CN113486078B - 一种分布式配电网运行监控方法及*** - Google Patents
一种分布式配电网运行监控方法及*** Download PDFInfo
- Publication number
- CN113486078B CN113486078B CN202110660148.8A CN202110660148A CN113486078B CN 113486078 B CN113486078 B CN 113486078B CN 202110660148 A CN202110660148 A CN 202110660148A CN 113486078 B CN113486078 B CN 113486078B
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution terminal
- terminal equipment
- abnormality
- abnormal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 230000005856 abnormality Effects 0.000 claims abstract description 75
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000012423 maintenance Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 19
- 238000011176 pooling Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Fuzzy Systems (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电网运行监测领域,提供了一种分布式配电网运行监控方法及***,其中各个配电站设置有数据采集模块实时采集站内配电终端设备的运行参数,并将配电终端的运行参数信息发送给异常分析模块;异常分析模块对配电终端设备的运行参数信息进行预处理,并根据预先存储在异常分析模块中的配电终端设备异常类型,对配电终端设备的运行参数信息进行判断,确定出配电终端设备的运行参数信息的异常类型;异常分析模块将各个配电终端设备的异常类型传输给监控服务器,监控服务器对各异常类型的配电终端设备的异常紧急程度进行判断,并发送给配电网运维***通知运维人员,运维人员按照异常的紧急程度进行有序处理,提高运维处理效率。
Description
技术领域
本发明属于电网运行监测领域,尤其涉及一种分布式配电网运行监控方法及***。
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。
目前,随着电子技术、计算机技术和网络通信技术的发展,智能化的监控技术被广泛应用于各种领域,便于人们进行环境控制、安全管理、监视报警,并有利于提高工作效率。人们可以方便地通过监控***,远程控制分布于各处的各种设备,如温度控制器、低压开关等,或者监测各种设备的数据和状态。
随着配电网自动化的快速发展,基础设施的大量增加,配电终端的需求呈现出爆发式增长,终端设备规模总量迅速上升,导致现阶段配电网的发展出现了很多问题:站端分布点多面广,分布式安装环境复杂多样;配电终端设备类型数量多,就会造成配电终端监测数据量庞大,运维人员无法快速对各个配电站的异常配电终端设备进行紧急有效的处理。
发明内容
为了解决现有技术的不足,本公开提供了一种分布式配电网运行监控方法及***,旨在配电站内配电终端设备异常的时候,为配电网运维人员提供最快速有效的处理方法,能够根据异常的紧急程度为运维人员节省异常处理时间。
第一方面,为了实现上述目的,本公开采用如下技术方案:
在一个或多个实施例中,一种分布式配电网运行监控方法,包括:
各个配电站内设置有数据采集模块实时采集配电站内配电终端设备的运行参数,并将配电终端设备的运行参数发送给异常分析模块;
异常分析模块对配电终端设备的运行参数信息进行预处理,并根据预先存储在异常分析模块中的配电终端设备异常类型,对配电终端设备的运行参数进行判断,确定出配电终端设备的异常类型;
异常分析模块将各个配电终端设备的异常类型传输给监控服务器,监控服务器对各异常类型的配电终端设备的异常紧急程度进行判断,并发送给配电网运维***通知运维人员。
第二方面,为了实现上述目的,本发明采用如下技术方案:
在一个或多个实施例中,一种分布式配电网运行监控***,包括:
数据采集模块,被配置于各个配电站内的配电终端设备上,各个配电站内设置有数据采集模块实时采集配电站内配电终端设备的运行参数,并将配电终端设备的运行参数发送给异常分析模块;
异常分析模块,被配置于各个配电站内的配电终端设备上,对配电终端设备的运行参数信息进行预处理,并根据预先存储在异常分析模块中的配电终端设备异常类型,对配电终端设备的运行参数进行判断,确定出配电终端设备的异常类型;
监控服务器,被配置为获取异常分析模块确定的配电终端设备的运行参数的异常类型,对各异常类型的配电终端设备的异常紧急程度进行判断,并发送给配电网运维***通知运维人员。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面中的方法。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面中方法的步骤。
与现有技术相比,本公开的有益效果是:
本公开通过在分布式配电网中的每个配电站内设置数据采集装置,实时采集配电终端设备的运行参数,并对配电终端设备的异常类型进行判定,然后确定各异常类型的配电终端设备的异常紧急程度进行判断,并发送给配电网运维***通知运维人员;运维人员可以根据配电终端的异常紧急程度进行快速有效的处理,提高运维处理效率。
附图说明
构成本发明的一部分的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不当限定。
图1是本发明实施例一的方法流程图;
图2是本发明实施例二的硬件***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,以下详细说明都是例示性的,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。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一:
如图1所示,一种分布式配电网运行监控方法,包括:
各个配电站设置有数据采集模块实时采集站内配电终端设备的运行参数,并将配电终端的运行参数信息发送给异常分析模块;
异常分析模块对配电终端设备的运行参数信息进行预处理,并根据预先存储在异常分析模块中的配电终端设备异常类型,对配电终端设备的运行参数信息进行判断,确定出配电终端设备的运行参数信息的异常类型;
异常分析模块将各个配电终端设备的异常类型传输给监控服务器,监控服务器对各异常类型的配电终端设备的异常紧急程度进行判断,并发送给配电网运维***通知运维人员。
作为一种实施例,分布式配电网内包含有在不同位置的配电站,配电站内含有配电终端设备,数据采集模块分布安装在各个配电站内,实时采集配电终端设备的运行参数,即电流、电压信息;异常分析模块也分布设置在各个配电站内,分别针对配电站内的各个配电终端设备进行异常分析;异常分析模块中还设置GPS定位模块,获取配电站的位置信息并发送给监控服务器,以便于运维人员能够知道发生异常的配电终端设备的具***置。
作为一种实施例,根据预先存储在异常分析模块中的配电终端设备异常类型,对配电终端设备的运行参数信息进行判断,确定出配电终端设备的运行参数信息的异常类型,具体为:
步骤a:异常分析模块首先获取数据采集模块实时采集的配电终端设备的运行参数并进行进行去噪;
步骤b:根据预先存储在异常分析模块中的配电终端设备异常类型与配电终端设备对应的运行参数之间的对应关系,构建配电终端设备运行参数训练集;
步骤c:将配电终端设备运行参数训练集输入到卷积神经网络模型进行训练,修正卷积神经网络的各类参数,得到训练好的配电终端设备异常判断卷积神经网络模型;
步骤d:将去噪后的待检测的配电终端设备的运行参数输入到训练好的配电终端设备异常判断卷积神经网络模型,识别获得配电终端设备的运行参数对应的配电终端设备异常类型。
本实施例的卷积神经网络的原理结构图如图2所示,主要包含输入层,卷积层,池化层,全连接层以及输出层,输入是数据预处理后的GIS放电信号图谱数据,保存数据形式为二维矩阵,卷积层和池化层交叉连接。
在卷积层中实现卷积步骤包括:(1)使用卷积滤波器对输入图像数据进行卷积的计算获得卷积值;(2)将卷积值通过激活函数生成了输入数据的多张特征图。本部分主要包含卷积计算和ReLU激活函数,运用于卷积层中,卷积层主要是将输入的图像与其卷积滤波器进行卷积,每一个局部滤波器都会重复的作用于整个感受域中,对输入数据进行卷积操作,实现权值共享,减少网络参数。最后卷积值通过激活函数生成输入数据的多张特征图,特征图中包含了图像数据有效的特征,使用卷积滤波器对输入图像数据进行卷积的计算公式可以为:
其中,表示第l层的第j个特征图,M是输入特征图的集合,*表示卷积运算,/>是第l层的卷积核矩阵,/>是卷积核的特征偏置,f(*)为激活函数,激活函数实际上是一个非线性的激励函数。
本实施例采用ReLU激活函数,ReLU的使用,使得网络可以自行引入稀疏性,相当于无监督学习的预训练,简单来说,ReLU激活函数的使用缩小了无监督学习和有监督学习之间的代沟,大大缩短学习周期,提高训练速度。
所述激活函数表达式可以为:
f(x)=max(0,x) (2)
卷积操作是滤波器权值ω,ω∈RN和累加表达xi:i+N-1之间的乘法操作,xi:i+N-1指与滤波器连接的N个序列点的累加表达。对与输入长度为D的原始图像数据,经滤波器卷积操作后,得到的一张特征图表达为:
其中,特征维度为D-N+1,j代表第j个滤波器。
池化层完成池化步骤,对输入的卷积层获得的特征图进行局部平均和二次提取。可以采用最大值池化进行特征的二次提取。应用于池化层中,池化层对图像特征进行子抽样,可以减少数据处理量,对上一层的特征图输入进行局部平均和二次提取,为了降低特征图的分辨率,这个操作能够在减少数据量的同时最大程度的保留有用关键信息,消除偏移和图像扭曲,减少计算时间、降低网络输出对于位移和变形的敏感程度。二次提取包含最大值池化和平均值池化,最大值池化对图像纹理提取的效果更好,本实施例选择最大值池化方式,第l层池化层的第j个特征图可以由下式得到:
down()为下采样函数,是特征图/>的唯一乘性偏置,/>是卷积特征图/>的唯一加性偏置。
网络的全连接层是整合前面传过来的分散特征,最后使用分类器进行识别分类,针对多分类问题,可以选择Softmax分类器,可以由逻辑回归从二分类推广至多分类得到,对于给定的输入x,我们需要计算它属于每一个类别j的概率值p(y=j丨x),所以在Softmax回归中,假设函数hθ(x)将会输出一个k维的向量来表示输入属于每一个类别的概率。
输出层输出的是一个实数向量,其节点数与所分类数量一致,本实施例中的输出节点数为局部放电缺陷类别的数量,每个节点的输出值表示该样本属于对应类别的概率,最后输出层的结果则是每一类的识别概率,通过大小关系能够判断出识别结果,从而可以输出识别结果。
步骤c中将配电终端设备运行参数训练集输入到卷积神经网络模型进行训练,修正卷积神经网络的各类参数,具体步骤如下:
步骤c1、训练集的样本图像经数据处理后输入至卷积神经网络,经过中间各层变换、映射,直到输出层,得到实际输出向量,获得前向输出结果;
步骤c2、将前向输出结果与预输出结果比较,以卷积神经网络模型的整体样本误差代价E最小为目标,采用链式求导法则调整卷积神经网络的各类参数。
预输出结果即为训练集样本数据中包含的放电缺陷类型。
训练的过程的第1阶段是前向传播阶段,主要用于特征信息的传递,训练集的样本图像直接输入网络,经过中间各层变换、映射,直到输出层,得到实际输出向量;第2阶段是误差反向传播阶段,在进行误差传递的同时使用优化算法校正误差信号,微调网络模型,对整个卷积网络模型的权值参数进行调优,使得误差代价最小。
第2阶段具体的权值参数调优,通过下面具体的示例进行说明:
假定要把样本分为C个类别,为第n个训练样本的理想类别标签向量所对应的第k维数值,/>为第n个样本经前向传播过程得到的输出向量的第k维数值,则卷积神经网络模型的整体样本误差代价E即为目标函数可以由下式求得:
为了使E最小化,使用训练集样本对卷积神经网络进行迭代,直到E或迭代次数达到目标值停止。
迭代训练过程中,使用反向传播算法更新卷积神经网络各层神经元的权值参数,由t次到t+1次,权值ω由下式计算:
ω(t+1)=ω(t)+ηδ(t)x(t) (7)
其中,η为学习速率,x(t)是神经元的输入,δ(t)是神经元的误差项。
在训练卷积神经网络参数的过程中,反向传播算法最为关键,其核心是链式求导法则,由下式可求:
其中,其中α是学习率,α表明每次更新参数时调整的幅度大小,和是目标函数分别对于参数向量W,b的偏导数。
由于前向输出结果和真实值之间有一定的误差,计算输出值和真实值之间的误差,将该误差向输入层反向传播,根据误差来自动调整参数向量的值,不断重复这个过程,直到收敛或者达到训练步数。
下面对反向传播算法做具体介绍:
设有m个训练样本的集合{(x(1),y(1)),(x(2),y(2))…(x(m),y(m))},卷积神经网络需要学习的参数为权值向量w和偏置项b,对于单独的一个训练样本(x,y),损失函数的定义如下:
其中y为真实结果,hw,b(x)为网络的预测输出,对于包含m个样本的训练数据,定义整体损失函数为:
我们需要通过优化参数W,b来最小化损失函数J(W,b),首先,我们需要初始化参数向量W,b,一般初始化为接近0的随机值,然后对目标函数使用比如梯度下降的优化方法来优化参数。通常来说,神经网络的损失函数J(W,b)是个非凸函数,往往会收敛于局部最小值,但在实际应用中,梯度下降法仍然能得到较好的结果。
在梯度下降算法中,我们可以按公式(8)对参数进行更新,公式可以如下:
其中α是学习率,α表明每次更新参数时调整的幅度大小,和是目标函数分别对于参数向量W,b的偏导数。计算的主要目标就是得到偏导数的值,由此可得到的参数更新值。然而网络包含多个隐层,有些隐层和输出层并不直接相连,所以需要用到链式求导法则。
本实施例可以采用卷积神经网络识别配电终端设备异常类型,卷积神经网络的卷积结构能优化深层网络的参数结构,方便将人工神经网络技术和深度学习方法相结合,实现子深度学习的多层过滤器网络结构以及过滤器和分类器结合的全局训练算法,能够直接有效、快速、准确的得出识别结果,避免将检测的非结构化数据转化成结构化数据,可保证识别的高效性和鲁棒性。
所述监控服务器对各异常类型的配电终端设备的异常紧急程度进行判断,具体为:
(1)对每种异常类型中的所有异常配电终端设备构建异常集,所述异常集中包含N个异常配电终端,N为自然数;
(2)结合配电站的位置信息,选取每个配电站内运行参数超出阈值最大的配电终端设备作为评价节点,节点编号为1~n(n为自然数);选择节点的原则是每个配电站选取一个电压等级最高的节点,或一个配电站内选择一个关键节点。
(3)对异常集中的第k个异常配电终端设备进行机电暂态仿真计算,根据仿真过程信息判断配电终端设备是否发生了攻角、电压、频率失稳;k=1,2,3,……,M;
(4)分别按照功角、电压、频率三个指标计算出该配电终端设备异常的严重系数;
(5)将得到的三个严重系数进行加权组合得出配电终端设备综合严重系数;
(6)重复步骤(3)~(5)完成对异常集中所有异常配电终端的异常严重系数;
(7)对异常集中的各个异常配电终端按照综合严重系数由大到小进行排序,输出一览表。
作为一种实施例,分别按照攻角、电压、频率三个指标计算出该配电终端设备异常的严重系数,具体为:
(1)异常严重系数-攻角
Ya(k)=max(θxy)-max(θxy0) (11);
式中,max(θxy)为仿真过程中任意两个配电终端设备(分别为x、y)之间相对功角的最大值,max(θxy0)为初始时刻任意两个配电终端设备之间相对功角的最大值,其中,1≤x,y≤n;若判出功角失稳,Ya(k)加一修正值;
(2)异常严重系数-电压
式中,Ui为仿真过程中各个时刻第i(i=1,2,3,…,n)个节点的电压标幺值,Δt为仿真步长,T为仿真时长;若判出电压失稳,Yv(k)加一修正值;
(3)异常严重系数-频率
式中,fi为仿真过程中各个时刻第i(i=1,2,3,…,n)个节点的频率,Δt为仿真步长,T为仿真时长;若判出频率失稳,Yf(k)加一修正值;
将三个异常严重系数进行加权组合得到配电终端设备综合严重系数:
Y(k)=ka*Ya(k)-kv*Yv(k)+kf*Yf(k) (14),
其中,ka、kv、kf均为权重。
作为一种实施例,用户可根据需要添加故障组;如果检测到异常造成配电网出现新的孤岛时,对纳入评价的节点集合进行修正,保证每个孤岛中至少选取一个节点的功角、电压、频率参与评价。
ka、kv、kf的取值规则是:如无特殊需要,ka、kv、kf均取1.0;如果本次研究更加关注功角稳定问题,ka适当增大;如果本次研究更加关注电压稳定问题,kv适当增大;如果本次研究更加关注频率稳定问题,kf适当增大;如果计算出来的明显不在一个数量级,通过调整ka、kv、kf,更加均衡地关注功角、电压、频率稳定。
实施例二
本实施例提供一种分布式配电网运行监控***,其特征在于,包括:
数据采集模块,被配置于各个配电站内的配电终端设备上,各个配电站内设置有数据采集模块实时采集配电站内配电终端设备的运行参数,并将配电终端设备的运行参数发送给异常分析模块;
异常分析模块,被配置于各个配电站内的配电终端设备上,对配电终端设备的运行参数信息进行预处理,并根据预先存储在异常分析模块中的配电终端设备异常类型,对配电终端设备的运行参数进行判断,确定出配电终端设备的异常类型;
监控服务器,被配置为获取异常分析模块确定的配电终端设备的运行参数的异常类型,对各异常类型的配电终端设备的异常紧急程度进行判断,并发送给配电网运维***通知运维人员。
实施例三
本实施例还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一个实施例中方法的步骤。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一个实施例中方法的步骤。
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。
Claims (6)
1.一种分布式配电网运行监控方法,其特征在于,包括:
各个配电站内设置有数据采集模块实时采集配电站内配电终端设备的运行参数,并将配电终端设备的运行参数发送给异常分析模块;
异常分析模块对配电终端设备的运行参数信息进行预处理,并根据预先存储在异常分析模块中的配电终端设备异常类型,对配电终端设备的运行参数进行判断,确定出配电终端设备的异常类型;
确定出配电终端设备的异常类型,具体包括:所述异常分析模块对配电终端设备的运行参数进行去噪;根据预先存储在异常分析模块中的配电终端设备异常类型与配电终端设备对应的运行参数,构建配电终端设备运行参数训练集;将配电终端设备运行参数训练集输入到卷积神经网络模型进行训练,得到训练好的配电终端设备异常判断卷积神经网络模型;将去噪后的配电终端设备的运行参数输入到训练好的配电终端设备异常判断卷积神经网络模型,识别获得配电终端设备的运行参数对应的配电终端设备异常类型;
异常分析模块将各个配电终端设备的异常类型传输给监控服务器,监控服务器对各异常类型的配电终端设备的异常紧急程度进行判断,并发送给配电网运维***通知运维人员;
所述监控服务器对各异常类型的配电终端设备的异常紧急程度进行判断,具体为:
(1)对每种异常类型中的所有异常配电终端设备构建异常集,所述异常集中包含N个异常配电终端,N为自然数;
(2)结合配电站的位置信息,选取每个配电站内运行参数超出阈值最大的配电终端设备作为评价节点,节点编号为1~n,n为自然数;
(3)对异常集中的第k个异常配电终端设备进行机电暂态仿真计算,根据仿真过程信息判断配电终端设备是否发生了功角、电压、频率失稳,k=1,2,3,……,M;
(4)分别按照功角、电压、频率三个指标计算出该配电终端设备异常的严重系数;
(5)将得到的三个严重系数进行加权组合得出配电终端设备综合严重系数;
(6)重复步骤(3)~(5)完成对异常集中所有异常配电终端的异常严重系数;
(7)对异常集中的各个异常配电终端按照综合严重系数由大到小进行排序,输出一览表;
所述分别按照功角、电压、频率三个指标计算出该配电终端设备异常的严重系数具体为:
(1)异常严重系数-功角;式中,/>为仿真过程中任意两个分别为x、y的配电终端设备之间相对功角的最大值,/>为初始时刻任意两个配电终端设备之间相对功角的最大值,其中,1≤x,y≤n;若判出功角失稳,/>加一修正值;
(2)异常严重系数-电压;式中,/>为仿真过程中各个时刻第i个节点的电压标幺值; i=1,2,3,…,n ;/>为仿真步长,T为仿真时长;若判出电压失稳,/>加一修正值;
(3)异常严重系数-频率;/>式中为仿真过程中各个时刻第i个节点的频率;i=1,2,3,…,n ;/>为仿真步长,T为仿真时长;若判出频率失稳,加一修正值;
将三个异常严重系数进行加权组合得到配电终端设备综合严重系数:
,其中,ka、kv、kf均为权重。
2.如权利要求1所述的一种分布式配电网运行监控方法,其特征在于,数据采集模块分布安装在每个配电站内,实时采集配电终端设备的运行参数,即电流、电压信息。
3.如权利要求1所述的一种分布式配电网运行监控方法,其特征在于,所述异常分析模块设置在各个配电站内,分别针对配电站内的各个配电终端设备进行异常分析;
所述异常分析模块中设置GPS定位模块,获取配电站的位置信息并发送给监控服务器。
4.一种分布式配电网运行监控***,用于实现如权利要求1-3任一项权利要求所述的方法,其特征在于,包括:
数据采集模块,被配置于各个配电站内的配电终端设备上,各个配电站内设置有数据采集模块实时采集配电站内配电终端设备的运行参数,并将配电终端设备的运行参数发送给异常分析模块;
异常分析模块,被配置于各个配电站内的配电终端设备上,对配电终端设备的运行参数信息进行预处理,并根据预先存储在异常分析模块中的配电终端设备异常类型,对配电终端设备的运行参数进行判断,确定出配电终端设备的异常类型;
监控服务器,被配置为获取异常分析模块确定的配电终端设备的运行参数的异常类型,对各异常类型的配电终端设备的异常紧急程度进行判断,并发送给配电网运维***通知运维人员。
5.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-3中任一项方法所述的步骤。
6.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-3中任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660148.8A CN113486078B (zh) | 2021-06-15 | 2021-06-15 | 一种分布式配电网运行监控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660148.8A CN113486078B (zh) | 2021-06-15 | 2021-06-15 | 一种分布式配电网运行监控方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486078A CN113486078A (zh) | 2021-10-08 |
CN113486078B true CN113486078B (zh) | 2023-11-21 |
Family
ID=77935257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110660148.8A Active CN113486078B (zh) | 2021-06-15 | 2021-06-15 | 一种分布式配电网运行监控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486078B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113904448B (zh) * | 2021-10-26 | 2023-06-30 | 珠海康晋电气股份有限公司 | 一种基于多维监控智能配电运维服务*** |
CN114139745A (zh) * | 2021-12-01 | 2022-03-04 | 北京磁浮有限公司 | 轨道交通供配电设施的信息处理与控制方法、装置及终端 |
CN113963033B (zh) * | 2021-12-20 | 2022-03-25 | 华东交通大学 | 一种基于人工智能的电力设备异常检测方法和*** |
CN114969163B (zh) * | 2022-07-21 | 2022-12-09 | 北京宏数科技有限公司 | 一种基于大数据的设备运维方法及*** |
CN115936428B (zh) * | 2022-11-17 | 2023-06-30 | 江苏东港能源投资有限公司 | 增量配电网防外破定值优化*** |
CN115859162B (zh) * | 2023-02-21 | 2023-05-05 | 深圳市超业电力科技有限公司 | 基于物联网的配电***健康诊断方法及相关装置 |
CN116991932B (zh) * | 2023-09-25 | 2023-12-15 | 济南卓鲁信息科技有限公司 | 一种基于人工智能的数据分析治理***及其方法 |
CN117633592A (zh) * | 2023-11-29 | 2024-03-01 | 宁夏京银智慧新能源有限公司 | 一种新能源电站智能监盘*** |
CN118155791B (zh) * | 2024-05-10 | 2024-07-19 | 吉林大学第一医院 | 一种基于数据监测的神经外科数据记录管理*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005046208A (ja) * | 2003-07-30 | 2005-02-24 | Heiwa Corp | パチンコ島の管理装置 |
CN102403717A (zh) * | 2011-11-18 | 2012-04-04 | 中国南方电网有限责任公司 | 一种电力***故障严重程度评价方法 |
CN103618381A (zh) * | 2013-11-13 | 2014-03-05 | 国家电网公司 | 保护测控一体化综合配电箱 |
KR101654882B1 (ko) * | 2015-06-23 | 2016-09-06 | 한전케이디엔 주식회사 | 배전선로 고장분석 및 고장분포 표시 시스템 및 방법 |
CN106199276A (zh) * | 2016-07-25 | 2016-12-07 | 国电南瑞科技股份有限公司 | 一种用电信息采集***中异常信息的智能诊断***及方法 |
CN106771862A (zh) * | 2016-12-08 | 2017-05-31 | 国网浙江省电力公司 | 一种网格与空间距离相结合的采集异常故障点聚合方法 |
CN106815647A (zh) * | 2016-12-28 | 2017-06-09 | 国家电网公司 | 一种基于数据分析的高效率配电网故障抢修***及方法 |
CN107657391A (zh) * | 2017-10-13 | 2018-02-02 | 国网四川省电力公司天府新区供电公司 | 一种电网调度监控缺陷管理与评估*** |
CN109212520A (zh) * | 2018-09-29 | 2019-01-15 | 河北德冠隆电子科技有限公司 | 全方位检测雷达的路况感知异常事件检测报警***及方法 |
-
2021
- 2021-06-15 CN CN202110660148.8A patent/CN113486078B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005046208A (ja) * | 2003-07-30 | 2005-02-24 | Heiwa Corp | パチンコ島の管理装置 |
CN102403717A (zh) * | 2011-11-18 | 2012-04-04 | 中国南方电网有限责任公司 | 一种电力***故障严重程度评价方法 |
CN103618381A (zh) * | 2013-11-13 | 2014-03-05 | 国家电网公司 | 保护测控一体化综合配电箱 |
KR101654882B1 (ko) * | 2015-06-23 | 2016-09-06 | 한전케이디엔 주식회사 | 배전선로 고장분석 및 고장분포 표시 시스템 및 방법 |
CN106199276A (zh) * | 2016-07-25 | 2016-12-07 | 国电南瑞科技股份有限公司 | 一种用电信息采集***中异常信息的智能诊断***及方法 |
CN106771862A (zh) * | 2016-12-08 | 2017-05-31 | 国网浙江省电力公司 | 一种网格与空间距离相结合的采集异常故障点聚合方法 |
CN106815647A (zh) * | 2016-12-28 | 2017-06-09 | 国家电网公司 | 一种基于数据分析的高效率配电网故障抢修***及方法 |
CN107657391A (zh) * | 2017-10-13 | 2018-02-02 | 国网四川省电力公司天府新区供电公司 | 一种电网调度监控缺陷管理与评估*** |
CN109212520A (zh) * | 2018-09-29 | 2019-01-15 | 河北德冠隆电子科技有限公司 | 全方位检测雷达的路况感知异常事件检测报警***及方法 |
Non-Patent Citations (2)
Title |
---|
供电公司采集运维异常管理***设计与实现;刘沛林;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);C042-15 * |
智能配电终端异常状态监控***设计与实现;罗超 等;《电气应用》;第39卷(第03期);70-73 * |
Also Published As
Publication number | Publication date |
---|---|
CN113486078A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113486078B (zh) | 一种分布式配电网运行监控方法及*** | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN110309537B (zh) | 一种飞行器的智能健康预测方法及*** | |
CN110708318A (zh) | 基于改进的径向基神经网络算法的网络异常流量预测方法 | |
CN115580445B (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN113255661B (zh) | 一种输电线路涉鸟故障相关鸟种图像识别方法 | |
CN112766603A (zh) | 一种交通流量预测方法、***、计算机设备及存储介质 | |
CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及*** | |
CN112529685A (zh) | 一种基于bas-fnn的贷款用户信用评级方法及*** | |
CN112434743A (zh) | 基于gil金属微粒局部放电时域波形图像的故障识别方法 | |
CN115048870A (zh) | 基于残差网络和注意力机制的目标轨迹识别方法 | |
CN112631890A (zh) | 基于lstm-aco模型预测云服务器资源性能的方法 | |
CN114819143A (zh) | 一种适用于通信网现场维护的模型压缩方法 | |
CN111785093A (zh) | 一种基于分形插值的空中交通流量短期预测方法 | |
CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN117574776A (zh) | 一种面向任务规划的模型自学习优化方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
CN108985563B (zh) | 一种基于自组织特征映射的机电***服役动态标记方法 | |
CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
CN113655341B (zh) | 一种配电网故障定位方法及*** | |
CN113516163B (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 | |
CN114492199A (zh) | 一种电压互感器性能的分析方法、***、电子设备及介质 |
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 |