CN115693692A - 基于配电网电压数据分析的电压合格率提升方法 - Google Patents
基于配电网电压数据分析的电压合格率提升方法 Download PDFInfo
- Publication number
- CN115693692A CN115693692A CN202110828573.3A CN202110828573A CN115693692A CN 115693692 A CN115693692 A CN 115693692A CN 202110828573 A CN202110828573 A CN 202110828573A CN 115693692 A CN115693692 A CN 115693692A
- Authority
- CN
- China
- Prior art keywords
- voltage
- model
- qualification rate
- power distribution
- data
- 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
- 238000012797 qualification Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 66
- 238000012417 linear regression Methods 0.000 claims abstract description 23
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000000556 factor analysis Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000012544 monitoring process Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 238000011160 research Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000012628 principal component regression Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims 3
- 230000007787 long-term memory Effects 0.000 abstract description 2
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 239000003990 capacitor Substances 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于配电网电压数据分析的电压合格率提升方法，属于配电网技术领域。本发明包括如下步骤：步骤一：基于多元线性回归的电压合格率影响因素研究；步骤二：以电压合格率为主要优化目标的配电网无功优化模型；步骤三：基于长短期记忆网络和KNN的电压故障检测。本发明利用因子分析法及主成分分析法对电压合格率的影响因素进行分析，并提出了相应的解决措施。提出了以电压合格率为主要优化目标的配电网无功优化模型，对多种人工智能优化算法进行研究，分析其优化轨迹特性，对多种人工智能算法的优缺点以及适用场合进行总结，并采用粒子群优化算法对配电网进行电压无功优化，明显改善了电压合格率偏低的问题；可广泛运用于配电网场合。
Description
技术领域
本发明涉及一种基于配电网电压数据分析的电压合格率提升方法，属于配电网技术领域。
背景技术
周刚，杨强，陈扬.大数据技术在电压监测中的应用研究[J].自动化与仪器仪表，2017(4):86-87.国外对电压数据分析处理的研究比国内起步早，在电压质量监控软件研发方面投入较大，一些发达国家在电能质量控制方面的研究和应用已取得显著的成效，从实用的功率理论的扩展，到电能质量评价指标体系的建立，从广泛的电能质量普查，到对用户电能质量的监测等，已建立和形成了常务性机制。澳大利亚越网公司所开发的电压指标管理系统，是通过分析方法来收集并显示电压指标越限的信息，其中EMS系统每分钟运行记录一次数据，事故安全分析用图形，以图形和表格形式，按月度统计，包括低电压运行时间和高电压运行时间，统计越限次数和持续时间。
目前市县公司所用的系统进行电压合格率的统计分析及对下属市县供电公司进行低(过)电压的预警告知。但该系统存在一个很大的弊端就是1.预警信息推送不及时，因为电压数据量巨大，需经过一系列数据清洗并将结果上传到山东电网省公司之后才能将低(过)电压预警信息推送给电网下属的市县供电公司，而这个过程基本要用2天的时间。2.山东电网规定月度内低(过)电压客户累计时长超过48小时将对下属供电公司进行考核。那么下属的市县供电公司专责人当天只能看到2天之前的低(过)电压预警信息，当专责人登录系统看到低(过)电压预警信息之后再通知供电所进行治理，就会导致治理不及时，从而严重影响了电压合格率指标。3.工作效率低难以实现精准管控，主要依靠运检管理人员人工核对用采电压数据、电话通知经理治理，电压管控工作效率低，难以实现精准管控。4.随着配电网规模迅猛增加，迎峰度夏、迎峰度冬等低电压高发期查询数据量大，通知不及时易造成长期低电压，增大投诉风险。
发明内容
针对现有技术存在的上述缺陷，本发明提出了一种基于配电网电压数据分析的电压合格率提升方法。
本发明所述的基于配电网电压数据分析的电压合格率提升方法，包括如下步骤：
步骤一：基于多元线性回归的电压合格率影响因素研究，包括如下小步：
第一步：分析影响电压合格率的因素，对综合电压合格率及A、B、C、D四类监测点电压合格率进行分析；
第二步：根据基于多元线性回归的电压合格率影响因素研究模型，利用因子分析法及主成分分析法对电压合格率的影响因素进行分析；
第三步：然后对四类监测点进行电压合格率越上限和越下限原因分析，利用主成分分析法找出影响电压合格率的主要原因及二级原因，并提出相应的解决措施；
步骤二：以电压合格率为主要优化目标的配电网无功优化模型：为减少无功设备的投入，提高配电网电压合格率，需要利用无功调控策略对配电网进行优化，包括如下小步：
第一步：提出以电压合格率为主要优化目标的配电网无功优化模型，利用量子遗传算法、量子群搜索算法和粒子群算法三种人工智能优化算法进行研究；
第二步：分析其优化轨迹特性，对三种人工智能算法的优缺点以及适用场合进行总结，并采用粒子群算法对配电网进行电压无功优化，改善电压合格率偏低的问题；
步骤三：基于长短期记忆网络和KNN的电压故障检测：及早发现电压异常，并迅速判断何种电压故障，提高工人修复电压效率，进而提高电压合格率，包括如下小步：
第一步：根据基于长短期记忆网络和KNN的电压故障预测模型，使用长短期记忆网络提取电压波动数据的特征，捕获电压的历史信息，对电压序列数据进行学习，挖掘出内部隐含的信息；
第二步：将BLSTM网络提取到的特征向量输入到KNN分类器进行故障分类，精确指导低电压的治理。
优选地，所述步骤一中第一步的A、B、C、D四类监测点记录电压波动数据，每条数据记录24小时内的电压波动，电压数据每隔一小时采集一次。
优选地，所述步骤一中第二步中，多元线性回归的电压合格率影响因素研究模型，采用主成分回归的方法能够消除经典回归分析的缺陷，关于主成分回归的模型如下：
ε-N(0,σ2)
式中：
通过主成分分析，对电压合格率的各个影响因素在SPSS中作回归分析，根据SPSS导出的以上结果，可以得到关于电压合格率的计算如下：
U(％)＝44.436+0.959×SD+0.808×JB+1.021×ZB+0.98×WD+0.769×DR+0.847×SJ+1.257×DY-1.082×ZD+0.955×DJ+1.295×XL+1.769×FH+2.292×MX (2)
式中：
SD——水电厂电压并网波动因素权重值；
JB——旧变压器变比配置不合理因素权重值；
ZB——主变压器非有载调压因素权重值；
WD——无电压自动调节系统因素权重值；
DR——电容、电抗器未安装因素权重值；
SJ——上级电源电压不合格因素权重值；
DY——电压控制实时性差因素权重值；
ZD——自动电压调节系统效率低因素权重值；
DJ——电压监测仪表准确性差因素权重值；
XL——线路因素权重值；
FH——负荷过载因素权重值；
MX——母线电压越限因素权重值；
根据电压合格率多元线性回归模型，输入各个影响因素的标准化的权重值，即可对电压合格率进行预测评估，及时排除风险。
优选地，所述步骤一中第二步中，主成分分析法是通过投影的方式，将高维数据降维处理，进行复杂数据简化操作，包括如下小步：
(1)设X＝(xij)为n×p阶的矩阵，记作X＝(x1,...,xn)T＝(x1,...,xp)，xi为X矩阵的第i行，xj为X矩阵的第j列，当把X矩阵看作p维度的矩阵时，设Rq(q<p)为低维度空间，使得X矩阵到Rq空间的投影值与原始值最接近；
(2)把X(n×p)矩阵中心标准化，即X→HXD-1，其中
I为n阶单位矩阵，D＝diag[Hx1,…,Hxp]，矩阵变换后仍然赋值给矩阵X；
(3)求解矩阵XTX的特征值λ1≥...≥λp≥0，求解特征值对应的标准正交特征向量u1,...,up，令XTX＝UΛUT，式中U＝(u1,...,up)；
(4)计算主要成分的累记贡献率
对于规定的贡献率c0，确定使累计贡献率αq≥c0时最小的q，一般取c0＝85％；
(5)计算主成分得分yj＝Xuj,j＝1,...,q，yj是第j个主成分得分值。
优选地，所述步骤一中第三步中，监测点进行电压合格率越上限和越下限原因分析，分为：模型拟合优度及残差检验、F检验、直方图及PP图检验，其中：
模型拟合优度及残差检验：根据拟合优度，判断模型的拟合优度是否符合理想要求，根据残差值，判断是否存在正自相关；
F检验：用来判断线性回归方程是否显著，表明模型是否支持原假设，即线性回归方程是否显著；
直方图及PP图检验：通过直方图及PP图，表明残差是服从正态分布的，判断建立的关于电压合格率的线性回归模型的拟合效果是否显著，预测模型是否符合统计学要求，模型的建立是否可信。
优选地，所述步骤二中第一步中，配电网无功优化模型的建立步骤如下：
(1)目标函数：优化的目标函数如式(3)所示，系统的优化目标为功率损耗最低，即优化目标为经济性；
式中：
ΔPij——线路i与线路j的有功功率损耗，单位W；
Vi——网络节点i的电位值，单位V；
Vj——网络节点j的电位值，单位V；
θij——网络节点i与j的电压矢量相角差；
gij——线路ij的电导，单位S；
NL——配电网线路集合；
为了提高电压合格率，提高配电网的整体电压质量，系统的优化目标改为节点电压偏离期望值的累计和，则目标函数如式(4)所示：
式中：
n——配电网节点个数；
ΔVi——节点i的电压值与期望值偏差；
Vimax——节点i允许电压最高值；
Vimin——节点i允许电压最低值；
综上所述，设定优化目标为电压合格率与配电网运行经济性，目标函数改为式(5):
式中：λ1，λ2——补偿系数；
(2)约束条件：关于目标函数的约束条件主要包括运行状态、潮流约束、控制变量三部分，关于各个约束条件的数学模型如下内容；
1)状态变量约束条件：
式中：
V——节点电压，单位V；
QG——发电机输出的无功功率，单位Var；
PG——发电机输出的有功功率，单位W；
NB——电力系统节点集合；
NG——发电机节点集合；
2)控制变量约束条件：
式中：
NK——支路集合；
Nc——无功设备节点集合；
3)潮流约束条件：
式中：
优选地，所述步骤三中第一步中，电压故障预测模型，给定每条电压波动数据x＝{x1,x2,…,xn},n＝24，由于是序列化数据，因此将每个时刻电压数据使用BLSTM来提取特征，然后进行拼接v＝[H1,H2,…,Ht]，其中Ht为t时刻BLSTM的隐场层输出，得到的特征向量v作为该电压序列数据的特征表示，输入到KNN分类器进行故障分类。
优选地，所述步骤三中第二步中，将BLSTM网络提取到的特征向量输入到KNN分类器进行故障分类，具体包括如下内容：
将电压序列数据输入到BLSTM中进行训练，以分类损失最小化作为优化目标训练得到BLSTM模型，保存该模型；将训练数据输入该模型得到特征向量，输入到KNN分类器进行分类预测；在KNN算法中，设置K为6，使用欧式距离；使用准确率、召回率和F1值作为评价指标，对于数据集中每个类别的召回率和准确率使用混淆矩阵进行计算；
其中TP为真正例，FN为假反例，FP为假正例，TN为真反例，则准确率P、召回率R和F1值的计算公式分别为：
验证BLSTM提取特征向量对模型分类效果的性能影响，设置了变体实验，直接使用KNN进行分类预测；结合了神经网络和传统机器学习方法进行故障检测，使用循环神经网络来捕获电压波动数据特征，挖掘数据中的潜在模式，并最后使用KNN算法进行分类。
优选地，步骤三中第二步中，故障分类包括表计故障、变压器分接头档位错误、导线及接头故障、低压三相负荷不平衡、线路断线、违约用电和出口电压低。
优选地，步骤三中第二步中，提升模型的分类性能考虑以下三个层面：
A、分析BLSTM的层数对模型的分类性能影响：当网络为一层时，由于低层神经网络仅仅提取通用特征，并且提取特征的能力较弱，无法捕获序列数据的潜在模式，当BLSTM网络层数第三、四、五层时，由于神经网络层数过深，会导致过拟合，因此模型的准确率下降；
B、分析KNN算法中K的取值对模型的分类性能影响：K从1到10依次取值，分别进行实验：当K取值太小时，模型对邻近的样本点十分敏感，在训练过程中，容易产生过拟合，增大学习误差；当K取值过大时，较远的样本点也会对模型的预测产生作用，导致模型预测结果模糊，容易分类错误；
C、分析数据集的大小对算法的性能影响：将数据集划分成不同的比例20％，40％，60％，80％，100％来进行实验，对各个算法的准确率进行对比，无论当数据集的比例为多少，由于使用了神经网络对电压波动数据提取特征，捕获数据的潜在模式，有利于后续的KNN模型对BLSTM输出的特征向量进行分类。
本发明的有益效果是：(1)利用因子分析法及主成分分析法对电压合格率的影响因素进行分析，提出了基于多元线性回归模型的电压合格率影响因素研究，并进行模型检验。也对四类监测点进行监测点电压合格率越上限和越下限原因分析，基于主成分分析法找出影响电压合格率的主要原因及二级原因，并提出了相应的解决措施。
(2)提出了以电压合格率为主要优化目标的配电网无功优化模型，对多种人工智能优化算法进行研究，分析其优化轨迹特性，对多种人工智能算法的优缺点以及适用场合进行总结，并采用粒子群优化算法对配电网进行电压无功优化，明显改善了电压合格率偏低的问题。
(3)及早发现电压异常，并迅速判断何种电压故障，然后对电压故障进行修复，提高工人修复电压效率，进而提升电压合格率。同时也为了预防电压异常，提前做好电压故障检测，减少停电次数，提高电压稳定性。提出了基于长短期记忆网络和KNN的电压故障预测模型，将神经网络和传统机器学习方法相结合，首先使用长短期记忆网络提取电压波动数据的特征，然后将提取到的特征向量输入到KNN分类器进行故障分类。
附图说明
图1是本发明的原理流程框图。
图2是直方图检验结果图。
图3是P-P图检验结果图。
图4是电压无功优化的拓扑示意图。
图5是电压故障检测模型结构图。
图6是BLSTM网络不同层数的模型分类准确率图。
图7是不同K值的模型分类准确率图。
图8是不同比例数据集的算法准确率对比图。
具体实施方式
下面将结合本发明实施例中的附图，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1：
本发明的原理是：由于影响电压合格率的因素主要有电厂电压并网波动、旧主变压器变比配置不合理、主变压器非有载调压、无电压自动调节系统、电容电抗器未安装、上级电源电压不合格、电压控制实时性差、自动电压调节系统效率低、电压监测仪表准确性、线路因素、负荷过载、母线电压越限、三相负荷不平衡等。根据已有的数据，对统计数据进行分析，先对以上影响因素间关系进行分析，建立综合电压合格率的数学模型，并对今后的综合电压合格率进行预测。
为了减少无功设备的投入，提高配电网电压合格率，需要利用无功调控策略对配电网进行优化。提出了以台区电压合格率为主要优化目标的配电网无功优化模型，利用量子遗传算法、量子群搜索算法和粒子群算法三种人工智能优化算法进行研究，分析其优化轨迹特性，对三种人工智能算法的优缺点以及适用场合进行了总结，并采用粒子群算法对配电网进行电压无功优化，明显改善了台区电压合格率偏低的问题。
为了及早发现电压异常，并迅速判断何种电压故障，提高工人修复电压效率，进而提高电压合格率。提出了基于长短期记忆网络和KNN的电压故障预测模型，将神经网络和传统机器学习方法相结合。首先使用长短期记忆网络提取电压波动数据的特征，该网络可以捕获电压的历史信息，能够较好的对电压序列数据进行学习，挖掘出内部隐含的信息。然后将BLSTM网络提取到的特征向量输入到KNN分类器进行故障分类。
需要说明的是：电压合格率SPSS主成分分析：
主成分分析法是通过投影的方式，将高维数据降维处理，进行复杂数据简化操作，关于主成分分析法的步骤如下：
(1)设X＝(xij)为n×p阶的矩阵，记作X＝(x1,…,xn)T＝(x1,...,xp)，xi为X矩阵的第i行，xj为X矩阵的第j列，当把X矩阵看作p维度的矩阵时，设Rq(q<p)为低维度空间，使得X矩阵到Rq空间的投影值与原始值最接近。
(2)把X(n×p)矩阵中心标准化，即X→HXD-1，其中
I为n阶单位矩阵，D＝diag[Hx1,…,Hxp]，矩阵变换后仍然赋值给矩阵X。
(3)求解矩阵XTX的特征值λ1≥...≥λp≥0，求解特征值对应的标准正交特征向量u1,...,up，令XTX＝UΛUT，式中U＝(u1,...,up)。
(4)计算主要成分的累记贡献率
对于规定的贡献率c0，确定使累计贡献率αq≥c0时最小的q，一般取c0＝85％。
(5)计算主成分得分yj＝Xuj,j＝1,...,q，yj是第j个主成分得分值。
取X＝(x1,...,xn)T＝(x1,...,xp)，为影响电压合格率的因素变量，其样本数据为2018年1月-2018年12月的日数据。对于数据矩阵X中所有的变量进行加权标准化，利用SPSS统计分析软件得到如下结果：
表1:各影响因素之间相关系数矩阵表
Correlation Matrixa
a.Determinant＝.002
从表1中可以得出各影响因素之间的相关系数，相关系数越大，表示相关程度越大。例如主变压器变比配置不合理因素与主变压器非有载调压因素相关系数较大，说明两者之间存在一定关联程度。以此类推，得出影响因素各自间的相互关系，为接下来的主成分分析打好基础。
表2:电压合格率主成分统计信息表
从图表2可以得出综合电压合格率的一共13个成分的贡献率及累计贡献率，结果显示前6个影响因素的累计贡献率达到了80.133％。第七个主成分的贡献率为6.842％。因此，影响电压合格率的13个因素中主要因素包括6个。
表3:主成分分级表
在表3中，数值越高，表示对电压合格率影响作用越大。13个影响因素中，第一主成分主要包括电压控制实时性差、电压监测仪表不准确、电容电抗器未安装、负荷过载、主变压器配置不合理、水电厂电压并网波动。第二主成分主要包括三相负荷不平衡、主变压器非有载调压、母线电压越限、线路因素。第三主要成分包括自动电压调节系统效率低、旧变压器配置不合理。以此类推，第一主成分对于电压合格率的影响效果大于第二主成分。
通过以上主成分分析可以发现对电压合格率的影响因素，按照影响程度从大到小排列为1、自动电压调节系统效率低。2、电压控制实时性差。3、电压监测仪表不准确。4、电容电抗器未安装。5、三相负荷不平衡。根据主成分分析的内容继续建立电压合格率数学模型。步骤一：建立多元线性回归模型
由于电压合格率和主要影响因素的相关性很强，具有多重线性，采用经典回归分析的方法估计误差会较大，采用主成分回归的方法能够消除经典回归分析的缺陷，关于主成分回归的模型如下：
ε-N(0,σ2)
式中：
通过主成分分析，前六个主成分的累计贡献率达到80.133％。对电压合格率的各个影响因素在SPSS中作回归分析，得到的结果如下：
表4：SPSS回归分析结果表
a.Dependent Variable:综合电压合格率
根据表4的SPSS导出的以上结果，可以得到关于电压合格率的计算如下：
U(％)＝44.436+0.959×SD+0.808×JB+1.021×ZB+0.98×WD+0.769×DR+0.847×SJ+1.257×DY-1.082×ZD+0.955×DJ+1.295×XL+1.769×FH+2.292×MX (2)
式中：
SD——水电厂电压并网波动因素权重值；
JB——旧变压器变比配置不合理因素权重值；
ZB——主变压器非有载调压因素权重值；
WD——无电压自动调节系统因素权重值；
DR——电容、电抗器未安装因素权重值；
SJ——上级电源电压不合格因素权重值；
DY——电压控制实时性差因素权重值；
ZD——自动电压调节系统效率低因素权重值；
DJ——电压监测仪表准确性差因素权重值；
XL——线路因素权重值；
FH——负荷过载因素权重值；
MX——母线电压越限因素权重值。
根据以上的电压合格率多元线性回归模型，输入各个影响因素的标准化的权重值，即可对电压合格率进行预测评估，及时排除风险。
电压合格率模型的检验
(1)模型拟合优度及残差检验
表5：拟合优度及残差结果表
a.Predictors:(Constant),母线电压越限,电压控制实时性差,旧主变压器变比配置不合理,线路因素,水电厂电压并网波动,自动电压调节系统效率低,电压监测仪表准确性,电容、电抗器未安装,主变压器非有载调压,上级电源电压不合格,无电压自动调节系统,负荷过载
b.Dependent Variable:综合电压合格率
由表5可知，拟合优度R2＝0.864，模型的拟合优度符合理想要求。残差值DW＝1.508，说明存在正自相关。
(2)F检验
表6：F检验结果表
a.Predictors:(Constant),母线电压越限,电压控制实时性差,旧主变压器变比配置不合理,线路因素,水电厂电压并网波动,自动电压调节系统效率低,电压监测仪表准确性,电容、电抗器未安装,主变压器非有载调压,上级电源电压不合格,无电压自动调节系统,负荷过载
b.Dependent Variable:综合电压合格率
F检验用来判断线性回归方程是否显著，表6中Sig＝0.001<0.05，表明模型支持原假设，即线性回归方程显著。
(3)直方图及PP图检验
直方图的输出结果如图2所示，标准化残差的P-P图如图3所示。通过以下两图大致可以看出，残差是服从正态分布的。因此可以认定，上述建立的关于电压合格率的线性回归模型的拟合效果是显著的，说明预测模型符合统计学的要求，模型的建立也是可信的。
根据以上因子分析方法与主成分分析法，以建立的电压合格率数学模型为基础对四类监测点的电压合格率不达标、电压越限原因进行研究，并提出相关问题的解决措施。
步骤二：配电网无功优化模型
关于配电网电压无功优化的拓扑如图4所示，将无功功率补偿器安装在中压母线上，将中压线路调节器安装在馈线的中间部分，并将低压无功补偿器安装在台区的首端，并对台区中的线路比较长的线路安装自动调压器等。基于变电站中现有的电压调节措施来优化母线电压，该区域相当于中压负荷。基于配电网优化拓扑示意图，研究电无功优化模型。
建立的配电网电压无功优化的模型如下。
(1)目标函数
优化的目标函数如式(1)所示，系统的优化目标为功率损耗最低，即优化目标为经济性。
式中：
ΔPij——线路i与线路j的有功功率损耗，单位W；
Vi——网络节点i的电位值，单位V；
Vj——网络节点j的电位值，单位V；
θij——网络节点i与j的电压矢量相角差；
gij——线路ij的电导，单位S；
NL——配电网线路集合。
为了提高电压合格率，提高配电网的整体电压质量，系统的优化目标改为节点电压偏离期望值的累计和，则目标函数如式(2)所示。
式中：
n——配电网节点个数；
ΔVi——节点i的电压值与期望值偏差；
Vimax——节点i允许电压最高值；
Vimin——节点i允许电压最低值。
综上所述，设定优化目标为电压合格率与配电网运行经济性，目标函数改为式(3)。
式中：λ1，λ2——补偿系数。
(2)约束条件
关于目标函数的约束条件主要包括运行状态、潮流约束、控制变量三部分。关于各个约束条件的数学模型如下内容。
1)状态变量约束条件：
式中：
V——节点电压，单位V；
QG——发电机输出的无功功率，单位Var；
PG——发电机输出的有功功率，单位W；
NB——电力系统节点集合；
NG——发电机节点集合。
2)控制变量约束条件：
式中：
NK——支路集合；
Nc——无功设备节点集合。
3)潮流约束条件：
式中：
传统的潮流控制特别依赖大量计算值，电压无功优化本质上也属于潮流优化，但是无功优化的研究重点是控制策略调整，即利用人工智能优化算法对电压进行无功优化。人工智能优化算法本质上就是在一个空间内，通过一定的规则或者规律在空间内寻求最优解，且求解过程高效迅速。本发明使用人工智能算法进行电压无功优化，主要对三类经典人工智能算法进行研究，分别是量子遗传算法(Quantum Genetic Algorithm，QGA)、量子群搜索优化算法(Quantum Group Search Optimization，QGSO)、粒子群优化算法(ParticleSwarm Optimization，PSO)，对各个算法进行仿真与特性分析对比。
步骤三：电压故障检测模型
如何快速准确的预测电压故障对于供电任务尤为重要。本发明使用A、B、C、D四类监测点的电压波动数据，每条数据记录了24小时内的电压波动，电压数据每隔一小时采集一次。由于电压是波动性数据，当前时刻的电压是否发生故障往往还需要观察之前时刻的电压状态。因此本发明使用BLSTM来进行提取电压数据特征，该网络可以捕获电压的历史信息，能够较好的对电压序列数据进行学习，挖掘出内部隐含的信息。模型结构如图5所示，给定每条电压波动数据x＝{x1,x2,…,xn},n＝24，由于是序列化数据，因此将每个时刻电压数据使用BLSTM来提取特征，然后进行拼接v＝[H1,H2,…,Ht](Ht为t时刻BLSTM的隐场层输出)，得到的特征向量v作为该电压序列数据的特征表示，输入到KNN分类器进行故障分类。
实施例2：
下面结合数据集及实验设置进行解释：
采用A、B、C、D四类监测点的电压波动数据，每条数据记录了供电所24小时内的电压波动，电压数据每隔一小时采集一次。该数据集共8013条记录，分为正常电压和故障电压，其中故障电压的类型又分为7类，因此该数据集共包含8个类别。数据集的电压故障类型统计信息如表7所示。在实验过程中，将数据集划分为训练集、验证集和测试集，分别为6100、830、1083条数据记录。
表7：数据集的故障类型统计信息表
在训练过程中，首先将电压序列数据输入到BLSTM中进行训练，以分类损失最小化作为优化目标训练得到BLSTM模型，保存该模型。将训练数据输入该模型得到特征向量，输入到KNN分类器进行分类预测。其中BLSTM算法的参数设置如表8所示。在KNN算法中，设置K为6，使用欧式距离。
表8：BLSTM算法实验参数设置表
评价指标
本发明使用准确率、召回率和F1值作为评价指标。对于数据集中每个类别的召回率和准确率使用混淆矩阵进行计算，混淆矩阵如表9所示。
表9：混淆矩阵表
其中TP为真正例，FN为假反例，FP为假正例，TN为真反例。准确率P、召回率R和F1值的计算公式分别为：
实验结果与分析
为了验证模型的有效性，本发明还对比了其他模型的分类性能。对比模型有SVM、朴素贝叶斯、决策树。为了验证BLSTM提取特征向量对模型分类效果的性能影响，设置了变体实验，直接使用KNN进行分类预测。实验结果如表10所示。由于本发明模型结合了神经网络和传统机器学习方法进行故障检测，使用循环神经网络来捕获电压波动数据特征，挖掘数据中的潜在模式，并最后使用KNN算法进行分类。本发明提出的模型分类效果最好，相比于其他模型的最佳分类性能，本发明模型在准确率上提高了8.96％，召回率提高了10.88％，F1值提高了9.65％。而单纯使用机器学习方法，如SVM、朴素贝叶斯和决策树等算法进行预测分类，由于这些算法仅仅使用分类规则来进行预测，无法像神经网络一样捕获数据的内部信息，因此分类性能较低。通过对比KNN算法和本发明模型的分类性能，本发明模型在准确率、召回率和F1值均高于KNN算法，验证了BLSTM算法可以有效提升分类性能。每种故障类型的分类准确率如表11所示。其中表计故障和线路断电这两种故障的分类准确率最高，低压三相负荷不平衡的分类准确率最低。
表10：模型的分类准确率对比表(％)
表11：每种故障类型分类准确率表(％)
为了更好的提取特征向量，提升模型的分类性能。分析BLSTM的层数对模型的分类性能影响，实验结果如图6所示。当BLSTM为2层时模型的分类准确率最高。当网络为一层时，由于低层神经网络仅仅提取通用特征，并且提取特征的能力较弱，无法捕获序列数据的潜在模式，因此准确率较低。深层网络可以提取抽象的特征，容易捕获到高维特征之间的联系，有利于提高模型的分类性能。从图6中可以看出，当BLSTM网络层数第三、四、五层时，由于神经网络层数过深，会导致过拟合，因此模型的准确率下降。
为了分析KNN算法中K的取值对模型的分类性能影响，K从1到10依次取值，分别进行实验。实验结果如图7所示，当K＝6时，模型的分类性能最好。当K取值太小时，模型对邻近的样本点十分敏感，在训练过程中，容易产生过拟合，增大学习误差。当K取值过大时，较远的样本点也会对模型的预测产生作用，导致模型预测结果模糊，容易分类错误。
为了分析数据集的大小对算法的性能影响，将数据集划分成不同的比例(20％，40％，60％，80％，100％)来进行实验，对各个算法的准确率进行对比，实验结果如图8所示。无论当数据集的比例为多少，本发明模型的准确率都高于其他算法，这是由于使用了神经网络对电压波动数据提取特征，捕获数据的潜在模式，有利于后续的KNN模型对BLSTM输出的特征向量进行分类。
综上所述，本发明模型对比其他四种算法的预测准确率方面占据优势：
(1)利用因子分析法及主成分分析法对电压合格率的影响因素进行分析，提出基于多元线性回归模型的电压合格率影响因素研究，并进行模型检验。也对四类监测点进行了监测点电压合格率越上限和越下限原因分析，基于主成分分析法找出影响电压合格率的主要原因及二级原因，并提出相应的解决措施。
(2)提出以台区电压合格率为主要优化目标的配电网无功优化模型，对多种人工智能优化算法进行了研究，分析其优化轨迹特性，对多种人工智能算法的优缺点以及适用场合进行了总结，并采用粒子群优化算法对配电网进行电压无功优化，明显改善了台区电压合格率偏低的问题。
(3)及早发现电压异常，并迅速判断何种电压故障，然后对电压故障进行修复，提高工人修复电压效率，进而提升电压合格率。同时也为了预防电压异常，提前做好电压故障检测，减少停电次数，提高电压稳定性。提出基于长短期记忆网络和KNN的电压故障预测模型，将神经网络和传统机器学习方法相结合，首先使用长短期记忆网络提取电压波动数据的特征，然后将提取到的特征向量输入到KNN分类器进行故障分类。
实施例3：
本发明收到具体实施方式如下：
1)基于多元线性回归的电压合格率影响因素研究
分析影响齐河县电压合格率的因素，对齐河县综合电压合格率及A、B、C、D四类监测点电压合格率进行分析。根据基于多元线性回归的电压合格率影响因素研究模型，利用因子分析法及主成分分析法对电压合格率的影响因素进行分析。然后对四类监测点进行了电压合格率越上限和越下限原因分析，利用主成分分析法找出影响电压合格率的主要原因及二级原因，并提出相应的解决措施。
2)以台区电压合格率为主要优化目标的配电网无功优化模型
为了减少无功设备的投入，提高配电网电压合格率，需要利用无功调控策略对配电网进行优化。提出以台区电压合格率为主要优化目标的配电网无功优化模型，利用量子遗传算法、量子群搜索算法和粒子群算法三种人工智能优化算法进行研究，分析其优化轨迹特性，对三种人工智能算法的优缺点以及适用场合进行了总结，并采用粒子群算法对配电网进行电压无功优化，改善台区电压合格率偏低的问题。
3)基于长短期记忆网络和KNN的电压故障检测
及早发现电压异常，并迅速判断何种电压故障，提高工人修复电压效率，进而提高电压合格率。根据基于长短期记忆网络和KNN的电压故障预测模型，使用长短期记忆网络提取电压波动数据的特征，捕获电压的历史信息，对电压序列数据进行学习，挖掘出内部隐含的信息。然后将BLSTM网络提取到的特征向量输入到KNN分类器进行故障分类，精确指导台区经理进行低电压的治理。
实施例4：
本发明所述的方法依赖于相关硬件系统，硬件系统采用C/S(Client/Server，客户机/服务器)和B/S(Browser/Server，浏览器/服务器)相结合的开发模式。物理结构主要包括两个子系统：B/S子系统负责Web发布、C/S子系统负责数据采集。各个电压监测点安装电压合格率监测设备，变电站终端的用户安装C/S数据采集系统，电力公司技术人员可以通过浏览器访问B/S相关程序。
变电站内部采用RS-485有线通信的方式，变电站远程无线通信主要采用GPRS网络等无线通信技术。电力公司的机房需要安装Web发布服务器、SQL Server数据库服务器等，要有固定不变的IP地址。采用各个变电站自行管理，电力公司统一管理的方式。
电压合格率综合管理系统主要分为两个子数据库，分别是基础监测点数据库和数据分析结果数据库。基础监测点数据库主要储存A、B、C、D各类监测点电压上传至服务器的基础数据，另外也储存用户的基础信息，以方便异常状态排查。数据分析结果数据库主要作用是，把基础数据的分析结果保存，方便日后的电压合格率管理工作。
关于电压合格率管理系统的软件测试环境如表12所示。
表12:系统测试配置表
高级软件功能模块函数的功能及状态如表13所示。
表13:模块函数的功能及状态表
本发明可广泛运用于配电网场合。
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 (10)
1.一种基于配电网电压数据分析的电压合格率提升方法，其特征在于，包括如下步骤：
步骤一：基于多元线性回归的电压合格率影响因素研究，包括如下小步：
第一步：分析影响电压合格率的因素，对综合电压合格率及A、B、C、D四类监测点电压合格率进行分析；
第二步：根据基于多元线性回归的电压合格率影响因素研究模型，利用因子分析法及主成分分析法对电压合格率的影响因素进行分析；
第三步：然后对四类监测点进行电压合格率越上限和越下限原因分析，利用主成分分析法找出影响电压合格率的主要原因及二级原因；
步骤二：以电压合格率为主要优化目标的配电网无功优化模型：包括如下小步：
第一步：提出以电压合格率为主要优化目标的配电网无功优化模型，利用量子遗传算法、量子群搜索算法和粒子群算法三种人工智能优化算法进行研究；
第二步：分析其优化轨迹特性，对三种人工智能算法的优缺点以及适用场合进行总结，并采用粒子群算法对配电网进行电压无功优化；
步骤三：基于长短期记忆网络和KNN的电压故障检测：包括如下小步：
第一步：根据基于长短期记忆网络和KNN的电压故障预测模型，使用长短期记忆网络提取电压波动数据的特征，捕获电压的历史信息，对电压序列数据进行学习，挖掘出内部隐含的信息；
第二步：将BLSTM网络提取到的特征向量输入到KNN分类器进行故障分类。
2.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤一中第一步的A、B、C、D四类监测点记录电压波动数据，每条数据记录24小时内的电压波动，电压数据每隔一小时采集一次。
3.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤一中第二步中，多元线性回归的电压合格率影响因素研究模型，采用主成分回归的方法能够消除经典回归分析的缺陷，关于主成分回归的模型如下：
ε-N(0,σ2)
式中：
通过主成分分析，对电压合格率的各个影响因素在SPSS中作回归分析，根据SPSS导出的以上结果，可以得到关于电压合格率的计算如下：
U(％)＝44.436+0.959×SD+0.808×JB+1.021×ZB+0.98×WD+0.769×DR+0.847×SJ+1.257×DY-1.082×ZD+0.955×DJ+1.295×XL+1.769×FH+2.292×MX (2)
式中：
SD——水电厂电压并网波动因素权重值；
JB——旧变压器变比配置不合理因素权重值；
ZB——主变压器非有载调压因素权重值；
WD——无电压自动调节系统因素权重值；
DR——电容、电抗器未安装因素权重值；
SJ——上级电源电压不合格因素权重值；
DY——电压控制实时性差因素权重值；
ZD——自动电压调节系统效率低因素权重值；
DJ——电压监测仪表准确性差因素权重值；
XL——线路因素权重值；
FH——负荷过载因素权重值；
MX——母线电压越限因素权重值。
4.根据权利要求3所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤一中第二步中，主成分分析法是通过投影的方式，将高维数据降维处理，进行复杂数据简化操作，包括如下小步：
(1)设X＝(xij)为n×p阶的矩阵，记作X＝(x1,...,xn)T＝(x1,...,xp)，xi为X矩阵的第i行，xj为X矩阵的第j列，当把X矩阵看作p维度的矩阵时，设Rq(q<p)为低维度空间，使得X矩阵到Rq空间的投影值与原始值最接近；
(2)把X(n×p)矩阵中心标准化，即X→HXD-1，其中
I为n阶单位矩阵，D＝diag[Hx1,…,Hxp]，矩阵变换后仍然赋值给矩阵X；
(3)求解矩阵XTX的特征值λ1≥...≥λp≥0，求解特征值对应的标准正交特征向量u1,...,up，令XTX＝UΛUT，式中U＝(u1,...,up)；
(4)计算主要成分的累记贡献率
对于规定的贡献率c0，确定使累计贡献率αq≥c0时最小的q，一般取c0＝85％；
(5)计算主成分得分,,y-j.＝X,u-j.,j＝1,...,q-.，yj是第j个主成分得分值。
5.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤一中第三步中，监测点进行电压合格率越上限和越下限原因分析，分为：模型拟合优度及残差检验、F检验、直方图及PP图检验，其中：
模型拟合优度及残差检验：根据拟合优度，判断模型的拟合优度是否符合理想要求，根据残差值，判断是否存在正自相关；
F检验：用来判断线性回归方程是否显著，表明模型是否支持原假设，即线性回归方程是否显著；
直方图及PP图检验：通过直方图及PP图，表明残差是服从正态分布的，判断建立的关于电压合格率的线性回归模型的拟合效果是否显著，预测模型是否符合统计学要求，模型的建立是否可信。
6.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤二中第一步中，配电网无功优化模型的建立步骤如下：
①目标函数：优化的目标函数如式(3)所示，系统的优化目标为功率损耗最低，即优化目标为经济性；
式中：
ΔPij——线路i与线路j的有功功率损耗，单位W；
Vi——网络节点i的电位值，单位V；
Vj——网络节点j的电位值，单位V；
θij——网络节点i与j的电压矢量相角差；
gij——线路ij的电导，单位S；
NL——配电网线路集合；
为了提高电压合格率，提高配电网的整体电压质量，系统的优化目标改为节点电压偏离期望值的累计和，则目标函数如式(4)所示：
式中：
n——配电网节点个数；
ΔVi——节点i的电压值与期望值偏差；
Vimax——节点i允许电压最高值；
Vimin——节点i允许电压最低值；
综上所述，设定优化目标为电压合格率与配电网运行经济性，目标函数改为式(5)：
式中：λ1，λ2——补偿系数；
②约束条件：关于目标函数的约束条件主要包括运行状态、潮流约束、控制变量三部分，关于各个约束条件的数学模型如下内容；
1)状态变量约束条件：
式中：
V——节点电压，单位V；
QG——发电机输出的无功功率，单位Var；
PG——发电机输出的有功功率，单位W；
NB——电力系统节点集合；
NG——发电机节点集合；
2)控制变量约束条件：
式中：
NK——支路集合；
Nc——无功设备节点集合；
3)潮流约束条件：
式中：
7.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤三中第一步中，电压故障预测模型，给定每条电压波动数据x＝{x1,x2,…,xn},n＝24，由于是序列化数据，因此将每个时刻电压数据使用BLSTM来提取特征，然后进行拼接v＝[H1,H2,…,Ht]，其中Ht为t时刻BLSTM的隐场层输出，得到的特征向量v作为该电压序列数据的特征表示，输入到KNN分类器进行故障分类。
8.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤三中第二步中，将BLSTM网络提取到的特征向量输入到KNN分类器进行故障分类，具体包括如下内容：
将电压序列数据输入到BLSTM中进行训练，以分类损失最小化作为优化目标训练得到BLSTM模型，保存该模型；将训练数据输入该模型得到特征向量，输入到KNN分类器进行分类预测；在KNN算法中，设置K为6，使用欧式距离；使用准确率、召回率和F1值作为评价指标，对于数据集中每个类别的召回率和准确率使用混淆矩阵进行计算；
其中TP为真正例，FN为假反例，FP为假正例，TN为真反例，则准确率P、召回率R和F1值的计算公式分别为：
验证BLSTM提取特征向量对模型分类效果的性能影响，设置了变体实验，直接使用KNN进行分类预测；结合了神经网络和传统机器学习方法进行故障检测，使用循环神经网络来捕获电压波动数据特征，挖掘数据中的潜在模式，并最后使用KNN算法进行分类。
9.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，步骤三中第二步中，故障分类包括表计故障、变压器分接头档位错误、导线及接头故障、低压三相负荷不平衡、线路断线、违约用电和出口电压低。
10.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，步骤三中第二步中，提升模型的分类性能考虑以下三个层面：
A、分析BLSTM的层数对模型的分类性能影响：当网络为一层时，由于低层神经网络仅仅提取通用特征，并且提取特征的能力较弱，无法捕获序列数据的潜在模式，当BLSTM网络层数第三、四、五层时，由于神经网络层数过深，会导致过拟合，因此模型的准确率下降；
B、分析KNN算法中K的取值对模型的分类性能影响：K从1到10依次取值，分别进行实验：当K取值太小时，模型对邻近的样本点十分敏感，在训练过程中，容易产生过拟合，增大学习误差；当K取值过大时，较远的样本点也会对模型的预测产生作用，导致模型预测结果模糊，容易分类错误；
C、分析数据集的大小对算法的性能影响：将数据集划分成不同的比例20％，40％，60％，80％，100％来进行实验，对各个算法的准确率进行对比，无论当数据集的比例为多少，由于使用了神经网络对电压波动数据提取特征，捕获数据的潜在模式，有利于后续的KNN模型对BLSTM输出的特征向量进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110828573.3A CN115693692B (zh) | 2021-07-22 | 2021-07-22 | 基于配电网电压数据分析的电压合格率提升方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110828573.3A CN115693692B (zh) | 2021-07-22 | 2021-07-22 | 基于配电网电压数据分析的电压合格率提升方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115693692A true CN115693692A (zh) | 2023-02-03 |
| CN115693692B CN115693692B (zh) | 2024-09-17 |
Family
ID=85044551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110828573.3A Active CN115693692B (zh) | 2021-07-22 | 2021-07-22 | 基于配电网电压数据分析的电压合格率提升方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115693692B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116260154A (zh) * | 2023-05-11 | 2023-06-13 | 华北电力科学研究院有限责任公司 | 调相机组控制方法、装置及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140039712A1 (en) * | 2012-03-01 | 2014-02-06 | Utilidata, Inc. | System and method for estimating performance metrics of conservation voltage reduction (cvr) systems and volt/var optimization systems |
| CN107967544A (zh) * | 2016-10-19 | 2018-04-27 | 浙江省电力公司电力科学研究院 | 一种典型配电网串联无功补偿策略的能效水平评价方法 |
| CN112332407A (zh) * | 2020-10-21 | 2021-02-05 | 国网青海省电力公司西宁供电公司 | 一种10kV电压偏高的优化方法 |
| CN112865198A (zh) * | 2021-03-31 | 2021-05-28 | 南华大学 | 一种基于时间尺度的配电网全局优化调度方法 |
-
2021
- 2021-07-22 CN CN202110828573.3A patent/CN115693692B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140039712A1 (en) * | 2012-03-01 | 2014-02-06 | Utilidata, Inc. | System and method for estimating performance metrics of conservation voltage reduction (cvr) systems and volt/var optimization systems |
| CN107967544A (zh) * | 2016-10-19 | 2018-04-27 | 浙江省电力公司电力科学研究院 | 一种典型配电网串联无功补偿策略的能效水平评价方法 |
| CN112332407A (zh) * | 2020-10-21 | 2021-02-05 | 国网青海省电力公司西宁供电公司 | 一种10kV电压偏高的优化方法 |
| CN112865198A (zh) * | 2021-03-31 | 2021-05-28 | 南华大学 | 一种基于时间尺度的配电网全局优化调度方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王晓文;赵彦辉;: "电力系统无功优化模型的研究综述", 华北水利水电大学学报(自然科学版), no. 02, 15 April 2015 (2015-04-15) * |
| 邵美阳;吴俊勇;石琛;安然;朱孝文;黄杏;蔡蓉;: "基于数据驱动和深度置信网络的配电网无功优化", 电网技术, no. 06, 5 June 2019 (2019-06-05) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116260154A (zh) * | 2023-05-11 | 2023-06-13 | 华北电力科学研究院有限责任公司 | 调相机组控制方法、装置及系统 |
| CN116260154B (zh) * | 2023-05-11 | 2023-08-18 | 华北电力科学研究院有限责任公司 | 调相机组控制方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115693692B (zh) | 2024-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146093B (zh) | 一种基于学习的电力设备现场勘查方法 | |
| CN112749509B (zh) | 一种基于lstm神经网络的智能变电站故障诊断方法 | |
| CN105403811B (zh) | 风电场电网故障诊断方法和装置 | |
| CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| CN102930344B (zh) | 一种基于负荷趋势变化的超短期母线负荷预测方法 | |
| CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
| CN116125361B (zh) | 电压互感器误差评估方法、系统、电子设备及存储介质 | |
| CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
| CN116298675B (zh) | 一种基于智能算法的配电网线损异常检测方法及系统 | |
| CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
| CN110826228A (zh) | 一种地区电网运行品质极限评估方法 | |
| CN118378545B (zh) | 一种电网复杂运行模式下的计量拓扑仿真方法及系统 | |
| CN116522746A (zh) | 高耗能企业配电托管方法 | |
| CN116739399A (zh) | 一种高压电缆运行状态评价方法 | |
| CN115693692B (zh) | 基于配电网电压数据分析的电压合格率提升方法 | |
| CN114400776A (zh) | 基于数字镜像的变电站自动化设备状态诊断方法和系统 | |
| CN117952591A (zh) | 一种变电站继电保护智能巡检方法 | |
| CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
| Bian et al. | A Novel Dynamic Weight Allocation Method for Assessing the Health Status of Remote Terminal Unit in Distribution Automation System Based on AHM and GRA | |
| CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
| Dunwen et al. | A trainsient voltage stability evaluation model based on morphological similarity distance online calculation | |
| Zhong et al. | Rapid Identification Method for the Sudden Change of Operating Errors in Smart Electricity Meters | |
| Zhong et al. | State Estimation of New Distribution Network Based on Deep Neural Network | |
| Zijian et al. | Fault prediction of distribution terminal equipment based on entropy weight vague matter-element under the digital twin framework |
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 |