CN115833395A - 一种配电网的运行状态的分析方法、装置及在线监测系统 - Google Patents
一种配电网的运行状态的分析方法、装置及在线监测系统 Download PDFInfo
- Publication number
- CN115833395A CN115833395A CN202211677122.5A CN202211677122A CN115833395A CN 115833395 A CN115833395 A CN 115833395A CN 202211677122 A CN202211677122 A CN 202211677122A CN 115833395 A CN115833395 A CN 115833395A
- Authority
- CN
- China
- Prior art keywords
- node
- line
- state
- distribution network
- power distribution
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种配电网的运行状态的分析方法、装置及在线监测系统。本发明在高渗透率分布式电源的接入场景下,通过实体机理模型和数字孪生模型相互协作,既保证了通过实体机理模型检测的准确度,又保证了通过数字孪生模型检测的检测效率,解决了高渗透率分布式电源的接入场景下配电网的运行状态检测效率低和准确率低的问题,能够同时兼顾配电网的运行状态检测的检测效率和准确度。本发明对多个节点的历史数据进行综合分析,建立训练样本,训练得到的数字孪生模型适应了高渗透率分布式电源的接入场景下高复杂度的情况,提高了该情况下配电网的运行状态的检测准确度。
Description
技术领域
本发明涉及配电网技术领域,尤其涉及一种配电网的运行状态的分析方法、装置及在线监测系统。
背景技术
随着城市配电网用电负荷的快速增长和电力可靠性要求的日益提高,负荷规模逐渐增大,配电网拓扑结构也越来越复杂;另外,随着高渗透率分布式能源接入和大规模分布式电源的应用,配电网的运行复杂度大大提高。对于这种拓扑结构复杂的配电网,如果发生系统性故障,后果将十分严重,甚至会引发电气事故,给社会生活带来巨大损失。配电网中发生停电事故永远无法避免,由天气因素引起的停电事故,由树木引起的故障导致用户停电,并影响配电网的可靠性指标。然而,许多停电是由反复出现的缺陷或由于仪器逐渐失效而引起的,可能会在最终故障所导致的停电发生前数周至几个月内就已经有此缺陷了。正因为这样,用来处理故障的传统配电网故障诊断技术已无法适应有源配电网对安全、经济、可靠运行的需要。
目前在配电网状态检测中,可以基于能量平衡原理和电路基本原理,对配电网的运行数据进行仿真,得到配电网的运行状态。但由于高渗透率分布式电源的接入,配电网的复杂度较高,采用该方式检测配电网的运行状态,耗时较长,无法实现配电网的实时监测,检测效率较低。
此外,在配电网状态检测中,还可以采用故障数据构建故障样本,进行神经网络训练,并基于训练得到预测模型对配电网的运行状态进行预测,但该方法仅考虑了故障数据与运行状态之间的关系,未考虑能量平衡原理和电路基本原理,导致基于预测模型预测得到的配电网的运行状态可能存在不准确的问题。
因此,在高渗透率分布式电源的接入场景下,如何同时兼顾配电网的运行状态检测的实时性和准确度亟待解决。
发明内容
本发明提供了一种配电网的运行状态的分析方法、装置及在线监测系统,能够解决高渗透率分布式电源的接入场景下配电网的运行状态检测效率低和准确率低的问题,能够同时兼顾配电网的运行状态检测的检测效率和准确度。
第一方面,本发明提供了一种配电网的运行状态的分析方法,包括:获取配电网中各线路和各节点的历史数据;历史数据包括电压数据、电流数据、频率数据和相位数据;基于电路基本原理构建实体机理模型,并基于实体机理模型对各线路和各节点的历史数据进行稳态分析和暂态分析,得到配电网的运行状态以及各运行状态对应的历史数据;运行状态包括正常态、故障态、预警态和恢复态;基于配电网的运行状态以及各运行状态对应的历史数据,构建训练样本;并基于训练样本进行神经网络训练,得到数字孪生模型;基于数字孪生模型对配电网中各线路和各节点的实时数据进行分析,得到配电网中各线路和各节点的实时运行状态,实现对配电网的状态监测。
在一种可能的实现方式中,基于电路基本原理构建实体机理模型,包括:确定各线路和各节点的稳态分析方程和暂态分析方程;确定各线路和各节点的稳定分析结果和暂态分析结果,在各运行状态下的取值范围;基于各线路和各节点的稳态分析方程和暂态分析方程,以及稳定分析结果和暂态分析结果在各运行状态下的取值范围,确定实体机理模型。
在一种可能的实现方式中,基于实体机理模型对各线路和各节点的历史数据进行稳态分析和暂态分析,得到配电网的运行状态以及各运行状态对应的历史数据,包括:将各线路和各节点的历史数据输入实体机理模型,得到各线路和各节点在各时刻的运行状态;基于各线路和各节点在各时刻的运行状态,拆分各线路和各节点的历史数据;基于各线路和各节点在各时刻的运行状态,以及拆分后的各线路和各节点的历史数据,确定配电网的运行状态以及各运行状态对应的历史数据。
在一种可能的实现方式中,基于配电网的运行状态以及各运行状态对应的历史数据,构建训练样本,包括:对于任一线路或节点,以该线路或节点在任一时刻的历史数据为输入,以该时刻的运行状态为输出,确定第一训练样本;以该线路或节点在任一时刻之前设定时段的历史数据为输入,以该时刻的运行状态为输出,确定第二训练样本;对于任一线路或节点在任一时刻,以该线路或节点,以及该线路或节点的相邻节点,在该时刻的历史数据为输入,以该线路或节点在该时刻的运行状态为输出,确定第三训练样本;其中,该线路或节点的相邻节点为与该线路或节点相邻的一个或多个节点;基于第一训练样本、第二训练样本和第三训练样本,确定训练样本。
在一种可能的实现方式中,基于训练样本进行神经网络训练,得到数字孪生模型,包括:确定各线路和各节点的业务场景;其中,同类业务场景对应的线路或节点的历史数据和运行状态之间的映射关系相同;基于各线路和各节点的业务场景,对训练样本进行划分,得到各业务场景对应的训练样本;对于任一业务场景,基于该业务场景对应的训练样本,对新神经网路模型进行训练,得到数字孪生子模型;基于各业务场景对应的数字孪生子模型,确定数字孪生模型。
在一种可能的实现方式中,基于数字孪生模型对配电网中各线路和各节点的实时数据进行分析,得到配电网中各线路和各节点的实时运行状态,实现对配电网的状态监测,包括:确定各线路或各节点对应的业务场景;对于任一线路或节点,将该线路或节点的实时数据,输入该线路或节点的业务场景对应的数字孪生子模型,得到该线路或节点的实时运行状态。
在一种可能的实现方式中,该方法还包括:基于实体机理模型对配电网中各线路和各节点的实时数据进行分析,得到配电网中各线路和各节点的真实运行状态;比较真实运行状态和实时运行状态是否一致;若不一致,则记录真实运行状态和实时运行状态不一致的时刻为目标时刻,以及记录真实运行状态和实时运行状态不一致的线路或节点为目标线路或目标节点;基于目标线路或目标节点在目标时刻的实时数据,以及目标线路或目标节点在目标时刻的真实运行状态,更新数字孪生模型;基于更新后的数字孪生模型,对配电网中各线路和各节点进行状态监测。
在一种可能的实现方式中,基于目标线路或目标节点在目标时刻的实时数据,以及目标线路或目标节点在目标时刻的真实运行状态,更新数字孪生模型,包括:基于目标线路或目标节点在目标时刻的实时数据,以及目标线路或目标节点在目标时刻的真实运行状态,构成重训练样本;确定目标线路或目标节点对应的业务场景;基于目标线路或目标节点对应的业务场景,确定数字孪生模型中与该业务场景对应的数字孪生子模型;基于重训练样本,对数字孪生模型中与该业务场景对应的数字孪生子模型进行重新训练,更新该数字孪生子模型的模型参数,得到更新后的数字孪生模型。
第二方面,本发明实施例提供了一种配电网的运行状态的分析装置,包括:通信模块,用于获取配电网中各线路和各节点的历史数据;历史数据包括电压数据、电流数据、频率数据和相位数据;处理模块,用于基于电路基本原理构建实体机理模型,并基于实体机理模型对各线路和各节点的历史数据进行稳态分析和暂态分析,得到配电网的运行状态以及各运行状态对应的历史数据;运行状态包括正常态、故障态、预警态和恢复态;基于配电网的运行状态以及各运行状态对应的历史数据,构建训练样本;并基于训练样本进行神经网络训练,得到数字孪生模型;基于数字孪生模型对配电网中各线路和各节点的实时数据进行分析,得到配电网中各线路和各节点的实时运行状态,实现对配电网的状态监测。
在一种可能的实现方式中,处理模块,具体用于确定各线路和各节点的稳态分析方程和暂态分析方程;确定各线路和各节点的稳定分析结果和暂态分析结果,在各运行状态下的取值范围;基于各线路和各节点的稳态分析方程和暂态分析方程,以及稳定分析结果和暂态分析结果在各运行状态下的取值范围,确定实体机理模型。
在一种可能的实现方式中,处理模块,具体用于将各线路和各节点的历史数据输入实体机理模型,得到各线路和各节点在各时刻的运行状态;基于各线路和各节点在各时刻的运行状态,拆分各线路和各节点的历史数据;基于各线路和各节点在各时刻的运行状态,以及拆分后的各线路和各节点的历史数据,确定配电网的运行状态以及各运行状态对应的历史数据。
在一种可能的实现方式中,处理模块,具体用于对于任一线路或节点,以该线路或节点在任一时刻的历史数据为输入,以该时刻的运行状态为输出,确定第一训练样本;以该线路或节点在任一时刻之前设定时段的历史数据为输入,以该时刻的运行状态为输出,确定第二训练样本;对于任一线路或节点在任一时刻,以该线路或节点,以及该线路或节点的相邻节点,在该时刻的历史数据为输入,以该线路或节点在该时刻的运行状态为输出,确定第三训练样本;其中,该线路或节点的相邻节点为与该线路或节点相邻的一个或多个节点;基于第一训练样本、第二训练样本和第三训练样本,确定训练样本。
在一种可能的实现方式中,处理模块,具体用于确定各线路和各节点的业务场景;其中,同类业务场景对应的线路或节点的历史数据和运行状态之间的映射关系相同;基于各线路和各节点的业务场景,对训练样本进行划分,得到各业务场景对应的训练样本;对于任一业务场景,基于该业务场景对应的训练样本,对新神经网路模型进行训练,得到数字孪生子模型;基于各业务场景对应的数字孪生子模型,确定数字孪生模型。
在一种可能的实现方式中,处理模块,具体用于确定各线路或各节点对应的业务场景;对于任一线路或节点,将该线路或节点的实时数据,输入该线路或节点的业务场景对应的数字孪生子模型,得到该线路或节点的实时运行状态。
在一种可能的实现方式中,处理模块,还用于:基于实体机理模型对配电网中各线路和各节点的实时数据进行分析,得到配电网中各线路和各节点的真实运行状态;比较真实运行状态和实时运行状态是否一致;若不一致,则记录真实运行状态和实时运行状态不一致的时刻为目标时刻,以及记录真实运行状态和实时运行状态不一致的线路或节点为目标线路或目标节点;基于目标线路或目标节点在目标时刻的实时数据,以及目标线路或目标节点在目标时刻的真实运行状态,更新数字孪生模型;基于更新后的数字孪生模型,对配电网中各线路和各节点进行状态监测。
在一种可能的实现方式中,处理模块,具体用于基于目标线路或目标节点在目标时刻的实时数据,以及目标线路或目标节点在目标时刻的真实运行状态,构成重训练样本;确定目标线路或目标节点对应的业务场景;基于目标线路或目标节点对应的业务场景,确定数字孪生模型中与该业务场景对应的数字孪生子模型;基于重训练样本,对数字孪生模型中与该业务场景对应的数字孪生子模型进行重新训练,更新该数字孪生子模型的模型参数,得到更新后的数字孪生模型。
第三方面,本发明实施例提供了一种电力系统的在线监测系统,所述在线检测系统包括电子设备,所述电子设备包括存储器和处理器,该存储器存储有计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供了一种电力系统,该电力系统包括如上述第三方面所述的在线监测系统,执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤,实现对配电网中各线路或各节点的在线状态监测。
第五方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
本发明提供一种配电网的运行状态的分析方法/装置及在线监测系统,本发明通过电路基本原理建立实体机理模型对配电网的历史数据进行分析,得到配电网运行状态和对应的历史数据,之后建立训练样本进行神经网络训练得到数字孪生模型,并基于训练得到的数字孪生模型对配电网的实时数据进行实时状态监测,实现对配电网的状态监测。一方面,本发明通过实体机理模型对配电网的历史数据进行状态识别,构建训练样本,保证了训练样本的准确度,从而保证了数字孪生模型预测的准确度。另一方面,本发明通过数字孪生模型直接进行状态检测,降低了模型的复杂度,减少了检测耗时,提高了状态检测效率。本发明解决了高渗透率分布式电源的接入场景下配电网的运行状态检测效率低和准确率低的问题,能够同时兼顾配电网的运行状态检测的检测效率和准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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他的附图。
图1是本发明实施例提供的一种配电网的运行状态的分析方法的流程示意图;
图2是本发明实施例提供的另一种配电网的运行状态的分析方法的流程示意图;
图3是本发明实施例提供的一种配电网的运行状态的分析装置的结构示意图;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
在本发明的描述中,除非另有说明,“/”表示“或”的意思,例如,A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。此外,“至少一个”“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,便于理解。
此外,本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块,而是可选的还包括其他没有列出的步骤或模块,或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明的附图通过具体实施例来进行说明。
图1为本发明实施例提供的一种配电网的运行状态的分析方法的流程示意图。该方法的执行主体为分析装置。该方法包括步骤S101-S105。
S101、获取配电网中各线路和各节点的历史数据。
本申请实施例中,历史数据包括电压数据、电流数据、频率数据和相位数据。
S102、基于电路基本原理构建实体机理模型,并基于实体机理模型对各线路和各节点的历史数据进行稳态分析和暂态分析,得到配电网的运行状态以及各运行状态对应的历史数据。
需要说明的是,本发明面向高渗透率分布式电源接入中低压配网场景,考虑分布式电源的强不确定性和强随机性,基于能量平衡机理和电路基本原理,建立大规模分布式电源接入情景下配电网的实体机理模型,并分析配电网在不同运行状态时的运行机理。
本申请实施例中,运行状态包括正常态、故障态、预警态和恢复态。
作为一种可能的实现方式,分析装置可以基于步骤S1021-S1023,构建实体机理模型。
S1021、确定各线路和各节点的稳态分析方程和暂态分析方程。
S1022、确定各线路和各节点的稳定分析结果和暂态分析结果,在各运行状态下的取值范围。
S1023、基于各线路和各节点的稳态分析方程和暂态分析方程,以及稳定分析结果和暂态分析结果在各运行状态下的取值范围,确定实体机理模型。
作为一种可能的实现方式,分析装置可以基于步骤S1024-S1026,得到配电网的运行状态以及各运行状态对应的历史数据。
S1024、将各线路和各节点的历史数据输入实体机理模型,得到各线路和各节点在各时刻的运行状态。
S1025、基于各线路和各节点在各时刻的运行状态,拆分各线路和各节点的历史数据。
S1026、基于各线路和各节点在各时刻的运行状态,以及拆分后的各线路和各节点的历史数据,确定配电网的运行状态以及各运行状态对应的历史数据。
S103、基于配电网的运行状态以及各运行状态对应的历史数据,构建训练样本;并基于训练样本进行神经网络训练,得到数字孪生模型。
需要说明的是,本发明考虑中低压配电网分布式电源未完全可测可控现状,对有源配电网数据空间中的数据进行在线处理;建立有源配电网数据空间数据模型与机理模型之间的动态匹配关系,研究有源配电网动态变化机理模型与在线数据模型精准映射方法。
需要说明的是,本发明对比高比例分布式电源接入场景下的配电网在线知识发现所得新数据以及历史数据,并将二者进行在线动态交互,基于在线学习等方法,生成新的专家知识及规则;更新专家经验知识和精细规则库,并建立新规则分别与物理空间、数据空间及虚拟空间模型的映射关系。
作为一种可能的实现方式,分析装置可以基于步骤S1031-S1034,构建训练样本。
S1031、对于任一线路或节点,以该线路或节点在任一时刻的历史数据为输入,以该时刻的运行状态为输出,确定第一训练样本。
S1032、以该线路或节点在任一时刻之前设定时段的历史数据为输入,以该时刻的运行状态为输出,确定第二训练样本。
S1033、对于任一线路或节点在任一时刻,以该线路或节点,以及该线路或节点的相邻节点,在该时刻的历史数据为输入,以该线路或节点在该时刻的运行状态为输出,确定第三训练样本。
其中,该线路或节点的相邻节点为与该线路或节点相邻的一个或多个节点;
S1034、基于第一训练样本、第二训练样本和第三训练样本,确定训练样本。
如此一来,在高比例分布式电源接入场景下,本发明可以既建立了单节点的历史数据和单节点的运行状态的样本,又建立了多个节点的历史数据和单节点的运行状态的样本,从而在数字孪生模型训练时,既可以挖掘单节点的数据与状态之间的数字特征和数字关系,又可以挖掘多节点的数据和单节点的状态之间的数字特征和数字关系,适应高比例分布式电源接入场景下高复杂度的情况,提高数字孪生模型检测的准确度。
作为一种可能的实现方式,分析装置可以基于步骤S1035-S1038,训练得到数字孪生模型。
S1035、确定各线路和各节点的业务场景。
其中,同类业务场景对应的线路或节点的历史数据和运行状态之间的映射关系相同;
S1036、基于各线路和各节点的业务场景,对训练样本进行划分,得到各业务场景对应的训练样本。
S1037、对于任一业务场景,基于该业务场景对应的训练样本,对新神经网路模型进行训练,得到数字孪生子模型。
S1038、基于各业务场景对应的数字孪生子模型,确定数字孪生模型。
如此一来,本发明可以基于各业务场景分别训练各子模型,各场景独立预测,提高了模型精度和预测准确度。
S104、基于数字孪生模型对配电网中各线路和各节点的实时数据进行分析,得到配电网中各线路和各节点的实时运行状态,实现对配电网的状态监测。
作为一种可能的实现方式,分析装置可以基于步骤S1041-S1042,得到配电网中各线路和各节点的实时运行状态。
S1041、确定各线路或各节点对应的业务场景。
S1042、对于任一线路或节点,将该线路或节点的实时数据,输入该线路或节点的业务场景对应的数字孪生子模型,得到该线路或节点的实时运行状态。
本发明提供一种配电网的运行状态的分析方法,本发明通过电路基本原理建立实体机理模型对配电网的历史数据进行分析,得到配电网运行状态和对应的历史数据,之后建立训练样本进行神经网络训练得到数字孪生模型,并基于训练得到的数字孪生模型对配电网的实时数据进行实时状态监测,实现对配电网的状态监测。一方面,本发明通过实体机理模型对配电网的历史数据进行状态识别,构建训练样本,保证了训练样本的准确度,从而保证了数字孪生模型预测的准确度。另一方面,本发明通过数字孪生模型直接进行状态检测,降低了模型的复杂度,减少了检测耗时,提高了状态检测效率。本发明解决了高渗透率分布式电源的接入场景下配电网的运行状态检测效率低和准确率低的问题,能够同时兼顾配电网的运行状态检测的检测效率和准确度。
可选的,如图2所示,本发明实施例提供的配电网的运行状态的分析方法,在步骤S104之后,还包括步骤S201-S205。
S201、基于实体机理模型对配电网中各线路和各节点的实时数据进行分析,得到配电网中各线路和各节点的真实运行状态。
S202、比较真实运行状态和实时运行状态是否一致。
S203、若不一致,则记录真实运行状态和实时运行状态不一致的时刻为目标时刻,以及记录真实运行状态和实时运行状态不一致的线路或节点为目标线路或目标节点。
S204、基于目标线路或目标节点在目标时刻的实时数据,以及目标线路或目标节点在目标时刻的真实运行状态,更新数字孪生模型。
作为一种可能的实现方式,分析装置可以基于步骤S2041-S2044,更新数字孪生模型。
S2041、基于目标线路或目标节点在目标时刻的实时数据,以及目标线路或目标节点在目标时刻的真实运行状态,构成重训练样本。
S2042、确定目标线路或目标节点对应的业务场景。
S2043、基于目标线路或目标节点对应的业务场景,确定数字孪生模型中与该业务场景对应的数字孪生子模型。
S2044、基于重训练样本,对数字孪生模型中与该业务场景对应的数字孪生子模型进行重新训练,更新该数字孪生子模型的模型参数,得到更新后的数字孪生模型。
S205、基于更新后的数字孪生模型,对配电网中各线路和各节点进行状态监测。
如此一来,本发明实施例在通过数字孪生模型进行实时预测的同时,通过实体机理模型对配电网的实时数据进行检测,并确定真实运行状态。并将实体机理模型的检测结果和数字孪生模型的检测结果进行比较,在存在不一致时,说明数字孪生模型检测不准确。分析装置需要对数字孪生模型进行重新训练,更新模型参数。
可以理解的是,由于实体机理模型的耗时要长于数字孪生模型,本发明采用数字孪生模型实时预测,实体机理模型确认修正的方式,保证配电网的运行状态的检测效率和准确性。
此外,本发明在更新模型参数时,仅对数字孪生模型中的子模型进行更新,仅更新存在检测不准确的子模型,避免了数字孪生模型整体更新,减低了模型更新的内存消耗,减少了模型更新时长,保证了模型检测的实时性。
需要说明的是,本发明融合实体配电网物理机理模型动态变化、知识动态发现、规则动态完善等,研究高比例分布式电源接入下配电网在线动态更新的3D虚拟空间模型;基于3D虚拟空间模型,仿真并推演不同业务场景有源下配电网运行情况,并将仿真数据和结论分别反馈到数据空间和知识空间,形成典型场景下数字孪生在线建模的闭环。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的一种配电网的运行状态的分析装置的结构示意图。该分析装置300包括通信模块301和处理模块302。
通信模块301,用于获取配电网中各线路和各节点的历史数据;历史数据包括电压数据、电流数据、频率数据和相位数据。
处理模块302,用于基于电路基本原理构建实体机理模型,并基于实体机理模型对各线路和各节点的历史数据进行稳态分析和暂态分析,得到配电网的运行状态以及各运行状态对应的历史数据;运行状态包括正常态、故障态、预警态和恢复态;基于配电网的运行状态以及各运行状态对应的历史数据,构建训练样本;并基于训练样本进行神经网络训练,得到数字孪生模型;基于数字孪生模型对配电网中各线路和各节点的实时数据进行分析,得到配电网中各线路和各节点的实时运行状态,实现对配电网的状态监测。
在一种可能的实现方式中,处理模块302,具体用于确定各线路和各节点的稳态分析方程和暂态分析方程;确定各线路和各节点的稳定分析结果和暂态分析结果,在各运行状态下的取值范围;基于各线路和各节点的稳态分析方程和暂态分析方程,以及稳定分析结果和暂态分析结果在各运行状态下的取值范围,确定实体机理模型。
在一种可能的实现方式中,处理模块302,具体用于将各线路和各节点的历史数据输入实体机理模型,得到各线路和各节点在各时刻的运行状态;基于各线路和各节点在各时刻的运行状态,拆分各线路和各节点的历史数据;基于各线路和各节点在各时刻的运行状态,以及拆分后的各线路和各节点的历史数据,确定配电网的运行状态以及各运行状态对应的历史数据。
在一种可能的实现方式中,处理模块302,具体用于对于任一线路或节点,以该线路或节点在任一时刻的历史数据为输入,以该时刻的运行状态为输出,确定第一训练样本;以该线路或节点在任一时刻之前设定时段的历史数据为输入,以该时刻的运行状态为输出,确定第二训练样本;对于任一线路或节点在任一时刻,以该线路或节点,以及该线路或节点的相邻节点,在该时刻的历史数据为输入,以该线路或节点在该时刻的运行状态为输出,确定第三训练样本;其中,该线路或节点的相邻节点为与该线路或节点相邻的一个或多个节点;基于第一训练样本、第二训练样本和第三训练样本,确定训练样本。
在一种可能的实现方式中,处理模块302,具体用于确定各线路和各节点的业务场景;其中,同类业务场景对应的线路或节点的历史数据和运行状态之间的映射关系相同;基于各线路和各节点的业务场景,对训练样本进行划分,得到各业务场景对应的训练样本;对于任一业务场景,基于该业务场景对应的训练样本,对新神经网路模型进行训练,得到数字孪生子模型;基于各业务场景对应的数字孪生子模型,确定数字孪生模型。
在一种可能的实现方式中,处理模块302,具体用于确定各线路或各节点对应的业务场景;对于任一线路或节点,将该线路或节点的实时数据,输入该线路或节点的业务场景对应的数字孪生子模型,得到该线路或节点的实时运行状态。
在一种可能的实现方式中,处理模块302,还用于:基于实体机理模型对配电网中各线路和各节点的实时数据进行分析,得到配电网中各线路和各节点的真实运行状态;比较真实运行状态和实时运行状态是否一致;若不一致,则记录真实运行状态和实时运行状态不一致的时刻为目标时刻,以及记录真实运行状态和实时运行状态不一致的线路或节点为目标线路或目标节点;基于目标线路或目标节点在目标时刻的实时数据,以及目标线路或目标节点在目标时刻的真实运行状态,更新数字孪生模型;基于更新后的数字孪生模型,对配电网中各线路和各节点进行状态监测。
在一种可能的实现方式中,处理模块302,具体用于基于目标线路或目标节点在目标时刻的实时数据,以及目标线路或目标节点在目标时刻的真实运行状态,构成重训练样本;确定目标线路或目标节点对应的业务场景;基于目标线路或目标节点对应的业务场景,确定数字孪生模型中与该业务场景对应的数字孪生子模型;基于重训练样本,对数字孪生模型中与该业务场景对应的数字孪生子模型进行重新训练,更新该数字孪生子模型的模型参数,得到更新后的数字孪生模型。
图4是本发明实施例提供的一种电子设备的结构示意图。如图4所示,该实施例的电子设备400包括:处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403。所述处理器401执行所述计算机程序403时实现上述各方法实施例中的步骤,例如图1所示的步骤101至步骤104。或者,所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块/单元的功能,例如,图3所示通信模块301和处理模块302的功能。
示例性的,所述计算机程序403可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器402中,并由所述处理器401执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序403在所述电子设备400中的执行过程。例如,所述计算机程序403可以被分割成图3所示通信模块301和处理模块302。
所称处理器401可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是所述电子设备400的内部存储单元,例如电子设备400的硬盘或内存。所述存储器402也可以是所述电子设备400的外部存储设备,例如所述电子设备400上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器402还可以既包括所述电子设备400的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种配电网的运行状态的分析方法,其特征在于,包括:
获取配电网中各线路和各节点的历史数据;所述历史数据包括电压数据、电流数据、频率数据和相位数据;
基于电路基本原理构建实体机理模型,并基于所述实体机理模型对所述各线路和各节点的历史数据进行稳态分析和暂态分析,得到所述配电网的运行状态以及各运行状态对应的历史数据;所述运行状态包括正常态、故障态、预警态和恢复态;
基于所述配电网的运行状态以及各运行状态对应的历史数据,构建训练样本;并基于所述训练样本进行神经网络训练,得到数字孪生模型;
基于所述数字孪生模型对所述配电网中各线路和各节点的实时数据进行分析,得到所述配电网中各线路和各节点的实时运行状态,实现对所述配电网的状态监测。
2.根据权利要求1所述的配电网的运行状态的分析方法,其特征在于,所述基于电路基本原理构建实体机理模型,包括:
确定各线路和各节点的稳态分析方程和暂态分析方程;
确定各线路和各节点的稳定分析结果和暂态分析结果,在各运行状态下的取值范围;
基于所述各线路和各节点的稳态分析方程和暂态分析方程,以及所述稳定分析结果和暂态分析结果在各运行状态下的取值范围,确定所述实体机理模型。
3.根据权利要求1所述的配电网的运行状态的分析方法,其特征在于,所述基于所述实体机理模型对所述各线路和各节点的历史数据进行稳态分析和暂态分析,得到所述配电网的运行状态以及各运行状态对应的历史数据,包括:
将所述各线路和各节点的历史数据输入所述实体机理模型,得到所述各线路和各节点在各时刻的运行状态;
基于所述各线路和各节点在各时刻的运行状态,拆分所述各线路和各节点的历史数据;
基于所述各线路和各节点在各时刻的运行状态,以及拆分后的各线路和各节点的历史数据,确定所述配电网的运行状态以及各运行状态对应的历史数据。
4.根据权利要求1所述的配电网的运行状态的分析方法,其特征在于,所述基于所述配电网的运行状态以及各运行状态对应的历史数据,构建训练样本,包括:
对于任一线路或节点,以该线路或节点在任一时刻的历史数据为输入,以该时刻的运行状态为输出,确定第一训练样本;
以该线路或节点在任一时刻之前设定时段的历史数据为输入,以该时刻的运行状态为输出,确定第二训练样本;
对于任一线路或节点在任一时刻,以该线路或节点,以及该线路或节点的相邻节点,在该时刻的历史数据为输入,以该线路或节点在该时刻的运行状态为输出,确定第三训练样本;其中,所述该线路或节点的相邻节点为与该线路或节点相邻的一个或多个节点;
基于所述第一训练样本、所述第二训练样本和所述第三训练样本,确定所述训练样本。
5.根据权利要求1所述的配电网的运行状态的分析方法,其特征在于,所述基于所述训练样本进行神经网络训练,得到数字孪生模型,包括:
确定所述各线路和各节点的业务场景;其中,同类业务场景对应的线路或节点的历史数据和运行状态之间的映射关系相同;
基于所述各线路和各节点的业务场景,对所述训练样本进行划分,得到各业务场景对应的训练样本;
对于任一业务场景,基于该业务场景对应的训练样本,对新神经网路模型进行训练,得到数字孪生子模型;
基于各业务场景对应的数字孪生子模型,确定所述数字孪生模型。
6.根据权利要求1所述的配电网的运行状态的分析方法,其特征在于,所述基于所述数字孪生模型对所述配电网中各线路和各节点的实时数据进行分析,得到所述配电网中各线路和各节点的实时运行状态,实现对所述配电网的状态监测,包括:
确定各线路或各节点对应的业务场景;
对于任一线路或节点,将该线路或节点的实时数据,输入该线路或节点的业务场景对应的数字孪生子模型,得到该线路或节点的实时运行状态。
7.根据权利要求1所述的配电网的运行状态的分析方法,其特征在于,所述方法还包括:
基于所述实体机理模型对所述配电网中各线路和各节点的实时数据进行分析,得到所述配电网中各线路和各节点的真实运行状态;
比较所述真实运行状态和所述实时运行状态是否一致;
若不一致,则记录所述真实运行状态和所述实时运行状态不一致的时刻为目标时刻,以及记录所述真实运行状态和所述实时运行状态不一致的线路或节点为目标线路或目标节点;
基于所述目标线路或目标节点在所述目标时刻的实时数据,以及所述目标线路或目标节点在所述目标时刻的真实运行状态,更新所述数字孪生模型;
基于更新后的数字孪生模型,对所述配电网中各线路和各节点进行状态监测。
8.根据权利要求7所述的配电网的运行状态的分析方法,其特征在于,所述基于所述目标线路或目标节点在所述目标时刻的实时数据,以及所述目标线路或目标节点在所述目标时刻的真实运行状态,更新所述数字孪生模型,包括:
基于所述目标线路或目标节点在所述目标时刻的实时数据,以及所述目标线路或目标节点在所述目标时刻的真实运行状态,构成重训练样本;
确定所述目标线路或目标节点对应的业务场景;
基于所述目标线路或目标节点对应的业务场景,确定所述数字孪生模型中与该业务场景对应的数字孪生子模型;
基于所述重训练样本,对所述数字孪生模型中与该业务场景对应的数字孪生子模型进行重新训练,更新该数字孪生子模型的模型参数,得到更新后的数字孪生模型。
9.一种配电网的运行状态的分析装置,其特征在于,包括:
通信模块,用于获取配电网中各线路和各节点的历史数据;所述历史数据包括电压数据、电流数据、频率数据和相位数据;
处理模块,用于基于电路基本原理构建实体机理模型,并基于所述实体机理模型对所述各线路和各节点的历史数据进行稳态分析和暂态分析,得到所述配电网的运行状态以及各运行状态对应的历史数据;所述运行状态包括正常态、故障态、预警态和恢复态;基于所述配电网的运行状态以及各运行状态对应的历史数据,构建训练样本;并基于所述训练样本进行神经网络训练,得到数字孪生模型;基于所述数字孪生模型对所述配电网中各线路和各节点的实时数据进行分析,得到所述配电网中各线路和各节点的实时运行状态,实现对所述配电网的状态监测。
10.一种电力系统的在线监测系统,其特征在于,所述在线监测系统包括存储器和处理器,该存储器存储有计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211677122.5A CN115833395A (zh) | 2022-12-26 | 2022-12-26 | 一种配电网的运行状态的分析方法、装置及在线监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211677122.5A CN115833395A (zh) | 2022-12-26 | 2022-12-26 | 一种配电网的运行状态的分析方法、装置及在线监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115833395A true CN115833395A (zh) | 2023-03-21 |
Family
ID=85518330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211677122.5A Pending CN115833395A (zh) | 2022-12-26 | 2022-12-26 | 一种配电网的运行状态的分析方法、装置及在线监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115833395A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116404760A (zh) * | 2023-06-09 | 2023-07-07 | 西安新视空间信息科技有限公司 | 基于数字孪生地图的分布式电网暂稳态运行方法及装置 |
CN116505738A (zh) * | 2023-06-26 | 2023-07-28 | 易充新能源(深圳)有限公司 | 一种节能降耗电源的控制方法及系统 |
CN116628470A (zh) * | 2023-04-11 | 2023-08-22 | 常州满旺半导体科技有限公司 | 一种基于人工智能的电压源数据实时监管系统及方法 |
-
2022
- 2022-12-26 CN CN202211677122.5A patent/CN115833395A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628470A (zh) * | 2023-04-11 | 2023-08-22 | 常州满旺半导体科技有限公司 | 一种基于人工智能的电压源数据实时监管系统及方法 |
CN116628470B (zh) * | 2023-04-11 | 2023-11-10 | 常州满旺半导体科技有限公司 | 一种基于人工智能的电压源数据实时监管系统及方法 |
CN116404760A (zh) * | 2023-06-09 | 2023-07-07 | 西安新视空间信息科技有限公司 | 基于数字孪生地图的分布式电网暂稳态运行方法及装置 |
CN116404760B (zh) * | 2023-06-09 | 2023-10-20 | 西安新视空间信息科技有限公司 | 基于数字孪生地图的分布式电网暂稳态运行方法及装置 |
CN116505738A (zh) * | 2023-06-26 | 2023-07-28 | 易充新能源(深圳)有限公司 | 一种节能降耗电源的控制方法及系统 |
CN116505738B (zh) * | 2023-06-26 | 2024-01-16 | 易充新能源(深圳)有限公司 | 一种节能降耗电源的控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115833395A (zh) | 一种配电网的运行状态的分析方法、装置及在线监测系统 | |
Kondratenko et al. | Multi-criteria decision making for selecting a rational IoT platform | |
Ge et al. | Distributed fault detection over sensor networks with Markovian switching topologies | |
CN108334572A (zh) | 一种基于图数据库的电网拓扑分析引擎系统及方法 | |
CN109344476B (zh) | 基于cim模型的配电网单线图线路分支结构生成方法和装置 | |
US9250895B2 (en) | Establishing subsystem boundaries based on call flow graph topology | |
CN115085196B (zh) | 电力负荷预测值确定方法、装置、设备和计算机可读介质 | |
Cao et al. | Hadoop‐based framework for big data analysis of synchronised harmonics in active distribution network | |
CN112819258A (zh) | 银行网点到店客户数量预测方法及装置 | |
CN113268403A (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
CN113886181A (zh) | 应用于AIOps故障预警的动态阈值预测方法、设备及介质 | |
Nandanoori et al. | Graph neural network and Koopman models for learning networked dynamics: A comparative study on power grid transients prediction | |
CN115016966A (zh) | 基于Transformer的计量自动化系统故障预测方法、装置及存储介质 | |
CN111046189A (zh) | 一种配电网知识图谱模型的建模方法 | |
CN114756301B (zh) | 日志处理方法、装置和系统 | |
CN115809688A (zh) | 一种模型调试方法、装置、电子设备及存储介质 | |
CN114443738A (zh) | 异常数据挖掘方法、装置、设备及介质 | |
CN113222414A (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
CN112491572B (zh) | 终端之间连接状态的预测方法、装置和分析设备 | |
CN114692903A (zh) | 用于设备故障检测的方法及终端设备 | |
CN108092258B (zh) | 电网停电模拟分析方法、装置及电子设备 | |
CN112508518A (zh) | 结合rpa和ai的rpa流程的生成方法以及相应的设备、可读存储介质 | |
Sairam et al. | Analysis of network topology processor algorithms in substation level networks | |
CN115829169B (zh) | 基于混合整数线性规划的业务处理方法及装置 | |
Bringeland | A substation level state estimator for local data processing-algorithms for power system monitoring |
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 |