CN115051474B - 一种配电网线路开关状态识别方法及系统 - Google Patents

一种配电网线路开关状态识别方法及系统 Download PDF

Info

Publication number
CN115051474B
CN115051474B CN202210958046.9A CN202210958046A CN115051474B CN 115051474 B CN115051474 B CN 115051474B CN 202210958046 A CN202210958046 A CN 202210958046A CN 115051474 B CN115051474 B CN 115051474B
Authority
CN
China
Prior art keywords
distribution network
terminal device
power distribution
measuring device
bus
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.)
Active
Application number
CN202210958046.9A
Other languages
English (en)
Other versions
CN115051474A (zh
Inventor
符瑞
夏磊
智明
杨飞
陈旭
鞠玲
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.)
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Taizhou Power Supply Co of State Grid Jiangsu Electric Power 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 Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202210958046.9A priority Critical patent/CN115051474B/zh
Publication of CN115051474A publication Critical patent/CN115051474A/zh
Application granted granted Critical
Publication of CN115051474B publication Critical patent/CN115051474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H02J13/00036—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers
    • 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
    • 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]

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种配电网线路开关状态识别方法及系统，方法包括：采集配电网中的母线位置信息和量测装置位置信息；根据所述母线位置信息和所述量测装置位置信息将所述配电网划分为多个子区域；在每个所述子区域中选择一个量测装置作为终端装置；子区域中的各个量测装置将采集的电气数据传输至所述终端装置；所述终端装置采集人工记录的开关状态信息，根据所述开关状态信息和所述电气数据进行特征提取得到特征集；各个终端装置将所述特征集传输至配电网主站；所述配电网主站对神经网络模型进行训练，并将经过训练的神经网络模型的模型参数输出至各个终端装置。该方法能够通过选取多个终端装置进行边缘计算，识别效率高，且节约了系统开发成本。

Description

一种配电网线路开关状态识别方法及系统
技术领域
本发明涉及配电网拓扑辨识领域，尤其涉及一种配电网线路开关状态识别方法及系统。
背景技术
配电网处于电力系统的末端，直接影响电力用户的用电体验。随着越来越多的分布式可再生能源接入配电网，其内部功率潮流的波动性也越来越大。出于降低线损、均衡负荷等目的，需要在配电网功率潮流发生变化时对配电网的拓扑结构做出相应调整，具体操作方法是改变配电网中线路开关的开闭状态。然而，配电网中的量测装置覆盖率较低，大部分线路开关上未配置量测装置，因而无法实时感知线路开关状态的变化，且依靠人工记录每一次拓扑调整工作过程中变动的线路开关状态容易出现差错。因此，需要利用配电网中现有的量测装置采集到的量测数据，来辨识配电网线路开关状态。
现有研究中提出的辨识方法可以分为模型驱动和数据驱动两大类，其中，数据驱动方法对配电自动化系统的数据存储与计算能力有较高的要求。例如，专利文献CN114048819A公开了一种基于注意力机制和卷积神经网络的配电网拓扑辨识方法，根据特征贡献度对量测数据进行特征筛选构建特征，并基于特征集对配电网拓扑辨识模型进行训练，将待辨识的配电网的量测数据送入配电网拓扑辨识模型，获取待辨识的配电网的拓扑结构。
该方案能够完成拓扑识别任务，但是数据的预处理、特征筛选、训练以及识别过程均在主站中进行，可能会存在存储能力和计算能力不足的问题，仅仅依靠配电自动化系统主站可能无法满足配电网线路开关状态识别要求。
发明内容
本发明提供了一种配电网线路开关状态识别方法及系统，通过选取多个终端装置进行边缘计算，从而分担配电网主站的存储和运算压力，识别效率高，且节约了系统开发成本。
一种配电网线路开关状态识别方法，包括：
采集配电网中的母线位置信息和量测装置位置信息；
根据所述母线位置信息和所述量测装置位置信息将所述配电网划分为多个子区域；
在每个所述子区域中选择一个量测装置作为终端装置；
子区域中的各个量测装置将采集的电气数据传输至所述终端装置；
所述终端装置采集人工记录的开关状态信息，根据所述开关状态信息和所述电气数据进行特征提取得到特征集；
各个终端装置将所述特征集传输至配电网主站；
所述配电网主站基于多个所述特征集对神经网络模型进行训练至所述神经网络模型收敛，并将经过训练的神经网络模型的模型参数输出至各个终端装置；
终端装置将所述模型参数输入至预先建立的本地神经网络模型，并基于实时电气数据和所述本地神经网络模型进行所在子区域的线路开关状态识别。
进一步地，根据所述母线位置信息和所述量测装置位置信息将所述配电网划分为多个子区域，包括：
设置子区域数量为k，等间距选定k个母线，每个母线上均安装有量测装置，选择其中一个量测装置作为子区域的聚类中心；
重复如下步骤，直至新的聚类中心与上一个聚类中心的差值小于预设阈值：分别计算其他母线位置与各个聚类中心的距离，将所述母线划分至与其距离最小的聚类中心对应的区域，根据所述区域中母线位置的平均值计算新的聚类中心；
当最新的聚类中心与上一个聚类中心的差值小于预设阈值时，获得k个子区域。
进一步地，在每个所述子区域中选择一个量测装置作为终端装置，包括：
建立评价模型，所述评价模型包括数据存储和处理能力评分、与配电网主站的通信能力评分以及与子区域内其他量测装置的通信能力评分；
根据所述评价模型计算各量测装置总得分，选择总得分最高的量测装置作为所述子区域的终端装置。
进一步地，所述评价模型通过如下公式表示：
Score=w1αm+w2βm+w3μm ;
αm＞α0；
βm＞β0；
μm＞μ0；
其中，αm、βm、μm分别为第m个量测装置的数据存储和处理能力评分、与配电网主站通信能力评分、与子区域内其他量测装置的通信能力评分，w1、w2、w3分别为第m个量测装置的数据存储和处理能力评分权重、与配电网主站通信能力评分权重、与子区域内其他量测装置的通信能力评分权重，α0、β0、μ0分别表示第m个量测装置的数据存储和处理能力最低评分、与配电网主站通信能力最低评分和与子区域内其他量测装置的通信能力最低评分，Score为量测装置的总得分。
进一步地，各个终端装置将所述特征集传输至配电网主站，包括：
发送传输请求至所述配电网主站；
若配电网主站处于非空闲状态，则不响应所述传输请求，若配电网主站处于空闲状态，则响应所述传输请求并生成响应信号发送至所述终端装置，所述终端装置接收到所述响应信号后将所述特征集传输至配电网主站。
进一步地，所述电气数据包括母线电压、馈线段末端节点的电压、流经馈线段的有功功率以及馈线段的无功功率，所述开关状态信息包括开关状态以及开关状态切换的时间；
根据所述开关状态信息和所述电气数据进行特征提取得到特征集，包括：
根据所述母线电压，计算母线电压相关性以及母线电压标准差；
根据所述馈线段末端节点的电压、流经馈线段的有功功率以及馈线段的无功功率，计算线性相关系数；
根据开关状态、开关状态切换的时间对应的所述母线电压相关性、母线电压标准差以及线性相关系数，生成所述特征集。
进一步地，所述母线电压相关性通过如下公式表示：
Figure 272949DEST_PATH_IMAGE002
；
所述母线电压标准差通过如下公式计算：
Figure 667021DEST_PATH_IMAGE003
；
其中，
Figure 530809DEST_PATH_IMAGE004
表示第i个母线和第j个母线的电压相关性，M为子区域中量测装置 的数量，Ui,m为第i个母线在第m个量测装置处的电压，Uj,m为第j个母线在第m个量测装置处 的电压，σ2表示母线电压标准差，Ui-1,m为第i-1个母线在第m个量测装置处的电压。
进一步地，所述线性相关系数通过如下公式计算：
Figure 202093DEST_PATH_IMAGE005
其中，N为子区域母线数量，Ui为第i个馈线段末端节点的电压，Pi为流经第i个馈线段的有功功率，Qi为流经第i个馈线段的无功功率，k1为Pi的线性回归系数，k2为Qi的线性回归系数，Ui-1为第i-1个馈线段末端节点的电压，γ为线性相关系数。
进一步地，所述神经网络模型包括多个多层感知机；
将经过训练的神经网络模型的模型参数输出至所述终端装置之后，还包括：
配电主站继续接收各个终端装置发送的特征集，并将所述特征集输入至所述神经网络模型并计算测试精度，若测试精度低于预设精度值，则将所述特征集输入至其中一个多层感知机进行训练，获得更新的模型参数，将更新的模型参数发送至各个终端装置。
一种配电网线路开关状态识别系统，包括服务器、配电主站、多条母线以及多个量测装置，所述服务器包括处理器和存储装置，所述存储装置存储有多条指令，所述处理器用于读取所述指令并执行上述方法。
本发明提供的配电网线路开关状态识别方法及系统，至少包括如下有益效果：
（1）通过选出的终端装置提取特征，并发送至配电网主站进行模型训练，训练后的模型参数再发回终端装置，终端装置和主站分别分担了特征提取和模型训练的任务，减轻了终端装置和主站的计算压力，主站接收多个终端装置发送的特征集，相对于各个终端装置独自训练，训练数据更加丰富，使得训练的模型精度更高，各个终端装置无需大量数据即可获得更精确的模型，终端装置后续无需再通过人工识别开关状态，有效节约成本；
（2）选取每个子区域的终端装置时，综合考虑量测装置的数据存储和处理能力、与配电网主站的通信能力以及与子区域内其他量测装置的通信能力，选出的终端装置能够更好更快地传输和存储数据，系统运行效率高；
（3）采用多个多层感知机构成的集成模型对线路开关状态进行识别，综合考虑多个多层感知机的输出结果得到最终的识别结果，大大降低了识别错误的几率，且采用多个终端装置发送的样本数据多次训练优化模型，得到的模型识别准确度高；
（4）神经网络模型中输入多种电气特征，并根据母线电压相关性、母线电压标准差和线性相关系数三种指标共同对电气数据进行线路开关状态特征提取，得到的模型测试精度更高，线路开关状态识别效果好。
附图说明
图1为本发明提供的配电网线路开关状态识别方法一种实施例的流程图。
图2为本发明提供的配电网线路开关状态识别方法用于识别的一种配电网的结构示意图。
图3为本发明提供的配电网线路开关状态识别方法用于识别的一种配电网局部结构示意图。
图4为本发明提供的配电网线路开关状态识别方法中神经网络模型一种实施例的结构示意图。
图5为本发明提供的配电网线路开关状态识别方法中模型训练方法一种实施例的流程图。
图6为本发明提供的配电网线路开关状态识别装置一种实施例的结构示意图。
图7为本发明提供的配电网线路开关状态识别系统一种实施例的结构示意图。
图8为本发明提供的配电网线路开关状态识别系统中服务器一种实施例的结构示意图。
附图标记：1-服务器，101-集成模型，102-多层感知机，201-采集模块，202-划分模块，203-终端模块，204-子区域传输模块，205-特征提取模块，206-传输模块，207-模型训练模块，208-识别模块，11-处理器，12-存储装置，3-配电主站，4-量测装置。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
为了便于对本申请的理解，先对本申请涉及的部分概念进行说明。
边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。
以下结合附图详细描述本申请实施例的技术方案。
参考图1，在一些实施例中，提供一种配电网线路开关状态识别方法，包括：
S1、采集配电网中的母线位置信息和量测装置位置信息；
S2、根据所述母线位置信息和所述量测装置位置信息将所述配电网划分为多个子区域；
S3、在每个所述子区域中选择一个量测装置作为终端装置；
S4、子区域中的各个量测装置将采集的电气数据传输至所述终端装置；
S5、所述终端装置采集人工记录的开关状态信息，根据所述开关状态信息和所述电气数据进行特征提取得到特征集；
S6、各个终端装置将所述特征集传输至配电网主站；
S7、所述配电网主站基于多个所述特征集对神经网络模型进行训练至所述神经网络模型收敛，并将经过训练的神经网络模型的模型参数输出至各个终端装置；
S8、终端装置将所述模型参数输入至预先建立的本地神经网络模型，并基于实时电气数据和所述本地神经网络模型进行所在子区域的线路开关状态识别。
具体地，步骤S1中，量测装置具有数据特征提取能力和高算力，母线位置信息为母线在配电网坐标系中的位置坐标，量测装置位置信息为量测装置在配电网坐标系中的位置坐标。作为一种较优的实施方式，量测装置为智能电表（Smart Meter），用于采集电压幅值，且智能电表具有较强的计算能力，可以用于提取数据特征。
步骤S2中，根据所述母线位置信息和所述量测装置位置信息将所述配电网划分为多个子区域，包括：
S21、设置子区域数量为k，等间距选定k个母线，每个母线上均安装有量测装置，选择其中一个量测装置作为子区域的聚类中心；
S22、重复如下步骤，直至新的聚类中心与上一个聚类中心的差值小于预设阈值：分别计算其他母线位置与各个聚类中心的距离，将所述母线划分至与其距离最小的聚类中心对应的区域，根据所述区域中母线位置的平均值计算新的聚类中心；
S23、当最新的聚类中心与上一个聚类中心的差值小于预设阈值时，获得k个子区域。
步骤S22中，根据所述区域中母线位置的平均值计算新的聚类中心，通过如下公式表示：
Figure 863275DEST_PATH_IMAGE006
；
Figure 151168DEST_PATH_IMAGE007
；
其中，x0为新的聚类中心横坐标，y0为新的聚类中心纵坐标，m为子区域中包含母线个数，xi为第i个母线的横坐标，yi为第i个母线的纵坐标。
步骤S23中，若新的聚类中心与上一个聚类中心的坐标差值小于预设阈值，则说明分区情况趋于稳定，得到了相对合理的子区域划分方案。最终得到k个子区域，配电网中的所有母线和所有量测装置均被划分至这k个子区域内。
步骤S3中，在每个所述子区域中选择一个量测装置作为终端装置，包括：
S31、建立评价模型，所述评价模型包括数据存储和处理能力评分、与配电网主站的通信能力评分以及与子区域内其他量测装置的通信能力评分；
S32、根据所述评价模型计算各量测装置总得分，选择总得分最高的量测装置作为所述子区域的终端装置。
步骤S32中，所述评价模型通过如下公式表示：
Score=w1αm+w2βm+w3μm
Figure 553068DEST_PATH_IMAGE001
αm＞α0；
βm＞β0；
μm＞μ0；
其中，αm、βm、μm分别为第m个量测装置的数据存储和处理能力评分、与配电网主站通信能力评分、与子区域内其他量测装置的通信能力评分，w1、w2、w3分别为第m个量测装置的数据存储和处理能力评分权重、与配电网主站通信能力评分权重、与子区域内其他量测装置的通信能力评分权重，α0、β0、μ0分别表示第m个量测装置的数据存储和处理能力最低评分、与配电网主站通信能力最低评分和与子区域内其他量测装置的通信能力最低评分，Score为量测装置的总得分。
需要说明的是，量测装置的数据存储和处理能力评分、与配电网主站通信能力评分和与子区域内其他量测装置的通信能力评分，是根据量测装置的性能优劣，请专业人员人工打分得到的。评分权重由所用的开关状态辨识算法确定。作为一种较优的实施方式，w1、w2、w3均取1。
步骤S4中，电气数据包括母线电压、馈线段末端节点的电压、流经馈线段的有功功率以及馈线段的无功功率，所述开关状态信息包括开关状态以及开关状态切换的时间。子区域中的各个量测装置将采集的电气数据传输至所述终端装置之后，还包括对所述电气数据进行预处理，具体包括：
计算所述电气数据的绝对中位差，识别去除异常值，并通过三次Hermite插值算法填补缺失值。
在一些实施例中，首先根据绝对中位差准则识别并去除异常值，计算原始电气数据中各个采样点的绝对中位差，将绝对中位差大于预设值的采样点作为异常值去除，所述绝对中位差MAD通过如下公式表示：
MAD=median(|Xi-median(X)|)；
其中，X为全部原始电气数据，Xi表示第i个原始电气数据，median(X)表示原始电气数据X的中位数。
在电气数据时间序列中，有部分量测装置未采集到电气数据，也有部分电气数据被作为异常值去除，因此需要填补这些缺失的电气数据值。参考邻近的三个采样点(x0,y0)、(x1,y1)、(x2,y2)的值，使用三次Hermite插值填补缺失值。三次Hermite插值多项式表示如下：
Figure 282121DEST_PATH_IMAGE008
；
Figure 170662DEST_PATH_IMAGE009
；
Figure 211430DEST_PATH_IMAGE010
；
Figure 885863DEST_PATH_IMAGE011
；
步骤S5中，根据所述开关状态信息和所述电气数据进行特征提取得到特征集，包括：
S51、根据所述母线电压，计算母线电压相关性以及母线电压标准差；
S52、根据所述馈线段末端节点的电压、流经馈线段的有功功率以及馈线段的无功功率，计算线性相关系数；
S53、根据开关状态、开关状态切换的时间对应的所述母线电压相关性、母线电压标准差以及线性相关系数，生成所述特征集。
对经过预处理的电气数据进行特征提取，将电气特征与开关状态、开关状态切换的时间对应后，使用压缩存储技术，以神经网络训练样本的形式保存终端装置产生的时间序列数据，得到特征集，准备向配电网主站提交传输请求。需要说明的是，本实施例基于边缘计算的原理，对电气数据的预处理、特征提取和数据压缩存储操作均在各个终端装置中完成，而不占用配电网主站的存储资源和计算资源，从而分散主站压力，避免对配电网主站中设备的计算和存储能力要求过高的问题。
具体地，所述母线电压相关性通过如下公式表示：
Figure 469422DEST_PATH_IMAGE002
；
其中，
Figure 206827DEST_PATH_IMAGE004
表示第i个母线和第j个母线的电压相关性，M为子区域中量测装置 的数量，Ui,m为第i个母线在第m个量测装置处的电压，Uj,m为第j个母线在第m个量测装置处 的电压，σ2表示母线电压标准差，Ui-1,m为第i-1个母线在第m个量测装置处的电压。
以下说明基于母线电压相关性对线路开关状态进行识别的依据。
参考图2，本实施例提供的配电网线路开关状态识别方法应用于双电源配电网中。该配电网由变电站A和变电站B供电，各个母线之间设有馈线段，各个馈线段上设有线路开关，通过改变线路开关的开闭状态，可以改变各个母线所挂接配变电能来源和配电网的潮流，从而实现均衡变电站的负载、减小网损的目的。假设母线i与母线i+1之间的线路开关断开，其他线路开关都闭合，则第i-1个母线、第i个母线、第i+1个母线的电压应满足如下关系式：
Ui-1=US1-Z1I1-Z2I2-…-Zi-1Ii-1； （1）
Ui=US1-Z1I1-Z2I2-…-Zi-1Ii-1-ZiIi； （2）
Ui+1=US2-Zn+1(-In+1)-Zn(-In)-…-Zi+2(-Ii+2)； （3）
其中，US1为变电站A的电压，US2为变电站B的电压，Ui是第i个母线的电压，Zi和Ii分别是第i-1个母线与第i个母线之间馈线段的线路阻抗和电流。由上述关系式可知，Ui与Ui-1的相关性要高于Ui和Ui+1的相关性，因此，母线间的电压相关性可以作为判断线路开关状态的指标之一。
进一步地，由式（1）-（3）可知，在给定线路开关状态下，线路开关连通的母线间电压差波动小于非连通的母线间电压差波动，因此，母线电压标准差，即母线间电压差时间序列的标准差，可以作为判断线路开关状态的指标之一。所述母线电压标准差通过如下公式计算：
Figure 469312DEST_PATH_IMAGE003
；
其中，M为子区域量测装置数量，Ui,m为第i个母线在第m个量测装置处的电压，σ2表示母线电压标准差，Ui-1,m为第i-1个母线在第m个量测装置处的电压。
所述线性相关系数通过如下公式计算：
Figure 213015DEST_PATH_IMAGE005
；
其中，N为子区域母线数量，Ui为第i个馈线段末端节点的电压，Pi为流经第i个馈线段的有功功率，Qi为流经第i个馈线段的无功功率，k1为Pi的线性回归系数，k2为Qi的线性回归系数，Ui-1为第i-1个馈线段末端节点的电压，γ为线性相关系数。
以下说明基于线性相关系数对线路开关状态进行识别的依据。参考图3，第i-1个母线和第i个母线之间的馈线段上的开关闭合，根据Distflow公式可得如下关系式：
Figure 775715DEST_PATH_IMAGE012
；（4）
在式（4）中，表示馈线段上的功率损耗，与其它项相比可忽略不计，因此上述关系式可化简为：
Ui-1,m 2-Ui,m 2=2RiPi,m+2XiQi,m； （5）
其中，Pi,m为流经第i个馈线段在第m个量测装置处的有功功率，Qi,m为流经第i个馈线段在第m个量测装置处的无功功率，Xi为第i个馈线段的电抗，Ui,m为第i个馈线段在第m个量测装置处的电压、Ri为第i个馈线段的电阻。
式（5）中，Ui-1,m 2-Ui,m 2、Pi,m和Qi,m是时变的，而Ri和Xi是时不变的。因此Ui 2-Ui-1 2、Pi和Qi的时间序列之间存在线性关系，而开关断开状态的馈线段，如Ui+1 2-Ui 2、Pi和Qi的时间序列之间不具有这样的线性关系。因此，可以将Ui 2-Ui-1 2、Pi和Qi之间的线性相关系数作为判断开关状态的指标之一。
具体地，Ui 2-Ui-1 2、Pi和Qi之间的线性相关系数通过如下公式进行计算：
Figure 412583DEST_PATH_IMAGE013
；
Figure 631206DEST_PATH_IMAGE014
；
Figure 709758DEST_PATH_IMAGE015
；
其中，Ui为第i个馈线段末端节点的电压，Ui-1为第i-1个馈线段末端节点的电压，Pi为流经第i个馈线段的有功功率，Qi为流经第i个馈线段的无功功率，k1为Pi的线性回归系数，k2为Qi的线性回归系数。
步骤S6中，各个终端装置将所述特征集传输至配电网主站，包括：
S61、终端装置发送传输请求至所述配电网主站；
S62、若配电网主站处于非空闲状态，则不响应所述传输请求，若配电网主站处于空闲状态，则响应所述传输请求并生成响应信号发送至所述终端装置，所述终端装置接收到所述响应信号后将所述特征集传输至配电网主站。
参考图4，步骤S7中，所述神经网络模型为多个多层感知机102构成的集成模型101。电气数据X1在终端装置中经过特征提取得到特征集C1，集成模型101接收特征集C1，集成模型101中的每个多层感知机102输出0或1，根据各个多层感知机102的输出综合评判，得到线路开关状态识别结果。
具体地，配电网主站接收整个配电网区域所有终端装置发送的特征集进行模型训练，训练数据丰富，获得的模型精度高，将模型参数发送至终端装置，终端装置的本地神经网络模型和配电网主站的神经网络模型结构一致，将模型参数输入至本地神经网络模型，即可通过该本地神经网络模型进行开关状态的识别。对于各个终端装置，只需提供子区域内的少量的训练数据即可获得高精度的模型。终端装置和主站分别分担了特征提取和模型训练的任务，减轻了终端装置和主站的计算压力。
步骤S7中，将经过训练的神经网络模型的模型参数输出至所述终端装置之后，还包括：
配电主站继续接收各个终端装置发送的特征集，并将所述特征集输入至所述神经网络模型并计算测试精度，若测试精度低于预设精度值，则将所述特征集输入至其中一个多层感知机进行训练，获得更新的模型参数，将更新的模型参数发送至各个终端装置。
具体地，终端装置在获得模型参数之后，可以根据采集的实时的电气数据以及本地的神经网络模型进行开关状态的识别，也可以定时采集人工记录的开关状态信息，根据所述开关状态信息和所述电气数据进行特征提取再次得到特征集，用于模型的再次训练。
参考图5，在某些实施例中，配电主站接收各个终端装置发送的特征集，当接收到一组特征集时，将所述特征集输入至经过训练的神经网络模型并计算测试精度，如果测试精度低于预设精度值，则将这组特征集输入至其中一个多层感知机进行训练，更新模型参数，将更新的模型参数发送至各个终端装置；如果测试精度高于预设精度值，说明当前神经网络模型满足该组特征集的识别精度要求，则不进行基于该组特征集的进一步训练。每接收到一组特征集重复一遍上述操作，根据测试精度与预设精度值的比较结果决定是否基于该组特征集进行训练，不断优化神经网络模型，提升模型识别效果。
步骤S8中，本地神经网络模型接收了经过训练的模型参数，基于实时电气数据对所述子区域内的线路开关状态进行识别之后，各个终端装置将对应子区域的线路开关状态识别结果传输至配电网主站，在主站中得到整个配电网的线路开关状态识别结果。
参考图6，在一些实施例中，提供一种配电网线路开关状态识别装置，包括：
采集模块201，用于采集配电网中的母线位置信息和量测装置位置信息；
划分模块202，用于根据所述母线位置信息和所述量测装置位置信息将所述配电网划分为多个子区域；
终端模块203，用于在每个所述子区域中选择一个量测装置作为终端装置；
子区域传输模块204，用于子区域中的各个量测装置将采集的电气数据传输至所述终端装置；
特征提取模块205，用于所述终端装置采集人工记录的开关状态信息，根据所述开关状态信息和所述电气数据进行特征提取得到特征集；
传输模块206，用于各个终端装置将所述特征集传输至配电网主站；
模型训练模块207，用于所述配电网主站基于多个所述特征集对神经网络模型进行训练至模型收敛，并将经过训练的神经网络模型的模型参数输出至各个终端装置；
识别模块208，用于终端装置将所述模型参数输入至预先建立的本地神经网络模型，并基于实时电气数据和所述本地神经网络模型进行所在子区域的线路开关状态识别。
参考图7和图8，在一些实施例中，提供一种配电网线路开关状态识别系统，包括服务器1、配电主站2、多条母线3以及多个量测装置4，所述服务器1包括处理器11和存储装置12，所述存储装置12存储有多条指令，所述处理器11用于读取所述指令并执行上述方法。
本实施例提供的配电网线路开关状态识别方法及系统，选取每个子区域的终端装置时，综合考虑量测装置的数据存储和处理能力、与配电网主站的通信能力以及与子区域内其他量测装置的通信能力，选出的终端装置能够更好更快地传输和存储数据，系统运行效率高；采用多个多层感知机构成的集成模型对线路开关状态进行识别，综合考虑多个多层感知机的输出结果得到最终的识别结果，大大降低了识别错误的几率，且采用多个终端装置发送的样本数据多次训练优化模型，得到的模型识别准确度高；神经网络模型中输入多种电气特征，并根据母线电压相关性、母线电压标准差和线性相关系数三种指标共同对电气数据进行线路开关状态特征提取，得到的模型测试精度更高，线路开关状态识别效果好；在多个终端装置中进行预处理和特征提取以及开关状态识别的操作，在配电主站中只进行模型训练过程，分担了主站的计算和存储压力，节约了系统开发成本。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种配电网线路开关状态识别方法，其特征在于，包括：
采集配电网中的母线位置信息和量测装置位置信息；
根据所述母线位置信息和所述量测装置位置信息将所述配电网划分为多个子区域；
在每个所述子区域中选择一个量测装置作为终端装置；
子区域中的各个量测装置将采集的电气数据传输至所述终端装置；
所述终端装置采集人工记录的开关状态信息，根据所述开关状态信息和所述电气数据进行特征提取得到特征集；
各个终端装置将所述特征集传输至配电网主站；
所述配电网主站基于多个所述特征集对神经网络模型进行训练至模型收敛，并将经过训练的神经网络模型的模型参数输出至各个终端装置；
终端装置将所述模型参数输入至预先建立的本地神经网络模型，并基于实时电气数据和所述本地神经网络模型进行所在子区域的线路开关状态识别；
根据所述母线位置信息和所述量测装置位置信息将所述配电网划分为多个子区域，包括：
设置子区域数量为k，等间距选定k个母线，每个母线上均安装有量测装置，选择其中一个量测装置作为子区域的聚类中心；
重复如下步骤，直至新的聚类中心与上一个聚类中心的差值小于预设阈值：分别计算其他母线位置与各个聚类中心的距离，将所述母线划分至与其距离最小的聚类中心对应的区域，根据所述区域中母线位置的平均值计算新的聚类中心；
当最新的聚类中心与上一个聚类中心的差值小于预设阈值时，获得k个子区域；
在每个所述子区域中选择一个量测装置作为终端装置，包括：
建立评价模型，所述评价模型包括数据存储和处理能力评分、与配电网主站的通信能力评分以及与子区域内其他量测装置的通信能力评分；
根据所述评价模型计算各量测装置总得分，选择总得分最高的量测装置作为所述子区域的终端装置；
所述评价模型通过如下公式表示：
Score=w1αm+w2βm+w3μm；
αm＞α0；
βm＞β0；
μm＞μ0；
其中，αm、βm、μm分别为第m个量测装置的数据存储和处理能力评分、与配电网主站通信能力评分、与子区域内其他量测装置的通信能力评分，w1、w2、w3分别为第m个量测装置的数据存储和处理能力评分权重、与配电网主站通信能力评分权重、与子区域内其他量测装置的通信能力评分权重，α0、β0、μ0分别表示第m个量测装置的数据存储和处理能力最低评分、与配电网主站通信能力最低评分、与子区域内其他量测装置的通信能力最低评分，Score为量测装置的总得分；
子区域中的各个量测装置将采集的电气数据传输至所述终端装置之后，还包括对所述电气数据进行预处理，具体包括：
计算所述电气数据的绝对中位差，识别去除异常值，并通过三次Hermite插值算法填补缺失值；
根据绝对中位差准则识别并去除异常值，计算原始电气数据中各个采样点的绝对中位差，将绝对中位差大于预设值的采样点作为异常值去除，所述绝对中位差MAD通过如下公式表示：
MAD=median(|Xi-median(X)|)；
其中，X为全部原始电气数据，Xi表示第i个原始电气数据，median(X)表示原始电气数据X的中位数；
根据邻近的三个采样点(x0,y0)、(x1,y1)、(x2,y2)的值，使用三次Hermite插值填补缺失值；三次Hermite插值多项式表示如下：
Figure 141049DEST_PATH_IMAGE001
；
Figure DEST_PATH_IMAGE002
；
Figure 882957DEST_PATH_IMAGE003
；
Figure DEST_PATH_IMAGE004
。
2.根据权利要求1所述的方法，其特征在于，各个终端装置将所述特征集传输至配电网主站，包括：
发送传输请求至所述配电网主站；
若配电网主站处于非空闲状态，则不响应所述传输请求，若配电网主站处于空闲状态，则响应所述传输请求并生成响应信号发送至所述终端装置，所述终端装置接收到所述响应信号后将所述特征集传输至配电网主站。
3.根据权利要求1所述的方法，其特征在于，所述电气数据包括母线电压、馈线段末端节点的电压、流经馈线段的有功功率以及馈线段的无功功率，所述开关状态信息包括开关状态以及开关状态切换的时间；
根据所述开关状态信息和所述电气数据进行特征提取得到特征集，包括：
根据所述母线电压，计算母线电压相关性以及母线电压标准差；
根据所述馈线段末端节点的电压、流经馈线段的有功功率以及馈线段的无功功率，计算线性相关系数；
根据开关状态、开关状态切换的时间对应的所述母线电压相关性、母线电压标准差以及线性相关系数，生成所述特征集。
4.根据权利要求3所述的方法，其特征在于，所述母线电压相关性通过如下公式表示：
Figure 23214DEST_PATH_IMAGE005
;
所述母线电压标准差通过如下公式计算：
Figure DEST_PATH_IMAGE006
；
其中，
Figure DEST_PATH_IMAGE007
表示第i个母线和第j个母线的电压相关性，M为子区域中量测装置的数 量，Ui,m为第i个母线在第m个量测装置处的电压，Uj,m为第j个母线在第m个量测装置处的电 压，σ2表示母线电压标准差，Ui-1,m为第i-1个母线在第m个量测装置处的电压。
5.根据权利要求4所述的方法，其特征在于，所述线性相关系数通过如下公式计算：
Figure DEST_PATH_IMAGE008
；
其中，N为子区域母线数量，Ui为第i个馈线段末端节点的电压，Pi为流经第i个馈线段的有功功率，Qi为流经第i个馈线段的无功功率，k1为Pi的线性回归系数，k2为Qi的线性回归系数，Ui-1为第i-1个馈线段末端节点的电压，γ为线性相关系数。
6.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括多个多层感知机；
将经过训练的神经网络模型的模型参数输出至所述终端装置之后，还包括：
配电网主站继续接收各个终端装置发送的特征集，并将所述特征集输入至所述神经网络模型并计算测试精度，若测试精度低于预设精度值，则将所述特征集输入至其中一个多层感知机进行训练，获得更新的模型参数，将更新的模型参数发送至各个终端装置。
7.一种配电网线路开关状态识别系统，其特征在于，包括服务器、配电网主站、多条母线以及多个量测装置，所述服务器包括处理器和存储装置，所述存储装置存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-6任一所述的方法。
CN202210958046.9A 2022-08-11 2022-08-11 一种配电网线路开关状态识别方法及系统 Active CN115051474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210958046.9A CN115051474B (zh) 2022-08-11 2022-08-11 一种配电网线路开关状态识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210958046.9A CN115051474B (zh) 2022-08-11 2022-08-11 一种配电网线路开关状态识别方法及系统

Publications (2)

Publication Number Publication Date
CN115051474A CN115051474A (zh) 2022-09-13
CN115051474B true CN115051474B (zh) 2023-01-13

Family

ID=83167082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210958046.9A Active CN115051474B (zh) 2022-08-11 2022-08-11 一种配电网线路开关状态识别方法及系统

Country Status (1)

Country Link
CN (1) CN115051474B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169118A (zh) * 2021-12-17 2022-03-11 国网上海市电力公司 考虑分布式电源出力相关性的配电网拓扑结构辨识方法
CN114942359A (zh) * 2022-05-23 2022-08-26 国网河北省电力有限公司保定供电分公司 一种终端的功能评价方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169118A (zh) * 2021-12-17 2022-03-11 国网上海市电力公司 考虑分布式电源出力相关性的配电网拓扑结构辨识方法
CN114942359A (zh) * 2022-05-23 2022-08-26 国网河北省电力有限公司保定供电分公司 一种终端的功能评价方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Switch State Identification in Distribution Network Based on Edge Computing;Rui Fu等;《2021 IEEE Sustainable Power and Energy Conference》;20211225;第2318-2323页 *

Also Published As

Publication number Publication date
CN115051474A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN108320043A (zh) 一种基于电力大数据的配电网设备状态诊断预测方法
CN110601173B (zh) 基于边缘计算的配网拓扑识别方法及装置
CN102522709B (zh) 变压器状态检修的决策方法及系统
CN112614011B (zh) 电力配网物资需求预测方法和装置、存储介质及电子设备
CN111628494B (zh) 一种基于逻辑回归法的低压配电网拓扑识别方法及系统
CN106709816A (zh) 基于非参数回归分析的电力负荷异常数据识别与修正方法
CN110826228B (zh) 一种地区电网运行品质极限评估方法
CN115170000A (zh) 一种基于电能表通信模块的远程监测方法及系统
CN114519514B (zh) 一种低压台区合理线损值测算方法、系统及计算机设备
CN115013298A (zh) 污水泵的实时性能在线监测系统及其监测方法
CN110794254B (zh) 一种基于强化学习的配电网故障预测方法及系统
CN110766190A (zh) 一种配电网负荷预测方法
CN116385956A (zh) 不间断电源的电池健康状态监测的方法和系统
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN115051474B (zh) 一种配电网线路开关状态识别方法及系统
CN113298318A (zh) 一种新型的配电变压器重过载预测方法
CN113704389A (zh) 一种数据评估方法、装置、计算机设备及存储介质
CN114838923A (zh) 有载分接开关的故障诊断模型建立方法及故障诊断方法
CN115618286A (zh) 变压器局部放电类型识别方法、系统、设备、终端及应用
CN115511111A (zh) 一种基于时序数据多尺度特征的电站运维状态监测方法
CN115144699A (zh) 一种基于记忆增强神经网络的配电网故障区段定位方法
CN113902183A (zh) 基于bert的非侵入式台区充电桩状态监测与电价调整方法
CN117834455B (zh) 一种电力物联网数据传输仿真方法和系统
Mao et al. An early warning method of distribution system fault risk based on data mining
CN117826056A (zh) 关口互感器误差动态感知系统

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