CN116910551A - 一种电力系统时空分布特征配网线损分析系统和方法 - Google Patents

一种电力系统时空分布特征配网线损分析系统和方法 Download PDF

Info

Publication number
CN116910551A
CN116910551A CN202310894717.4A CN202310894717A CN116910551A CN 116910551 A CN116910551 A CN 116910551A CN 202310894717 A CN202310894717 A CN 202310894717A CN 116910551 A CN116910551 A CN 116910551A
Authority
CN
China
Prior art keywords
line loss
data
abnormal
power grid
module
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
Application number
CN202310894717.4A
Other languages
English (en)
Inventor
张科
张军
江泽涛
陈蔚文
李健
张永旺
李嘉杰
陈鹏
蔡永智
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.)
Guangdong Power Grid Co Ltd
Measurement Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Measurement Center of Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd, Measurement Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202310894717.4A priority Critical patent/CN116910551A/zh
Publication of CN116910551A publication Critical patent/CN116910551A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种电力系统时空分布特征配网线损分析系统和方法，系统包括：线损异常因子获取模块基于目标电网的历史线损数据，获取线损异常因子集合；关联性分析模块根据线损异常因子集合，分析线损异常因子与线损数据的关联性，获取线损数据的关联性结果；灵敏度分析模块利用全局灵敏度分析算法，对目标电网的线损异常因子进行灵敏度分析，得到线损异常因子的灵敏度数据；线损关键因子获取模块基于线损异常因子的灵敏度数据和线损数据的关联性结果，获取线损关键因子；线损分析模块根据线损关键因子对目标电网进行线损分析，确定导致目标电网发生线损异常的时空信息、原因及因素；调控模块根据线损分析结果对配电网进行实时调控。

Description

一种电力系统时空分布特征配网线损分析系统和方法
技术领域
本发明涉及电力系统技术领域，尤其是涉及一种电力系统时空分布特征配网线损分析系统和方法。
背景技术
配电网线损直接反应了供电企业的用电管理水平，降低配电网线损直接提高企业的经济效益，配电网线损评估与管理是企业有效降低配电网的损耗的必备手段。
现有配网线损计算，是基于传统的集中式发电厂，包括火电、水电、核电等大型电厂，输变电、配电，电力潮流单一，线损区间波动小，是使用简单的输入、输出、损失电量计算方法进行计算，计算方法较为简单，未考虑目前新型电力系统背景下大规模新能源、储能等关键因素的影响，无法准确反映新型电力系统真实线损情况，难以给出新型电力系统下的合理区间计算分析，不利于配电网的调控管理。
发明内容
本发明旨在提供一种电力系统时空分布特征配网线损分析系统和方法，以解决上述技术问题，准确反映新型电力系统真实线损情况，给出新型电力系统下的合理区间计算分析，有利于配电网的调控管理。
为了解决上述技术问题，本发明提供了一种电力系统时空分布特征配网线损分析系统，包括依次电性连接的线损异常因子获取模块、关联性分析模块、灵敏度分析模块、线损关键因子获取模块、线损分析模块和调控模块；
所述线损异常因子获取模块用于基于目标电网的历史线损数据，获取线损异常因子集合；
所述关联性分析模块用于根据线损异常因子集合，分析各个线损异常因子与线损数据的关联性，获取所有线损数据的关联性结果；
所述灵敏度分析模块用于利用全局灵敏度分析算法，对目标电网的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；
所述线损关键因子获取模块用于基于各个线损异常因子的灵敏度数据和所有线损数据的关联性结果，获取包含时空特征量的线损关键因子；
所述线损分析模块用于根据线损关键因子对目标电网进行线损分析，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素；
所述调控模块用于根据线损分析结果对配电网进行实时调控。
上述方案中，利用所述线损异常因子获取模块基于目标电网的历史线损数据，获取线损异常因子集合，线损异常因子集合中包括与线损计算有关的特征因子、与该特征因子对应的线损分类、该特征因子在计算线损过程中的权重等，所述关联性分析模块根据线损异常因子集合，分析各个线损异常因子与线损数据的关联性，获取所有线损数据的关联性结果，所述关联性分析模块利用全局灵敏度分析算法，对目标电网的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据，所述灵敏度分析模块利用全局灵敏度分析算法，对目标电网的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据，所述线损关键因子获取模块基于各个线损异常因子的灵敏度数据和所有线损数据的关联性结果，获取包含时空特征量的线损关键因子，其中，根据线损关键因子及目标电网线损关键因子的灵敏度，可以析出电网内变压器容量、电缆的材质、长度、直径、环境温度等大量线损异常因子中提取出关联性高、灵敏度高的TOP5线损因子作为线损关键因子。通过关键因子分析算法，从各种因子中寻找出对种群密度变动起主导作用的5个因子，作为TOP5关键因子，通过获取目标电网的线损异常因子集合，以得到所有线损数据的关联性结果，同时对各个线损异常因子的灵敏度数据进行计算，基于关联性结果和灵敏度数据获取到含时空特征量的线损关键因子，最后利用线损关键因子对目标电网进行线损分析，能够实现多场景配电网线损合理区间及标杆值在线分析计算，便于进行配电网的调控管理。
上述方案准确反映新型电力系统真实线损情况，给出新型电力系统下的合理区间计算分析，有利于配电网的调控管理。
进一步的，所述线损分析模块包括线损数据获取子模块和数据分析子模块；所述线损数据获取子模块和所述线损关键因子获取模块连接，所述数据分析子模块和所述线损数据获取子模块连接；
所述线损数据获取子模块用于计算异常电网的四分线损统计值并与线损标杆阈值对比，筛选出目标电网中的异常电网，获取异常电网的线损异常数据；
所述数据分析子模块用于根据线损关键因子对线损异常数据进行排查，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素。
进一步的，所述线损数据获取子模块包括依次电性连接的建模单元、电网数据获取单元、线损异常判断单元和异常分析单元；
所述建模单元用于建立线损异常诊断模型；
所述电网数据获取单元用于获取电网基础数据；
所述线损异常判断单元用于利用电网基础数据计算目标电网的四分线损统计值，并利用线损标杆阈值判断所述线损统计值是否异常；
所述异常分析单元用于当四分线损统计值异常时，将电网基础数据输入至线损异常诊断模型进行异常原因分析，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素。
进一步的，所述线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。
进一步的，所述电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化系统数据。
进一步的，所述建模单元包括依次电性连接的第一样本获取子单元、第二样本获取子单元和模型建立子单元；
所述第一样本获取子单元用于获取已标注线损异常原因的第一训练样本集；
所述第二样本获取子单元用于按照异常因素判断规则，对第一训练样本集中的各个训练样本标注对应的目标异常因素，获得第二训练样本集；
所述模型建立子单元用于对第二训练样本集进行异常因素统计，确定异常因素与线损异常原因之间的关联关系。
进一步的，还包括依次电性连接的历史数据获取模块、建模模块、实时数据获取模块和边缘测试模块；所述实时数据获取模块和所述调控模块连接；
所述历史数据获取模块用于获取台区电网的历史相关数据；
所述建模模块用于根据所述历史相关数据建立LSTM模型；
所述实时数据获取模块用于采集台区电网经调控模块实时调控后的实时相关数据；
所述边缘测试模块用于将台区电网的实时相关数据输入所述LSTM模型，得到实时预测线损率。
本发明提出一种电力系统时空分布特征配网线损分析方法，应用于所述一种电力系统时空分布特征配网线损分析系统，包括以下步骤：
基于目标电网的历史线损数据，获取线损异常因子集合；
根据线损异常因子集合，分析各个线损异常因子与线损数据的关联性，获取所有线损数据的关联性结果；
利用全局灵敏度分析算法，对目标电网的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；
基于各个线损异常因子的灵敏度数据和所有线损数据的关联性结果，获取包含时空特征量的线损关键因子；
根据线损关键因子对目标电网进行线损分析，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素；
根据线损分析结果对配电网进行实时调控。
进一步的，还包括以下步骤：
获取台区电网的历史相关数据；
根据所述历史相关数据建立LSTM模型；
采集台区电网经调控模块实时调控后的实时相关数据；
将台区电网的实时相关数据输入所述LSTM模型，得到实时预测线损率。
进一步的，所述根据所述历史相关数据建立LSTM模型具体为：将预处理后的历史相关数据中的线损率作为因变量，将其他数据作为自变量，拟合随机森林回归模型，根据随机森林回归模型，选取用于预测线损率的自变量，根据选取的自变量以及对应的线损率，得到训练集以及测试集，通过训练集，训练长短期记忆网络LSTM模型，将训练好的LSTM模型在测试集上进行验证，并根据验证结果，对LSTM模型进行优化。
附图说明
图1为本发明一实施例提供的一种电力系统时空分布特征配网线损分析系统模块示意图；
图2为本发明一实施例提供的线损分析模块的结构示意图；
图3为本发明一实施例提供的一种电力系统时空分布特征配网线损分析方法的方法流程图；
附图标记：1、线损异常因子获取模块；2、关联性分析模块；3、灵敏度分析模块；4、线损关键因子获取模块；5、线损分析模块；6、调控模块；7、历史数据获取模块；8、建模模块；9、实时数据获取模块；10、边缘测试模块；51、线损数据获取子模块；52、数据分析子模块；511、建模单元；512、电网数据获取单元；513、线损异常判断单元；514、异常分析单元；5111、第一样本获取子单元；5112、第二样本获取子单元；5113、模型建立子单元。
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、完整的描述，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他实施例，都属于本发明保护的范围。
请参见图1，本实施例提供了一种电力系统时空分布特征配网线损分析系统，包括依次电性连接的线损异常因子获取模块1、关联性分析模块2、灵敏度分析模块3、线损关键因子获取模块4、线损分析模块5和调控模块6；
所述线损异常因子获取模块1用于基于目标电网的历史线损数据，获取线损异常因子集合；
所述关联性分析模块2用于根据线损异常因子集合，分析各个线损异常因子与线损数据的关联性，获取所有线损数据的关联性结果；
所述灵敏度分析模块3用于利用全局灵敏度分析算法，对目标电网的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；
所述线损关键因子获取模块4用于基于各个线损异常因子的灵敏度数据和所有线损数据的关联性结果，获取包含时空特征量的线损关键因子；
所述线损分析模块5用于根据线损关键因子对目标电网进行线损分析，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素；
所述调控模块6用于根据线损分析结果对配电网进行实时调控。
在本实施方式中，利用所述线损异常因子获取模块1基于目标电网的历史线损数据，获取线损异常因子集合，线损异常因子集合中包括与线损计算有关的特征因子、与该特征因子对应的线损分类、该特征因子在计算线损过程中的权重等，所述关联性分析模块2根据线损异常因子集合，分析各个线损异常因子与线损数据的关联性，获取所有线损数据的关联性结果，所述关联性分析模块2利用全局灵敏度分析算法，对目标电网的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据，所述灵敏度分析模块3利用全局灵敏度分析算法，对目标电网的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据，所述线损关键因子获取模块4基于各个线损异常因子的灵敏度数据和所有线损数据的关联性结果，获取包含时空特征量的线损关键因子，其中，根据线损关键因子及目标电网线损关键因子的灵敏度，可以析出电网内变压器容量、电缆的材质、长度、直径、环境温度等大量线损异常因子中提取出关联性高、灵敏度高的TOP5线损因子作为线损关键因子。例如，通过关键因子分析算法，从各种因子中寻找出对种群密度变动起主导作用的5个因子，作为TOP5关键因子，通过获取目标电网的线损异常因子集合，以得到所有线损数据的关联性结果，同时对各个线损异常因子的灵敏度数据进行计算，基于关联性结果和灵敏度数据获取到含时空特征量的线损关键因子，最后利用线损关键因子对目标电网进行线损分析，能够实现多场景配电网线损合理区间及标杆值在线分析计算，便于进行配电网的调控管理。
进一步的，所述线损分析模块5包括线损数据获取子模块51和数据分析子模块52；所述线损数据获取子模块51和所述线损关键因子获取模块4连接，所述数据分析子模块52和所述线损数据获取子模块51连接；
所述线损数据获取子模块51用于计算异常电网的四分线损统计值并与线损标杆阈值对比，筛选出目标电网中的异常电网，获取异常电网的线损异常数据；
所述数据分析子模块52用于根据线损关键因子对线损异常数据进行排查，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素。
请参见图2，所述线损数据获取子模块51包括依次电性连接的建模单元511、电网数据获取单元512、线损异常判断单元513和异常分析单元514；
所述建模单元511用于建立线损异常诊断模型；
所述电网数据获取单元512用于获取电网基础数据；
所述线损异常判断单元513用于利用电网基础数据计算目标电网的四分线损统计值，并利用线损标杆阈值判断所述线损统计值是否异常；
所述异常分析单元514用于当四分线损统计值异常时，将电网基础数据输入至线损异常诊断模型进行异常原因分析，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素。
进一步的，所述线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。
进一步的，所述电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化系统数据。
在本实施方式中，所述线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型，所述电网数据获取单元512获取电网基础数据，所述电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化系统数据，当四分线损统计值异常时，所述线损异常诊断模型利用朴素贝叶斯算法进行异常原因分析，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素。
进一步的，所述建模单元511包括依次电性连接的第一样本获取子单元5111、第二样本获取子单元5112和模型建立子单元5113；
所述第一样本获取子单元5111用于获取已标注线损异常原因的第一训练样本集；
所述第二样本获取子单元5112用于按照异常因素判断规则，对第一训练样本集中的各个训练样本标注对应的目标异常因素，获得第二训练样本集；
所述模型建立子单元5113用于对第二训练样本集进行异常因素统计，确定异常因素与线损异常原因之间的关联关系。
在本实施方式中，首先创建线损异常分析模型，然后进行模型训练。模型训练即确定出特征属性，即异常因素和获取训练样本，并进一步完成影响线损异常因素分析，基于分析结果建立异常因素与线损异常原因之间的关联关系，确定异常原因可由人工完成，即第一训练样本集中的线损异常原因可人工标注例如，可分为采集异常、电压异常、电流异常、电量异常、时钟异常、负荷异常等类别；获取训练样本可由电力管理系统完成，基础数据来源于线损异常处理工作单，异常工作单中包括异常原因分类，通过异常因素判断规则，自动分析出各类线损异常的现象特征并进行标注，即获得第二训练样本集；模型训练阶段主要工作是计算每个线损异常影响因素在训练样本中的出现频率及每个异常因素划分对每个异常原因的条件概率估计，并将结果记录。其输入是训练样本，训练结束后便可获得线损异常诊断模型。
进一步的，还包括依次电性连接的历史数据获取模块7、建模模块8、实时数据获取模块9和边缘测试模块10；所述实时数据获取模块9和所述调控模块6连接；
所述历史数据获取模块7用于获取台区电网的历史相关数据；
所述建模模块8用于根据所述历史相关数据建立LSTM模型；
所述实时数据获取模块9用于采集台区电网经调控模块实时调控后的实时相关数据；
所述边缘测试模块10用于将台区电网的实时相关数据输入所述LSTM模型，得到实时预测线损率。
在本实施方式中，定期采集台区电网内配网线损影响因素的相关数据，如上网电量占比、末端电量占比、功率因数、末端压降、三相不平衡度、负荷特性、负载率和供电半径等数据，然后记录这些数据采集的时期内，台区电网的线损率，将配网线损影响因素的相关数据与对应的线损率合称为历史相关数据，并按照采集时间保存在数据库中。在需要训练长短期记忆网络模型时，所述历史数据获取模块在数据库中获取台区电网每个时期的历史相关数据，并对历史相关数据进行缺失值检测，删除历史相关数据中的缺失值，得到预处理后的历史相关数据。所述根据所述历史相关数据建立LSTM模型具体为：将预处理后的历史相关数据中的线损率作为因变量，将其他数据作为自变量，拟合随机森林回归模型，根据随机森林回归模型，选取用于预测线损率的自变量，根据选取的自变量以及对应的线损率，得到训练集以及测试集，通过训练集，训练长短期记忆网络LSTM模型，将训练好的LSTM模型在测试集上进行验证，并根据验证结果，对LSTM模型进行优化。实时数据获取模块采集台区电网的实时相关数据，台区电网的实时相关数据包括上网电量占比、末端电量占比、功率因数、末端压降、三相不平衡度、负荷特性、负载率和供电半径。所述边缘测试模块从台区电网的实时相关数据中选取用于预测线损率的自变量，将其输入所述LSTM模型，得到实时预测线损率，若选取的用于预测线损率的自变量为三相不平衡度和负荷特性，那么选取台区电网的实时相关数据中的三相不平衡度和负荷特性，然后输入到优化后的LSTM模型中，得到当前的实时预测线损率，根据预测线损率可以得知所述调控模块的调控方案是否和有效，以便后续改进调控方案。
请参见图3，本发明提出一种电力系统时空分布特征配网线损分析方法，应用于所述一种电力系统时空分布特征配网线损分析系统，包括以下步骤：
S1：基于目标电网的历史线损数据，获取线损异常因子集合；
S2：根据线损异常因子集合，分析各个线损异常因子与线损数据的关联性，获取所有线损数据的关联性结果；
S3：利用全局灵敏度分析算法，对目标电网的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；
S4：基于各个线损异常因子的灵敏度数据和所有线损数据的关联性结果，获取包含时空特征量的线损关键因子；
S5：根据线损关键因子对目标电网进行线损分析，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素；
S6：根据线损分析结果对配电网进行实时调控。
进一步的，还包括以下步骤：
获取台区电网的历史相关数据；
根据所述历史相关数据建立LSTM模型；
采集台区电网经调控模块实时调控后的实时相关数据；
将台区电网的实时相关数据输入所述LSTM模型，得到实时预测线损率。
进一步的，所述根据所述历史相关数据建立LSTM模型具体为：将预处理后的历史相关数据中的线损率作为因变量，将其他数据作为自变量，拟合随机森林回归模型，根据随机森林回归模型，选取用于预测线损率的自变量，根据选取的自变量以及对应的线损率，得到训练集以及测试集，通过训练集，训练长短期记忆网络LSTM模型，将训练好的LSTM模型在测试集上进行验证，并根据验证结果，对LSTM模型进行优化。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种电力系统时空分布特征配网线损分析系统，其特征在于，包括依次电性连接的线损异常因子获取模块、关联性分析模块、灵敏度分析模块、线损关键因子获取模块、线损分析模块和调控模块；
所述线损异常因子获取模块用于基于目标电网的历史线损数据，获取线损异常因子集合；
所述关联性分析模块用于根据线损异常因子集合，分析各个线损异常因子与线损数据的关联性，获取所有线损数据的关联性结果；
所述灵敏度分析模块用于利用全局灵敏度分析算法，对目标电网的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；
所述线损关键因子获取模块用于基于各个线损异常因子的灵敏度数据和所有线损数据的关联性结果，获取包含时空特征量的线损关键因子；
所述线损分析模块用于根据线损关键因子对目标电网进行线损分析，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素；
所述调控模块用于根据线损分析结果对配电网进行实时调控。
2.根据权利要求1所述的一种电力系统时空分布特征配网线损分析系统，其特征在于，所述线损分析模块包括线损数据获取子模块和数据分析子模块；所述线损数据获取子模块和所述线损关键因子获取模块连接，所述数据分析子模块和所述线损数据获取子模块连接；
所述线损数据获取子模块用于计算异常电网的四分线损统计值并与线损标杆阈值对比，筛选出目标电网中的异常电网，获取异常电网的线损异常数据；
所述数据分析子模块用于根据线损关键因子对线损异常数据进行排查，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素。
3.根据权利要求2所述的一种电力系统时空分布特征配网线损分析系统，其特征在于，所述线损数据获取子模块包括依次电性连接的建模单元、电网数据获取单元、线损异常判断单元和异常分析单元；
所述建模单元用于建立线损异常诊断模型；
所述电网数据获取单元用于获取电网基础数据；
所述线损异常判断单元用于利用电网基础数据计算目标电网的四分线损统计值，并利用线损标杆阈值判断所述线损统计值是否异常；
所述异常分析单元用于当四分线损统计值异常时，将电网基础数据输入至线损异常诊断模型进行异常原因分析，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素。
4.根据权利要求3所述的一种电力系统时空分布特征配网线损分析系统，其特征在于，所述线损异常诊断模型为以历史线损异常问题及处理工作单为训练样本进行训练后获得的模型。
5.根据权利要求3所述的一种电力系统时空分布特征配网线损分析系统，其特征在于，所述电网基础数据包括营销管理数据、计量自动化数据、配网自动化数据和调度自动化系统数据。
6.根据权利要求3所述的一种电力系统时空分布特征配网线损分析系统，其特征在于，所述建模单元包括依次电性连接的第一样本获取子单元、第二样本获取子单元和模型建立子单元；
所述第一样本获取子单元用于获取已标注线损异常原因的第一训练样本集；
所述第二样本获取子单元用于按照异常因素判断规则，对第一训练样本集中的各个训练样本标注对应的目标异常因素，获得第二训练样本集；
所述模型建立子单元用于对第二训练样本集进行异常因素统计，确定异常因素与线损异常原因之间的关联关系。
7.根据权利要求1所述的一种电力系统时空分布特征配网线损分析系统，其特征在于，还包括依次电性连接的历史数据获取模块、建模模块、实时数据获取模块和边缘测试模块；所述实时数据获取模块和所述调控模块连接；
所述历史数据获取模块用于获取台区电网的历史相关数据；
所述建模模块用于根据所述历史相关数据建立LSTM模型；
所述实时数据获取模块用于采集台区电网经调控模块实时调控后的实时相关数据；
所述边缘测试模块用于将台区电网的实时相关数据输入所述LSTM模型，得到实时预测线损率。
8.一种电力系统时空分布特征配网线损分析方法，应用于权利要求1所述的一种电力系统时空分布特征配网线损分析系统，其特征在于，包括以下步骤：
基于目标电网的历史线损数据，获取线损异常因子集合；
根据线损异常因子集合，分析各个线损异常因子与线损数据的关联性，获取所有线损数据的关联性结果；
利用全局灵敏度分析算法，对目标电网的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；
基于各个线损异常因子的灵敏度数据和所有线损数据的关联性结果，获取包含时空特征量的线损关键因子；
根据线损关键因子对目标电网进行线损分析，确定导致目标电网发生线损异常的异常时空信息、异常原因及异常因素；
根据线损分析结果对配电网进行实时调控。
9.根据权利要求8所述的一种电力系统时空分布特征配网线损分析方法，其特征在于，还包括以下步骤：
获取台区电网的历史相关数据；
根据所述历史相关数据建立LSTM模型；
采集台区电网经调控模块实时调控后的实时相关数据；
将台区电网的实时相关数据输入LSTM模型，得到实时预测线损率。
10.根据权利要求9所述的一种电力系统时空分布特征配网线损分析方法，其特征在于，所述根据所述历史相关数据建立LSTM模型具体为：将预处理后的历史相关数据中的线损率作为因变量，将其他数据作为自变量，拟合随机森林回归模型，根据随机森林回归模型，选取用于预测线损率的自变量，根据选取的自变量以及对应的线损率，得到训练集以及测试集，通过训练集，训练长短期记忆网络LSTM模型，将训练好的LSTM模型在测试集上进行验证，并根据验证结果，对LSTM模型进行优化。
CN202310894717.4A 2023-07-20 2023-07-20 一种电力系统时空分布特征配网线损分析系统和方法 Pending CN116910551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310894717.4A CN116910551A (zh) 2023-07-20 2023-07-20 一种电力系统时空分布特征配网线损分析系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310894717.4A CN116910551A (zh) 2023-07-20 2023-07-20 一种电力系统时空分布特征配网线损分析系统和方法

Publications (1)

Publication Number Publication Date
CN116910551A true CN116910551A (zh) 2023-10-20

Family

ID=88352677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310894717.4A Pending CN116910551A (zh) 2023-07-20 2023-07-20 一种电力系统时空分布特征配网线损分析系统和方法

Country Status (1)

Country Link
CN (1) CN116910551A (zh)

Similar Documents

Publication Publication Date Title
CN108375715B (zh) 一种配电网线路故障风险日预测方法及系统
CN112926770A (zh) 一种基于数字孪生的统一数据计量采集系统
CN112446534A (zh) 一种输变电工程的建设工期预测方法和装置
CN114638425B (zh) 一种基于历史数据的大用户月度用电量预测方法及系统
CN114169254A (zh) 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
CN117114438A (zh) 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法
CN118074126B (zh) 一种基于电网信息运维监控方法
CN113554229A (zh) 三相电压不平衡异常检测方法及装置
CN117878925A (zh) 一种智能电网的输电数据控制方法及系统
CN114626640A (zh) 基于特征工程和lstm神经网络的天然气负荷预测方法及系统
CN117913857A (zh) 一种火电机组调频调峰的方法及系统
CN115829145A (zh) 一种光伏发电量预测系统及方法
CN110968703A (zh) 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统
CN118017624A (zh) 基于配网重构的多时间尺度的无功优化方法
CN117375231A (zh) 一种基于电网数据节点的统计方法及数据处理系统
CN117977536A (zh) 一种智能电网负荷辨识方法
CN111367255A (zh) 一种多变量控制系统性能评价测试系统及方法
CN116432524A (zh) 一种变压器油温预测方法、装置、设备及存储介质
CN116910551A (zh) 一种电力系统时空分布特征配网线损分析系统和方法
CN116957306B (zh) 基于资源协同互动的用户侧响应潜力评估方法及系统
CN113158552B (zh) 基于时间序列的生物反应器运行状况分级预测方法及系统
CN118646015B (zh) 基于大数据的电网负荷平衡调控方法及系统
CN118536410B (zh) 基于大数据驱动建模的能耗优化决策分析方法及系统
CN118693783A (zh) 用于新能源电站的发电量预测精度提高方法及系统
CN117498313A (zh) 充电站负荷预测方法、装置、存储介质及计算机设备

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