CN117277360A - 基于三相平衡神经网络模型调整三相平衡方法及相关装置 - Google Patents
基于三相平衡神经网络模型调整三相平衡方法及相关装置 Download PDFInfo
- Publication number
- CN117277360A CN117277360A CN202311109116.4A CN202311109116A CN117277360A CN 117277360 A CN117277360 A CN 117277360A CN 202311109116 A CN202311109116 A CN 202311109116A CN 117277360 A CN117277360 A CN 117277360A
- Authority
- CN
- China
- Prior art keywords
- phase
- neural network
- network model
- phase line
- data information
- 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
- 238000003062 neural network model Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function 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
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H02J3/26—Arrangements for eliminating or reducing asymmetry in polyphase networks
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于三相平衡神经网络模型调整三相平衡方法,包括以下步骤:获取三相线路电力历史数据信息,并构建三相平衡神经网络模型;基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练;将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡,若存在三相不平衡,则基于三相不平衡结果对三相线路进行三相线路平衡调整;基于三相线路电力历史数据信息、判断三相不平衡结果、三相线路平衡调整结果生成三相平衡调整报告;实现了通过构建三相平衡神经网络模型判断三相线路是否存在三相不平衡,并对三相不平衡进行三相线路平衡调整。
Description
技术领域
本发明涉及电力监测技术领域,尤其涉及基于三相平衡神经网络模型调整三相平衡方法及相关装置。
背景技术
低压配电网的供电方式主要采用三相四线制,由于连接的三相负载很难做到相等均衡,会导致三相电流出现不平衡的情况。三相电流不平衡会造成线损和变压器附加损耗增大、变压器输出容量降低,末端某一相或某二相电压严重偏低等影响电能质量的后果。目前,在治理三相不平衡时采取的治理方法依赖于大量的实时数据计算,需要耗费大量的计算时间,方法的实时性不足,不满足使用要求。
发明内容
为了克服现有技术的不足,本发明提供了基于三相平衡神经网络模型调整三相平衡方法及相关装置,实现了通过构建三相平衡神经网络模型判断三相线路是否存在三相不平衡,并对三相不平衡进行三相线路平衡调整。
为了实现上述发明目的,本发明采用以下技术方案:
本申请第一方面提供了基于三相平衡神经网络模型调整三相平衡方法,包括以下步骤:
S101、获取三相线路电力历史数据信息,并构建三相平衡神经网络模型;
S102、基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练;
S103、将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡,若存在三相不平衡,则执行步骤S104;
S104、基于三相不平衡结果对三相线路进行三相线路平衡调整;
S105、基于三相线路电力历史数据信息、判断三相不平衡结果、三相线路平衡调整结果生成三相平衡调整报告。
进一步的,三相线路电力历史数据信息包括三相各相线路负载、三相各相有功功率值、三相各相无功功率值、电容容量。
进一步的,电容容量包括第一电容容量和第二电容容量,第一电容容量包括各相线路之间的电容容量,第二电容容量包括各相线路与零相线路之间的电容容量。
进一步的,基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练包括以下步骤:
S1021、基于带有三相线路不平衡的电力数据信息对三相平衡神经网络模型进行训练,并进行前向传播;
S1022、将预测精度与设置的精度阈值进行比较处理;
若预测精度小于设置的精度阈值,则进行反向传播,并执行步骤S1021;
若预测精度大于或等于设置的精度阈值,结束学习训练的过程,执行步骤S103。
进一步的,将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡包括以下步骤:
基于三相线路各相负载数据信息,确定三相线路各相负载数量;
基于三相线路各相负载数量进行三相线路各相之间的负载数量差值处理,得到负载数量差值处理结果;
若三相线路的任两相线路之间的负载数量差值小于负载数量阈值时,则判断三相线路不存在三相不平衡;
若三相线路的任两相线路之间的负载数量差值大于或等于负载数量阈值时,则判断三相线路存在三相不平衡。
进一步的,基于三相不平衡结果对三相线路进行三相线路平衡调整包括以下步骤:
获取三相线路各相的当前有功功率和当前无功功率值、三相负载平衡时三相线路各相的目标有功功率值和目标无功功率;
基于当前有功功率值、当前无功功率值、目标有功功率值、目标无功功率值,确定三相负载平衡时的三相各相线路之间的第一电容量投切值和三相负载平衡时的三相各相线路与零线之间的第二电容容值投切值;
基于第一电容容量投切值在三相各相线路之间进行等效电容容量投切,基于第二电容容量投切值在三相各相线路与零相线路之间进行等效电容容量投切,使三相不平衡的三相线路经调整为三相平衡的三相线路。
进一步的,将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡,若不存在三相不平衡,则生成三相线路平衡报告。
本申请第二方面提供了基于三相平衡神经网络模型调整三相平衡系统,包括:
采集单元,用于获取三相线路电力数据信息;
模型构建单元,用于构建三相平衡神经网络模型,并基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练;
第一处理单元,将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡;
第二处理单元,基于三相不平衡结果对三相线路进行三相线路平衡调整;
生成单元,基于三相线路电力数据信息、判断三相不平衡结果、三相线路平衡调整结果生成三相平衡调整报告;基于判断实时采集的三相线路电力数据信息是否存在三相不平衡,若不存在三相不平衡,则生成三相线路平衡报告。
本申请第三方面提供了基于三相平衡神经网络模型调整三相平衡设备,包括处理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行上述方法的基于三相平衡神经网络模型调整三相平衡方法。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的基于三相平衡神经网络模型调整三相平衡方法。
本申请的有益效果:实现了通过构建三相平衡神经网络模型判断三相线路是否存在三相不平衡,并对三相不平衡进行三相线路平衡调整。
通过构建三相平衡神经网络模型判断三相线路是否存在三相不平衡,大大提高了三相线路运行状态监测的精确性。
实现了构建三相平衡神经网络模型,并基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练;将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡,若存在三相不平衡,则基于三相不平衡结果对三相线路进行三相线路平衡调整。
实现了基于三相线路电力历史数据信息、判断三相不平衡结果、三相线路平衡调整结果生成三相平衡调整报告,基于判断实时采集的三相线路电力数据信息是否存在三相不平衡,若不存在三相不平衡,则生成三相线路平衡报告。
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是本发明基于三相平衡神经网络模型调整三相平衡方法的步骤示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
以下通过特定的具体实例说明本发明的实施方式,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发明的其他优点与功效。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。本发明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,在没有背离本发明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。
实施例一
基于三相平衡神经网络模型调整三相平衡方法,包括以下步骤:
S101、获取三相线路电力历史数据信息,并构建三相平衡神经网络模型;
获取三相线路电力历史数据信息,并构建三相平衡神经网络模型,三相线路电力历史数据信息包括三相各相线路负载、三相各相有功功率值、三相各相无功功率值、电容容量。需要说明的是三相各相线路负载包括三相平衡时各相线路负载和三相不平衡时各相线路负载,三相各相有功功率值包括三相平衡时各相有功功率值和三相不平衡时各相有功功率值,三相各相无功功率值包括三相平衡时各相无功功率值和三相不平衡时各相无功功率值,电容容量包括第一电容容量和第二电容容量。第一电容容量指的是各相线路之间的电容容量,第二电容容量指的是各相线路与零相线路之间的电容容量。
S102、基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练;
完成三相平衡神经网络模型的构建,通过三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练,三相线路不平衡电力数据信息包括三相不平衡时各相线路负载、三相不平衡时各相有功功率值、三相不平衡时各相无功功率值。基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练包括以下步骤:
S1021、基于带有三相线路不平衡的电力数据信息对三相平衡神经网络模型进行训练,并进行前向传播;
S1022、将预测精度与设置的精度阈值进行比较处理;
若预测精度小于设置的精度阈值,则进行反向传播,并执行步骤S1021;
若预测精度大于或等于设置的精度阈值,结束学习训练的过程,执行步骤S103。
S103、将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡,若存在三相不平衡,则执行步骤S104;
基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练,三相平衡神经网络模型完成训练,通过将实时采集的三相线路电力数据信息,作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息中是否存在三相不平衡,即将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡包括以下步骤:
基于三相线路各相负载数据信息,确定三相线路各相负载数量;
基于三相线路各相负载数量进行三相线路各相之间的负载数量差值处理,得到负载数量差值处理结果;
若三相线路的任两相线路之间的负载数量差值小于负载数量阈值时,则判断三相线路不存在三相不平衡;
若三相线路的任两相线路之间的负载数量差值大于或等于负载数量阈值时,则判断三相线路存在三相不平衡。
S104、基于三相不平衡结果对三相线路进行三相线路平衡调整;
通过将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡,若存在三相不平衡,则基于三相不平衡结果对三相线路进行三相线路平衡调整,
基于三相不平衡结果对三相线路进行三相线路平衡调整包括以下步骤:
获取三相线路各相的当前有功功率和当前无功功率值、三相负载平衡时三相线路各相的目标有功功率值和目标无功功率;
基于当前有功功率值、当前无功功率值、目标有功功率值、目标无功功率值,确定三相负载平衡时的三相各相线路之间的第一电容量投切值和三相负载平衡时的三相各相线路与零线之间的第二电容容值投切值;
基于第一电容容量投切值在三相各相线路之间进行等效电容容量投切,基于第二电容容量投切值在三相各相线路与零相线路之间进行等效电容容量投切,使三相不平衡的三相线路经调整为三相平衡的三相线路。
S105、基于三相线路电力历史数据信息、判断三相不平衡结果、三相线路平衡调整结果生成三相平衡调整报告;
获取三相线路电力历史数据信息,并构建三相平衡神经网络模型,通过基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练,并将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,判断实时采集的三相线路电力数据信息是否存在三相不平衡,若是,则基于三相不平衡结果对三相线路进行三相线路平衡调整,基于三相线路电力历史数据信息、判断三相不平衡结果、三相线路平衡调整结果生成三相平衡调整报告。
实施例二
与实施例一不同之处在于,基于三相平衡神经网络模型调整三相平衡方法,将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡,若不存在三相不平衡,则生成三相线路平衡报告。
以上为本申请实施例中提供的基于三相平衡神经网络模型调整三相平衡方法,以下为本申请实施例中提供的基于三相平衡神经网络模型调整三相平衡系统。
请参阅图1,基于三相平衡神经网络模型调整三相平衡系统,包括:
采集单元,用于获取三相线路电力数据信息;
模型构建单元,用于构建三相平衡神经网络模型,基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练;
第一处理单元,将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡;
第二处理单元,基于三相不平衡结果对三相线路进行三相线路平衡调整;
生成单元,基于三相线路电力数据信息、判断三相不平衡结果、三相线路平衡调整结果生成三相平衡调整报告;基于判断实时采集的三相线路电力数据信息是否存在三相不平衡,若不存在三相不平衡,则生成三相线路平衡报告。
获取三相线路电力历史数据信息,三相线路电力数据信息包括三相各相线路负载、三相各相有功功率值、三相各相无功功率值、电容容量。需要说明的是三相各相线路负载包括三相平衡时各相线路负载和三相不平衡时各相线路负载,三相各相有功功率值包括三相平衡时各相有功功率值和三相不平衡时各相有功功率值,三相各相无功功率值包括三相平衡时各相无功功率值和三相不平衡时各相无功功率值,电容容量包括第一电容容量和第二电容容量。第一电容容量指的是各相线路之间的电容容量,第二电容容量指的是各相线路与零相线路之间的电容容量。
基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练,三相线路不平衡电力数据信息包括三相不平衡时各相线路负载、三相不平衡时各相有功功率值、三相不平衡时各相无功功率值。基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练包括以下步骤:
S201、基于带有三相线路不平衡的电力数据信息对三相平衡神经网络模型进行训练,并进行前向传播;
S202、将预测精度与设置的精度阈值进行比较处理;
若预测精度小于设置的精度阈值,则进行反向传播,并执行步骤S201;
若预测精度大于或等于设置的精度阈值,则结束学习训练。
将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡包括以下步骤:
基于三相线路各相负载数据信息,确定三相线路各相负载数量;
基于三相线路各相负载数量进行三相线路各相之间的负载数量差值处理,得到负载数量差值处理结果;
若三相线路的任两相线路之间的负载数量差值小于负载数量阈值时,则判断三相线路不存在三相不平衡;
若三相线路的任两相线路之间的负载数量差值大于或等于负载数量阈值时,则判断三相线路存在三相不平衡。
基于三相不平衡结果对三相线路进行三相线路平衡调整包括以下步骤:
获取三相线路各相的当前有功功率和当前无功功率值、三相负载平衡时三相线路各相的目标有功功率值和目标无功功率;
基于当前有功功率值、当前无功功率值、目标有功功率值、目标无功功率值,确定三相负载平衡时的三相各相线路之间的第一电容量投切值和三相负载平衡时的三相各相线路与零线之间的第二电容容值投切值;
基于第一电容容量投切值在三相各相线路之间进行等效电容容量投切,基于第二电容容量投切值在三相各相线路与零相线路之间进行等效电容容量投切,使三相不平衡的三相线路经调整为三相平衡的三相线路。
生成单元,基于三相线路电力数据信息、判断三相不平衡结果、三相线路平衡调整结果生成三相平衡调整报告,将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡,若不存在三相不平衡,则生成三相线路平衡报告。
进一步的,本申请实施例中还提供了基于三相平衡神经网络模型调整三相平衡设备,设备包括处理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行上述方法实施例的基于三相平衡神经网络模型调整三相平衡方法。
进一步地,本申请实施例中还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述方法实施例所述的基于三相平衡神经网络模型调整三相平衡方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.基于三相平衡神经网络模型调整三相平衡方法,其特征在于,包括以下步骤:
S101、获取三相线路电力历史数据信息,并构建三相平衡神经网络模型;
S102、基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练;
S103、将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡,若存在三相不平衡,则执行步骤S104;
S104、基于三相不平衡结果对三相线路进行三相线路平衡调整;
S105、基于三相线路电力历史数据信息、判断三相不平衡结果、三相线路平衡调整结果生成三相平衡调整报告。
2.根据权利要求1所述的基于三相平衡神经网络模型调整三相平衡方法,其特征在于,所述基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练包括以下步骤:
S1021、基于带有三相线路不平衡的电力数据信息对三相平衡神经网络模型进行训练,并进行前向传播;
S1022、将预测精度与设置的精度阈值进行比较处理;
若预测精度小于设置的精度阈值,则进行反向传播,并执行步骤S1021;
若预测精度大于或等于设置的精度阈值,结束学习训练的过程,执行步骤S103。
3.根据权利要求1所述的基于三相平衡神经网络模型调整三相平衡方法,其特征在于,所述将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡包括以下步骤:
基于三相线路各相负载数据信息,确定三相线路各相负载数量;
基于三相线路各相负载数量进行三相线路各相之间的负载数量差值处理,得到负载数量差值处理结果;
若三相线路的任两相线路之间的负载数量差值小于负载数量阈值时,则判断三相线路不存在三相不平衡;
若三相线路的任两相线路之间的负载数量差值大于或等于负载数量阈值时,则判断三相线路存在三相不平衡。
4.根据权利要求1所述的基于三相平衡神经网络模型调整三相平衡方法,其特征在于,所述基于三相不平衡结果对三相线路进行三相线路平衡调整包括以下步骤:
获取三相线路各相的当前有功功率和当前无功功率值、三相负载平衡时三相线路各相的目标有功功率值和目标无功功率;
基于当前有功功率值、当前无功功率值、目标有功功率值、目标无功功率值,确定三相负载平衡时的三相各相线路之间的第一电容量投切值和三相负载平衡时的三相各相线路与零线之间的第二电容容值投切值;
基于第一电容容量投切值在三相各相线路之间进行等效电容容量投切,基于第二电容容量投切值在三相各相线路与零相线路之间进行等效电容容量投切,使三相不平衡的三相线路经调整为三相平衡的三相线路。
5.根据权利要求1所述的基于三相平衡神经网络模型调整三相平衡方法,其特征在于,所述将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡,若不存在三相不平衡,则生成三相线路平衡报告。
6.根据权利要求1所述的基于三相平衡神经网络模型调整三相平衡方法,其特征在于,所述三相线路电力历史数据信息包括三相各相线路负载、三相各相有功功率值、三相各相无功功率值、电容容量。
7.根据权利要求6所述的基于三相平衡神经网络模型调整三相平衡方法,其特征在于,所述容容量包括第一电容容量和第二电容容量,第一电容容量包括各相线路之间的电容容量,第二电容容量包括各相线路与零相线路之间的电容容量。
8.基于三相平衡神经网络模型调整三相平衡系统,其特征在于,包括:
采集单元,用于获取三相线路电力数据信息;
模型构建单元,用于构建三相平衡神经网络模型,基于三相线路不平衡电力数据信息对三相平衡神经网络模型进行训练;
第一处理单元,将实时采集的三相线路电力数据信息作为训练完成的三相平衡神经网络模型的输入数据,并判断实时采集的三相线路电力数据信息是否存在三相不平衡;
第二处理单元,基于三相不平衡结果对三相线路进行三相线路平衡调整;
生成单元,基于三相线路电力数据信息、判断三相不平衡结果、三相线路平衡调整结果生成三相平衡调整报告;基于判断实时采集的三相线路电力数据信息是否存在三相不平衡,若不存在三相不平衡,则生成三相线路平衡报告。
9.基于三相平衡神经网络模型调整三相平衡设备,其特征在于,包括处理器以及存储器:
所述存储器用于存储程序代码,并将程序代码传输给处理器;
所述处理器用于根据程序代码中的指令执行权利要求1-7任一项所述的基于三相平衡神经网络模型调整三相平衡方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-7任一项所述的基于三相平衡神经网络模型调整三相平衡方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311109116.4A CN117277360A (zh) | 2023-08-30 | 2023-08-30 | 基于三相平衡神经网络模型调整三相平衡方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311109116.4A CN117277360A (zh) | 2023-08-30 | 2023-08-30 | 基于三相平衡神经网络模型调整三相平衡方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117277360A true CN117277360A (zh) | 2023-12-22 |
Family
ID=89215064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311109116.4A Pending CN117277360A (zh) | 2023-08-30 | 2023-08-30 | 基于三相平衡神经网络模型调整三相平衡方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117277360A (zh) |
-
2023
- 2023-08-30 CN CN202311109116.4A patent/CN117277360A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Miu et al. | Capacitor placement, replacement and control in large-scale distribution systems by a GA-based two-stage algorithm | |
CN110932281B (zh) | 一种基于电网准稳态灵敏度的多断面协同校正方法和系统 | |
CN113555886B (zh) | 一种基于负荷数据的三相不平衡控制方法、系统及设备 | |
CN111563077B (zh) | 一种电网电压数据缺失填补方法、系统、终端及存储介质 | |
CN104054254A (zh) | 电转换器的多核实现的基于权函数的预测控制 | |
CN110929220A (zh) | 一种配电网指标权重计算方法及装置 | |
CN117277360A (zh) | 基于三相平衡神经网络模型调整三相平衡方法及相关装置 | |
CN115411735A (zh) | 一种配电网预期未供应电量计算方法、系统及设备 | |
CN111276962B (zh) | 一种配电网的运行方法及系统 | |
CN115833311A (zh) | 储能系统控制方法及相关装置 | |
CN114912853B (zh) | 一种电网稳定性的评价方法及装置 | |
CN111339664B (zh) | 一种基于边缘计算的逐层负荷建模方法和系统 | |
CN113570241A (zh) | 一种输电线路巡检机器人任务优化分配方法及装置 | |
Hong | A multiagent Q-learning-based restoration algorithm for resilient distribution system operation | |
CN112765932A (zh) | 分析svg对双馈并网系统的影响的方法及装置 | |
Verma et al. | Heuristic method for transmission network expansion planning with security constraints and uncertainty in load specifications | |
CN117526348B (zh) | 基于峰谷时段的台区无功补偿方法及系统 | |
CN117977638B (zh) | 基于最优解的三相不平衡调节方法及系统 | |
CN109933858B (zh) | 配电网分核并行仿真方法 | |
Wang et al. | A new method for incorporating load pickup as a control means for standing phase angle reduction in power system restoration | |
CN113007039B (zh) | 一种风电场惯量响应测试方法及装置 | |
CN114256851B (zh) | 一种智能的负荷调节方法及相关装置 | |
CN111488687B (zh) | 一种基于rtds实时仿真的agc测试方法和相关装置 | |
CN118300197A (zh) | 配电网调度方法、装置以及电子设备和存储介质 | |
CN116167893A (zh) | 一种配网线路自动化效益评估方法及相关装置 |
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 |