CN115333113A - 一种基于机器学习的电力调配系统 - Google Patents
一种基于机器学习的电力调配系统 Download PDFInfo
- Publication number
- CN115333113A CN115333113A CN202211250701.1A CN202211250701A CN115333113A CN 115333113 A CN115333113 A CN 115333113A CN 202211250701 A CN202211250701 A CN 202211250701A CN 115333113 A CN115333113 A CN 115333113A
- Authority
- CN
- China
- Prior art keywords
- power
- fault
- node
- data
- power generation
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000002955 isolation Methods 0.000 claims abstract description 7
- 238000010248 power generation Methods 0.000 claims description 119
- 230000005540 biological transmission Effects 0.000 claims description 67
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 10
- 230000005611 electricity Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- H02J13/00001—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]
-
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本说明书实施例提供一种基于机器学习的电力调配系统,具有多个用电设备和多个节点,通过在入网节点中构造波形记录队列,监测记录经由入网节点的电信号波形数据,同时监测多个用电设备的运行状态,当监测到故障状态时将波形记录队列中当前的波形数据配置故障标签并上传至调度平台,调度平台以波形数据为训练样本,以故障标签为训练标签进行机器学习,训练故障预识别模型,部署故障预识别模型,并实时获取各入网节点的电信号的波形数据,输入到故障预识别模型中,预测识别故障事件,进行故障隔离。由于故障前的电信号波形变化能够一定反映故障的趋势,可用于学习预测故障,在故障发生前预先进行隔离,避免故障带来的损失,提高了安全性。
Description
技术领域
本申请涉及电力领域,尤其涉及一种基于机器学习的电力调配系统。
背景技术
在电力调配领域,经常会遇到故障,比如,线路短路等,因此需要将故障范围内的电路断开,也就是故障隔离,然而,目前识别故障的方式,多是在故障发生后,通过设备的运行状态进行监测识别出故障,这种方式只能缩小故障的后续损失避免事态扩大,然而故障发生时导致的已经导致的损失却无法挽回,这种方式的安全性较低,因此,有必要提供一种新的电力调配系统,提高电力调配的安全性。
发明内容
本说明书实施例提供一种基于机器学习的电力调配系统,用以提高安全性。
本说明书实施例提供一种基于机器学习的电力调配系统,包括:
多个用电设备;
电网中的多个节点,其中具有将所述用电设备接入电网的入网节点,在所述入网节点中构造波形记录队列,监测并记录经由所述入网节点的电信号的波形数据,同时监测所述多个用电设备的运行状态,当监测到故障状态时将波形记录队列中当前的波形数据配置故障标签并上传至调度平台;
调度平台,搭建神经网络模型,以所述波形数据为训练样本,以所述故障标签为所述训练样本的训练标签进行机器学习,训练故障预识别模型;
部署故障预识别模型,并实时获取各入网节点的电信号的波形数据,输入到所述故障预识别模型中,预测识别故障事件,若识别到故障事件则在电力传输任务中对所述入网节点进行故障隔离。
可选地,所述调度平台,还用于:
按波形长度的预设比例切除所述波形数据的前段数据,作为测试样本,输入到训练后的故障预识别模型中,统计多个测试样本的偏差率,若偏差率为零,则继续迭代切除前段数据,直至出现偏差,确定当前的波形数据的长度,根据其调整波形记录队列的大小。
可选地,所述调度平台,还用于:
确定第一发电设备、第二发电设备及其汇集节点;
获取第一、第二发电设备到所述汇集节点的线程数据,根据所述线程数据计算相位差,并结合所述相位差对第一或第二发电设备的电信号的相位进行调整。
可选地,所述根据所述线程数据计算相位差,包括:
提取所述线程数据中携带的环境温度数据和线路长度数据,用环境温度数据计算修正系数对不同线路的性能参数进行修正,结合线路长度数据与修正后的性能参数计算相位波动,对不同线路的相位波动计算差值得到相位差。
可选地,所述调度平台,还用于执行电力传输任务,包括:
电网中的各节点接收区块链子系统下发的数字证书,各节点发起或转发用电请求时,用数字证书中的私钥对所述用电请求进行加签并添加当前节点的标识及电力传输链路中相邻节点的标识,连同未加签的用电请求上传至区块链;
所述区块链子系统根据所述用电请求和对应节点的标识获取对应的公钥,对所述用电请求进行解签,与未加签的用电请求对比,若对比一致则向各节点授权执行所述用电请求对应的电力传输任务。
可选地,所述向各节点授权执行所述用电请求对应的电力传输任务,包括:
向各节点下发具有有效期或电量阈值的任务开关,所述任务开关与所述用电请求相关联,各节点使用所述任务开关开启所述用电请求的电力传输任务,并在超过有效期或者用电阈值时关闭所述用电请求的电力传输任务。
可选地,所述任务开关具有时间监测指令和电量监测指令中的至少一个以及判断指令。
可选地,所述部署故障预识别模型,并实时获取各入网节点的电信号的波形数据,输入到所述故障预识别模型中,预测识别故障事件,包括:
将所述故障预识别模型解耦成前段模型和后段模型,并构造所述前段模型与后段模型的数据接口;
将所述前段模型部署在所述入网节点中,将后段模型部署到调度平台;
所述前段模型获取波形数据进行特征提取后,按照所述数据接口将提取的特征发送至后段模型,所述后段模型继续进行特征提取和识别,预测识别故障事件。
可选地,所述调度平台,还用于:
获取各用电设备所属区域在未来待调度时段内的气温波动数据,获取各用电设备所属区域的节假日用电属性和在未来待调度时段的节假日状态、采集各厂家上报的待调度时段内的预期订单数据,将各厂家上报的预期订单数据按照区域归类至各用电设备;
调用预先训练的需求预测模型,将各用电设备所属区域的节假日用电属性和各用电设备在待调度时段内的气温波动数据、预期订单数据和节假日状态输入到所述需求预测模型中,预测各用电设备的用电需求走势数据;
获取各节点的位置,计算线路的传输率,以各节点为可视化的节点,以电网线路为可视化的边,以线路的传输率为边的长度构造可视化的电力传输图,并根据发电设备的能源类型配置优先级,按照优先级顺序分层显示发电设备,根据各线路的传输率配置边数据和边的优先级;
收集电网中非可再生能源发电设备的产能范围,预测电网中可再生能源发电设备在所述待调度时段内的动态产能数据,按照发电设备的优先级和对应线路的优先级搜索多个发电设备及对应的线路,根据搜索到的发电设备的发电量对各用电设备的用电需求走势数据进行匹配,得到发电设备与用电设备的动态匹配关系,动态匹配的发电设备的发电产能覆盖所述用电设备的用电需求走势数据,生成匹配文件并下发到配电节点;
所述配电节点接收所述匹配文件并根据匹配文件中的动态匹配关系定时切换发电设备和线路执行电力传输任务。
可选地,所述调度平台,还用于::
获取各用电设备所属区域的节假日用电属性和各用电设备在历史周期内的气温波动序列、预期订单序列、节假日状态序列和用电量序列,搭建神经网络模型,根据所述用电量序列设置训练标签,以所述各用电设备所属区域的节假日用电属性和各用电设备在历史周期内的气温波动序列、预期订单序列、节假日状态序列为训练样本,对所述神经网络模型进行训练,得到需求预测模型。
可选地,所述按照发电设备的优先级和对应线路的优先级搜索多个发电设备及对应的线路,根据搜索到的发电设备的发电量对对各用电设备的用电需求走势数据进行匹配,包括:
选取可再生能源发电设备作为初始的待匹配对象,搜索所述可再生能源发电设备所属区域内的用电设备,进行匹配,根据可再生能源发电设备的动态产能数据和所匹配到的用电设备的用电需求走势数据计算可再生能源发电设备的发电余量,若所述发电余量为正,则以所述可再生能源发电设备为待匹配对象继续搜索匹配,搜索所述可再生能源发电设备邻近区域内的用电设备,继续计算可再生能源发电设备的发电余量,对于多个邻近区域,优先按照线路传输效率较高的邻近区域计算发电余量;
若发电余量为负,以匹配到的用电设备为待匹配对象,搜索所述用电设备区域内的非可再生能源发电设备,进行匹配,并计算判断所述发电余量是否超出非可再生能源发电设备的产能范围,若超出则继续搜索所述用电设备临近区域内的非可再生能源发电设备进行匹配,若未超出则根据所述发电余量为匹配到的非可再生能源发电设备配置发电任务量。
可选地,所述调度平台,还用于:
将匹配后发电余量为负的发电设备置于底层或隐藏,供配电员调整发电设备与用电设备的动态匹配关系。
可选地,所述计算线路的传输率,包括:
利用预先训练的动态传输率计算规则,从各用电设备所属区域在待调度时段内的气温波动数据、各线路的长度中学习各线路在待调度时段内的动态传输率。
可选地,所述调度平台,还用于:
获取第三方税务系统采集的历史订单序列,根据所述历史订单序列和各厂家历史周期内上报的预期订单序列计算所述厂家的可信度;
根据所述可信度对各厂家上报的待调度时段内的预期订单数据进行调整。
可选地,还包括:
根据配电节点中设备的负荷状态识别风险并切换线路。
本说明书实施例提供的各种技术方案通过在入网节点中构造波形记录队列,监测记录经由入网节点的电信号波形数据,同时监测多个用电设备的运行状态,当监测到故障状态时将波形记录队列中当前的波形数据配置故障标签并上传至调度平台,调度平台,以波形数据为训练样本,以故障标签为训练标签进行机器学习,训练故障预识别模型,部署故障预识别模型,并实时获取各入网节点的电信号的波形数据,输入到故障预识别模型中,预测识别故障事件,进行故障隔离。由于故障前的电信号波形变化能够一定反映故障的趋势,因此能用于学习预测故障,在故障发生前预先进行隔离,避免故障带来的损失,提高了安全性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例提供的一种基于机器学习的电力调配系统的原理示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种基于机器学习的电力调配系统的结构示意图,该系统可以包括:
用电设备1011、用电设备1012、用电设备1013、用电设备1014;
电网中的多个节点:节点1021、节点1022、节点1023、节点1024,其中,将用电设备接入电网的入网节点为图中的1021、1022、1023,该系统中还具有发电设备1041和发电设备1042,以及将发电设备接入电网的汇集节点1024,这些节点可以与调度平台103进行数据交互,受调度平台控制。
在本说明书实施例中,可以在节点1021、节点1022、节点1023中构造波形记录队列,监测并记录经由所述入网节点的电信号的波形数据,同时监测所述多个用电设备的运行状态,当监测到故障状态时将波形记录队列中当前的波形数据配置故障标签并上传至调度平台;
调度平台,可以用于搭建神经网络模型,以所述波形数据为训练样本,以所述故障标签为所述训练样本的训练标签进行机器学习,训练故障预识别模型;
调度平台,还可以用于部署故障预识别模型,并实时获取各入网节点的电信号的波形数据,输入到所述故障预识别模型中,预测识别故障事件,若识别到故障事件则在电力传输任务中对所述入网节点进行故障隔离。
在本说明书实施例中,所述调度平台,还可以用于:
按波形长度的预设比例切除所述波形数据的前段数据,作为测试样本,输入到训练后的故障预识别模型中,统计多个测试样本的偏差率,若偏差率为零,则继续迭代切除前段数据,直至出现偏差,确定当前的波形数据的长度,根据其调整波形记录队列的大小。
在本说明书实施例中,所述部署故障预识别模型,并实时获取各入网节点的电信号的波形数据,输入到所述故障预识别模型中,预测识别故障事件,包括:
将所述故障预识别模型解耦成前段模型和后段模型,并构造所述前段模型与后段模型的数据接口;
将所述前段模型部署在所述入网节点中,将后段模型部署到调度平台;
所述前段模型获取波形数据进行特征提取后,按照所述数据接口将提取的特征发送至后段模型,所述后段模型继续进行特征提取和识别,预测识别故障事件。
在本说明书实施例中,所述调度平台,还可以用于:
确定第一发电设备、第二发电设备及其汇集节点;
获取第一、第二发电设备到所述汇集节点的线程数据,根据所述线程数据计算相位差,并结合所述相位差对第一或第二发电设备的电信号的相位进行调整。
在本说明书实施例中,所述根据所述线程数据计算相位差,包括:
提取所述线程数据中携带的环境温度数据和线路长度数据,用环境温度数据计算修正系数对不同线路的性能参数进行修正,结合线路长度数据与修正后的性能参数计算相位波动,对不同线路的相位波动计算差值得到相位差。
电力传输的过程中,会经过多个节点,可以电力传输过程经过的多个节点会形成电力传输链路,为了防止偷电行为,可以借助区块链技术进行验证。
在本说明书实施例中,所述调度平台,还可以用于执行电力传输任务,包括:
电网中的各节点接收区块链子系统下发的数字证书,各节点发起或转发用电请求时,用数字证书中的私钥对所述用电请求进行加签并添加当前节点的标识及电力传输链路中相邻节点的标识,连同未加签的用电请求上传至区块链;
所述区块链子系统根据所述用电请求和对应节点的标识获取对应的公钥,对所述用电请求进行解签,与未加签的用电请求对比,若对比一致则向各节点授权执行所述用电请求对应的电力传输任务。
在本说明书实施例中,所述向各节点授权执行所述用电请求对应的电力传输任务,包括:
向各节点下发具有有效期或电量阈值的任务开关,所述任务开关与所述用电请求相关联,各节点使用所述任务开关开启所述用电请求的电力传输任务,并在超过有效期或者用电阈值时关闭所述用电请求的电力传输任务。
在本说明书实施例中,所述任务开关具有时间监测指令和电量监测指令中的至少一个以及判断指令。
其中,用电源可以将用签请求加签后,并添加当前节点的标识及确定电力传输链路中相邻节点的标识,连同未加签的用电请求上传至区块链,并将加签后的用电请求发送至传输链路中的下一节点,下一节点利用自身的私钥继续对已加签的用电请求进行加签。
这样,根据同一用电请求,可以确定其传输链路,从而在进行传输时对传输链路中的节点进行验证,防止电量被误传。
为了使电量在正确的传输链路中进行传输,可以通过下发任务开关对传输链路中各节点进行授权,只有授权的节点才能传输电力,这样就可以避免误传。
在本说明书实施例中,所述向各节点下发具有有效期或电量阈值的任务开关,包括:
对同一用电请求的节点进行汇总,生成电力传输链路信息,向所述电力传输链路中的各节点下发具有有效期或用电阈值的同一任务开关。
电网中各节点之间的拓扑结构可能是树状,当前节点可能连通多个下一层级的电网节点,因此,也可以对其连通的多个节点的电量计算向当前节点传输的电量总和,根据该电量总和向当前节点传输电力。
在预测用电需求时,可以兼顾多种要素,比如,气温的高低,会影响空调用电,而未来的气温可以通过监测并预测得到;节假日也会影响用电量,比如,春节返乡导致农村用电量增加,这就是农村地区的节假日用电属性,而一线城市春节用电量减少,这是一线城市的节假日用电属性。
考虑到订单多则工厂用电多,因此,对于未来的工业用电需求,可以通过订单量来预测。
因此,可以调用预先训练的需求预测模型,将各用电源所属区域的节假日用电属性和各用电源在待调度时段内的气温波动数据、预期订单数据和节假日状态输入到所述需求预测模型中,预测各用电源的用电需求走势数据。
在本说明书实施例中,所述调度平台,还可以用于:
获取各用电设备所属区域在未来待调度时段内的气温波动数据,获取各用电设备所属区域的节假日用电属性和在未来待调度时段的节假日状态、采集各厂家上报的待调度时段内的预期订单数据,将各厂家上报的预期订单数据按照区域归类至各用电设备;
调用预先训练的需求预测模型,将各用电设备所属区域的节假日用电属性和各用电设备在待调度时段内的气温波动数据、预期订单数据和节假日状态输入到所述需求预测模型中,预测各用电设备的用电需求走势数据;
获取各节点的位置,计算线路的传输率,以各节点为可视化的节点,以电网线路为可视化的边,以线路的传输率为边的长度构造可视化的电力传输图,并根据发电设备的能源类型配置优先级,按照优先级顺序分层显示发电设备,根据各线路的传输率配置边数据和边的优先级;
收集电网中非可再生能源发电设备的产能范围,预测电网中可再生能源发电设备在所述待调度时段内的动态产能数据,按照发电设备的优先级和对应线路的优先级搜索多个发电设备及对应的线路,根据搜索到的发电设备的发电量对各用电设备的用电需求走势数据进行匹配,得到发电设备与用电设备的动态匹配关系,动态匹配的发电设备的发电产能覆盖所述用电设备的用电需求走势数据,生成匹配文件并下发到配电节点;
所述配电节点接收所述匹配文件并根据匹配文件中的动态匹配关系定时切换发电设备和线路执行电力传输任务。
在此之前,可以用监督学习的方式训练用电需求走势数据。
因此,在本说明书实施例中,所述调度平台,还可以用于:
获取各用电设备所属区域的节假日用电属性和各用电设备在历史周期内的气温波动序列、预期订单序列、节假日状态序列和用电量序列,搭建神经网络模型,根据所述用电量序列设置训练标签,以所述各用电设备所属区域的节假日用电属性和各用电设备在历史周期内的气温波动序列、预期订单序列、节假日状态序列为训练样本,对所述神经网络模型进行训练,得到需求预测模型。
为了实现及时自动的电力调度,我们可以在配电节点中配置软件定义装置,用来上传、下载、转发和执行各种数据和指令,将匹配文件下发到配电节点,在配电接点自行执行程序进行定时并切换发电设备和线路,摆脱调度过程对人力操作的依赖,实现及时可靠地电力调配。
在本说明书实施例中,所述按照发电设备的优先级和对应线路的优先级搜索多个发电设备及对应的线路,根据搜索到的发电设备的发电量对对各用电设备的用电需求走势数据进行匹配,包括:
选取可再生能源发电设备作为初始的待匹配对象,搜索所述可再生能源发电设备所属区域内的用电设备,进行匹配,根据可再生能源发电设备的动态产能数据和所匹配到的用电设备的用电需求走势数据计算可再生能源发电设备的发电余量,若所述发电余量为正,则以所述可再生能源发电设备为待匹配对象继续搜索匹配,搜索所述可再生能源发电设备邻近区域内的用电设备,继续计算可再生能源发电设备的发电余量,对于多个邻近区域,优先按照线路传输效率较高的邻近区域计算发电余量;
若发电余量为负,以匹配到的用电设备为待匹配对象,搜索所述用电设备区域内的非可再生能源发电设备,进行匹配,并计算判断所述发电余量是否超出非可再生能源发电设备的产能范围,若超出则继续搜索所述用电设备临近区域内的非可再生能源发电设备进行匹配,若未超出则根据所述发电余量为匹配到的非可再生能源发电设备配置发电任务量。
其中,根据可再生能源发电源的动态产能数据和所匹配到的用电源的用电需求走势数据计算可再生能源发电源的发电余量,可能有以下情况:
在任何一个时刻,动态产能都大于需求走势,这时,发电余量一直为正;
在任何一个时刻,动态产能都小于需求走势,这时,发电余量一直为负;
还有一种复杂情况,有些时间段为正,有些时间段为负。对于这种情况,可以分时间段进行处理,对于发电余量为正的时间段,扩大搜索范围,继续搜索用电源,并计算发电余量,直至该时间段内任一时刻的发电余量为0或者为负,表明该发电源的发电产能被充分挖掘完,这时,可以将待匹配对象切换为用电源,对临近的用电源进行匹配。
因此,匹配之后,在不同的时间点,可能会有不同匹配关系,也就是随着时间的发展,发电源与用电源之间的匹配关系可能会切换,而这可以通过上面的匹配方式预测出来,因此可以提前根据这种匹配关系生成匹配文件,下发至配电站,使配电站按照时间自行切换后续的匹配关系,按照匹配关系输电。
在本说明书实施例中,所述调度平台,还可以用于:
将匹配后发电余量为负的发电设备置于底层或隐藏,供配电员调整发电设备与用电设备的动态匹配关系。
为了充分挖掘可再生能源发电源的发电产能,从而减少传统火电站的产能,降低排放,需要对不同的发电源划分优先级,可再生能源发电源的优先级高于非可再生能源发电源的优先级,这样,在匹配时,可按照优先级进行匹配,优先使用可再生能源发电源的发电产能。
传输率可以直接设置成常温下的参数,也可以是随温度变化的动态的参数,动态的传输率更为准确。
目前线路的传输效率都是以25摄氏度的参数计算的,然而这些参数会随温度变化,比如介电常数,因此,对于两条传输率接近的输电线路,其优先性可能由于温度的变化而发生翻转,由于全国不同地区温度不同,这时,如果依旧按照25摄氏度的参数计算传输率并选择线路,可能会导致电能不必要的损耗,因此,我们可以结合预测的温度,预测或者计算各线路的传输率。
传输率是传输效率与线路长度的乘积,距离越长,线路电阻越大,传输率越低。
通过合理预测传输率,将兼顾了温度差异对传输率的影响,从而提高了合理性和精准度。
可以通过自动搜索计算的方式进行匹配,待匹配对象可以是发电源和用电源,通过计算发电余量,判断正负从而确定下一步该切换待匹配对象,还是该继续搜索。
在本说明书实施例中,所述计算线路的传输率,包括:
利用预先训练的动态传输率计算规则,从各用电设备所属区域在待调度时段内的气温波动数据、各线路的长度中学习各线路在待调度时段内的动态传输率。
在本说明书实施例中,所述调度平台,还可以用于:
获取第三方税务系统采集的历史订单序列,根据所述历史订单序列和各厂家历史周期内上报的预期订单序列计算所述厂家的可信度;
根据所述可信度对各厂家上报的待调度时段内的预期订单数据进行调整。
在本说明书实施例中,还包括:
根据配电节点中设备的负荷状态识别风险并切换线路。
该系统通过在入网节点中构造波形记录队列,监测记录经由入网节点的电信号波形数据,同时监测多个用电设备的运行状态,当监测到故障状态时将波形记录队列中当前的波形数据配置故障标签并上传至调度平台,调度平台,以波形数据为训练样本,以故障标签为训练标签进行机器学习,训练故障预识别模型,部署故障预识别模型,并实时获取各入网节点的电信号的波形数据,输入到故障预识别模型中,预测识别故障事件,进行故障隔离。由于故障前的电信号波形变化能够一定反映故障的趋势,因此能用于学习预测故障,在故障发生前预先进行隔离,避免故障带来的损失,提高了安全性。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种基于机器学习的电力调配系统,其特征在于,包括:
多个用电设备;
电网中的多个节点,其中具有将所述用电设备接入电网的入网节点,在所述入网节点中构造波形记录队列,监测并记录经由所述入网节点的电信号的波形数据,同时监测所述多个用电设备的运行状态,当监测到故障状态时将波形记录队列中当前的波形数据配置故障标签并上传至调度平台;
调度平台,搭建神经网络模型,以所述波形数据为训练样本,以所述故障标签为所述训练样本的训练标签进行机器学习,训练故障预识别模型;
将所述故障预识别模型解耦成前段模型和后段模型,并构造所述前段模型与后段模型的数据接口;
将所述前段模型部署在所述入网节点中,将后段模型部署到调度平台;
所述前段模型获取波形数据进行特征提取后,按照所述数据接口将提取的特征发送至后段模型,所述后段模型继续进行特征提取和识别,预测识别故障事件,若识别到故障事件则在电力传输任务中对所述入网节点进行故障隔离。
2.根据权利要求1所述的系统,其特征在于,所述调度平台,还用于:
按波形长度的预设比例切除所述波形数据的前段数据,将后段数据作为测试样本,输入到训练后的故障预识别模型中,统计多个测试样本的偏差率,若偏差率为零,则继续迭代切除前段数据,直至出现偏差,确定偏差率为零时波形数据的最短长度,根据其调整波形记录队列的大小。
3.根据权利要求1所述的系统,其特征在于,所述调度平台,还用于:
确定第一发电设备、第二发电设备及其汇集节点;
获取第一、第二发电设备到所述汇集节点的线程数据,根据所述线程数据计算相位差,并结合所述相位差对第一或第二发电设备的电信号的相位进行调整。
4.根据权利要求3所述的系统,其特征在于,所述根据所述线程数据计算相位差,包括:
提取所述线程数据中携带的环境温度数据和线路长度数据,用环境温度数据计算修正系数对不同线路的性能参数进行修正,结合线路长度数据与修正后的性能参数计算相位波动,对不同线路的相位波动计算差值得到相位差。
5.根据权利要求1所述的系统,其特征在于,所述调度平台,还用于执行电力传输任务,包括:
电网中的各节点接收区块链子系统下发的数字证书,各节点发起或转发用电请求时,用数字证书中的私钥对所述用电请求进行加签并添加当前节点的标识及电力传输链路中相邻节点的标识,连同未加签的用电请求上传至区块链;
所述区块链子系统根据所述用电请求和对应节点的标识获取对应的公钥,对所述用电请求进行解签,与未加签的用电请求对比,若对比一致则向各节点授权执行所述用电请求对应的电力传输任务。
6.根据权利要求5所述的系统,其特征在于,所述向各节点授权执行所述用电请求对应的电力传输任务,包括:
向各节点下发具有有效期或电量阈值的任务开关,所述任务开关与所述用电请求相关联,各节点使用所述任务开关开启所述用电请求的电力传输任务,并在超过有效期或者用电阈值时关闭所述用电请求的电力传输任务。
7.根据权利要求6所述的系统,其特征在于,所述任务开关具有时间监测指令和电量监测指令中的至少一个以及判断指令。
8.根据权利要求6所述的系统,其特征在于,所述向各节点下发具有有效期或电量阈值的任务开关,包括:
对同一用电请求的节点进行汇总,生成电力传输链路信息,向所述电力传输链路中的各节点下发具有有效期或用电阈值的同一任务开关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250701.1A CN115333113B (zh) | 2022-10-13 | 2022-10-13 | 一种基于机器学习的电力调配系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250701.1A CN115333113B (zh) | 2022-10-13 | 2022-10-13 | 一种基于机器学习的电力调配系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115333113A true CN115333113A (zh) | 2022-11-11 |
CN115333113B CN115333113B (zh) | 2022-12-30 |
Family
ID=83914683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211250701.1A Active CN115333113B (zh) | 2022-10-13 | 2022-10-13 | 一种基于机器学习的电力调配系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115333113B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117039885A (zh) * | 2023-08-25 | 2023-11-10 | 国网江苏省电力有限公司信息通信分公司 | 基于云计算的电力系统智能化调度与优化系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820874A (zh) * | 2015-05-18 | 2015-08-05 | 国家电网公司 | 电力调度中心的监控方法 |
CN106909989A (zh) * | 2017-02-24 | 2017-06-30 | 国网河南省电力公司电力科学研究院 | 一种电网扰动预测方法及装置 |
US20190325340A1 (en) * | 2018-04-20 | 2019-10-24 | Fujitsu Limited | Machine learning method, machine learning device, and computer-readable recording medium |
CN114784793A (zh) * | 2022-03-30 | 2022-07-22 | 国网新疆电力有限公司 | 基于机器学习的新能源电网连锁故障预测方法及存储介质 |
-
2022
- 2022-10-13 CN CN202211250701.1A patent/CN115333113B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820874A (zh) * | 2015-05-18 | 2015-08-05 | 国家电网公司 | 电力调度中心的监控方法 |
CN106909989A (zh) * | 2017-02-24 | 2017-06-30 | 国网河南省电力公司电力科学研究院 | 一种电网扰动预测方法及装置 |
US20190325340A1 (en) * | 2018-04-20 | 2019-10-24 | Fujitsu Limited | Machine learning method, machine learning device, and computer-readable recording medium |
CN114784793A (zh) * | 2022-03-30 | 2022-07-22 | 国网新疆电力有限公司 | 基于机器学习的新能源电网连锁故障预测方法及存储介质 |
Non-Patent Citations (1)
Title |
---|
郑茂然等: "基于大数据的输电线路故障预警模型设计", 《南方电网技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117039885A (zh) * | 2023-08-25 | 2023-11-10 | 国网江苏省电力有限公司信息通信分公司 | 基于云计算的电力系统智能化调度与优化系统及方法 |
CN117039885B (zh) * | 2023-08-25 | 2024-01-30 | 国网江苏省电力有限公司信息通信分公司 | 基于云计算的电力系统智能化调度与优化系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115333113B (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI740082B (zh) | 對置於裝置交換站的複數個可交換式能源儲存裝置的充電方法、伺服器、裝置交換站的管理方法 | |
CN115347569B (zh) | 一种基于智能预测的电力调配系统 | |
CN105515188B (zh) | 一种配电网集中式馈线自动化故障处理方法 | |
US11605036B2 (en) | System and methods for power system forecasting using deep neural networks | |
KR102544181B1 (ko) | 디지털 트윈 기반의 분산 자원 및 전력 계통 운영 계획 시스템 및 운영 계획 방법 | |
CN110891283A (zh) | 一种基于边缘计算模型的小基站监控装置及方法 | |
CN115333113B (zh) | 一种基于机器学习的电力调配系统 | |
CN113169709A (zh) | 基于机器学习的太阳能发电控制系统及方法 | |
CN103839189A (zh) | 基于可靠性效益评估的配电自动化方案优化方法和系统 | |
CN114626827B (zh) | 一种基于数字孪生的配电自动化防误操作方法 | |
CN113169708A (zh) | 太阳能发电平衡控制系统及方法 | |
CN113300356B (zh) | 一种低压配电台区拓扑识别方法 | |
CN107346886A (zh) | 配电网负荷转供方法和系统 | |
CN108631298A (zh) | 一种基于负荷均衡分配的单元制配电网恢复策略生成方法 | |
CN116865258A (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN109738753A (zh) | 一种电网故障状态及故障类型的检测方法 | |
JP6574466B2 (ja) | 電力供給における調整力抽出システム、プログラム及び方法 | |
CN115730868A (zh) | 智能配电系统损耗评估及故障计算系统及方法 | |
CN105337314A (zh) | 一种基于分布式电源黑启动技术的多源协调控制故障处理方法 | |
CN110676844B (zh) | 一种智能配电网负荷转移方法及装置 | |
CN117374978B (zh) | 结合知识图谱构建的并网调度管理方法及系统 | |
Yan et al. | Dynamic repair scheduling for transmission systems based on look-ahead strategy approximation | |
CN109740770A (zh) | 设备异常处理方法、装置、计算机设备和存储介质 | |
CN111313550A (zh) | 一种环网柜配电自动化改造装置及控制方法 | |
CN109256863B (zh) | 一种微电网能量控制方法及微电网系统 |
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 |