CN117592363A - 一种配电网机理模型与孪生数据的动态匹配方法及装置 - Google Patents
一种配电网机理模型与孪生数据的动态匹配方法及装置 Download PDFInfo
- Publication number
- CN117592363A CN117592363A CN202311555439.6A CN202311555439A CN117592363A CN 117592363 A CN117592363 A CN 117592363A CN 202311555439 A CN202311555439 A CN 202311555439A CN 117592363 A CN117592363 A CN 117592363A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution network
- power distribution
- mechanism model
- real
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008278 dynamic mechanism Effects 0.000 claims abstract description 48
- 235000019580 granularity Nutrition 0.000 claims abstract description 32
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000005094 computer simulation Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Power Engineering (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种配电网机理模型与孪生数据的动态匹配方法及装置。该方法包括：获取配电网的实时数据，并从实时数据中抽取反映配电网机理模型的行为特征的数据，生成初始孪生数据；根据实时数据的数据特征及数据间的关系对初始孪生数据进行修正，并对修正后的数据进行平差处理，获得实时孪生数据；采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型，配电网机理模型包括配电网的元件级、设备级和系统级三种不同粒度的机理模型；将实时孪生数据映射到动态机理模型，实现配电网机理模型与孪生数据的动态匹配。本发明能够解决配电网运行状态发生变化时模型与数据的映射不够准确的问题。
Description
技术领域
本发明涉及配电网技术领域，尤其涉及一种配电网机理模型与孪生数据的动态匹配方法及装置。
背景技术
随着分布式电源的大量接入，配电网中分布式电源渗透率大幅提升。然而，由于分布式电源受自然条件和环境等因素的影响，其输出功率具有明显的不确定性，这给配电网的运行调度带来消极影响，使得配电网面临新的安全运行问题，例如，其影响之一体现在：局部地区电量返送和电压双向越限现象严重，威胁电网运行安全；其影响之二体现在：光伏发电出力波动性较大，容易引起电压波动和闪变；其影响之二体现在：高比例户用分布式光伏接入，加重低压配电网三相不平衡，增加电网运行损耗。
现有技术中，为解决上述问题通常采用数字孪生技术，通过构建配电网数字孪生模型，把各业务数据汇集在同一个平台之上并直观、透明地表现出来，形成模型与数据的双重驱动、双循环优化演进的一体化智能配电系统，从而实现实际配电网与数字配电网的智能化高效互动。但高比例分布式电源接入下的配电网非确定性影响因素多，各类型设备及复杂网络结构的机理模型与数据模型间的动态匹配能力相对弱，难以实现配电网运行状态发生变化时模型与数据的精准映射。
发明内容
本发明实施例提供了一种配电网机理模型与孪生数据的动态匹配方法及装置，以解决配电网运行状态发生变化时模型与数据的映射不够准确的问题。
第一方面，本发明实施例提供了一种配电网机理模型与孪生数据的动态匹配方法，包括：获取配电网的实时数据，并从实时数据中抽取反映配电网机理模型的行为特征的数据，生成初始孪生数据；
根据实时数据的数据特征及数据间的关系对初始孪生数据进行修正，并对修正后的数据进行平差处理，获得实时孪生数据；
采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型，配电网机理模型包括配电网的元件级、设备级和系统级三种不同粒度的机理模型；
将实时孪生数据映射到动态机理模型，实现配电网机理模型与孪生数据的动态匹配。
在一种可能的实现方式中，获取配电网的实时数据，并从实时数据中抽取反映配电网机理模型的行为特征的数据，生成初始孪生数据包括：
获取实时数据中的量测数据与状态数据；
根据量测数据与状态数据构建初始数据空间，并在初始数据空间中生成节点关系；
根据节点关系在初始数据空间中配置初始孪生数据。
在一种可能的实现方式中，根据实时数据的数据特征及数据间的关系对初始孪生数据进行修正包括：
根据实时数据的数据特征，确定实时数据之间的相关系数；
根据相关系数建立回归模型，计算实时数据之间的关联性与冗余度；
根据数据特性和实时数据之间的关联性与冗余度，通过优化聚类与带通矩阵，辨识初始孪生数据中的不良数据并将不良数据剔除，得到剩余孪生数据；
根据指数平滑法，将剩余孪生数据进行均值修正，得到修正后的数据。
在一种可能的实现方式中，对修正后的数据进行平差处理，获得实时孪生数据包括：
根据修正后的数据构建有界不确定性结构，得到修正后的数据的不确定性区间范围；
对不确定性区间范围进行最小平差计算，得到平差模型；
采用卡尔曼滤波算法对平差模型进行改进，得到平差计算方程；
根据平差计算方程对修正后的数据进行计算，得到实时孪生数据。
在一种可能的实现方式中，采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型包括：
对配电网进行分级建模，得到元件级机理模型、设备级机理模型和系统级机理模型；
根据场景需求以及各级机理模型之间的关联关系，将配电网机理模型进行动态切换，生成动态切换方法；
采用马尔科夫链蒙特卡洛方法对动态切换方法进行修正；
根据修正后的方法，将各级机理模型按照各级机理模型之间的输入输出关系进行动态模拟，得到动态机理模型。
在一种可能的实现方式中，将实时孪生数据映射到动态机理模型包括：
根据配电网中设备的粒度与类别属性将实时孪生数据进行分类；
将分类后的实时孪生数据，按照类别映射到配电网机理模型中，建立实时孪生数据与机理模型间的关联关系；
根据关联关系将实时孪生数据与动态机理模型进行动态匹配。
在一种可能的实现方式中，配电网中设备的粒度包括细粒度、中粒度和粗粒度。
在一种可能的实现方式中，初始数据空间还用于将执行指令发送至配电网机理模型；
配电网机理模型接收执行指令后，生成执行数据，并将执行数据发送至初始数据空间；
初始数据空间根据执行数据更新初始孪生数据。
第二方面，本发明实施例提供了一种配电网机理模型与孪生数据的动态匹配装置，包括：
生成模块，用于获取配电网的实时数据，并从实时数据中抽取反映配电网机理模型的行为特征的数据，生成初始孪生数据；
修正模块，用于根据实时数据的数据特征及数据间的关系对初始孪生数据进行修正，并对修正后的数据进行平差处理，获得实时孪生数据；
模拟模块，用于采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型，配电网机理模型包括配电网的元件级、设备级和系统级三种不同粒度的机理模型；
匹配模型，用于将实时孪生数据映射到动态机理模型，实现配电网机理模型与孪生数据的动态匹配。
在一种可能的实现方式中，生成模块包括：
第一生成单元，用于获取实时数据中的量测数据与状态数据；
第二生成单元，用于根据量测数据与状态数据构建初始数据空间，并在初始数据空间中生成节点关系；
第三生成单元，用于根据节点关系在初始数据空间中配置初始孪生数据。
本发明实施例提供一种配电网机理模型与孪生数据的动态匹配方法及装置，通过对配电网的实时数据进行处理，生成初始孪生数据；根据实时数据的数据特征及数据间的关系对初始孪生数据进行修正，并将修正后的数据进行平差处理，获得实时孪生数据；采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型，配电网机理模型包括配电网的元件级、设备级和系统级三种不同粒度的机理模型；将实时孪生数据映射到动态机理模型，实现配电网机理模型与孪生数据的动态匹配。本发明能够建立一种多尺度配电网物理-数据-虚拟的多维度动态机理模型，提出配电网孪生数据在线动态建模方法，实现高比例分布式电源接入场景下配电网在线动态机理模型的构建，并且综合考虑影响因素，建立相应映射法则，解决配电网运行状态发生变化时模型与数据的映射不够准确的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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是本发明实施例提供的一种配电网机理模型与孪生数据的动态匹配方法的实现流程图；
图2是本发明实施例提供的一种配电网机理模型与孪生数据的动态匹配方法的作用机制图；
图3是本发明实施例提供的一种配电网机理模型与孪生数据的动态匹配装置的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
图1是本发明实施例提供的一种配电网机理模型与孪生数据的动态匹配方法的实现流程图。如图1所示：
步骤101：获取配电网的实时数据，并从实时数据中抽取反映配电网机理模型的行为特征的数据，生成初始孪生数据。
在本实施例中，配电网的实时数据可以反映配电网的用电量、用电时间、传输功率以及运行状态等，其中，实时数据中包括能够反映配电网的行为特征的特征数据，例如配电网的传输功率、输出电阻、传输距离和网络结构等；通过这些特征数据可以构建出配电网的机理模型，并且这些特征数据可以作为初始孪生数据，根据配电网的实时数据生成的初始孪生数据具有时效性，能够及时反映配电网的实时状态。
步骤102：根据实时数据的数据特征及数据间的关系对初始孪生数据进行修正，并对修正后的数据进行平差处理，获得实时孪生数据。
在本实施例中，由于实时数据的采集时刻与采集设备的运行状态存在差异，会使实时数据中存在异常数据，由于初始孪生数据是根据实时数据生成的，所以初始孪生数据也具有与实时数据相同的的数据特征以及数据间的关系，因此，可以根据实时数据的数据特征与数据间的关系，对初始孪生数据进行修正，修正后的数据相对于实时数据存在误差，因此可以对修正后的数据进行平差处理，消除误差，提高精确度，这样处理过的数据能够更准确地反映出配电网的行为特征。
步骤103：采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型，配电网机理模型包括配电网的元件级、设备级和系统级三种不同粒度的机理模型。
在本实施例中，配电网机理模型包括配电网的元件级、设备级和系统级三种不同粒度的机理模型，由于配电网中的元件、设备以及系统对应的粒度不同，因此配电网机理模型在进行实际应用的时候，需要配电网机理模型针对不同粒度的元件、设备以及系统进行动态匹配调整，因此可以采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，根据动态模拟结果对配电网机理模型进行分析并修正，得到动态机理模型，使动态机理模型能够针对不同的粒度的元件、设备以及系统进行分析并动态切换。
步骤104：将实时孪生数据映射到动态机理模型，实现配电网机理模型与孪生数据的动态匹配。
在本实施例中，实时孪生数据与动态机理模型都是根据配电网的实时数据得到的，二者所包含的数据存在对应关系，实时孪生数据能够映射到动态机理模型中；实时孪生数据能够反映动态机理模型当前时刻的行为特征，动态机理模型又能够将执行过指令后的表示行为特征的数据发送到初始数据空间中，初始数据空间将初始孪生数据进行更新，二者之间通过对应关系以及信息传输能够实现动态匹配。
综上，本实施例提供一种配电网机理模型与孪生数据的动态匹配方法，通过对配电网的实时数据进行处理，生成初始孪生数据；根据实时数据的数据特征及数据间的关系对初始孪生数据进行修正，并将修正后的数据进行平差处理，获得实时孪生数据；采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型，配电网机理模型包括配电网的元件级、设备级和系统级三种不同粒度的机理模型；将实时孪生数据映射到动态机理模型，实现配电网机理模型与孪生数据的动态匹配。本发明能够建立一种多尺度配电网物理-数据-虚拟的多维度动态机理模型，提出配电网孪生数据在线动态建模方法，实现高比例分布式电源接入场景下配电网在线动态机理模型的构建，并且综合考虑影响因素，建立相应映射法则，解决配电网运行状态发生变化时模型与数据的映射不够准确的问题。
在一些可能的实施方式中，步骤101中获取配电网的实时数据，并从实时数据中抽取反映配电网机理模型的行为特征的数据，生成初始孪生数据可以包括：
获取实时数据中的量测数据与状态数据；
根据量测数据与状态数据构建初始数据空间，并在初始数据空间中生成节点关系；
根据节点关系在初始数据空间中配置初始孪生数据。
在本实施例中，配电网的实时数据中可以包括量测数据与状态数据，量测数据与运行数据可以表示用户的用电量、用电时刻、配电网的运行状态和传输功率等行为特征；根据量测数据与状态数据能够构建出一个初始数据空间，初始数据空间相当于是一个虚拟的完全等价配电网实体数据的数据空间，能够存储配电网实体的运行数据，也能够存储配电网机理模型的运行数据；
在构建初始数据空间后可以在初始数据空间中生成节点关系，节点关系能够表示输入、输出和关联关系等，还能够保存数据的属性；因此可以根据节点关系，将初始数据空间中的数据进行配置，生成初始孪生数据。
在一些可能的实施方式中，步骤102中根据实时数据的数据特征及数据间的关系对初始孪生数据进行修正可以包括：
根据实时数据的数据特征，确定实时数据之间的相关系数；
根据相关系数建立回归模型，计算实时数据之间的关联性与冗余度；
根据数据特性和实时数据之间的关联性与冗余度，通过优化聚类与带通矩阵，辨识初始孪生数据中的不良数据并将不良数据剔除，得到剩余孪生数据；
根据指数平滑法，将剩余孪生数据进行均值修正，得到修正后的数据。
在本实施例中，在配电网进行数据采集时，由于运行设备的粒度不同，采集的时刻也不同，因此采集到的实时数据会存在异常数据，可能会导致实时数据存在多样性、不健全性以及非确定性等数据特征，相应的，根据实时数据生成的初始孪生数据也会存在异常数据，因此可以根据实时数据的数据特征计算实时数据之间的关系；具体的，可以根据离散图表，也可以根据相关系数法确定实时数据之间的相关系数，根据相关系数建立回归模型，以计算实时数据之间的关联性与冗余度；关联性能够反映实时数据之间存在某种关系，如正相关或负相关；冗余度能够反映实时数据重复度；
在得到初始孪生数据之间的关联性和冗余度之后，根据数据特性和关联性以及冗余度通过优化聚类与带通矩阵，计算孪生数据的残差特性，其中，残差特性能够衡量建模数据的合理性以及回归效果的好坏，通过计算残差特性，辨识初始孪生数据中的不良数据，并将不良数据剔除，得到剩余孪生数据，此时剩余孪生数据中不存在异常数据，但是在进行建模时，部分剩余孪生数据偏离存在偏差，会对建模造成影响，因此还根据指数平滑法，将剩余孪生数据进行均值修正，得到修正后的数据。
在一些可能的实施方式中，步骤102中对修正后的数据进行平差处理，获得实时孪生数据可以包括：
根据修正后的数据构建有界不确定性结构，得到修正后的数据的不确定性区间范围；
对不确定性区间范围进行最小平差计算，得到平差模型；
采用卡尔曼滤波算法对平差模型进行改进，得到平差计算方程；
根据平差计算方程对修正后的数据进行计算，得到实时孪生数据。
在本实施例中，根据修正后的数据构建有界不确定性结构，得到修正后的数据的不确定性区间范围，其中，有界不确定性结构能够对数据进行优化，并获得一定范围内的有效数据区间，即不确定性区间范围，在得到不确定性区间范围后对其中的数据运用最小平差准则，进行最小平差计算，以获得平差模型；在获得平差模型之后可以采用卡尔曼滤波算法对平差模型进行改进，得到平差计算方程，通过平差计算方程计算得到的数据能够数据的质量,消除误差数据，因此，修正过的数据在进行平差计算后能够获得实时孪生数据，实时孪生数据能够表示当前配电网机理模型的行为特征。
在一些可能的实施方式中，步骤103中采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型可以包括：
对配电网进行分级建模，得到元件级机理模型、设备级机理模型和系统级机理模型；
根据场景需求以及各级机理模型之间的关联关系，将配电网机理模型进行动态切换，生成动态切换方法；
采用马尔科夫链蒙特卡洛方法对动态切换方法进行修正；
根据修正后的方法，将各级机理模型按照各级机理模型之间的输入输出关系进行动态模拟，得到动态机理模型。
在本实施例中，由于配电网中包含多个元件、设备以及系统，并且元件、设备以及系统之间的粒度也不相同，因此可以将配电网中的所有元件生成元件级、所有设备生成设备级、所有系统生成系统级，将配电网分级建模，得到元件级机理模型、设备级机理模型和系统级机理模型；
为保证配电网的稳定运行，同一分级的机理模型存在包括一致性、相似性以及可信度的模型关联；同一机理模型在针对不同分级或不同场景需求时需要进行切换，并且匹配数据；因此，可以根据场景需求以及各级机理模型之间的关联关系将配电网机理模型进行动态切换，根据切换时的需求，生成动态切换方法；
在生成动态切换方法后，为保证配电网机理模型在切换时的稳定性、简易性以及相应速度，可以采用马尔科夫链蒙特卡洛方法对动态切换方法进行状态分析以及状态切换，通过分析与切切换获得的数据对各级机理模型进行修正，将修正后的各级机理模型按照各级机理模型之间的输入输出关系进行动态模拟，得到动态机理模型，这样在不同分级与不同场景需求下能够实现动态快速切换机理模型。
在一些可能的实施方式中，步骤104中将实时孪生数据映射到动态机理模型可以包括：
根据配电网中设备的粒度与类别属性将实时孪生数据进行分类；
将分类后的实时孪生数据，按照类别映射到配电网机理模型中，建立实时孪生数据与机理模型间的关联关系；
根据关联关系将实时孪生数据与动态机理模型进行动态匹配。
在本实施例中，配电网中的设备按照粒度进行区分可以是细粒度、中粒度或粗粒度；按照类别属性区分可以是变压器也可以是变流器，不同类型的设备所采集的数据存在差异，因此，可以根据设备的类别将实时孪生数据进行分类，以使分类后的实时孪生数据在进行映射时能够更好的与其对应的配电网机理模型形成关联关系；配电网机理模型中具有与分类后的实时孪生数据相对应的设备机理模型，并将映射过来的实时孪生数据进行存储，根据这种对应关系，能够实现实时孪生数据与动态机理模型之间的动态匹配。
在一些可能的实施方式中，步骤101中初始数据空间还用于将执行指令发送至配电网机理模型；
配电网机理模型接收执行指令后，生成执行数据，并将执行数据发送至初始数据空间；
初始数据空间根据执行数据更新初始孪生数据。
在本实施例中，在生成初始数据空间并且构建配电网机理模型后，若要对配电网机理模型进行控制，可以通过通讯接口将执行指令通过初始数据空间发送至配电网机理模型；配电网机理模型接收执行指令后，会根据执行指令进行模拟运行，模拟运行结束后会生成执行数据，并将执行数据发送至初始数据空间，执行数据能够表示配电网执行指令后的行为特征；初始数据空间接收到执行数据后会对初始孪生数据进行更新，用户可以根据更新后的初始孪生数据判断配电网执行指令后的状态。
综上，本实施例提供一种配电网机理模型与孪生数据的动态匹配方法，通过对配电网的实时数据进行处理，生成初始孪生数据；根据实时数据的数据特征及数据间的关系对初始孪生数据进行修正，并将修正后的数据进行平差处理，获得实时孪生数据；采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型，配电网机理模型包括配电网的元件级、设备级和系统级三种不同粒度的机理模型；将实时孪生数据映射到动态机理模型，实现配电网机理模型与孪生数据的动态匹配。本发明能够建立一种多尺度配电网物理-数据-虚拟的多维度动态机理模型，提出配电网孪生数据在线动态建模方法，实现高比例分布式电源接入场景下配电网在线动态机理模型的构建，并且综合考虑影响因素，建立相应映射法则，解决配电网运行状态发生变化时模型与数据的映射不够准确的问题。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图2为本发明实施例提供的一种配电网机理模型与孪生数据的动态匹配方法方法的作用机制图。如图2所示：
在本实施例中，配电网中可以包括用于采集配电网电压的电压传感器、用于采集配电网电流的电流传感器，还可以包括用于采集配电网温度和湿度的温湿度传感器，在此不作限定；配电网中的各种传感器可以将采集到的各种配电网的运行数据发送至初始数据空间，初始数据空间根据这些运行数据生成孪生数据；根据配电网的运行数据可以建立一个配电网机理模型，配电网机理模型能够完全等价其所参照的配电网，执行指令可以通过初始数据空间发送至配电网机理模型，配电网机理模型能够根据执行指令进行工作，并将执行后的数据反馈给初始数据空间；因此配电网机理模型可以应用于执行某项计划、可以用于设计推论、可以用于判断使用情况以及进展情况、可以用于维修工作还可以用于某项操作。
从整体层面看，配电网能够通过通信系统将执行指令发送至中初始数据空间中，实现数字体验；配电网机理模型能够模拟配电网接收执行指令后的真实运行情况，从而对执行命令进行诊断，以及预测执行指令后的配电网的状态，实现辅助决策；在执行指令后，配电网机理模型将执行后的数据反馈给初始数据空间，初始数据空间能够根据反馈的数据识别执行指令后的行为，实现先知共智；初始数据空间在进行行为识别后，会与配电网进行通信，实现状态感知；配电网机理模型会重新采集物理实体的数据并将采集到的数据再次发送至初始数据空间。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的一种配电网机理模型与孪生数据的动态匹配装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图3所示，配电网机理模型与孪生数据的动态匹配装置3包括：
生成模块31，用于获取配电网的实时数据，并从实时数据中抽取反映配电网机理模型的行为特征的数据，生成初始孪生数据；
修正模块32，用于根据实时数据的数据特征及数据间的关系对初始孪生数据进行修正，并对修正后的数据进行平差处理，获得实时孪生数据；
模拟模块33，用于采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型，配电网机理模型包括配电网的元件级、设备级和系统级三种不同粒度的机理模型；
匹配模型34，用于将实时孪生数据映射到动态机理模型，实现配电网机理模型与孪生数据的动态匹配
在一些可能的实施方式中，生成模块31可以包括：
第一生成单元，用于获取实时数据中的量测数据与状态数据；
第二生成单元，用于根据量测数据与状态数据构建初始数据空间，并在初始数据空间中生成节点关系；
第三生成单元，用于根据节点关系在初始数据空间中配置初始孪生数据。
在一些可能的实施方式中，修正模块32具体用于：
根据实时数据的数据特征，确定实时数据之间的相关系数；
根据相关系数建立回归模型，计算实时数据之间的关联性与冗余度；
根据数据特性和实时数据之间的关联性与冗余度，通过优化聚类与带通矩阵，辨识初始孪生数据中的不良数据并将不良数据剔除，得到剩余孪生数据；
根据指数平滑法，将剩余孪生数据进行均值修正，得到修正后的数据。
在一些可能的实施方式中，修正模块32具体用于：
根据修正后的数据构建有界不确定性结构，得到修正后的数据的不确定性区间范围；
对不确定性区间范围进行最小平差计算，得到平差模型；
采用卡尔曼滤波算法对平差模型进行改进，得到平差计算方程；
根据平差计算方程对修正后的数据进行计算，得到实时孪生数据。
在一些可能的实施方式中，模拟模块33具体用于：
对配电网进行分级建模，得到元件级机理模型、设备级机理模型和系统级机理模型；
根据场景需求以及各级机理模型之间的关联关系，将配电网机理模型进行动态切换，生成动态切换方法；
采用马尔科夫链蒙特卡洛方法对动态切换方法进行修正；
根据修正后的方法，将各级机理模型按照各级机理模型之间的输入输出关系进行动态模拟，得到动态机理模型。
在一些可能的实施方式中，匹配模块34具体用于：
根据配电网中设备的粒度与类别属性将实时孪生数据进行分类；
将分类后的实时孪生数据，按照类别映射到配电网机理模型中，建立实时孪生数据与机理模型间的关联关系；
根据关联关系将实时孪生数据与动态机理模型进行动态匹配。
在一些可能的实施方式中，生成模块31还用于：
控制初始数据空间将执行指令发送至配电网机理模型；
配电网机理模型接收执行指令后，生成执行数据，并将执行数据发送至初始数据空间；
初始数据空间根据执行数据更新初始孪生数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个配电网机理模型与孪生数据的动态匹配方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种配电网机理模型与孪生数据的动态匹配方法，其特征在于，包括：
获取配电网的实时数据，并从所述实时数据中抽取反映所述配电网机理模型的行为特征的数据，生成初始孪生数据；
根据所述实时数据的数据特征及数据间的关系对所述初始孪生数据进行修正，并对修正后的数据进行平差处理，获得实时孪生数据；
采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型，所述配电网机理模型包括配电网的元件级、设备级和系统级三种不同粒度的机理模型；
将所述实时孪生数据映射到所述动态机理模型，实现所述配电网机理模型与孪生数据的动态匹配。
2.根据权利要求1所述的一种配电网机理模型与孪生数据的动态匹配方法，其特征在于，所述获取配电网的实时数据，并从所述实时数据中抽取反映所述配电网机理模型的行为特征的数据，生成初始孪生数据包括：
获取所述实时数据中的量测数据与状态数据；
根据所述量测数据与所述状态数据构建初始数据空间，并在所述初始数据空间中生成节点关系；
根据所述节点关系在所述初始数据空间中配置所述初始孪生数据。
3.根据权利要求1所述的一种配电网机理模型与孪生数据的动态匹配方法，其特征在于，所述根据所述实时数据的数据特征及数据间的关系对所述初始孪生数据进行修正包括：
根据所述实时数据的数据特征，确定所述实时数据之间的相关系数；
根据所述相关系数建立回归模型，计算所述实时数据之间的关联性与冗余度；
根据所述数据特性和所述实时数据之间的关联性与冗余度，通过优化聚类与带通矩阵，辨识所述初始孪生数据中的不良数据并将所述不良数据剔除，得到剩余孪生数据；
根据指数平滑法，将所述剩余孪生数据进行均值修正，得到修正后的数据。
4.根据权利要求1所述的一种配电网机理模型与孪生数据的动态匹配方法，其特征在于，所述对修正后的数据进行平差处理，获得实时孪生数据包括：
根据修正后的数据构建有界不确定性结构，得到修正后的数据的不确定性区间范围；
对所述不确定性区间范围进行最小平差计算，得到平差模型；
采用卡尔曼滤波算法对所述平差模型进行改进，得到平差计算方程；
根据所述平差计算方程对修正后的数据进行计算，得到所述实时孪生数据。
5.根据权利要求1所述的一种配电网机理模型与孪生数据的动态匹配方法，其特征在于，所述采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型包括：
对所述配电网进行分级建模，得到元件级机理模型、设备级机理模型和系统级机理模型；
根据场景需求以及各级机理模型之间的关联关系，将所述配电网机理模型进行动态切换，生成动态切换方法；
采用马尔科夫链蒙特卡洛方法对所述动态切换方法进行修正；
根据修正后的方法，将各级机理模型按照各级机理模型之间的输入输出关系进行动态模拟，得到所述动态机理模型。
6.根据权利要求1所述的一种配电网机理模型与孪生数据的动态匹配方法，其特征在于，所述将所述实时孪生数据映射到所述动态机理模型包括：
根据所述配电网中设备的粒度与类别属性将所述实时孪生数据进行分类；
将分类后的实时孪生数据，按照类别映射到所述配电网机理模型中，建立所述实时孪生数据与机理模型间的关联关系；
根据所述关联关系将所述实时孪生数据与所述动态机理模型进行动态匹配。
7.根据权利要求6所述的一种配电网机理模型与孪生数据的动态匹配方法，其特征在于，所述配电网中设备的粒度包括细粒度、中粒度和粗粒度。
8.根据权利要求2所述的一种配电网机理模型与孪生数据的动态匹配方法，其特征在于，所述初始数据空间还用于将执行指令发送至所述配电网机理模型；
所述配电网机理模型接收执行指令后，生成执行数据，并将所述执行数据发送至所述初始数据空间；
所述初始数据空间根据所述执行数据更新所述初始孪生数据。
9.一种配电网机理模型与孪生数据的动态匹配装置，其特征在于，包括：
生成模块，用于获取配电网的实时数据，并从所述实时数据中抽取反映所述配电网机理模型的行为特征的数据，生成初始孪生数据；
修正模块，用于根据所述实时数据的数据特征及数据间的关系对所述初始孪生数据进行修正，并对修正后的数据进行平差处理，获得实时孪生数据；
模拟模块，用于采用马尔科夫链蒙特卡洛方法对配电网机理模型进行动态模拟，获得动态机理模型，所述配电网机理模型包括配电网的元件级、设备级和系统级三种不同粒度的机理模型；
匹配模型，用于将所述实时孪生数据映射到所述动态机理模型，实现所述配电网机理模型与孪生数据的动态匹配。
10.根据权利要求9所述的一种配电网机理模型与孪生数据的动态匹配装置，其特征在于，所述生成模块包括：
第一生成单元，用于获取所述实时数据中的量测数据与状态数据；
第二生成单元，用于根据所述量测数据与所述状态数据构建初始数据空间，并在所述初始数据空间中生成节点关系；
第三生成单元，用于根据所述节点关系在所述初始数据空间中配置所述初始孪生数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311555439.6A CN117592363A (zh) | 2023-11-21 | 2023-11-21 | 一种配电网机理模型与孪生数据的动态匹配方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311555439.6A CN117592363A (zh) | 2023-11-21 | 2023-11-21 | 一种配电网机理模型与孪生数据的动态匹配方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117592363A true CN117592363A (zh) | 2024-02-23 |
Family
ID=89912707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311555439.6A Pending CN117592363A (zh) | 2023-11-21 | 2023-11-21 | 一种配电网机理模型与孪生数据的动态匹配方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117592363A (zh) |
-
2023
- 2023-11-21 CN CN202311555439.6A patent/CN117592363A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
| CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
| TW201947463A (zh) | 模型測試的方法及裝置 | |
| LU500551B1 (en) | Virtual load dominant parameter identification method based on incremental learning | |
| CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
| CN112821424A (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
| US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
| CN111582630A (zh) | 一种用于确定低压台区线损率评估值的方法及系统 | |
| CN114757392A (zh) | 基于博弈权重法的电网系统综合评价指标体系优化方法 | |
| CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
| CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
| CN117484031A (zh) | 光伏组件焊接加工设备 | |
| CN112132219A (zh) | 一种基于移动端的深度学习检测模型的通用部署方案 | |
| CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
| CN113435677A (zh) | 一种电网运行风险主动分析系统及方法 | |
| CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
| LU505740A1 (en) | Data monitoring method and system | |
| CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
| CN117592363A (zh) | 一种配电网机理模型与孪生数据的动态匹配方法及装置 | |
| CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| CN115577927A (zh) | 基于粗糙集的重要电力用户用电安全评估方法及装置 | |
| CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
| CN111582498B (zh) | 基于机器学习的qa辅助决策方法及系统 |
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 |