CN116819188A - 一种基于贝叶斯概率理论的低压配网相序识别方法 - Google Patents
一种基于贝叶斯概率理论的低压配网相序识别方法 Download PDFInfo
- Publication number
- CN116819188A CN116819188A CN202211093988.1A CN202211093988A CN116819188A CN 116819188 A CN116819188 A CN 116819188A CN 202211093988 A CN202211093988 A CN 202211093988A CN 116819188 A CN116819188 A CN 116819188A
- Authority
- CN
- China
- Prior art keywords
- user
- probability
- phase
- distribution network
- voltage 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
- 238000000819 phase cycle Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000005265 energy consumption Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000018199 S phase Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于贝叶斯概率理论的低压配网相序识别方法，包括以下步骤：采集用户和相馈线有功电能数据；提取用户和相馈线有功消耗变化的频域值；基于用户和相馈线的有功消耗变化的频域值，确定每个用户与三相馈线之间的相关性，并建立先验概率函数和似然概率函数；基于似然概率函数和用户连接性的后验概率，生成在线执行算法；实现了基于用户和相馈线的有功消耗变化的频域值来判定每个用户的相序连接。
Description
技术领域
本发明涉及配电系统分析技术领域，尤其涉及一种基于贝叶斯概率理论的低压配网相序识别方法。
背景技术
了解配电网络的当前状态对于正确运行至关重要。从这个意义上说，配电系统运营商(DistributionSystemOperators，DSO)做出了许多努力来监测电网，特别是在二次配电网络(低压侧)中，与输电或一次配电相比，这些电网通常在信息和监测系统方面存在重大缺陷。
同时，在低压配网中，拓扑信息仍然是一个约束。这类型的信息通常由操作员在接入电网时在现场手动记录。在目前的配网拓扑中，用户连接到的实际相序通常是DSO未知的，或者当该信息可用时，由于诸如连接注册时的错误、未通知的变化、故障或维护操作之后的电网重新配置、未被记录的旧网络等原因，该信息并不总是可靠的。
显然，了解多相电网中负荷的接线相序对于DSO实现电网平衡是非常重要的。不平衡的三相系统会导致更高的技术损失、托管容量的降低、服务质量问题(相电压之间的差异，可能导致过电压/欠电压)、资产寿命缩短等。此外，了解客户的相序连接不仅对平衡电网非常重要，而且还有助于系统运营商的管理，如维护操作、停电识别、非技术损失检测等。
发明内容
为了克服现有技术的不足，本发明提供了一种基于贝叶斯概率理论的低压配网相序识别方法，实现了基于用户和相馈线的有功消耗变化的频域值来判定每个用户的相序连接。
为了实现上述发明目的，本发明采用以下技术方案：
一种基于贝叶斯概率理论的低压配网相序识别方法，包括以下步骤：
S101、采集用户和相馈线的有功电能数据；
S102、提取用户和相馈线的有功消耗变化的频域值；
S103、基于用户和相馈线的有功消耗变化的频域值，确定每个用户与三相馈线之间的相关性，并建立先验概率函数和似然概率函数；
S104、基于似然概率函数和用户连接性的后验概率，生成在线执行算法。
进一步的，提取用户和相馈线有功消耗变化的频域值，包括以下步骤：
计算每个用户和相馈线，采集任意两两时间点之间的有功电能差值，采用傅立叶变换提取频域数据。
进一步的，每个用户与相馈线之间的相关性计算公式如下所示：
其中，ρ(VCn,VFp)是用户n的能量消耗变化与p相馈线能量变化值之间的皮尔逊相关系数结果，其取值范围是[-1,1]，cov(VCn,VFp)表示用户n的能量消耗变化与p相馈线能量变化值的协方差，和/>分别表示二者各自的标准差。
进一步的，先验概率矩阵的函数表达公式如下所示：
其中，每个元素P(Hpn)表示用户n连接于p相的假设的先验概率，在未获取任何先验信息(即非信息性先验概率)的情况下，取P(Hpn)＝1/3，先验概率矩阵每一列的元素之和为1。
进一步的，似然概率函数的表达公式如下所示：
其中，ρ(VCn,VFp)表示用户n的能量消耗变化与p相馈线能量变化值之间的皮尔逊相关系数结果，其取值范围是[-1,1]，P(VCn|Hn)表示为该函数对于小和负的相关系数值，分配很低的概率，同时避免为0，而对于中等和高相关系数，关系几乎是线性的。
进一步的，设定似然概率函数判定方法：当三个后验概率的值为最大值时，可信度最高，则认为当前该用户连接到相应的相序。
进一步的，用户连接性的后验概率的计算公式如下所示：
其中，λ表示A、B、C三相；P(VCn|Hpn)表示用户n接受假设的似然概率，P(Hpn)表示先验概率，分母项表示用户n分别连接到A、B、C三相的概率之和。
进一步的，在线执行算法的执行间隔时间设置为5--7天，较小的执行间隔时间导致用户的用电变化与相应的相馈线没有足够的相关性，而过大的执行间隔时间会导致较慢的确定性更新率。
本发明的有益效果：一种基于贝叶斯概率理论的低压配网相序识别方法，将传统的相关性判别方法与贝叶斯概率理论相结合，低压配网相序识别方法所用数据容易获取，并且不依赖于数据的完整度，应用场景非常广泛。同时，低压配网相序识别方法基于推理，因此允许结论的更新，提供关于每个客户的相位识别解决方案的有价值的信息，使其可能会对错误的分类产生怀疑。低压配网相序识别方法受错误的先验信息影响较小，并且能够处理和纠正错误标签。通过验证，该方法在不同类型配变台区，不同智能电表普及率情况下，均表现出良好的识别性能，相比于现有其他方法所用的数据量更少并且仍然有较高的精确度。
利用用户的用电量变化和相馈线变化来确定用户连接到特定相的似然概率，利用所获得的似然概率，使用贝叶斯推理更新每个假设(即认为连接到某一相)的可信度，进而根据可信度判定每个用户的相序连接。
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是本发明一种基于贝叶斯概率理论的低压配网相序识别方法的步骤示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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他实施例，都属于本公开保护的范围。
实施例一：
一种基于贝叶斯概率理论的低压配网相序识别方法，包括以下步骤：
S101、采集用户和相馈线的有功电能数据；
采集用户和相馈线的有功电能数据，具体的，采集用户和馈线30min频率的有功电能数据；用电状态数据可以从安装的智能电表处获取，但不局限从智能电表处，可以从监测终端处等获取。
对于一个具有N个单相用户的二次配电所，每个用户和每个相馈线都采集到M个有功电能测量值，如下列公式所示：
其中，fpm表示变电站相馈线首端m时刻的p相能耗，p∈{A,B,C}，cnm表示用户n在m时刻的能耗值。
S102、提取用户和相馈线的有功消耗变化的频域值；
提取用户和相馈线的有功消耗变化的频域值，包括以下步骤：
计算每个用户和相馈线，采集任意两两时间点之间的有功电能差值，采用傅立叶变换提取频域数据。
能耗的变化可以作为深度为k的函数来计算，由每个用户和每个相馈线的k+t时刻与t时刻之间的能量消耗差值可以得到，用户能量消耗变化和馈线能量消耗变化的计算公式如下所示；
其中，VCnk表示用户n在t与k+t时刻之间的能量消耗变化，VFpk表示馈线p在t与k+t时刻之间的能量消耗变化。
利用k的M-1个可能性，获得相同数量的向量。即根据用户能量消耗变化和馈线能量消耗变化的计算公式，进行定义用户负荷、相馈线的变化矩阵，如下所示：
其中，VC表示用户的能耗变化，每行表示用户对于所有可能的k值(1到M-1)的变化，每一列表示具有相同k值得所有用户的能量变化，VF表示配电变电站三相三条馈线的能耗变化，每行表示对于所有可能的k值在馈线中的变化，并且每列表示对于相同的k值在三条馈线中的变化。
对VC和VF矩阵进行离散傅立叶变换，从而提取频域上的电能变化矩阵。
S103、基于用户和相馈线的有功消耗变化的频域值，确定每个用户与三相馈线之间的相关性，并建立先验概率函数和似然概率函数；
基于用户和相馈线的有功消耗变化的频域值，确定每个用户与三相馈线之间的相关性，通过采用皮尔逊相关系数表示用户与相馈线处电能变化的相关关系，每个用户与三相馈线之间的相关性计算公式如下所示：
其中，ρ(VCn,VFp)表示用户n的能量消耗变化与p相馈线能量变化值之间的皮尔逊相关系数结果，其取值范围是[-1,1]，cov(VCn,VFp)表示用户n的能量消耗变化与p相馈线能量变化值的协方差，和/>分别表示二者各自的标准差。
需要说明的是，先验概率是每个假设在接收新证据之前的当前概率，第一次评估时，没有任何先验信息时，给出无信息先验概率，在后续有先验知识情况下，根据知识设置先验，即信息性先验概率；
基于贝叶斯推理，提供一种用新证据来更新某一假设相关置信度的方法，建立先验概率函数，如下公式所示：
其中，P(A)和P(B)是事件A和B的独立概率，P(A|B)和P(B|A)分别表示A假设B为真，B假设A为真的条件概率。
为了便于理解，可将上式公式转换为下列公式：
其中，Hi表示假设i，EV表示新的证据，在贝叶斯推理中，P(EV|Hi)为似然，表示支持改假设的新证据的兼容性，P(Hi)为先验概率，表示在得到新证据之前Hi为真的概率，P(EV)为边际概率，以得到EV和所有假设的联合概率之和，P(Hi|EV)为后验概率，即根据新证据得到的Hi为真的概率。
因此，先验概率矩阵的函数表达公式如下所示：
其中，每个元素P(Hpn)表示用户n连接于p相的假设的先验概率，在未获取任何先验信息(即非信息性先验概率)的情况下，取P(Hpn)＝1/3，先验概率矩阵每一列的元素之和为1。
基于贝叶斯推理，提供一种用新证据来更新某一假设相关置信度的方法，建立似然概率函数；
建立似然概率函数，考虑到皮尔逊相关系数取值范围为[-1,1]，而概率的范围是[0,1]，因此，似然函数需表征相关系数到似然概率的映射关系。
同时为了增强贝叶斯推理，采用一个有利于高相关系数的非线性函数，同时惩罚了不相关和反相关的结果，避免给出零概率结果，似然概率函数的表达公式如下所示：
其中，ρ(VCn,VFp)表示用户n的能量消耗变化与p相馈线能量变化值之间的皮尔逊相关系数结果，其取值范围是[-1,1]，P(VCn|Hn)表示为该函数对于小和负的相关系数值，分配很低的概率，同时避免为0，而对于中等和高相关系数，关系几乎是线性的。
S104、基于似然概率函数和用户连接性的后验概率，生成在线执行算法；
基于似然概率函数和用户连接性的后验概率，生成在线执行算法；设定似然概率函数判定方法，计算用户连接性的后验概率；设定似然概率函数判定方法：当三个后验概率的值为最大值时，可信度最高，则认为当前该用户连接到相应的相序。用户连接性的后验概率的计算公式如下所示：
其中，λ表示A、B、C三相；P(VCn|Hpn)表示用户n接受假设的似然概率，P(Hpn)表示先验概率，分母项表示用户n分别连接到A、B、C三相的概率之和。
在每次高级量测体系接收到有意义的数据时，周期性地运行在线执行算法，更新后验概率，确定当前用户的相序连接。
为了进一步提高相序识别的精确性，在线执行算法的执行间隔时间设置为5--7天，较小的执行间隔时间导致用户的用电变化与相应的相馈线没有足够的相关性，而过大的执行间隔时间会导致较慢的确定性更新率。
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于贝叶斯概率理论的低压配网相序识别方法，其特征在于，包括以下步骤：
S101、采集用户和相馈线的有功电能数据；
S102、提取用户和相馈线的有功消耗变化的频域值；
S103、基于用户和相馈线的有功消耗变化的频域值，确定每个用户与三相馈线之间的相关性，并建立先验概率函数和似然概率函数；
S104、基于似然概率函数和用户连接性的后验概率，生成在线执行算法。
2.根据权利要求1所述的基于贝叶斯概率理论的低压配网相序识别方法，其特征在于，所述提取用户和相馈线有功消耗变化的频域值，包括以下步骤：
计算每个用户和相馈线，采集任意两两时间点之间的有功电能差值，采用傅立叶变换提取频域数据。
3.根据权利要求1所述的基于贝叶斯概率理论的低压配网相序识别方法，其特征在于，所述每个用户与相馈线之间的相关性计算公式如下所示：
其中，ρ(VCn,VFp)是用户n的能量消耗变化与p相馈线能量变化值之间的皮尔逊相关系数结果，其取值范围是[-1,1]，cov(VCn,VFp)表示用户n的能量消耗变化与p相馈线能量变化值的协方差，和/>分别表示二者各自的标准差。
4.根据权利要求1所述的基于贝叶斯概率理论的低压配网相序识别方法，其特征在于，所述先验概率矩阵的函数表达公式如下所示：
其中，每个元素P(Hpn)表示用户n连接于p相的假设的先验概率，在未获取任何先验信息(即非信息性先验概率)的情况下，取P(Hpn)＝1/3，先验概率矩阵每一列的元素之和为1。
5.根据权利要求1所述的基于贝叶斯概率理论的低压配网相序识别方法，其特征在于，所述似然概率函数的表达公式如下所示：
其中，ρ(VCn,VFp)表示用户n的能量消耗变化与p相馈线能量变化值之间的皮尔逊相关系数结果，其取值范围是[-1,1]，P(VCn|Hn)表示为该函数对于小和负的相关系数值，分配很低的概率，同时避免为0，而对于中等和高相关系数，关系几乎是线性的。
6.根据权利要求1所述的基于贝叶斯概率理论的低压配网相序识别方法，其特征在于，所述设定似然概率函数判定方法：当三个后验概率的值为最大值时，可信度最高，则判定当前该用户连接到相应的相序。
进一步的，用户连接性的后验概率的计算公式如下所示：
其中，λ表示A、B、C三相；P(VCn|Hpn)表示用户n接受假设的似然概率，P(Hpn)表示先验概率，分母项表示用户n分别连接到A、B、C三相的概率之和。
7.根据权利要求1所述的基于贝叶斯概率理论的低压配网相序识别方法，其特征在于，所述在线执行算法的执行间隔时间设置为5--7天，较小的执行间隔时间导致用户的用电变化与相应的相馈线没有足够的相关性，而过大的执行间隔时间会导致较慢的确定性更新率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211093988.1A CN116819188A (zh) | 2022-09-08 | 2022-09-08 | 一种基于贝叶斯概率理论的低压配网相序识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211093988.1A CN116819188A (zh) | 2022-09-08 | 2022-09-08 | 一种基于贝叶斯概率理论的低压配网相序识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116819188A true CN116819188A (zh) | 2023-09-29 |
Family
ID=88141627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211093988.1A Pending CN116819188A (zh) | 2022-09-08 | 2022-09-08 | 一种基于贝叶斯概率理论的低压配网相序识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819188A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117849692A (zh) * | 2024-03-08 | 2024-04-09 | 武汉格蓝若智能技术股份有限公司 | 一种变电站内互感器二次回路相序异常监测方法及系统 |
-
2022
- 2022-09-08 CN CN202211093988.1A patent/CN116819188A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117849692A (zh) * | 2024-03-08 | 2024-04-09 | 武汉格蓝若智能技术股份有限公司 | 一种变电站内互感器二次回路相序异常监测方法及系统 |
| CN117849692B (zh) * | 2024-03-08 | 2024-05-31 | 武汉格蓝若智能技术股份有限公司 | 一种变电站内互感器二次回路相序异常监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109799474B (zh) | 一种基于数据相关性的多表位表箱电能表相位识别方法及系统 | |
| CN110516912B (zh) | 一种配电台区户变关系的识别方法 | |
| CN113078630B (zh) | 一种基于实时量测数据的低压配电网拓扑辨识方法 | |
| EP2217886A1 (en) | Improvements in hierarchy determination for power monitoring systems | |
| US11063472B1 (en) | Topology identification and state estimation of power grids | |
| CN113176458B (zh) | 一种针对数据不完整的低压台区相户关系识别方法 | |
| CN112966219A (zh) | 识别户表与表箱关系的方法及系统、设备、介质 | |
| CN112366690B (zh) | 一种基于强同步电压特征匹配的低压台区横向节点关系识别方法 | |
| CN112232382B (zh) | 一种低压台区的分路与电表隶属关系识别方法及系统 | |
| CN112288303A (zh) | 确定线损率的方式、装置 | |
| CN116819188A (zh) | 一种基于贝叶斯概率理论的低压配网相序识别方法 | |
| CN113054664A (zh) | 基于主成分分析和电压相似度的低压配电网拓扑识别方法 | |
| CN117241297B (zh) | 一种双模通信的传输信道评定方法及装置 | |
| CN115712811A (zh) | 基于低压拓扑配电网下的阻抗计算模型 | |
| CN106786498B (zh) | 一种主站-变电站数据协同辨识方法及其装置 | |
| Meliopoulos et al. | Smart grid infrastructure for distribution systems and applications | |
| Zhao et al. | Electrical principles of verification of the topological structure of a low‐voltage distribution network based on voltage from an Advanced Metering Infrastructure | |
| CN110865328B (zh) | 基于ami的智能电表相位识别、拓扑辨识及阻抗估计方法 | |
| CN113075468A (zh) | 一种基于低压用户的相别判定方法 | |
| Yang et al. | Evaluating the effectiveness of conservation voltage reduction with multilevel robust regression | |
| CN115663801B (zh) | 一种基于谱聚类的低压台区拓扑识别方法 | |
| Mogos et al. | Hierarchical Load Forecast Aggregation for Distribution Transformers Using Minimum Trace Optimal Reconciliation and AMI Data | |
| Mugerwa et al. | Data-driven consumer-phase identification in low-voltage distribution networks considering prosumers | |
| Ponci et al. | State estimation and PMUs | |
| CN117708749B (zh) | 多模型融合的配电网分时分段线损精细诊断方法及系统 |
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 |