CN107482778A - 一种改进的电力***健康状态监测的方法及*** - Google Patents
一种改进的电力***健康状态监测的方法及*** Download PDFInfo
- Publication number
- CN107482778A CN107482778A CN201710820113.XA CN201710820113A CN107482778A CN 107482778 A CN107482778 A CN 107482778A CN 201710820113 A CN201710820113 A CN 201710820113A CN 107482778 A CN107482778 A CN 107482778A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- mtr
- mfrac
- 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
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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
-
- 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
- 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
- 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
- Y04S10/40—Display of information, e.g. of data or controls
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明一种改进的电力***健康状态监测的方法及***,属于电力***监测领域,本发明通过基于复杂电力***中PMU装置的安装节点,将电网分为线性区域和非线性区域,若某节点安装有PMU装置,那么把它称为可以用线性模型描述的线性区域,可直接求解。对其余非线性区域将PMU和SCADA量测相结合作为训练样本,利用人工神经网络智能算法对电力***进行状态估计。本算法将带有同伦算法的BP神经网络算法用于电力***的状态估计,避免了数学模型的建立及其各种非线性迭代运算,同时容错性使之不受病态条件的限制,利用样本训练后的神经网络,仅需数秒即可求得状态量结果,并且精度很高,来解决现有技术中,成本高、技术难度大等缺点。
Description
技术领域
本发明涉及电力***监测领域,特别涉及一种改进的电力***健康状态监测的方法及***。
背景技术
传统电力***运行状态监测方法是利用数据采集和监控***(SCADA)得到的实时测量和伪测量数据通过求解非线性方程组的迭代方法得到***状态变量的最佳估计值的。但该方法存在的问题是一方面传统设备在时间上不同步,在空间上不广域。不同安装地点之间没有统一时间坐标,缺乏准确的共同时间标记,记录的数据只是局部有效,整个***动态特性的分析难以完成。另一方面随着电力***复杂程度的迅速提高,采用传统方法通过电压互感器和电流互感器测量电压和电流,通过功率变换装置、模数转换器,由远动通道通过接口送到调度中心进行计算,在电力***运行于某些病态条件时,带着既定误差进行非线性运算很容易由于元件参数、检测偏差或某些随机因素导致迭代结果偏离节点运行的真实情况,导致任务量巨大,误差增加,状态估计可靠性降低。
传统电力***状态估计有加权最小二乘法、快速分解法、基于量测变换的状态估计法等几种基本方法,基本加权最小二乘法是状态估计,存在着计算时间长且繁琐,使用内存大。所以用这种方法进行状态估计分析最慢,一般对于大型的电力***来说,不将这个算法用做实时状态估计。快速分解法计算程序繁琐复杂,只适合大型电力***的实时状态估计。基于等效电流量测变换法无法对单独的有功或无功量测量进行计算。
随着电力***的发展需求,广域测量***(WAMS)应运而生,利用相量测量单元(PMU)通过全球定位***(GPS)授时在同一时间坐标下获得各种状态量的有效值以及相位关系,量测量精度高、数据时间高度统一、数据更新时间短,为电力***运行状态估计创造了良好条件。但是该方法由于成本高、技术难度大,在未来一段时间内,在***所有节点全部装设PMU设备是不太可能的。
发明内容
为了解决上述的具体技术问题,本发明一种改进的电力***健康状态监测的方法及***,首先基于复杂电力***中PMU装置的安装节点,将电网分为线性区域和非线性区域,若某节点安装有PMU装置,那么把它称为可以用线性模型描述的线性区域,可直接求解。对其余非线性区域将PMU和SCADA量测相结合作为训练样本,利用人工神经网络智能算法对电力***进行状态估计。本算法将带有同伦算法的BP神经网络算法用于电力***的状态估计,避免了数学模型的建立及其各种非线性迭代运算,同时容错性使之不受病态条件的限制,利用样本训练后的神经网络,仅需数秒即可求得状态量结果,并且精度很高。
本发明提出一种改进的电力***健康状态监测的方法及***,实现过程如下:
步骤1数据采集通过采集终端(PMU装置、SCADA***)获取变电站、发电机机端的运行数据,采集信息包括三相电压、三相电流、开关量、发电机功角等;
步骤2数据分析通过数据分析模块,对采集到的数据进行数据分析计算,输出样本数据;
步骤3样本训练提取样本数据,并通过人工神经网络智能算法对其做样本训练,并输出训练样本数据;
步骤4状态估算对输出训练样本数据,进行状态估算,输出结果到显示设备;
所述步骤4中,状态估算方法中,对于安装有PMU装置的线性区域利用线性模型直接求解包括如下子步骤:
①设一个电力网络有a个节点和b条支路,在第l个节点上装有PMU装置,则线性测量方程为:
式中:分别为电压和电流相量量测;
分别为装有和未装有PMU装置节点的电压相量;
I为l×l单位阵;
Y1、Y2分别为串联和并联导纳矩阵;
vV、vI分别为电压和电流相量的量测误差。
②根据电网络理论可以获得雅克比矩阵:
式中:AM为量测电压节点对应的l×b阶关联矩阵;
AN为不可测电压节点对应的(l-1)×b阶关联矩阵;
Yb1、Yb2是支路自导纳矩阵与支路间导纳矩阵。
③在线性***中rank(J)=N,根据最小二乘法可得:
A=JTR-1J
其中雅可比矩阵J、权重矩阵R-1和增益矩阵A都是常数,无需迭代可直接求解方程。
所述步骤4中,状态估算方法中,所述对于未安装有PMU装置的非线性区域利用PMU和SCADA量测相结合作为训练样本,利用人工神经网络智能算法对电力***进行状态估计包括如下子步骤:
①BP神经网络
网络误差函数定义为:
式中:Zj、为实际输出与期望输出;
j为神经网络的输出节点数;
n为训练样本数;
δnj为误差信号;
对样本集合中,每个样本学习一次、计算一次期望输出和实际输出的二范数,并将其累计到累积范数,
神经元经常采用的非线性特性为Sigmoid函数,
对网络的输出节点j有
网络学习的目的就是通过调节W权值,使神经网络输出E最小化。BP算法可表示为
结合上式可写成矢量形式f(W)=0。这样,把神经网络输出E的最小化问题通过同伦映射转化为非线性方程求解问题。
②构造同伦映射为:
h(t,W)=tg(W)+(1-t)f(W),t∈[0,1]
由上式定义的同伦映射零值曲线L满足
式中:s为曲线的弧长;
W0为g(W)的全局极小点。
③由曲线L上h(t,W)=0,有h(t(s),W(s))=0,两边对s求导得
由各变量关系有
其中:
Y=[t(s),W(s),...,W(s)]
最后从L0=(1,W0)出发由四阶Runge-Kutta法一直计算到最后一个点Ln=(1,Wn),则Wn即为所求目标映射全局最小点附近。
本专利的有益效果为:
本发明相较于现有技术,优势在于对于安装有PMU装置的线性区域利用了PMU装置可测的电压和电流全部量测数据,使资源利用率最大化,避免了资源浪费;将PMU量测量全部用于样本训练中计,增加了PMU量测数据的影响;人工神经网络采用的并行算法,既能进行大***的复杂离线计算,也能实现快速、准确的实时控制;满足了电力***规模不断扩大的趋势,人工神经网络的高度鲁棒性和容错性,对一定范围内的不良数据不需要进行辨识直接应用于状态估计,并且能充分逼近复杂的非线性关系,缩短了计算时间,提高了准确率与效率,对于复杂电力***效果尤为明显。
附图说明
图1基于广域监测***的电力***状态估计流程图
图2基于广域监测***的电力***状态估计示意图
图3基于广域监测***的电力***状态估计模块示意图
图4电力***状态估计器示意图
具体的实施方式
为了解决上述的具体技术问题,本发明一种改进的电力***健康状态监测的方法及***,首先基于复杂电力***中PMU装置的安装节点,将电网分为线性区域和非线性区域,若某节点安装有PMU装置,那么把它称为可以用线性模型描述的线性区域,可直接求解。对其余非线性区域将PMU和SCADA量测相结合作为训练样本,利用人工神经网络智能算法对电力***进行状态估计。本算法将带有同伦算法的BP神经网络算法用于电力***的状态估计,避免了数学模型的建立及其各种非线性迭代运算,同时容错性使之不受病态条件的限制,利用样本训练后的神经网络,仅需数秒即可求得状态量结果,并且精度很高。
本发明提出一种改进的电力***健康状态监测的方法及***,实现过程如下:
步骤1数据采集通过采集终端(PMU装置、SCADA***)获取变电站、发电机机端的运行数据,采集信息包括三相电压、三相电流、开关量、发电机功角等;
步骤2数据分析通过数据分析模块,对采集到的数据进行数据分析计算,输出样本数据;
步骤3样本训练提取样本数据,并通过人工神经网络智能算法对其做样本训练,并输出训练样本数据;
步骤4状态估算对输出训练样本数据,进行状态估算,输出结果到显示设备;
所述步骤4中,状态估算方法中,对于安装有PMU装置的线性区域利用线性模型直接求解包括如下子步骤:
①设一个电力网络有a个节点和b条支路,在第l个节点上装有PMU装置,则线性测量方程为:
式中:分别为电压和电流相量量测;
分别为装有和未装有PMU装置节点的电压相量;
I为l×l单位阵;
Y1、Y2分别为串联和并联导纳矩阵;
υV、υI分别为电压和电流相量的量测误差。
②根据电网络理论可以获得雅克比矩阵:
式中:AM为量测电压节点对应的l×b阶关联矩阵;
AN为不可测电压节点对应的(l-1)×b阶关联矩阵;
Yb1、Yb2是支路自导纳矩阵与支路间导纳矩阵。
③在线性***中rank(J)=N,根据最小二乘法可得:
A=JTR-1J
其中雅可比矩阵J、权重矩阵R-1和增益矩阵A都是常数,无需迭代可直接求解方程。
所述步骤4中,状态估算方法中,所述对于未安装有PMU装置的非线性区域利用PMU和SCADA量测相结合作为训练样本,利用人工神经网络智能算法对电力***进行状态估计包括如下子步骤:
①BP神经网络
网络误差函数定义为:
式中:Zj、为实际输出与期望输出;
j为神经网络的输出节点数;
n为训练样本数;
δnj为误差信号。
对样本集合中,每个样本学习一次、计算一次期望输出和实际输出的二范数,并将其累计到累积范数,
神经元经常采用的非线性特性为Sigmoid函数,
对网络的输出节点j有
网络学习的目的就是通过调节W权值,使神经网络输出E最小化。BP算法可表示为
结合上式可写成矢量形式f(W)=0。这样,把神经网络输出E的最小化问题通过同伦映射转化为非线性方程求解问题。
②构造同伦映射为:
h(t,W)=tg(W)+(1-t)f(W),t∈[0,1]
由上式定义的同伦映射零值曲线L满足
式中:s为曲线的弧长;
W0为g(W)的全局极小点。
③由曲线L上h(t,W)=0,有h(t(s),W(s))=0,两边对s求导得
由各变量关系有
其中:
Y=[t(s),W(s),...,W(s)]
最后从L0=(1,W0)出发由四阶Runge-Kutta法一直计算到最后一个点Ln=(1,Wn),则Wn即为所求目标映射全局最小点附近。
为了实现上述目的,根据本发明的另一个方面,提供了一种改进的电力***健康状态监测的***,该***是采用上述监测方法完成电力***健康状态监测,该***包括数据采集模块、数据分析模块、样本训练模块、电力***状态估计器;其连接关系如下:数据采集模块与数据分析***相连,分析后的数据进入样本训练模块,与电力***状态估计器连接。
所述数据采集模块为***电力***健康状态监测提供基础数据,如三相电压、三相电流、开关量、发电机功角等。
所述数据分析模块为基础数据整理及分析,统计分析与基础信息联系紧密的特征数据。
所述样本训练模块:运行过程包括:步骤一形成网络误差函数E;步骤二带同论算法的神经网络求解W,符合要求对该数据进行预测,输出预测值Y不符合要求对该数据进行数据补偿修正,再次形成网络误差函数E,至符合要求,对该数据进行预测,输出预测值Y;
所述电力***状态估计器接收测量值、接收信息、网络参数经估算输出***状态、***模型。
Claims (12)
1.本发明提出一种改进的电力***健康状态监测的方法及***,实现过程如下:步骤1数据采集通过采集终端(PMU装置、SCADA***)获取变电站、发电机机端的运行数据,采集信息包括三相电压、三相电流、开关量、发电机功角等;步骤2数据分析通过数据分析模块,对采集到的数据进行数据分析计算,输出样本数据;步骤3样本训练提取样本数据,并通过人工神经网络智能算法对其做样本训练,并输出训练样本数据;步骤4状态估算对输出训练样本数据,进行状态估算,输出结果到显示设备;对于所述步骤4中,状态估算方法,对安装有PMU装置的节点确定线性模型获得相应雅可比矩阵,利用最小二乘法直接求解;对未安装有PMU装置的节点将PMU和SCADA量测相结合作为训练样本,利用人工神经网络智能算法对电力***进行状态估计。
2.根据权利要求1中,所述一种改进的电力***健康状态监测的方法及***,所述步骤4中,状态估算方法中,对于安装有PMU装置的线性区域利用线性模型直接求解包括如下子步骤一:
设一个电力网络有a个节点和b条支路,在第l个节点上装有PMU装置,则线性测量方程为:
<mrow>
<mi>z</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mover>
<msub>
<mi>z</mi>
<mi>U</mi>
</msub>
<mo>&CenterDot;</mo>
</mover>
</mtd>
</mtr>
<mtr>
<mtd>
<mover>
<msub>
<mi>z</mi>
<mi>I</mi>
</msub>
<mo>&CenterDot;</mo>
</mover>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mi>J</mi>
<mover>
<mi>U</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>+</mo>
<mi>v</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>I</mi>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>Y</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>Y</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mover>
<mi>U</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>M</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mover>
<mi>U</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>N</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>v</mi>
<mi>V</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>v</mi>
<mi>I</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中:分别为电压和电流相量量测;
分别为装有和未装有PMU装置节点的电压相量;
I为l×l单位阵;
Y1、Y2分别为串联和并联导纳矩阵;
vv vI分别为电压和电流相量的量测误差。
3.根据权利要求1中,所述一种改进的电力***健康状态监测的方法及***,所述步骤4中,状态估算方法中,对于安装有PMU装置的线性区域利用线性模型直接求解包括如下子步骤二:
根据电网络理论可以获得雅克比矩阵:
<mrow>
<mi>J</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>I</mi>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>b</mi>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mi>A</mi>
<mi>M</mi>
<mi>T</mi>
</msubsup>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>b</mi>
<mn>2</mn>
</mrow>
</msub>
<msubsup>
<mi>A</mi>
<mi>N</mi>
<mi>T</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中:AM为量测电压节点对应的l×b阶关联矩阵;
AN为不可测电压节点对应的(l-1)×b阶关联矩阵;
Yb1、Yb2是支路自导纳矩阵与支路间导纳矩阵。
4.根据权利要求1中,所述一种改进的电力***健康状态监测的方法及***,所述步骤4中,状态估算方法中,对于安装有PMU装置的线性区域利用线性模型直接求解包括如下子步骤三:
在线性***中rank(J)=N,根据最小二乘法可得:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mi>U</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<msup>
<mi>A</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>J</mi>
<mi>T</mi>
</msup>
<msup>
<mi>R</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>z</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>A</mi>
<mo>=</mo>
<msup>
<mi>J</mi>
<mi>T</mi>
</msup>
<msup>
<mi>R</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>J</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中雅可比矩阵J、权重矩阵R-1和增益矩阵A都是常数,无需迭代可直接求解方程。
5.根据权利要求1中,所述一种改进的电力***健康状态监测的方法及***,所述步骤4中,状态估算方法中,所述对于未安装有PMU装置的非线性区域利用PMU和SCADA量测相结合作为训练样本,利用人工神经网络智能算法对电力***进行状态估计包括如下子步骤一:
BP神经网络
网络误差函数定义为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mi>n</mi>
</munder>
<munder>
<mi>&Sigma;</mi>
<mi>j</mi>
</munder>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mover>
<mi>Z</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mover>
<mi>Z</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中:Zj、为实际输出与期望输出;
j为神经网络的输出节点数;
n为训练样本数;
δnj为误差信号。
对样本集合中,每个样本学习一次、计算一次期望输出和实际输出的二范数,并将其累计到累积范数,
<mrow>
<mi>E</mi>
<mo>=</mo>
<mi>E</mi>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mover>
<mi>Z</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
神经元经常采用的非线性特性为Sigmoid函数,
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>v</mi>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>v</mi>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
对网络的输出节点j有
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
</mrow>
</msub>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>v</mi>
</mrow>
</mfrac>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>v</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mn>0</mn>
</mrow>
网络学习的目的就是通过调节W权值,使神经网络输出E最小化。BP算法可表示为
<mrow>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&mu;</mi>
<mo>&dtri;</mo>
<mi>E</mi>
</mrow>
结合上式可写成矢量形式f(W)=0。这样,把神经网络输出E的最小化问题通过同伦映射转化为非线性方程求解问题。
6.根据权利要求1中,所述一种改进的电力***健康状态监测的方法及***,所述步骤4中,状态估算方法中,所述对于未安装有PMU装置的非线性区域利用PMU和SCADA量测相结合作为训练样本,利用人工神经网络智能算法对电力***进行状态估计包括如下子步骤二:
构造同伦映射为:
h(t,W)=tg(W)+(1-t)f(W),t∈[0,1]
由上式定义的同伦映射零值曲线L满足
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
<mo>,</mo>
<mi>W</mi>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>0</mn>
<mo>&le;</mo>
<mi>s</mi>
<mo>&le;</mo>
<msub>
<mi>s</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
<mo>,</mo>
<mi>W</mi>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>W</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
2
式中:s为曲线的弧长;
W0为g(w)的全局极小点。
7.根据权利要求1中,所述一种改进的电力***健康状态监测的方法及***,所述步骤4中,状态估算方法中,所述对于未安装有PMU装置的非线性区域利用PMU和SCADA量测相结合作为训练样本,利用人工神经网络智能算法对电力***进行状态估计包括如下子步骤三:
由曲线L上h(t,W)=0,有h(t(s),W(s))=0,两边对s求导得
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>h</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>t</mi>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
<mo>,</mo>
<mi>W</mi>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>t</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>s</mi>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>h</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>W</mi>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
<mo>,</mo>
<mi>W</mi>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>W</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mn>0</mn>
</mrow>
由各变量关系有
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>Q</mi>
<mi>Y</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>W</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中:
<mrow>
<mi>Q</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>q</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>q</mi>
<mn>2</mn>
<mi>T</mi>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>q</mi>
<mi>n</mi>
<mi>T</mi>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>q</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<mo>=</mo>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>t</mi>
</mrow>
</mfrac>
<mo>,</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>W</mi>
<mn>11</mn>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
Y=[t(s),W(s),...,W(s)]
最后从L0=(1,W0)出发由四阶Runge-Kutta法一直计算到最后一个点Ln=(1,Wn),则Wn即为所求目标映射全局最小点附近。
8.根据权利要求1所述一种改进的电力***健康状态监测的方法及***,其特征在于,该***包括数据采集模块、数据分析模块、数据训练模块、样本训练模块、电力***状态估计器;其连接关系如下:数据采集模块与数据分析***相连,分析后的数据进入样本训练模块,与电力***状态估计器连接。
9.根据权利要求4所述一种改进的电力***健康状态监测的方法及***,其特征在于,所述数据采集模块为***电力***健康状态监测提供基础数据,如三相电压、三相电流、开关量、发电机功角等。
10.根据权利要求4所述一种改进的电力***健康状态监测的方法及***,其特征在于,所述数据分析模块为基础数据整理及分析,统计分析与基础信息联系紧密的特征数据。
11.根据权利要求4所述一种改进的电力***健康状态监测的方法及***,其特征在于,所述样本训练模块:运行过程包括:步骤一形成网络误差函数E;步骤二带同论算法的神经网络求解W,符合要求对该数据进行预测,输出预测值Y不符合要求对该数据进行数据补偿修正,再次形成网络误差函数E,至符合要求,对该数据进行预测,输出预测值Y。
12.根据权利要求4所述一种改进的电力***健康状态监测的方法及***,其特征在于,所述电力***状态估计器接收测量值、接收信息、网络参数经估算输出***状态、***模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710820113.XA CN107482778A (zh) | 2017-09-13 | 2017-09-13 | 一种改进的电力***健康状态监测的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710820113.XA CN107482778A (zh) | 2017-09-13 | 2017-09-13 | 一种改进的电力***健康状态监测的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107482778A true CN107482778A (zh) | 2017-12-15 |
Family
ID=60584720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710820113.XA Pending CN107482778A (zh) | 2017-09-13 | 2017-09-13 | 一种改进的电力***健康状态监测的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107482778A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119493A (zh) * | 2019-04-09 | 2019-08-13 | 浙江大学 | 一种基于压缩pmu数据和局部离群因子的电力***事件感知方法 |
CN110490378A (zh) * | 2019-08-07 | 2019-11-22 | 中国南方电网有限责任公司 | 基于云scada大数据的电网状态估计精度的计算方法 |
CN110796385A (zh) * | 2019-11-04 | 2020-02-14 | 北京交通大学 | 电力***状态估计方法、装置、设备及存储介质 |
CN114221334A (zh) * | 2021-12-13 | 2022-03-22 | 国网江苏省电力有限公司 | 一种基于图神经网络的快速状态估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577426A (zh) * | 2009-03-19 | 2009-11-11 | 上海交通大学 | 适用于广域测量***的电力***状态估计器 |
CN102609790A (zh) * | 2012-03-14 | 2012-07-25 | 华北电力大学 | 采用混合量测的电力***在线状态估计方法 |
CN103678931A (zh) * | 2013-12-23 | 2014-03-26 | 国家电网公司 | 基于精确量测负荷数据的变电站覆盖区域能效评估方法 |
-
2017
- 2017-09-13 CN CN201710820113.XA patent/CN107482778A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577426A (zh) * | 2009-03-19 | 2009-11-11 | 上海交通大学 | 适用于广域测量***的电力***状态估计器 |
CN102609790A (zh) * | 2012-03-14 | 2012-07-25 | 华北电力大学 | 采用混合量测的电力***在线状态估计方法 |
CN103678931A (zh) * | 2013-12-23 | 2014-03-26 | 国家电网公司 | 基于精确量测负荷数据的变电站覆盖区域能效评估方法 |
Non-Patent Citations (2)
Title |
---|
刘晓义等: "基于PMU/SCADA混合量测的电力***状态估计", 《电测与仪表》 * |
祝滨等: "神经网络的同伦算法与电力***状态估计", 《电力***及其自动化学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119493A (zh) * | 2019-04-09 | 2019-08-13 | 浙江大学 | 一种基于压缩pmu数据和局部离群因子的电力***事件感知方法 |
CN110119493B (zh) * | 2019-04-09 | 2023-03-10 | 浙江大学 | 一种基于压缩pmu数据和局部离群因子的电力***事件感知方法 |
CN110490378A (zh) * | 2019-08-07 | 2019-11-22 | 中国南方电网有限责任公司 | 基于云scada大数据的电网状态估计精度的计算方法 |
CN110796385A (zh) * | 2019-11-04 | 2020-02-14 | 北京交通大学 | 电力***状态估计方法、装置、设备及存储介质 |
CN114221334A (zh) * | 2021-12-13 | 2022-03-22 | 国网江苏省电力有限公司 | 一种基于图神经网络的快速状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102819004B (zh) | 智能变电站数字化电能计量***性能综合检测与分析平台 | |
CN107482778A (zh) | 一种改进的电力***健康状态监测的方法及*** | |
CN101383511B (zh) | 基于数据采集***量测数据的电力***状态估计方法 | |
CN105223466B (zh) | 一种利用模极大值比的特高压直流输电线路单端测距方法 | |
CN107453357A (zh) | 一种基于分层求解的配电网状态估计方法 | |
CN106295911B (zh) | 一种基于层析分析法的电网支路参数评价方法 | |
CN103023015B (zh) | 一种配电线路阻抗在线虚拟量测方法 | |
CN104600699B (zh) | 一种基于混合整数二次规划模型的配电网结构估计方法 | |
CN107577870A (zh) | 基于同步相量量测的配电网电压功率灵敏度鲁棒估计方法 | |
CN104865495B (zh) | 电力线路故障行波定位方法及*** | |
CN107942160A (zh) | 基于bp神经网络的线路参数特性辨识模型的建立方法 | |
CN108647438A (zh) | 一种新型土壤等效电阻模型建模方法 | |
CN106443246A (zh) | 基于pmu量测数据的小干扰稳定参数的在线辨识方法 | |
CN102508086B (zh) | 一种t形连接电力线路的参数估计方法 | |
CN109523165A (zh) | 一种基于有限信息的电压暂降状态估计方法 | |
CN106026086A (zh) | 一种电网中运行状态的动态估计方法 | |
CN101615213B (zh) | 基于扩展不确定度的电力***状态估计结果评价方法 | |
CN103606113A (zh) | 基于pmu装置的电力***静态状态估计方法 | |
CN109193635A (zh) | 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 | |
CN106405326A (zh) | 基于单回电气量同塔双回直流输电线路时域故障测距方法 | |
CN111969604A (zh) | 基于实测数据的台区线损动态计算方法及装置 | |
CN104573980A (zh) | 一种架空输电线路弧垂实时评估及预警方法 | |
CN102280877B (zh) | 一种多量测断面的电力***不良支路参数辨识方法 | |
CN103995948A (zh) | 一种基于多项式模型的振荡中心电压预测方法 | |
CN106443253A (zh) | 一种基于pmu数据的输电线路参数辨识方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171215 |
|
RJ01 | Rejection of invention patent application after publication |