CN115130764A - 基于状态评估的配电网态势预测方法及系统 - Google Patents
基于状态评估的配电网态势预测方法及系统 Download PDFInfo
- Publication number
- CN115130764A CN115130764A CN202210790113.0A CN202210790113A CN115130764A CN 115130764 A CN115130764 A CN 115130764A CN 202210790113 A CN202210790113 A CN 202210790113A CN 115130764 A CN115130764 A CN 115130764A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- situation
- node
- time
- 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 83
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 230000008447 perception Effects 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 24
- 238000002347 injection Methods 0.000 claims description 23
- 239000007924 injection Substances 0.000 claims description 23
- 238000012731 temporal analysis Methods 0.000 claims description 18
- 238000000700 time series analysis Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 8
- 238000005311 autocorrelation function Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 11
- 230000007774 longterm Effects 0.000 description 7
- 230000000737 periodic effect Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012886 linear function 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
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/153—Multidimensional correlation or convolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开属于配电网技术领域,具体涉及一种基于状态评估的配电网态势预测方法及系统,包括:获取配电网实时运行数据;根据所获取配电网实时运行数据,计算配电网安全态势指标;依据配电网的历史运行数据和所得到的配电网安全态势指标,采用自回归滑动平均模型预测未来时刻的节点电压,计算配电网安全态势指标的预测值,实现配电网安全性态势感知指标短期预测。
Description
技术领域
本公开属于配电网技术领域,具体涉及一种基于状态评估的配电网态势预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
配电网在电力系统中负责向终端用户分配电能,直接影响着系统的供电质量,其重要性不言而喻。随着经济的高速发展,能源需求量和社会用电量快速增长,可再生能源与分布式发电越来越受到重视。分布式能源一般直接与配电网相连,且随着多元负荷的接入,配电网的运行与控制趋于复杂多样,配电系统在运行过程中面临的风险逐渐增加。
据发明人了解,配电网的运行态势是电网中电气设备运行状况、网络潮流情况以及用户侧用电行为等的当前运行状态和变化趋势。配电网态势感知是掌握配电网运行态势的重要技术手段,进而实现在一定的时空范围内,认知、理解影响配电网运行的多种因素,有效把握配电网的运行态势,进而提高电网运行的可靠性。
发明内容
为了解决上述问题,本公开提出了一种基于状态评估的配电网态势预测方法及系统,对各节点电压的变化趋势做出预测,便于全面掌握各状态量的变化,及时掌握配电网运行态势,得到未来态的状态量,进而评估未来时刻的运行状态,及时发现异常供电和潜在故障,从而加强配电网的管理,提高经济运行水平。
根据一些实施例,本公开的第一方案提供了一种基于状态评估的配电网态势预测方法,采用如下技术方案:
一种基于状态评估的配电网态势预测方法,包括:
获取配电网实时运行数据;
根据所获取配电网实时运行数据,计算配电网安全态势指标;
依据配电网的历史运行数据和所得到的配电网安全态势指标,采用自回归滑动平均模型预测未来时刻的节点电压,计算配电网安全态势指标的预测值,实现配电网安全性态势感知指标短期预测。
作为进一步的技术限定,获取配电网实时运行数据的过程中,分别通过同步向量测量单元、远程终端单元和馈线终端单元获取配电网的状态检测信息,得到配电网的实时运行数据。
作为进一步的技术限定,计算配电网安全态势指标的具体过程为:
对所获取的配电网实时运行数据进行多时间尺度的状态估计,得到更新周期内的节点电压相量信息;
根据所得到的节点电压相量信息计算配电网节点的支路电流和节点注入电流;
根据得到的支路电流和节点注入电流,计算节点注入功率的复功率和支路功率的复功率;
将配变所在节点的注入功率视为配变负载,主变所在节点的注入功率视为主变负载,实时计算主变过载率、配变过载率、线路过载率和线路重过载比例,完成配电网安全势态的风险评估。
进一步的,根据所得到的节点电压相量信息判断节点电压是否越界,判得到节点电压越限值。
作为进一步的技术限定,所述自回归滑动平均模型采用时间序列分析,所述自回归滑动平均模型建立的过程为:
对输入的数据进行判断,判断其是否为平稳非纯随机序列,若平稳则直接转入下一步;否则需先进行数据处理,再转入下一步;
通过自相关和偏自相关函数,并结合AIC准则或BIC准则对所述平稳非纯随机序列进行识别和定阶,进行参参数的估计;
完成参数估计后,对拟合的模型进行适应性检验,若拟合模型通过检验,则开始进行预测阶段;若模型检验不通过,则重新进行识别和检验;
利用适应性高的拟合模型,预测序列的未来变化趋势。
进一步的,预测未来时刻的节点电压的具体过程为:
读取配电网的历史运行数据,所述配电网的历史运行数据包括节点电压幅值和相角;
选取某一段时间序列计算该时间序列中电压状态与历史状态信息的相关性,筛选具有强相关性的历史状态信息作为自回归滑动平均模型的自变量;
根据协方差及最小二乘法估计构造预测矩阵;
根据矩阵在最新时刻t预测未来时刻t+1的各节点电压。
作为进一步的技术限定,计算配电网安全态势指标的预测值的具体过程为:基于所得到的节点电压短期态势预测信息,计算电压越限指标,通过导纳矩阵计算配电网节点注入电流、支路流经电流并根据电流电压计算节点注入功率及节点流经功率,获得各项配电网安全性态势指标的预测值。
根据一些实施例,本公开的第二方案提供了一种基于状态评估的配电网态势预测系统,采用如下技术方案:
一种基于状态评估的配电网态势预测系统,包括:
获取模块,其被配置为获取配电网实时运行数据;
计算模块,其被配置为根据所获取配电网实时运行数据,计算配电网安全态势指标;
预测模块,其被配置为依据配电网的历史运行数据和所得到的配电网安全态势指标,采用自回归滑动平均模型预测未来时刻的节点电压,计算配电网安全态势指标的预测值,实现配电网安全性态势感知指标短期预测。
根据一些实施例,本公开的第三方案提供了一种计算机可读存储介质,采用如下技术方案:
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的基于状态评估的配电网态势预测方法中的步骤。
根据一些实施例,本公开的第四方案提供了一种电子设备,采用如下技术方案:
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于状态评估的配电网态势预测方法中的步骤。
与现有技术相比,本公开的有益效果为:
本公开基于状态估计的安全态势预测,对各节点电压的变化趋势做出预测,及时掌握配电网运行态势,得到未来态的状态量,进而评估未来时刻的运行状态,及时发现异常供电和潜在故障,从而加强配电网的管理,提高经济运行水平。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例一中的基于状态评估的配电网态势预测方法的流程图;
图2是本公开实施例一中的配电网态势感知安全性评估指标框图;
图3是本公开实施例一中的基于PMU状态估计的安全态势评估框图;
图4是本公开实施例一中的基于状态估计的安全态势预测的流程图;
图5是本公开实施例一中的节点3电压幅值变化的对比图;
图6是本公开实施例一中的节点5电压幅值变化的对比图;
图7是本公开实施例一中的节点13电压幅值变化的对比图;
图8是本公开实施例一中的节点3电压相角变化的对比图;
图9是本公开实施例一中的节点3电压相角变化的对比图;
图10是本公开实施例二中的基于状态评估的配电网态势预测系统的结构框图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种基于状态评估的配电网态势预测方法。
如图1所示的一种基于状态评估的配电网态势预测方法,包括:
获取配电网实时运行数据;
根据所获取配电网实时运行数据,计算配电网安全态势指标;
依据配电网的历史运行数据和所得到的配电网安全态势指标,采用自回归滑动平均模型预测未来时刻的节点电压,计算配电网安全态势指标的预测值,实现配电网安全性态势感知指标短期预测。
作为一种或多种实施方式,本实施例针对10kV区域配电网的重要元件:主变压器、配电变压器和10kV馈线线路,指标类型分为过载指标和风险指标两类,并按正常运行评估,K(N-1+1)校验,风险评估三类评估任务进行划分,具体如图2所示:
其中,过载指标分为主变负载率、10kV线路重过载比例、配变负载率和电压越限值。基于同步相量测同步相量测量单元(Phasor Measurement Unit,简称PMU)的短时状态估计提供了实时更新的节点电压监测信息,运行中心根据节点电压信息可以直接在线判断电压是否越限。其他过载指标不能直接获得,但可以根据网络关系在线计算:根据电网结构和参数实时计算得到支路电流及节点注入电流,由于电流、电压状态都附带相角信息,所以支路流经功率和节点注入功率可以通过复功率计算在线获得,主变和配变的负载可以看作是变压器所在的节点的注入功率,从而由状态估计的结果计算出了主变和匹配变的负载率,同样10kV线路的重过载比例可以通过计算每条线路的流经功率得到,计算安全态势指标。
虽然远程终端单元(RemoteTerminal Unit,简称RTU)、馈线终端单元(FeederTerminal Unit,FTU)量测也能获得支路功率和节点功率信息,但量测精度不高采样间隔比较长,不满足态势感知实时精确感知系统状态的需求,PMU设备虽然性能强大但是配置有限,所以,利用基于PMU混合量测的多时间尺度状态估计的结果进行在线安全态势评估相比直接运用状态监测信息计算更合适。基于过载指标的在线计算结果,采用统计学分析方法可以在线获得配网风险指标。基于上述指标评估流程,运行中心即可获得完整的实时的安全性态势评估指标。
如图3所示,基于状态估计结果实时计算配网安全性态势指标的具体流程如下:
获取PMU、RTU、FTU等量测设备的状态监测信息,进行多时间尺度的状态估计,多时间尺度的状态估计可以提供更新周期为1s的节点电压相量信息U;
根据节点电压相量信息U直接判断各节点电压是否越限;
根据节点两端的电压及中间支路的阻抗计算区域配电网各支路电流IL或直接利用区域配网导纳矩阵Y计算根据节点基尔霍夫电流定律(即KCL原理)可以算出节点注入电流:
Iij=(Ui-Uj)/Zij (1)
I=YU (2)
其中,j是与节点i相邻的节点,N是与节点i相邻的节点数;由于式中的电压是相量信息,所以求得的电流也附带有相角信息;
根据计算出的支路电流与节点电流与节点电压相量化为直角坐标系并相乘,可以分别得到支路功率和节点注入功率的复功率;
将配变所在节点的注入功率看作配变负载,主变所在节点的注入功率看作主变负载,实时计算主变过载率、配变过载率和主要线路过载率及主要线路重过载比例;
基于实时安全指标评估分数与历史安全态势数据进行分析,并采用统计学方法分析各设备和区域配网系统的整体风险。
基于PMU混合量测状态估计结果的安全态势预测流程如图4所示,由于状态估计提供的是1s更新一次的实时信息,所以基于状态估计的结果应预测较短的时间内的状态,而长期的状态规律分析应考虑负荷日间和周间的周期波动和系统控制方式,不宜只依靠基于状态估计的态势预测结果。根据超短期负荷波动的5分钟标准周期设定基于状态估计的安全态势预测的预测目标是最长5分钟后的安全态势,基于本课题的另一项研究内容——负荷预测获得的未来1小时内的负荷变化(每15分钟一个预测时间点)进行离线潮流计算,得到未来每15分钟的安全态势指标评估分数,两个分数根据配网的运行状况分配权重求和得到最终的区域配网的安全态势预测结果,这样既考虑了区域配网短期的波动性和随机性,也考虑了配网负荷波动的周期性规律和长期发展趋势。
分析在线状态估计结果并进行安全态势指标预测的模型是ARMA预测模型,即自回归滑动平均模型(Autoregressivemovingaveragemodel),该模型采用的是时间序列分析方法,这种方法通过分析历史信息进行预测,能计算出按时间顺序排列的一连串未来信息,并且能根据时间推进动态更新,所以符合在线安全态势预测的要求。
时间序列(Time Series)是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值(如1秒,5分钟,12小时,7天,1年),因此时间序列可以作为离散时间数据进行分析处理。时间序列广泛应用于数理统计、信号处理、模式识别、计量经济学、数学金融、天气预报、地震预测、脑电图、控制工程、航空学、通信工程以及绝大多数涉及到时间数据测量的应用科学与工程学。
时间序列分析的基本思想是根据系统的有限时间内的运行状态信息(状态监测数据),建立能够比较精确地反映序列中所包含的动态依存关系的数学模型,并借以对系统的未来进行预报[52]。这种动态依存关系被设计为满足稳定性条件,假设时间序列变量是从某个随机过程中随机抽取并按时间排列形成的,则一定存在一个稳定趋势,即时间序列最终趋于一个常数或是线性函数。
但是现实中很多情况下所提供的历史信息和所要求预测的未来信息之间的关系是不稳定的,并且信息之间的方差是不固定的,所以需要采用相应的模型解决时间序列方差的波动问题及时间序列趋势不稳定的问题。时间序列一般会表现出以下几种特征:
1.长期趋势变化:时间序列表现为一种确定倾向,它按某种规则稳步地增长或下降。
2.季节性周期变化:受季节更替等因素影响,序列依一归哪个周期规则性的变化。
3.循环变化:周期不固定的周期性变化。
4.随机性变化:由许多不确定性因素引起的序列变化。
以区域配电网的电压变化为例,区域配电网按年、月、日的长时间尺度存在长期的趋势变化和季节性的周期变化,但当时间尺度缩短为一小时内,则确定性变化与随机性变化俱存,若时间尺度缩短到五分钟,则随机性变化为主要变化。根据时间序列不同的变化特征,时间序列分析法分为确定性变化分析和随机性的变化分析,确定性的变化分析即针对长期趋势变化及周期变化的特征,由趋势变化分析、周期变化分析、循环变化分析等。随机性变化分析虽然只针对随机性的变化特征,但因为解决方差时变及趋势不稳定的方法有多种且各有优缺点,所以也有多种模型,现在应用比较广泛的是AR(自回归模型)、MA(滑动平均模型)及综合两种模型特点的ARMA模型。
时间序列法虽然简单易行,使用线性的误差统计分析方法就可以进行未来状态预测,但不适用与长期预测,因为它并不关注数据背后的物理本质。
自回归模型(Autoregressive model,AR)主要针对的是时间序列的误差方差不是常数的问题,它利用同一变量x的不同历史状态x1到xt-1的数据以分析未来时刻xt,并假设这一连串的时间序列的数据是线性关系。这本质上是一种线性回归分析方法,但是并不是二元变量x、y,而是用变量x的历史数据线性回归预测x自己;所以称之为自回归。
自回归的模型为:
其中,c是线性拟合中的项;εt是时变误差,自回归模型假设该误差为平均数0,标准差σ;而σ被设为时不变的常数,通过这种模型假设,Xt就等于多个旧X变量的线性组合,并且方差是常数。
自回归模型的优点显而易见,其只是自身过去状态的线性组合,不需要其他信息,预测所用资源简单。但是自回归模型所分析的状态X必须满足自相关系数,在自回归模型中理解即是Xt-i的系数皆接近于0,自相关系数系数度量的是同一事件在不同时期之间的相关程度,是一个信号与自身在不同时间点的互相关系数,可以用于在数据中找出重复模式,其计算公式为:
其中,E即是期望函数,Xi为在i时刻的历史状态信息,μi为i时刻的预期状态信息,Xi+k为在i+k时刻的历史状态信息,μi+k是i+k时刻的预期状态信息;R(k)的取值范围为[-1,1],若R(k)为1,则状态X为最大正相关,若为R(k)为-1,则状态X为最大负相关,若R(k)为0,这状态X不相关。
在自回归模型中,X的自相关系数是其预测精度的关键,若自相关系数小于0.5,则不宜采用,否则预测结果将非常不准确,若X的自相关系数小于-0.5,这表明X因自身历史状态的增大而导致自身未来状态的减小,在电力系统中可以理解采取了某种控制手段或者恰好处在周期性变化的拐点。
虽然自回归模型智能预测未来相邻时刻的状态信息,但是可以通过把预测的状态信息看作是历史状态信息,再删去离当前时刻最远的历史状态信息,就可以预测未来一连串时刻的状态信息。但是这种递归方法假设预测的历史状态信息足够精确,现实应用中这一连串的未来时刻的精确度会越来越低。
滑动平均模型(moving average model,MA)是一种简单而有效的平滑预测模型,它的基本思想是根据按时间序列排列的状态信息,逐项进行平移至未来预测时刻并加权平均求和,当状态信息形成的时间序列不快速增大也不快速减小,并且不存在季节性的变化时,移动平均法能有效地消除因为模型误差造成的预测随机波动,而在时间序列的数值由于受短周期变化和随机波动的干扰,呈现不稳定的发展趋势时,移动平均法往往能有效地消除干扰,使时间序列的变化趋势变为常数或线性函数,这样就解决了时间序列变化趋势不稳定的难题。
移动平均法分为简单移动平均法、加权移动平均法和指数移动平均法。简单移动平均法即是每一个历史状态信息对应的权重都相等,虽然计算及编程简单,但精度低,计算效果差,所以应用中一般采用加权移动平均法。加权移动平均法(weighted movingaverage,WMA)即是给参与平均求和的每个不同的历史状态信息,在时间序列分析中,加权移动平均法的模型为:
其中,WMAM即是自回归模型中的未来预测状态Xt,pM即是历史状态信息Xi,可以看出加权移动平均法认为越靠近预测时刻的历史状态信息对预测时刻的影响越大,但当数据整体趋势并不总是线性增长或线性降低,这是移动平均法给出的模型的误差就较大,此外,由于加权平均法只能通过计算过去状态信息的平均值以估计未来状态,所以其与真实未来状态总有一个无法消除的误差,因为其并没有在模型参数上体现状态的变化趋势。
针对基于PMU混合量测的多时间尺度状态估计结果进行未来状态预测时,还需要考虑不同时刻状态估计结果的误差是不一致的,所以不能完全采用这种简单的加权平均方法。
采用指数滑动平均法(exponential moving average,EMA)能更好地在滑动平均模型中体现态势的时变特征,指数移动平均法即是各历史状态信息的权重随时间的原理而指数式递减,递减速度有常数α决定,一般采取N即是所取历史采样信息的个数,EMA的模型可以用下式表示:
若使用两参数加权平均法或两参数指数滑动平均法,就可以体现出时间序列的变化趋势,但由于计算量大只适合分析两个历史时刻的数据,该方法在多时间尺度的动态状态估计的预测模块中采用。
(4)自回归滑动平均模型
基于状态估计的态势感知预测目标是实现对未来五分钟内的安全态势的在线预测,安全指标计算所需的系统状态量包括节点电压、支路电流及支路流经功率,这些量在五分钟内的时间序列变化具有强随机性和强波动性,所以即存在误差方差不是固定值的问题,也存在时间序列变化趋势不稳定的问题,而AR模型及MA模型只能解决其中一类问题,所以采取一种综合AR模型及MA模型的时间序列分析模型,即是自回归滑动平均模型(Auto-Regression and Moving Average Model,ARMA)
时间序列分析自回归滑动平均(ARMA)的数学模型如下式:
其中自回归过程AR为:
其中ε是随机的白噪声,若用滞后算子L表示历史状态,则式(11)可以用滞后算子的p阶多项式来描述:
式中,φ(L)被称为自回归算子,由于有p个历史状态信息,即进行了p次滞后,所以称该过程为p阶自回归过程AR(p)。
滑动平均过程为:
xt=εt-θ1εt-1-θ2εt-2-…-θqεt-q (12)
同样地,称该过程为q阶滑动平均过程,简写为MA(q)。其中θq是滑动平均模型的参数。该自回归滑动平均过程即为ARMA(p,q)。
在建立ARMA模型之前,必须先计算历史状态量的相关性和时间序列变化的稳定性进行判定,确定符合平稳性条件和相关性条件后,判断自相关性的同时也判断了ARMA模型的阶数p、q。
ARMA建模步骤如下:
(1)对输入的数据进行判断,判断其是否为平稳非纯随机序列,若平稳则直接进入(2);若不平稳则进行数据处理,处理后才能进入(2)。
(2)通过自相关和偏自相关函数,并结合AIC或BIC准则对建立的模型进行模型识别和定阶。
(3)完成模型识别和定阶后,进入模型的参数估计阶段。
(4)完成参数估计后,对拟合的模型进行适应性检验。如果拟合模型通过检验,则开始进行预测阶段。若模型检验不通过,则重新进行模型识别和检验,即重复(2),重新选择模型。
(5)利用适应性高的拟合模型,来预测序列的未来变化趋势。
其中,AIC准则是拟合精度和参数个数的加权函数,使AIC达到最小值的模型被认为是最优模型。而定义AIC准则函数如下:
BIC准则构成与AIC准则类似,定义如下:
一般来说,ARMA模型中AR过程的阶数较高,MA模型阶数较小,在对ARMA进行分析时,有时n'0接近于0,则将ARMA模型转换为AR模型,因为ARMA模型的算法远比AR模型复杂。
实际上,区域配电网各节点之间的电压幅值和相角的时间变化序列具有强相关性。所以以电气状态量作为时间序列会出现具有强相关性的多个序列,单独某个序列往往不满足ARMA模型需求的相关性和自稳定性,但从序列组全体分析,其具有高度的相关性和协整特性——即序列与序列之间存在非常密切的长期均衡关系。在这种情况下,需要对传统的时间序列ARMA分析模型进行改进,转变为多元时间序列分析模型,其统计学本质是多元回归分析与时间序列分析的结合。
由于多元时间序列分析主要关注的是不同变量时间序列的相关性,所以多元ARMA模型以多元AR过程为主要过程,多元AR模型有被称作是向量自回归模型,即不同的变量组成一个向量,则不同变量的时间序列组变为一个向量的时间序列。
以电压越限作为预测目标安全态势为例,多元AR模型的模型如下所述:
假设因变量各节点电压u与自变量x存在如下关系:
u=α0+α1x1+α2x2+…+αmxm+ε (17)
式中,u指某一个节点的电压幅值或相角,而自变量x是历史状态估计的输出结果和推算结果,包括u本身的历史信息和相邻节点和支路的电压电流信息。α是模型的自变量系数,这个系数根据最大相关性分析可以计算得到。
将公式扩充至所有节点,得到区域配电网未来安全态势的多元AR预测模型:
令U=[u1,u2,…,un],X=[x1,x2,…,xm],则可以表示为
Y=AX+ε (19)
由于X包含每一个状态估计结果的历史信息,其维数m应为电压状态输出维数n的倍数,导致X和A较大,但实际上由于电压状态除了与自相关性较高外,只与相邻节点和支路的电压电流状态具有强相关性,一般只需要取相邻时刻的相邻节点和支路的电压电流,和状态自身的一连串时间序列即可。这样矩阵A稀疏性比较好,计算效率较高。
此外,也可以按不同时刻将X进行划分为X(1),X(2),……,X(t-1),X(k)即指k时刻的状态估计推算量,X(k)对应的矩阵即为A(k),这样划分虽然向量组变多,但计算简单,计算效率进一步提高。
多元ARMA/VAR时间序列分析模型计算未来电压状态的步骤如下:
(1)读取历史状态信息,包括节点电压幅值和相角;
(2)选取某一段时间序列计算该时间序列中电压状态与历史状态信息的相关性,筛选具有强相关性的历史状态信息作为多元ARMA模型的自变量X;
(3)根据协方差及最小二乘法估计构造预测矩阵A(或矩阵组A(k));
(4)根据矩阵A在最新时刻t预测未来时刻t+1的各节点电压。
多元时间序列分析模型虽然可以预测配电网电压及相关态势感知指标短期的走势,但其没有关注配电网状态的物理特性,当时间尺度增长,多元时间序列分析模型的准确性将低于负荷预测等反应区域配电网电气量变化物理规律的预测模型,本研究课题以五分钟为周期研究了区域配电网的超短期负荷预测技术,成功实现了5分钟为时间尺度的区域配电网短期负荷预测,配合该态势预测技术,利用状态估计的实时估计结果及历史信息建立的多元时间序列分析模型以10s为一周期,预测未来10s、20s、30s、40s的区域配电网节点电压,借助节点电压预测值计算相关态势感知指标的预测值,实现区域配电网安全性态势感知指标短期预测的目的。
本实施例以33节点配电网为状态估计对象进行多元时间序列分析法预测模型的有效性验证,负荷波动于前文的状态估计仿真验证相同,各节点在5分钟内皆有30%~50%的恒功率因数的负荷波动,将首段节点看作是无穷大容量的电机,不考虑电网频率的动态调整,将去与配电网看作稳态环境,只关注多元时间序列预测模型是否能跟随电压相量的变化。
以10s为一周期筛选状态估计得到的历史信息,历史信息包括电压幅值信息和电压相角信息,共29个时刻33个节点的海量数据,采用VAR多元时间序列模型进行拟合,为降低模型的过拟合特征,对某个节点的状态进行多元时间序列建模时,只加入相邻节点的电压相量及所连支路的电流幅值组成多元时间序列,以前25个历史时刻作为样本集进行训练,后4个历史时刻作为对照集,即假想的“现在”时刻为第250s,预测260s、270s、280s、290s的“未来”电压状态。为易于辨识预测值和状态估计样本值,将窗口缩放为140s至290s共16个时刻,前12个时刻多元时间序列模型与状态估计样本相同,只有后4个时刻即“未来时段”模型与样本存在模型误差。
如图5、图6和图7所示,电压幅值虽然存在着一定的误差,但能够比较准确的反映出节点电压的变化趋势,预测模型存在误差由以下几点原因:
(1)状态估计量测的误差设为高斯白噪声误差,误差呈正态随机分布,这意味着多元时间序列分析模型不能对有效预测该误差,由图中可见预测模型误差最大值约为0.002与PMU量测噪声大小相同;
(2)由于单个节点的电压幅值预测参考了相邻节点电压相量的时间序列变化规律,
所以预测模型呈现一定的过拟合特征。
由于基于PMU的状态估计提供了大量准确的相角历史信息,多元时间序列分析模型也对相角实现了有效的预测。
如图8和图9所示,多元时间序列预测模型可以在允许误差的范围内有效预测区域配电网各节点电压的幅值和相角信息的短期变化,但存在一定的过拟合特征,不适用于长期态势预测,借助得到的节点电压短期态势预测信息,配电网运行中心可以先计算电压越限指标,并通过导纳矩阵计算配电网节点注入电流、支路流经电流并根据电流电压计算节点注入功率及节点流经功率,获得各项配电网安全性态势指标的预测值。
本实施例基于状态估计的安全态势预测,对各节点电压的变化趋势做出预测,及时掌握配电网运行态势,得到未来态的状态量,进而评估未来时刻的运行状态,及时发现异常供电和潜在故障,从而加强配电网的管理,提高经济运行水平。
实施例二
本公开实施例二介绍了一种基于状态评估的配电网态势预测系统。
如图10所示的一种基于状态评估的配电网态势预测方法,包括:
获取模块,其被配置为获取配电网实时运行数据;
计算模块,其被配置为根据所获取配电网实时运行数据,计算配电网安全态势指标;
预测模块,其被配置为依据配电网的历史运行数据和所得到的配电网安全态势指标,采用自回归滑动平均模型预测未来时刻的节点电压,计算配电网安全态势指标的预测值,实现配电网安全性态势感知指标短期预测。
详细步骤与实施例一提供的基于状态评估的配电网态势预测方法相同,在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例一所述的基于状态评估的配电网态势预测方法中的步骤。
详细步骤与实施例一提供的基于状态评估的配电网态势预测方法相同,在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例一所述的基于状态评估的配电网态势预测方法中的步骤。
详细步骤与实施例一提供的基于状态评估的配电网态势预测方法相同,在此不再赘述。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于状态评估的配电网态势预测方法,其特征在于,包括:
获取配电网实时运行数据;
根据所获取配电网实时运行数据,计算配电网安全态势指标;
依据配电网的历史运行数据和所得到的配电网安全态势指标,采用自回归滑动平均模型预测未来时刻的节点电压,计算配电网安全态势指标的预测值,实现配电网安全性态势感知指标短期预测。
2.如权利要求1中所述的一种基于状态评估的配电网态势预测方法,其特征在于,获取配电网实时运行数据的过程中,分别通过同步向量测量单元、远程终端单元和馈线终端单元获取配电网的状态检测信息,得到配电网的实时运行数据。
3.如权利要求1中所述的一种基于状态评估的配电网态势预测方法,其特征在于,计算配电网安全态势指标的具体过程为:
对所获取的配电网实时运行数据进行多时间尺度的状态估计,得到更新周期内的节点电压相量信息;
根据所得到的节点电压相量信息计算配电网节点的支路电流和节点注入电流;
根据得到的支路电流和节点注入电流,计算节点注入功率的复功率和支路功率的复功率;
将配变所在节点的注入功率视为配变负载,主变所在节点的注入功率视为主变负载,实时计算主变过载率、配变过载率、线路过载率和线路重过载比例,完成配电网安全势态的风险评估。
4.如权利要求3中所述的一种基于状态评估的配电网态势预测方法,其特征在于,根据所得到的节点电压相量信息判断节点电压是否越界,判得到节点电压越限值。
5.如权利要求1中所述的一种基于状态评估的配电网态势预测方法,其特征在于,所述自回归滑动平均模型采用时间序列分析,所述自回归滑动平均模型建立的过程为:
对输入的数据进行判断,判断其是否为平稳非纯随机序列,若平稳则直接转入下一步;否则需先进行数据处理,再转入下一步;
通过自相关和偏自相关函数,并结合AIC准则或BIC准则对所述平稳非纯随机序列进行识别和定阶,进行参参数的估计;
完成参数估计后,对拟合的模型进行适应性检验,若拟合模型通过检验,则开始进行预测阶段;若模型检验不通过,则重新进行识别和检验;
利用适应性高的拟合模型,预测序列的未来变化趋势。
6.如权利要求5中所述的一种基于状态评估的配电网态势预测方法,其特征在于,预测未来时刻的节点电压的具体过程为:
读取配电网的历史运行数据,所述配电网的历史运行数据包括节点电压幅值和相角;
选取某一段时间序列计算该时间序列中电压状态与历史状态信息的相关性,筛选具有强相关性的历史状态信息作为自回归滑动平均模型的自变量;
根据协方差及最小二乘法估计构造预测矩阵;
根据矩阵在最新时刻t预测未来时刻t+1的各节点电压。
7.如权利要求1中所述的一种基于状态评估的配电网态势预测方法,其特征在于,计算配电网安全态势指标的预测值的具体过程为:基于所得到的节点电压短期态势预测信息,计算电压越限指标,通过导纳矩阵计算配电网节点注入电流、支路流经电流并根据电流电压计算节点注入功率及节点流经功率,获得各项配电网安全性态势指标的预测值。
8.一种基于状态评估的配电网态势预测系统,其特征在于,包括:
获取模块,其被配置为获取配电网实时运行数据;
计算模块,其被配置为根据所获取配电网实时运行数据,计算配电网安全态势指标;
预测模块,其被配置为依据配电网的历史运行数据和所得到的配电网安全态势指标,采用自回归滑动平均模型预测未来时刻的节点电压,计算配电网安全态势指标的预测值,实现配电网安全性态势感知指标短期预测。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于状态评估的配电网态势预测方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于状态评估的配电网态势预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210790113.0A CN115130764A (zh) | 2022-07-06 | 2022-07-06 | 基于状态评估的配电网态势预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210790113.0A CN115130764A (zh) | 2022-07-06 | 2022-07-06 | 基于状态评估的配电网态势预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115130764A true CN115130764A (zh) | 2022-09-30 |
Family
ID=83381602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210790113.0A Pending CN115130764A (zh) | 2022-07-06 | 2022-07-06 | 基于状态评估的配电网态势预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130764A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116956594A (zh) * | 2023-07-25 | 2023-10-27 | 广州锐兴科技有限公司 | 一种基于拓扑结构的农村电网优化方法、装置及设备 |
-
2022
- 2022-07-06 CN CN202210790113.0A patent/CN115130764A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116956594A (zh) * | 2023-07-25 | 2023-10-27 | 广州锐兴科技有限公司 | 一种基于拓扑结构的农村电网优化方法、装置及设备 |
CN116956594B (zh) * | 2023-07-25 | 2024-02-09 | 广州锐兴科技有限公司 | 一种基于拓扑结构的农村电网优化方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aprillia et al. | Statistical load forecasting using optimal quantile regression random forest and risk assessment index | |
Mansoor et al. | Comparison of echo state network and feed-forward neural networks in electrical load forecasting for demand response programs | |
Verdejo et al. | Stochastic modeling to represent wind power generation and demand in electric power system based on real data | |
Ma et al. | Scenario generation of wind power based on statistical uncertainty and variability | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Al-Hamadi et al. | Fuzzy short-term electric load forecasting using Kalman filter | |
CN111815065B (zh) | 基于长短时记忆神经网络的短期电力负荷预测方法 | |
Nagaraja et al. | A survey on wind energy, load and price forecasting:(Forecasting methods) | |
Singla et al. | Load forecasting using fuzzy logic tool box | |
Muneer et al. | Short term residential load forecasting using long short-term memory recurrent neural network. | |
Ebrahim et al. | Household load forecasting based on a pre-processing non-intrusive load monitoring techniques | |
Lourenço et al. | Short term load forecasting using Gaussian process models | |
Ahmad et al. | Efficient energy planning with decomposition-based evolutionary neural networks | |
CN115130764A (zh) | 基于状态评估的配电网态势预测方法及系统 | |
Tavares et al. | Comparison of PV power generation forecasting in a residential building using ANN and DNN | |
Rabie et al. | A new strategy of load forecasting technique for smart grids | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
Xu et al. | Short-term wind speed prediction based on GRU | |
Wang et al. | A transformer-based multi-entity load forecasting method for integrated energy systems | |
Azad et al. | Grid serving deployment of smart meter data in the context of distribution grid automation | |
Lourenco et al. | Short-term load forecasting using a Gaussian process model: The influence of a derivative term in the input regressor | |
Bahij et al. | A review on the prediction of energy consumption in the industry sector based on machine learning approaches | |
Ferraz et al. | Analysis of distribution system considering load uncertainties: a k-means clustering approach | |
Qiao et al. | Hour-ahead power load demand time series forecasting using four methods in three cases | |
Heng et al. | A hybrid forecasting model based on empirical mode decomposition and the cuckoo search algorithm: a case study for power load |
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 |