CN117200241A - 一种新能源并网智能调压系统 - Google Patents
一种新能源并网智能调压系统 Download PDFInfo
- Publication number
- CN117200241A CN117200241A CN202311464243.6A CN202311464243A CN117200241A CN 117200241 A CN117200241 A CN 117200241A CN 202311464243 A CN202311464243 A CN 202311464243A CN 117200241 A CN117200241 A CN 117200241A
- Authority
- CN
- China
- Prior art keywords
- data
- day
- substation
- historical
- segment
- 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
Links
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 230000001105 regulatory effect Effects 0.000 claims abstract description 23
- 230000003203 everyday effect Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 45
- 238000005311 autocorrelation function Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000002354 daily effect Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及数据处理技术领域，提出了一种新能源并网智能调压系统，包括：获取变电站位置以及历史电压数据集合；获取历史电压数据的周期，根据历史电压数据的周期获得每天的历史电压数据的可参考性；根据历史电压数据的周期得到历史分段数据；获取合并后的分段数据；根据合并后的分段数据以及历史电压数据的可参考性得到两个变电站的最终分布关联性；获取当天电压数据，得到当前天分段数据，获取当前天分段数据与历史分段数据的相似度以及当天分段数据的最终分关联性得到根据每个电压数据的自适应K值得到异常值；根据异常值进行智能调压。本发明精准的检测出异常的电压波动，进而根据电压波动进行准确的智能调压。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种新能源并网智能调压系统。
背景技术
随着全球气候变化和环境污染问题的日益严重，新能源技术得到了广泛关注。可再生能源，如太阳能、风能等，已成为解决能源危机和减少碳排放的关键途径。然而，新能源的不稳定性和不确定性在一定程度上限制了其在电力系统中的应用。因此，新能源并网智能调压（STATCOM）技术的发展显得尤为重要。新能源并网智能调压是一种采用先进技术和算法，实现新能源与传统能源在电力系统中的高效稳定运行。通过对新能源发电、电力输送以及电能消耗过程中的调节控制，确保电网的安全与可靠性。
局部离群因子（Local Outlier Factor，LOF）是一种基于密度的数据的异常检测方法，通过设置一定大小的第距离邻域值来获取数据的局部离群因子值，通过局部离群因子值的大小来确定异常点，因此如何确定合适的/>的大小决定着异常检测的效果。在智能调压过程中，实时监测电压等电信号是智能调压系统的核心功能之一，有助于及时发现点样问题，快速采取控制策略，避免或减轻潜在危害，并能够保证调压精度。然而在监测过程中，对于分布式电网中输电线路从一个站点到另一个站点中会由于线路阻抗等因素会出现电压下降的情况，但是在输电过程中会由于会出现异常波动需要进行实时监测，进而会造成监测结果的不准确性，因此如何根据分布式电网中的数据变化来获取准确的/>值大小决定着异常检测的结果，同样决定着智能调压的结果。
发明内容
本发明提供一种新能源并网智能调压系统，以解决分布式电网中输电线路从一个站点到另一个站点中会由于线路阻抗等因素会出现电压下降的情况的问题，所采用的技术方案具体如下：
本发明一个实施例提供了一种新能源并网智能调压系统，该系统包括以下模块：
数据采集模块，获取变电站位置以及历史电压数据集合；
可参考性获取模块，获取历史电压数据的周期，根据不同变电站位置的历史电压数据的周期获得每天的历史电压数据的可参考性；
最终分布关联性获取模块，根据历史电压数据的周期对每天的历史电压数据进行分段得到历史分段数据；根据相邻变电站将历史分段数据匹配合并得到合并后的分段数据；根据合并后的分段数据以及每天的历史电压数据的可参考性得到两个变电站的最终分布关联性；
异常值获取模块，获取当天电压数据，并计算周期，根据周期分段得到当前天分段数据，获取当前天分段数据与历史分段数据的相似度得到待计算数据；根据当天分段数据的待计算数据的数量以及当天分段数据的最终分关联性得到每个电压数据的自适应第K距离均值；根据每个电压数据的自适应K值得到异常值；
智能调压模块，获取其余电信号数据的异常值并集合每个电压数据的异常值进行智能调压。
优选的，所述获取历史电压数据的周期的方法为：
将历史电压数据按照时间划分得到每一天的历史电压数据，对于每一天的历史电压数据给定初始时间间隔，设定初始时间间隔步长以及最大值得到若干时间间隔，针对每一钟时间间隔使用自相关函数分析，得到每一天的历史电压数据在不同时间间隔下的自相关函数值，将最大的自相关函数值对应的时间间隔作为历史电压数据的周期。
优选的，所述根据不同变电站位置的历史电压数据的周期获得每天的历史电压数据的可参考性的方法为：
式中，为标准天前或标准天后的参考天数量即参考天数量的一半，/>表示第/>个位置的变电站的第/>天前的第u个参考天的历史电压数据的最大自相关函数值（获取周期时获取）；/>表示第/>个位置的变电站的第/>天后的第u个参考天的历史电压数据的最大自相关函数值；/>表示第/>个位置的变电站的第/>天历史电压数据的最大自相关函数值，为线性归一化函数，/>表示第/>个位置的变电站的第/>天历史电压数据的可参考性。
优选的，所述根据相邻变电站将历史分段数据匹配合并得到合并后的分段数据的方法为：
将在同一输电线路上的变电站互为相邻变电站，在相邻两个变电站中存在分段数量较多的变电站和分段数量较少的变电站，若两个变电站的分段数量相同，则一一对应匹配，将分段数量较多的变电站记为第一变电站，将分段数量较少的变电站记为第二变电站，以第一变电站为基准，计算每个分段的初始时间与第二变电站的每个分段的初始时间的时间差，将时间差最小的值记为最小时间差，将第一变电站的分段进行合并迭代计算，第一次合并，将第一变电站的两个分段合并为一个分段，从第一个分段开始；此时第一变电站得到了新的分段，将新的分段与第二变电站的分段匹配，新的分段中初始时间的最小时间差对应的第二变电站的分段中的初始时间，根据此将第二变电站的分段合并，此时得到一种匹配组合；第二次合并，将第一变电站的三个分段合并为一个分段，从第一个分段开始；之后根据最小时间差将第二变电站的分段合并，此时同样得到一种匹配组合；依此类推，由于分段合并太大会影响检测，因此在本实施例中设定一个分段阈值，直到第一变电站合并后的分段时间长度大于4小时时，停止合并，每一次得到新的分段都会得到一个匹配组合；此时，第一变电站每次得到新的分段后，每个新的分段的初始时间与第二变电站分段合并后匹配段的初始时间的差值，将差值累加得到差异和，计算第一变电站所有新的分段种类的差异和，将差异和最小对应的一种分段方式作为最佳分段，因此将第一变电站的分段和第二变电站的分段进行最佳分段对应的合并。
优选的，所述根据合并后的分段数据以及每天的历史电压数据的可参考性得到两个变电站位置的最终分布关联性的方法为：
式中，表示第/>个位置的变电站的第/>天历史电压数据与第/>个位置的变电站的第/>天历史电压数据之间的匹配组合的数量；/>表示第/>个匹配组合分段数据中进行DTW匹配后时间点的配对组合数；/>表示第/>个位置的变电站的第/>天历史电压数据与第/>个位置的变电站的第/>天历史电压数据第/>个匹配组合分段数据中的第/>对配对点之间的残差差值的累计和；/>表示第/>个位置的变电站的第/>天历史电压数据的可参考性；/>表示第/>个位置的变电站的第/>天历史电压数据的可参考性；1表示认为第1天的历史电压数据的可参考性值；/>表示第/>个位置的变电站的第/>天历史电压数据与第/>个位置的变电站的第/>天计算得到的匹配组合分段数据中的配对点之间的残差差值的累计和，/>表示第i个位置的变电站与第i+1个位置在第j天时的变电站对应的分布关联性。
将分布关联性根据变电站之间距离进行调控得到最终分布关联性。
优选的，所述将分布关联性根据变电站之间距离进行调控得到最终分布关联性的方法为：
计算所有变电站之间的欧氏距离，对于任意一个变电站，得到变电站与其相邻变电站的欧氏距离，将变电站与其相邻变电站的欧氏距离与所有变电站的最大欧式距离的比值记为第一比值，将1与第一布置作差和分布关联性相乘得到最终分布关联性。
优选的，所述获取当前天分段数据与历史分段数据的相似度得到待计算数据的方法为：
首先使用STL时间序列分割对当前天分段数据处理得到趋势项，将趋势项数据作为当前趋势数据，对于历史电压数据，得到历史分段数据的趋势项数据，记为历史趋势项数据，将当前趋势项数据和历史趋势项数据计算DTW距离，将DTW距离归一化的值作为当前分段数据和历史分段数据的相似度，给定预设相似度阈值，将相似度大于相似度阈值的历史分段数据作为当前分段数据的待计算数据。
优选的，所述根据当天分段数据的待计算数据的数量以及当天分段数据的最终分关联性得到每个电压数据的异常值的方法：
式中，表示与第h个电压数据对应的当前分段数据的待计算数据在相邻变电站位置中的数量；/>表示第/>个待计算数据中，第/>个位置与第/>个位置的历史数据的对应的最终分布关联性；/>表示第h个电压数据对应的当前分段数据下计算得到的第/>个位置与第/>个位置的最终分布关联性；/>表示设置的第/>距离邻域的超参数；/>表示以自然常数为底数的指数函数；/>表示取整函数，/>表示第h个当前分段电压数据的自适应第K距离均值。
本发明的有益效果是：本发明中采用自适应第距离邻域的LOF检测方法对异常电压波动进行实时监测。通过分析历史数据中原本的分布式电网的彼此之间的分布关联性特征，并且考虑的同时需要考虑损耗问题的影响，并结合当前时刻的电压数据的波动特征来考虑波动特征影响下的分布关联性特征的差异性，进而根据分布关联性特征的差异性来进行自适应第K距离邻域的LOF算法进行异常检测，进而得到准确的异常电压波动检测结果。避免了传统的LOF算法在新能源并网过程中，由于分布式电网中输电线路从一个站点到另一个站点中会由于线路阻抗等因素会出现电压下降的情况，造成监测结果的不准确性的缺点，可以通过分析分布式电网在变电站转换过程中电压损耗的影响下，精准的检测出异常的电压波动，进而根据电压波动进行准确的智能调压。
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，显而易见地，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种新能源并网智能调压系统的流程示意图。
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做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。
请参阅图1，其示出了本发明一个实施例提供的一种新能源并网智能调压系统流程图，该系统包括：数据采集模块、可参考性获取模块、最终分布关联性获取模块、异常值获取模块、智能调压模块。
数据采集模块，在本实施例中，在输电线路上的变电站中布置相应的计量设备进行电压、电流、功率的电信号数据，其中每一秒采集一次电信号数据，在本实施例中以电压数据为例进行叙述。由于现今大都是分布式电网结构，因此对应的获取分布式电网中不同位置的变电站的位置坐标。
至此，获得了电信号数据以及变电站的位置。
可参考性获取模块，由于电压数据具有较强的周期性分布，并且若仅分析单个时间的数据值较容易受到噪声的影响，因此在本实施例中以单个周期的电压数据进行分析；首先获取不用历史时期的历史电压数据的周期大小，其中为了计算方便将历史电压数据分为一天一天的数据来分析周期大小。对于第个位置的变电站来说，其中第/>天的历史电压数据的周期记为/>，对每一天的历史电压数据不同时间间隔分别使用自相关函数分析，将计算得到的每个时间间隔下的自相关函数值中最大的自相关函数值对应的时间间隔作为本案中的周期大小。所属时间间隔为时间段的长度，例如将一天分为了24个时间段，每个时间段30分钟，那么所属时间间隔为30，即计算在时间间隔为30的情况下，一天内历史电压谁的自相关函数值，其中起始时间间隔在本实施例中设置为5，步长为5，即时间间隔每次增加5分钟，时间间隔的最大值为一天的1/6。
根据所获取的周期对每一天的历史电压数据进行分段，其中由于后续需要计算不同时期的历史电压数据的分布关联性特征，并且由于电压数据在不同时期具有的不同的随机性，因此每天历史电压数据的可参考性的不同。对于每一天的历史电压数据，以该天为标准天，获取该天前后个U天作为参考天，其中在标准天前获得U天，标准天后获得U天，计算标准天前后每天的最大自相关函数值，根据标准天的最大自相关函数值和参考天的最大自相关函数值的差值以及参考天的计算权重值得到每天历史电压数据的可参考性，公式如下：
式中，为标准天前或标准天后的参考天数量即参考天数量的一半，/>表示第/>个位置的变电站的第/>天前的第u个参考天的历史电压数据的最大自相关函数值（获取周期时获取）；/>表示第/>个位置的变电站的第/>天后的第u个参考天的历史电压数据的最大自相关函数值；/>表示第/>个位置的变电站的第/>天历史电压数据的最大自相关函数值，为线性归一化函数，/>表示第/>个位置的变电站的第/>天历史电压数据的可参考性。值得说明的是，公式中u越小，越靠近第j天。
本实施例通过自相关函数值的变化来体现该天数据的可参考性，若该天历史电压数据与其周围天历史电压数据的自相关性值差异较大，则表明该天历史电压数据的数据变化较为频繁，则对应该天历史电压数据与其周围天历史电压数据的周期变化不同，则对应的该天的历史电压数据的可参考性越小；其中表示第u个参考天的计算权重值，若/>越大，则表明允许的自相关函数值的变化差异越大，即对应的在计算可参考性时，该组合的计算权重值越小。
至此，获得了每天历史电压数据的可参考性。
最终分布关联性获取模块，对于分布式电网，位置较为相近的区域内的变电站之间的电压数据具有关联性特征，但是其在获取关联性特征的变化过程中还需要考虑损耗问题。其中由于不同历史时期的电压数据会随着长时间的使用造成的数据关联性不同，因此其对应的分布关联性特征不同，并且在获取分布关联性特征时，不同位置的变电站之间的分布关联性特征也不同，因此在不同时期的历史数据获取分布关联性特征时，需要根据不同时期的不同位置的其中两个变电站的历史数据来获取它们之间的分布关联性特征。
对于历史电压数据根据周期分段后，将每个分段的历史电压数据记为分段数据，在同一输电线路上的变电站互为相邻变电站，相邻两个变电站位置对应的两段分段数据之间的关联性特征存相位差，因此对相邻两个变电站位置的分段数据进行匹配。
具体的，在相邻两个变电站中存在分段数量较多的变电站和分段数量较少的变电站，若两个变电站的分段数量相同，则一一对应匹配，将分段数量较多的变电站记为第一变电站，将分段数量较少的变电站记为第二变电站，以第一变电站为基准，计算每个分段的初始时间与第二变电站的每个分段的初始时间的时间差，将时间差最小的值记为最小时间差，将第一变电站的分段进行合并迭代计算，第一次合并，将第一变电站的两个分段合并为一个分段，从第一个分段开始；此时第一变电站得到了新的分段，将新的分段与第二变电站的分段匹配，新的分段中初始时间的最小时间差对应的第二变电站的分段中的初始时间，根据此将第二变电站的分段合并，此时得到一种匹配组合；第二次合并，将第一变电站的三个分段合并为一个分段，从第一个分段开始；之后根据最小时间差将第二变电站的分段合并，此时同样得到一种匹配组合；依此类推，由于分段合并太大会影响检测，因此在本实施例中设定一个分段阈值，直到第一变电站合并后的分段时间长度大于4小时时，停止合并，每一次得到新的分段都会得到一个匹配组合。此时，计算第一变电站每次得到新的分段后，每个新的分段的初始时间与第二变电站分段合并后匹配段的初始时间的差值，将差值累加得到差异和，计算第一变电站所有新的分段种类的差异和，将差异和最小对应的一种分段方式作为最佳分段，因此将第一变电站的分段和第二变电站的分段进行最佳分段对应的合并，由此得到了两个变电站合并后的分段数据，两个变电站合并后的分段数据就是最佳匹配组合。
对上述获取的合并后的分段数据，对合并后的分段数据使用STL时间序列分割，获取对应的残差数据，其中残差数据表征着电压数据在周期性变化以及趋势性变化之外的其他随机变化因素，因此可以根据合并后的分段数据的残差数据的规律性的分布来对分布关联性进行分析，将输电线路上刚开始使用的第一天的可参考值定义为1，获取输电线路上刚开始使用的第一天相邻变电站的残差差值，根据合并后的分段数据的残差数据以及每个变电站位置每天的可参考性得到同一天相邻变电站对应的历史电压数据的分布关联性，公式如下：
式中，表示第/>个位置的变电站的第/>天历史电压数据与第/>个位置的变电站的第/>天历史电压数据之间的匹配组合的数量；/>表示第/>个匹配组合分段数据中进行DTW匹配后时间点的配对组合数；/>表示第/>个位置的变电站的第/>天历史电压数据与第/>个位置的变电站的第/>天历史电压数据第/>个匹配组合分段数据中的第/>对配对点之间的残差差值的累计和；/>表示第/>个位置的变电站的第/>天历史电压数据的可参考性；/>表示第/>个位置的变电站的第/>天历史电压数据的可参考性；1表示认为第1天的历史电压数据的可参考性值；/>表示第/>个位置的变电站的第/>天历史电压数据与第/>个位置的变电站的第/>天计算得到的匹配组合分段数据中的配对点之间的残差差值的累计和，/>表示第i个位置的变电站与第i+1个位置在第j天时的变电站对应的分布关联性。值得说明的是，i与i+1的位置的变电站互为相邻变电站。
此时由于两个变电站之间的距离也会导致电压出现损耗，因此，使用两个变电站的距离对分布关联性进行修正，公式如下：
式中，表示第/>个位置的变电站与第/>个位置的变电站之间的距离；表示所有位置的变电站之间的最大距离，/>表示第i个位置的变电站与第i+1个位置的变电站对应的分布关联性，/>表示第i个位置的变电站与第i+1个位置的变电站对应的最终分布关联性。
表征第/>个位置的变电站与第/>个位置的变电站之间的距离权重，距离越远，损耗越大，/>表征第/>个位置的变电站的第/>天历史电压数据与第/>个位置的变电站的第/>天的两者之间的电压损耗，/>表征第/>天两个变电站位置的历史电压数据的可参考性与第一天的差距，进而以此表征随着时间的变化电压损耗允许的变化程度越来越大，基于此得到最终分布关联性。
至此，获取最终分布关联性。
异常值获取模块，根据获取的历史电压数据得到各个位置之间的不同时期下的数据之间的分布关联性特征，由于当前时期和历史的不同时期的数据本身的波动特征不同，因此在进行计算分布关联性差异来自适应值时，需要根据波动特征进行相似度分析，获取与当前时期的波动特征相似的历史数据，进而分析当前时期的分布关联性特征与相似的历史数据的分布关联性特征之间的差异。
具体的，对当前天的电压数据同样进行周期分段处理，对每个段进行STL时间序列分割，得到对应的最终分布关联性。波动特征表征着当前时期分段数据的整体的趋势分布，本实施例结合上述过程中的STL时间序列分割后得到的趋势项数据来表征当前天分段数据的整体趋势分布，将当前天分段数据的趋势项数据记为当前趋势数据，将历史电压数据各个分段的趋势项数据记为历史趋势数据，利用DTW算法计算当前趋势数据和每个历史趋势数据的相似度，将当前趋势数据和历史趋势数据的DTW距离归一化后作为两个趋势数据的相似度，设置相似度阈值，在本实施例中相似度阈值记为0.65，若相似度大于阈值，则表示该历史分段数据是当前天分段数据的待计算数据。
将所有电压数据构成一个二维坐标系，其中坐标系的x轴为时间，y轴为电压值，值得说明的是，时间不考虑天数，x轴的长度为24小时；在转换后的二维坐标系中进行自适应LOF检测，其中由于为分布式电网，因此在当前位置的变电站的数据检测过程中，仅计算与当前位置输电线路相连的变电站即可，则对应的在坐标系中进行LOF检测时，也仅计算相应位置的变电站对应的数据，将当前天分段后对应的每段电压数据记为当前分段电压数据，根据当前分段电压数据的最终分布关联性和其对应的待计算数据的最终分布关联性得到LOF检测的自适应第K距离均值，公式如下：
式中，表示与第h个电压数据对应的当前分段数据的待计算数据在相邻变电站位置中的数量；/>表示第/>个待计算数据中，第/>个位置与第/>个位置的历史数据的对应的最终分布关联性；/>表示第h个电压数据对应的当前分段数据下计算得到的第/>个位置与第/>个位置的最终分布关联性；/>表示设置的第/>距离邻域的超参数，在本实施例中K取7；/>表示以自然常数为底数的指数函数；/>表示取整函数，表示第h个当前分段电压数据的自适应第K距离均值。
其中若当前时间段的分布关联性特征值与历史数据中的分布关联性特征值之间的差异较大，则对应的当前时间段的分布关联性较低，则对应需要设置较小的值来保证计算得到的局部离群因子值较为准确，防止设置较大的/>值放大了平均局部密度得到错误的结果。
根据计算得到的第个位置与第/>个位置每个电压数据的自适应的第/>距离邻域，进而进行LOF算法检测得到局部离群因子值，类似操作，得到与第/>个位置同输电线路下的其他位置的局部离群因子值，得到的均值即为最终的第/>个位置的当前局部离群因子值。根据得到的当前局部离群因子值，计算其与1的差距，若大于1，则第/>个位置的当前数据为异常值。
至此，得到了当前天每个电压数据的异常值。
智能调压模块，根据上述步骤得到的电压数据的异常值，变电站根据得到的异常电压结果来进行智能调压。训练故障识别网络，采用的数据集为采集的电压等电信号数据，采用专业人工标注的方式对数据集中的数据的各类故障进行人工标注，采用的损失函数为交叉熵函数。其中对于异常电压结果，根据其他电气参数（如电流、功率等）进行输入到故障识别网络中进行识别故障原因，对于非异常电压结果，根据既定的需要调整得到电压等电信号数据的大小进行调整。
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、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种新能源并网智能调压系统，其特征在于，该系统包括以下模块：
数据采集模块，获取变电站位置以及历史电压数据集合；
可参考性获取模块，获取历史电压数据的周期，根据不同变电站位置的历史电压数据的周期获得每天的历史电压数据的可参考性；
最终分布关联性获取模块，根据历史电压数据的周期对每天的历史电压数据进行分段得到历史分段数据；根据相邻变电站将历史分段数据匹配合并得到合并后的分段数据；根据合并后的分段数据以及每天的历史电压数据的可参考性得到两个变电站位置的最终分布关联性；
异常值获取模块，获取当天电压数据，并计算周期，根据周期分段得到当前天分段数据，获取当前天分段数据与历史分段数据的相似度得到待计算数据；根据当天分段数据的待计算数据的数量以及当天分段数据的最终分关联性得到每个电压数据的自适应第K距离均值；根据每个电压数据的自适应K值得到异常值；
智能调压模块，获取其余电信号数据的异常值并集合每个电压数据的异常值进行智能调压。
2.根据权利要求1所述的一种新能源并网智能调压系统，其特征在于，所述获取历史电压数据的周期的方法为：
将历史电压数据按照时间划分得到每一天的历史电压数据，对于每一天的历史电压数据给定初始时间间隔，设定初始时间间隔步长以及最大值得到若干时间间隔，针对每一钟时间间隔使用自相关函数分析，得到每一天的历史电压数据在不同时间间隔下的自相关函数值，将最大的自相关函数值对应的时间间隔作为历史电压数据的周期。
3.根据权利要求2所述的一种新能源并网智能调压系统，其特征在于，所述根据不同变电站位置的历史电压数据的周期获得每天的历史电压数据的可参考性的方法为：
将历史电压数据集合中，每一天记为标准天，将标准提案前U/2天和后U/2天都作为参考天，计算标准天的最大自相关函数值以及所有参考天的最大自相关函数值，根据不同变电站位置的标准天和所有参考天的最大自相关函数值的差异以及参考天与标准天的时间差异得到标准天的可参考性。
4.根据权利要求3所述的一种新能源并网智能调压系统，其特征在于，所述根据标准天和所有参考天的最大自相关函数值的差异以及参考天与标准天的时间差异得到标准天的可参考性的方法为：
式中，为标准天前或标准天后的参考天数量即参考天数量的一半，/>表示第/>个位置的变电站的第/>天前的第u个参考天的历史电压数据的最大自相关函数值（获取周期时获取）；/>表示第/>个位置的变电站的第/>天后的第u个参考天的历史电压数据的最大自相关函数值；/>表示第/>个位置的变电站的第/>天历史电压数据的最大自相关函数值，为线性归一化函数，/>表示第/>个位置的变电站的第/>天历史电压数据的可参考性。
5.根据权利要求1所述的一种新能源并网智能调压系统，其特征在于，所述根据相邻变电站将历史分段数据匹配合并得到合并后的分段数据的方法为：
将在同一输电线路上的变电站互为相邻变电站，在相邻两个变电站中存在分段数量较多的变电站和分段数量较少的变电站，若两个变电站的分段数量相同，则一一对应匹配，将分段数量较多的变电站记为第一变电站，将分段数量较少的变电站记为第二变电站，以第一变电站为基准，计算每个分段的初始时间与第二变电站的每个分段的初始时间的时间差，将时间差最小的值记为最小时间差，将第一变电站的分段进行合并迭代计算，第一次合并，将第一变电站的两个分段合并为一个分段，从第一个分段开始；此时第一变电站得到了新的分段，将新的分段与第二变电站的分段匹配，新的分段中初始时间的最小时间差对应的第二变电站的分段中的初始时间，根据此将第二变电站的分段合并，此时得到一种匹配组合；第二次合并，将第一变电站的三个分段合并为一个分段，从第一个分段开始；之后根据最小时间差将第二变电站的分段合并，此时同样得到一种匹配组合；依此类推，由于分段合并太大会影响检测，因此在本实施例中设定一个分段阈值，直到第一变电站合并后的分段时间长度大于4小时时，停止合并，每一次得到新的分段都会得到一个匹配组合；此时，第一变电站每次得到新的分段后，每个新的分段的初始时间与第二变电站分段合并后匹配段的初始时间的差值，将差值累加得到差异和，计算第一变电站所有新的分段种类的差异和，将差异和最小对应的一种分段方式作为最佳分段，因此将第一变电站的分段和第二变电站的分段进行最佳分段对应的合并。
6.根据权利要求1所述的一种新能源并网智能调压系统，其特征在于，所述根据合并后的分段数据以及每天的历史电压数据的可参考性得到两个变电站位置的最终分布关联性的方法为：
式中，表示第/>个位置的变电站的第/>天历史电压数据与第/>个位置的变电站的第/>天历史电压数据之间的匹配组合的数量；/>表示第/>个匹配组合分段数据中进行DTW匹配后时间点的配对组合数；/>表示第/>个位置的变电站的第/>天历史电压数据与第/>个位置的变电站的第/>天历史电压数据第/>个匹配组合分段数据中的第/>对配对点之间的残差差值的累计和；/>表示第/>个位置的变电站的第/>天历史电压数据的可参考性；/>表示第/>个位置的变电站的第/>天历史电压数据的可参考性；1表示认为第1天的历史电压数据的可参考性值；/>表示第/>个位置的变电站的第/>天历史电压数据与第/>个位置的变电站的第/>天计算得到的匹配组合分段数据中的配对点之间的残差差值的累计和，/>表示第i个位置的变电站与第i+1个位置在第j天时的变电站对应的分布关联性；
将分布关联性根据变电站之间距离进行调控得到最终分布关联性。
7.根据权利要求1所述的一种新能源并网智能调压系统，其特征在于，所述将分布关联性根据变电站之间距离进行调控得到最终分布关联性的方法为：
计算所有变电站之间的欧氏距离，对于任意一个变电站，得到变电站与其相邻变电站的欧氏距离，将变电站与其相邻变电站的欧氏距离与所有变电站的最大欧式距离的比值记为第一比值，将1与第一布置作差和分布关联性相乘得到最终分布关联性。
8.根据权利要求1所述的一种新能源并网智能调压系统，其特征在于，所述获取当前天分段数据与历史分段数据的相似度得到待计算数据的方法为：
首先使用STL时间序列分割对当前天分段数据处理得到趋势项，将趋势项数据作为当前趋势数据，对于历史电压数据，得到历史分段数据的趋势项数据，记为历史趋势项数据，将当前趋势项数据和历史趋势项数据计算DTW距离，将DTW距离归一化的值作为当前分段数据和历史分段数据的相似度，给定预设相似度阈值，将相似度大于相似度阈值的历史分段数据作为当前分段数据的待计算数据。
9.根据权利要求1所述的一种新能源并网智能调压系统，其特征在于，所述根据当天分段数据的待计算数据的数量以及当天分段数据的最终分关联性得到每个电压数据的异常值的方法：
式中，表示与第h个电压数据对应的当前分段数据的待计算数据在相邻变电站位置中的数量；/>表示第/>个待计算数据中，第/>个位置与第/>个位置的历史数据的对应的最终分布关联性；/>表示第h个电压数据对应的当前分段数据下计算得到的第/>个位置与第/>个位置的最终分布关联性；/>表示设置的第/>距离邻域的超参数；表示以自然常数为底数的指数函数；/>表示取整函数，/>表示第h个当前分段电压数据的自适应第K距离均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311464243.6A CN117200241B (zh) | 2023-11-06 | 2023-11-06 | 一种新能源并网智能调压系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311464243.6A CN117200241B (zh) | 2023-11-06 | 2023-11-06 | 一种新能源并网智能调压系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117200241A true CN117200241A (zh) | 2023-12-08 |
| CN117200241B CN117200241B (zh) | 2024-03-05 |
Family
ID=88996457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311464243.6A Active CN117200241B (zh) | 2023-11-06 | 2023-11-06 | 一种新能源并网智能调压系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117200241B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117873838A (zh) * | 2024-03-12 | 2024-04-12 | 武汉众诚华鑫科技有限公司 | 一种电信设备环境温度监控方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112467752A (zh) * | 2020-11-25 | 2021-03-09 | 青岛创新奇智科技集团有限公司 | 分布式能源配电系统调压方法及装置 |
| CN115589000A (zh) * | 2022-12-12 | 2023-01-10 | 广东电网有限责任公司阳江供电局 | 一种基于典型负荷归类的地区电压调整优化方法和系统 |
| CN116345466A (zh) * | 2023-03-16 | 2023-06-27 | 国网河南省电力公司开封供电公司 | 一种考虑配网重构的主动配电网两阶段潮流优化方法 |
-
2023
- 2023-11-06 CN CN202311464243.6A patent/CN117200241B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112467752A (zh) * | 2020-11-25 | 2021-03-09 | 青岛创新奇智科技集团有限公司 | 分布式能源配电系统调压方法及装置 |
| CN115589000A (zh) * | 2022-12-12 | 2023-01-10 | 广东电网有限责任公司阳江供电局 | 一种基于典型负荷归类的地区电压调整优化方法和系统 |
| CN116345466A (zh) * | 2023-03-16 | 2023-06-27 | 国网河南省电力公司开封供电公司 | 一种考虑配网重构的主动配电网两阶段潮流优化方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117873838A (zh) * | 2024-03-12 | 2024-04-12 | 武汉众诚华鑫科技有限公司 | 一种电信设备环境温度监控方法及系统 |
| CN117873838B (zh) * | 2024-03-12 | 2024-05-24 | 武汉众诚华鑫科技有限公司 | 一种电信设备环境温度监控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117200241B (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117200241B (zh) | 一种新能源并网智能调压系统 | |
| CN111382789B (zh) | 基于机器学习的电力负荷识别方法及系统 | |
| Sun et al. | Research on ultra-short-term wind power prediction considering source relevance | |
| CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN112651576A (zh) | 长期风电功率预测方法及装置 | |
| CN116089777A (zh) | 一种基于信息智能匹配的新能源智能结算方法及系统 | |
| CN113466548B (zh) | 一种基于相量测量技术的智能电表台区识别方法 | |
| CN113505909B (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
| CN111564848B (zh) | 一种微型电网的智能电力调度方法和用电负荷预测装置 | |
| CN112182499A (zh) | 一种基于时序电量数据的低压配电网拓扑结构辨识方法 | |
| CN108876060B (zh) | 一种基于大数据的样本采集风电出力概率预测方法 | |
| Li et al. | Short-term load forecasting using support vector regression-based local predictor | |
| US20240019468A1 (en) | High-resolution electrical measurement data processing | |
| CN113554203B (zh) | 基于高维网格化和LightGBM的风电预测方法及装置 | |
| Dan et al. | Short-Term Forecasting of Wind Power Generation | |
| CN114301091A (zh) | 一种光伏阵列输出功率控制方法和装置 | |
| Qiao et al. | Research on SCADA data preprocessing method of Wind Turbine | |
| CN112347655A (zh) | 一种基于机组运行性能评估的风电场理论功率计算方法 | |
| Liu et al. | Ultra-short-term forecasting method of wind power based on W-BiLSTM | |
| Zhang et al. | Optimization of wind power configuration in distribution network based on scenario clustering and power flow entropy | |
| Hong et al. | Deep-Learning-Assisted Topology Identification and Sensor Placement for Active Distribution Network | |
| Zhong et al. | Low-Voltage Distribution Network Topology Identification Method Based on Segmented Current Features and CNN-LSTM Deep Learning | |
| Fan et al. | Ultra-Short-Term Wind Power Forecasting Based on Fluctuation Pattern Clustering and Prediction | |
| CN117277355B (zh) | 一种智慧监测数据的输电方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |