CN116345536A - 一种配电变压器的有载在线调压方法及装置 - Google Patents

一种配电变压器的有载在线调压方法及装置 Download PDF

Info

Publication number
CN116345536A
CN116345536A CN202310085231.6A CN202310085231A CN116345536A CN 116345536 A CN116345536 A CN 116345536A CN 202310085231 A CN202310085231 A CN 202310085231A CN 116345536 A CN116345536 A CN 116345536A
Authority
CN
China
Prior art keywords
data
voltage
sample data
secondary side
time period
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
Application number
CN202310085231.6A
Other languages
English (en)
Other versions
CN116345536B (zh
Inventor
郭国伟
陆志欣
韦奔
邓日潮
陈健卯
杨智诚
杨新森
谷文升
洪锐媛
余梦琪
罗永润
黄胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority to CN202310085231.6A priority Critical patent/CN116345536B/zh
Publication of CN116345536A publication Critical patent/CN116345536A/zh
Application granted granted Critical
Publication of CN116345536B publication Critical patent/CN116345536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • 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

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种配电变压器的有载在线调压方法及装置；其中，所述方法包括：从云端服务器中获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；进行是否需要调压的专家标注处理，形成待学习样本数据；对待学习样本数据进行样本数据预处理，获得预处理的待学习样本数据；利用贝叶斯先验概率模型对预处理的待学习样本数据进行学习更新处理；基于更新后的贝叶斯先验概率模型对预设时间段内的调压概率进行预测处理；基于预测调压概率数据和配电变压器的实时二次侧电压数据进行有载在线调压处理。在本发明实施例中，实现配电变压器在有载方式进行调压处理，保证二次侧输出电压的稳定性，保证供电安全。

Description

一种配电变压器的有载在线调压方法及装置
技术领域
本发明涉及配电变压器技术领域，尤其涉及一种配电变压器的有载在线调压方法及装置。
背景技术
配电变压器在配电网中占有重要的地位，由于转换损耗的存在，在传输变电能的同时不断地消耗着电能；同时由于电网中发电与用电之间的不平衡，加上配电变压器距离变电站远近不同和时段性负荷波动影响，会造成供电电压波动和偏移，严重时甚至超过了允许电压范围，在传统的配电变压器中，调压大多数需要人工在现场进行调节，或者自动简单的根据二次侧是否小于或超过预设定制进行判断调节，在使用人工现场调节时将耗费大量的人力和物力，且不能满足实时调节的需求；根据二次侧电压参数进行简单判断调节时，容易导致误判，导致错误操作，导致配电网运行的不稳定。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种配电变压器的有载在线调压方法及装置，实现配电变压器在有载方式进行调压处理，保证二次侧输出电压的稳定性，保证供电安全。
为了解决上述技术问题，本发明实施例提供了一种配电变压器的有载在线调压方法，所述方法包括：
从云端服务器中获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；
根据所述历史样本数据中的二次侧电压数据和对应的基准电压数据进行是否需要调压的专家标注处理，形成待学习样本数据；
基于大数据分析处理的方式对所述待学习样本数据进行样本数据预处理，获得预处理的待学习样本数据；
利用贝叶斯先验概率模型对预处理的待学习样本数据进行学习更新处理，形成更新的贝叶斯先验概率模型；
基于更新后的贝叶斯先验概率模型对预设时间段内的调压概率进行预测处理，获得预测调压概率数据；
基于所述预测调压概率数据和所述配电变压器在预设时间段内的实时二次侧电压数据进行有载在线调压处理。
可选的，所述从云端服务器中获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据，包括：
在所述云端服务器中按照用户以天为单位设置的数据提取需求进行配电变压器在一段历史时间内的数据的提取处理，获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；所述一段历史时间为一个月或半年或一年。
可选的，所述根据所述历史样本数据中的二次侧电压数据和对应的基准电压数据进行是否需要调压的专家标注处理，形成待学习样本数据，包括：
在所述历史样本数据中对每一天的二次侧电压数据和对应的基准电压数据按照间隔时间段进行划分，获得各个间隔时间段对应的二次侧电压数据和对应的基准电压数据，所述间隔时间段为1小时，将每天的数据划分为24个间隔时间段；
计算每个间隔时间段内的二次侧电压数据和对应的基准电压数据的电压变化率；
基于所述电压变化率对每个间隔时间段内的二次侧电压数据和对应的基准电压数据进行专家标注处理，形成待学习样本数据。
可选的，所述基于所述电压变化率对每个间隔时间段内的二次侧电压数据和对应的基准电压数据进行专家标注处理，包括：
在所述电压变化率向上超过预设变化率时，则对对应时间段内的二次侧电压数据和对应的基准电压数据进行向上调压的专家标注处理；或，在所述电压变化率向下超过预设变化率时，则对对应时间段内的二次侧电压数据和对应的基准电压数据进行向下调压的专家标注处理；
在完成专家标注处理后，形成待学习样本数据。
可选的，所述基于大数据分析处理的方式对所述待学习样本数据进行样本数据预处理，获得预处理的待学习样本数据，包括：
基于大数据爬虫算法在互联网中爬取所述待学习样本数据中对应的每个间隔时间段的天气温度数据；
利用是否为节假日及对应的每个间隔时间段的天气温度数据对所述待学习样本数据进行样本数据的情景添加预处理处理，获得预处理的待学习样本数据。
可选的，所述贝叶斯先验概率模型为基于贝叶斯法则和所述配电变压器的先验样本数据构建获得的模型。
可选的，所述利用贝叶斯先验概率模型对预处理的待学习样本数据进行学习更新处理，形成更新的贝叶斯先验概率模型，包括：
利用所述贝叶斯先验概率模型对所述对预处理的待学习样本数据进行学习处理，获得学习结果；
基于所述学习结果对所述贝叶斯先验概率模型进行更新处理，形成更新的贝叶斯先验概率模型。
可选的，所述基于更新后的贝叶斯先验概率模型对预设时间段内的调压概率进行预测处理，包括：
获得预设时间段内的天气温度数据和是否为节假日，并基于预设时间段内的天气温度数据和是否为节假日对所述预设时间段进行标记处理，获得标记预测时间段；
基于所述标记预测时间段在所述更新后的贝叶斯先验概率模型进行调压概率预测处理。
可选的，所述基于所述预测调压概率数据和所述配电变压器在预设时间段内的实时二次侧电压数据进行有载在线调压处理，包括：
在所述预测调压概率数据大于等于预设概率数据时，若所述配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率大于预设变化率，则立即进行有载在线调压处理；
在所述预测调压概率数据小于预设概率数据时，若所述配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率大于预设变化率并且持续时间超过预设时间，则进行有载在线调压处理。
另外，本发明实施例还提供了一种配电变压器的有载在线调压装置，所述装置包括：
数据获得模块：用于从云端服务器中获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；
数据标注模块：用于根据所述历史样本数据中的二次侧电压数据和对应的基准电压数据进行是否需要调压的专家标注处理，形成待学习样本数据；
数据预处理模块：用于基于大数据分析处理的方式对所述待学习样本数据进行样本数据预处理，获得预处理的待学习样本数据；
学习更新模块：用于利用贝叶斯先验概率模型对预处理的待学习样本数据进行学习更新处理，形成更新的贝叶斯先验概率模型；
预测模块：用于基于更新后的贝叶斯先验概率模型对预设时间段内的调压概率进行预测处理，获得预测调压概率数据；
在线调压模块：用于基于所述预测调压概率数据和所述配电变压器在预设时间段内的实时二次侧电压数据进行有载在线调压处理。
在本发明实施例中，无需人工到配电变压器现场进行人工调压，这样可以大大降低人工成本；同时，使用贝叶斯先验概率模型来预测下一个时间段内的需要进行调压的概率数据，同时根据二次侧的实时电压来确定是否进行相应的调压动作，这样将大大的提高调压的准确度，并且大大的降低操作失误的概率，从而实现配电变压器在有载方式进行调压处理，保证二次侧输出电压的稳定性，保证供电安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，显而易见的，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的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的配电变压器的有载在线调压方法的流程示意图；
图2是本发明实施例中的配电变压器的有载在线调压装置的结构组成示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，图1是本发明实施例中的配电变压器的有载在线调压方法的流程示意图。
如图1所示，一种配电变压器的有载在线调压方法，所述方法包括：
S11：从云端服务器中获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；
在本发明具体实施过程中，所述从云端服务器中获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据，包括：在所述云端服务器中按照用户以天为单位设置的数据提取需求进行配电变压器在一段历史时间内的数据的提取处理，获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；所述一段历史时间为一个月或半年或一年。
具体的，在云端服务器中按照用户以天为单位设置的数据提取需求进行配电变压器在一段历史时间内的数据的提取处理，从而得到配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；并且该一段历史时间为一个月或半年或一年。
S12：根据所述历史样本数据中的二次侧电压数据和对应的基准电压数据进行是否需要调压的专家标注处理，形成待学习样本数据；
在本发明具体实施过程中，所述根据所述历史样本数据中的二次侧电压数据和对应的基准电压数据进行是否需要调压的专家标注处理，形成待学习样本数据，包括：在所述历史样本数据中对每一天的二次侧电压数据和对应的基准电压数据按照间隔时间段进行划分，获得各个间隔时间段对应的二次侧电压数据和对应的基准电压数据，所述间隔时间段为1小时，将每天的数据划分为24个间隔时间段；计算每个间隔时间段内的二次侧电压数据和对应的基准电压数据的电压变化率；基于所述电压变化率对每个间隔时间段内的二次侧电压数据和对应的基准电压数据进行专家标注处理，形成待学习样本数据。
进一步的，所述基于所述电压变化率对每个间隔时间段内的二次侧电压数据和对应的基准电压数据进行专家标注处理，包括：在所述电压变化率向上超过预设变化率时，则对对应时间段内的二次侧电压数据和对应的基准电压数据进行向上调压的专家标注处理；或，在所述电压变化率向下超过预设变化率时，则对对应时间段内的二次侧电压数据和对应的基准电压数据进行向下调压的专家标注处理；在完成专家标注处理后，形成待学习样本数据。
具体的，在这些历史样本数据中对每一天的二次侧电压数据和对应的基准电压数据按照间隔时间段进行划分，并获得各个间隔时间段对应的二次侧电压数据和对应的基准电压数据，在本申请中，间隔时间段为1小时，因此，将每一天的数据划分为24个间隔时间段；在间隔时间段为2小时时，即可将每一天的数据划分为12个间隔时间段；然后计算每个间隔时间段内的二次侧电压数据和对应的基准电压数据的电压变化率；并且根据电压变化率对每个间隔时间段内的二次侧电压数据和对应的基准电压数据进行专家标注处理，从而形成待学习样本数据。
在进行专家标注处理时，首先判断电压变化率向上超过预设变化率还是向下超过预设变化率；在电压变化率向上超过预设变化率时，则对对应时间段内的二次侧电压数据和对应的基准电压数据进行向上调压的专家标注处理；在该电压变化率向下超过预设变化率时，则对对应时间段内的二次侧电压数据和对应的基准电压数据进行向下调压的专家标注处理；在完成专家标注处理后，即可形成待学习样本数据。
S13：基于大数据分析处理的方式对所述待学习样本数据进行样本数据预处理，获得预处理的待学习样本数据；
在本发明具体实施过程中，所述基于大数据分析处理的方式对所述待学习样本数据进行样本数据预处理，获得预处理的待学习样本数据，包括：基于大数据爬虫算法在互联网中爬取所述待学习样本数据中对应的每个间隔时间段的天气温度数据；利用是否为节假日及对应的每个间隔时间段的天气温度数据对所述待学习样本数据进行样本数据的情景添加预处理处理，获得预处理的待学习样本数据。
具体的，通过大数据爬虫算法在互联网中爬行该待学习样本数据中所对应的每个间隔时间段的天气温度数据，由于不同的天气温度数据，对于用户的用电可能存在较大的差异，用电需求有所不一样；在利用是否为节假日(包括周末)及对应的每个间隔时间段的天气温度数据对待学习样本数据进行样本数据的情景添加预处理处理，即可得到预处理的待学习样本数据。
S14：利用贝叶斯先验概率模型对预处理的待学习样本数据进行学习更新处理，形成更新的贝叶斯先验概率模型；
在本发明具体实施过程中，所述贝叶斯先验概率模型为基于贝叶斯法则和所述配电变压器的先验样本数据构建获得的模型。
进一步的，所述利用贝叶斯先验概率模型对预处理的待学习样本数据进行学习更新处理，形成更新的贝叶斯先验概率模型，包括：利用所述贝叶斯先验概率模型对所述对预处理的待学习样本数据进行学习处理，获得学习结果；基于所述学习结果对所述贝叶斯先验概率模型进行更新处理，形成更新的贝叶斯先验概率模型。
具体的，该贝叶斯先验概率模型是通过贝叶斯法则和该配电变压器的先验样本数据来构建获得的；该配电变压器的先验样本数据为该配电变压器开始运行时所产生的历史数据，然后提取处理，并进行相应的标注和添加对应的天气温度数据和是否节假日数据，然后形成的先验样本数据。
利用该贝叶斯先验该扣模型来对该预处理的待学习样本数据进行学习处理，即可得到学习结果；然后在利用该学习结果来对该贝叶斯先验概率模型来进行更新处理，即可得到更新的贝叶斯先验概率模型。
S15：基于更新后的贝叶斯先验概率模型对预设时间段内的调压概率进行预测处理，获得预测调压概率数据；
在本发明具体实施过程中，所述基于更新后的贝叶斯先验概率模型对预设时间段内的调压概率进行预测处理，包括：获得预设时间段内的天气温度数据和是否为节假日，并基于预设时间段内的天气温度数据和是否为节假日对所述预设时间段进行标记处理，获得标记预测时间段；基于所述标记预测时间段在所述更新后的贝叶斯先验概率模型进行调压概率预测处理。
具体的，通过获得预设时间段内的天气温度数据和是否为节假日，然后利用预设时间段内的天气温度数据和是否为节假日来对该预设时间段进行标记处理，即可得到标记预测时间段；最后根据标记预测时间段在该更新后的贝叶斯先验概率模型中进行调压概率预测处理，即可得到该预设时间段内需要进行调压的预测调压概率数据。
S16：基于所述预测调压概率数据和所述配电变压器在预设时间段内的实时二次侧电压数据进行有载在线调压处理。
在本发明具体实施过程中，所述基于所述预测调压概率数据和所述配电变压器在预设时间段内的实时二次侧电压数据进行有载在线调压处理，包括：在所述预测调压概率数据大于等于预设概率数据时，若所述配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率大于预设变化率，则立即进行有载在线调压处理；在所述预测调压概率数据小于预设概率数据时，若所述配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率大于预设变化率并且持续时间超过预设时间，则进行有载在线调压处理。
具体的，在进行有载在线调压时，需要根据预测调压概率数据和配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率来决定的；在预测调压概率数据大于等于预设概率数据时，这时候，若配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率大于预设变化率，则立即进行有载在线调压处理；在预测调压概率数据小于预设概率数据时，若配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率大于预设变化率并且持续时间超过预设时间，才需要进行有载在线调压处理；这样可以有效的减少因为短暂的电压波动而导致的仓促进行在线调压处理，有效的保证了配电变压器输出的电压稳定性。
在本发明实施例中，无需人工到配电变压器现场进行人工调压，这样可以大大降低人工成本；同时，使用贝叶斯先验概率模型来预测下一个时间段内的需要进行调压的概率数据，同时根据二次侧的实时电压来确定是否进行相应的调压动作，这样将大大的提高调压的准确度，并且大大的降低操作失误的概率，从而实现配电变压器在有载方式进行调压处理，保证二次侧输出电压的稳定性，保证供电安全。
实施例二
请参阅图2，图2是本发明实施例中的配电变压器的有载在线调压装置的结构组成示意图。
如图2所示，一种配电变压器的有载在线调压装置，所述装置包括：
数据获得模块21：用于从云端服务器中获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；
在本发明具体实施过程中，所述从云端服务器中获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据，包括：在所述云端服务器中按照用户以天为单位设置的数据提取需求进行配电变压器在一段历史时间内的数据的提取处理，获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；所述一段历史时间为一个月或半年或一年。
具体的，在云端服务器中按照用户以天为单位设置的数据提取需求进行配电变压器在一段历史时间内的数据的提取处理，从而得到配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；并且该一段历史时间为一个月或半年或一年。
数据标注模块22：用于根据所述历史样本数据中的二次侧电压数据和对应的基准电压数据进行是否需要调压的专家标注处理，形成待学习样本数据；
在本发明具体实施过程中，所述根据所述历史样本数据中的二次侧电压数据和对应的基准电压数据进行是否需要调压的专家标注处理，形成待学习样本数据，包括：在所述历史样本数据中对每一天的二次侧电压数据和对应的基准电压数据按照间隔时间段进行划分，获得各个间隔时间段对应的二次侧电压数据和对应的基准电压数据，所述间隔时间段为1小时，将每天的数据划分为24个间隔时间段；计算每个间隔时间段内的二次侧电压数据和对应的基准电压数据的电压变化率；基于所述电压变化率对每个间隔时间段内的二次侧电压数据和对应的基准电压数据进行专家标注处理，形成待学习样本数据。
进一步的，所述基于所述电压变化率对每个间隔时间段内的二次侧电压数据和对应的基准电压数据进行专家标注处理，包括：在所述电压变化率向上超过预设变化率时，则对对应时间段内的二次侧电压数据和对应的基准电压数据进行向上调压的专家标注处理；或，在所述电压变化率向下超过预设变化率时，则对对应时间段内的二次侧电压数据和对应的基准电压数据进行向下调压的专家标注处理；在完成专家标注处理后，形成待学习样本数据。
具体的，在这些历史样本数据中对每一天的二次侧电压数据和对应的基准电压数据按照间隔时间段进行划分，并获得各个间隔时间段对应的二次侧电压数据和对应的基准电压数据，在本申请中，间隔时间段为1小时，因此，将每一天的数据划分为24个间隔时间段；在间隔时间段为2小时时，即可将每一天的数据划分为12个间隔时间段；然后计算每个间隔时间段内的二次侧电压数据和对应的基准电压数据的电压变化率；并且根据电压变化率对每个间隔时间段内的二次侧电压数据和对应的基准电压数据进行专家标注处理，从而形成待学习样本数据。
在进行专家标注处理时，首先判断电压变化率向上超过预设变化率还是向下超过预设变化率；在电压变化率向上超过预设变化率时，则对对应时间段内的二次侧电压数据和对应的基准电压数据进行向上调压的专家标注处理；在该电压变化率向下超过预设变化率时，则对对应时间段内的二次侧电压数据和对应的基准电压数据进行向下调压的专家标注处理；在完成专家标注处理后，即可形成待学习样本数据。
数据预处理模块23：用于基于大数据分析处理的方式对所述待学习样本数据进行样本数据预处理，获得预处理的待学习样本数据；
在本发明具体实施过程中，所述基于大数据分析处理的方式对所述待学习样本数据进行样本数据预处理，获得预处理的待学习样本数据，包括：基于大数据爬虫算法在互联网中爬取所述待学习样本数据中对应的每个间隔时间段的天气温度数据；利用是否为节假日及对应的每个间隔时间段的天气温度数据对所述待学习样本数据进行样本数据的情景添加预处理处理，获得预处理的待学习样本数据。
具体的，通过大数据爬虫算法在互联网中爬行该待学习样本数据中所对应的每个间隔时间段的天气温度数据，由于不同的天气温度数据，对于用户的用电可能存在较大的差异，用电需求有所不一样；在利用是否为节假日(包括周末)及对应的每个间隔时间段的天气温度数据对待学习样本数据进行样本数据的情景添加预处理处理，即可得到预处理的待学习样本数据。
学习更新模块24：用于利用贝叶斯先验概率模型对预处理的待学习样本数据进行学习更新处理，形成更新的贝叶斯先验概率模型；
在本发明具体实施过程中，所述贝叶斯先验概率模型为基于贝叶斯法则和所述配电变压器的先验样本数据构建获得的模型。
进一步的，所述利用贝叶斯先验概率模型对预处理的待学习样本数据进行学习更新处理，形成更新的贝叶斯先验概率模型，包括：利用所述贝叶斯先验概率模型对所述对预处理的待学习样本数据进行学习处理，获得学习结果；基于所述学习结果对所述贝叶斯先验概率模型进行更新处理，形成更新的贝叶斯先验概率模型。
具体的，该贝叶斯先验概率模型是通过贝叶斯法则和该配电变压器的先验样本数据来构建获得的；该配电变压器的先验样本数据为该配电变压器开始运行时所产生的历史数据，然后提取处理，并进行相应的标注和添加对应的天气温度数据和是否节假日数据，然后形成的先验样本数据。
利用该贝叶斯先验该扣模型来对该预处理的待学习样本数据进行学习处理，即可得到学习结果；然后在利用该学习结果来对该贝叶斯先验概率模型来进行更新处理，即可得到更新的贝叶斯先验概率模型。
预测模块25：用于基于更新后的贝叶斯先验概率模型对预设时间段内的调压概率进行预测处理，获得预测调压概率数据；
在本发明具体实施过程中，所述基于更新后的贝叶斯先验概率模型对预设时间段内的调压概率进行预测处理，包括：获得预设时间段内的天气温度数据和是否为节假日，并基于预设时间段内的天气温度数据和是否为节假日对所述预设时间段进行标记处理，获得标记预测时间段；基于所述标记预测时间段在所述更新后的贝叶斯先验概率模型进行调压概率预测处理。
具体的，通过获得预设时间段内的天气温度数据和是否为节假日，然后利用预设时间段内的天气温度数据和是否为节假日来对该预设时间段进行标记处理，即可得到标记预测时间段；最后根据标记预测时间段在该更新后的贝叶斯先验概率模型中进行调压概率预测处理，即可得到该预设时间段内需要进行调压的预测调压概率数据。
在线调压模块26：用于基于所述预测调压概率数据和所述配电变压器在预设时间段内的实时二次侧电压数据进行有载在线调压处理。
在本发明具体实施过程中，所述基于所述预测调压概率数据和所述配电变压器在预设时间段内的实时二次侧电压数据进行有载在线调压处理，包括：在所述预测调压概率数据大于等于预设概率数据时，若所述配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率大于预设变化率，则立即进行有载在线调压处理；在所述预测调压概率数据小于预设概率数据时，若所述配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率大于预设变化率并且持续时间超过预设时间，则进行有载在线调压处理。
具体的，在进行有载在线调压时，需要根据预测调压概率数据和配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率来决定的；在预测调压概率数据大于等于预设概率数据时，这时候，若配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率大于预设变化率，则立即进行有载在线调压处理；在预测调压概率数据小于预设概率数据时，若配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率大于预设变化率并且持续时间超过预设时间，才需要进行有载在线调压处理；这样可以有效的减少因为短暂的电压波动而导致的仓促进行在线调压处理，有效的保证了配电变压器输出的电压稳定性。
在本发明实施例中，无需人工到配电变压器现场进行人工调压，这样可以大大降低人工成本；同时，使用贝叶斯先验概率模型来预测下一个时间段内的需要进行调压的概率数据，同时根据二次侧的实时电压来确定是否进行相应的调压动作，这样将大大的提高调压的准确度，并且大大的降低操作失误的概率，从而实现配电变压器在有载方式进行调压处理，保证二次侧输出电压的稳定性，保证供电安全。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种配电变压器的有载在线调压方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种配电变压器的有载在线调压方法，其特征在于，所述方法包括：
从云端服务器中获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；
根据所述历史样本数据中的二次侧电压数据和对应的基准电压数据进行是否需要调压的专家标注处理，形成待学习样本数据；
基于大数据分析处理的方式对所述待学习样本数据进行样本数据预处理，获得预处理的待学习样本数据；
利用贝叶斯先验概率模型对预处理的待学习样本数据进行学习更新处理，形成更新的贝叶斯先验概率模型；
基于更新后的贝叶斯先验概率模型对预设时间段内的调压概率进行预测处理，获得预测调压概率数据；
基于所述预测调压概率数据和所述配电变压器在预设时间段内的实时二次侧电压数据进行有载在线调压处理。
2.根据权利要求1所述的有载在线调压方法，其特征在于，所述从云端服务器中获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据，包括：
在所述云端服务器中按照用户以天为单位设置的数据提取需求进行配电变压器在一段历史时间内的数据的提取处理，获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；所述一段历史时间为一个月或半年或一年。
3.根据权利要求1所述的有载在线调压方法，其特征在于，所述根据所述历史样本数据中的二次侧电压数据和对应的基准电压数据进行是否需要调压的专家标注处理，形成待学习样本数据，包括：
在所述历史样本数据中对每一天的二次侧电压数据和对应的基准电压数据按照间隔时间段进行划分，获得各个间隔时间段对应的二次侧电压数据和对应的基准电压数据，所述间隔时间段为1小时，将每天的数据划分为24个间隔时间段；
计算每个间隔时间段内的二次侧电压数据和对应的基准电压数据的电压变化率；
基于所述电压变化率对每个间隔时间段内的二次侧电压数据和对应的基准电压数据进行专家标注处理，形成待学习样本数据。
4.根据权利要求3所述的有载在线调压方法，其特征在于，所述基于所述电压变化率对每个间隔时间段内的二次侧电压数据和对应的基准电压数据进行专家标注处理，包括：
在所述电压变化率向上超过预设变化率时，则对对应时间段内的二次侧电压数据和对应的基准电压数据进行向上调压的专家标注处理；或，在所述电压变化率向下超过预设变化率时，则对对应时间段内的二次侧电压数据和对应的基准电压数据进行向下调压的专家标注处理；
在完成专家标注处理后，形成待学习样本数据。
5.根据权利要求1所述的有载在线调压方法，其特征在于，所述基于大数据分析处理的方式对所述待学习样本数据进行样本数据预处理，获得预处理的待学习样本数据，包括：
基于大数据爬虫算法在互联网中爬取所述待学习样本数据中对应的每个间隔时间段的天气温度数据；
利用是否为节假日及对应的每个间隔时间段的天气温度数据对所述待学习样本数据进行样本数据的情景添加预处理处理，获得预处理的待学习样本数据。
6.根据权利要求1所述的有载在线调压方法，其特征在于，所述贝叶斯先验概率模型为基于贝叶斯法则和所述配电变压器的先验样本数据构建获得的模型。
7.根据权利要求1所述的有载在线调压方法，其特征在于，所述利用贝叶斯先验概率模型对预处理的待学习样本数据进行学习更新处理，形成更新的贝叶斯先验概率模型，包括：
利用所述贝叶斯先验概率模型对所述对预处理的待学习样本数据进行学习处理，获得学习结果；
基于所述学习结果对所述贝叶斯先验概率模型进行更新处理，形成更新的贝叶斯先验概率模型。
8.根据权利要求1所述的有载在线调压方法，其特征在于，所述基于更新后的贝叶斯先验概率模型对预设时间段内的调压概率进行预测处理，包括：
获得预设时间段内的天气温度数据和是否为节假日，并基于预设时间段内的天气温度数据和是否为节假日对所述预设时间段进行标记处理，获得标记预测时间段；
基于所述标记预测时间段在所述更新后的贝叶斯先验概率模型进行调压概率预测处理。
9.根据权利要求1所述的有载在线调压方法，其特征在于，所述基于所述预测调压概率数据和所述配电变压器在预设时间段内的实时二次侧电压数据进行有载在线调压处理，包括：
在所述预测调压概率数据大于等于预设概率数据时，若所述配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率大于预设变化率，则立即进行有载在线调压处理；
在所述预测调压概率数据小于预设概率数据时，若所述配电变压器在预设时间段内的实时二次侧电压数据与对应的基准电压比较的变化率大于预设变化率并且持续时间超过预设时间，则进行有载在线调压处理。
10.一种配电变压器的有载在线调压装置，其特征在于，所述装置包括：
数据获得模块：用于从云端服务器中获得配电变压器的一段历史时间内的二次侧电压数据和对应的基准电压数据作为历史样本数据；
数据标注模块：用于根据所述历史样本数据中的二次侧电压数据和对应的基准电压数据进行是否需要调压的专家标注处理，形成待学习样本数据；
数据预处理模块：用于基于大数据分析处理的方式对所述待学习样本数据进行样本数据预处理，获得预处理的待学习样本数据；
学习更新模块：用于利用贝叶斯先验概率模型对预处理的待学习样本数据进行学习更新处理，形成更新的贝叶斯先验概率模型；
预测模块：用于基于更新后的贝叶斯先验概率模型对预设时间段内的调压概率进行预测处理，获得预测调压概率数据；
在线调压模块：用于基于所述预测调压概率数据和所述配电变压器在预设时间段内的实时二次侧电压数据进行有载在线调压处理。
CN202310085231.6A 2023-02-08 2023-02-08 一种配电变压器的有载在线调压方法及装置 Active CN116345536B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310085231.6A CN116345536B (zh) 2023-02-08 2023-02-08 一种配电变压器的有载在线调压方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310085231.6A CN116345536B (zh) 2023-02-08 2023-02-08 一种配电变压器的有载在线调压方法及装置

Publications (2)

Publication Number Publication Date
CN116345536A true CN116345536A (zh) 2023-06-27
CN116345536B CN116345536B (zh) 2024-02-02

Family

ID=86882998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310085231.6A Active CN116345536B (zh) 2023-02-08 2023-02-08 一种配电变压器的有载在线调压方法及装置

Country Status (1)

Country Link
CN (1) CN116345536B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105468823A (zh) * 2015-11-16 2016-04-06 广州广电运通金融电子股份有限公司 一种自助设备节能控制方法和装置
CN108037346A (zh) * 2017-12-19 2018-05-15 广州供电局有限公司 配电变压器及其调压变比的检测方法、系统和控制方法
CN112508261A (zh) * 2020-12-03 2021-03-16 广东电网有限责任公司 一种基于神经网络的配电变压器负荷分层预测方法及装置
CN115588993A (zh) * 2022-09-19 2023-01-10 广东电网有限责任公司佛山供电局 一种配电变压器的有载实时在线调容方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105468823A (zh) * 2015-11-16 2016-04-06 广州广电运通金融电子股份有限公司 一种自助设备节能控制方法和装置
CN108037346A (zh) * 2017-12-19 2018-05-15 广州供电局有限公司 配电变压器及其调压变比的检测方法、系统和控制方法
CN112508261A (zh) * 2020-12-03 2021-03-16 广东电网有限责任公司 一种基于神经网络的配电变压器负荷分层预测方法及装置
CN115588993A (zh) * 2022-09-19 2023-01-10 广东电网有限责任公司佛山供电局 一种配电变压器的有载实时在线调容方法及装置

Also Published As

Publication number Publication date
CN116345536B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
Scarabaggio et al. Distributed demand side management with stochastic wind power forecasting
CN110796307A (zh) 一种综合能源系统分布式负荷预测方法及系统
CN111144654A (zh) 一种基于物联网的园区能源管理配置方法及装置
CN115912351A (zh) 光伏日内日前模型预测方法、系统、设备及介质
CN115481918A (zh) 一种基于源网荷储的单元状态主动感知及预测分析系统
CN115965132A (zh) 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法
CN116308487A (zh) 一种基于多特征融合编码的电力需求负荷量预测方法
CN113837430B (zh) 基于云网边端一体化的综合能源负荷优化调度方法及系统
CN107134790B (zh) 一种基于大数据的配电网无功优化控制序列确定方法
CN107895211A (zh) 一种基于大数据的中长期电力负荷预测方法和系统
CN116345536B (zh) 一种配电变压器的有载在线调压方法及装置
CN113888202A (zh) 一种电价预测模型的训练方法及应用方法
CN114358504A (zh) 基于云边协同的综合能源微网优化调度方法与系统
CN113794279A (zh) 一种智能电网系统
CN109657874A (zh) 一种基于长短时记忆模型的电力中长期负荷预测方法
CN111177278A (zh) 一种网格用户短期负荷预测实时处理工具
CN115907393A (zh) 一种含长时储能虚拟电厂的多时间尺度调度方法
CN115965124A (zh) 一种台区电动汽车有序充电动态优化控制方法及系统
Long et al. Prophet-Based Medium and Long-Term Electricity Load Forecasting Research
US11687689B2 (en) Capacity forecasting
US20220083903A1 (en) Load forecasting
CN114611805A (zh) 一种净负荷预测方法、装置、电子设备及存储介质
CN112348235A (zh) 风光母线负荷自适应预测方法、装置、计算机设备
CN108599273B (zh) 一种基于人工智能的电网调控方法及装置
Zhou et al. Method of hydro-wind-solar complementary operations considering uncertainty of power prediction in New Energy

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