CN117852229B - 含新能源的配电网供电可靠性影响因素分析方法及系统 - Google Patents

含新能源的配电网供电可靠性影响因素分析方法及系统 Download PDF

Info

Publication number
CN117852229B
CN117852229B CN202410250856.8A CN202410250856A CN117852229B CN 117852229 B CN117852229 B CN 117852229B CN 202410250856 A CN202410250856 A CN 202410250856A CN 117852229 B CN117852229 B CN 117852229B
Authority
CN
China
Prior art keywords
data
index
power supply
reliability
supply reliability
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.)
Active
Application number
CN202410250856.8A
Other languages
English (en)
Other versions
CN117852229A (zh
Inventor
孙凯祺
高弋典
孙媛媛
李亚辉
刘洁
李明洋
王一鸣
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202410250856.8A priority Critical patent/CN117852229B/zh
Publication of CN117852229A publication Critical patent/CN117852229A/zh
Application granted granted Critical
Publication of CN117852229B publication Critical patent/CN117852229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • G06N3/048—Activation functions
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及配电网技术领域，本发明公开了含新能源的配电网供电可靠性影响因素分析方法及系统，包括：获取每个目标台区的数据集；对于每个目标台区，基于数据集，计算若干数据可靠性指标和若干供电可靠性指标；对于每个目标台区，基于若干供电可靠性指标，通过加权逼近理想解算法，得到综合供电可靠性指标；基于若干数据可靠性指标，通过加权逼近理想解算法，得到综合数据可靠性指标；利用卷积神经网络，拟合综合数据可靠性指标和综合供电可靠性指标的曲线；并计算每个数据可靠性指标和每个供电可靠性指标的相关系数，以选取影响每个供电可靠性指标的数据可靠性指标。弥补了当前仅从逻辑角度分析耦合影响的局限性。

Description

含新能源的配电网供电可靠性影响因素分析方法及系统
技术领域
本发明涉及配电网技术领域，具体的说，是涉及含新能源的配电网供电可靠性影响因素分析方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着高比例可再生能源和电力电子设备投入配电网，智能化与物联网融合不断深化，信息化和互动化势头迅猛。与此同时，大量电能数据成为电力系统低压透明化的支柱。然而，分布式电源的快速增加导致电网传感器数量大幅攀升，其中部分冗余数据浪费了传输资源。
不同于其他系统，分布式光伏配电网的数据采集模块相当敏感。在这种网络中，光照强度和环境温度等环境因素导致数据具有较大的波动性；传感器数量众多，分布范围广，导致部分数据可能出现采集中断等问题；强信号源干扰、通信协议等因素可能导致数据传输过程中出现时延。数据可靠性评估可以反映电网数据的优劣，当前对于数据可靠性的评估主要集中于数据完整性和数据准确性方面。通过局部异常因子算法等方法识别出时序数据中的不合理数值；利用时间戳对数据延时程度进行研判。
当前分布式光伏配电网的用电侧特性发生改变，电能质量高敏性负荷增多、用户侧多能互补形式更加丰富。然而，传统的供电可靠性指标只聚焦于对停电事故的研判，只能保证连续供电，不能保证优质供电，无法准确反映用户的真实用户体验。
数据不可靠会导致对配电网运行状态的错误判断，引发保护装置误动、拒动等问题，从而降低供电可靠性。然而，当前对数据可靠性和供电可靠性的耦合影响分析主要是从逻辑层面进行，尚未从数据角度进行证明和量化，无法得到真正影响数据可靠性和供电可靠性的因素，不仅造成数据采集的冗余，更重要的是，影响对供电可靠性的正确研判，难以保证优质供电。
发明内容
本发明为了解决上述问题，本发明提供含新能源的配电网供电可靠性影响因素分析方法及系统，针对高比例分布式光伏配电网，创新性地从数据角度分析数据可靠性对供电可靠性的影响，弥补了当前仅从逻辑角度分析耦合影响的局限性。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供含新能源的配电网供电可靠性影响因素分析方法，其包括：
获取每个目标台区的数据集；
对于每个目标台区，基于数据集，计算若干数据可靠性指标和若干供电可靠性指标；
对于每个目标台区，基于若干供电可靠性指标，通过加权逼近理想解算法，得到综合供电可靠性指标；基于若干数据可靠性指标，通过加权逼近理想解算法，得到综合数据可靠性指标；
利用卷积神经网络，拟合综合数据可靠性指标和综合供电可靠性指标的曲线；并计算每个数据可靠性指标和每个供电可靠性指标的相关系数，以选取影响每个供电可靠性指标的数据可靠性指标。
进一步地，还包括：对于每个数据可靠性指标，利用斯皮尔曼相关性分析法，分析影响数据可靠性指标的配电网物理信息。
进一步地，所述配电网物理信息包括：台区容量、接入光伏用户数、接入光伏总容量、光伏容量占比和总用户数量。
进一步地，所述加权逼近理想解算法，在计算目标台区到正理想解和负理想解的欧氏距离时，进行加权处理。
进一步地，所述供电可靠性评估指标包括：节点中断频率、节点中断持续时间、用电可靠率、系统平均停电频率、系统平均停电持续时间、用户平均停电时间和电能质量指标。
进一步地，所述数据可靠性指标包括数据准确度、数据完整度、数据时效度和数据一致度。
进一步地，所述数据一致度的计算步骤包括：
对于每个目标台区的数据集，以时间为自变量，通过最小二乘法，得到各时间点的预测值，并结合数据集中的真实值，得到第一偏离程度，并统计所述第一偏离程度超过第一阈值的个数；
对于每个目标台区的数据集，基于其他类型数据对某一类型数据进行预测，并计算该类型数据预测值和真实值之间的差值得到第二偏离程度，并统计所述第二偏离程度超过第二阈值的个数；
基于所述第一偏离程度超过第一阈值的个数和所述第二偏离程度超过第二阈值的个数，计算得到数据一致度。
本发明的第二个方面提供含新能源的配电网供电可靠性影响因素分析系统，其包括：
数据获取模块，其被配置为：获取每个目标台区的数据集；
指标计算模块，其被配置为：对于每个目标台区，基于数据集，计算若干数据可靠性指标和若干供电可靠性指标；
指标综合模块，其被配置为：对于每个目标台区，基于若干供电可靠性指标，通过加权逼近理想解算法，得到综合供电可靠性指标；基于若干数据可靠性指标，通过加权逼近理想解算法，得到综合数据可靠性指标；
相关性分析模块，其被配置为：利用卷积神经网络，拟合综合数据可靠性指标和综合供电可靠性指标的曲线；并计算每个数据可靠性指标和每个供电可靠性指标的相关系数，以选取影响每个供电可靠性指标的数据可靠性指标。
进一步地，所述供电可靠性评估指标包括：节点中断频率、节点中断持续时间、用电可靠率、系统平均停电频率、系统平均停电持续时间、用户平均停电时间和电能质量指标。
进一步地，所述数据可靠性指标包括数据准确度、数据完整度、数据时效度和数据一致度。
与现有技术相比，本发明的有益效果为：
本发明提供了含新能源的配电网供电可靠性影响因素分析方法，其针对高比例分布式光伏配电网，创新性地从数据角度分析数据可靠性对供电可靠性的影响，弥补了当前仅从逻辑角度分析耦合影响的局限性。
本发明利用改进的逼近理想解算法(TOPSIS)，通过比较各评价目标与正负理想解的接近程度来进行排序，将各个台区的综合评分定义为可靠性指数，基于数据和供电可靠性指数之间的线性关系，从整体角度分析数据质量对于综合供电可靠性的影响。
本发明将台区容量、光伏接入比例等物理信息纳入考虑，量化光伏用户数、新能源装机容量等物理因素对于数据和供电可靠性的影响。
本发明提供了含新能源的配电网供电可靠性影响因素分析方法，其在耦合分析方法中，改进了传统熵权法和逼近理想解算法；避免了传统熵权法中，当熵权趋近于1时，指标的熵值的微小变化导致指数变化；避免了传统逼近理想解算法中，难以评价落在正、负理想解的垂直平分线上的目标。
附图说明
构成本发明的一部分说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。
图1为本发明的实施例一的含新能源的配电网供电可靠性影响因素分析方法的流程图；
图2为本发明的实施例一的2D图像的示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合下面结合附图与实施例对本发明作进一步说明。
实施例一
本实施例一的目的是提供含新能源的配电网供电可靠性影响因素分析方法。
本实施例提供的含新能源的配电网供电可靠性影响因素分析方法，适用于含高比例分布式光伏配电网。
本实施例提供的含新能源的配电网供电可靠性影响因素分析方法，针对供电和数据可靠性耦合影响，通过建立综合评估体系和定义综合指标，实现数据可靠性对供电可靠性的影响量化分析；通过对多个台区进行指标相关性曲线拟合，筛选影响供电可靠性和数据可靠性的因素。
本实施例提供的含新能源的配电网供电可靠性影响因素分析方法，弥补了当前仅从逻辑角度分析耦合影响的局限性；利用基于主客观赋权方法的综合评估指标，实现了供电和数据可靠性之间的耦合关系的量化。
步骤S1：供电可靠性评估指标系统建立：在传统供电可靠性评估指标体系上，加入了电能质量指标，建立所需最小化目标数据集。
传统供电可靠性评估指标，首先从运行数据推导出节点中断频率NIF和节点中断持续时间NID，这是制定其他传统供电可靠性评估指标的基础。
因此，本实施例中，供电可靠性评估指标包括：节点中断频率、节点中断持续时间、用电可靠率、系统平均停电频率、系统平均停电持续时间、用户平均停电时间和电能质量指标（包括电压合格率和三相不平衡合格率）。
（1）用电可靠率。在统计时间段（特定时间段）内，将所有用户电力供应正常的小时数与统计时间段的比值定义为用电可靠率，记作RS:。式中t m表示统计时间内第m个用户的总停电时间，T表示统计时间段内小时数，M表示用户数量。
（2）系统平均停电频率，用于衡量电力系统在特定时间段内，平均每个用户经历的停电事件的频率，记作SAIFI:。
（3）系统平均停电持续时间，用于衡量电力系统在特定时间段内的平均停电时长，记作SAIDI:。其中，N Ci表示节点i上的用户（负载节点）数量，Ωld表示负载节点的集合。
（4）用户平均停电时间CAIDI，用于衡量用户在特定时间段内所经历的平均停电时长，记作CAIDI:。式中，T all表示电力系统中断的总持续时间；N表示受影响的用户数量。
基于运行数据，能够计算出部分电能质量指标。
（1）电压合格率。根据电压偏差标准确定电压合格范围。电压合格率为合格电压数量与有效电压量测值总数的比值：。式中，γ net表示监测区域（一个目标台区在特定时间段内）的电网电压合格率，n 1表示合格的检测值个数，n 0表示有效电压监测值的总数。
（2）三相不平衡合格率，用于反映三相电压或电流之间的不均匀分布，以电压为例，三相不平衡合格率计算公式为：。式中，/>、/>和/>分别是A、B和C三相电压，/>是三相平均电压，三相不平衡合格率/>可以通过有效值计算得到。
步骤S2：数据可靠性评估指标系统建立：本实施例从数据准确度、完整度、时效度和一致度四个维度评估数据可靠性，首次引入参照一致度和逻辑一致度指标，筛选出时序数据的异常波动，并挖掘不同类型数据间的潜在关联。
（1）数据准确度。
智能电网数据准确度的评估主要通过应用孤立森林算法（iForest）来识别异常值，该算法能够有效地在电网时序数据中找出异常情况。目前，低压配电网的时序数据主要是以5分钟或15分钟为检测间隔的电压、电流、功率数据，分别反映目标节点一天内的288或96个检测值。孤立森林算法由多个判别树组成，利用群体决策原则对潜在异常点进行表决。
数据准确度的计算步骤包括：
（101）构建决策树，其核心步骤如下：利用二叉搜索数结构以递归的形式随即分割子数据集，从而对一场样本进行孤立。首先对数据进行预处理，包括缺失值处理和标准化；随机选择一个特征和一个特定的切分值，将子数据集分为两部分。这个过程重复进行，构建一个二叉树，直到每个数据点都被单独分离或达到树的最大深度；通过重复上述步骤，构建多棵孤立树，形成孤立森林。每棵树都是相对独立的，不受其他树的影响。
（102）进行异常得分的计算：对于每个数据点，计算它在每棵树上的路径长度（从根节点到达数据点的层数），孤立度等于路径长度的平均值，可以得到样本的异常得分：。式中：n是子数据集中的样本数；/>是每个数据样本的节点/>的平均深度；/>是给定n后/>的平均值，用于归一化处理。当异常值评分s越大时，数据是异常点的可能性越高，由此确定异常值位置。
（103）基于异常值数量和研究样本数量，数据准确度占比为：。式中，D为总数据集数据总数（在特定时间段内在一个目标台区采集的数据总数）；D B1为异常值个数，D null为总数据集中数据位无效个数，D record为总数据集中记录冗余数据个数。例如，以一天为研究周期，寻找异常值，子数据集为一天内采集的低压配电网的时序数据；D是对整个研究的时间范围内的所有子数据集的集合，不只是一天内。
（2）数据完整度。
智能配电网的数据传输依赖于通信通道。网络中断、冗余数据过多等因素会导致已采集到的数据无法传输到数据层，此时数据集中数据为处于无效状态；传感器和数据采集设备的故障和老化会导致采集失败，虽显示数据成功上传，数据位处于有效状态，但内容为空，同样会导致数据缺失。
因此，数据完整度可分为记录完整和数据完整，完整度占比为：。式中，D B21和D B22分别表示检测数据集中记录缺失和数据缺失的次数。
（3）数据时效度。
配电网通信延迟、数据采集延迟、数据处理延迟等因素都会造成数据时效度降低，导致故障响应不及时、负荷不平衡等问题。电网数据时效度可通过数据更新时间差值大小来判别，差值大于指定时间差阈值ΔT，则可视为数据传输延迟，导致时效度降低，最终配电网数据时效度为：。式中，D B3是延迟的数据个数。
（4）数据一致度。
在配电网数据集中，不同行和列之间存在潜在联系，可划分为参照一致性和逻辑一致性。参照一致性指相同类型的数据在同一时间段内不发生显著波动；逻辑一致性表示不同类型的数据之间存在稳定的潜在联系。
为了验证参照一致性，以时间为自变量，以电压、电流或功率数据等为因变量，通过最小二乘法建立多项式模型，确定正常数据集中时序列数据的预测曲线。然后，计算待评估的时序数据与预测曲线之间的第一偏离程度，以评估数据的一致性水平。当第一偏离程度超过设定的第一阈值，即可认为没有通过参照一致性检验。
其中，第一偏离程度为：。其中，/>表示真实值；/>表示预测值。
为验证逻辑一致性，选取完整数据集，选定某一类型数据为输出，其他类型数据为输入，训练卷积神经网络CNN，得到每类数据的回归预测模型。为验证待测数据集的逻辑一致度，基于其他类型数据对某一类型数据进行预测，计算该类型数据预测值和真实值之间的第二偏离程度（差值）。通过设定的第二阈值，过滤出此类型数据中不满足逻辑一致性检验的部分。最后，重新选定数据类型，重复上述步骤，直到整个待测数据集完成检验。
智能配电网数据经过一致性检验后得到的数据一致度为：。式中，D B41为参照一致性异常的数据量；D B42为逻辑一致性异常的数据量；D B4为两类一致性同时异常的数据量。
步骤S3：可靠性综合评估指数计算：如图1所示，利用层次分析法和改进熵权法提取指标的主、客观权重；利用改进TOPSIS（逼近理想解算法）计算各评估对象（一个台区内的数据，包括电压、电流或功率数据）的得分，定义为可靠性综合指标。
基于目标台区运行数据，利用层次分析法(AHP)分别计算各个台区数据可靠性指标和供电可靠性指标的主观权重；利用改进熵权法(EWM)确立客观权重；再基于偏差最小的组合方式，计算出同时考虑主、客观权重的综合权重。
改进熵权法的权重计算公式为：，在传统公式：/>的基础上引入调整项ε，取为0.01。式中，n是待赋权的指标数量，e j表示指标的熵值，计算公式为，p hj表示待赋权的指标。
传统TOPSIS方法通过比较各方案与正负理想解的接近程度来进行排序，其中正负理想解被视为虚拟的理想方案，其中正理想解代表最佳方案，而负理想解代表最差方案。当一个方案接近正理想解时，离负理想解的距离越远，这表明这个决策方案更为优越。传统TOPSIS首先确定每个指标的最优值x j +和最劣值x j -，从而找到正、负理想解，然后计算评价目标（目标台区）到正理想解和负理想解的欧氏距离，分别表示为D i +和D i -：；/>。其中，n表示目标台区的个数，m表示供电可靠性指标的个数。
评估对象的综合评估值可表示为C i：。当C i的值越大时，说明该种场景更为优秀。
对于传统的TOPSIS算法，很难对落在正负理想解垂直平分线上的目标进行评价。此外，已有的改进TOPSIS算法只对原始数据进行加权，形成加权的规范矩阵，对距离解不起加权作用。因此，为了得到理想的解，需要对欧氏距离和原始数据进行加权。权衡欧几里德距离后，如果多个解与正理想解的欧几里德距离相同，则离负理想解越远的解越好。改进TOPSIS（加权逼近理想解算法）的步骤如下:
（1）建立加权指标矩阵C：。式中，/>表示第i个目标台区的第j个供电可靠性指标的取值；矩阵W表示指标（/>表示第j个供电可靠性指标或第j个数据可靠性指标）的权重向量。
（2）确认评估方案的正理想解S+、负理想解S-。指标可以分为成本型指标和效益性指标。成本型指标数值越小越好，效益性指标越大越好。本实施例先进行指标同趋势处理，采用倒数法将成本型指标转换为效益型指标。其中，。/>是加权指标矩阵C的元素。
（3）计算加权距离：。式中，S+和S-中第j个指标值正、负理想解的属性分别为c+、c-；w j表示评价指标的权重。
（4）计算综合指标D：。
可靠性综合指数D可以结合多个指标，反映供电可靠性和数据可靠性的优劣，为数据可靠性对供电可靠性的影响量化分析提供基础。具体地，将某个台区的所有的供电可靠性指标进行结合，得到一个综合供电可靠性指标；将某个台区的所有的数据可靠性指标进行结合，得到一个综合数据可靠性指标。
步骤S4：耦合关系分析：利用卷积神经网络CNN拟合数据可靠性指数D d和供电可靠性指数D p（即，综合供电可靠性指标和综合数据可靠性指标）之间的曲线（M个台区确定M个散点，可以用神经网络拟合出一条曲线）。CNN是一种深度学习模型，主要特点是对图像等二维数据进行有效的特征提取和表示。单个数据点可以比作像素，形成包含完整曲线数据的2D图像（以综合数据可靠性和综合供电可靠性指数为横纵坐标，以多个台区为对象绘制散点图），如图2所示。这些2D图像可以作为CNN的输入，然后CNN通过一系列卷积层、池化层和全连接层，生成拟合曲线的函数值。本实施例选取ReLU（非线性激活函数）作为CNN的激活函数，并采用最大池化方式。
训练后的模型可用于预测测试数据，并随后测量预测结果与实际标签之间的差异。在二维曲线拟合过程中广泛使用的评价指标包括均方根误差(RMSE)和平均绝对误差(MAE)。在本实施例中，拟合以D d为横坐标、D p为纵坐标的曲线f，将结果可视化。
步骤S5：具体指标影响因素分析。如图1所示，根据配电网物理信息，包括台区容量、接入光伏用户数、接入光伏总容量、光伏容量占比和总用户数量，利用斯皮尔曼相关性分析法，分析物理因素对每个数据可靠性指标的影响、以及每个数据可靠性对每个供电可靠性具体指标的影响。
其中，斯皮尔曼等级相关系数的计算公式为：。式中，n为样本容量；x i和y i是被检验的两个变量的值；r为斯皮尔曼等级相关系数。将x i和y i按照降序排列，计算x i和y i的秩差d i。斯皮尔曼等级相关系数的符号表示x随y变化的方向，当斯皮尔曼等级相关系数为正时，表示x随y的增大而增大。如果x随y的相关系数绝对值为1，表示x随y之间存在严格单调。当系数绝对值大于0.5时，一般认为变量之间具有强相关性。
将每个物理因素视为自变量，步骤S2中的每个数据可靠性指标视为因变量，通过相关性算法得到指标之间的相关系数，将强相关的变量视为每个数据可靠性的影响因素。
将步骤S1中的每个供电可靠性指标视为因变量，步骤S2中的每个数据可靠性指标视为自变量，通过相关性算法得到指标之间的相关系数，将强相关的变量视为供电可靠性的影响因素。
此外，为了量化某两个指标间的耦合影响关系，根据分布式光伏配电网中各个台区的可靠性指标，以两个研究对象指标为横纵坐标，绘制散点图，通过多项式拟合实现散点图拟合，反映各数据可靠性指标对各供电可靠性指标的影响。
综上，具体指标影响因素分析包括如下步骤：
步骤501、在某个统计时间段内，获取n个目标台区的电压、电流和功率数据等，得到n个数据集。每个数据集对应一个目标台区。
步骤502、对于每个目标台区，基于目标台区对应的数据集，采用步骤S2的方法，计算若干数据可靠性指标，采用步骤S2的方法，计算若干供电可靠性指标。
步骤503、对于每个目标台区，基于若干数据可靠性指标，通过改进TOPSIS算法，得到综合数据可靠性指标；基于若干供电可靠性指标，通过改进TOPSIS算法，得到综合供电可靠性指标。
步骤503、基于所有台区的综合数据可靠性指标和综合供电可靠性指标，利用卷积神经网络CNN拟合综合数据可靠性指标和综合供电可靠性指标的曲线，判断二者是否正相关。
步骤504、对于每个数据可靠性指标，利用斯皮尔曼相关性分析法，分析影响数据可靠性指标的配电网物理信息（若某个配电网物理信息与该数据可靠性指标的斯皮尔曼等级相关系数的绝对值大于阈值0.5时，认为该配电网物理信息影响数据可靠性指标）；对于每个供电可靠性指标，计算与每个数据可靠性指标的斯皮尔曼等级相关系数，以选取影响供电可靠性指标的数据可靠性指标（若某个数据可靠性指标与该供电可靠性指标的斯皮尔曼等级相关系数的绝对值大于阈值0.5时，认为该数据可靠性指标影响供电可靠性指标）。
实施例二
本实施例二的目的是提供含新能源的配电网供电可靠性影响因素分析系统，包括：
数据获取模块，其被配置为：获取每个目标台区的数据集；
指标计算模块，其被配置为：对于每个目标台区，基于数据集，计算若干数据可靠性指标和若干供电可靠性指标；
指标综合模块，其被配置为：对于每个目标台区，基于若干供电可靠性指标，通过加权逼近理想解算法，得到综合供电可靠性指标；基于若干数据可靠性指标，通过加权逼近理想解算法，得到综合数据可靠性指标；
相关性分析模块，其被配置为：利用卷积神经网络，拟合综合数据可靠性指标和综合供电可靠性指标的曲线；并计算每个数据可靠性指标和每个供电可靠性指标的相关系数，以选取影响每个供电可靠性指标的数据可靠性指标。
其中，供电可靠性评估指标包括：节点中断频率、节点中断持续时间、用电可靠率、系统平均停电频率、系统平均停电持续时间、用户平均停电时间和电能质量指标。
其中，数据可靠性指标包括数据准确度、数据完整度、数据时效度和数据一致度。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.含新能源的配电网供电可靠性影响因素分析方法，其特征在于，包括：
获取每个目标台区的数据集；
对于每个目标台区，基于数据集，计算若干数据可靠性指标和若干供电可靠性指标；
利用层次分析法和改进熵权法提取指标的主、客观权重；具体的，基于目标台区运行数据，利用层次分析法分别计算各个台区数据可靠性指标和供电可靠性指标的主观权重；利用改进熵权法确立客观权重；再基于偏差最小的组合方式，计算出同时考虑主、客观权重的综合权重；其中，改进熵权法的权重计算公式为：，
式中，ε为调整项，取值为0.01；n是待赋权的指标数量，e j表示指标的熵值，计算公式为，p hj表示待赋权的指标；
对于每个目标台区，基于若干供电可靠性指标，通过加权逼近理想解算法，得到综合供电可靠性指标；基于若干数据可靠性指标，通过加权逼近理想解算法，得到综合数据可靠性指标；所述加权逼近理想解算法，在计算目标台区到正理想解和负理想解的欧氏距离时，进行加权处理；所述加权逼近理想解算法的步骤如下:
（1）建立加权指标矩阵C：
；
式中，表示第i个目标台区的第j个供电可靠性指标的取值；矩阵W表示指标的权重向量，/>表示第j个供电可靠性指标或第j个数据可靠性指标；
（2）确认评估方案的正理想解S+、负理想解S-；指标分为成本型指标和效益性指标；成本型指标数值越小越好，效益性指标越大越好；首先进行指标同趋势处理，采用倒数法将成本型指标转换为效益型指标；其中，；/>是加权指标矩阵C的元素；
（3）计算加权距离：
；式中，S+和S-中第j个指标值正、负理想解的属性分别为c+、c-；w j表示评价指标的权重；
（4）计算综合指标D：；
可靠性综合指数D结合多个指标，反映供电可靠性和数据可靠性的优劣，为数据可靠性对供电可靠性的影响量化分析提供基础；具体地，将某个台区的所有的供电可靠性指标进行结合，得到一个综合供电可靠性指标；将某个台区的所有的数据可靠性指标进行结合，得到一个综合数据可靠性指标；
利用卷积神经网络，拟合综合数据可靠性指标和综合供电可靠性指标的曲线；并计算每个数据可靠性指标和每个供电可靠性指标的相关系数，以选取影响每个供电可靠性指标的数据可靠性指标；其中，所述数据可靠性指标包括数据准确度、数据完整度、数据时效度和数据一致度；
所述数据准确度通过应用孤立森林算法来识别异常值，其计算步骤包括：利用二叉搜索数结构以递归的形式随即分割子数据集，从而对一场样本进行孤立；对于每个数据点，计算它在每棵树上的路径长度，孤立度等于路径长度的平均值，可以得到样本的异常得分；基于异常值数量和研究样本数量，数据准确度占比为：；式中，D为总数据集数据总数，即在特定时间段内在一个目标台区采集的数据总数；D B1为异常值个数，D null为总数据集中数据位无效个数，D record为总数据集中记录冗余数据个数；
所述数据完整度分为记录完整和数据完整，完整度占比为：；式中，D B21和D B22分别表示检测数据集中记录缺失和数据缺失的次数；
所述数据时效度通过数据更新时间差值大小来判别，差值大于指定时间差阈值ΔT，则可视为数据传输延迟，导致时效度降低，最终配电网数据时效度为：
；式中，D B3是延迟的数据个数；
所述数据一致度的计算步骤包括：对于每个目标台区的数据集，以时间为自变量，通过最小二乘法，得到各时间点的预测值，并结合数据集中的真实值，得到第一偏离程度，并统计所述第一偏离程度超过第一阈值的个数；对于每个目标台区的数据集，基于其他类型数据对某一类型数据进行预测，并计算该类型数据预测值和真实值之间的差值得到第二偏离程度，并统计所述第二偏离程度超过第二阈值的个数；基于所述第一偏离程度超过第一阈值的个数和所述第二偏离程度超过第二阈值的个数，计算得到数据一致度。
2.如权利要求1所述的含新能源的配电网供电可靠性影响因素分析方法，其特征在于，还包括：对于每个数据可靠性指标，利用斯皮尔曼相关性分析法，分析影响数据可靠性指标的配电网物理信息。
3.如权利要求2所述的含新能源的配电网供电可靠性影响因素分析方法，其特征在于，所述配电网物理信息包括：台区容量、接入光伏用户数、接入光伏总容量、光伏容量占比和总用户数量。
4.如权利要求1所述的含新能源的配电网供电可靠性影响因素分析方法，其特征在于，所述供电可靠性评估指标包括：节点中断频率、节点中断持续时间、用电可靠率、系统平均停电频率、系统平均停电持续时间、用户平均停电时间和电能质量指标。
5.含新能源的配电网供电可靠性影响因素分析系统，采用如权利要求1-4任一项所述的分析方法，其特征在于，包括：
数据获取模块，其被配置为：获取每个目标台区的数据集；
指标计算模块，其被配置为：对于每个目标台区，基于数据集，计算若干数据可靠性指标和若干供电可靠性指标；
指标综合模块，其被配置为：对于每个目标台区，基于若干供电可靠性指标，通过加权逼近理想解算法，得到综合供电可靠性指标；基于若干数据可靠性指标，通过加权逼近理想解算法，得到综合数据可靠性指标；
相关性分析模块，其被配置为：利用卷积神经网络，拟合综合数据可靠性指标和综合供电可靠性指标的曲线；并计算每个数据可靠性指标和每个供电可靠性指标的相关系数，以选取影响每个供电可靠性指标的数据可靠性指标。
6.如权利要求5所述的含新能源的配电网供电可靠性影响因素分析系统，其特征在于，所述供电可靠性评估指标包括：节点中断频率、节点中断持续时间、用电可靠率、系统平均停电频率、系统平均停电持续时间、用户平均停电时间和电能质量指标。
7.如权利要求5所述的含新能源的配电网供电可靠性影响因素分析系统，其特征在于，所述数据可靠性指标包括数据准确度、数据完整度、数据时效度和数据一致度。
CN202410250856.8A 2024-03-06 2024-03-06 含新能源的配电网供电可靠性影响因素分析方法及系统 Active CN117852229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410250856.8A CN117852229B (zh) 2024-03-06 2024-03-06 含新能源的配电网供电可靠性影响因素分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410250856.8A CN117852229B (zh) 2024-03-06 2024-03-06 含新能源的配电网供电可靠性影响因素分析方法及系统

Publications (2)

Publication Number Publication Date
CN117852229A CN117852229A (zh) 2024-04-09
CN117852229B true CN117852229B (zh) 2024-06-04

Family

ID=90534870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410250856.8A Active CN117852229B (zh) 2024-03-06 2024-03-06 含新能源的配电网供电可靠性影响因素分析方法及系统

Country Status (1)

Country Link
CN (1) CN117852229B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005094870A (ja) * 2003-09-16 2005-04-07 Kansai Electric Power Co Inc:The 配電系統の供給信頼度評価方法
CN106980905A (zh) * 2017-03-15 2017-07-25 南方电网科学研究院有限责任公司 配电网供电可靠性预测方法和系统
CN110210740A (zh) * 2019-05-22 2019-09-06 广西电网有限责任公司电力科学研究院 一种考虑供电质量的配电网可靠性评估方法
CN114037220A (zh) * 2021-10-19 2022-02-11 华北电力大学（保定） 一种配电网可靠性等级划分标准及评估方法
CN114462873A (zh) * 2022-02-15 2022-05-10 东南大学 一种配电网可靠性评估及其影响因素分析方法
CN115587685A (zh) * 2022-08-31 2023-01-10 国网上海市电力公司 含高渗透率分布式电源的韧性配电网评价体系
CN115796721A (zh) * 2023-02-09 2023-03-14 国网山西省电力公司营销服务中心 高比例新能源接入的配电网运行状态智能感知方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005094870A (ja) * 2003-09-16 2005-04-07 Kansai Electric Power Co Inc:The 配電系統の供給信頼度評価方法
CN106980905A (zh) * 2017-03-15 2017-07-25 南方电网科学研究院有限责任公司 配电网供电可靠性预测方法和系统
CN110210740A (zh) * 2019-05-22 2019-09-06 广西电网有限责任公司电力科学研究院 一种考虑供电质量的配电网可靠性评估方法
CN114037220A (zh) * 2021-10-19 2022-02-11 华北电力大学（保定） 一种配电网可靠性等级划分标准及评估方法
CN114462873A (zh) * 2022-02-15 2022-05-10 东南大学 一种配电网可靠性评估及其影响因素分析方法
CN115587685A (zh) * 2022-08-31 2023-01-10 国网上海市电力公司 含高渗透率分布式电源的韧性配电网评价体系
CN115796721A (zh) * 2023-02-09 2023-03-14 国网山西省电力公司营销服务中心 高比例新能源接入的配电网运行状态智能感知方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Research on reliability evaluation methods of distribution system;Yuqiang Ou et al;《Applied Mechanics and Materials》;20141231;672-674 *
分布式电源优化配置和含分布式发电的配电网可靠性评估;夏超;《中国优秀硕士学位论文数据库（电子期刊）》;20151215;第2015卷(第12期);全文 *

Also Published As

Publication number Publication date
CN117852229A (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN106980905B (zh) 配电网供电可靠性预测方法和系统
CN106059492B (zh) 基于功率预测的光伏组件阴影故障类型判定方法
CN110222991B (zh) 基于rf-gbdt的计量装置故障诊断方法
CN104200288B (zh) 一种基于因素与事件间相关关系识别的设备故障预测方法
CN111105104A (zh) 一种基于相似日和rbf神经网络的短期电力负荷预测方法
CN110210681B (zh) 一种基于距离的监测站点pm2.5值的预测方法
CN108133225A (zh) 一种基于支持向量机的覆冰闪络故障预警方法
CN116842459B (zh) 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN113239971B (zh) 一种面向风场的临近预报与短期预报的融合系统
CN112232543A (zh) 一种基于图卷积网络的多站点预测方法
CN116308304B (zh) 基于元学习概念漂移检测的新能源智慧运维方法及系统
CN110555058A (zh) 基于改进决策树的电力通信设备状态的预测方法
CN113408659A (zh) 一种基于数据挖掘的建筑能耗集成分析方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN113361202A (zh) 一种基于特征负荷预测的配变重过载快速预警方法
CN112950048A (zh) 基于模糊综合评价的国家高等教育体系健康评价
CN117633592B (zh) 一种新能源电站智能监盘系统
CN117852229B (zh) 含新能源的配电网供电可靠性影响因素分析方法及系统
CN116341290B (zh) 一种长贮装备可靠性抽样检测方法
CN117578441A (zh) 基于神经网络提高电网负荷预测精度的方法
CN117763555A (zh) 一种基于区块链的配电网数据安全防护和评估方法
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN115734274A (zh) 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法
CN118467523B (zh) 针对配电网量测装置的量测数据质量评价方法及系统
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法

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