CN118017502A - 基于数字孪生的配电算力预测方法、系统及介质 - Google Patents
基于数字孪生的配电算力预测方法、系统及介质 Download PDFInfo
- Publication number
- CN118017502A CN118017502A CN202410271701.2A CN202410271701A CN118017502A CN 118017502 A CN118017502 A CN 118017502A CN 202410271701 A CN202410271701 A CN 202410271701A CN 118017502 A CN118017502 A CN 118017502A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- data
- target
- prediction
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 204
- 238000004364 calculation method Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004088 simulation Methods 0.000 claims abstract description 69
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims description 70
- 230000033228 biological regulation Effects 0.000 claims description 18
- 230000005611 electricity Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013506 data mapping Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供了基于数字孪生的配电算力预测方法、系统及介质,涉及配电预测技术领域,所述方法包括:通过采集配电系统的多维度电力设备信息构建初始数字孪生配电模型,然后对动态监测得到的实时运行数据进行预处理,然后得到目标运行数据,再利用该数据进行运行仿真,得到仿真运行数据,然后分析得到仿真运行信息得到配电算力的预测结果。本申请主要解决了现有技术实时性不足,电网状态变化不能及时发现并反馈,导致预测结果不准确的问题。通过对动态的运行状态监测和采集并进行异常去除得到实时数据,然后通过数字孪生配电模型进行仿真进行配电算力预测,实现了更高效和更可靠的能源预测。
Description
技术领域
本发明涉及配电预测技术领域,具体涉及基于数字孪生的配电算力预测方法、系统及介质。
背景技术
随着电力行业的快速发展和转型,电力系统的运行和控制变得越来越复杂。为了更好地应对这种挑战,配电系统需要更加智能和高效的算力支持,以实现更精准地预测和更优化的控制。数字孪生技术是一种将物理世界与数字世界相连接的技术,可以实现对真实世界的实时监测、模拟和预测。在配电系统中,数字孪生技术的应用可以帮助我们更好地理解系统的运行状态和未来趋势,从而做出更准确的预测和决策。
现有技术是通过训练神经网络模型,学习历史数据中的特征和规律,预测未来的配电算力需求。
现有技术还存在实时性不足,电网状态变化不能及时发现并反馈,导致预测结果不准确的问题。
发明内容
本申请主要解决了现有技术实时性不足,电网状态变化不能及时发现并反馈,导致预测结果不准确的问题。
鉴于上述问题,本申请提供了基于数字孪生的配电算力预测方法、系统及介质,第一方面,本申请实施例提供了基于数字孪生的配电算力预测方法,所述方法包括:通过采集到的配电系统的多维度电力设备信息构建初始数字孪生配电模型。对动态监测得到的所述配电系统的实时运行数据进行预处理,得到目标运行数据。所述初始数字孪生配电模型利用所述目标运行数据进行所述配电系统的运行仿真,得到仿真运行数据。根据分析得到的所述仿真运行数据的仿真运行信息得到所述配电系统的配电算力预测结果。
第二方面,本申请提供了基于数字孪生的配电算力预测系统,所述系统包括:初始数字孪生配电模型构建模块,所述初始数字孪生配电模型构建模块用于通过采集到的配电系统的多维度电力设备信息构建初始数字孪生配电模型。目标运行数据获取模块,所述目标运行数据获取模块用于对动态监测得到的所述配电系统的实时运行数据进行预处理,得到目标运行数据。仿真运行数据获取模块,所述仿真运行数据获取模块是所述初始数字孪生配电模型利用所述目标运行数据进行所述配电系统的运行仿真,得到仿真运行数据。预测结果获取模块,所述预测结果获取模块用于根据分析得到的所述仿真运行数据的仿真运行信息得到所述配电系统的配电算力预测结果。
第三方面,本申请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上存储有计算机程序,所述计算机程序在执行时实现上述第一方面中任一项所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供了基于数字孪生的配电算力预测方法、系统及介质,涉及配电预测技术领域,所述方法包括:通过采集配电系统的多维度电力设备信息构建初始数字孪生配电模型,然后对动态监测得到的实时运行数据进行预处理,然后得到目标运行数据,再利用该数据进行运行仿真,得到仿真运行数据,然后分析得到仿真运行信息得到配电算力的预测结果。
本申请主要解决了现有技术实时性不足,电网状态变化不能及时发现并反馈,导致预测结果不准确的问题。通过对动态的运行状态监测和采集并进行异常去除得到实时数据,然后通过数字孪生配电模型进行仿真进行配电算力预测,实现了更高效和更可靠的能源预测。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开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的介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了基于数字孪生的配电算力预测方法流程示意图;
图2为本申请实施例提供了基于数字孪生的配电算力预测方法中,实时运行数据获取的方法流程示意图;
图3为本申请实施例提供了基于数字孪生的配电算力预测方法中,目标运行数据获取的方法流程示意图;
图4为本申请实施例提供了基于数字孪生的配电算力预测系统的结构示意图。
附图标记说明:初始数字孪生配电模型构建模块10,目标运行数据获取模块20,仿真运行数据获取模块30,预测结果获取模块40。
具体实施方式
本申请主要解决了现有技术实时性不足,电网状态变化不能及时发现并反馈,导致预测结果不准确的问题。通过对动态的运行状态监测和采集并进行异常去除得到实时数据,然后通过数字孪生配电模型进行仿真进行配电算力预测,实现了更高效和更可靠的能源预测。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍:
实施例一
如图1所示基于数字孪生的配电算力预测方法,所述方法包括:
通过采集到的配电系统的多维度电力设备信息构建初始数字孪生配电模型;
具体而言,首先进行多维度电力设备信息采集:需要采集配电系统中各种设备的详细信息。包括设备类型、位置、运行状态、负载情况、故障历史、维护记录等。这些信息可以通过各种传感器、监控系统、电力监测系统等获取。然后进行数据清洗和预处理:对采集到的原始数据进行清洗和预处理,以去除错误和异常数据,确保数据的质量和可靠性。这可能包括数据格式转换、缺失值处理、异常值检测等。然后进行模型构建:使用三维建模、虚拟现实、数字孪生来构建数字孪生配电模型。根据采集到的电力设备信息,可以构建一个与实际配电系统高度相似的虚拟模型,包括设备的布局、连接关系、运行状态等。数据映射和同步:将采集到的电力设备信息映射到数字孪生配电模型中,并保持与实际系统的同步。包括对实时数据的采集、处理和更新,以确保模型能够反映实际系统的实时状态和变化。模型验证和测试:对构建的数字孪生配电模型进行验证和测试,以确保其准确性和可靠性。将构建好的数字孪生配电模型应用于配电系统的监测、控制和优化。通过模型可以实现对系统的实时监测,预测未来的电力需求和设备状态,进行智能调度和优化运行,提高系统的能源效率和可靠性。
对动态监测得到的所述配电系统的实时运行数据进行预处理,得到目标运行数据;
具体而言,通过动态监测系统获取配电系统的实时运行数据。这些数据可能包括电流、电压、功率因数、谐波含量等。使用包括电流、电压、功率、电量等传感器,以及数据采集器和通讯装置进行配电系统的数据采集。根据配电系统的实际情况,选择合适的安装位置,将传感器等设备安装到配电系统中,并确保设备与系统的连接和功能正常。通过数据采集器采集配电系统的实时数据,包括电流、电压、功率、电量等,以及环境和设备的温度、湿度等参数。然后对采集到的原始数据进行清洗,以去除错误和异常数据。包括数据格式转换、缺失值处理、异常值检测和修正等。将采集到的实时数据进行必要的转换和处理,包括数据归一化、标准化、平滑处理等。从原始数据中筛选出与配电系统运行状态相关的关键数据。包括与设备状态、故障预警、负载变化等相关的数据。将筛选后的关键数据进行聚合,以得到更全面的目标运行数据。包括计算平均值、累积量、变化率等聚合指标。可以对动态监测得到的配电系统的实时运行数据进行预处理,得到更简洁、有效的目标运行数据,为后续的配电系统运行分析和优化提供基础数据支撑。
所述初始数字孪生配电模型利用所述目标运行数据进行所述配电系统的运行仿真,得到仿真运行数据;
具体而言,数据准备:首先,需要将采集到的目标运行数据准备好。通过数据清洗、转换和聚合等步骤进行处理,以便于在数字孪生配电模型中使用。模型加载:将构建好的初始数字孪生配电模型加载到仿真环境中。这个模型包括电力设备和系统的三维模型、运行状态和连接关系等。数据映射:将准备好的目标运行数据映射到数字孪生配电模型中。将数据输入到模型中,将数据的特征和状态赋值给相应的设备或系统等。仿真运行:利用数字孪生配电模型进行仿真运行,包括模拟配电系统的实时运行、预测未来的电力需求和设备状态等。数据提取:在仿真运行过程中,可以提取仿真运行数据。这些数据包括设备的运行状态、系统的性能指标、能源消耗等。结果展示:将仿真运行的结果以图表或报告的形式展示出来,以便于进行性能评估、决策制定等。可以利用数字孪生技术和目标运行数据来模拟配电系统的运行,从而更好地理解系统的性能和行为,为实现配电系统的优化和控制提供支持。
根据分析得到的所述仿真运行数据的仿真运行信息得到所述配电系统的配电算力预测结果。
具体而言,运行信息提取:在仿真运行过程中,提取仿真的运行信息。这些信息包括设备的运行状态、系统的性能指标、能源消耗等。运行信息分析:对提取的仿真运行信息进行深入地分析。包括比较仿真结果与实际数据的差异、评估系统的性能指标、优化系统的运行策略等。同时,可以提取与配电算力相关的信息,例如设备负载情况、系统拓扑结构、电能质量等。预测模型构建:根据提取的运行信息和配电算力的相关性,使用回归分析、机器学习、深度学习等算法来建立一个预测模型。预测结果计算:利用构建好的预测模型,输入仿真运行信息作为输入,计算配电算力的预测结果。包括计算系统的电力需求、设备故障率、能源损耗等。通过这种方法,可以根据仿真运行信息得到配电算力预测结果,并将其应用于配电系统的优化和控制中,以实现更高效和可靠的能源管理和运营。
进一步而言,本申请方法还包括:
匹配所述配电算力预测结果的配电算力级别;
通过启动所述配电算力级别的配电调控方案进行所述配电系统的动态调控。
具体而言,配电算力级别匹配:根据预测结果,将配电算力划分为不同的级别。包括根据电力需求、设备负载情况、系统性能指标等因素来划分级别。确定需要匹配的算力级别目标,例如基础算力、标准算力、高级算力。配电调控方案制定:针对不同的配电算力级别,制定相应的配电调控方案。包括调度策略调整、电力负荷分配、设备维护计划等。确定配电调控方案:根据配电系统的实际情况和需求,制定相应的配电调控方案,包括调整电压、频率、功率因数等方面的控制策略。例如,在基础算力级别,可以采用基于规则的调度策略,而在高级算力级别,则可以采用基于人工智能的调度策略。针对不同的配电算力级别,可以调整电力负荷的分配方案。例如,在基础算力级别,可以采用平均分配负荷的策略,而在高级算力级别,则可以采用优化分配负荷的策略,以实现更高效的电力负荷分配和利用。启动配电调控方案:将制定好的配电调控方案通过软件或硬件的方式进行启动,与配电系统的实时数据进行对接,实现配电系统的动态调控。动态调控实施:根据配电系统的实时运行情况和配电算力级别的匹配,选择相应的配电调控方案实施。包括自动或手动调整调度策略、分配电力负荷、安排设备维护等操作。可以根据配电算力预测结果的配电算力级别,启动相应的配电调控方案进行配电系统的动态调控,实现对配电系统的智能化和优化控制。
进一步而言,如图2所示,本申请方法,在所述对动态监测得到的所述配电系统的实时运行数据进行预处理之前,包括:
读取预定算力因子,所述预定算力因子包括气象因子、负荷因子和故障因子;
基于所述气象因子监测得到所述配电系统的实时气象数据;
基于所述负荷因子监测得到所述配电系统的实时用电数据;
基于所述故障因子监测得到所述配电系统的实时设备状态数据;
所述实时气象数据、所述实时用电数据和所述实时设备状态数据共同组成所述实时运行数据。
具体而言,读取预定算力因子:读取包括气象因子、负荷因子和故障因子的预定算力因子。这些因子是预先设定的,也可以是根据历史数据得出的。基于气象因子监测配电系统:通过气象监测设备或气象数据接口获取配电系统的实时气象数据,如温度、湿度、风速等。基于负荷因子监测配电系统:通过电力监测设备或电力数据接口获取配电系统的实时用电数据,如电流、电压、功率等。这些数据反映了配电系统的实时负荷情况。基于故障因子监测配电系统:通过设备监测系统或状态监测接口获取配电系统的实时设备状态数据,如设备故障、异常情况等。这些数据用于评估系统的健康状况。实时运行数据的组成:将实时气象数据、实时用电数据和实时设备状态数据共同组成实时运行数据。这些数据提供了配电系统的全面运行状态信息,用于进行配电算力预测。可以将实时运行数据作为输入,输入到基于数字孪生技术的配电算力预测模型中。利用预测模型进行配电算力的预测,得到预测结果。根据预测结果,匹配相应的配电算力级别,并启动相应的配电调控方案进行动态调控。调控方案可能包括调整调度策略、分配电力负荷、维护设备等操作。
进一步而言,如图3所示,本申请方法还包括:
对所述实时运行数据中的数据进行指标聚类,得到指标聚类结果;
提取所述指标聚类结果中的第一聚类簇,所述第一聚类簇是指第一异常数据对应的第一指标的聚类结果,所述第一异常数据是指所述实时运行数据中的任意一个数据;
基于所述第一聚类簇中的多个数据对所述第一异常数据进行异常支持度分析,得到第一异常支持度;
若所述第一异常支持度达到预定阈值,将所述第一异常数据从所述实时运行数据中剔除,得到所述目标运行数据。
具体而言,数据预处理:首先对收集到的实时运行数据进行预处理,包括数据清洗、缺失值处理等,以确保数据的质量和可靠性。数据聚类:使用如K-means、DBSCAN等的聚类算法对预处理后的数据进行指标聚类。在聚类过程中,需要考虑如电流、电压、温度等指标进行分类,以全面反映配电系统的状态。第一聚类簇提取:在得到指标聚类结果后,选择第一聚类簇,即第一异常数据对应的第一指标的聚类结果。第一异常数据是指实时运行数据中的任意一个数据,这些数据可能存在异常或离群情况。异常支持度分析:基于第一聚类簇中的多个数据对第一异常数据进行异常支持度分析。这可以通过计算第一异常数据与第一聚类簇中其他数据的相似度或距离来实现。如果第一异常数据与第一聚类簇中的大多数数据差异较大,则可以认为它是异常数据。异常数据剔除:如果第一异常支持度达到预定阈值,达到阈值则说明第一异常数据真的存在异常,因此将其剔除,避免错误的数据影响数字孪生模型的仿真精度和仿真有效性,所以将第一异常数据从实时运行数据中剔除,得到目标运行数据。可以有效地检测和过滤异常数据,从而提高配电算力预测的准确性。同时,还可以减少异常数据对配电系统调控的影响,提高系统的可靠性和稳定性。
进一步而言,本申请方法,所述基于所述第一聚类簇中的多个数据对所述第一异常数据进行异常支持度分析,包括:
读取异常支持度函数;
通过所述异常支持度函数对所述第一异常数据进行支持度分析,得到所述第一异常支持度,其中,所述异常支持度函数表达如下:
sup(x1,x2)=k[1+(x1-x2)e]-1;
其中,sup(x1,x2)是指所述多个数据中任意数据x2对所述第一异常数据x1的所述第一异常支持度,k是指所述异常支持度函数的幅度,且k∈[0,1],e是指衰减因子,且e≥0。
具体而言,读取异常支持度函数:从预设的函数库或算法中读取异常支持度函数。该函数将用于分析第一异常数据的支持度。通过异常支持度函数进行支持度分析:将第一聚类簇中的多个数据作为输入,使用异常支持度函数进行计算和分析。根据函数定义,将每个数据对第一异常数据的支持度进行计算。计算第一异常支持度:根据异常支持度函数的输出,对第一异常数据进行支持度分析。包括计算支持度的平均值、中位数、标准差。
进一步而言,本申请方法,所述方法应用于基于数字孪生的配电算力预测系统,所述系统包括负荷仿真预测单元和故障仿真预测单元,所述根据分析得到的所述仿真运行数据的仿真运行信息得到所述配电系统的配电算力预测结果,包括:
所述负荷仿真预测单元中内嵌有负荷预测模型;
将所述目标运行数据中的目标用电数据作为所述负荷预测模型的输入信息,得到目标负荷预测值;
归一化所述目标负荷预测值得到目标负荷反馈调节系数;
所述故障仿真预测单元中内嵌有故障预测模型;
将所述目标运行数据中的目标设备状态数据作为所述故障预测模型的输入信息,得到目标故障预测值;
归一化所述目标故障预测值得到目标故障反馈调节系数;
匹配所述目标运行数据中的目标气象数据的目标气象反馈调节系数;
根据所述目标负荷反馈调节系数、所述目标故障反馈调节系数和所述目标气象反馈调节系数对所述配电系统的初始算力进行调整,得到所述配电算力预测结果。
具体而言,负荷仿真预测:在负荷仿真预测单元中内嵌有负荷预测模型,将目标运行数据中的目标用电数据作为负荷预测模型的输入信息。通过负荷预测模型,可以预测未来的电力负荷情况,得到目标负荷预测值。负荷反馈调节:将目标负荷预测值进行归一化处理,得到目标负荷反馈调节系数。这个系数反映了负荷预测的准确性,可以用于调整配电系统的运行策略。故障仿真预测:在故障仿真预测单元中内嵌有故障预测模型,将目标运行数据中的目标设备状态数据作为故障预测模型的输入信息。通过故障预测模型,可以预测未来的设备故障情况,得到目标故障预测值。故障反馈调节:将目标故障预测值进行归一化处理,得到目标故障反馈调节系数。这个系数反映了故障预测的准确性,可以用于调整配电系统的运行策略。气象反馈调节:匹配目标运行数据中的目标气象数据的目标气象反馈调节系数。这个系数可以根据气象因素的历史数据和未来预测来调整配电系统的运行策略。根据目标负荷反馈调节系数、目标故障反馈调节系数和目标气象反馈调节系数,对配电系统的初始算力进行调整,得到配电算力预测结果。这些反馈调节系数可以反映系统的实时状态和未来趋势,用于调整配电系统的算力分配和优化控制策略。
实施例二
基于与前述实施例一种基于数字孪生的配电算力预测方法相同的发明构思,如图4所示,本申请提供了基于数字孪生的配电算力预测系统,所述系统包括:
初始数字孪生配电模型构建模块10,所述初始数字孪生配电模型构建模块10用于通过采集到的配电系统的多维度电力设备信息构建初始数字孪生配电模型;
目标运行数据获取模块20,所述目标运行数据获取模块20用于对动态监测得到的所述配电系统的实时运行数据进行预处理,得到目标运行数据;
仿真运行数据获取模块30,所述仿真运行数据获取模块30是所述初始数字孪生配电模型利用所述目标运行数据进行所述配电系统的运行仿真,得到仿真运行数据;
预测结果获取模块40,所述预测结果获取模块40用于根据分析得到的所述仿真运行数据的仿真运行信息得到所述配电系统的配电算力预测结果。
进一步地,该系统还包括:
电力级别匹配模块,用于匹配所述配电算力预测结果的配电算力级别;
动态调控模块,用于通过启动所述配电算力级别的配电调控方案进行所述配电系统的动态调控。
进一步地,该系统还包括:
算力因子读取模块,用于读取预定算力因子,所述预定算力因子包括气象因子、负荷因子和故障因子;
实时气象数据获取模块,是基于所述气象因子监测得到所述配电系统的实时气象数据;
实时用电数据获取模块,是基于所述负荷因子监测得到所述配电系统的实时用电数据;
实时设备状态数据获取模块,是基于所述故障因子监测得到所述配电系统的实时设备状态数据;
实时运行数据获取模块,是所述实时气象数据、所述实时用电数据和所述实时设备状态数据共同组成所述实时运行数据。
进一步地,该系统还包括:
聚类结果获取模块,用于对所述实时运行数据中的数据进行指标聚类,得到指标聚类结果;
第一聚类簇提取模块,用于提取所述指标聚类结果中的第一聚类簇,所述第一聚类簇是指第一异常数据对应的第一指标的聚类结果,所述第一异常数据是指所述实时运行数据中的任意一个数据;
第一异常支持度获取模块,是基于所述第一聚类簇中的多个数据对所述第一异常数据进行异常支持度分析,得到第一异常支持度;
目标运行数据获取模块,若所述第一异常支持度达到预定阈值,将所述第一异常数据从所述实时运行数据中剔除,得到所述目标运行数据。
进一步地,该系统还包括:
异常支持度函数读取模块,用于读取异常支持度函数;
支持度函数获取模块,用于通过所述异常支持度函数对所述第一异常数据进行支持度分析,得到所述第一异常支持度,其中,所述异常支持度函数表达如下:
sup(x1,x2)=k[1+(x1-x2)e]-1;
其中,sup(x1,x2)是指所述多个数据中任意数据x2对所述第一异常数据x1的所述第一异常支持度,k是指所述异常支持度函数的幅度,且k∈[0,1],e是指衰减因子,且e≥0。
进一步地,该系统还包括:
负荷预测模型获取模块,是所述负荷仿真预测单元中内嵌有负荷预测模型;
目标负荷预测值获取模块,用于将所述目标运行数据中的目标用电数据作为所述负荷预测模型的输入信息,得到目标负荷预测值;
目标负荷反馈调节系数获取模块,是归一化所述目标负荷预测值得到目标负荷反馈调节系数;
故障预测模型获取模块,是所述故障仿真预测单元中内嵌有故障预测模型;
目标故障预测值获取模块,用于将所述目标运行数据中的目标设备状态数据作为所述故障预测模型的输入信息,得到目标故障预测值;
故障反馈调节系数获取模块,是归一化所述目标故障预测值得到目标故障反馈调节系数;
目标气象反馈调节系数匹配模块,用于匹配所述目标运行数据中的目标气象数据的目标气象反馈调节系数;
配电算力预测结果获取模块,用于根据所述目标负荷反馈调节系数、所述目标故障反馈调节系数和所述目标气象反馈调节系数对所述配电系统的初始算力进行调整,得到所述配电算力预测结果。
实施例三
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在执行时实现实施例一中任一项所述方法的步骤。
说明书通过前述基于数字孪生的配电算力预测方法的详细描述,本领域技术人员可以清楚地知识本实施例中基于数字孪生的配电算力预测系统,对于实施例公开的系统而言,由于其与实施例公开装置相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.基于数字孪生的配电算力预测方法,其特征在于,包括:
通过采集到的配电系统的多维度电力设备信息构建初始数字孪生配电模型;
对动态监测得到的所述配电系统的实时运行数据进行预处理,得到目标运行数据;
所述初始数字孪生配电模型利用所述目标运行数据进行所述配电系统的运行仿真,得到仿真运行数据;
根据分析得到的所述仿真运行数据的仿真运行信息得到所述配电系统的配电算力预测结果。
2.如权利要求1所述方法,其特征在于,所述方法还包括:
匹配所述配电算力预测结果的配电算力级别;
通过启动所述配电算力级别的配电调控方案进行所述配电系统的动态调控。
3.如权利要求1所述方法,其特征在于,在所述对动态监测得到的所述配电系统的实时运行数据进行预处理之前,包括:
读取预定算力因子,所述预定算力因子包括气象因子、负荷因子和故障因子;
基于所述气象因子监测得到所述配电系统的实时气象数据;
基于所述负荷因子监测得到所述配电系统的实时用电数据;
基于所述故障因子监测得到所述配电系统的实时设备状态数据;
所述实时气象数据、所述实时用电数据和所述实时设备状态数据共同组成所述实时运行数据。
4.如权利要求3所述方法,其特征在于,所述方法包括:
对所述实时运行数据中的数据进行指标聚类,得到指标聚类结果;
提取所述指标聚类结果中的第一聚类簇,所述第一聚类簇是指第一异常数据对应的第一指标的聚类结果,所述第一异常数据是指所述实时运行数据中的任意一个数据;
基于所述第一聚类簇中的多个数据对所述第一异常数据进行异常支持度分析,得到第一异常支持度;
若所述第一异常支持度达到预定阈值,将所述第一异常数据从所述实时运行数据中剔除,得到所述目标运行数据。
5.如权利要求4所述方法,其特征在于,所述基于所述第一聚类簇中的多个数据对所述第一异常数据进行异常支持度分析,包括:
读取异常支持度函数;
通过所述异常支持度函数对所述第一异常数据进行支持度分析,得到所述第一异常支持度,其中,所述异常支持度函数表达如下:
sup(x1,x2)=k[1+(x1-x2)e]-1;
其中,sup(x1,x2)是指所述多个数据中任意数据x2对所述第一异常数据x1的所述第一异常支持度,k是指所述异常支持度函数的幅度,且k∈[0,1],e是指衰减因子,且e≥0。
6.如权利要求1所述方法,其特征在于,所述方法应用于基于数字孪生的配电算力预测系统,所述系统包括负荷仿真预测单元和故障仿真预测单元,所述根据分析得到的所述仿真运行数据的仿真运行信息得到所述配电系统的配电算力预测结果,包括:
所述负荷仿真预测单元中内嵌有负荷预测模型;
将所述目标运行数据中的目标用电数据作为所述负荷预测模型的输入信息,得到目标负荷预测值;
归一化所述目标负荷预测值得到目标负荷反馈调节系数;
所述故障仿真预测单元中内嵌有故障预测模型;
将所述目标运行数据中的目标设备状态数据作为所述故障预测模型的输入信息,得到目标故障预测值;
归一化所述目标故障预测值得到目标故障反馈调节系数;
匹配所述目标运行数据中的目标气象数据的目标气象反馈调节系数;
根据所述目标负荷反馈调节系数、所述目标故障反馈调节系数和所述目标气象反馈调节系数对所述配电系统的初始算力进行调整,得到所述配电算力预测结果。
7.基于数字孪生的配电算力预测系统,其特征在于,包括:
初始数字孪生配电模型构建模块,所述初始数字孪生配电模型构建模块用于通过采集到的配电系统的多维度电力设备信息构建初始数字孪生配电模型;
目标运行数据获取模块,所述目标运行数据获取模块用于对动态监测得到的所述配电系统的实时运行数据进行预处理,得到目标运行数据;
仿真运行数据获取模块,所述仿真运行数据获取模块是所述初始数字孪生配电模型利用所述目标运行数据进行所述配电系统的运行仿真,得到仿真运行数据;
预测结果获取模块,所述预测结果获取模块用于根据分析得到的所述仿真运行数据的仿真运行信息得到所述配电系统的配电算力预测结果。
8.一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上存储有计算机程序,所述计算机程序在执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410271701.2A CN118017502A (zh) | 2024-03-11 | 2024-03-11 | 基于数字孪生的配电算力预测方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410271701.2A CN118017502A (zh) | 2024-03-11 | 2024-03-11 | 基于数字孪生的配电算力预测方法、系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118017502A true CN118017502A (zh) | 2024-05-10 |
Family
ID=90951976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410271701.2A Pending CN118017502A (zh) | 2024-03-11 | 2024-03-11 | 基于数字孪生的配电算力预测方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118017502A (zh) |
-
2024
- 2024-03-11 CN CN202410271701.2A patent/CN118017502A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503338B (zh) | 一种泛在电力物联网监测方法 | |
CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN116992399B (zh) | 一种基于电力数据分析的电力设备运维评估方法 | |
CN104281779A (zh) | 一种异常数据判定与处理方法及装置 | |
CN116683588B (zh) | 锂离子电池充放电控制方法及系统 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN117648543A (zh) | 一种自演化的变电站设备学习方法 | |
CN117639602A (zh) | 电机运行状态自适应调节方法及系统 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN117520986A (zh) | 分布式光伏发电异常监测方法、系统、设备和存储介质 | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
CN116432524A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
CN118017502A (zh) | 基于数字孪生的配电算力预测方法、系统及介质 | |
CN111461565A (zh) | 一种电力调控下的电源侧发电性能评估方法 | |
CN111625525A (zh) | 一种环境数据修复/填充方法及系统 | |
CN117175695B (zh) | 一种基于柴油发电机组的光伏微网发电方法及系统 | |
CN116760033B (zh) | 一种基于人工智能的实时电力需求预测系统 | |
CN117474710B (zh) | 中空玻璃全过程信息化管理系统 | |
CN117878979B (zh) | 基于电储能的功率平衡及动态补偿系统 | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 | |
CN115618752B (zh) | 一种基于Autoformer模型的电力负荷控制方法及系统 | |
CN117674249A (zh) | 一种含分布式光伏的配电网故障自愈控制与评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |