CN111983386A - 一种配电网的分布式状态估计*** - Google Patents
一种配电网的分布式状态估计*** Download PDFInfo
- Publication number
- CN111983386A CN111983386A CN202010839499.0A CN202010839499A CN111983386A CN 111983386 A CN111983386 A CN 111983386A CN 202010839499 A CN202010839499 A CN 202010839499A CN 111983386 A CN111983386 A CN 111983386A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution network
- state estimation
- phasor
- information
- 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.)
- Granted
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- 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
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
一种配电网的分布式状态估计***,其调度中心服务器将最新的分布式状态估计模型下发至区域调度服务器,区域调度服务器再将接收到的分布式状态估计模型下发至本子区域的配电网同步相量测量器的主处理器,以使得边缘计算模块能够更新其分布式状态估计模型,并将其所在的配电网同步相量测量器所计算得到的带有时间标记的相量数据输入到更新后的分布式状态估计模型,以对本子区域的电网状态进行估计,并将估计结果返回给主处理器。本发明的配电网的分布式状态估计***,提出一种配电网同步相量测量器,通过边缘计算模块能够摆脱对云的依赖,无需将边缘传感器产生的大数据传回云端服务器,即可进行快速运算,降低了数据传输的要求。
Description
技术领域
本发明涉及一种配电网的分布式状态估计***。
背景技术
智能电网产业发展非常迅速,但是当前电网监控***可靠性低、智能化程度低,这些现状必须加以改善,才能满足用户越来越高的用电需求,这就迫使供电公司必须提高供电***的稳定性和可靠性。监测***是电力行业中的重要组成部分,其可以用于对行业内各种情况进行分析和处理,如调度、数据传递、负载预测、***性能分析和分布式***优化等,对于保障电网可靠安全的运行至关重要。
发明内容
本申请提供一种配电网的分布式状态估计***,下面具体说明。
一种配电网的分布式状态估计***,所述配电网包括多个子区域,每个子区域能够被布置一个或多个分布式能源;所述分布式状态估计***包括调度中心服务器、各子区域的区域调度服务器和各子区域的配电网同步相量测量器;
所述配电网同步相量测量器用于采集所在子区域的配电网数据,并计算得到带有时间标记的相量数据;所述配电网同步相量测量器包括主处理器、协处理器、第一内存卡、第二内存卡、以太网口、授时模块、模数转换器和边缘计算模块;模数转换器用于采集电网节点处的数据,将数据由模拟信号转换为数字信号;所述授时模块用于获取卫星的时间信息;所述协处理器分别与所述授时模块、模块转换器、主处理器连接;所述协处理器通过所述时间信息控制模数转换器对电能数据的采集,应用离散傅里叶变换法来计算采样得到的相量数据;当同步时钟信号丢失或异常时,所述协处理器基于本身时钟实现一段时间的守时;当电网运行频率非固定时,所述协处理器实时获取电网运行频率,对电网运行频率进行修正并计算出同步采样频率,再应用离散傅里叶变换法来计算出相量数据;所述协处理器将相量数据打上时间标记后上传输给所述主处理器;所述主处理器分别与所述第一内存卡、第二内存卡连接,所述第一内存卡用于存储短期数据,所述第二内存卡用于存储故障录波信息;
所述调度中心服务器将最新的分布式状态估计模型下发至区域调度服务器,区域调度服务器再将接收到的分布式状态估计模型下发至本子区域的配电网同步相量测量器的主处理器,以使得边缘计算模块能够更新其分布式状态估计模型,并将其所在的配电网同步相量测量器所计算得到的带有时间标记的相量数据输入到更新后的分布式状态估计模型,以对本子区域的电网状态进行估计,并将估计结果返回给主处理器;具体地,分布式状态估计模型为基于集成深度学习的预测模型,所述边缘计算模块先通过经验模式分解算法将输入的带有时间标记的相量数据进行分解,得到不同频率的子信号,再应用深层循环神经网络对各个子信号进行分析和预测,再集成每个子信号进行分析和预测后得到的输出,完成对电网状态的估计。
一实施例中,所述配电网同步相量测量器还将计算得到带有时间标记的相量数据上传到所在子区域的区域调度服务器,所述区域调度服务器将带有时间标记的相量数据进行存储,并将相量数据的信息存储到区块链,其中相量数据的信息包括相量数据的类型信息、相量数据的存储位置信息、相量数据的版本信息、相量数据的读取权限信息和相量数据的读写历史信息的一者或多者;所述区域调度服务器当接收到对其所存储的相量数据的读取请求时,根据区块链中的相量数据的读取权限信息判断是否有相应的权限,当判断有相应的权限,则允许对其存储的相量数据进行读取,反之,当判断没有相应的权限,则不允许对其存储的相量数据进行读取。
一实施例中,所述区域调度服务器还监测其所存储的相量数据与区块链中相量数据的信息是否相符,当判断不相符时,则发出警报。
一实施例中,所述配电网同步相量测量器还包括IRIG-B接口和RS485接口,所述协处理器能够通过所述IRIG-B接口和RS485接口与其他设备通信,进行信息交互。
一实施例中,所述协处理器为数字信号处理器。
一实施例中,所述授时模块为GPS/北斗授时模块,能够获取GPS/北斗的时间信息。
一实施例中,所述配电网同步相量测量器还包括USB接口,所述主处理器通过所述USB接口与其他设备通信,进行信息交互。
一实施例中,所述配电网同步相量测量器还包括与所述主处理器连接显示器,用于显示信息。
一实施例中,所述边缘计算模块包括GPU。
依据上述实施例的配电网的分布式状态估计***,提出一种配电网同步相量测量器,通过边缘计算模块能够摆脱对云的依赖,无需将边缘传感器产生的大数据传回云端服务器,即可进行快速运算,降低了数据传输的要求。
附图说明
图1为一种实施例中将配电网分成多个子区域的示意图;
图2为一种实施例的配电网的分布式状态估计***的结构示意图;
图3为一种实施例的配电网同步相量测量器的结构示意图;
图4为另一种实施例的配电网同步相量测量器的结构示意图;
图5为又一种实施例的配电网同步相量测量器的结构示意图;
图6为再一种实施例的配电网同步相量测量器的结构示意图;
图7为一种实施例的分布式状态估计的算法示意图;
图8为另一种实施例的分布式状态估计的算法示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
发明人发现市场上主流的电力监控***大都基于传统的SCADA***,目前普遍存在以下不足:第一,缺乏实时功能,导致电网可靠性低。由于电网规模庞大,通信***,数据处理算法或网络硬件的限制,目前大多数市场上的监控***无法达到实时级别,由此导致电网可靠性差。第二,***的可扩展性低,无法采集参数更多、频率更高的数据,不能适应当今配电网发展趋势。随着越来越多的微型电网和可再生能源连接到电网,电网的拓扑结构变得比以往任何时候都复杂,然而现有***的低扩展性导致内部子模块之间通信时间的延迟越来越严重,因此越来越不能适应当今配电网络***大型化、复杂化的发展趋势的发展。第三,***数据复杂难理解,操作难度大。监控***可能相当复杂而使得数据较难理解,这需要相应的专业操作人员付出极大的努力去学习新软件***的使用,极大的增加了***操作难度。第四,缺少可靠的负载预测模型。当前监控***的发展正在从简单的数据记录器变为智能***,因此面对越来越高的电网监测需求,需要建立可靠有效的负载预测模型,减少人们去理解和分析检测结果并做出更快决策的压力,这对于监测***是至关重要的。
为此,市场上迫切地需要能够对电网***运行状态进行实时高效的数据采集和智能分析的新一代智能电实时监测大数据***,不仅能够实时监测电网运行数据及分布式状态估计,并且具有极强的可扩展性和并行计算能力,可提供各种预测模型,操作运维简单。
本发明提出一种配电网的分布式状态估计***,试图解决现在配电网监控***所存在的一个或多个问题。
随着风、光、储能等分布式能源的应用,主动配电网规模的扩大,导致状态变量维数大幅度增加,也造成所采取的电能数据传输距离的延长,通讯量大。此外,一些例如同步相量测量单元PMU(Phasor Measurement Unit)高采样频率也带来了大量数据需要实时快速处理的需求。因此,本发明一些例子中,将配电网划分成多个子区域,形成电网分区分层调控体系,再采用分布式鲁棒分布式状态估计方法,利用本发明所提出的配电网同步相量测量器DPMU(Distribution Phasor Measurement Unit)的边缘计算能力,降低计算量和通讯量,节约成本,一些例子中,区域考虑邻域边界节点的影响采用AI边缘算法以保证预估精度。
分布式状态估计作为配电管理***(Distribution Management System,DMS)的基础功能,是主动配电网开展状态实时预测、快速决策、最优潮流、正确控制的前提条件。与输电网相比,配电网存在着规模庞大、测量相对不足、网络辐射状、短支路个数多等特点,导致了在配电网中无法直接使用输电网比较成熟的方法。
请参照图1,一些例子中,本发明根据地理位置或拓扑准则将整个配电网分成多个子区域,子区域内可包含多个分布式能源。各子区域配备独立的区域调度估计中心(如配电***调度机构、虚拟电厂等),用于估计本区域内状态量以及与邻域的通讯。在区域调度之下,状态估计计算可以下发到每台DPMU上,临近的DPMU距离相近,可以通过本地通讯交换机直接连接传输数据。一些例子中,DPMU与调度中心服务器的通讯可以是仅限重要数据上传及模型下发。因此,区域状态估计量维数减小,因DPMU数据只需传输到临近的DPMU,通讯压力小。各区域状态估计计算不涉及地调中心。地调/省调中心通过收集各分布式区域的状态估计结果,用于控制调整、预测和决策优化等。
边缘计算是一种分布式计算的方式,它使计算和数据存储更接近需要的位置,从而实现缩短响应时间、节省传输带宽。一些例子中的DPMU作为一种高频数据采集装置会产生大量数据,如果状态估计、负载预测等应用都需要在数据中心进行计算,将会把网络带宽需求推到了极限。尽管网络技术得到了改进,但是数据中心仍无法保证可接受的传输速率和响应时间,无法达到电网应用的要求。此外,如果边缘设备不断消耗来自云的数据,电网公司将需要建立内容交付网络以分散数据和服务供应,使设备实施的成本大幅增加。边缘计算的目的是将计算从数据中心移到网络边缘,利用DPMU本身执行计算任务并提供人工智能功能服务。通过将服务移至边缘,可以提供内容缓存、服务交付、存储和物联网管理,从而缩短响应时间并提高传输速率。同时,将逻辑分布在不同的网络节点中会带来新的问题和挑战。本发明还通过对PMU的改进,提出了DPMU,实现了DPMU本身具有边缘计算能力的目的。
下面对边缘智能负载预测算法,或者说配电网的分布式状态估计模型进行说明。
电力供应规划是现代电力***管理的重要内容。配电网络规划和运行的优化算法,其复杂性主要表现在规模庞大、不确定性高、影响因素众多导致的NP复杂度,这就对规划和运行人员的经验提出了极高的要求。提高电力负载预测方法的准确性和效率,可以帮助电力公司制定合理的电网运行规划,从而提高电力机构的经济效益。此外,高精度的预测结果也可以有效地预测电力***的潜在故障,从而为电网运行提供可靠的安全依据。
本发明一些例子中的DPMU可以高频率地实时采集电网中各向量的数值和相角,因此能够为边缘计算提供有力的硬件支持。边缘计算技术能够摆脱对云的依赖,无需将边缘传感器产生的大数据传回云端服务器,即可进行快速运算,降低了数据传输的要求,同时也提高的运算速度。因此一些例子中,基于DPMU的边缘智能负载预测除了前述传统负载预测能提供的优势之外,它还通过收集、分析和直接处理传感器端的数据来实现快速运算,具有高安全性、可拓展性和可靠性的优势。
本发明一些实施例中提供一种配电网的分布式状态估计***,配电网包括多个子区域,每个子区域能够被布置一个或多个分布式能源。请参照图2,本发明一些实施例中的分布式状态估计***包括调度中心服务器300、各子区域的区域调度服务器200和各子区域的配电网同步相量测量器100。
请参照图3,一些实施例中配电网同步相量测量器100包括主处理器10、协处理器12、第一内存卡14、第二内存卡16、以太网口18、授时模块20、模数转换器22和边缘计算模块24,下面具体说明。
模数转换器22用于采集电网节点处的数据,将数据由模拟信号转换为数字信号。例如模数转换器22采集电网节点处的电压和电流等,并转为数字信号。一些例子中,模数转换器22可以为8路16位的高速模数转换器。
授时模块20用于获取卫星的时间信息。一些实施例中,授时模块20为GPS/北斗授时模块,能够获取GPS/北斗的时间信息。这里的GPS是英文Global Positioning System(全球定位***)的简称,授时模块20能够接收到可用于授时的准确至纳秒级的时间信息。这里的北斗指的是中国北斗卫星导航***(英文名称:BeiDou Navigation Satellite System,简称BDS),它是中国自行研制的全球卫星导航***。北斗卫星导航***由空间段、地面段和用户段三部分组成,可在全球范围内全天候、全天时为各类用户提供高精度、高可靠定位、导航、授时服务,并具短报文通信能力,已经初步具备区域导航、定位和授时能力,定位精度为分米、厘米级别,测速精度0.2米/秒,授时精度10纳秒。
协处理器12分别与授时模块20、模块转换器22、主处理器10连接。协处理器12通过授时模块20所获取的时间信息控制模数转换器22对电能数据的采集,应用离散傅里叶变换法来计算采样得到的相量数据。一些例子中,当同步时钟信号丢失或异常时,协处理器12基于本身时钟实现一段时间的守时。一些例子中,当电网运行频率非固定时,协处理器12实时获取电网运行频率,对电网运行频率进行修正并计算出同步采样频率,再应用离散傅里叶变换法来计算出相量数据。协处理器12将相量数据打上时间标记后上传输给主处理器10。一些例子中,协处理器12可以为数字信号处理器DSP。
一些实施例中,请参照图4,配电网同步相量测量器还包括IRIG-B接口和RS485接口,协处理器12能够通过IRIG-B接口和RS485接口与其他设备通信,进行信息交互。
主处理器10分别与第一内存卡14、第二内存卡16连接。第一内存卡14用于存储短期数据,第二内存卡16用于存储故障录波信息。主处理器10还通过以太网口18将从协处理器12接收到相量数据上传,以及接收上级下达的控制指令,并向协处理器12下传相应的控制指令。例如,当接收到由主处理器10下传的控制继电器的指令后,则协处理器12控制继电器进行相应的的开或关,并将开关信息上传回主处理器10。
一些实施例中,请参照图5,配电网同步相量测量器100还包括USB接口,主处理器10能够通过USB接口与其他设备通信,进行信息交互。
一些实施例中,请参照图6,配电网同步相量测量器100还包括与主处理器10连接显示器26,用于显示信息。
调度中心服务器300将最新的分布式状态估计模型下发至区域调度服务器200,区域调度服务器200再将接收到的分布式状态估计模型下发至本子区域的配电网同步相量测量器100的主处理器10,以使得边缘计算模块24能够更新其分布式状态估计模型,并将其所在的配电网同步相量测量器100所计算得到的带有时间标记的相量数据输入到更新后的分布式状态估计模型,以对本子区域的电网状态进行估计,并将估计结果返回给主处理器10。一些具体的例子中,分布式状态估计模型为基于集成深度学习的预测模型,边缘计算模块24先通过经验模式分解算法将输入的带有时间标记的相量数据进行分解,得到不同频率的子信号,再应用深层循环神经网络对各个子信号进行分析和预测,再集成每个子信号进行分析和预测后得到的输出,完成对电网状态的估计。
在具体的负载预测算或者说分布式状态估计模型方面,利用DPMU实时采集的高频数据,大致有两种研究方向来创建准确的短期电力负载时序预测模型。第一种是利用深度学习(deep learning)技术,其基本原理是利用多次非线性转换来构造复杂网络结构,以提取大数据中的高层次抽象和特征。另一种方向是集成机器学习算法(Ensemble machinelearning methods)。由于单个的预测模型往往不够稳定而不能适应多种情况,通过策略性的组合不同的机器学习算法,深入研究时序信号的特性,充分考虑各种可能的影响因素,构建出更准确更稳定高效的时序预测模型预测电力负载。
一些具体的例子中,可以构建一种基于集成深度学习的预测模型,该预测模型先通过经验模式分解算法将输入的电力负载时序数据进行分解,得到不同频率的子信号,再应用深层循环神经网络对各个子信号进行分析和预测,最后集成每个子信号进行分析和预测后得到的输出得到负载预测的最终结果。请参照图7,为预测模型或者说分布式状态估计的算法流程图,不妨以用电数据为功率为例,图中时序信号(Time Series Signal,TSS)指功率信号,先对时序信号进行离散小波变换(DiscreteWaveletTransformation,DWT)得到各项W1、W2,....,Wm;再对这各项W1、W2,....,Wm分别进行经验模式分解,得到若干的子信号(例如图中IMF,R),具体地,对W1进行经验模式分解得到以及R1;对W1进行经验模式分解得到以及Rm;再应用长短期网络(Long short-termmemory,LSTM)对各个子信号分析得到各自的预测结果,例如应用长短期网络对分析得到应用长短期网络对分析得到应用长短期网络对R1分析得到应用长短期网络对分析得到应用长短期网络对分析得到应用长短期网络对Rm分析得到再将各个子信号的预测结果当作另一个长短期神经网络LSTM的输入,训练得到最后的预测结果(Prediction Results,PR)。另一些例子中,请参照图8,还可以各个子信号的预测结果和对应的额外特征(Additional Features,AF)一起输入到长短期神经网络LSTM到,以进行训练,得到最后的预测结果。这里额外的特征可以是电流、电压和相角或相角差等。不妨以相角为例:功率分为有功功率和无功功率,各自的占比由电压和电流的相角差决定,所以电流、电压以及各自的相角对于功率计算可以提供更为详细的信息,因此对于上述模型中的功率预测也是有帮助的。
上述负载预测模型或者说分布式状态估计模型以LSTM为例,实际上可以使用的时序预测算法有很多种,包括传统统计学方法(如线性回归,ARIMA等),经典机器学习算法(神经网络,支持向量机,随机森林等),以及深度学习算法(卷积神经网络,循环神经网络等)。针对边缘计算的应用场景,可以优先考虑使用以简单模型为基础,有策略的集成各模型输出得到准确预测结果的集成学习算法,可以综合兼顾计算速度和预测精确度,降低对边缘计算设备的计算性能要求。
可以看到,一些例子中,边缘计算模块24可以使用低功耗小型GPU芯片,对人工智能相关及分布式状态估计使用的复杂矩阵运算在DPMU本地运行。边缘计算模块24会与主处理器10配合,调用DPMU中的数据并返回计算结果;通过远程通信下发人工智能计算模型,上传计算结果。
一些实施例中,调度中心服务器300将最新的故障预警和继电保护模型下发至区域调度服务器200,区域调度服务器200再将接收到的故障预警和继电保护模型下发至本子区域的配电网同步相量测量器100的主处理器10,以使得边缘计算模块24能够更新其故障预警和继电保护模型,并将其所在的配电网同步相量测量器所计算得到的带有时间标记的相量数据输入到更新后的故障预警和继电保护模型,以对本子区域的电网中需要被保护的元件进行故障预警和继电保护。
一些具体的实施例中,边缘计算模块24基于故障预警和继电保护模型,以对电网中需要被保护的元件进行故障预警和继电保护,其中故障预警和继电保护模型被这样构建:步骤(1),依靠配电网同步相量测量器所采集的相量数据,应用深度循环网络构建电力负载预测算法;步骤(2),构建基于深层神经网络的模型,用以模拟电力***环境,其中依靠历史相量数据,当前相量数据和电力负载预测算法所预测的相量数据来训练并验证该模拟电力***环境的模型;步骤(3),构建基于强化学习的继电保护优化算法,并依靠步骤(2)中所构建的模拟电力***环境的模型,定义奖励函数,应用强化学习算法得出最佳策略,以优化继电保护的判断标准和判断阈值。一些具体实施例中,步骤(3)具体包括:依靠配电网同步相量测量器所采集的相量数据,构建生成对抗网络进行无监督学习,以让一生成模型学习正常模式下电力***环境运行的规律和模式,同时生成模拟数据帮助一判别模型学习需要被保护的元件异常情况的判断;通过不断迭代,生成模型和判断模型互相竞争,以得到对于模拟电力***环境的模型的替代模型,以及能够判断需要被保护的元件异常情况的分类器,并利用该分类器分析步骤(1)中电力负载预测算法的预测结果,以判断需要被保护的元件异常情况;基于电力负载预测算法和生成对抗网络,构建电网内需要被保护元件的模拟运行环境,在所构建好电网内需要被保护元件的模拟运行环境后,定义奖励函数或者说优化目标,并应用强化学习算法优化继电保护的判断标准和判断阈值。
综上所述,针对边缘计算的应用场景,一些例子中,可以使用DPMU采集被保护元件相关运行参数,同时构建时序预测,环境模拟和故障分辨等人工智能模型,并基于传统继电保护策略,不断优化和迭代相关阈值,最终得到最优的保护策略。一些例子中,DPMU其边缘智能继电保护方案同时具有计算速度快,数据传输要求低,安全性高,与误报警率、误操作率低的优点。
一些实施例中,调度中心服务器300将最新的故障定位模型下发至区域调度服务器200,区域调度服务器200再将接收到的故障定位模型下发至本子区域的配电网同步相量测量器100的主处理器10,以使得边缘计算模块24能够更新其故障定位模型,并将其所在的配电网同步相量测量器100所计算得到的带有时间标记的相量数据和故障录波信息输入到更新后的故障定位模型,以得到本子区域的电网中故障位置。
一些例子中,故障定位模型,其本质上是采用双端量故障定位的原理,因此,DPMU的配置需满足定位区域内任何一条线路的双端电压电流均可以由DPMU数据经推算得来。本发明一些例子中DPMU(Distribution Phasor Measurement Unit)稳态运行数据和暂态扰动数据,对配电网进行参数辨识,修正参数误差,保证实现中压配电网的精确故障定位。
配电网中故障定位的方法以阻抗法、行波法和信号注入法三种为主。阻抗法根据故障线路测量阻抗与测量点到故障点距离成正比的原理进行故障测距,通过计算测量点阻抗与线路单位阻抗的比值确定故障距离。行波法是根据行波在线路中传输的折反射原理,线路发生故障后会产生向两端传播的行波,通过测量到达两端的时间差或者到达一端的初始波和反射波时间差求取故障位置。注入信号法是在***发生故障后,向线路注入检测信号,然后通过在监测点测量特定信号进行故障定位。
对于时、频域定位方法而言,各方法之间具有一定的互补关系,对多种定位结果进行“回归性”融合,以期得到更为精确的故障定位结果。时、频域定位结果的“回归性”融合有两种实现方式:其一,是利用机器学习的方法,采用常用的机器学习算法,利用仿真数据构成训练集,对机器学习算法进行训练,得到其“回归”模型,在配电网故障时,基于训练好的智能算法实现多判据融合;其二,是利用集成学习(ensemble learning)方法,构建多故障定位结果的选择模型,以仿真数据作为训练集,对集成学习模型进行训练,在配电网故障时,该模型在多故障定位结果中选择一个误差最小的结果作为该部分的输出。
因此,一些实施例中,故障定位模型被这样构建:对时域信息故障定位算法和频域信息故障定位算法进行回归性融合,以得到故障定位模型。一些具体实施例中,对时域信息故障定位算法和频域信息故障定位算法进行回归性融合,以得到故障定位模型,包括:采用机器学习的方法,利用仿真数据构成训练集,对机器学习算法进行训练,得到回归模型,在配电网发生故障时,基于回归模型实现多判据融合。另一些具体实施例中,对时域信息故障定位算法和频域信息故障定位算法进行回归性融合,以得到故障定位模型,包括:利用集成学习的方法,构建多故障定位结果的选择模型,以仿真数据作为训练集,对多故障定位结果的选择模型进行训练,在配电网故障时,选择模型在多故障定位结果中选择一个误差最小的结果作为输出。
一些例子中,配电网同步相量测量器100还将计算得到带有时间标记的相量数据上传到所在子区域的区域调度服务器200,区域调度服务器200将带有时间标记的相量数据进行存储,并将相量数据的信息存储到区块链,其中相量数据的信息包括相量数据的类型信息、相量数据的存储位置信息、相量数据的版本信息、相量数据的读取权限信息和相量数据的读写历史信息的一者或多者;区域调度服务器200当接收到对其所存储的相量数据的读取请求时,根据区块链中的相量数据的读取权限信息判断是否有相应的权限,当判断有相应的权限,则允许对其存储的相量数据进行读取,反之,当判断没有相应的权限,则不允许对其存储的相量数据进行读取。一些例子中,区域调度服务器200还监测其所存储的相量数据与区块链中相量数据的信息是否相符,当判断不相符时,则发出警报。
本文参照了各种示范实施例进行说明。然而,本领域的技术人员将认识到,在不脱离本文范围的情况下,可以对示范性实施例做出改变和修正。例如,各种操作步骤以及用于执行操作步骤的组件,可以根据特定的应用或考虑与***的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。
虽然在各种实施例中已经示出了本文的原理,但是许多特别适用于特定环境和操作要求的结构、布置、比例、元件、材料和部件的修改可以在不脱离本披露的原则和范围内使用。以上修改和其他改变或修正将被包含在本文的范围之内。
前述具体说明已参照各种实施例进行了描述。然而,本领域技术人员将认识到,可以在不脱离本披露的范围的情况下进行各种修正和改变。因此,对于本披露的考虑将是说明性的而非限制性的意义上的,并且所有这些修改都将被包含在其范围内。同样,有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而,益处、优点、问题的解决方案以及任何能产生这些的要素,或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体,皆属于非排他性包含,这样包括要素列表的过程、方法、文章或设备不仅包括这些要素,还包括未明确列出的或不属于该过程、方法、***、文章或设备的其他要素。此外,本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。
具有本领域技术的人将认识到,在不脱离本发明的基本原理的情况下,可以对上述实施例的细节进行许多改变。因此,本发明的范围应仅由权利要求确定。
Claims (9)
1.一种配电网的分布式状态估计***,所述配电网包括多个子区域,每个子区域能够被布置一个或多个分布式能源;其特征在于,所述分布式状态估计***包括调度中心服务器、各子区域的区域调度服务器和各子区域的配电网同步相量测量器;
所述配电网同步相量测量器用于采集所在子区域的配电网数据,并计算得到带有时间标记的相量数据;所述配电网同步相量测量器包括主处理器、协处理器、第一内存卡、第二内存卡、以太网口、授时模块、模数转换器和边缘计算模块;模数转换器用于采集电网节点处的数据,将数据由模拟信号转换为数字信号;所述授时模块用于获取卫星的时间信息;所述协处理器分别与所述授时模块、模块转换器、主处理器连接;所述协处理器通过所述时间信息控制模数转换器对电能数据的采集,应用离散傅里叶变换法来计算采样得到的相量数据;当同步时钟信号丢失或异常时,所述协处理器基于本身时钟实现一段时间的守时;当电网运行频率非固定时,所述协处理器实时获取电网运行频率,对电网运行频率进行修正并计算出同步采样频率,再应用离散傅里叶变换法来计算出相量数据;所述协处理器将相量数据打上时间标记后上传输给所述主处理器;所述主处理器分别与所述第一内存卡、第二内存卡连接,所述第一内存卡用于存储短期数据,所述第二内存卡用于存储故障录波信息;
所述调度中心服务器将最新的分布式状态估计模型下发至区域调度服务器,区域调度服务器再将接收到的分布式状态估计模型下发至本子区域的配电网同步相量测量器的主处理器,以使得边缘计算模块能够更新其分布式状态估计模型,并将其所在的配电网同步相量测量器所计算得到的带有时间标记的相量数据输入到更新后的分布式状态估计模型,以对本子区域的电网状态进行估计,并将估计结果返回给主处理器;具体地,分布式状态估计模型为基于集成深度学习的预测模型,所述边缘计算模块先通过经验模式分解算法将输入的带有时间标记的相量数据进行分解,得到不同频率的子信号,再应用深层循环神经网络对各个子信号进行分析和预测,再集成每个子信号进行分析和预测后得到的输出,完成对电网状态的估计。
2.如权利要求1所述的分布式状态估计***,其特征在于,所述配电网同步相量测量器还将计算得到带有时间标记的相量数据上传到所在子区域的区域调度服务器,所述区域调度服务器将带有时间标记的相量数据进行存储,并将相量数据的信息存储到区块链,其中相量数据的信息包括相量数据的类型信息、相量数据的存储位置信息、相量数据的版本信息、相量数据的读取权限信息和相量数据的读写历史信息的一者或多者;所述区域调度服务器当接收到对其所存储的相量数据的读取请求时,根据区块链中的相量数据的读取权限信息判断是否有相应的权限,当判断有相应的权限,则允许对其存储的相量数据进行读取,反之,当判断没有相应的权限,则不允许对其存储的相量数据进行读取。
3.如权利要求2所述的分布式状态估计***,其特征于,所述区域调度服务器还监测其所存储的相量数据与区块链中相量数据的信息是否相符,当判断不相符时,则发出警报。
4.如权利要求1所述的分布式状态估计***,其特征于,所述配电网同步相量测量器还包括IRIG-B接口和RS485接口,所述协处理器能够通过所述IRIG-B接口和RS485接口与其他设备通信,进行信息交互。
5.如权利要求1或4所述的分布式状态估计***,其特征在于,所述协处理器为数字信号处理器。
6.如权利要求1所述的分布式状态估计***,其特征在于,所述授时模块为GPS/北斗授时模块,能够获取GPS/北斗的时间信息。
7.如权利要求1所述的分布式状态估计***,其特征于,所述配电网同步相量测量器还包括USB接口,所述主处理器通过所述USB接口与其他设备通信,进行信息交互。
8.如权利要求1所述的分布式状态估计***,其特征于,所述配电网同步相量测量器还包括与所述主处理器连接显示器,用于显示信息。
9.如权利要求1至8中任一项所述的分布式状态估计***,其特征在于,所述边缘计算模块包括GPU。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010839499.0A CN111983386B (zh) | 2020-08-19 | 2020-08-19 | 一种配电网的分布式状态估计*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010839499.0A CN111983386B (zh) | 2020-08-19 | 2020-08-19 | 一种配电网的分布式状态估计*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111983386A true CN111983386A (zh) | 2020-11-24 |
CN111983386B CN111983386B (zh) | 2023-05-09 |
Family
ID=73435029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010839499.0A Active CN111983386B (zh) | 2020-08-19 | 2020-08-19 | 一种配电网的分布式状态估计*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111983386B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925680A (zh) * | 2021-02-23 | 2021-06-08 | 重庆川仪自动化股份有限公司 | 一种管网监测方法、***、介质及电子终端 |
CN113507130A (zh) * | 2021-08-06 | 2021-10-15 | 剑科云智(深圳)科技有限公司 | 基于dpmu的实时数据通信***的电网状态估计方法及*** |
CN113641726A (zh) * | 2021-08-06 | 2021-11-12 | 国网北京市电力公司 | 基于生成对抗网络的无监督护层电流数据挖掘*** |
CN113866542A (zh) * | 2021-09-28 | 2021-12-31 | 国网浙江省电力有限公司绍兴供电公司 | 大区域电网对埋地金属管网电压干扰截断边界确定方法 |
CN113866552A (zh) * | 2021-08-20 | 2021-12-31 | 国网江苏省电力有限公司电力科学研究院 | 一种基于机器学习的中压配网用户用电异常诊断方法 |
CN113884818A (zh) * | 2021-10-27 | 2022-01-04 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
CN113919754A (zh) * | 2021-11-18 | 2022-01-11 | 华北电力大学 | 一种基于区块链的综合能源***分布式状态估计方法 |
CN115208504A (zh) * | 2022-07-22 | 2022-10-18 | 福州大学 | 一种基于arima-lstm估计的网络时钟同步方法 |
CN115754416A (zh) * | 2022-11-16 | 2023-03-07 | 国能大渡河瀑布沟发电有限公司 | 基于边缘计算的水轮发电机局部放电分析***及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590615A (zh) * | 2012-02-16 | 2012-07-18 | 安徽理工大学 | 电网的电压和电流信号的频率偏移情况下同步相量修正的方法 |
CN108828409A (zh) * | 2018-08-03 | 2018-11-16 | 南方电网科学研究院有限责任公司 | 一种基于边缘计算的故障检测*** |
US20180365635A1 (en) * | 2017-06-15 | 2018-12-20 | Flex Ltd. | Systems and methods for hybrid cloud-edge computing method for automated decision making and probabilistic occurrence |
CN109886524A (zh) * | 2018-12-26 | 2019-06-14 | 东南大学 | 一种分布式电源对分时电价发电响应的边缘协同计算方法 |
CN110138620A (zh) * | 2019-05-28 | 2019-08-16 | 天津大学 | 面向分布式状态估计的配网同步量测及通信链路配置方法 |
CN110222966A (zh) * | 2019-05-28 | 2019-09-10 | 天津大学 | 面向配电网分布式状态估计的同步相量量测配置分区方法 |
CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控***及方法 |
CN110927442A (zh) * | 2019-12-06 | 2020-03-27 | 云南电网有限责任公司 | 一种基于边缘计算的多模态振荡在线监测预警*** |
-
2020
- 2020-08-19 CN CN202010839499.0A patent/CN111983386B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590615A (zh) * | 2012-02-16 | 2012-07-18 | 安徽理工大学 | 电网的电压和电流信号的频率偏移情况下同步相量修正的方法 |
US20180365635A1 (en) * | 2017-06-15 | 2018-12-20 | Flex Ltd. | Systems and methods for hybrid cloud-edge computing method for automated decision making and probabilistic occurrence |
CN108828409A (zh) * | 2018-08-03 | 2018-11-16 | 南方电网科学研究院有限责任公司 | 一种基于边缘计算的故障检测*** |
CN109886524A (zh) * | 2018-12-26 | 2019-06-14 | 东南大学 | 一种分布式电源对分时电价发电响应的边缘协同计算方法 |
CN110138620A (zh) * | 2019-05-28 | 2019-08-16 | 天津大学 | 面向分布式状态估计的配网同步量测及通信链路配置方法 |
CN110222966A (zh) * | 2019-05-28 | 2019-09-10 | 天津大学 | 面向配电网分布式状态估计的同步相量量测配置分区方法 |
CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控***及方法 |
CN110927442A (zh) * | 2019-12-06 | 2020-03-27 | 云南电网有限责任公司 | 一种基于边缘计算的多模态振荡在线监测预警*** |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925680B (zh) * | 2021-02-23 | 2023-01-13 | 重庆川仪自动化股份有限公司 | 一种管网监测方法、***、介质及电子终端 |
CN112925680A (zh) * | 2021-02-23 | 2021-06-08 | 重庆川仪自动化股份有限公司 | 一种管网监测方法、***、介质及电子终端 |
CN113641726B (zh) * | 2021-08-06 | 2024-01-30 | 国网北京市电力公司 | 基于生成对抗网络的无监督护层电流数据挖掘*** |
CN113507130A (zh) * | 2021-08-06 | 2021-10-15 | 剑科云智(深圳)科技有限公司 | 基于dpmu的实时数据通信***的电网状态估计方法及*** |
CN113641726A (zh) * | 2021-08-06 | 2021-11-12 | 国网北京市电力公司 | 基于生成对抗网络的无监督护层电流数据挖掘*** |
CN113507130B (zh) * | 2021-08-06 | 2023-10-31 | 剑科云智(深圳)科技有限公司 | 基于dpmu的实时数据通信***的电网状态估计方法及*** |
CN113866552A (zh) * | 2021-08-20 | 2021-12-31 | 国网江苏省电力有限公司电力科学研究院 | 一种基于机器学习的中压配网用户用电异常诊断方法 |
CN113866552B (zh) * | 2021-08-20 | 2024-05-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于机器学习的中压配网用户用电异常诊断方法 |
CN113866542A (zh) * | 2021-09-28 | 2021-12-31 | 国网浙江省电力有限公司绍兴供电公司 | 大区域电网对埋地金属管网电压干扰截断边界确定方法 |
CN113866542B (zh) * | 2021-09-28 | 2023-12-15 | 国网浙江省电力有限公司绍兴供电公司 | 大区域电网对埋地金属管网电压干扰截断边界确定方法 |
CN113884818A (zh) * | 2021-10-27 | 2022-01-04 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
CN113884818B (zh) * | 2021-10-27 | 2024-04-09 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
CN113919754A (zh) * | 2021-11-18 | 2022-01-11 | 华北电力大学 | 一种基于区块链的综合能源***分布式状态估计方法 |
CN115208504A (zh) * | 2022-07-22 | 2022-10-18 | 福州大学 | 一种基于arima-lstm估计的网络时钟同步方法 |
CN115208504B (zh) * | 2022-07-22 | 2024-06-28 | 福州大学 | 一种基于arima-lstm估计的网络时钟同步方法 |
CN115754416A (zh) * | 2022-11-16 | 2023-03-07 | 国能大渡河瀑布沟发电有限公司 | 基于边缘计算的水轮发电机局部放电分析***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111983386B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111983386B (zh) | 一种配电网的分布式状态估计*** | |
Carquex et al. | State estimation in power distribution systems based on ensemble Kalman filtering | |
Della Giustina et al. | Electrical distribution system state estimation: measurement issues and challenges | |
CN111864706A (zh) | 一种配电网的故障预警和继电保护*** | |
CN111913077B (zh) | 一种配电网的智能故障定位*** | |
Zerihun et al. | Effect of communication failures on state estimation of 5G-enabled smart grid | |
CN108695864B (zh) | 基于μPMU与SCADA的配电网网络拓扑分析方法 | |
US10794939B2 (en) | Sensors for power distribution network and electrical grid monitoring system associated therewith | |
CN101750562A (zh) | 基于潮流方程灵敏度分析的非pmu测点动态过程估计方法 | |
CN114091816B (zh) | 基于数据融合的门控图神经网络的配电网状态估计方法 | |
CN109560550A (zh) | 基于优化量测的电网谐波状态估计方法 | |
Nguyen et al. | Distributed dynamic state-input estimation for power networks of microgrids and active distribution systems with unknown inputs | |
Ranjbar | Adaptive criteria of estimating power system separation times based on inter‐area signal | |
CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
CN111564848B (zh) | 一种微型电网的智能电力调度方法和用电负荷预测装置 | |
Shand et al. | Exploiting massive pmu data analysis for lv distribution network model validation | |
Gomathi et al. | Optimal location of PMUs for complete observability of power system network | |
Zeraati et al. | Meter placement algorithms to enhance distribution systems state estimation: Review, challenges and future research directions | |
CN111781422B (zh) | 一种配电网同步相量测量器 | |
KR102011330B1 (ko) | Hvdc 시스템에서의 데이터측정장치 및 데이터측정방법 | |
Folly et al. | Critical clearing time prediction using recurrent neural networks | |
Obychaiko et al. | Reliability Analysis of Cyber-Physical Systems | |
Amare et al. | Effect of communication failures on state estimation of 5G-enabled smart grid [J] | |
US20240143861A1 (en) | Actor-based distribution computation for partitioned power system simulation | |
US20230384747A1 (en) | Method for Operating a Power Supply Network, Computer Program and Electronically Readable Data Carrier |
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 |