CN116467648A - 一种基于物联表的非线性台区电力故障的早期监测方法 - Google Patents
一种基于物联表的非线性台区电力故障的早期监测方法 Download PDFInfo
- Publication number
- CN116467648A CN116467648A CN202310434627.7A CN202310434627A CN116467648A CN 116467648 A CN116467648 A CN 116467648A CN 202310434627 A CN202310434627 A CN 202310434627A CN 116467648 A CN116467648 A CN 116467648A
- Authority
- CN
- China
- Prior art keywords
- data
- internet
- things
- power
- nonlinear
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 71
- 239000002245 particle Substances 0.000 claims abstract description 61
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000005611 electricity Effects 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000005612 types of electricity Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims 1
- 230000006872 improvement Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 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
- 230000035699 permeability Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/061—Details of electronic electricity meters
- G01R22/063—Details of electronic electricity meters related to remote communication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
Abstract
本发明属于电力设备技术领域,具体涉及一种基于物联表的非线性台区电力故障的早期监测方法及其应用。该早期监测方法如下步骤:S1:获取各电力用户产生的用电数据,区分出非线性负荷用户;S2:对用电数据进行归一化和人工标记;S3:构建多元数据特征库;S4:采用改进的自适应粒子群优化的SVM算法模型作为数据分类网络,并进行训练;S5:对数据分类网络进行验证;S6:将数据分类网络植入到物联表对用电数据进行识别;S7:识别出异常数据后上报至智能融合终端;S8:将历史数据与异常状态上传至台区控制中心;S9:台区控制中心对台区异常状态进行判断,并通知运维人员排查与处置。本发明可以及时发现非线性负荷用户并网引起的电网运行故障。
Description
技术领域
本发明属于电力设备技术领域,具体涉及一种基于物联表的非线性台区电力故障的早期监测方法、一种异常数据识别模块、一种靠近电表侧的非线性台区电力故障早期监测系统以及一种靠近主站侧的非线性台区电力故障早期监测系统。
背景技术
随着智能电网的发展,智能物联表已经逐渐普及应用,智能物联表具备传统电能表的计量功能,还具有数据处理、监测、控制、感知、交互和路由功能。非常适合适应物联网需求,为智能电网实现远程抄表、远程监控奠定了基础。智能物联电能表作为智能电网的基石,同时又作为新型电力系统建设的关键终端产品之一,对于智能电网实现“信息化、自动化、互动化”具有重要支撑作用,物联表的研发落地能够极大的提升智能电网的建设与调节能力。
在新型电力系统和能源互联网建设的背景下,电网的运行过程正遭遇两大新变化的冲击。一方面出现在供给端,风电、太阳能为主的清洁能源的并网渗透率正在不断提升,这意味着电力系统需要接纳更多的波动性电源。另一方面出现在需求端,随着电动汽车对汽车市场的不断渗透,以及更多样化的智能家电的普及,电力的需求在时间和空间上出现更加严重分布不均现象。这些对电网的供应和需求具有显著影响的新型电力用户被称为非线性负荷用户;随着越来越多的非线性负荷用户并入电网后产生大量的谐波,可能会引起电压和电流产生畸变,严重影响电网供电质量和电网运行的安全。在这种新背景下,如何有效监测非线性负荷用户的运行状态,更早的发现电网出现的电力异常,在发生故障或造成损失前及时进行处置,已成为本领域技术人员面临的新考验。
发明内容
为了降低非线性负荷用户并网对电网运行稳定性和安全性造成的影响,本发明提供一种基于物联表的非线性台区电力故障的早期监测方法、一种异常数据识别模块、一种靠近电表侧的非线性台区电力故障早期监测系统以及一种靠近主站侧的非线性台区电力故障早期监测系统。
本发明采用以下技术方案实现:
一种基于物联表的非线性台区电力故障的早期监测方法,其用于根据电力用户节点中安装的物联表采集到的计量数据,对包含典型非线性负荷用户的电力台区出现的故障进行早期识别与处置。该非线性台区电力故障的早期监测方法如下步骤:
S1:获取物联表计量芯采集的台区内各电力用户产生的用电数据,同时根据电能含量占比区分其中包含的非线性负荷用户。
S2:对非线性负荷用户产生的用电数据进行归一化处理,并人工对正常数据和异常数据进行标记得到所需的特征序列。
S3:构建包含正常数据和异常数据的多元数据特征库,并按照预设的比例划分为训练集和测试集。
S4:采用改进的自适应粒子群优化的SVM算法模型作为数据分类网络,并利用训练集对数据分类网络进行训练,求解全局最优个体的目标函数值。
S5:利用测试集对训练后的数据分类网络进行验证,直到数据分类网络识别出多元数据特征库中的所有异常数据。
S6:将上步骤的数据分类网络通过嵌入式模块植入到非线性负荷用户对应节点安装的物联表中,用于对物联表计量芯采集的用电数据进行识别。
S7:任意一个物联表监测并识别出异常数据后,生成一个异常状态标志并上报至智能融合终端。
S8:智能融合终端在接收到台区内任意一个物联表上传的异常状态标志后,提取对应物联表的历史数据,将历史数据与异常状态标志同步上传至台区控制中心的服务器。
S9:台区控制中心根据台区内各个物联表上传的状态标志和历史数据对台区异常状态进行初步判断,并在必要时派遣运维人员进行现场排查与处置。
作为本发明进一步的改进,步骤S1中,典型的非线性负荷用户包括:分布式光伏电站、电动汽车充电站、制造业工厂、商业楼宇,以及居民集中充电站。物联表计量芯采集到的用电数据的类型包括三相电压值U、三相电流值I、日负荷功率W。
作为本发明进一步的改进,步骤S2中,电压、电流、日负荷功率数据经归一化处理后的取值范围均在[0,1]之间,采用的归一化处理的表达式为:
上式中,max|V|、max|I|、max|w|分别为物联表计量芯采集到的电压、电流、日负荷功率在正常状态的历史最大值的绝对值;Vn、In、Wn分别为物联表计量芯第n个采样时刻的电压、电流、日负荷功率值;vn、in、wn分别为第n个采样时刻归一化后的电压、电流、日负荷功率值。
作为本发明进一步的改进,步骤S3中,多元数据特征库划分出的训练集和测试集的数据量为6:4。
作为本发明进一步的改进,步骤S4中的数据分类网络在训练阶段采用自适应粒子群优化算法辅助支持向量机进行参数寻优,其寻优参数主要包括惩罚参数C、核参数σ2以及损失函数。数据分类网络的初始化参数包括惯性因子ω,学习因子C1、C2以及粒子位置初始值,表达公式为:
上式中,k为粒子迭代次数,d=1,2,…,D表示空间维数;i=1,2,…,N表示种群粒子数;R1、R2表示[0,1]范围内的随机值;c1和c2为学习因子,分别调节向pb和gb方向飞行的步长;pb为粒子个体最优位置;gb为全局最优位置;为粒子i第k次迭代时在d维空间的位置;/>为粒子i第k+1次迭代时在d维度上的速度。
作为本发明进一步的改进,在数据分类网络的训练阶段,自适应粒子群优化算法的参数寻优过程如下:
S01:引入精英反向学习策略初始化种群的个体质量,进而提高对粒子群算法的全局收敛速度以及解的质量;精英反向学习策略的表达式为:
S2=rand(ub-lb)-S1
上式中,rand为随机数,ub为自变量取值上限,lb为自变量取值下限;S1表示初始粒子种群;S2表示反向粒子种群。
S02:用initialization函数产生一个初始种群,再生成它的反向种群,然后合并两个种群。
S03:求解种群中每个粒子个体对应的适应度值,将适应度值从小到大进行排序,选择排名在前1/2的解作为初始种群。
S04:将粒子中的最好的适应度值作为全局最优值。
S05:根据不同阶段对收敛性的不同要求,应用多项式变异策略,以相邻两次迭代的最优解集得到的世代距离作为自适应变异规模调整机制的参考指标,分阶段进行变异操作。
S06:将每个粒子的适应度值与历史最优进行比较,如果较好,则进行替换。
S07:将每个粒子的适应度值与历史全局最优进行比较,如果较好,则进行替换;
S08:循环执行步骤S03-S07的步骤直到达到预设的终止条件,然后将迭代得到的粒子最优解应用于SVM核参数进行优化。
作为本发明进一步的改进,在数据分类网络的训练阶段,为了实现更好的分类结果,支持向量机预测模型采用MSE均方误差作为性能评估函数,其表达式为:
其中,n表示数据样本的数量,yi表示样本的真实值,表示样本的预测值,若均方误差的取值越小,则表示预测精度和可靠度越好。
本发明还包括一种异常数据识别模块,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时,构建出一个如前述的基于物联表的非线性台区电力故障的早期监测方法中的数据分类网络。
本发明还包括一种靠近电表侧的非线性台区电力故障早期监测系统,其用于对包含非线性负荷用户的台区的运行状态进行监测,及时发现台区运行过程中的早期故障。该型靠近电表侧的非线性台区电力故障早期监测系统包括:物联表、数据分类模块、智能融合终端,以及主站服务器。
其中,物联表安装在台区内的每个电力节点中,每个物联表中包含一个用于对各个电力用户的用电数据进行计量的计量芯,物联表对采集的计量结果进行存储和上报。
数据分类模块采用如前述的异常数据识别模块,数据分类模块嵌入式安装在台区内各个非线性负荷用户对应的电力节点中的物联表内。数据分类模块用于对物联表采集的计量数据进行数据识别,并在识别出异常数据时生成一个对应的异常状态标志。
智能融合终端与台区内的所有物联表通信连接,用于获取各个物联表采集到计量数据和状态数据,并上报至台区控制中心的主站服务器。智能融合终端还用于在接收到台区内任意一个物联表上传的异常状态标志后,提取对应物联表的历史数据,将历史数据与异常状态标志同步上传至主站服务器。
主站服务器用于获取不同台区的智能融合终端上传的各个物联表的计量数据和状态数据,并对数据进行统计和分析。主站服务器中还运行有一个故障分析工具,故障分析工具用于根据上报异常状态标志的各个物联表的历史数据,计算出台区现场可能发生的各类故障状态的预测概率;主站服务器根据故障分析工具的预测结果并向指定的运维人员下达运维指令。
本发明还包括一种靠近主站侧的非线性台区电力故障早期监测系统,其用于对包含非线性负荷用户的台区的运行状态进行监测,及时发现台区运行过程中的早期故障。靠近主站侧的非线性台区电力故障早期监测系统包括:物联表、智能融合终端,以及主站服务器。
物联表安装在台区内的每个电力节点中,每个物联表中包含一个用于对各个电力用户的用电数据进行计量的计量芯,物联表对采集的计量结果进行存储和上报。
智能融合终端与台区内的所有物联表通信连接,用于获取各个物联表采集到计量数据和状态数据,并上报至一个台区控制中心的主站服务器。
主站服务器用于获取不同台区的智能融合终端上传的各个物联表的计量数据和状态数据,并对数据进行统计和分析。主站服务器中运行有一个数据分类模块和一个故障分析工具,数据分类模块采用如前述的异常数据分类网络,并用于对物联表采集到的计量数据进行数据识别。数据分类模型在识别出异常数据时生成一个对应的异常状态标志;故障分析工具用于根据获取到的异常状态标志查询各个物联表的历史数据,进而计算出台区现场可能发生的各类故障状态的预测概率。主站服务器根据故障分析工具的预测结果并向指定的运维人员下达运维指令。
本发明提供的技术方案,具有如下有益效果:
本发明设计的基于物联表的非线性台区电力故障的早期监测方法可以对非线性负荷用户并网后产生的多元电力数据进行实时监测和处理,并利用设计出的基于粒子群优化SVM策略的数据分类网络对非线性负荷用户产生的电力数据进行分类,最终根据台区内不同用户的异常状态与数据对可能存在电力故障进行预测识别。
本发明设计出的基于粒子群优化SVM策略的数据分类网络可以有效利用物联表采集到的多元数据。并利用设计的网络模型架构和训练策略提高了网络模型的收敛速度,避免“跳入”局部最优。
本发明利用设计出数据分类网络可以在电表侧或主站侧对采集现场的运行数据进行实时监测,实现了智能物联表接线状态下的远程自识别,并极大的提高了对异常数据的识别效率,为实现电网运行故障的早期识别与处置奠定了基础。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中提供的一种基于物联表的非线性台区电力故障的早期监测方法的步骤流程图。
图2为本发明实施例1中设计的数据分类网络在训练阶段采用的训练策略的时序图。
图3为本发明实施例3中提供的一种靠近电表侧的非线性台区电力故障早期监测系统的系统架构图。
图4为本发明实施例4中提供的靠近主站侧的非线性台区电力故障早期监测系统的拓扑图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供一种基于物联表的非线性台区电力故障的早期监测方法,其用于根据电力用户节点中安装的物联表采集到的计量数据,对包含典型非线性负荷用户的电力台区出现的故障进行早期识别与处置。如图1所示,该非线性台区电力故障的早期监测方法如下步骤:
S1:获取物联表计量芯采集的台区内各电力用户产生的用电数据,同时根据电能含量占比区分其中包含的非线性负荷用户。典型的非线性负荷用户包括:分布式光伏电站、电动汽车充电站、制造业工厂、商业楼宇,以及居民集中充电站。
物联表计量芯采集到用电数据类型多样,具体应用于完成非线性台区电力故障的早期监测所需的用电数据的类型包括三相电压值U、三相电流值I、日负荷功率W。
S2:对非线性负荷用户产生的用电数据进行归一化处理,并人工对正常数据和异常数据进行标记得到所需的特征序列。
电压、电流、日负荷功率数据经归一化处理后的取值范围均在[0,1]之间,采用的归一化处理的表达式为:
上式中,max|V|、max|I|、max|w|分别为物联表计量芯采集到的电压、电流、日负荷功率在正常状态的历史最大值的绝对值;Vn、In、Wn分别为物联表计量芯第n个采样时刻的电压、电流、日负荷功率值;vn、in、wn分别为第n个采样时刻归一化后的电压、电流、日负荷功率值。
S3:构建包含正常数据和异常数据的多元数据特征库,并按照预设的比例划分为训练集和测试集。具体的,本实施例中按照6:4的比例划分训练集和测试集。
S4:采用改进的自适应粒子群优化的SVM算法模型作为数据分类网络,并利用训练集对数据分类网络进行训练,求解全局最优个体的目标函数值。
如图2所示,本实施例设计的数据分类网络在训练阶段采用自适应粒子群优化算法辅助支持向量机进行参数寻优,其寻优参数主要包括惩罚参数C、核参数σ2以及损失函数。数据分类网络的初始化参数包括惯性因子ω,学习因子C1、C2以及粒子位置初始值,表达公式为:
上式中,k为粒子迭代次数,d=1,2,…,D表示空间维数;i=1,2,…,N表示种群粒子数;R1、R2表示[0,1]范围内的随机值;c1和c2为学习因子,分别调节向pb和gb方向飞行的步长;pb为粒子个体最优位置;gb为全局最优位置;为粒子i第k次迭代时在d维空间的位置;/>为粒子i第k+1次迭代时在d维度上的速度。
在数据分类网络的训练阶段,自适应粒子群优化算法的参数寻优过程如下:
S01:引入精英反向学习策略初始化种群的个体质量,进而提高对粒子群算法的全局收敛速度以及解的质量;精英反向学习策略的表达式为:
S2=rand(ub-lb)-S1
上式中,rand为随机数,ub为自变量取值上限,lb为自变量取值下限;S1表示初始粒子种群;S2表示反向粒子种群。
S02:用initialization函数产生一个初始种群,再生成它的反向种群,然后合并两个种群。
S03:求解种群中每个粒子个体对应的适应度值,将适应度值从小到大进行排序,选择排名在前1/2的解作为初始种群。
S04:将粒子中的最好的适应度值作为全局最优值。
S05:根据不同阶段对收敛性的不同要求,应用多项式变异策略,以相邻两次迭代的最优解集得到的世代距离作为自适应变异规模调整机制的参考指标,分阶段进行变异操作。
S06:将每个粒子的适应度值与历史最优进行比较,如果较好,则进行替换。
S07:将每个粒子的适应度值与历史全局最优进行比较,如果较好,则进行替换;
S08:循环执行步骤S03-S07的步骤直到达到预设的终止条件,然后将迭代得到的粒子最优解应用于SVM核参数进行优化。
在数据分类网络的训练阶段,为了实现更好的分类结果,支持向量机预测模型采用MSE均方误差作为性能评估函数,其表达式为:
其中,n表示数据样本的数量,yi表示样本的真实值,表示样本的预测值,若均方误差的取值越小,则表示预测精度和可靠度越好。
S5:利用测试集对训练后的数据分类网络进行验证,直到数据分类网络识别出多元数据特征库中的所有异常数据。
S6:将上步骤的数据分类网络通过嵌入式模块植入到非线性负荷用户对应节点安装的物联表中,用于对物联表计量芯采集的用电数据进行识别。
S7:任意一个物联表监测并识别出异常数据后,生成一个异常状态标志并上报至智能融合终端。
S8:智能融合终端在接收到台区内任意一个物联表上传的异常状态标志后,提取对应物联表的历史数据,将历史数据与异常状态标志同步上传至台区控制中心的服务器。
S9:台区控制中心根据台区内各个物联表上传的状态标志和历史数据对台区异常状态进行初步判断,并在必要时派遣运维人员进行现场排查与处置。
本实施例提供的技术方案主要是利用物联表计量芯采集各个电力用户的历史用电数据,同时构建多元数据特征库,将获取的数据进行筛选并归一化为特征序列。然后利用多元数据特征库训练得到一个可以用于对数据进行分类得到网络模型。本实施例设计的网络模型主要通过在粒子群算法中引入精英反向学习策略初始化种群个体的位置、速度参数。再根据不同迭代阶段应用多项式变异策略,分阶段进行变异操作,获取全局最优粒子。最终将最优例子输入SVM分类器进行迭代求解,集中优化模型核参数,提高算法全局收敛速度。
本实施例将改进粒子群优化SVM策略训练出的算法模型作为最终的数据分类网络,进而将电表接线状态下各相电压和电流信息输入网络模型进行识别,网络模型将归一化的实时特征序列与多元数据特征库中的特征向量进行对比,在多元数据特征库中筛选出与特征序列相匹配的特征代码,从而准确预分辨出非线性负荷用户的实时用电数据是否出现异常。
各个用电的异常数据最终会归总到台区控制中心,台区控制中心根据不同节点的状态数据和历史计量数据识别出台区的可能存在的早期故障以及对应的故障类型。
实施例2
在实施例方案的基础上,本实施例进一步提供一种异常数据识别模块,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时,构建出一个如实施例1中基于物联表的非线性台区电力故障的早期监测方法中的数据分类网络。本实施例中运行特定计算机程序的异常数据识别模块本质上为一种可以执行特定数据处理任务的计算机设备。该计算机设备可以是能执行程序的嵌入式计算机设备或通用计算机设备。
本实施例中的通用计算机设备包括平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器、处理器。
本实施例中,存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器也可以是计算机设备的外部存储设备,例如该计算机设备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。当然,存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器通常用于存储安装于计算机设备的操作系统和各类应用软件等。此外,存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中,处理器用于运行存储器中存储的程序代码或者处理数据。
实施例3
在前述各实施例的基础上,本实施例进一步提供一种靠近电表侧的非线性台区电力故障早期监测系统,其用于对包含非线性负荷用户的台区的运行状态进行监测,及时发现台区运行过程中的早期故障。如图3所示,该型靠近电表侧的非线性台区电力故障早期监测系统包括:物联表、数据分类模块、智能融合终端,以及主站服务器。
其中,物联表安装在台区内的每个电力节点中,每个物联表中包含一个用于对各个电力用户的用电数据进行计量的计量芯,物联表对采集的计量结果进行存储和上报。
数据分类模块采用如实施例2的异常数据识别模块,数据分类模块嵌入式安装在台区内各个非线性负荷用户对应的电力节点中的物联表内。数据分类模块用于对物联表采集的计量数据进行数据识别,并在识别出异常数据时生成一个对应的异常状态标志。
智能融合终端与台区内的所有物联表通信连接,用于获取各个物联表采集到计量数据和状态数据,并上报至台区控制中心的主站服务器。智能融合终端还用于在接收到台区内任意一个物联表上传的异常状态标志后,提取对应物联表的历史数据,将历史数据与异常状态标志同步上传至主站服务器。
主站服务器用于获取不同台区的智能融合终端上传的各个物联表的计量数据和状态数据,并对数据进行统计和分析。主站服务器中还运行有一个故障分析工具,故障分析工具用于根据上报异常状态标志的各个物联表的历史数据,计算出台区现场可能发生的各类故障状态的预测概率;主站服务器根据故障分析工具的预测结果并向指定的运维人员下达运维指令。
实施例4
在实施例1和2的基础上,本实施例还提供了一种靠近主站侧的非线性台区电力故障早期监测系统,其用于对包含非线性负荷用户的台区的运行状态进行监测,及时发现台区运行过程中的早期故障。与实施例3不同,本实施例靠近主站侧的非线性台区电力故障早期监测系统包括:物联表、智能融合终端,以及主站服务器。
其中,物联表安装在台区内的每个电力节点中,每个物联表中包含一个用于对各个电力用户的用电数据进行计量的计量芯,物联表对采集的计量结果进行存储和上报。
智能融合终端与台区内的所有物联表通信连接,用于获取各个物联表采集到计量数据和状态数据,并上报至一个台区控制中心的主站服务器。
主站服务器用于获取不同台区的智能融合终端上传的各个物联表的计量数据和状态数据,并对数据进行统计和分析。主站服务器中运行有一个数据分类模块和一个故障分析工具,数据分类模块采用如前述的异常数据分类网络,并用于对物联表采集到的计量数据进行数据识别。数据分类模型在识别出异常数据时生成一个对应的异常状态标志;故障分析工具用于根据获取到的异常状态标志查询各个物联表的历史数据,进而计算出台区现场可能发生的各类故障状态的预测概率。主站服务器根据故障分析工具的预测结果并向指定的运维人员下达运维指令。
如图4所示,在实际应用过程,靠近主站侧的非线性台区电力故障早期监测系统包括数据识别模块软件和数据交互界面软件两部分组成。其中,数据交互界面软件的具体功能包括:定时接收采集到的物联表电压、电流以及日负荷功率等信息,利用大数据计算引擎进行数据筛选、数据清洗、数据集成、数据规约和数据转换,从而剔除噪声数据、冲突数据和缺失数据,保证数据的准确性、真实性、完整性。随后将非线性负荷用户的电力数据传递给数据分类模块并接收数据分类模块反馈回的数据中每块物联表的分析结果,将该分析结果整理、归纳后,展示在数据交互界面上,包括物联表的表号、数量,以及各个物联表的状态标志。同时,在任意物联表的状态标志为异常时,再将对应台区的物联表的状态数据和历史计量数据传递到故障分析工具,故障分析工具经过计算得到各类台区故障的预测概率;并在必要时下达相应的运维详单。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于物联表的非线性台区电力故障的早期监测方法,其特征在于,其用于根据电力用户节点中安装的物联表采集到的计量数据,对包含典型非线性负荷用户的电力台区出现的故障进行早期识别与处置;所述非线性台区电力故障的早期监测方法如下步骤:
S1:获取物联表计量芯采集的台区内各电力用户产生的用电数据,同时根据电能含量占比区分其中包含的非线性负荷用户;
S2:对非线性负荷用户产生的用电数据进行归一化处理,并人工对正常数据和异常数据进行标记得到所需的特征序列;
S3:构建包含正常数据和异常数据的多元数据特征库,并按照预设的比例划分为训练集和测试集;
S4:采用改进的自适应粒子群优化的SVM算法模型作为数据分类网络,并利用训练集对数据分类网络进行训练,求解全局最优个体的目标函数值;
S5:利用测试集对训练后的数据分类网络进行验证,直到数据分类网络识别出多元数据特征库中的所有异常数据;
S6:将上步骤的数据分类网络通过嵌入式模块植入到非线性负荷用户对应节点安装的物联表中,用于对物联表计量芯采集的用电数据进行识别;
S7:任意一个物联表监测并识别出异常数据后,生成一个异常状态标志并上报至智能融合终端;
S8:智能融合终端在接收到台区内任意一个物联表上传的异常状态标志后,提取对应物联表的历史数据,将历史数据与异常状态标志同步上传至台区控制中心的服务器;
S9:台区控制中心根据台区内各个物联表上传的状态标志和历史数据对台区异常状态进行初步判断,并在必要时派遣运维人员进行现场排查与处置。
2.如权利要求1所述的基于物联表的非线性台区电力故障的早期监测方法,其特征在于:步骤S1中,典型的非线性负荷用户包括:分布式光伏电站、电动汽车充电站、制造业工厂、商业楼宇、居民集中充电站;
物联表计量芯采集到的用电数据的类型包括三相电压值U、三相电流值I、日负荷功率W。
3.如权利要求2所述的基于物联表的非线性台区电力故障的早期监测方法,其特征在于:步骤S2中,电压、电流、日负荷功率数据经归一化处理后的取值范围均在[0,1]之间,采用的归一化处理的表达式为:
上式中,max|V|、max|I|、max|w|分别为物联表计量芯采集到的电压、电流、日负荷功率在正常状态的历史最大值的绝对值;Vn、In、Wn分别为物联表计量芯第n个采样时刻的电压、电流、日负荷功率值;vn、in、wn分别为第n个采样时刻归一化后的电压、电流、日负荷功率值。
4.如权利要求3所述的基于物联表的非线性台区电力故障的早期监测方法,其特征在于:步骤S3中,多元数据特征库划分出的训练集和测试集的数据量为6:4。
5.如权利要求1所述的基于物联表的非线性台区电力故障的早期监测方法,其特征在于:步骤S4中的数据分类网络在训练阶段采用自适应粒子群优化算法辅助支持向量机进行参数寻优,其寻优参数主要包括惩罚参数C、核参数σ2以及损失函数;数据分类网络的初始化参数包括惯性因子ω,学习因子C1、C2以及粒子位置初始值,表达公式为:
式中,k为粒子迭代次数,d=1,2,…,D表示空间维数;i=1,2,…,N表示种群粒子数;R1、R2表示[0,1]范围内的随机值;c1和c2为学习因子,分别调节向pb和gb方向飞行的步长;pb为粒子个体最优位置;gb为全局最优位置;为粒子i第k次迭代时在d维空间的位置;/>为粒子i第k+1次迭代时在d维度上的速度。
6.如权利要求5所述的基于物联表的非线性台区电力故障的早期监测方法,其特征在于:在数据分类网络的训练阶段,自适应粒子群优化算法的参数寻优过程如下:
S01:引入精英反向学习策略初始化种群的个体质量,进而提高对粒子群算法的全局收敛速度以及解的质量;精英反向学习策略的表达式为:
S2=rand(ub-lb)-S1
上式中,rand为随机数,ub为自变量取值上限,lb为自变量取值下限;S1表示初始粒子种群;S2表示反向粒子种群;
S02:用initialization函数产生一个初始种群,再生成它的反向种群,然后合并两个种群;
S03:求解种群中每个粒子个体对应的适应度值,将适应度值从小到大进行排序,选择排名在前1/2的解作为初始种群;
S04:将粒子中的最好的适应度值作为全局最优值;
S05:根据不同阶段对收敛性的不同要求,应用多项式变异策略,以相邻两次迭代的最优解集得到的世代距离作为自适应变异规模调整机制的参考指标,分阶段进行变异操作:
S06:将每个粒子的适应度值与历史最优进行比较,如果较好,则进行替换;
S07:将每个粒子的适应度值与历史全局最优进行比较,如果较好,则进行替换;
S08:循环执行步骤S03-S07的步骤直到达到预设的终止条件,然后将迭代得到的粒子最优解应用于SVM核参数进行优化。
7.如权利要求1所述的基于物联表的非线性台区电力故障的早期监测方法,其特征在于:在数据分类网络的训练阶段,为了实现更好的分类结果,支持向量机预测模型采用MSE均方误差作为性能评估函数,其表达式为:
其中,n表示数据样本的数量,yi表示样本的真实值,表示样本的预测值,若均方误差的取值越小,则表示预测精度和可靠度越好。
8.一种异常数据识别模块,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时,构建出一个如权利要求1-7中任意一项所述的基于物联表的非线性台区电力故障的早期监测方法中的数据分类网络。
9.一种靠近电表侧的非线性台区电力故障早期监测系统,其特征在于:用于对包含非线性负荷用户的台区的运行状态进行监测,及时发现台区运行过程中的早期故障;所述靠近电表侧的非线性台区电力故障早期监测系统包括:
物联表,其安装在台区内的每个电力节点中,每个物联表中包含一个用于对各个电力用户的用电数据进行计量的计量芯,所述物联表对采集的计量结果进行存储和上报;
数据分类模块,其采用如权利要求8所述的异常数据识别模块,所述数据分类模块嵌入式安装在台区内各个非线性负荷用户对应的电力节点中的物联表内,所述数据分类模块用于对物联表采集的计量数据进行数据识别,并在识别出异常数据时生成一个对应的异常状态标志;
智能融合终端,其与台区内的所有物联表通信连接,用于获取各个物联表采集到计量数据和状态数据,并上报至台区控制中心的主站服务器;所述智能融合终端还用于在接收到台区内任意一个物联表上传的异常状态标志后,提取对应物联表的历史数据,将历史数据与异常状态标志同步上传至所述主站服务器
主站服务器,其用于获取不同台区的智能融合终端上传的各个物联表的计量数据和状态数据,并对数据进行统计和分析;所述主站服务器中还运行有一个故障分析工具,所述故障分析工具用于根据上报异常状态标志的各个物联表的历史数据,计算出台区现场可能发生的各类故障状态的预测概率;所述主站服务器根据故障分析工具的预测结果并向指定的运维人员下达运维指令。
10.一种靠近主站侧的非线性台区电力故障早期监测系统,其用于对包含非线性负荷用户的台区的运行状态进行监测,及时发现台区运行过程中的早期故障;所述靠近主站侧的非线性台区电力故障早期监测系统包括:
物联表,其安装在台区内的每个电力节点中,每个物联表中包含一个用于对各个电力用户的用电数据进行计量的计量芯,所述物联表对采集的计量结果进行存储和上报;
智能融合终端,其与台区内的所有物联表通信连接,用于获取各个物联表采集到计量数据和状态数据,并上报至台区控制中心的主站服务器;
主站服务器,其用于获取不同台区的智能融合终端上传的各个物联表的计量数据和状态数据,并对数据进行统计和分析;所述主站服务器中运行有一个数据分类模块和一个故障分析工具,所述数据分类模块采用如权利要求8所述的异常数据分类网络,并用于对物联表采集到的计量数据进行数据识别,所述数据分类模型在识别出异常数据时生成一个对应的异常状态标志;所述故障分析工具用于根据获取到的异常状态标志查询各个物联表的历史数据,进而计算出台区现场可能发生的各类故障状态的预测概率;所述主站服务器根据故障分析工具的预测结果并向指定的运维人员下达运维指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310434627.7A CN116467648A (zh) | 2023-04-21 | 2023-04-21 | 一种基于物联表的非线性台区电力故障的早期监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310434627.7A CN116467648A (zh) | 2023-04-21 | 2023-04-21 | 一种基于物联表的非线性台区电力故障的早期监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116467648A true CN116467648A (zh) | 2023-07-21 |
Family
ID=87174958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310434627.7A Pending CN116467648A (zh) | 2023-04-21 | 2023-04-21 | 一种基于物联表的非线性台区电力故障的早期监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116467648A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197739A (zh) * | 2023-09-08 | 2023-12-08 | 江苏平熙智能电子科技有限公司 | 一种智慧楼宇的监控数据处理方法及系统 |
CN117613908A (zh) * | 2024-01-24 | 2024-02-27 | 北京智芯微电子科技有限公司 | 基于配电网络的智能运维方法及系统 |
-
2023
- 2023-04-21 CN CN202310434627.7A patent/CN116467648A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197739A (zh) * | 2023-09-08 | 2023-12-08 | 江苏平熙智能电子科技有限公司 | 一种智慧楼宇的监控数据处理方法及系统 |
CN117613908A (zh) * | 2024-01-24 | 2024-02-27 | 北京智芯微电子科技有限公司 | 基于配电网络的智能运维方法及系统 |
CN117613908B (zh) * | 2024-01-24 | 2024-05-10 | 北京智芯微电子科技有限公司 | 基于配电网络的智能运维方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022110557A1 (zh) | 一种台区户变关系异常诊断方法及装置 | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
CN110503338B (zh) | 一种泛在电力物联网监测方法 | |
CN116467648A (zh) | 一种基于物联表的非线性台区电力故障的早期监测方法 | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
CN116256602B (zh) | 一种低压配电网状态异常的识别方法和系统 | |
CN110533331B (zh) | 一种基于输电线路数据挖掘的故障预警方法和系统 | |
CN102074955A (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
CN110309884A (zh) | 基于泛在电力物联网体系的用电数据异常识别系统 | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
CN111695736A (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN113269468A (zh) | 一种基于区块链的电力调度系统及其数据处理方法 | |
CN113169709A (zh) | 基于机器学习的太阳能发电控制系统及方法 | |
CN112615428A (zh) | 一种线损分析治理系统及方法 | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
Yoon et al. | Deep learning-based method for the robust and efficient fault diagnosis in the electric power system | |
CN115204698A (zh) | 一种低压台区供电稳定性的实时分析方法 | |
CN111476397A (zh) | 应用于中长期电量安全校核的母线负荷预测方法及系统 | |
Miraftabzadeh et al. | K-means and alternative clustering methods in modern power systems | |
CN112085350B (zh) | 一种大型光伏电站中光伏阵列状态的评估方法 | |
Grigoras et al. | Processing of smart meters data for peak load estimation of consumers | |
CN110717623B (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
CN112036718A (zh) | 一种考虑新能源不确定性的电力系统安全风险评估方法 | |
CN107069710B (zh) | 计及新能源时空相关性的电力系统状态估计方法 |
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 |