较，得到预测偏差比较结果。
其中，预先确定的偏差阈值序列为提前确定的固定值，例如，可以通过超阈值模型(Peaks over threshold，POT)，根据预设配电节点在所述下一个运行周期的采样有效电流值序列，推测出下一个运行周期中的有效电流值采样序列与有效电流值预测序列的预测偏差值序列。
确定预测偏差比较结果中预测偏差值大于对应偏差阈值的目标预设配电节点，并将配电关系拓扑网络中与目标预设配电节点关联的节点的集合，作为目标网络区域。
其中，目标预设配电节点即预测偏差比较结果中预测偏差值大于对应偏差阈值的预设配电节点，当预测偏差比较结果中预测偏差值大于对应偏差阈值的目标预设配电节点，则表示该预设配电节点对应的用户有可能存在停电故障，则将包含目标预设配电节点和与之对应所有预设用户节点的区域作为目标网络区域。具体的，计算预测偏差表示为
当输出矩阵
存在某个元素大于偏差阈值序列
对应位置元素时判断为出现停电故障，并记录满足上述情况的所有元素下标kl并存入故障计算单元集合
其中，
表示预设配电节点在下一个运行周期中有效电流值采样序列。
在一种可选的实施方式中，偏差阈值序列的确定过程，包括：
首先，获取述配电关系拓扑网络中各预设配电节点，分别在预设故障次数的停电故障发生后的预设故障时间段内的第一电流有效值采样数据。如获取配电关系拓扑网络中各配电节点
相发生M次停电故障发生后最近时刻e内的各级分叉节点电流数据存入
定义m＝1，2，…，M，M≥100。其中，预设故障时段即以发生停电故障为计时起点，至时长为e的时刻的时间段。
然后，获取各预设配电节点在各预设故障时段内的第一预测电气数据，并根据第一预测电气数据确定对应的第一预测电流值有效值预测数据。根据第一预测电气数据确定对应的第一预测电流值有效值预测数据也可以通过上述步骤描述中的预测有效电流值的方式确定，通过潮流计算得到各级分叉节点(配电节点)电流数据预测值存入
并通过下式计算正常工况与停电故障的电流差值并放入数据集
最终，根据第一电流有效值采样数据与第一预测电流有效值预测数据的差值，以及预设超阈值模型确定各预设配电节点对应的偏差阈值序列。利用三相生成的数据集
分别求解极值POT模型得到各节点阈值矩阵
其中，预设超阈值模型表示一种可以推测合理阈值的模型，例如可以选用模型，将一电流有效值采样数据与第一预测电流有效值预测数据的差值输入，就可以得到预设配电节点对应的偏差阈值序列。
S140、基于所述目标网络区域中各节点与所述配电关系拓扑网络中根节点间唯一链路，以及所述目标网络区域中的各预设用户节点在所述下一个运行周期中的有效电流值预测序列，建立预测偏差匹配模型，并求解所述预测偏差匹配模型，定位所述目标网络区域中的目标停电用户。
其中，唯一链路是指目标网络区域中各节点与配电关系拓扑网络中根节点的唯一通路，例如，图4是本发明实施例一提供的一种存在停电用户的目标网络区域网络示意图及故障定位链路示意图，在图4中，A相的目标网络区域中各节点与配电关系拓扑网络中根节点间唯一链路为
B相的目标网络区域中各节点与配电关系拓扑网络中根节点间唯一链路为
C相的目标网络区域中各节点与配电关系拓扑网络中根节点间唯一链路为
在一种可选的实施方式中，基于目标网络区域中各节点与配电关系拓扑网络中根节点间唯一链路，以及各预设用户节点，建立预测偏差匹配模型，并求解预测偏差匹配模型，定位目标网络区域中的目标停电用户的具体过程包括：
分别在配电关系拓扑网络对应的各相序的树状图结构中，匹配目标网络区域中各节点与配电关系拓扑网络中根节点间唯一链路；根据目标网络区域中电流输入输出关系以及各节点的在下一个运行周期的电流有效值预测值和电流有效值采样值构建预测偏差匹配模型。将预测偏差匹配模型表示为
其中，
表示编号为kl的预设配电节点中
相序下的电流有效值采样值，
表示在目标网络区域中与编号为kl的预设配电节点相连接的Y个次级预设配电节点中
相序下的电流有效值采样值的和，
表示在目标网络区域中总共V个预设用户节点中第v个预设用户节点的
相序下的电流有效值预测值，av表示第v个预设用户节点连接状态。
根据唯一链路中预设节点顺序，采用分支定界法求解预测偏差匹配模型，并将求解结果中节点连接状态值为0的节点确定为目标停电用户。
其中，预设节点顺序是指从最次级预设配电节点到最高级预设配电节点的顺序；分支定界法是一种基于树状图的分支求解离散数据组合的最优化问题的方法，通过该方法求解预测偏差匹配模型，可以得出目标网络区域中预设用户节点的连接情况，求解结果分为0或1，节点连接状态值为0的节点确定为目标停电用户。
进一步的，
表示编号为kl的预设配电节对应的预设用户节点的
相序下的电流有效值采样值的和，
表示用户节点连接状态乘以编号为kl的预设配电节对应的预设用户节点的
相序下的电流有效值预测值的和，当av能准确表达为kl的预设配电节对应的预设用户节点的连接状态时，
取最小值，而argmin就表示当av取什么值时，
取最小值，所以，通过预测偏差匹配模型可以得出编号为kl的预设配电节对应的预设用户节点的连接状态。
本实施例的技术方案，通过获取目标配电管理区域中配电关系拓扑网络，以及该配电关系拓扑网络中各预设用户节点的预设数量运行周期的不同相序的历史电气数据，并基于历史电气数据确定各预设用户节点在当前运行周期的下一个运行周期的预测电气数据；然后，根据预测电气数据，以及配电关系拓扑网络，确定配电关系拓扑网络中各预设配电节点和各预设用户节点在下一个运行周期中的有效电流值预测序列；进一步的，根据各预设配电节点在下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定所述配电关系拓扑网络中存在停电用户的目标网络区域；最终，基于目标网络区域中各节点与配电关系拓扑网络中根节点间唯一链路，以及各预设用户节点下一个运行周期的有效电流值预测序列，建立预测偏差匹配模型，并求解所述预测偏差匹配模型，定位所述目标网络区域中的目标停电用户。本发明实施例的技术方案解决了现有技术中停电故障定位方法不适用于低压配电台区，导致故障定位精度角度的问题，可以实现低压配电台区停电用户的准确辨识，提升故障用户定位的准确度。
现以一个具体的实例进行说明，目标配电管理区域中的配电关系拓扑网络如图2所示，在该区域中共有4条低压出线，13个三相用户，32个单相用户。进一步的，图2中各节点的按相应的相序的树状结构图如图3所示，其中，A相11户，B相9户，C相12户。
在图2中，每一个虚线框表示一个计算单元，假设各计算单元用户序号按行从左至右的升序编号，节点n41所处计算单元的2号用户、n32所处单元的2号用户与6号用户在t时刻同时发生停电故障。为提高计算精确度并节省算力需要尽可能多地在分叉节点(预设配电节点)安装检测单元，本算例在所有分叉节点均安装检测单元。依照各实施例一中步骤获取目标配电管理区域的各级分支馈线及用户节点连续n个运行周期共nT个测量时刻的运行电压、运行电流及功率因数等数据，并将配电目标配电管理区域的拓扑结构区分相序地转化为树状图结构。通过负荷预测与潮流计算得到各分叉节点在t时刻的电流有效值，通过求解极值POT模型到各节点阈值并采集到t时刻电流有效值如下：
表1某目标配电管理区域t时刻各分叉节点电流超阈值情况
通过对比上表中各用户节点预测偏差的超阈值情况可以发现，该目标配电管理区域的故障计算单元集合为
确定各故障单元到根节点n11的唯一路径并取并集，得到三相的计算路径如附图3所示。其中，A相按照
的顺序，B相按照
的顺序，C相按照
的顺序依次求解公式确定的预测偏差匹配模型，计算得到结果如下表所示：
表2预测偏差匹配模型求解结果
表2中，0代表用户发生停电故障，1代表用户正常运行，空代表用户编号不存在。由计算结果可见本实施例方法能够对目标配电管理区域停电用户进行准确辨识，具有可行性。
实施例二
图5为本发明实施例二提供的停电用户定位装置的结构示意图，本发明实施例可适用于电力系统停电故障位置定位场景中，特别是低压配电台区停电用户的定位。该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的计算机设备中。
如图5所示，停电用户定位装置包括：电气数据预测模块210、有效电流值预测模块220、停电区域确定模块230和停电用户定位模块240。
其中，电气数据预测模块210，用于获取目标配电管理区域中配电关系拓扑网络，并获取所述配电关系拓扑网络中各预设用户节点的预设数量运行周期的不同相序的历史电气数据，并基于所述历史电气数据确定各所述预设用户节点在当前运行周期的下一个运行周期的预测电气数据；有效电流值预测模块220，用于根据所述预测电气数据，以及所述配电关系拓扑网络，确定所述配电关系拓扑网络中各预设配电节点和各所述预设用户节点在所述下一个运行周期中的有效电流值预测序列；停电区域确定模块230，用于根据各所述预设配电节点在所述下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定所述配电关系拓扑网络中存在停电用户的目标网络区域；停电用户定位模块240，用于基于所述目标网络区域中各节点与所述配电关系拓扑网络中根节点间唯一链路，以及所述目标网络区域中的各预设用户节点在所述下一个运行周期中的有效电流值预测序列，建立预测偏差匹配模型，并求解所述预测偏差匹配模型，定位所述目标网络区域中的目标停电用户。
本发明实施例所提供的技术方案，通过获取目标配电管理区域中配电关系拓扑网络，以及该配电关系拓扑网络中各预设用户节点的预设数量运行周期的不同相序的历史电气数据，并基于历史电气数据确定各预设用户节点在当前运行周期的下一个运行周期的预测电气数据；然后，根据预测电气数据，以及配电关系拓扑网络，确定配电关系拓扑网络中各预设配电节点和各预设用户节点在下一个运行周期中的有效电流值预测序列；进一步的，根据各预设配电节点在下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定所述配电关系拓扑网络中存在停电用户的目标网络区域；最终，基于目标网络区域中各节点与配电关系拓扑网络中根节点间唯一链路，以及各预设用户节点下一个运行周期的有效电流值预测序列，建立预测偏差匹配模型，并求解所述预测偏差匹配模型，定位所述目标网络区域中的目标停电用户。本发明实施例的技术方案解决了现有技术中停电故障定位方法不适用于低压配电台区，导致故障定位精度角度的问题，可以实现低压配电台区停电用户的准确辨识，提升故障用户定位的准确度。
在一种可选的实施方式中，所述电气数据预测模块210具体用于：
针对每一个所述预设用户节点，分别根据所述历史电气数据中电压值、电流值和功率因数计算历史有功功率和历史无功功率，并按照数据采集时序将所述历史有功功率和对应的所述历史无功功率进行组合建立历史电气数据矩阵；
将所述历史电气数据矩阵分别输入至经过预训练的有功功率负荷预测模型和无功功率负荷预测模型，得到所述预设用户节点在所述下一个运行周期的有功功率采样序列预测值和无功功率采样序列预测值，得到所述预测电气数据。
在一种可选的实施方式中，所述停电用户定位装置还包括模型训练模块，用于对所述有功功率负荷预测模型和所述无功功率负荷预测模型进行训练，所述模型训练模块具体用于：
获取所述配电关系拓扑网络中各预设用户节点的预设历史阶段的多个运行周期的有功功率数据和无功功率数据，并分别将所述有功功率数据和所述无功功率数据划分为训练样本集、验证集和测试集；
分别将各所述训练样本集中任一运行周期的数据作为目标预测周期数据的标签数据，将所述目标预测周期之前的连续的预设周期数量的运行周期的数据作为待训练负荷预测模型的输入样本数据，进行模型训练；
分别基于所述验证集和所述测试集的数据对训练得到的负荷预测模型进行验证和测试，完成模型的训练过程，分别得到所述有功功率负荷预测模型和所述无功功率负荷预测模型。
在一种可选的实施方式中，所述有效电流值预测模块220具体用于：
将所述预测电气数据和所述配电关系拓扑网络输入至预设三相四线潮流计算模型中，得到各所述预设配电节点与各所述预设用户节点在所述下一个运行周期中的有效电流值预测序列；
其中，所述预测电气数据包括各所述预设用户节点在所述下一个运行周期中的有功功率采样序列预测值和无功功率采样序列预测值。
在一种可选的实施方式中，所述停电区域确定模块230具体用于：
获取各所述预设配电节点在所述下一个运行周期中与所述有效电流值预测序列对应的有效电流值采样序列，并计算所述下一个运行周期中的有效电流值采样序列与有效电流值预测序列的预测偏差值序列；
将所述预测偏差值序列中元素与预先确定的偏差阈值序列中对应元素分别进行比较，得到预测偏差比较结果；
确定所述预测偏差比较结果中预测偏差值大于对应偏差阈值的目标预设配电节点，并将所述配电关系拓扑网络中与所述目标预设配电节点关联的节点的集合，作为所述目标网络区域。
在一种可选的实施方式中，所述停电用户定位装置还包括偏差阈值确定模块，用于：
获取所述述配电关系拓扑网络中各预设配电节点，分别在预设故障次数的停电故障发生后的预设故障时间段内的第一电流有效值采样数据；
获取各所述预设配电节点在各所述预设故障时段内的第一预测电气数据，并根据所述第一预测电气数据确定对应的第一预测电流值有效值预测数据；
根据所述第一电流有效值采样数据与所述第一预测电流有效值预测数据的差值，以及预设超阈值模型确定各所述预设配电节点对应的所述偏差阈值序列。
在一种可选的实施方式中，所述停电用户定位模块240具体用于：
分别在所述配电关系拓扑网络对应的各相序的树状图结构中，匹配所述目标网络区域中各节点与所述配电关系拓扑网络中根节点间唯一链路；根据所述目标网络区域中电流输入输出关系以及各节点的在所述下一个运行周期的电流有效值预测值和电流有效值采样值构建预测偏差匹配模型；
根据所述唯一链路中预设节点顺序，采用分支定界法求解所述预测偏差匹配模型，并将求解结果中节点连接状态值为0的节点确定为所述目标停电用户。
在一种可选的实施方式中，所述停电用户定位模块240进一步用于：
将所述预测偏差匹配模型表示为
其中，所述
表示编号为kl的预设配电节点中
相序下的电流有效值采样值，所述
表示在所述目标网络区域中与编号为kl的预设配电节点相连接的Y个次级预设配电节点中
相序下的电流有效值采样值的和，所述
表示在所述目标网络区域中总共V个预设用户节点中第v个预设用户节点的
相序下的电流有效值预测值，所述av表示第v个预设用户节点连接状态。
本发明实施例所提供的停电用户定位装置可执行本发明任意实施例所提供的停电用户定位方法，具备执行方法相应的功能模块和有益效果。
实施例三
图6为本发明实施例三提供的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图6显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。计算机设备12可以是任意具有计算能力的终端设备，如移动终端、服务器等。
如图6所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图6中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的停电用户定位方法，该方法包括：
获取目标配电管理区域中配电关系拓扑网络，并获取所述配电关系拓扑网络中各预设用户节点的预设数量运行周期的不同相序的历史电气数据，并基于所述历史电气数据确定各所述预设用户节点在当前运行周期的下一个运行周期的预测电气数据；
根据所述预测电气数据，以及所述配电关系拓扑网络，确定所述配电关系拓扑网络中各预设配电节点和各所述预设用户节点在所述下一个运行周期中的有效电流值预测序列；
根据各所述预设配电节点在所述下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定所述配电关系拓扑网络中存在停电用户的目标网络区域；
基于所述目标网络区域中各节点与所述配电关系拓扑网络中根节点间唯一链路，以及所述目标网络区域中的各预设用户节点在所述下一个运行周期中的有效电流值预测序列，建立预测偏差匹配模型，并求解所述预测偏差匹配模型，定位所述目标网络区域中的目标停电用户。
实施例四
本实施例四提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的停电用户定位方法，包括：
获取目标配电管理区域中配电关系拓扑网络，并获取所述配电关系拓扑网络中各预设用户节点的预设数量运行周期的不同相序的历史电气数据，并基于所述历史电气数据确定各所述预设用户节点在当前运行周期的下一个运行周期的预测电气数据；
根据所述预测电气数据，以及所述配电关系拓扑网络，确定所述配电关系拓扑网络中各预设配电节点和各所述预设用户节点在所述下一个运行周期中的有效电流值预测序列；
根据各所述预设配电节点在所述下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定所述配电关系拓扑网络中存在停电用户的目标网络区域；
基于所述目标网络区域中各节点与所述配电关系拓扑网络中根节点间唯一链路，以及所述目标网络区域中的各预设用户节点在所述下一个运行周期中的有效电流值预测序列，建立预测偏差匹配模型，并求解所述预测偏差匹配模型，定位所述目标网络区域中的目标停电用户。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种停电用户定位方法，其特征在于，包括：
获取目标配电管理区域中配电关系拓扑网络，并获取所述配电关系拓扑网络中各预设用户节点的预设数量运行周期的不同相序的历史电气数据，并基于所述历史电气数据确定各所述预设用户节点在当前运行周期的下一个运行周期的预测电气数据；
根据所述预测电气数据，以及所述配电关系拓扑网络，确定所述配电关系拓扑网络中各预设配电节点和各所述预设用户节点在所述下一个运行周期中的有效电流值预测序列；
根据各所述预设配电节点在所述下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定所述配电关系拓扑网络中存在停电用户的目标网络区域；
基于所述目标网络区域中各节点与所述配电关系拓扑网络中根节点间唯一链路，以及所述目标网络区域中的各预设用户节点在所述下一个运行周期中的有效电流值预测序列，建立预测偏差匹配模型，并求解所述预测偏差匹配模型，定位所述目标网络区域中的目标停电用户。
2.根据权利要求1所述的方法，其特征在于，所述基于所述历史电气数据确定各所述预设用户节点在所述当前运行周期的下一个运行周期的预测电气数据，包括：
针对每一个所述预设用户节点，分别根据所述历史电气数据中电压值、电流值和功率因数计算历史有功功率和历史无功功率，并按照数据采集时序将所述历史有功功率和对应的所述历史无功功率进行组合建立历史电气数据矩阵；
将所述历史电气数据矩阵分别输入至经过预训练的有功功率负荷预测模型和无功功率负荷预测模型，得到所述预设用户节点在所述下一个运行周期的有功功率采样序列预测值和无功功率采样序列预测值，得到所述预测电气数据。
3.根据权利要求2所述的方法，其特征在于，有功功率负荷预测模型和无功功率负荷预测模型的训练过程，包括：
获取所述配电关系拓扑网络中各预设用户节点的预设历史阶段的多个运行周期的有功功率数据和无功功率数据，并分别将所述有功功率数据和所述无功功率数据划分为训练样本集、验证集和测试集；
分别将各所述训练样本集中任一运行周期的数据作为目标预测周期数据的标签数据，将所述目标预测周期之前的连续的预设周期数量的运行周期的数据作为待训练负荷预测模型的输入样本数据，进行模型训练；
分别基于所述验证集和所述测试集的数据对训练得到的负荷预测模型进行验证和测试，完成模型的训练过程，分别得到所述有功功率负荷预测模型和所述无功功率负荷预测模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述预测电气数据，以及所述配电关系拓扑网络，确定所述配电关系拓扑网络中各预设配电节点和各所述用户节点在所述下一个运行周期中的有效电流值预测序列，包括：
将所述预测电气数据和所述配电关系拓扑网络输入至预设三相四线潮流计算模型中，得到各所述预设配电节点与各所述预设用户节点在所述下一个运行周期中的有效电流值预测序列；
其中，所述预测电气数据包括各所述预设用户节点在所述下一个运行周期中的有功功率采样序列预测值和无功功率采样序列预测值。
5.根据权利要求1所述的方法，其特征在于，所述根据各所述预设配电节点在所述下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定所述配电关系拓扑网络中存在停电用户的目标网络区域，包括：
获取各所述预设配电节点在所述下一个运行周期中与所述有效电流值预测序列对应的有效电流值采样序列，并计算所述下一个运行周期中的有效电流值采样序列与有效电流值预测序列的预测偏差值序列；
将所述预测偏差值序列中元素与预先确定的偏差阈值序列中对应元素分别进行比较，得到预测偏差比较结果；
确定所述预测偏差比较结果中预测偏差值大于对应偏差阈值的目标预设配电节点，并将所述配电关系拓扑网络中与所述目标预设配电节点关联的节点的集合，作为所述目标网络区域。
6.根据权利要求5所述的方法，其特征在于，所述偏差阈值序列的确定过程，包括：
获取所述述配电关系拓扑网络中各预设配电节点，分别在预设故障次数的停电故障发生后的预设故障时间段内的第一电流有效值采样数据；
获取各所述预设配电节点在各所述预设故障时段内的第一预测电气数据，并根据所述第一预测电气数据确定对应的第一预测电流值有效值预测数据；
根据所述第一电流有效值采样数据与所述第一预测电流有效值预测数据的差值，以及预设超阈值模型确定各所述预设配电节点对应的所述偏差阈值序列。
7.根据权利要求1所述的方法，其特征在于，所述基于所述目标网络区域中各节点与所述配电关系拓扑网络中根节点间唯一链路，以及所述目标网络区域中的各预设用户节点在所述下一个运行周期中的有效电流值预测序列，建立预测偏差匹配模型，并求解所述预测偏差匹配模型，定位所述目标网络区域中的目标停电用户，包括：
分别在所述配电关系拓扑网络对应的各相序的树状图结构中，匹配所述目标网络区域中各节点与所述配电关系拓扑网络中根节点间唯一链路；
根据所述目标网络区域中电流输入输出关系以及各节点的在所述下一个运行周期的电流有效值预测值和电流有效值采样值构建预测偏差匹配模型；
根据所述唯一链路中预设节点顺序，采用分支定界法求解所述预测偏差匹配模型，并将求解结果中节点连接状态值为0的节点确定为所述目标停电用户。
8.根据权利要求7所述的方法，其特征在于，所述根据所述目标网络区域中电流输入输出关系以及各节点的在所述下一个运行周期的电流有效值预测值和电流有效值采样值构建预测偏差匹配模型，包括：
将所述预测偏差匹配模型表示为
其中，所述
表示编号为kl的预设配电节点中
相序下的电流有效值采样值，所述
表示在所述目标网络区域中与编号为kl的预设配电节点相连接的Y个次级预设配电节点中
相序下的电流有效值采样值的和，所述
表示在所述目标网络区域中总共V个预设用户节点中第v个预设用户节点的
相序下的电流有效值预测值，所述av表示第v个预设用户节点连接状态。
9.一种停电用户定位装置，其特征在于，所述装置包括：
电气数据预测模块，用于获取目标配电管理区域中配电关系拓扑网络，并获取所述配电关系拓扑网络中各预设用户节点的预设数量运行周期的不同相序的历史电气数据，并基于所述历史电气数据确定各所述预设用户节点在当前运行周期的下一个运行周期的预测电气数据；
有效电流值预测模块，用于根据所述预测电气数据，以及所述配电关系拓扑网络，确定所述配电关系拓扑网络中各预设配电节点和各所述预设用户节点在所述下一个运行周期中的有效电流值预测序列；
停电区域确定模块，用于根据各所述预设配电节点在所述下一个运行周期的有效电流值采样序列与对应的有效电流值预测序列的预测偏差值，确定所述配电关系拓扑网络中存在停电用户的目标网络区域；
停电用户定位模块，用于基于所述目标网络区域中各节点与所述配电关系拓扑网络中根节点间唯一链路，以及所述目标网络区域中的各预设用户节点在所述下一个运行周期中的有效电流值预测序列，建立预测偏差匹配模型，并求解所述预测偏差匹配模型，定位所述目标网络区域中的目标停电用户。
10.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的停电用户定位方法。
11.一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，该程序被处理器执行时实现如权利要求1-8中任一所述的停电用户定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210699197.7A CN114915546B (zh) | 2022-06-20 | 2022-06-20 | 一种停电用户定位方法、装置、设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210699197.7A CN114915546B (zh) | 2022-06-20 | 2022-06-20 | 一种停电用户定位方法、装置、设备、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114915546A true CN114915546A (zh) | 2022-08-16 |
| CN114915546B CN114915546B (zh) | 2023-05-30 |
Family
ID=82772721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210699197.7A Active CN114915546B (zh) | 2022-06-20 | 2022-06-20 | 一种停电用户定位方法、装置、设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114915546B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115825656A (zh) * | 2023-02-21 | 2023-03-21 | 云南电网能源投资有限责任公司 | 一种新能源光伏电站配电网的故障监测方法、装置及系统 |
| CN116436106A (zh) * | 2023-06-14 | 2023-07-14 | 浙江卓松电气有限公司 | 低压配电检测系统、方法、终端设备及计算机存储介质 |
| CN117559447A (zh) * | 2024-01-10 | 2024-02-13 | 成都汉度科技有限公司 | 一种基于电网模型的停电研判数据分析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376371A (zh) * | 2014-10-31 | 2015-02-25 | 国家电网公司 | 一种基于拓扑的配网分层负荷预测方法 |
| CN111880044A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种含分布式电源配电网在线故障定位方法 |
| CN112131783A (zh) * | 2020-09-04 | 2020-12-25 | 国电南瑞科技股份有限公司 | 一种基于配电台区大数据的户变拓扑关系识别方法 |
| CN114169545A (zh) * | 2021-10-29 | 2022-03-11 | 华东师范大学 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
| CN114565779A (zh) * | 2022-04-08 | 2022-05-31 | 武汉中原电子信息有限公司 | 一种低压台区户变拓扑辨识方法及系统 |
-
2022
- 2022-06-20 CN CN202210699197.7A patent/CN114915546B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376371A (zh) * | 2014-10-31 | 2015-02-25 | 国家电网公司 | 一种基于拓扑的配网分层负荷预测方法 |
| CN111880044A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种含分布式电源配电网在线故障定位方法 |
| CN112131783A (zh) * | 2020-09-04 | 2020-12-25 | 国电南瑞科技股份有限公司 | 一种基于配电台区大数据的户变拓扑关系识别方法 |
| CN114169545A (zh) * | 2021-10-29 | 2022-03-11 | 华东师范大学 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
| CN114565779A (zh) * | 2022-04-08 | 2022-05-31 | 武汉中原电子信息有限公司 | 一种低压台区户变拓扑辨识方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115825656A (zh) * | 2023-02-21 | 2023-03-21 | 云南电网能源投资有限责任公司 | 一种新能源光伏电站配电网的故障监测方法、装置及系统 |
| CN116436106A (zh) * | 2023-06-14 | 2023-07-14 | 浙江卓松电气有限公司 | 低压配电检测系统、方法、终端设备及计算机存储介质 |
| CN116436106B (zh) * | 2023-06-14 | 2023-09-05 | 浙江卓松电气有限公司 | 低压配电检测系统、方法、终端设备及计算机存储介质 |
| CN117559447A (zh) * | 2024-01-10 | 2024-02-13 | 成都汉度科技有限公司 | 一种基于电网模型的停电研判数据分析方法及系统 |
| CN117559447B (zh) * | 2024-01-10 | 2024-03-22 | 成都汉度科技有限公司 | 一种基于电网模型的停电研判数据分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114915546B (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114915546A (zh) | 一种停电用户定位方法、装置、设备、介质 | |
| WO2022237207A1 (zh) | 一种配电网线路故障定位方法及系统 | |
| US12074440B2 (en) | System and method for congestion forecasting in electrical networks | |
| US9536198B2 (en) | Non-technical loss detection and localization | |
| US20150052088A1 (en) | Voltage-Based Clustering to Infer Connectivity Information in Smart Grids | |
| CN113078630B (zh) | 一种基于实时量测数据的低压配电网拓扑辨识方法 | |
| AU2013201595A1 (en) | Method and apparatus for harmonic state estimation in power system | |
| WO2020162937A1 (en) | Automated model validation system for electrical grid | |
| CN114565779B (zh) | 一种低压台区户变拓扑辨识方法及系统 | |
| Jamali et al. | A Fast and accurate fault location method for distribution networks with DG using genetic algorithms | |
| CN114547816A (zh) | 一种配电网可靠性智能分析方法及装置 | |
| CN116484554A (zh) | 一种配电网的拓扑辨识方法、装置、设备及介质 | |
| CN115186974A (zh) | 一种基于业务中台的配电网供电质量综合评价方法及系统 | |
| Sodin et al. | Precise PMU-based localization and classification of short-circuit faults in power distribution systems | |
| WO2017186242A1 (en) | A method for identifying the phases of a multi-phase distribution grid | |
| CN115051912B (zh) | 一种停电用户定位方法、装置、设备、介质 | |
| JP5111258B2 (ja) | 故障点標定装置、故障点標定方法および故障点標定プログラム | |
| Mandava et al. | A Spanning Tree Approach in Placing Multi-channel and Minimum Channel PMU's for Power System Observability | |
| Ritu et al. | Genetic algorithm based optimal pmu placement for enhanced power system observability and reliability | |
| Hassak et al. | Implementing a pmu based linear state estimator on a single board computer | |
| CN114034962A (zh) | 配电网故障定位分析方法、计算机设备、可读存储介质 | |
| Hong et al. | The integrated reliability evaluation of distribution system considering the system voltages adjustment | |
| CN117148048B (zh) | 基于数字孪生技术的配电网故障预测方法及系统 | |
| Kaiyuan et al. | Reliability study for distribution network considering adverse weather | |
| Lee et al. | Multi-channel recovery for distributed quality management of synchrophasor data |
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 |