CN115566696A - 一种云边协同的电网频率在线监测分析方法与系统 - Google Patents
一种云边协同的电网频率在线监测分析方法与系统 Download PDFInfo
- Publication number
- CN115566696A CN115566696A CN202211327472.9A CN202211327472A CN115566696A CN 115566696 A CN115566696 A CN 115566696A CN 202211327472 A CN202211327472 A CN 202211327472A CN 115566696 A CN115566696 A CN 115566696A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- power grid
- edge
- matrix
- 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
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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- 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
- H02J13/00002—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 monitoring
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种云边协同的电网频率在线监测分析方法与系统,本发明基于综合模态参数识别方法的频率波动识别模型将同步相量数据采集装置提供的数据高效地完成拟合分析,并且为电网频率的评估分析提供数据支撑;通过云边协作有效减少整体延迟,满足在线监测的实时性要求。通过合理分配云端和边缘端的计算资源,降低了整体架构的成本,提高了数据可靠性;通过对模型和算法的迭代,加快了实时数据的分析速度和精度,提高了在线监测系统的实用性。本发明提出的在线监测系统,能够分析比对历史数据,得出电网当前的频率状态、存在的隐患以及操作建议。同时保证流程清晰,数据安全,结果可靠,可应用在电网故障识别与处理中,工程实际人员可以据此完成相应操作。
Description
技术领域
本发明涉及电网频率监测的技术领域,尤其涉及一种云边协同的电网频率在线监测分析方法与系统。
背景技术
随着我国电网建设的迅速发展,不同地区之间的电网联系逐渐紧密,导致电网线路复杂性显著提升,保障供电稳定可靠的难度大大增加。而电网频率能够在一定程度上判断当前是否安全稳定运行。如果发生频率震荡,情况严重时可能导致机组解列,造成大规模停电。通过对电网频率的实时分析,能够及时发现并处理电网的隐患,保障运行的稳定性。
但是电网频率的实时分析面临很多困难,首先利用电网通过广域监测系统中的PMU装置记录实时数据。这些数据并不能直接看出电网的运行状况,需要设计高效的算法将采样数据快速进行拟合分析,提炼关键参数。此外,如何根据相应参数评估电网的实时运行状态也是亟待解决的问题。由于电网的实时性,对电网状态评估的计算速度和准确率提出了较高要求,传统云计算平台存在通信时间长、通信开销大、计算功耗高、实时性差和数据安全等问题。同时还需要保障数据的可查可控。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有技术通信时间长、通信开销大、计算功耗高、实时性差和数据安全的问题。
为解决上述技术问题,一方面,本发明提供如下技术方案:一种云边协同的电网频率在线监测分析方法,包括:
基于数据采样算法对同步相量数据进行采集和跟踪,并对其进行压缩处理;
基于综合模态参数识别的振荡频率辨识方法对压缩处理后的数据进行识别。
作为本发明所述的云边协同的电网频率在线监测分析方法的一种优选方案,其中:所述压缩处理采用分段拟合方式进行有损压缩,包括:
保留每秒内的最大值和最小值作为数据曲线的波峰和波谷,减少数据压缩过程中的影响,将符合标准的数据去除,只保留超过拟合偏差的数据。
作为本发明所述的云边协同的电网频率在线监测分析方法的一种优选方案,其中:所述压缩处理的步骤,包括:
A1:针对时间段Ti∈T,获取Ti内所有数据V={V1,V2,…,Vn},找出最大值Vimax和最小值Vimin;
A2:设置压缩的中间节点为node1和node2,将数据集合V拆成3段:{V1,Vnode1},{Vnode1,Vnode2},{Vnode2,Vn};
A3:比较Vimax,Vimin的时间Timax,Timin,如果Timax<Timin,设Tnode1=Timax,Tnode2=Timin,否则设Tnode1=Timin,Tnode2=Timax;
A4:进行{V1,Vnode1}段的拟合压缩,设起始Vstart=V1,Vend=Vnode1;
A5:计算从start到end间每个值的拟合偏差Di:
A6:比较Di和拟合压缩误差δ,如果Di<δ,删除Vi,否则保留Vi,并设Vstart=Vi;
A7:重复执行步骤A3—A4,保留的数据集合为Vresult;
A8:重复执行步骤A4—A7,对其余数据段进行拟合压缩并将保留的数据加入Vresult。
作为本发明所述的云边协同的电网频率在线监测分析方法的一种优选方案,其中:所述综合模态参数识别,包括:
对原始同步相量数据进行信号预处理,通过滤波从原始信号中消除噪声包括,
提取输入信号x(t)的极值,用三次样条插值函数拟合x(t)的上、下包络,得到包络曲线的最大值emax(t)和最小值emin(t),计算上、下包络曲线的平均值m(t)和残差r(t),所述平均值和残差表示为:
r(t)=x(t)-m(t)
当r(t)满足局部极值的数量以及过零点的数量相差最多为1,且由局部极值构造的上、下包络的平均值为零时,将r(t)作为从x(t)的固有模态分量之一,若r(t)不满足条件,则将r(t)作为新的输入信号,重复该步骤;
当r(t)为单调数或常数时,将原始信号整形为新信号xnew(t);若r(t)不满足条件,则将x(t)-r(t)作为新的残差xnew(t),重复该步骤;所述新信号表示为:
作为本发明所述的云边协同的电网频率在线监测分析方法的一种优选方案,其中:所述综合模态参数识别,还包括:
基于线性系统离散状态空间方程计算部分模态参数包括,
利用协方差作为统计量来描述数据相关性,并使用奇异值分解获得状态矩阵及其特征值,最后获得系统的模态参数,状态模型可以表示为:
其中,k离散信号的采样点数,xs是离散时间系统的状态向量,yk是时刻k的系统输出向量,矩阵A是离散时间状态空间方程的状态矩阵,矩阵C是系统输出矩阵,wk和vk过程噪声和具有零均值的时刻k的测量噪声;
将yk构造为汉克尔矩阵,所述汉克尔矩阵表示为:
基于汉克尔矩阵,yk的协方差构造为:
基于汉克尔矩阵和协方差将汉克尔矩阵转化为托普利兹矩阵,所述托普利兹矩阵表示为:
对所述托普利兹矩阵应用奇异值分解,表示为:
T1/M=OMΓM
其中,OM为可观测矩阵,ΓM为扩展可观测矩阵,分别表示为:
系统输出矩阵C和状态矩阵A,分别表示为:
C=OM(1:l)
通过对状态矩阵A进行特征分解,可以得到系统的特征值μm,根据特征值可以计算每个特征值的模态频率fs,所述模态频率表示为:
另一方面,本发明还提供一种云边协同的电网频率在线监测分析系统,包括:
基础设施层,通过虚拟化技术实现云平台整体资源的灵活分配和统一管理,实现最优资源利用;
平台服务层,通过整合电网频率在线监测云平台通用服务能力,完善了云平台的功能;
软件服务层,用于频率实时监测、电网状态评估和故障处理建议。
作为本发明所述的云边协同的电网频率在线监测分析系统,其中:所述系统基于云边协同技术进行构建,所述云边协同技术包括:
数据采集端通过电源管理单元采样频率数据并向边缘端传递,边缘端将这些数据全部存储,并清除早期数据;使用边缘端有限的算力,利用智能算法将频率数据初步处理,并根据云端通过历史数据给出的训练完成的模型进行轻量化计算,初步得出当前电网频率的状态,根据具体情况决定是否交予云端计算;云端进一步筛选边缘端的核心数据长期储存,并分析不同数据采集点的数据之间的影响,构建电力系统动态安全域多面体集。
作为本发明所述的云边协同的电网频率在线监测分析系统,其中:所述云边协同技术,还包括:
定义动态安全域为一个超多面体,电力系统由若干个超平面共同构建而成,所述超平面表示为:
通过发电机i的相轨迹判稳函数fi来判断当前系统是否处于稳定运行状态,则动态安全域的边界超平面表示为:
其中,n为不同机组对应的安全域边界,fi最先大于0的机组即为当前影响电网频率的主导失稳机组;
则机组i主导的电力系统动态安全域的边界表示为:
其中,下标s代表平衡机,j=1,2,…,n-1。
作为本发明所述的云边协同的电网频率在线监测分析系统,其中:所述基础设施层,包括:采集装置和资源管理装置;
所述采集装置用于智能化数据采样;
所述资源管理装置用于对智能化采样的数据通过虚拟网络进行虚拟存储和虚拟计算;
所述平台服务层,包括:大数据分析系统、通用平台服务系统和管理系统;
所述大数据分析系统用于根据历史频率监测数据和实时数据,利用机器学习等方法建立、迭代和完善数据模型,同时根据实时数据形成迭代后的子模型;
所述通用平台服务系统包括计算资源的分配,数据的缓存与存储,数据安全和预处理等内容;
所述管理系统包括整体模型和子模型的管理,子模型的下发以及云端对边缘端操作指令的下达。
作为本发明所述的云边协同的电网频率在线监测分析系统,其中:所述基础设施根据云端和边缘端协同计算的结果,完成对电网当前频率的分析,对电网当前的状况进行评估;当出现异常后,采用大数据技术匹配历史数据中相应问题的最优解决方案,为快速处理解决电网频率异常提供建议,最后由控制中心下达控制指令,从而有效起到电网频率实时监测的作用。
所述平台服务层通过基于云边协同技术的系统架构,算力资源和数据处理从云端向边缘端完成适配,降低了通讯量和云端计算量,从而实现整体优化,同时降低了在线监测的延迟。
本发明的有益效果:本发明提供的云边协同的电网频率在线监测分析方法与系统,基于综合模态参数识别方法的频率波动识别模型将同步相量数据采集装置提供的数据高效地完成拟合分析,并且为电网频率的评估分析提供数据支撑。本发明通过云边协作有效减少整体延迟,满足在线监测的实时性要求。通过合理分配云端和边缘端的计算资源,降低了整体架构的成本,提高了数据可靠性。同时通过对模型和算法的迭代,加快了实时数据的分析速度和精度,提高了在线监测系统的实用性。本发明提出的电网频率在线监测系统,能够分析比对历史数据,得出电网当前的频率状态、存在的隐患以及操作建议。同时保证流程清晰,数据安全,结果可靠,可应用在电网故障识别与处理中,工程实际人员可以据此完成相应操作。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种电网频率在线监测方法与系统的同步相量数据采集装置图;
图2为本发明一个实施例提供的一种电网频率在线监测方法与系统的云边协同计算框架图;
图3为本发明一个实施例提供的一种电网频率在线监测方法与系统的电网频率在线监测云平台架构设计图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的一个实施例,该实施例提供了一种电网频率在线监测方法,包括:
S1:基于数据采样算法对同步相量数据进行采集和跟踪,并对其进行压缩处理;
应说明的是,为了后续进行振荡频率辨识,需要对同步相量数据进行采集,采集的数据要包括实时数据、历史数据和案例数据。实时数据表示同步相量数据当前时刻的最新数据,历史数据表示一段时间累积的数据,案例数据指发生电网扰动等事件前后一段时间的数据。
更进一步的,压缩处理采用分段拟合方式进行有损压缩,包括:
保留每秒内的最大值和最小值作为数据曲线的波峰和波谷,减少数据压缩过程中的影响,将符合标准的数据去除,只保留超过拟合偏差的数据。
应说明的是,采用分段拟合方式进行有损压缩的目的是为了减少数据跨区域共享时的网络传输数据量,对采集到的同步相量进行数据压缩,以提高数据传输效率。
压缩处理的步骤,包括:
A1:针对时间段Ti∈T,获取Ti内所有数据V={V1,V2,…,Vn},找出最大值Vimax和最小值Vimin;
A2:设置压缩的中间节点为node1和node2,将数据集合V拆成3段:{V1,Vnode1},{Vnode1,Vnode2},{Vnode2,Vn};
A3:比较Vimax,Vimin的时间Timax,Timin,如果Timax<Timin,设Tnode1=Timax,Tnode2=Timin,否则设Tnode1=Timin,Tnode2=Timax;
A4:进行{V1,Vnode1}段的拟合压缩,设起始Vstart=V1,Vend=Vnode1;
A5:计算从start到end间每个值的拟合偏差Di:
A6:比较Di和拟合压缩误差δ,如果Di<δ,删除Vi,否则保留Vi,并设Vstart=Vi;
A7:重复执行步骤③—④,保留的数据集合为Vresult;
A8:重复执行步骤④—⑦,对其余数据段进行拟合压缩并将保留的数据加入Vresult。
S2:基于综合模态参数识别的振荡频率辨识方法对压缩处理后的数据进行识别。
更进一步的,综合模态参数识别,包括:
对原始同步相量数据进行信号预处理,通过滤波从原始信号中消除噪声包括,
提取输入信号x(t)的极值,用三次样条插值函数拟合x(t)的上、下包络,得到包络曲线的最大值emax(t)和最小值emin(t),计算上、下包络曲线的平均值m(t)和残差r(t),平均值和残差表示为:
r(t)=x(t)-m(t)
当r(t)满足局部极值的数量以及过零点的数量相差最多为1,且由局部极值构造的上、下包络的平均值为零时,将r(t)作为从x(t)的固有模态分量之一,若r(t)不满足条件,则将r(t)作为新的输入信号,重复该步骤;
当r(t)为单调数或常数时,将原始信号整形为新信号xnew(t);若r(t)不满足条件,则将x(t)-r(t)作为新的残差xnew(t),重复该步骤;新信号表示为:
更进一步的,基于线性系统离散状态空间方程计算部分模态参数包括,
利用协方差作为统计量来描述数据相关性,并使用奇异值分解获得状态矩阵及其特征值,最后获得系统的模态参数,状态模型可以表示为:
其中,k离散信号的采样点数,xs是离散时间系统的状态向量,yk是时刻k的系统输出向量,矩阵A是离散时间状态空间方程的状态矩阵,矩阵C是系统输出矩阵,wk和vk过程噪声和具有零均值的时刻k的测量噪声;
将yk构造为汉克尔矩阵,汉克尔矩阵表示为:
基于汉克尔矩阵,yk的协方差构造为:
基于汉克尔矩阵和协方差将汉克尔矩阵转化为托普利兹矩阵,托普利兹矩阵表示为:
对托普利兹矩阵应用奇异值分解,表示为:
T1/M=OMΓM
其中,OM为可观测矩阵,ΓM为扩展可观测矩阵,分别表示为:
系统输出矩阵C和状态矩阵A,分别表示为:
C=OM(1:l)
通过对状态矩阵A进行特征分解,可以得到系统的特征值μm,根据特征值可以计算每个特征值的模态频率fs,模态频率表示为:
参照图2—3,本发明实施例还提供一种电网频率在线监测系统,包括:
基础设施层100,通过虚拟化技术实现云平台整体资源的灵活分配和统一管理,实现最优资源利用;
平台服务层200,通过整合电网频率在线监测云平台通用服务能力,完善了云平台的功能;
软件服务层300,用于频率实时监测、电网状态评估和故障处理建议。
具体的,系统基于云边协同技术进行构建,云边协同技术包括:
数据采集端通过电源管理单元采样频率数据并向边缘端传递,边缘端将这些数据全部存储,并清除早期数据;使用边缘端有限的算力,利用智能算法将频率数据初步处理,并根据云端通过历史数据给出的训练完成的模型进行轻量化计算,初步得出当前电网频率的状态,根据具体情况决定是否交予云端计算;云端进一步筛选边缘端的核心数据长期储存,并分析不同数据采集点的数据之间的影响,构建电力系统动态安全域多面体集。
具体的,云边协同技术,还包括:
定义动态安全域为一个超多面体,电力系统由若干个超平面共同构建而成,超平面表示为:
通过发电机i的相轨迹判稳函数fi来判断当前系统是否处于稳定运行状态,则动态安全域的边界超平面表示为:
其中,n为不同机组对应的安全域边界,fi最先大于0的机组即为当前影响电网频率的主导失稳机组;
则机组i主导的电力系统动态安全域的边界表示为:
其中,下标s代表平衡机,j=1,2,…,n-1。
具体的,基础设施层100,包括:采集装置101和资源管理装置102;
采集装置101用于智能化数据采样;
资源管理装置102用于对智能化采样的数据通过虚拟网络进行虚拟存储和虚拟计算;
平台服务层200,包括:大数据分析系统201、通用平台服务系统202和管理系统203;
大数据分析系统201用于根据历史频率监测数据和实时数据,利用机器学习等方法建立、迭代和完善数据模型,同时根据实时数据形成迭代后的子模型;
通用平台服务系统202包括计算资源的分配,数据的缓存与存储,数据安全和预处理等内容;
管理系统203包括整体模型和子模型的管理,子模型的下发以及云端对边缘端操作指令的下达。
具体的,基础设施层100根据云端和边缘端协同计算的结果,完成对电网当前频率的分析,对电网当前的状况进行评估;当出现异常后,采用大数据技术匹配历史数据中相应问题的最优解决方案,为快速处理解决电网频率异常提供建议,最后由控制中心下达控制指令,从而有效起到电网频率实时监测的作用。
平台服务层200通过基于云边协同技术的系统架构,算力资源和数据处理从云端向边缘端完成适配,降低了通讯量和云端计算量,从而实现整体优化,同时降低了在线监测的延迟。
实施例2
参照图1—3,为本发明的一个实施例,该实施例提供了一种云边协同的电网频率在线监测分析方法与系统,为了验证本发明的有益效果,通过具体的实施流程进行科学论证。
本发明提供的一种云边协同的电网频率在线监测分析方法与系统通过以下步骤实现:
(1)同步相量数据的采集及数据压缩
首先,需要对同步相量数据进行采集和跟踪处理,为了后续进行振荡频率辨识。同步相量数据采集装置如图1所示,采集的数据主要包括实时数据、历史数据和案例数据。实时数据表示同步相量数据当前时刻的最新数据,历史数据表示一段时间累积的数据,案例数据指发生电网扰动等事件前后一段时间的数据。当采集实时同步相量数据时,最高速率不低于100次/秒,实时数据的保存时间应不少于14天。为了防止跨区数据同步时的存储空间冗余,一般只循环保存1-3个月的历史数据。案例数据主要指的是当电力系统发生频率越限、频率变化越限、继电保护或安全自动装置跳闸、同步时钟信号丢失或异常等事件。
其次,为了减少同步相量数据跨区域共享时的网络传输数据量,对采集到的同步相量进行数据压缩,提高数据传输的效率。采用一种分段拟合方式进行有损压缩,既有较高的压缩率,同时可实现数据的同步发送。分段拟合算法的关键思路为:保留每秒内的最大值和最小值作为数据曲线的波峰和波谷,减少数据压缩过程中的影响;通过拟合算法,将符合标准的数据去除,只保留超过拟合偏差的数据以达到数据压缩的目的。
(2)基于综合模态参数识别的振荡频率辨识方法
综合模态参数识别(SMPI)是一种基于参数匹配方法的综合方法,在识别电网中频率波动时可以获得全模态参数(包括固有频率、阻尼比、振幅和相位角),找出完整的模态参数并避免估计模型阶数的困难。
(3)基于云边协同关键技术的电网频率在线监测云平台架构设计
随着软硬件设备和通信技术的进步,云计算的相关产品技术渐趋成熟,并在计算、存储等服务中成功应用。然而传统云计算在应用中,存在通信时间长、通信开销大、计算功耗高、实时性差和数据安全等问题。与集中度高的云计算相比,分布式的边缘计算有着本地化、延时低、通信开销小等优点。在大规模云平台系统中,结合云计算和边缘计算的云边协同技术,能够优势互补,保证安全和实时性要求的同时,完成大规模模型的计算分析,实现系统统一调度。
云边协同关键技术主要包括以下内容:
①数据协同技术。数据协同技术覆盖了数据的收集、处理、存储和分析全流程。对于数据收集,可以通过结合多跳收集方法和设备辅助收集方法,加快数据收集的效率,满足实时性需求。对于数据处理,为了降低数据传输时间和成本,通常在网络边缘端完成,将收集的数据整理加工,便于进一步数据分析。具体过程包括数据抽取、数据转化、数据合并和计算等流程。对于要实时处理的数据,通过实时监控PMU数据到达苏里的变化,动态进行间隔压缩,减少端到端时延。数据存储过程在边缘端收集处理完成数据之后,通常将处理后的数据传输至云端,由云端进行存储加密,在保证数据安全的同时降低用户的通信开销和成本。最后,云边协同的数据分析技术通常采用大数据相关技术,深度学习是目前较为流行的数据分析技术之一,从数据中挖掘隐藏信息,并转化为可供后续使用的模型结构。
②计算资源协同技术。计算资源协同技术主要包括计算卸载技术和计算资源管理技术,可以解决边缘端资源受限问题,最大幅度减少中央云平台开销。边缘端提供计算、存储、网络和虚拟化等基础设施,同时接受并执行云端的资源调配方案。在云边协同的计算中,核心难点是如何使计算时延和能耗最小化。计算卸载技术将计算任务卸载到临近的边缘端,并由边缘端判断自行处理还是云边协同处理。这种模式下,时延包括移动设备的传输延迟、边缘节点的计算延迟、边缘节点的传输延迟和云服务器的计算延迟。通过KKT条件计算这些延迟总和最小,得出最佳计算资源分配策略。从而弥补云计算传输距离远和边缘资源受限的问题。计算资源管理技术包括边缘端本地资源管理和云端资源管理。采用自回归移动平均方法和BP神经网络来预测各端的负载,通过统一的资源分配系统传达每个独立子系统的实时信息,实现多种资源的最优配置。从而降低边缘云架构成本,最大限度避免资源浪费。
③智能协同技术。智能协同技术能够能将人工智能计算模型部署在边缘端,实时完成计算,并根据云端存储数据动态更新,弥补云边协同环节中由通信延迟等不足之处,可以分为推理优化技术和模型训练技术等。由于模型推理要求的计算资源远远低于模型训练优化,在边缘端完成模型推理是行之有效的方法。受限于边缘端计算和存储能力,需要采用模型压缩或分割技术,通过提升网络剪枝的剪枝率和提前退出机制来压缩或分割模型。对于模型训练技术,采用卷积神经网络来提取数据特征,并用长短期记忆网络来构建编码网络。在此基础上利用Map-Reduce的批量梯度下降算法进行模型训练优化,从而提高模型训练效率,降低模型误差。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种云边协同的电网频率在线监测分析方法,其特征在于,包括:
基于数据采样算法对同步相量数据进行采集和跟踪,并对其进行压缩处理;
基于综合模态参数识别的振荡频率辨识方法对压缩处理后的数据进行识别。
2.如权利要求1所述的云边协同的电网频率在线监测分析方法,其特征在于:所述压缩处理采用分段拟合方式进行有损压缩,包括:
保留每秒内的最大值和最小值作为数据曲线的波峰和波谷,减少数据压缩过程中的影响,将符合标准的数据去除,只保留超过拟合偏差的数据。
3.如权利要求2所述的云边协同的电网频率在线监测分析方法,其特征在于:所述压缩处理的步骤,包括:
A1:针对时间段Ti∈T,获取Ti内所有数据V={V1,V2,…,Vn},找出最大值Vimax和最小值Vimin;
A2:设置压缩的中间节点为node1和node2,将数据集合V拆成3段:{V1,Vnode1},{Vnode1,Vnode2},{Vnode2,Vn};
A3:比较Vimax,Vimin的时间Timax,Timin,如果Timax<Timin,设Tnode1=Timax,Tnode2=Timin,否则设Tnode1=Timin,Tnode2=Timax;
A4:进行{V1,Vnode1}段的拟合压缩,设起始Vstart=V1,Vend=Vnode1;
A5:计算从start到end间每个值的拟合偏差Di:
A6:比较Di和拟合压缩误差δ,如果Di<δ,删除Vi,否则保留Vi,并设Vstart=Vi;
A7:重复执行步骤A3—A4,保留的数据集合为Vresult;
A8:重复执行步骤A4—A7,对其余数据段进行拟合压缩并将保留的数据加入Vresult。
4.如权利要求3所述的云边协同的电网频率在线监测分析方法,其特征在于:所述综合模态参数识别,包括:
对原始同步相量数据进行信号预处理,通过滤波从原始信号中消除噪声包括,
提取输入信号x(t)的极值,用三次样条插值函数拟合x(t)的上、下包络,得到包络曲线的最大值emax(t)和最小值emin(t),计算上、下包络曲线的平均值m(t)和残差r(t),所述平均值和残差表示为:
r(t)=x(t)-m(t)
当r(t)满足局部极值的数量以及过零点的数量相差最多为1,且由局部极值构造的上、下包络的平均值为零时,将r(t)作为从x(t)的固有模态分量之一,若r(t)不满足条件,则将r(t)作为新的输入信号,重复该步骤;
当r(t)为单调数或常数时,将原始信号整形为新信号xnew(t);若r(t)不满足条件,则将x(t)-r(t)作为新的残差xnew(t),重复该步骤;所述新信号表示为:
5.如权利要求4所述的云边协同的电网频率在线监测分析方法,其特征在于:所述综合模态参数识别,还包括:
基于线性系统离散状态空间方程计算部分模态参数包括,
利用协方差作为统计量来描述数据相关性,并使用奇异值分解获得状态矩阵及其特征值,最后获得系统的模态参数,状态模型可以表示为:
其中,k离散信号的采样点数,xs是离散时间系统的状态向量,yk是时刻k的系统输出向量,矩阵A是离散时间状态空间方程的状态矩阵,矩阵C是系统输出矩阵,wk和vk过程噪声和具有零均值的时刻k的测量噪声;
将yk构造为汉克尔矩阵,所述汉克尔矩阵表示为:
基于汉克尔矩阵,yk的协方差构造为:
基于汉克尔矩阵和协方差将汉克尔矩阵转化为托普利兹矩阵,所述托普利兹矩阵表示为:
对所述托普利兹矩阵应用奇异值分解,表示为:
T1/M=OMΓM
其中,OM为可观测矩阵,ΓM为扩展可观测矩阵,分别表示为:
系统输出矩阵C和状态矩阵A,分别表示为:
C=OM(1:l)
通过对状态矩阵A进行特征分解,可以得到系统的特征值μm,根据特征值可以计算每个特征值的模态频率fs,所述模态频率表示为:
6.一种云边协同的电网频率在线监测分析系统,其特征在于,包括:
基础设施层(100),通过虚拟化技术实现云平台整体资源的灵活分配和统一管理,实现最优资源利用;
平台服务层(200),通过整合电网频率在线监测云平台通用服务能力,完善了云平台的功能;
软件服务层(300),用于频率实时监测、电网状态评估和故障处理建议。
7.如权利要求6所述的云边协同的电网频率在线监测分析系统,其特征在于:所述系统基于云边协同技术进行构建,所述云边协同技术包括:
数据采集端通过电源管理单元采样频率数据并向边缘端传递,边缘端将这些数据全部存储,并清除早期数据;使用边缘端有限的算力,利用智能算法将频率数据初步处理,并根据云端通过历史数据给出的训练完成的模型进行轻量化计算,初步得出当前电网频率的状态,根据具体情况决定是否交予云端计算;云端进一步筛选边缘端的核心数据长期储存,并分析不同数据采集点的数据之间的影响,构建电力系统动态安全域多面体集。
8.如权利要求7所述的云边协同的电网频率在线监测分析系统,其特征在于:所述云边协同技术,还包括:
定义动态安全域为一个超多面体,电力系统由若干个超平面共同构建而成,所述超平面表示为:
通过发电机i的相轨迹判稳函数fi来判断当前系统是否处于稳定运行状态,则动态安全域的边界超平面表示为:
其中,n为不同机组对应的安全域边界,fi最先大于0的机组即为当前影响电网频率的主导失稳机组;
则机组i主导的电力系统动态安全域的边界表示为:
其中,下标s代表平衡机,j=1,2,…,n-1。
9.如权利要求7所述的云边协同的电网频率在线监测分析系统,其特征在于:所述基础设施层(100),包括:采集装置(101)和资源管理装置(102);
所述采集装置(101)用于智能化数据采样;
所述资源管理装置(102)用于对智能化采样的数据通过虚拟网络进行虚拟存储和虚拟计算;
所述平台服务层(200),包括:大数据分析系统(201)、通用平台服务系统(202)和管理系统(203);
所述大数据分析系统(201)用于根据历史频率监测数据和实时数据,利用机器学习等方法建立、迭代和完善数据模型,同时根据实时数据形成迭代后的子模型;
所述通用平台服务系统(202)包括计算资源的分配,数据的缓存与存储,数据安全和预处理等内容;
所述管理系统(203)包括整体模型和子模型的管理,子模型的下发以及云端对边缘端操作指令的下达。
10.如权利要求9所述的云边协同的电网频率在线监测分析系统,其特征在于:所述基础设施层(100)根据云端和边缘端协同计算的结果,完成对电网当前频率的分析,对电网当前的状况进行评估;当出现异常后,采用大数据技术匹配历史数据中相应问题的最优解决方案,为快速处理解决电网频率异常提供建议,最后由控制中心下达控制指令,从而有效起到电网频率实时监测的作用。
所述平台服务层(200)通过基于云边协同技术的系统架构,算力资源和数据处理从云端向边缘端完成适配,降低了通讯量和云端计算量,从而实现整体优化,同时降低了在线监测的延迟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211327472.9A CN115566696A (zh) | 2022-10-27 | 2022-10-27 | 一种云边协同的电网频率在线监测分析方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211327472.9A CN115566696A (zh) | 2022-10-27 | 2022-10-27 | 一种云边协同的电网频率在线监测分析方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115566696A true CN115566696A (zh) | 2023-01-03 |
Family
ID=84768184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211327472.9A Pending CN115566696A (zh) | 2022-10-27 | 2022-10-27 | 一种云边协同的电网频率在线监测分析方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115566696A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117200460A (zh) * | 2023-11-06 | 2023-12-08 | 国网湖北省电力有限公司经济技术研究院 | 一种有源配电网量测优化配置方法及系统 |
CN117573907A (zh) * | 2024-01-16 | 2024-02-20 | 北京航空航天大学杭州创新研究院 | 一种移动机器人数据存储方法及系统 |
CN117783795A (zh) * | 2024-02-27 | 2024-03-29 | 南京中鑫智电科技有限公司 | 边缘分析的换流变阀侧套管绝缘状态综合分析方法及系统 |
-
2022
- 2022-10-27 CN CN202211327472.9A patent/CN115566696A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117200460A (zh) * | 2023-11-06 | 2023-12-08 | 国网湖北省电力有限公司经济技术研究院 | 一种有源配电网量测优化配置方法及系统 |
CN117200460B (zh) * | 2023-11-06 | 2024-01-23 | 国网湖北省电力有限公司经济技术研究院 | 一种有源配电网量测优化配置方法及系统 |
CN117573907A (zh) * | 2024-01-16 | 2024-02-20 | 北京航空航天大学杭州创新研究院 | 一种移动机器人数据存储方法及系统 |
CN117573907B (zh) * | 2024-01-16 | 2024-04-26 | 北京航空航天大学杭州创新研究院 | 一种移动机器人数据存储方法及系统 |
CN117783795A (zh) * | 2024-02-27 | 2024-03-29 | 南京中鑫智电科技有限公司 | 边缘分析的换流变阀侧套管绝缘状态综合分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115566696A (zh) | 一种云边协同的电网频率在线监测分析方法与系统 | |
CN109743356B (zh) | 工业互联网数据采集方法及装置、可读存储介质和终端 | |
CN112365366B (zh) | 一种基于智能化5g切片的微电网管理方法及系统 | |
CN110932899B (zh) | 一种应用ai智能故障压缩研究方法及其系统 | |
CN107645483A (zh) | 风险识别方法、风险识别装置、云风险识别装置及系统 | |
CN112632127B (zh) | 设备运行实时数据采集及时序的数据处理方法 | |
CN113641486B (zh) | 一种基于边缘计算网络架构的道岔智能故障诊断方法 | |
CN105244871A (zh) | 暂态功角失稳识别方法及系统 | |
CN115293258A (zh) | 一种输电线路导线覆冰监测分析方法及系统 | |
CN103346797A (zh) | 一种用于齿轮故障信号的实时压缩方法 | |
CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
CN113759974A (zh) | 一种面向输电杆塔精细化巡检的航线生成方法 | |
CN108448566A (zh) | 一种电力系统在线混合仿真方法和系统 | |
Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
Peng | An Operation and Maintenance Strategy of Intelligent Building Information Model Data Based on Cloud Computing. | |
Xu et al. | Interval prediction method for wind power based on VMD-ELM/ARIMA-ADKDE | |
EP4123862A1 (en) | Systems and methods for optimal synchrophasor data recovery | |
CN106845763B (zh) | 一种电网可靠性分析方法和装置 | |
CN116341716A (zh) | 一种基于数字孪生的智能降损方法 | |
CN108510164A (zh) | 一种电力系统内指定地区的外网等值模型在线生成方法 | |
CN108390353B (zh) | 一种基于潮流分布的高压环网后备定值整定方法 | |
CN114021833A (zh) | 一种线损预测方法、系统、存储介质及计算设备 | |
Gu et al. | An optimisation method of whole‐process restoration decision‐making of power systems considering disturbance‐resisting ability of the restored network | |
CN111160653A (zh) | 基于云计算的分布式储能系统风电消纳能力监测方法 | |
CN108390370A (zh) | 一种考虑天气状态对配电网运行风险影响的动态重构方法 |
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 |