CN115577321A - 基于联合卡尔曼滤波的主动配电网多源异构数据融合方法 - Google Patents
基于联合卡尔曼滤波的主动配电网多源异构数据融合方法 Download PDFInfo
- Publication number
- CN115577321A CN115577321A CN202211291745.9A CN202211291745A CN115577321A CN 115577321 A CN115577321 A CN 115577321A CN 202211291745 A CN202211291745 A CN 202211291745A CN 115577321 A CN115577321 A CN 115577321A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution network
- power distribution
- active power
- value
- 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.)
- Withdrawn
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 61
- 238000001914 filtration Methods 0.000 title claims abstract description 27
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 40
- 238000012937 correction Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
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
- 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
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，涉及大数据处理技术领域。该基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，包括以下方法步骤：S101：电网变量数据集成：抽取主动配电网的多区域电力变量数据和参数分组取样数值，构成主动配电网初始状态和参数变量数值，之后合并计算出初始数值，并得到主动配电网内部的多源异构数据参数；S102：区域电力数据计算：对主动配电网系统的转接容量比例系数进行数据采集。通过采用卡尔曼滤波为基础改善主动配电网的数据融合系统，利用主动配电网系统内对象的统计特性和概率模型进行操作，对于多项逻辑数据的整合、多源异构数据的融合效率和采集能力有着明显的提高。
Description
技术领域
本发明涉及大数据处理技术领域，具体为基于联合卡尔曼滤波的主动配电网多源异构数据融合方法。
背景技术
电能是指电以各种形式做功的能力，分为直流电能与交流电能，这两种电能均可以进行相互转换，电能被广泛应用在动力、照明、冶金、化学、纺织、通信、广播等各个领域，是科学技术发展、国民经济飞跃的主要动力。
卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，其实质上就是基于观测值以及估计值二者的数据对真实值进行估计的过程。
主动配电网是一个具有分布式能源、主动控制能力和运行能力的配电系统，在主动配电网的实际运行过程中，由于多区位电力系统经常需要同时进行调用，会产生大量的多源异构数据，特别是非结构化数据会急剧增加，传统的主动式配电网数据融合平台在面临多源异构数据处理时，对于细碎化数据的采集处理能力不足、数据结构难以统一，数据运维较为困难，给主动配电网数据监测的稳定性、配电系统运作效率与安全性带来了层层阻碍，因此传统的主动式配电网数据融合平台已经无法适应现在的组织数据整合要求，需要考虑一种新的整合方式，为此本领域技术人员提供了基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，以解决现有技术存在的不足之处。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，解决了在主动配电网的实际运行过程中，传统主动式配电网数据融合平台对于大量多源异构数据采集处理能力不足、数据结构难以统一，数据运维较为困难，给主动配电网数据监测的稳定性、配电系统运作效率与安全性带来了层层阻碍的问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，包括以下方法步骤：
S101：电网变量数据集成：抽取主动配电网的多区域电力变量数据和参数分组取样数值，构成主动配电网初始状态和参数变量数值，之后合并计算出初始数值，并得到主动配电网内部的多源异构数据参数；
S102：区域电力数据计算：对主动配电网系统的转接容量比例系数进行数据采集，同时根据获取的初始数值计算出多区域电力变量运行状态的一级数据；
S103：预测数值计算：对多区域电力变量的电网下行数据进行预测计算，得到模糊数值s，将模糊数值s代入观测矩阵算法中得到预测数值k，之后对预测数值k进行二次计算，更新模糊数值s和预测数值k之间的协方差矩阵；
S104：数据修正计算：根据协方差矩阵所得数据，计算多区域电力单元在k时刻的电网系统状态最优值，并与一级数据进行合并计算，得到二级数据，之后对二级数据进行修正，并得到多区域数值差异对比参数；
S105：多源异构数据融合计算：将所得的多项二级数据进行架构区分，之后对多源异构数据进行融合计算，之后计算出k时刻修正的主动配电网电力输送状态平均值，再与多区域数值差异对比参数合并进行二次修正计算，最后得到主动配电网运行状态流程数据总信息。
根据本申请提供的一种实施方式，所述步骤S101中，多区域电力数据变量的采集单元包括电网各专业部门、各级调度中心、送变电部门、输电量监测单元和电压监测模块。
根据本申请提供的一种实施方式，所述步骤S102中，一级数据的数值采用如下算式计算：
式中，x为上级电力变化时段位置，v为电压变化数值，a为电压浮动数值，h为电压数据采集间隔，t为当前电网负荷。
根据本申请提供的一种实施方式，所述步骤S103中，观测矩阵的算法公式如下所示：
式中，P为联合预测数值，k为预测数值，Q为输电量总体数值，AT为多区域电压数值平均值，AP为多区域电力变量的下行数据。
根据本申请提供的一种实施方式，所述S104步骤中，二级数据修正计算公式如下所示：
式中，X为修正计算结果，k为预测数值，Y为二级数据总值。
根据本申请提供的一种实施方式，所述S105步骤中，多源异构数据融合计算包括对主动配电网在内的多项运行数据进行初步滤波处理，进行数据初筛与修正，并转码、合并计算为预存数据。
根据本申请提供的一种实施方式，所述S105步骤中，二次修正计算用于对融合计算后的多源异构数据进行质量评估，提高数据的收敛速度。
（三）有益效果
本发明提供了基于联合卡尔曼滤波的主动配电网多源异构数据融合方法。具备以下有益效果：
1、本发明通过多源异构数据融合计算方式，对主动配电网在内的多项运行数据进行初步滤波处理，数据初筛与修正，并转码、合并计算为预存数据，在多个区位之间采用卡尔曼滤波的方式调节与整理数据，最终进行联合对比与更新，能够利用主动配电网系统内对象的统计特性和概率模型进行操作，对于多项逻辑数据的整合、多源异构数据的融合效率和采集能力有着明显的提高。
2、本发明通过将一级、二级的主动配电网信息维度特征映射到时间区段上，捕获不同时间点的数据信息，生成了全新的正交特征，对于后续生成的电网数据特征不是简单地进行数据清洗，而是进行多方面数据对比与计算，采用降维问题的优化目标将数据向量调节至可靠值，确保数值的稳定性，使得原始数据变换到一级组基上后，各电网区段的协方差达到0，而主动配电网整体的方差则尽可能变大，确保了融合后的多源异构数据可靠性与计算速度。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
本发明实施例提供基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，包括以下方法步骤：
S101：电网变量数据集成：抽取主动配电网的多区域电力变量数据和参数分组取样数值，构成主动配电网初始状态和参数变量数值，之后合并计算出初始数值，并得到主动配电网内部的多源异构数据参数，在此步骤中，多区域电力数据变量的采集单元包括电网各专业部门、各级调度中心、送变电部门、输电量监测单元和电压监测模块，在电网运作系统中，上述单元模块均设置独立的数据采集系统，并连接数据收发单元，主动式配电网作为多源化合集系统，对于不同区块的电力调度设施均可以进行数据抽取调用；
S102：区域电力数据计算：对主动配电网系统的转接容量比例系数进行数据采集，同时根据获取的初始数值计算出多区域电力变量运行状态的一级数据，在此步骤中，一级数据的数值采用如下算式计算：
式中，x为上级电力变化时段位置，v为电压变化数值，a为电压浮动数值，h为电压数据采集间隔，t为当前电网负荷；
通过以上公式，在本实施例中，代入实际获取数据进行计算，x拟定数值为7，v获取数值为14，a获取数值为6，h获取数值为12，t监测数值为3，通过以上数据代入公式中计算，得到一级数据总值为65.73，浮动值为1.66；
具体到本实施例中，主动式电网具备多源化特征，即整体为集成式电网架构，通过将一级、二级信息维度特征映射到时间区段上，捕获不同时间点的数据信息，生成了全新的正交特征，即为初始数据，后续一直生成的电网数据特征，不是简单地进行数据清洗，而是进行多方面数据对比，采用降维问题的优化目标将数据向量调节至可靠值，确保数值的稳定性，其主要目标是获取多个单位正交基，使得原始数据变换到一级组基上后，各电网区段的协方差达到0，而主动配电网整体的方差则尽可能变大；
S103：预测数值计算：对多区域电力变量的电网下行数据进行预测计算，得到模糊数值s，模糊数值s为初步计算数值，用于后续代入观测矩阵算法中进行计算，在后续步骤中，将模糊数值s代入观测矩阵算法中可以得到预测数值k，之后对预测数值k进行二次计算，更新模糊数值s和预测数值k之间的协方差矩阵，在此步骤中，观测矩阵的算法公式如下所示：
式中，P为联合预测数值，k为预测数值，Q为输电量总体数值，AT为多区域电压数值平均值，AP为多区域电力变量的下行数据，在本实施例中，所获取的信息数据如下：k为10，Q为主动配电网各区域的输电量总体合集，数值为85，AT为8，最后计算数值得到联合预测数值合集为50，数值浮动范围在3～5之间。
S104：数据修正计算：根据协方差矩阵所得数据，计算多区域电力单元在k时刻的电网系统状态最优值，并与一级数据进行合并计算，得到二级数据，之后对二级数据进行修正，并得到多区域数值差异对比参数，通过进行数据修正计算，利用协方差矩阵得到的数据，可以调节电网系统的数据准确性，为后续数据信息的对比与调用带来一定的时效性与可靠性，在此步骤中，二级数据修正计算公式如下所示：
式中，X为修正计算结果，k为预测数值，Y为二级数据总值，通过上述公式对二级数据进行修正计算，可以缩小数据模糊度范围，并缩小数值应用范围，使所得结果更加精确。
S105：多源异构数据融合计算：将所得的多项二级数据进行架构区分，之后对多源异构数据进行融合计算，之后计算出k时刻修正的主动配电网电力输送状态平均值，再与多区域数值差异对比参数合并进行二次修正计算，最后得到主动配电网运行状态流程数据总信息。
S105步骤中，多源异构数据融合计算包括对主动配电网在内的多项运行数据进行初步滤波处理，进行数据初筛与修正，并转码、合并计算为预存数据，通过初步滤波处理，在多个区位之间采用卡尔曼滤波的方式调节与整理数据，最终进行联合对比与更新，能够利用主动配电网系统内对象的统计特性和概率模型进行操作，对于多项逻辑数据的整合、多源异构数据的融合效率和采集能力有着明显的提高。
S105步骤中，二次修正计算用于对融合计算后的多源异构数据进行质量评估，提高数据的收敛速度，在此步骤中，主动配电网的实际运作过程中，由于各电力系统和实施数据管理系统的阶段性、技术性以及其他经济和人为因素等因素影响，容易导致主动配电网系统在运作过程中积累了大量采用不同存储方式的信息数据，通过上述算法进行处理后，可以使得到的数据的直接参考性变高，同时在电力系统中，使各个数据管理系统之间搭建联集关系，从简单的文件数据库到复杂的网络数据库，构成了电力系统的异构数据源处理单元，通过联合多区位卡尔曼滤波的方式进行信息融合，提高了主动配电网的系统运作稳定性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，其特征在于：包括以下方法步骤：
S101：电网变量数据集成：抽取主动配电网的多区域电力变量数据和参数分组取样数值，构成主动配电网初始状态和参数变量数值，之后合并计算出初始数值，并得到主动配电网内部的多源异构数据参数；
S102：区域电力数据计算：对主动配电网系统的转接容量比例系数进行数据采集，同时根据获取的初始数值计算出多区域电力变量运行状态的一级数据；
S103：预测数值计算：对多区域电力变量的电网下行数据进行预测计算，得到模糊数值s，将模糊数值s代入观测矩阵算法中得到预测数值k，之后对预测数值k进行二次计算，更新模糊数值s和预测数值k之间的协方差矩阵；
S104：数据修正计算：根据协方差矩阵所得数据，计算多区域电力单元在k时刻的电网系统状态最优值，并与一级数据进行合并计算，得到二级数据，之后对二级数据进行修正，并得到多区域数值差异对比参数；
S105：多源异构数据融合计算：将所得的多项二级数据进行架构区分，之后对多源异构数据进行融合计算，之后计算出k时刻修正的主动配电网电力输送状态平均值，再与多区域数值差异对比参数合并进行二次修正计算，最后得到主动配电网运行状态流程数据总信息。
2.根据权利要求1所述的基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，其特征在于：所述步骤S101中，多区域电力数据变量的采集单元包括电网各专业部门、各级调度中心、送变电部门、输电量监测单元和电压监测模块。
3.根据权利要求1所述的基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，其特征在于：所述步骤S102中，一级数据的数值采用如下算式计算：
式中，x为上级电力变化时段位置，v为电压变化数值，a为电压浮动数值，h为电压数据采集间隔，t为当前电网负荷。
4.根据权利要求1所述的基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，其特征在于：所述步骤S103中，观测矩阵的算法公式如下所示：
式中，P为联合预测数值，k为预测数值，Q为输电量总体数值，AT为多区域电压数值平均值，AP为多区域电力变量的下行数据。
5.根据权利要求1所述的基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，其特征在于：所述S104步骤中，二级数据修正计算公式如下所示：
式中，X为修正计算结果，k为预测数值，Y为二级数据总值。
6.根据权利要求1所述的基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，其特征在于：所述S105步骤中，多源异构数据融合计算包括对主动配电网在内的多项运行数据进行初步滤波处理，进行数据初筛与修正，并转码、合并计算为预存数据。
7.根据权利要求1所述的基于联合卡尔曼滤波的主动配电网多源异构数据融合方法，其特征在于：所述S105步骤中，二次修正计算用于对融合计算后的多源异构数据进行质量评估，提高数据的收敛速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211291745.9A CN115577321A (zh) | 2022-10-21 | 2022-10-21 | 基于联合卡尔曼滤波的主动配电网多源异构数据融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211291745.9A CN115577321A (zh) | 2022-10-21 | 2022-10-21 | 基于联合卡尔曼滤波的主动配电网多源异构数据融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115577321A true CN115577321A (zh) | 2023-01-06 |
Family
ID=84586888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211291745.9A Withdrawn CN115577321A (zh) | 2022-10-21 | 2022-10-21 | 基于联合卡尔曼滤波的主动配电网多源异构数据融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115577321A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116578632A (zh) * | 2023-07-14 | 2023-08-11 | 江苏未来网络集团有限公司 | 电力设备全生命周期管理系统、方法、计算机设备及介质 |
-
2022
- 2022-10-21 CN CN202211291745.9A patent/CN115577321A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116578632A (zh) * | 2023-07-14 | 2023-08-11 | 江苏未来网络集团有限公司 | 电力设备全生命周期管理系统、方法、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106026092B (zh) | 一种用于含分布式电源的配电网孤岛划分方法 | |
| CN104156835B (zh) | 一种大电网广域分布式一体化拓扑分析方法 | |
| CN112491050A (zh) | 基于指标集权重的主配网事故恢复处理方法 | |
| CN106327025B (zh) | 基于局部优化目标的交互式高压配电网规划方法 | |
| CN115577321A (zh) | 基于联合卡尔曼滤波的主动配电网多源异构数据融合方法 | |
| CN103093394A (zh) | 一种基于用户用电负荷数据细分的聚类融合方法 | |
| CN110429714A (zh) | 一种基于大数据的云平台智能配电系统 | |
| CN105515010B (zh) | 一种基于合作对策的二级电压协调控制方法及系统 | |
| CN112491037A (zh) | 一种城市配电网多目标多级动态重构方法及系统 | |
| CN115395557B (zh) | 一种基于有向图遍历的有源配电网故障快速恢复方法 | |
| CN110826895A (zh) | 一种台区拓扑识别方法 | |
| CN106027288A (zh) | 一种配电线路信息监测业务通信流量预测方法 | |
| CN104899689B (zh) | 基于dbcc优化算法与熵权理论的配电网故障恢复方法 | |
| CN110348596A (zh) | 一种电网220kV主变短期负荷曲线预测方法 | |
| CN108832630B (zh) | 一种基于预想事故场景的电网cps预防控制方法 | |
| CN107333316A (zh) | 一种无线传感器网络容错拓扑构建方法 | |
| CN106296466A (zh) | 一种基于可靠性的馈线系统规划方法 | |
| CN109712026A (zh) | 基于高阶杆塔建模的输电线路巡线抢修决策平台 | |
| CN108959652A (zh) | 基于密度峰值与社区归属度的重叠社区发现方法 | |
| CN117061580A (zh) | 基于物联网的智慧河道数据数字化传输系统及方法 | |
| CN108206542A (zh) | 基于结构紧密度的能源互联网构造方法 | |
| CN109242191B (zh) | 一种变电站供区双路径自适应负荷预测方法 | |
| CN107994572B (zh) | 一种配电网可靠性提升措施适用性量化分析方法 | |
| CN115983548A (zh) | 一种基于人工智能技术的配电网智能规划方法 | |
| CN116014793A (zh) | 一种考虑分布式电源消纳的中压配电网网格划分方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230106 |
|
| WW01 | Invention patent application withdrawn after publication |