CN116191424A - 考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法 - Google Patents
考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法 Download PDFInfo
- Publication number
- CN116191424A CN116191424A CN202310494979.1A CN202310494979A CN116191424A CN 116191424 A CN116191424 A CN 116191424A CN 202310494979 A CN202310494979 A CN 202310494979A CN 116191424 A CN116191424 A CN 116191424A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- matrix
- conductance
- susceptance
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000007812 deficiency Effects 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 384
- 238000012545 processing Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 29
- 238000013507 mapping Methods 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 52
- 239000004973 liquid crystal related substance Substances 0.000 description 39
- 230000006870 function Effects 0.000 description 11
- 239000000243 solution Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及电路诊断技术领域,特别是涉及一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法。所述方法包括:获取配电网的测量数据,并基于测量数据对配电网进行拓扑参数预测,得到配电网的预测拓扑参数;基于拓扑结构预测模型,通过配电网的测量数据和配电网的预测拓扑参数,预测配电网的拓扑结构;基于配电网的拓扑结构和配电网的测量数据对配电网进行状态预测,得到配电网的配电网状态。本申请实现了在配电网具有较高复杂程度的情况下,及时准确的掌握配电网的运行状态,并且,保证了对配电网运行状态的实时掌控,使得当配电网状态异常时能够对配电网进行及时维修。
Description
技术领域
本申请涉及电路诊断技术领域,特别是涉及一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法。
背景技术
配电网处于电力系统的末端,是向用户进行电力输送的重要环节,为保证能够向用户提供良好的输电服务,需要保证对配电网运行状态的实时掌控,以保证当配电网状态异常时能够对配电网进行及时维修。
但是,随着电力系统不断发展,电力系统中接入的分布式电源也愈加庞大与复杂,导致配电网的规模越来越大,并且配电网的复杂程度也越来越高,因此工作人员难以及时准确的掌握配电网的运行状态。
发明内容
基于此,有必要针对上述技术问题,提供一种能够使得工作人员及时准确的掌握配电网运行状态的考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法。
第一方面,本申请提供了一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法。该方法包括:
获取配电网的测量数据,并基于测量数据对配电网进行拓扑参数预测,得到配电网的预测拓扑参数;
基于拓扑结构预测模型,通过配电网的测量数据和配电网的预测拓扑参数,预测配电网的拓扑结构;
基于配电网的拓扑结构和配电网的测量数据对配电网进行状态预测,得到配电网的配电网状态。
在其中一个实施例中基于测量数据对配电网进行拓扑参数预测,得到配电网的预测拓扑参数,包括:
基于测量数据,确定配电网的电导矩阵和电纳矩阵;
基于电导矩阵和电纳矩阵中各元素的取值,对配电网进行拓扑参数预测,得到配电网的预测拓扑参数。
在其中一个实施例中,基于电导矩阵和电纳矩阵中各元素的取值,对配电网进行拓扑参数预测,得到配电网的预测拓扑参数,包括:
基于电导矩阵中各元素的取值,确定电导矩阵中各元素的比例指标值;其中,电导矩阵中每一元素的比例指标值为电导矩阵中该元素与该元素的映射元素的比值的绝对值;该元素的映射元素为电导矩阵中与该元素横坐标相同的主对角线元素;
基于电导矩阵中各元素的比例指标值,对电导矩阵和电纳矩阵中各元素的取值进行更新,得到更新后的电导矩阵和更新后的电纳矩阵;
基于更新后的电导矩阵和更新后的电纳矩阵,确定配电网的预测拓扑参数。
在其中一个实施例中,基于电导矩阵中各元素的比例指标值,对电导矩阵和电纳矩阵中各元素的取值进行更新,得到更新后的电导矩阵和更新后的电纳矩阵,包括:
确定电导矩阵中各元素的比例指标值是否均大于预先设定的指标阈值;
若否,则将电导矩阵中比例指标值不大于预先设定的指标阈值的元素的取值设为零,并将电纳矩阵中与电导矩阵中取值为零的元素具有相同位置关系的元素的取值设为零;
对电导矩阵和电纳矩阵中剩余取值不为零的元素分别进行线性回归处理,得到处理后的电导矩阵和处理后的电纳矩阵;
对处理后的电导矩阵和处理后的电纳矩阵分别进行对称化处理,得到更新后的电导矩阵和更新后的电纳矩阵。
在其中一个实施例中,方法还包括:
若是,则将电导矩阵作为更新后的电导矩阵,以及将电纳矩阵作为更新后的电纳矩阵。
在其中一个实施例中,基于更新后的电导矩阵和更新后的电纳矩阵,确定配电网的预测拓扑参数,包括:
确定更新后的电导矩阵中横坐标小于纵坐标的元素,以及更新后的电纳矩阵中横坐标小于纵坐标的元素;
基于更新后的电导矩阵中横坐标小于纵坐标的元素的取值,以及更新后的电纳矩阵中横坐标小于纵坐标的元素的取值,确定配电网的预测拓扑参数。
在其中一个实施例中,基于配电网的拓扑结构和配电网的测量数据对配电网进行状态预测,得到配电网的配电网状态,包括:
基于配电网状态预测模型,通过配电网的拓扑结构和配电网的测量数据,得到配电网状态的性能值;
对性能值进行高斯牛顿迭代处理,得到配电网的配电网状态。
第二方面,本申请还提供了一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置。该装置包括:
第一预测模型,用于获取配电网的测量数据,并基于测量数据对配电网进行拓扑参数预测,得到配电网的预测拓扑参数;
第二预测模型,用于基于拓扑结构预测模型,通过配电网的测量数据和配电网的预测拓扑参数,预测配电网的拓扑结构;
第三预测模型,用于基于配电网的拓扑结构和配电网的测量数据对配电网进行状态预测,得到配电网的配电网状态。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述一方面的一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述一方面的一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法。
上述考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法,由于配电网中存在未知的拓扑结构以及需要验证的测量数据,导致工作人员难以及时准确的掌握配电网的运行状态;因此,通过获取配电网的测量数据,确定配电网的预测拓扑参数,并基于配电网的预测拓扑参数,预测配电网的拓扑结构;进而根据配电网的拓扑结构和配电网的测量数据,预测配电网的配电网状态。实现了在配电网具有较高复杂程度的情况下,及时准确的掌握配电网的运行状态,并且,保证了对配电网运行状态的实时掌控,使得当配电网状态异常时能够对配电网进行及时维修。
附图说明
图1为本申请实施例提供的一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法的应用环境图;
图2为本申请实施例提供的一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法的流程图;
图3为本申请实施例提供的一种确定配电网的预测拓扑参数的流程图;
图4为本申请实施例提供的一种确定配电网的配电网状态的流程图;
图5为本申请实施例提供的另一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法的流程图;
图6为本申请实施例提供的第一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置的结构框图;
图7为本申请实施例提供的第二种考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置的结构框图;
图8为本申请实施例提供的第三种考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置的结构框图;
图9为本申请实施例提供的第四种考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。在本申请的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
基于上述情况,本申请实施例提供的考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法,可以应用于如图1所示的应用环境中。在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法的获取数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法。
本申请公开了一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法、装置、计算机设备以及存储介质,计算机设备通过获取配电网的测量数据,确定配电网的预测拓扑参数;并基于配电网的预测拓扑参数,预测配电网的拓扑结构;基于配电网的拓扑结构和配电网的测量数据,确定配电网的配电网状态。
在一个实施例中,如图2所示,图2为本申请实施例提供的一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法的流程图,提供了一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法,图1中的计算机设备执行的考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法可以包括以下步骤:
步骤201,获取配电网的测量数据,并基于测量数据对配电网进行拓扑参数预测,得到配电网的预测拓扑参数。
需要说明的是,配电网的测量数据指的是配电网中能够通过测量设备进行参数读取,进而确定的数据;配电网的测量数据包括配电网中各设备节点的有功数据、无功数据和电压幅值数据。
作为一种实现方式,当需要获取配电网的测量数据时,可基于预先设置于配电网中各节点的测量设备实现对于配电网测量数据的获取;具体地,通过读取设置于配电网中各节点的测量设备的显示参数,确定配电网中各设备节点的有功数据、无功数据和电压幅值数据。
其中,测量设备可以包括但不限于:智能电表、相量测量单元PMUs等。
需要说明的是,配电网的预测拓扑参数包括配电网中各设备节点的电导值和电纳值。因此,当需要对配电网进行拓扑参数预测时,可将配电网的测量数据代入电导矩阵的计算公式以及电纳矩阵的计算公式,确定配电网的电导矩阵和电纳矩阵;进而,根据配电网的电导矩阵和电纳矩阵,对配电网进行拓扑参数预测,得到配电网的预测拓扑参数,即为配电网中各设备节点的电导值和电纳值。
其中,根据配电网的电导矩阵和电纳矩阵,对配电网进行拓扑参数预测具体包括:基于比例指标函数,确定电导矩阵中各元素的比例指标值;根据电导矩阵中各元素的比例指标值与预先设定的指标阈值的大小关系,对电导矩阵和电纳矩阵中各元素的取值进行更新,得到更新后的电导矩阵和更新后的电纳矩阵;最终,即可将更新后的电导矩阵中的元素,作为预测拓扑参数中的电导值,以及将更新后的电纳矩阵中的元素,作为预测拓扑参数中的电纳值。
在一种实现方式中,对电导矩阵和电纳矩阵中各元素的取值进行更新时,共包含两种情况,两种情况分别为:第一种情况,若电导矩阵中各元素的比例指标值不均大于预先设定的指标阈值:则将电导矩阵中比例指标值不大于指标阈值的元素的取值设为零,并将电纳矩阵中与电导矩阵中取值为零的元素具有相同位置关系的元素的取值设为零;对电导矩阵和电纳矩阵中剩余取值不为零的元素分别进行线性回归处理和对称化处理,得到更新后的电导矩阵和更新后的电纳矩阵。第二种情况,若电导矩阵中各元素的比例指标值均大于预先设定的指标阈值,则将电导矩阵作为更新后的电导矩阵,以及将电纳矩阵作为更新后的电纳矩阵。
步骤202,基于拓扑结构预测模型,通过配电网的测量数据和配电网的预测拓扑参数,预测配电网的拓扑结构。
在本申请的一种实施例中,当需要预测配电网的拓扑结构时,具体可包括:将配电网的测量数据和配电网的预测拓扑参数,输入至预先训练好的拓扑结构预测模型,获取拓扑结构预测模型输出的预测结果,该预测结果即为配电网的拓扑结构。
进一步的,当需要训练拓扑结构预测模型时,可获取多个时间节点的配电网的历史测量数据,即为配电网在多个时间节点的各设备节点的历史有功数据、历史无功数据和历史电压幅值数据;并且,确定个各时间节点配电网的历史测量数据对应的历史拓扑结构;将多个时间节点的配电网的历史测量数据输入至待训练的拓扑结构预测模型,得到拓扑结构预测模型输出的各时间节点的结构预测结果;根据各时间节点的结构预测结果与各时间节点配电网的历史测量数据对应的历史拓扑结构的差异,对待训练的拓扑结构预测模型进行参数调整,直至,得到训练后的拓扑结构预测模型。
需要说明的是,拓扑结构预测模型中包含输入层、隐藏层和输出层,其中,拓扑结构预测模型的输入层中神经元的个数与输入参数的数量相同,可理解为,拓扑结构预测模型的输入层中神经元的个数与配电网的测量数据以及配电网的预测拓扑参数中参数数量总和相同;并且,拓扑结构预测模型的输出层的神经元个数为配电网可能对应的拓扑结构;因此,拓扑结构预测模型的输出是一个n维向量;向量中的每个元素分别代表配电网属于该类拓扑结构的概率,例如,向量中第i个元素代表该样本属于第i类拓扑的概率。由于拓扑结构预测模型主要的功能为多分类功能,因此拓扑结构预测模型可选取tanh(双曲正切)函数作为隐藏层的激活函数。
进一步说明,拓扑结构预测模型的输出的n维向量中,每个元素对应的概率之和为1。
步骤203,基于配电网的拓扑结构和配电网的测量数据对配电网进行状态预测,得到配电网的配电网状态。
需要说明的是,当需要对配电网进行状态预测时,可基于配电网的历史测量数据以及各历史测量数据对应的历史拓扑结构,对配电网进行状态预测,得到配电网状态的性能值;并且,为保证配电网状态的性能值的准确性,可对配电网状态的性能值进行高斯牛顿迭代处理,进而确定配电网的配电网状态。
在本申请的一种实施例中,对配电网进行状态预测可包括以下内容:基于预先训练的配电网状态预测模型,将配电网的拓扑结构和配电网的测量数据输入至配电网状态预测模型,得到配电网状态预测模型输出的配电网状态的性能值,并对配电网状态的性能值进行高斯牛顿迭代处理,得到配电网的配电网状态。
进一步说明,可基于配电网的历史测量数据以及各历史测量数据对应的历史拓扑结构,对配电网状态预测模型进行训练,以保证配电网状态预测模型可基于配电网的拓扑结构和配电网的测量数据,输出配电网状态的性能值。
上述考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法,由于配电网中存在未知的拓扑结构以及需要验证的测量数据,导致工作人员难以及时准确的掌握配电网的运行状态;因此,通过获取配电网的测量数据,确定配电网的预测拓扑参数,并基于配电网的预测拓扑参数,预测配电网的拓扑结构;进而根据配电网的拓扑结构和配电网的测量数据,预测配电网的配电网状态。实现了在配电网具有较高复杂程度的情况下,及时准确的掌握配电网的运行状态,并且,保证了对配电网运行状态的实时掌控,使得当配电网状态异常时能够对配电网进行及时维修。
随着分布式电源(distributed generation,DG)的高度渗透导致配电网的规模不断扩大,结构越来越复杂,由于扩张后的配电网存在较多未知的拓扑结构,因此,当工作人员想要确定配电网的运行状态,则需要预测出配电网的拓扑结构;为防止上述问题导致工作人员无法确定配电网的运行状态,本实施例的计算机设备可以通过如图3所示的方式,基于测量数据对配电网进行拓扑参数预测,得到配电网的预测拓扑参数,具体包括如下步骤:
步骤301,基于测量数据,确定配电网的电导矩阵和电纳矩阵。
需要说明的是,当需要确定配电网的电导矩阵时,可根据配电网中各设备节点对应的有功功率和无功功率,建立有功功率对应的计算公式(1)和无功功率对应的计算公式(2),由于,有功功率对应的计算公式(1)和无功功率对应的计算公式(2)中均涉及到配电网的电导矩阵和电纳矩阵,因此,可对有功功率对应的计算公式(1)和无功功率对应的计算公式(2)进行公式推导和公式代入,进而确定电导矩阵的计算公式(3)和电纳矩阵的计算公式(4),通过将测量数据代入电导矩阵的计算公式(3)和电纳矩阵的计算公式(4)并进行后续的计算,确定配电网的电导矩阵和电纳矩阵。
进一步说明,有功功率对应的计算公式(1)如下式所示:
其中,n指的是配电网的设备节点总数;i和j分别指的是设备节点i和设备节点j,P i 指的是配电网中设备节点i注入的有功功率;V i 指的是配电网中设备节点i的电压幅值;V j 指的是配电网中设备节点j的电压幅值;G ij 和B ij 分别代表由设备节点i和设备节点j之间的互电导g ij 和互电纳b ij 构成的G电导矩阵和B电纳矩阵中的元素;θ ij 代表设备节点i与设备节点j的之间的相角差。
无功功率对应的计算公式(2)如下式所示:
其中,n指的是配电网的设备节点总数;i和j分别指的是设备节点i和设备节点j,Q i 指的是配电网中设备节点i注入的无功功率;V i 指的是配电网中设备节点i的电压幅值;V j 指的是配电网中设备节点j的电压幅值;G ij 和B ij 分别代表由设备节点i和设备节点j之间的互电导g ij 和互电纳b ij 构成的G电导矩阵和B电纳矩阵中的元素;θ ij 代表设备节点i与设备节点j的之间的相角差。
由于,设备节点i与设备节点j的之间的相角差未知,因此,电导矩阵和电纳矩阵不满足分块对称性,需要采用近似矩阵表示,称为近似电导矩阵/>和近似电纳矩阵/>,通常电压相角差θ ij 的绝对值很小,近似可以得到sinθ ij ≈θ ij ,cosθ ij ≈1,根据式(2.1.1)中的括号内的变量,进一步整理得到:
电导矩阵的计算公式(3)如下式所示:
其中,指的是近似确定的由设备节点i和设备节点j之间的互电导g ij 构成的近似电导矩阵;G ij 指的是由设备节点i和设备节点j之间的互电导g ij 构成的G电导矩阵中的元素;θ ij 代表设备节点i与设备节点j的之间的相角差;B ij 指的是由设备节点i和设备节点j之间的互电纳b ij 构成B电纳矩阵中的元素。
电纳矩阵的计算公式(4)如下式所示:
其中,指的是近似确定的由设备节点i和设备节点j之间的互电导g ij 构成的近似电纳矩阵;G ij 指的是由设备节点i和设备节点j之间的互电导g ij 构成的G电导矩阵中的元素;θ ij 代表设备节点i与设备节点j的之间的相角差;B ij 指的是由设备节点i与设备节点j之间的互电纳b ij 构成B电纳矩阵中的元素。
进一步的,为确定配电网的电导矩阵和电纳矩阵,还需要根据电导矩阵的计算公式(3)和电纳矩阵的计算公式(4),对有功功率对应的计算公式(1)和无功功率对应的计算公式(2)进行简化处理,得到简化处理后的有功功率对应的计算公式(5)和简化处理后的无功功率对应的计算公式(6)。
简化处理后的有功功率对应的计算公式(5)如下式所示:
其中,n指的是配电网的设备节点总数;i和j分别指的是设备节点i和设备节点j;
P i 指的是配电网中设备节点i注入的有功功率;V i 指的是配电网中设备节点i的电压幅值;V j
指的是配电网中设备节点j的电压幅值;指的是近似确定的由设备节点i和设备节点j之
间的互电导g ij 构成的近似电导矩阵。
简化处理后的无功功率对应的计算公式(6)如下式所示:
其中,n指的是配电网的设备节点总数;i和j分别指的是设备节点i和设备节点j;Q i 指的是配电网中设备节点i注入的无功功率,V i 指的是配电网中设备节点i的电压幅值;V j 指的是配电网中设备节点j的电压幅值;指的是近似确定的由设备节点i和设备节点j之间的互电导g ij 构成的近似电纳矩阵。
由于P i 、Q i 和V j 均为已知量,因此,可将电导矩阵和电纳矩阵的线性回归问题转化为求解线性最小二乘问题,因此,可确定的简化处理后的有功功率对应的计算公式(5)中的变量Γ1的计算公式(7),以及简化处理后的无功功率对应的计算公式(6)中的变量Γ2的计算公式(8)。
其中,变量Γ1的计算公式(7)如下式所示:
其中,n指的是配电网的设备节点总数;j指的是设备节点j;V j 指的是配电网中设备节点j的电压幅值;V=[V1, V2…Vn]T表示n个设备节点电压幅值向量集合。
变量Γ2的计算公式(8)如下式所示:
其中,n指的是配电网的设备节点总数;j指的是设备节点j;V j 指的是配电网中设备节点j的电压幅值;V=[V1, V2…Vn]T表示n个设备节点电压幅值向量集合。
根据变量Γ1的计算公式(7)和变量Γ2的计算公式(8)通过线性回归,转化得到线性最小二乘问题的计算公式(9)如下式:
其中,指的是近似确定的由设备节点i和设备节点j之间的互电导g ij 构成的近似电纳矩阵;/>指的是近似确定的由设备节点i和设备节点j之间的互电导g ij 构成的近似电导矩阵;P指的是配电网中各设备节点对应的有功功率;Q指的是配电网中各设备节点对应的无功功率。
需要说明的是,为了进一步降低矩阵和/>的条件数,提高求解的稳定性,采用Gram-Schmidt正交化进行QR分解,将Γ1和Γ2分解成正交矩阵与上三角形矩阵乘积的形式,可以得到Γ1和Γ2的分解结果分别为:Γ1=Q1R1和Γ2=Q2R2。其中,Q1的是电导矩阵对应的正交单位矩阵,Q2指的是电导矩阵对应的正交单位矩阵;R1的是电导矩阵对应的上三角矩阵,R2指的是电导矩阵对应的上三角矩阵。
配电网的电导矩阵的计算公式(12)如下式所示:
配电网的电纳矩阵的计算公式(13)如下式所示:
步骤302,基于电导矩阵和电纳矩阵中各元素的取值,对配电网进行拓扑参数预测,得到配电网的预测拓扑参数。
需要说明的是,当需要对配电网进行拓扑参数预测时,具体可包括以下步骤:基于电导矩阵中各元素的取值,确定电导矩阵中各元素的比例指标值;基于电导矩阵中各元素的比例指标值,对电导矩阵和电纳矩阵中各元素的取值进行更新,得到更新后的电导矩阵和更新后的电纳矩阵;基于更新后的电导矩阵和更新后的电纳矩阵,确定配电网的预测拓扑参数。
其中,电导矩阵中每一元素的比例指标值为电导矩阵中该元素与该元素的映射元素的比值的绝对值;该元素的映射元素为电导矩阵中与该元素横坐标相同的主对角线元素。因此,各映射元素的横纵坐标均相同,并且,每一元素的映射元素的横坐标与该元素的横坐标相同。
其中,计算各元素的比例指标值的比例指标函数(14)可如下式所示:
其中,ξ(i,j)指的是横坐标为i纵坐标为j的元素个的比例指标值;|Gij|指的是电导矩阵中横坐标为i纵坐标为j的元素的绝对值;|Gii|指的是电导矩阵中横坐标为i纵坐标为i的元素的绝对值,即为电导矩阵中横坐标为i纵坐标为j元素的映射元素的绝对值。
具体的,当需要基于电导矩阵中各元素的比例指标值,对电导矩阵和电纳矩阵中各元素的取值进行更新时,具体可包括以下内容:确定电导矩阵中各元素的比例指标值是否均大于预先设定的指标阈值;若否,则将电导矩阵中比例指标值不大于预先设定的指标阈值的元素的取值设为零,并将电纳矩阵中与电导矩阵中取值为零的元素具有相同位置关系的元素的取值设为零;对电导矩阵和电纳矩阵中剩余取值不为零的元素分别进行线性回归处理,得到处理后的电导矩阵和处理后的电纳矩阵;对处理后的电导矩阵和处理后的电纳矩阵分别进行对称化处理,得到更新后的电导矩阵和更新后的电纳矩阵。若是,则将电导矩阵作为更新后的电导矩阵,以及将电纳矩阵作为更新后的电纳矩阵。
其中,指标阈值的确定可基于工作人员的历史经验进行确定,指标阈值设定的越高,后续确定的预测拓扑参数的准确性越高,确定预测拓扑参数的计算复杂度越高;同理,指标阈值设定的越低,后续确定的预测拓扑参数的准确性越低,确定预测拓扑参数的计算复杂度越低。
举例说明,若预先设定的指标阈值为γ,当确定电导矩阵中位置坐标为(i,j)元素的比例指标值ξ(i,j)小于或者等于指标阈值为γ,则将该元素的取值设为零;并且,将电纳矩阵中位置坐标为(i,j)元素的取值设为零;对电导矩阵和电纳矩阵中剩余取值不为零的元素分别进行线性回归处理,得到处理后的电导矩阵和处理后的电纳矩阵;对处理后的电导矩阵和处理后的电纳矩阵分别进行对称化处理,得到更新后的电导矩阵和更新后的电纳矩阵。
对处理后的电导矩阵进行对称化处理的计算公式(14)可如下式所示:
对处理后的电纳矩阵进行对称化处理的计算公式(15)可如下式所示:
举例说明,若电导矩阵中各元素的比例指标值均大于预先设定的指标阈值则确定更新后的电导矩阵的计算公式(17),以及更新后的电纳矩阵的计算公式(18)。
确定更新后的电导矩阵的计算公式(17)如下式所示:
确定更新后的电纳矩阵的计算公式(18)如下式所示:
在本申请的一种实施例中,基于更新后的电导矩阵和更新后的电纳矩阵,确定配电网的预测拓扑参数具体可包括以下内容:确定更新后的电导矩阵中横坐标小于纵坐标的元素,以及更新后的电纳矩阵中横坐标小于纵坐标的元素;基于更新后的电导矩阵中横坐标小于纵坐标的元素的取值,以及更新后的电纳矩阵中横坐标小于纵坐标的元素的取值,确定配电网的预测拓扑参数。
具体的,确定和/>中,i<j对应的元素(其中,i为横坐标,j为纵坐标),该元素取值的相反数分别为设备节点i和设备节点j之间支路的电导值和电纳值;如果,如果i<j对应的元素在/>和/>中的取值皆为零,则设备节点i和设备节点j之间不存在支路,故设备节点i和设备节点j之间不存在对应的电导值和电纳值。
上述考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法,通过确定配电网的电导矩阵和电纳矩阵,使得后续能够根据电导矩阵和电纳矩阵中各元素的取值,对配电网进行拓扑参数预测,得到配电网的预测拓扑参数;保证了预测拓扑参数预测的准确性,保证了后续能够顺利根据配电网的拓扑结构,确定配电网的配电网状态。
由于配电网的测量数据中包含的数据量较少,并且,配电网的测量数据还存在部分数据的准确性较低的情况,因此,为防止上述问题导致工作人员无法确定配电网的运行状态,本实施例的计算机设备可以通过如图4所示的方式,基于配电网的拓扑结构和配电网的测量数据对配电网进行状态预测,得到配电网的配电网状态,具体包括如下步骤:
步骤401,基于考虑量测缺失的知识驱动电网拓扑辨识及状态估计模型,通过配电网的拓扑结构和配电网的测量数据,得到配电网状态的性能值。
其中,配电网状态的性能值包括:配电网中无法测量的数据参数、配电网的测量数据矫正后的部分数据。
具体的,当需要确定配电网状态的性能值时,可将配电网的拓扑结构和配电网的测量数据输入至预先训练的考虑量测缺失的知识驱动电网拓扑辨识及状态估计模型,从而得到考虑量测缺失的知识驱动电网拓扑辨识及状态估计模型输出的配电网状态的性能值。
需要说明的是,考虑量测缺失的知识驱动电网拓扑辨识及状态估计模型的训练过程包括:预先获取配电网的历史测量数据以及配电网状态的历史性能值;将配电网的历史测量数据输入至待训练的考虑量测缺失的知识驱动电网拓扑辨识及状态估计模型,获取待训练的考虑量测缺失的知识驱动电网拓扑辨识及状态估计模型的输出结果,基于输出结果与电网状态的历史性能值的差异,对待训练的考虑量测缺失的知识驱动电网拓扑辨识及状态估计模型进行参数调整,使得输出结果与电网状态的历史性能值的差异符合预设条件,从而得到完成训练的考虑量测缺失的知识驱动电网拓扑辨识及状态估计模型。
其中,考虑量测缺失的知识驱动电网拓扑辨识及状态估计模型的成本函数公式(19)可如下式所示:
其中,gT(z)指的是配电网状态预测模型的成本函数公式,z指的是配电网状态预测模型的输入,g指的是配电网状态预测模型的输出,Wt指的是输入到第t个神经元的z的线性组合(即单元由组成),β t 指的是相应的标量偏差,α t 指的是隐藏层里的神经元输出组合向量,T指的是T神经元组成的隐藏层。
其中,gT(z)指的是配电网状态预测模型的成本函数公式,z指的是配电网状态预测模型的输入,(z j ,v j )是配电网状态预测模型的训练样本,z j 指的是配电网的历史测量数据,v j 指的是电网状态的历史性能值,Ò为预先限定的配电网状态预测模型输出结果与v j 的距离最大值,即为针对配电网状态预测模型设定的精度要求,g指的是配电网状态预测模型的输出,T指的是T神经元组成的隐藏层。
进一步说明,可通过降低预设精度Ò,降低配电网状态预测模型的训练难度,提高配电网状态预测模型的训练效率。
步骤402,对性能值进行高斯牛顿迭代处理,得到配电网的配电网状态。
需要说明的是,基于高斯牛顿迭代方法对性能值进行迭代处理,从而得到迭代处理后的性能值;基于预先设定的配电网状态判断规则和迭代处理后的性能值,确定配电网的配电网状态。
其中,配电网状态判断规则中包括不同的性能值区间,以及不同性能值区间对应的不同配电网的配电网状态;通过确定迭代处理后的性能值所属的性能值区间,该性能值区间对应的配电网状态,即为配电网的配电网状态。
上述考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法,通过确定配电网状态的性能值,实现了对于配电网状态的初步预测,并且,通过对性能值进行高斯牛顿迭代处理,实现了对性能值的准确性进一步提升,保证了后续确定配电网状态的准确性,实现了在配电网具有较高复杂程度的情况下,及时准确的掌握配电网的运行状态,并且,保证了对配电网运行状态的实时掌控,使得当配电网状态异常时能够对配电网进行及时维修。
如图5所示,图5为本申请实施例提供的另一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法的流程图,当需要确定配电网的配电网状态时,具体可包括以下内容:
步骤501,获取配电网的测量数据,基于测量数据,确定配电网的电导矩阵和电纳矩阵。
步骤502,基于电导矩阵中各元素的取值,确定电导矩阵中各元素的比例指标值。
步骤503,确定电导矩阵中各元素的比例指标值是否均大于预先设定的指标阈值。若否,则执行步骤504;若是,则执行步骤507。
步骤504,将电导矩阵中比例指标值不大于预先设定的指标阈值的元素的取值设为零,并将电纳矩阵中与电导矩阵中取值为零的元素具有相同位置关系的元素的取值设为零。
步骤505,对电导矩阵和电纳矩阵中剩余取值不为零的元素分别进行线性回归处理,得到处理后的电导矩阵和处理后的电纳矩阵。
步骤506,对处理后的电导矩阵和处理后的电纳矩阵分别进行对称化处理,得到更新后的电导矩阵和更新后的电纳矩阵。
步骤507,将电导矩阵作为更新后的电导矩阵,以及将电纳矩阵作为更新后的电纳矩阵。
步骤508,确定更新后的电导矩阵中横坐标小于纵坐标的元素,以及更新后的电纳矩阵中横坐标小于纵坐标的元素。
步骤509,基于更新后的电导矩阵中横坐标小于纵坐标的元素的取值,以及更新后的电纳矩阵中横坐标小于纵坐标的元素的取值,确定配电网的预测拓扑参数。
步骤510,基于拓扑结构预测模型,通过配电网的测量数据和配电网的预测拓扑参数,预测配电网的拓扑结构。
步骤511,基于配电网状态预测模型,通过配电网的拓扑结构和配电网的测量数据,得到配电网状态的性能值。
步骤512,对性能值进行高斯牛顿迭代处理,得到配电网的配电网状态。
上述考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法,由于配电网中存在未知的拓扑结构以及需要验证的测量数据,导致工作人员难以及时准确的掌握配电网的运行状态;因此,通过获取配电网的测量数据,确定配电网的预测拓扑参数,并基于配电网的预测拓扑参数,预测配电网的拓扑结构;进而根据配电网的拓扑结构和配电网的测量数据,预测配电网的配电网状态。实现了在配电网具有较高复杂程度的情况下,及时准确的掌握配电网的运行状态,并且,保证了对配电网运行状态的实时掌控,使得当配电网状态异常时能够对配电网进行及时维修。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法的考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置实施例中的具体限定可以参见上文中对于考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置,包括:第一预测模型10、第二预测模型20和第三预测模型30,其中:
第一预测模型10,用于获取配电网的测量数据,并基于测量数据对配电网进行拓扑参数预测,得到配电网的预测拓扑参数。
第二预测模型20,用于基于拓扑结构预测模型,通过配电网的测量数据和配电网的预测拓扑参数,预测配电网的拓扑结构。
第三预测模型30,用于基于配电网的拓扑结构和配电网的测量数据对配电网进行状态预测,得到配电网的配电网状态。
上述考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置,由于配电网中存在未知的拓扑结构以及需要验证的测量数据,导致工作人员难以及时准确的掌握配电网的运行状态;因此,通过获取配电网的测量数据,确定配电网的预测拓扑参数,并基于配电网的预测拓扑参数,预测配电网的拓扑结构;进而根据配电网的拓扑结构和配电网的测量数据,预测配电网的配电网状态。实现了在配电网具有较高复杂程度的情况下,及时准确的掌握配电网的运行状态,并且,保证了对配电网运行状态的实时掌控,使得当配电网状态异常时能够对配电网进行及时维修。
在一个实施例中,如图7所示,提供了一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置,该考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置中第一预测模型10,包括:确定单元11和第一预测单元12,其中:
确定单元11,用于基于测量数据,确定配电网的电导矩阵和电纳矩阵。
第一预测单元12,用于基于电导矩阵和电纳矩阵中各元素的取值,对配电网进行拓扑参数预测,得到配电网的预测拓扑参数。
在一个实施例中,如图8所示,提供了一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置,该考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置中第一预测单元12,包括:第一确定子单元121、更新子单元122和第二确定子单元123,其中:
第一确定子单元121,用于基于电导矩阵中各元素的取值,确定电导矩阵中各元素的比例指标值;其中,电导矩阵中每一元素的比例指标值为电导矩阵中该元素与该元素的映射元素的比值的绝对值;该元素的映射元素为电导矩阵中与该元素横坐标相同的主对角线元素。
更新子单元122,用于基于电导矩阵中各元素的比例指标值,对电导矩阵和电纳矩阵中各元素的取值进行更新,得到更新后的电导矩阵和更新后的电纳矩阵。
第二确定子单元123,用于基于更新后的电导矩阵和更新后的电纳矩阵,确定配电网的预测拓扑参数。
其中,更新子单元具体用于:确定电导矩阵中各元素的比例指标值是否均大于预先设定的指标阈值;若否,则将电导矩阵中比例指标值不大于预先设定的指标阈值的元素的取值设为零,并将电纳矩阵中与电导矩阵中取值为零的元素具有相同位置关系的元素的取值设为零;对电导矩阵和电纳矩阵中剩余取值不为零的元素分别进行线性回归处理,得到处理后的电导矩阵和处理后的电纳矩阵;对处理后的电导矩阵和处理后的电纳矩阵分别进行对称化处理,得到更新后的电导矩阵和更新后的电纳矩阵。若是,则将电导矩阵作为更新后的电导矩阵,以及将电纳矩阵作为更新后的电纳矩阵。
其中,第二确定子单元具体用于:确定更新后的电导矩阵中横坐标小于纵坐标的元素,以及更新后的电纳矩阵中横坐标小于纵坐标的元素;基于更新后的电导矩阵中横坐标小于纵坐标的元素的取值,以及更新后的电纳矩阵中横坐标小于纵坐标的元素的取值,确定配电网的预测拓扑参数。
在一个实施例中,如图9所示,提供了一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置,该考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置中第三预测模型30,包括:第二预测单元31和迭代单元32,其中:
第二预测单元31,用于基于配电网状态预测模型,通过配电网的拓扑结构和配电网的测量数据,得到配电网状态的性能值。
迭代单元32,用于对性能值进行高斯牛顿迭代处理,得到配电网的配电网状态。
上述考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取配电网的测量数据,并基于测量数据对配电网进行拓扑参数预测,得到配电网的预测拓扑参数;
基于拓扑结构预测模型,通过配电网的测量数据和配电网的预测拓扑参数,预测配电网的拓扑结构;
基于配电网的拓扑结构和配电网的测量数据对配电网进行状态预测,得到配电网的配电网状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于测量数据,确定配电网的电导矩阵和电纳矩阵;
基于电导矩阵和电纳矩阵中各元素的取值,对配电网进行拓扑参数预测,得到配电网的预测拓扑参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于电导矩阵中各元素的取值,确定电导矩阵中各元素的比例指标值;其中,电导矩阵中每一元素的比例指标值为电导矩阵中该元素与该元素的映射元素的比值的绝对值;该元素的映射元素为电导矩阵中与该元素横坐标相同的主对角线元素;
基于电导矩阵中各元素的比例指标值,对电导矩阵和电纳矩阵中各元素的取值进行更新,得到更新后的电导矩阵和更新后的电纳矩阵;
基于更新后的电导矩阵和更新后的电纳矩阵,确定配电网的预测拓扑参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定电导矩阵中各元素的比例指标值是否均大于预先设定的指标阈值;
若否,则将电导矩阵中比例指标值不大于预先设定的指标阈值的元素的取值设为零,并将电纳矩阵中与电导矩阵中取值为零的元素具有相同位置关系的元素的取值设为零;
对电导矩阵和电纳矩阵中剩余取值不为零的元素分别进行线性回归处理,得到处理后的电导矩阵和处理后的电纳矩阵;
对处理后的电导矩阵和处理后的电纳矩阵分别进行对称化处理,得到更新后的电导矩阵和更新后的电纳矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若是,则将电导矩阵作为更新后的电导矩阵,以及将电纳矩阵作为更新后的电纳矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定更新后的电导矩阵中横坐标小于纵坐标的元素,以及更新后的电纳矩阵中横坐标小于纵坐标的元素;
基于更新后的电导矩阵中横坐标小于纵坐标的元素的取值,以及更新后的电纳矩阵中横坐标小于纵坐标的元素的取值,确定配电网的预测拓扑参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于配电网状态预测模型,通过配电网的拓扑结构和配电网的测量数据,得到配电网状态的性能值;
对性能值进行高斯牛顿迭代处理,得到配电网的配电网状态。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取配电网的测量数据,并基于测量数据对配电网进行拓扑参数预测,得到配电网的预测拓扑参数;
基于拓扑结构预测模型,通过配电网的测量数据和配电网的预测拓扑参数,预测配电网的拓扑结构;
基于配电网的拓扑结构和配电网的测量数据对配电网进行状态预测,得到配电网的配电网状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于测量数据,确定配电网的电导矩阵和电纳矩阵;
基于电导矩阵和电纳矩阵中各元素的取值,对配电网进行拓扑参数预测,得到配电网的预测拓扑参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于电导矩阵中各元素的取值,确定电导矩阵中各元素的比例指标值;其中,电导矩阵中每一元素的比例指标值为电导矩阵中该元素与该元素的映射元素的比值的绝对值;该元素的映射元素为电导矩阵中与该元素横坐标相同的主对角线元素;
基于电导矩阵中各元素的比例指标值,对电导矩阵和电纳矩阵中各元素的取值进行更新,得到更新后的电导矩阵和更新后的电纳矩阵;
基于更新后的电导矩阵和更新后的电纳矩阵,确定配电网的预测拓扑参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定电导矩阵中各元素的比例指标值是否均大于预先设定的指标阈值;
若否,则将电导矩阵中比例指标值不大于预先设定的指标阈值的元素的取值设为零,并将电纳矩阵中与电导矩阵中取值为零的元素具有相同位置关系的元素的取值设为零;
对电导矩阵和电纳矩阵中剩余取值不为零的元素分别进行线性回归处理,得到处理后的电导矩阵和处理后的电纳矩阵;
对处理后的电导矩阵和处理后的电纳矩阵分别进行对称化处理,得到更新后的电导矩阵和更新后的电纳矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若是,则将电导矩阵作为更新后的电导矩阵,以及将电纳矩阵作为更新后的电纳矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定更新后的电导矩阵中横坐标小于纵坐标的元素,以及更新后的电纳矩阵中横坐标小于纵坐标的元素;
基于更新后的电导矩阵中横坐标小于纵坐标的元素的取值,以及更新后的电纳矩阵中横坐标小于纵坐标的元素的取值,确定配电网的预测拓扑参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于配电网状态预测模型,通过配电网的拓扑结构和配电网的测量数据,得到配电网状态的性能值;
对性能值进行高斯牛顿迭代处理,得到配电网的配电网状态。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法,其特征在于,所述方法包括:
获取配电网的测量数据,并基于所述测量数据对配电网进行拓扑参数预测,得到配电网的预测拓扑参数;
基于拓扑结构预测模型,通过配电网的测量数据和配电网的预测拓扑参数,预测配电网的拓扑结构;
基于配电网的拓扑结构和配电网的测量数据对配电网进行状态预测,得到配电网的配电网状态。
2.根据权利要求1所述的方法,其特征在于,所述基于所述测量数据对配电网进行拓扑参数预测,得到配电网的预测拓扑参数,包括:
基于所述测量数据,确定配电网的电导矩阵和电纳矩阵;
基于所述电导矩阵和所述电纳矩阵中各元素的取值,对配电网进行拓扑参数预测,得到配电网的预测拓扑参数。
3.根据权利要求2所述的方法,其特征在于,所述基于所述电导矩阵和所述电纳矩阵中各元素的取值,对配电网进行拓扑参数预测,得到配电网的预测拓扑参数,包括:
基于所述电导矩阵中各元素的取值,确定电导矩阵中各元素的比例指标值;其中,电导矩阵中每一元素的比例指标值为电导矩阵中该元素与该元素的映射元素的比值的绝对值;所述该元素的映射元素为电导矩阵中与该元素横坐标相同的主对角线元素;
基于电导矩阵中各元素的比例指标值,对所述电导矩阵和所述电纳矩阵中各元素的取值进行更新,得到更新后的电导矩阵和更新后的电纳矩阵;
基于更新后的电导矩阵和更新后的电纳矩阵,确定配电网的预测拓扑参数。
4.根据权利要求3所述的方法,其特征在于,所述基于电导矩阵中各元素的比例指标值,对所述电导矩阵和所述电纳矩阵中各元素的取值进行更新,得到更新后的电导矩阵和更新后的电纳矩阵,包括:
确定电导矩阵中各元素的比例指标值是否均大于预先设定的指标阈值;
若否,则将电导矩阵中比例指标值不大于预先设定的指标阈值的元素的取值设为零,并将电纳矩阵中与电导矩阵中取值为零的元素具有相同位置关系的元素的取值设为零;
对电导矩阵和电纳矩阵中剩余取值不为零的元素分别进行线性回归处理,得到处理后的电导矩阵和处理后的电纳矩阵;
对所述处理后的电导矩阵和所述处理后的电纳矩阵分别进行对称化处理,得到更新后的电导矩阵和更新后的电纳矩阵。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若是,则将所述电导矩阵作为更新后的电导矩阵,以及将所述电纳矩阵作为更新后的电纳矩阵。
6.根据权利要求3所述的方法,其特征在于,所述基于更新后的电导矩阵和更新后的电纳矩阵,确定配电网的预测拓扑参数,包括:
确定更新后的电导矩阵中横坐标小于纵坐标的元素,以及更新后的电纳矩阵中横坐标小于纵坐标的元素;
基于更新后的电导矩阵中横坐标小于纵坐标的元素的取值,以及更新后的电纳矩阵中横坐标小于纵坐标的元素的取值,确定配电网的预测拓扑参数。
7.根据权利要求1所述的方法,其特征在于,所述基于配电网的拓扑结构和配电网的测量数据对配电网进行状态预测,得到配电网的配电网状态,包括:
基于配电网状态预测模型,通过配电网的拓扑结构和配电网的测量数据,得到配电网状态的性能值;
对所述性能值进行高斯牛顿迭代处理,得到配电网的配电网状态。
8.一种考虑量测缺失的知识驱动电网拓扑辨识及状态估计装置,其特征在于,所述装置包括:
第一预测模型,用于获取配电网的测量数据,并基于所述测量数据对配电网进行拓扑参数预测,得到配电网的预测拓扑参数;
第二预测模型,用于基于拓扑结构预测模型,通过配电网的测量数据和配电网的预测拓扑参数,预测配电网的拓扑结构;
第三预测模型,用于基于配电网的拓扑结构和配电网的测量数据对配电网进行状态预测,得到配电网的配电网状态。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310494979.1A CN116191424A (zh) | 2023-05-05 | 2023-05-05 | 考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310494979.1A CN116191424A (zh) | 2023-05-05 | 2023-05-05 | 考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116191424A true CN116191424A (zh) | 2023-05-30 |
Family
ID=86442710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310494979.1A Pending CN116191424A (zh) | 2023-05-05 | 2023-05-05 | 考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116191424A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190288514A1 (en) * | 2018-03-13 | 2019-09-19 | Utopus Insights, Inc. | System and method for congestion forecasting in electrical networks |
CN112488874A (zh) * | 2020-12-07 | 2021-03-12 | 清华大学 | 一种数据驱动的配电网络拓扑估计与线路参数辨识方法 |
CN114156865A (zh) * | 2021-11-01 | 2022-03-08 | 国网天津市电力公司电力科学研究院 | 一种考虑状态感知的低压配电网拓扑生成及故障预测方法 |
CN115544701A (zh) * | 2022-10-21 | 2022-12-30 | 南方电网科学研究院有限责任公司 | 一种数据机理交互驱动的微电网拓扑辨识方法和系统 |
CN115689358A (zh) * | 2022-11-04 | 2023-02-03 | 南方电网科学研究院有限责任公司 | 一种基于数据降维的配电网状态估计方法及相关装置 |
-
2023
- 2023-05-05 CN CN202310494979.1A patent/CN116191424A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190288514A1 (en) * | 2018-03-13 | 2019-09-19 | Utopus Insights, Inc. | System and method for congestion forecasting in electrical networks |
CN112488874A (zh) * | 2020-12-07 | 2021-03-12 | 清华大学 | 一种数据驱动的配电网络拓扑估计与线路参数辨识方法 |
CN114156865A (zh) * | 2021-11-01 | 2022-03-08 | 国网天津市电力公司电力科学研究院 | 一种考虑状态感知的低压配电网拓扑生成及故障预测方法 |
CN115544701A (zh) * | 2022-10-21 | 2022-12-30 | 南方电网科学研究院有限责任公司 | 一种数据机理交互驱动的微电网拓扑辨识方法和系统 |
CN115689358A (zh) * | 2022-11-04 | 2023-02-03 | 南方电网科学研究院有限责任公司 | 一种基于数据降维的配电网状态估计方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126668B (zh) | 基于图卷积网络的Spark作业时间预测方法和装置 | |
US10733332B2 (en) | Systems for solving general and user preference-based constrained multi-objective optimization problems | |
WO2021208079A1 (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
Guo et al. | Robust echo state networks based on correntropy induced loss function | |
TWI831893B (zh) | 用於高度共線響應空間中的規範性分析的方法、系統與電腦可讀取媒體 | |
Huang et al. | An experimental method to estimate running time of evolutionary algorithms for continuous optimization | |
Pandita et al. | Stochastic multiobjective optimization on a budget: Application to multipass wire drawing with quantified uncertainties | |
CN111537884A (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN115689018A (zh) | 物资需求预测方法、装置、设备、存储介质和程序产品 | |
CN115859805A (zh) | 基于混合加点准则的自适应序贯试验设计方法和装置 | |
CN115659985A (zh) | 电力知识图谱实体对齐方法、装置和计算机设备 | |
CN111507591B (zh) | 电力系统状态确定方法、装置、计算机介质及存储介质 | |
Portier et al. | Bootstrap testing of the rank of a matrix via least-squared constrained estimation | |
Smith et al. | Physics-informed implicit representations of equilibrium network flows | |
CN116626504A (zh) | 动力电池性能确定方法、装置、计算机设备和存储介质 | |
CN116191424A (zh) | 考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法 | |
CN114363004B (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
Lu et al. | Residential Energy Consumption Forecasting Based on Federated Reinforcement Learning with Data Privacy Protection. | |
CN112182739A (zh) | 一种飞行器结构非概率可信可靠性拓扑优化设计方法 | |
CN111931994A (zh) | 一种短期负荷及光伏功率预测方法及其系统、设备、介质 | |
Beliakov | On a Method of Multivariate Density Estimate Basedon Nearest Neighbours Graphs | |
Moon et al. | Data-driven automatic calibration for validation of agent-based social simulations | |
Ye et al. | Learning fuzzy cognitive maps using decomposed parallel ant colony algorithm and gradient descent | |
Wu et al. | Bayesian stochastic configuration networks for robust data modeling | |
Alfaro et al. | Adaptation in a heterogeneous environment II: To be three or not to be |
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 |