CN110297145B - 一种基于多用户电能量数据深度分析的电压暂降检测方法 - Google Patents
一种基于多用户电能量数据深度分析的电压暂降检测方法 Download PDFInfo
- Publication number
- CN110297145B CN110297145B CN201910689507.5A CN201910689507A CN110297145B CN 110297145 B CN110297145 B CN 110297145B CN 201910689507 A CN201910689507 A CN 201910689507A CN 110297145 B CN110297145 B CN 110297145B
- Authority
- CN
- China
- Prior art keywords
- user
- load
- voltage sag
- fault
- deviation rate
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于多用户电能量数据深度分析的电压暂降检测方法,所述方法通过对某一区域内的多用户的电力负荷数据信息进行深度分析处理,进而可以较为准确地检测出该区域内发生的电压暂降故障。首先采集区域内各专变用户的电力负荷信息。其次将各专变用户的数据存储于服务器端,进行数据预处理。随后对预处理后的各用户信息进行深度分析处理。最后根据处理结果进行电能质量故障类型匹配,判断该区域是否发生电压暂降故障或者其他故障。本发明方法具有检测准确性高,数据采集方便等优点,同时还可以根据最新的研究成果修改故障匹配模型以进一步提高检测的准确性。
Description
技术领域
本发明涉及区域电能质量故障识别领域,更具体地,涉及一种基于多用户电能量数据深度分析的电压暂降检测方法。
背景技术
电压暂降是电力***中频繁出现的严重电能质量问题,据统计,由电压暂降造成的经济损失占全部电能质量问题所造成的经济损失的70%~90%。导致电压暂降故障发生的主要原因是由供电***和用户内部设备发生短路故障造成的。
传统的电压暂降检测方法在实时性和准确性上仍有不足,面对用户日益提高的电能质量要求以及工程上对电压暂降故障检测的实时性和准确性的要求,急需提出一种更加优化的电压暂降检测方法。
发明内容
本发明为克服上述现有技术所述的电压暂降检测方法的准确性不够高的缺陷,提供一种基于多用户电能量数据深度分析的电压暂降检测方法。
所述方法包括以下步骤:
S1:采集区域内各专变用户的各时段的实时负荷信息;并将采集到的各专变用户时段用电负荷数据进行存储;
所述智能采集终端具备能够对各专变用户的电能量信息高频采集,且具备将采集的海量电能量数据上传服务器进行存储的能力。
S2:根据历史数据,采用AR短期负荷预测模型进行负荷预测,得出每个专变用户当天的标准负荷曲线;
AR模型是一种线性预测,即已知N个数据,可由模型推出第N点前面或后面的数据(设推出P点),所以其本质类似于插值,其目的都是为了增加有效数据,只是AR模型是由N点递推,而插值是由两点(或少数几点)去推导多点,所以AR模型要比插值方法效果更好。
所述历史数据包括该用户足够多的历史负荷信息,从而能够根据其历史数据较为准确地得出各用户正常标准负荷曲线。
S3:根据标准负荷,计算每个专变用户各时段用电负荷偏差率,绘制偏差曲线;
S4:根据各时段偏差率以及参考值赋予各用户各时段故障因子,绘制故障因子时序图;
S5:将同一片区的多个用户的故障因子时序图进行深度分析,判断是否发生电压暂降,输出检测结果。
优选地,一个时段为十五分钟,将一天划分为96时段。
优选地,AR短期负荷预测模型为:
由于未来时段的负荷值yt由过去值的加权值的有限线性组合及一个干扰量βt来表示;
于是,p阶AR模型的数学表达式为:
优选地,所述各时段偏差率是指该用户此时刻用电负荷数值与预测的该时刻正常用电负荷数值的偏差占比;用电负荷偏差率的计算公式为:
其中,p*为根据历史数据预测的正常运行负荷数据,pi为智能采集终端采集的实时负荷数据。
优选地,故障因子包括:正常因子和电压暂降因子。
优选地,根据各时段偏差率以及参考值赋予各用户各时段故障因子的具体操作为:根据不同的专变用户的历史数据和观测经验,对不同专变用户负荷的不同偏差率都可以建立起对应的可能故障类型:S0={α|α∈(0,α0)}为正常运行偏差率集合,当负荷偏差率属于这个集合时,赋予该用户此时段正常因子;S1={α|α∈[α0,α1)}为电压暂降负荷偏差率集合,当负荷偏差率属于这个集合时,赋予该用户此时段电压暂降因子。
其中,α为计算所得的实时用电负荷偏差率;α0为正常波动情况下的临界用电负荷偏差率,一般根据该专变的历史负荷数据计算得到;ΔPmax、PAV分别是一年中该专变当前时刻与前一时刻的最大负荷值差值和该专变当前时刻一年中的负荷平均值;α1为电压暂降故障下的最大用电负荷偏差率,一般取90%。
优选地,所述深度分析包括:对各用户特定时段的偏差率进行故障分析,即根据偏差率所属的集合定义其故障类型;对区域内所有用户特定时段故障因子进行分析,即统计同一时刻区域内的所有专变用户的故障因子。
优选地,所述深度分析包括:对各用户特定时段的偏差量进行故障分析,对区域内所有用户特定时段故障因子进行关联性分析。
优选地,判断是否发生电压暂降的过程为:统计某一特定时刻该区域内故障因子是电压暂降因子的个数,然后按照事先研究所做的约定判断是否发生了电压暂降;即关联分析多用户的故障因子时序曲线,统计所有用户在时段Ti的电压暂降因子数Ni,若Ni>N0,则可以认为该时段该区域发生了电压暂降故障,其中,N0为预设值,根据专变的历史突发情况概率进行预设。
本发明所述方法通过智能采集终端采集区域内各专变用户的各时段的实时负荷信息;将海量专变用户时段用电负荷数据存储于服务器端;根据历史数据,采用AR短期负荷预测模型进行负荷预测,得出每个用户当天的标准负荷曲线;根据标准负荷,得出每个专变用户各时段用电负荷偏差率,绘制偏差曲线;根据各时段偏差率以及参考值赋予各用户各时段故障因子,绘制故障因子时序图;最后将同一片区的多个用户的故障因子时序图进行深度分析,判断是否发生电压暂降;若需要判断其他故障类型,也可根据研究对不同偏差对应的故障因子进行定义;最终输出检测结果。
本发明可以拓展成其他用电故障的检测方法。同时,所述方法可以随着研究成果的改进和采集设备的发展进行进一步地优化。
与现有技术相比,本发明技术方案的有益效果是:本发明所述方法具有检测准确性高,数据采集方便等优点,同时还可以根据最新的研究成果修改故障匹配模型以进一步提高检测的准确性。
本发明考虑了海量用户负荷数据采集和处理方法,在有效利用大量宝贵历史数据的同时分析智能采集终端实时采集的实时数据,在实时性和准确性方面具有很大的优势。
附图说明
图1为本发明的基于多用户电能量数据深度分析的电压暂降检测方法的方法流程图。
图2为有发生电压暂降的用户负荷曲线图。
图3为故障因子赋值原理图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
参考图1-3,本实施例提供一种基于多用户电能量数据深度分析的电压暂降检测方法。该实施办法主要以海量用户电能量数据为基础,根据各个时段的负荷偏差率赋予其不同的故障因子,最后关联分析区域内多用户的故障因子时序图分析该区域是否发生电压暂降。基于多用户电能量数据深度分析的电压暂降检测方法包括以下步骤:
步骤S1,通过智能采集终端采集区域内各专变用户各时段的实时负荷信息。上述的智能采集终端的具体功能主要为记录当前接入的用户的实时负荷信息。该终端应具有信息上传的功能模块,实时将数据上传至服务器端并储存至用户电能量使用数据库。
步骤S2,将海量用户电能量使用数据存储于服务器端。
步骤S3,根据存储在服务器端的历史数据,采用AR短期负荷预测模型进行负荷预测,得出每个用户当天的标准正常负荷曲线。
其中,AR短期负荷预测模型为:
由于未来时段的负荷值yt由过去值的加权值的有限线性组合及一个干扰量βt来表示;
于是,p阶AR模型的数学表达式为:
步骤S4,根据标准负荷,得出每个专变用户各时段用电负荷偏差率。其中负荷偏差率α的计算为:
其中,p*为根据历史数据预测的正常运行负荷数据,pi为智能采集终端采集的实时负荷数据。绘制各用户用电负荷偏差率曲线。
步骤S5,根据各时段偏差率以及参考值赋予各专变用户各时段故障因子,绘制故障因子时序图。根据不同的专变用户的历史数据和观测经验,对不同专变用户负荷的不同偏差率都可以建立起对应的可能故障类型:S0={α|α∈(0,α0)}为正常运行偏差率集合,当负荷偏差率属于这个集合时,赋予该用户此时段故障因子0(正常因子);S1={α|α∈[α0,α1)}为电压暂降负荷偏差率集合,当负荷偏差率属于这个集合时,赋予该用户此时段故障因子F1(电压暂降因子)。
其中,α为计算所得的实时用电负荷偏差率;α0为正常波动情况下的临界用电负荷偏差率,一般根据该专变的历史负荷数据计算得到;ΔPmax、PAV分别是一年中该专变当前时刻与前一时刻的最大负荷值差值和该专变当前时刻一年中的负荷平均值;α1为电压暂降故障下的最大用电负荷偏差率,一般取90%。
步骤S6,将同一片区的多个用户的故障因子时序图进行深度分析,判断是否发生电压暂降。因为电压暂降一般波及一个区域,尤其是主网短路故障引起的电压暂降,甚至波及数个站点,因此只要同时对片区内的多用户电能量数据进行深度分析就能判断是否发生了电压暂降故障。根据相对独立事件组的概率计算原理可以知道,多个相对独立小概率事件同时发生的概率微乎其微,故有很大的把握认为一旦这种情况发生,必然是外部因素导致的。因此只要统计某一特定时刻该区域内故障因子是电压暂降因子的个数,就能按照事先研究所做的约定判断是否发生了电压暂降。即关联分析多用户的故障因子时序曲线,统计所有用户Ti时段的电压暂降因子数Ni,若Ni>N0,则可以认为该时段该区域发生了电压暂降故障,其中,N0为预设值,根据专变的历史突发情况概率进行预设。
若需要判断其他故障类型,也可根据研究对不同偏差率对应的故障因子进行定义。最终输出检测结果。
通过以上步骤就可以得到对于新的家庭用电负荷观测值所对应的用电器类别,通过对该负荷的分类识别,能够服务于电网企业进行精细化需求侧管理、平衡负荷总量,从而有利于提高电力企业的经济效益。
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于多用户电能量数据深度分析的电压暂降检测方法,其特征在于,所述方法包括以下步骤:
S1:采集区域内各专变用户的各时段的实时负荷信息;并将采集到的各专变用户时段用电负荷数据进行存储;
S2:根据历史数据,采用AR短期负荷预测模型进行负荷预测,得出每个用户当天的标准负荷曲线;
S3:根据标准负荷,计算每个专变用户各时段用电负荷偏差率,绘制偏差曲线;
S4:根据各时段偏差率以及参考值赋予各专变用户各时段故障因子,绘制故障因子时序图;
S5:将同一片区的多个用户的故障因子时序图进行深度分析,判断是否发生电压暂降,输出检测结果;
其中,根据各时段偏差率以及参考值赋予各用户各时段故障因子的具体操作为:根据不同的专变用户的历史数据和观测经验,对不同专变用户负荷的不同偏差率建立起对应的可能故障类型:S0={α|α∈(0,α0)}为正常运行偏差率集合,当负荷偏差率属于该集合时,赋予该用户此时段正常因子;S1={α|α∈[α0,α1)}为电压暂降负荷偏差率集合,当负荷偏差率属于这个集合时,赋予该用户此时段电压暂降因子;
2.根据权利要求1所述的基于多用户电能量数据深度分析的电压暂降检测方法,其特征在于,一个时段为十五分钟。
5.根据权利要求4所述的基于多用户电能量数据深度分析的电压暂降检测方法,其特征在于,故障因子包括:正常因子和电压暂降因子。
6.根据权利要求5所述的基于多用户电能量数据深度分析的电压暂降检测方法,其特征在于,所述深度分析包括:对各用户特定时段的偏差率进行故障分析,即根据偏差率所属的集合定义其故障类型;对区域内所有用户特定时段故障因子进行分析,即统计同一时刻区域内的所有专变用户的故障因子。
7.根据权利要求6所述的基于多用户电能量数据深度分析的电压暂降检测方法,其特征在于,判断是否发生电压暂降的过程为:统计某一特定时刻该区域内故障因子是电压暂降因子的个数,然后按照事先研究所做的约定判断是否发生了电压暂降;即关联分析多用户的故障因子时序曲线,统计所有用户在时段Ti的电压暂降因子数Ni,若Ni>N0,则该时段该区域发生了电压暂降故障;其中N0为预设值,根据专变的历史突发情况概率进行预设。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689507.5A CN110297145B (zh) | 2019-07-29 | 2019-07-29 | 一种基于多用户电能量数据深度分析的电压暂降检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689507.5A CN110297145B (zh) | 2019-07-29 | 2019-07-29 | 一种基于多用户电能量数据深度分析的电压暂降检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110297145A CN110297145A (zh) | 2019-10-01 |
CN110297145B true CN110297145B (zh) | 2021-03-02 |
Family
ID=68032230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910689507.5A Active CN110297145B (zh) | 2019-07-29 | 2019-07-29 | 一种基于多用户电能量数据深度分析的电压暂降检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110297145B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3234055B2 (ja) * | 1993-06-30 | 2001-12-04 | 株式会社東芝 | 複合発電プラントの系列負荷制御装置 |
CN101807047A (zh) * | 2010-03-19 | 2010-08-18 | 北京航空航天大学 | 基于模糊奇偶方程及ar模型的非线性***故障预测方法 |
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的***故障早期预警方法 |
CN104600747A (zh) * | 2015-01-21 | 2015-05-06 | 西安交通大学 | 协调运行风险与风能消纳的电力***运行优化方法 |
CN105224812A (zh) * | 2015-10-21 | 2016-01-06 | 中国电力科学研究院 | 一种负荷模型中的静态负荷频率因子聚合方法 |
CN105678404A (zh) * | 2015-12-30 | 2016-06-15 | 东北大学 | 基于网购电和动态关联因子的微电网负荷预测***及方法 |
CN107222339A (zh) * | 2017-05-27 | 2017-09-29 | 全球能源互联网研究院 | 基于图数据库的电力信息通信***的故障分析方法及装置 |
CN107294122A (zh) * | 2017-04-17 | 2017-10-24 | 国网浙江省电力公司电力科学研究院 | 一种混合储能***分层动态控制方法 |
CN107681691A (zh) * | 2017-09-30 | 2018-02-09 | 太原理工大学 | 计及不确定性因素的风电并网***运行可靠性评估方法 |
EP3297113A1 (en) * | 2015-05-13 | 2018-03-21 | Hitachi, Ltd. | Device for controlling load frequency and method for controlling load frequency |
CN108414848A (zh) * | 2018-01-08 | 2018-08-17 | 浙江工业大学 | 一种含分布式电源配电网的电能质量多时段综合预警方法 |
CN109217306A (zh) * | 2018-10-19 | 2019-01-15 | 三峡大学 | 一种基于具有动作自寻优能力的深度强化学习的智能发电控制方法 |
CN109494733A (zh) * | 2018-12-21 | 2019-03-19 | 云南电网有限责任公司电力科学研究院 | 一种电力负荷模型的辨识参数优化方法及*** |
CN109583629A (zh) * | 2018-11-09 | 2019-04-05 | 广东电网有限责任公司电力调度控制中心 | 基于偏差自校正的改进相似日短期负荷预测方法及装置 |
CN109659933A (zh) * | 2018-12-20 | 2019-04-19 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9576327B2 (en) * | 2013-06-06 | 2017-02-21 | International Business Machines Corporation | Managing time-substitutable electricity usage using dynamic controls |
-
2019
- 2019-07-29 CN CN201910689507.5A patent/CN110297145B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3234055B2 (ja) * | 1993-06-30 | 2001-12-04 | 株式会社東芝 | 複合発電プラントの系列負荷制御装置 |
CN101807047A (zh) * | 2010-03-19 | 2010-08-18 | 北京航空航天大学 | 基于模糊奇偶方程及ar模型的非线性***故障预测方法 |
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的***故障早期预警方法 |
CN104600747A (zh) * | 2015-01-21 | 2015-05-06 | 西安交通大学 | 协调运行风险与风能消纳的电力***运行优化方法 |
EP3297113A1 (en) * | 2015-05-13 | 2018-03-21 | Hitachi, Ltd. | Device for controlling load frequency and method for controlling load frequency |
CN105224812A (zh) * | 2015-10-21 | 2016-01-06 | 中国电力科学研究院 | 一种负荷模型中的静态负荷频率因子聚合方法 |
CN105678404A (zh) * | 2015-12-30 | 2016-06-15 | 东北大学 | 基于网购电和动态关联因子的微电网负荷预测***及方法 |
CN107294122A (zh) * | 2017-04-17 | 2017-10-24 | 国网浙江省电力公司电力科学研究院 | 一种混合储能***分层动态控制方法 |
CN107222339A (zh) * | 2017-05-27 | 2017-09-29 | 全球能源互联网研究院 | 基于图数据库的电力信息通信***的故障分析方法及装置 |
CN107681691A (zh) * | 2017-09-30 | 2018-02-09 | 太原理工大学 | 计及不确定性因素的风电并网***运行可靠性评估方法 |
CN108414848A (zh) * | 2018-01-08 | 2018-08-17 | 浙江工业大学 | 一种含分布式电源配电网的电能质量多时段综合预警方法 |
CN109217306A (zh) * | 2018-10-19 | 2019-01-15 | 三峡大学 | 一种基于具有动作自寻优能力的深度强化学习的智能发电控制方法 |
CN109583629A (zh) * | 2018-11-09 | 2019-04-05 | 广东电网有限责任公司电力调度控制中心 | 基于偏差自校正的改进相似日短期负荷预测方法及装置 |
CN109659933A (zh) * | 2018-12-20 | 2019-04-19 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
CN109494733A (zh) * | 2018-12-21 | 2019-03-19 | 云南电网有限责任公司电力科学研究院 | 一种电力负荷模型的辨识参数优化方法及*** |
Non-Patent Citations (2)
Title |
---|
基于RBF神经网络与模糊控制的短期负荷预测;刘昊 等;《电网与清洁能源》;20091031;第25卷(第10期);第62-66页 * |
自下而上的主动配电网负荷曲线化预测方法;李颖 等;《电力***及其自动化学报》;20190228;第31卷(第2期);第106-111页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110297145A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116646933A (zh) | 一种基于大数据的电力负荷调度方法及*** | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及*** | |
CN111339491A (zh) | 一种城市配电网改造方案的评估方法 | |
CN109494757B (zh) | 一种电压无功运行预警方法和*** | |
CN115270974B (zh) | 基于大数据分析的智能窃电检测*** | |
CN117543589B (zh) | 一种梯级水电安全集控***调度方法 | |
CN106780125A (zh) | 一种基于月均用电量的采集异常紧急程度计算方法 | |
CN106803125B (zh) | 一种基于标准用电户折算的采集异常紧急程度计算方法 | |
CN112488738A (zh) | 基于电力大数据的居民空置住户识别方法及设备 | |
CN114878934A (zh) | 一种电能耗数据异常预警方法 | |
CN103018611A (zh) | 一种基于电流分解的非侵入式负载监测方法及*** | |
CN114662563A (zh) | 一种基于梯度提升算法的工业用电非侵入负荷分解方法 | |
CN107732902B (zh) | 配电网经济运行监控及评价方法 | |
CN110297145B (zh) | 一种基于多用户电能量数据深度分析的电压暂降检测方法 | |
CN106682817B (zh) | 一种采集异常紧急程度的判定方法 | |
CN106711998B (zh) | 一种基于异常持续时间的采集异常紧急程度计算方法 | |
CN112925827B (zh) | 一种基于电力采集物联数据的用户性质异常分析方法 | |
CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及*** | |
CN106789248A (zh) | 用电检查分配方法及装置 | |
CN111832805A (zh) | 一种基于电力大数据的经济预警分析***及方法 | |
Lingang et al. | Research on integrated calculation method of theoretical line loss of MV and LV distribution Network based on Adaboost integrated learning | |
CN111815022A (zh) | 一种基于延时坐标嵌入法的电力负荷预测方法 | |
CN117791626B (zh) | 一种智能综合电力箱电力供给优化方法 | |
CN111400284B (zh) | 一种基于性能数据建立动态异常探测模型的方法 | |
Li et al. | Study on the extraction method of high-risk operation scenarios under high proportion wind power grid-connected power system |
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 |