CN113837423A - 基于能源互联网电力大数据的电网运行态势预测方法 - Google Patents
基于能源互联网电力大数据的电网运行态势预测方法 Download PDFInfo
- Publication number
- CN113837423A CN113837423A CN202010591608.1A CN202010591608A CN113837423A CN 113837423 A CN113837423 A CN 113837423A CN 202010591608 A CN202010591608 A CN 202010591608A CN 113837423 A CN113837423 A CN 113837423A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- power grid
- information
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000005259 measurement Methods 0.000 claims abstract description 98
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 238000010248 power generation Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000009469 supplementation Effects 0.000 claims 2
- 238000011161 development Methods 0.000 abstract description 12
- 238000004445 quantitative analysis Methods 0.000 abstract description 3
- 238000012502 risk assessment Methods 0.000 abstract description 3
- 230000018109 developmental process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- 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
- G06F16/2462—Approximate or statistical queries
-
- 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
- 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
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于能源互联网电力大数据的电网运行态势预测方法，包括，首先，将电力调控***中的若干多源基础数据进行多源异构数据融合，得到第一量测数据集；然后，根据第一量测数据集，利用连续时间序列预测方法对电网关键电气量进行态势预测，得到第一预测信息；利用电网特征事件预测方法对电网重大运行事件进行实时监控与后果预测，得到第一事件描述信息；最后，使用电网频率态势在线预测模型，得到电网频率态势预测结果。本发明提供电网运行态势预测方法能够适应当前源端、网端和负荷端出现的新的发展态势，能够实现事前风险评估与事后后果量化分析；作为后续智能决策的依据，能够进行态势溯源、风险预测及指标趋势预测。
Description
技术领域
本发明涉及电力***智能技术领域，尤其是涉及一种基于能源互联网电力大数据的电网运行态势预测方法。
背景技术
进入21世纪以来，随着我国经济的快速发展和能源需求的大幅增长，能源发展面临资源和环境的巨大挑战。“推动能源转型，建设清洁低碳”已成为国家能源发展的主要方向。一方面，随着风电、光伏发电发展迅速，直流大规模接入和新能源的高比例渗透，对常规能源置换效应日趋显现。另一方面，依照“三型两网”战略，建设电力物联网，围绕电力***各环节，充分应用移动互联、人工智能等现代信息技术，实现各环节万物互联，发展智能配电网已成为共识；与此同时，在智能配电网条件下，***采集和处理的数据呈海量增长，并且受用户随机需求响应、客户多样化需求、应急减灾等因素影响，配电网络运行日益复杂；进一步地，新型负荷(比如电采暖和电动汽车等)和分布式电源逐步接入配电网。以华东电网为例，截止2018年底，华东电网风电装机容量1622万千瓦，光伏装机容量2636万千瓦，新能源渗透率不断提高；另一方面华东电网区外直流规模不断增大，截至目前，华东电网受入直流11回，额定容量近7000万千瓦。由此，在电力***的各个环节均出现了新的发展态势，源端、网端以及负荷端，均给目前的电网***的抗扰动能力带来巨大挑战。在此大背景下，可靠的电网运行状态预测方法对电网***可靠、经济和安全运行的运行至关重要。
现有技术中，其中一种电网运行状态预测方法是基于电力***的历史和经验数据的机器学习方法，该方法虽然具备较快的分析速度和良好的泛化能力，但是却存在如下缺陷：一是电力***的历史和经验数据可能存在冗余、格式错误、内部矛盾等问题，导致样本数据本身不够完善；二是样本质量和数量可能会削弱其结果的可靠性；三是仅依赖数据件的数理统计关系而完全忽略了输入输出之间的自然关系。从而导致现有的电网运行预测方法不能满足调度的时变性。
因此，有必要提供一种基于能源互联网电力大数据的电网运行态势预测方法，以适应当前源端、网端和负荷端出现的新的发展态势，为电网***可靠、经济和安全运行提供保障。
需要说明的是，公开于该发明背景技术部分的信息仅仅旨在加深对本发明一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明的目的在于克服现有技术中现有技术的不足，提供一种基于能源互联网电力大数据的电网运行态势预测方法，以适应当前源端、网端和负荷端出现的新的发展态势，为电网***可靠、经济和安全运行提供保障。
为实现上述目的，本发明通过以下技术方案予以实现：一种基于能源互联网电力大数据的电网运行态势预测方法，包括：
S1：将电力调控***中的若干多源基础数据进行多源异构数据融合，得到第一量测数据集；其中，所述多源基础数据包括电网实时数据，以及发电计划数据、负荷预测、检修计划数据、故障信息、地理信息、气象信息和社会信息中的一种或多种，所述多源异构数据融合包括数据时标统一、智能数据清洗、数据补缺和/或多维数据索引；
S2：根据所述第一量测数据集，利用连续时间序列预测方法对电网关键电气量进行态势预测，得到第一预测信息；利用电网特征事件预测方法对电网重大运行事件进行实时监控与后果预测，得到第一事件描述信息；
S3：将所述第一量测数据集、电力***拓扑信息、所述第一预测信息以及所述第一事件描述信息输入电网频率态势在线预测模型，得到电网频率态势预测结果。
可选地，步骤S1中，所述数据时标统一包括以下方法，
按照预设周期和/或事件触发，召唤所述多源基础数据，对所述多源基础数据的量测发生时间进行时钟同步差值处理；
判断所述多源基础数据是否包括量测发生时间，若是，则将所述量测发生时间加上主子站差异时间作为数据时标统一后的量测发生时间；若否，则将所述主子站差异时间作为数据时标统一后的量测发生时间。
可选地，在步骤S1中，在对所述多源基础数据进行时标统一之前，还包括对所述多源基础数据进行合理性判断，若合理，则对所述多源基础数据进行所述数据时标统一；否则，丢弃所述多源基础数据。
可选地，步骤S1中，所述智能数据清洗包括，不良数据辨识以及对所述多源基础数据相关性清洗和/或格式内容清洗；其中，
所述不良数据辨识的方法包括残差目标搜索辨识法、非二次准则辨识法和/或零残差辨识法；
所述相关性清洗的方法包括，根据数据相关性，剔除强相关性数据并保留特征数据。
可选地，步骤S1中，所述数据补缺包括利用时间回溯、曲线拟合和/或实时补召对所述多源基础数据补缺。
可选地，步骤S1中，所述多维数据索引包括，根据时间属性、空间属性、事件属性和/或业务属性，在所述多源基础数据之间建立多维索引。
可选地，所述电网频率态势在线预测模型包括物理简化模型和预测误差校正模型；在步骤S3之前，还包括建立所述电网频率态势在线预测模型，建立所述电网频率态势在线预测模型的方法，包括，
将决定电网频率稳定的影响因素作为关键因素，根据所述关键因素，基于***惯性中心变化理论，对电力***中的所有机组进行聚合，采用SFR模型方法将包含所有机组的电力***等值成单机负荷***，得到所述物理简化模型；其中，所述关键因素包括发电机组和负荷组成的***的关系、阻尼和调速特性；
将离线电力***拓扑信息以及离线事件描述信息输入所述物理简化模型，得到离线预测频率态势；将所述离线电力***拓扑信息以及所述离线事件描述信息输入暂态仿真模拟***，得到离线真实频率态势；
采用机器学习方法对所述离线预测频率态势以及离线广域量测信息进行训练，得到离线预测误差校正模型；
根据所述离线预测频率态势与所述离线真实频率态势对所述离线预测误差校正模型的误差进行修正，得到所述预测误差校正模型。
可选地，步骤S3中，所述将所述第一量测数据集、电力***拓扑信息、所述第一预测信息以及所述第一事件描述信息输入电网频率态势在线预测模型，得到电网频率态势预测结果，包括，
将所述第一量测数据集、电力***拓扑信息和所述第一预测信息输入所述物理简化模型，得到第二预测信息；
将广域量测信息以及所述第二预测信息输入所述预测误差校正模型，得到所述电网频率态势预测结果；
其中，所述广域量测信息包括来自WAMS***的PMU数据。
可选地，步骤S3中，所述将所述第一量测数据集、电力***拓扑信息、所述第一预测信息以及所述第一事件描述信息输入电网频率态势在线预测模型，得到电网频率态势预测结果，其中所述电网频率态势预测结果包括扰动后电网频率跌落幅值、最大幅值出现时间和恢复频率时间。
可选地，步骤S1中，所述多源基础数据的来源包括基于SCADA***的电网运行数据，以及基于WAMS***的PMU数据、基于电能量管理***的电能量数据和基于电网调控***的计划数据中的一种或多种。
与现有技术相比，本发明提供的一种基于能源互联网电力大数据的电网运行态势预测方法，具有以下有益效果：
本发明提供的一种基于能源互联网电力大数据的电网运行态势预测方法，将电力***调控***中的多源基础数据进行多源异构数据融合，所述多源异构数据融合包括数据时标统一、智能数据清洗、数据补缺和/或多维数据索引。对所述多源基础数据进行数据时标统一之后，对于基于时标量测的各种应用，包括基于时标量测的计算和统计分析、引入时标量测的综合智能分析、基于时标量测的全景事故反演、基于时标量测的电网支路参数辨识等，都能得到有效的发展。能够针对电网中数据存在的冗余、格式错误、内部矛盾等问题，进行流程化数据清洗；进一步地，能够通过相关性清洗，分析数据相关性，剔除强相关性数据，保留特征数据，降低***处理流量；再进一步地，通过格式内容清洗，能够解决时间、日期、数值、全半角等显示格式不一致的问题；又进一步地，对多源异构数据进行抽象分类，建立基于多种属性的数据关联索引。更进一步地，从时间属性、空间属性，从事件属性和从业务属性等角度，建立电力大数据多维索引，便于各种场景下的数据查询。
根据所述第一量测数据集，利用连续时间序列预测方法对电网关键电气量进行态势预测，得到第一预测信息；利用电网特征事件预测方法对电网重大运行事件进行实时监控与后果预测，得到第一事件描述信息。研究基于深度学习、迁移学习等算法的电力大数据态势感知技术。基于历史数据，建立连续变量时间序列预测模型，如电网频率，发电机功角轨迹，负荷曲线等。并通过事件关联能够分析得到主网交流***故障可能导致的直流***换相失败和直流闭锁。
本发明提供的一种基于能源互联网电力大数据的电网运行态势预测方法使用电网频率态势在线预测模型，包括物理简化模型和预测误测校正模型，将所述第一量测数据集、电力***拓扑信息和所述第一预测信息输入所述物理简化模型，能够保留电气信息间的因果联系；将广域量测信息以及所述第二预测信息输入所述预测误差校正模型。该方法具有样本依赖性小、通信容错率高、计算效率受***规模影响小的特点，能够快速、准确地预测***受扰后的频率态势特征。
使用本发明提供的一种基于能源互联网电力大数据的电网运行态势预测方法，能够通过事件关联分析主网交流***故障可能导致的直流***换相失败和直流闭锁问题，能够实现事前风险评估与事后后果量化分析；作为后续智能决策的依据，能够进行态势溯源、风险预测及指标趋势预测。
附图说明
图1为本发明实施例提供的其中一种基于能源互联网电力大数据的电网运行态势预测方法的流程示意图；
图2为本发明实施例的一种基于能源互联网电力大数据的电网运行态势预测方法的数据流程图；
图3为其中一个实施例应用图1的步骤S1中数据时标统一的方法流程示意图；
图4为图1的步骤S3中的电网频率态势在线预测模型构建及用示意图；
具体实施方式
本发明的核心思想在于提供一种基于能源互联网电力大数据的电网运行态势预测方法，以克服在当前源端、网端和负荷端出现新的发展态势情况下，现有技术中存在的不足。
为了实现上述思想，本发明提供了一种基于能源互联网电力大数据的电网运行态势预测方法，包括以下步骤：
S1：将电力调控***中的若干多源基础数据进行多源异构数据融合，得到第一量测数据集；其中，所述多源基础数据包括电网实时数据，以及发电计划数据、负荷预测、检修计划数据、故障信息、地理信息、气象信息和社会信息中的一种或多种，所述多源异构数据融合包括数据时标统一、智能数据清洗、数据补缺和/或多维数据索引。
S2：根据所述第一量测数据集，利用连续时间序列预测方法对电网关键电气量进行态势预测，得到第一预测信息；利用电网特征事件预测方法对电网重大运行事件进行实时监控与后果预测，得到第一事件描述信息。
S3：将所述第一量测数据集、电力***拓扑信息、所述第一预测信息以及所述第一事件描述信息输入电网频率态势在线预测模型，得到电网频率态势预测结果。
为使本发明的目的、优点和特征更加清楚，以下结合附图对本发明提出的基于能源互联网电力大数据的电网运行态势预测方法作进一步详细说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。应当了解，说明书附图并不一定按比例地显示本发明的具体结构，并且在说明书附图中用于说明本发明某些原理的图示性特征也会采取略微简化的画法。本文所公开的本发明的具体设计特征包括例如具体尺寸、方向、位置和外形将部分地由具体所要应用和使用的环境来确定。以及，在以下说明的实施方式中，有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分，而省略其重复说明。在本说明书中，使用相似的标号和字母表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
在适当情况下，如此使用的这些术语可替换。类似的，如果本文所述的方法包括一系列步骤，且本文所呈现的这些步骤的顺序并非必须是可执行这些步骤的唯一顺序，且一些所述的步骤可被省略和/或一些本文未描述的其他步骤可被添加到该方法。
在具体介绍本发明实施例之前，先大致介绍本发明实施例的总体流程，再对各个步骤逐一介绍。
参见附图1和图2所示，本发明实施例提供了一种基于能源互联网电力大数据的电网运行态势预测方法，包括：
S1：多源异构数据融合：将电力调控***中的若干多源基础数据进行多源异构数据融合，得到第一量测数据集；其中，所述多源基础数据包括电网实时数据，以及发电计划数据、负荷预测、检修计划数据、故障信息、地理信息、气象信息和社会信息中的一种或多种，所述多源异构数据融合包括数据时标统一、智能数据清洗、数据补缺和/或多维数据索引。
可以理解地，在电力***的各个环节比如发电、输电、变电、配电、调度以及用电生产等各个环节都会产生各种各样的基础数据，从而形成多源基础数据，这些多源基础数据包括但不限于电网实时数据、发电计划数据、负荷预测、检修计划数据、故障信息、地理信息、气象信息和社会信息。特别地，不同的所述多源基础数据的来源也不尽相同，所述多源基础数据的来源包括基于SCADA***的电网运行数据，以及基于WAMS(Wide AreaMeasurement System,广域测量***)***的PMU(PhasorMeasurement Unit，同步向量测量单元)数据、基于电能量管理***的电能量数据和基于电网调控***的计划数据中的一种或多种。其中，WAMS***能够获得在同一时间参考轴下大型互联电力***中的稳态信息和动态信息。然而，在庞大的时变电力运行数据中，如何对数据进行筛选、整理、融合、挖掘，获得实时、高效、高精度的电网信息，是电网运行态势预测方法的根本保证。
目前，并不是所有的多源基础数据都带有时标信息，因此，需要对这些多源基础数据进行时标统一。
优选地，所述数据时标统一包括以下方法，按照预设周期和/或事件触发，召唤所述多源基础数据，对所述多源基础数据的量测发生时间进行时钟同步差值处理；判断所述多源基础数据是否包括量测发生时间，若是，则将所述量测发生时间加上主子站差异时间作为数据时标统一后的量测发生时间；若否，则将所述主子站差异时间作为数据时标统一后的量测发生时间。进一步地，在对所述多源基础数据进行时标统一之前，还包括对所述多源基础数据进行合理性判断，若合理，则对所述多源基础数据进行所述数据时标统一；否则，丢弃所述多源基础数据。对多源基础数据进行时标统一的目的在于得到一致性良好的环网数据。由此，存储了时标量测后，基于时标量测的各种应用，包括基于时标量测的计算和统计分析、引入时标量测的综合智能分析、基于时标量测的全景事故反演、基于时标量测的电网支路参数辨识等，都能得到有效的发展。
具体地，以调控主站接收到的厂站上送的不带时标的SCADA量测数据为例，前置应用接收到子站的报文后，进行规约解析、数据转换，并实时提交给SCADA应用。SCADA应用接收数据后，把数据按照设备存入实时库，进行一些处理和计算，提供***监视画面、告警，向电网自动控制、网络分析、在线安全稳定分析应用提供电网实时稳态量测数据；同时平台按照设定的条件进行周期性或触发式采样，把数据永久存入历史商用库。
时标SCADA实时库存储了时标量测后，基于时标SCADA量测的电网支路参数辨识具备了应用的基础，但由于不同测点量测时标不同，如何为其提供消除量测不同步影响的实时数据一致性断面，是多源异构数据时空关联特性分析的关键问题。应用上述数据时标统一的方法，可以很好的解决这一时空关联问题。假定每个所述多源基础数据存储的参数包括数据值、数据质量和数据的时间戳。每个所述多源基础数据写入时按照时间戳对应的秒写入，循环存储；同时填写最新值、最新值状态、最新值时间戳。时间戳结构为structtimeval。时标量测处理及存储过程如附图3所示：
首先，订阅数据采集的多源基础数据发送通道；循环检测是否接受到发送的数据报文，没有接收到则继续检测，接收到后根据数据头类型对数据包进行解包，获取量测ID(数据来源)、量测值、量测质量状态及量测发生时间；
其次，对接收到的量测值进行合理性判断，合理性判断无效的量测则给予抛弃。
再次，将带时标量测的量测发生时间更新为加上主子站差异时间后的时间值。对于无时标数据类型的给予抛弃处理，在子站实在无法提供时标量测的情况下，以主站时间减去主子站的差异时间代替，从而使得时标统一之后的所述多源基础数据具备很好的完整性，为后续得到的第一量测数据集中的数据的时效提供重要参考。
最后，按照所述量测ID+时间戳进行存储位置定位，将量测数据值、量测质量状态和量测时间戳通过接口写入实时数据库的带时标遥测表中，并根据实际情况更新最新值、最新值状态、最新值时间戳。
存储了时标量测后，基于时标量测各种应用，包括基于时标量测的计算和统计分析、引入时标量测的综合智能分析、基于时标量测的全景事故反演、基于时标量测的电网支路参数辨识等，都能得到有效的发展；能够为电网支路参数辨识等应用提供消除量测不同步影响的实时数据理想断面。
再进一步地，针对所述多源基础数据中存在的冗余、格式错误、内部矛盾等问题，进行智能数据清洗。所述智能数据清洗包括，不良数据辨识以及对所述多源基础数据相关性清洗和/或格式内容清洗。首先，所述不良数据辨识的方法包括残差目标搜索辨识法、非二次准则辨识法和/或零残差辨识法。
其次，当召唤时间点没有数据时，可以采用时间回溯、曲线拟合和/或实时补召其中的一种或综合多种对数据进行补缺：
一、时间回溯：即当查询时间点没有数据时，往前取得离查询时间点最近的那个变化点的数据来代替查询点的数据。
二、曲线拟合：一般使用的是直线拟合，根据数据是逐渐变化的，当时间间隔足够短时，两点的数据可以用曲线来拟合。当查询时间点没有数据时，往前取一个有效数据点，往后取一个有效数据点，拟合成曲线，根据比例来算出查询点的数据。当然，在计算时间允许的情况下，也可取多个数据点，进行复合函数拟合，比如最小二乘法拟合等。
三、实时补召：当子站支持历史数据召唤功能时，主站召唤指定时刻的子站断面。
可以理解地，在预设周期内，在召唤或查询所述多源基础数据时，下列情况可能引起查询时间点没有数据：
1)自上一次数据变化之后，数值变化没有达到死区值，未曾上送。这种情况是采样策略所决定的，依然可以用上次的数值代替，所计算误差在电力计算的误差范围内，是正常的。
2)由网络、数据处理等因素引起延时，数据没有送到。
3)由于子站工况退出，主站没有接收到数据，这种情况下，要么该子站的数据不参加计算，要么需要从子站重新取得数据。
最后，所述相关性清洗的方法包括，根据数据相关性，剔除强相关性数据并保留特征数据，从而降低处理的数据流量。检查时间、日期、数值等格式不一致，对于格式不一致的情况安装预设规则进行统一处理。
更进一步地，所述多维数据索引包括，根据时间属性、空间属性、事件属性和/或业务属性，在所述多源基础数据之间建立多维索引，便于各种场景下的数据查询。
S2：根据所述第一量测数据集，利用连续时间序列预测方法对电网关键电气量进行态势预测，得到第一预测信息；利用电网特征事件预测方法对电网重大运行事件进行实时监控与后果预测，得到第一事件描述信息。其中，所述电网关键电气量包括电网频率、发电机功角轨迹，负荷曲线等。特别地，本发明不限定所述连续时间序列预测方法的具体的预测策略，包括但不限于平均数预测法、移动平均法、指数平滑法预测和/或趋势法预测等其中的一种或几种的综合。所述电网特征事件包括但不限于功率扰动事件后电网频率响应的情况。
S3：将所述第一量测数据集、电力***拓扑信息、所述第一预测信息以及所述第一事件描述信息输入电网频率态势在线预测模型，得到电网频率态势预测结果。
优选地，在其中一种实施方式中，如附图4所示，所述电网频率态势在线预测模型包括物理简化模型和预测误差校正模型；在步骤S3之前，还包括建立所述电网频率态势在线预测模型，建立所述电网频率态势在线预测模型的方法，包括以下步骤，
S2.1：将决定电网频率稳定的影响因素作为关键因素，根据所述关键因素，基于***惯性中心变化理论，对电力***中的所有机组进行聚合，采用SFR模型方法将包含所有机组的电力***等值成单机负荷***，得到所述物理简化模型；其中，所述关键因素包括发电机组和负荷组成的***的关系、阻尼和调速特性。
S2.2：将离线电力***拓扑信息以及离线事件描述信息输入所述物理简化模型，得到离线预测频率态势；将所述离线电力***拓扑信息以及所述离线事件描述信息输入暂态仿真模拟***，得到离线真实频率态势；采用机器学习方法对所述离线预测频率态势以及离线广域量测信息进行训练，得到离线预测误差校正模型。
S2.3：根据所述离线预测频率态势与所述离线真实频率态势对所述离线预测误差校正模型的误差进行修正，得到所述预测误差校正模型。
优选地，步骤S3中，所述将所述第一量测数据集、电力***拓扑信息、所述第一预测信息以及所述第一事件描述信息输入电网频率态势在线预测模型，得到电网频率态势预测结果，包括，
将所述第一量测数据集、电力***拓扑信息和所述第一预测信息输入所述物理简化模型，得到第二预测信息；将广域量测信息以及所述第二预测信息输入所述预测误差校正模型，得到所述电网频率态势预测结果；其中，所述广域量测信息包括来自WAMS***的PMU数据。
优选地，在其中一种实施方式中，步骤S3中，所述将所述第一量测数据集、电力***拓扑信息、所述第一预测信息以及所述第一事件描述信息输入电网频率态势在线预测模型，得到电网频率态势预测结果，其中所述电网频率态势预测结果包括但不限于扰动后电网频率跌落幅值、最大幅值出现时间和恢复频率时间。
显然地，上述实施例仅是示例性描述，在实际应用中，本发明并不限制多源异构数据的融合的数据来源，及进行多源异构数据融合后对所述第一量测数据集的应用方式；进一步地，本发明也不限定关键因素和非关键因素的划分方法及标准，在具体实施本发明时，可以根据实际工况灵活选择。
综上所述，本发明提供的一种基于能源互联网电力大数据的电网运行态势预测方法，将电力***调控***中的多源基础数据进行多源异构数据融合，所述多源异构数据融合包括数据时标统一、智能数据清洗、数据补缺和/或多维数据索引。对所述多源基础数据进行数据时标统一之后，对于基于时标量测的各种应用，包括基于时标量测的计算和统计分析、引入时标量测的综合智能分析、基于时标量测的全景事故反演、基于时标量测的电网支路参数辨识等，都能得到有效的发展。能够针对电网中数据存在的冗余、格式错误、内部矛盾等问题，进行流程化数据清洗；进一步地，能够通过相关性清洗，分析数据相关性，剔除强相关性数据，保留特征数据，降低***处理流量；再进一步地，通过格式内容清洗，能够解决时间、日期、数值、全半角等显示格式不一致的问题；又进一步地，对多源异构数据进行抽象分类，建立基于多种属性的数据关联索引。更进一步地，从时间属性、空间属性，从事件属性和从业务属性等角度，建立电力大数据多维索引，便于各种场景下的数据查询。
根据所述第一量测数据集，利用连续时间序列预测方法对电网关键电气量进行态势预测，得到第一预测信息；利用电网特征事件预测方法对电网重大运行事件进行实时监控与后果预测，得到第一事件描述信息。研究基于深度学习、迁移学习等算法的电力大数据态势感知技术。基于历史数据，建立连续变量时间序列预测模型，如电网频率，发电机功角轨迹，负荷曲线等。并通过事件关联能够分析得到主网交流***故障可能导致的直流***换相失败和直流闭锁。
本发明提供的一种基于能源互联网电力大数据的电网运行态势预测方法使用电网频率态势在线预测模型，包括物理简化模型和预测误测校正模型，将所述第一量测数据集、电力***拓扑信息和所述第一预测信息输入所述物理简化模型，能够保留电气信息间的因果联系；将广域量测信息以及所述第二预测信息输入所述预测误差校正模型。该方法具有样本依赖性小、通信容错率高、计算效率受***规模影响小的特点，能够快速、准确地预测***受扰后的频率态势特征。
使用本发明提供的一种基于能源互联网电力大数据的电网运行态势预测方法。能够通过事件关联分析主网交流***故障可能导致的直流***换相失败和直流闭锁问题，实现事前风险评估与事后后果量化分析；采用研究提出的态势感知算法对换相失败后的电网态势进行预测，作为后续智能决策的依据。及能够进行态势溯源、风险预测及指标趋势预测。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
综上，上述实施例对基于能源互联网电力大数据的电网运行态势预测方法的不同构型进行了详细说明，当然，上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明包括但不局限于上述实施中所列举的构型，本领域技术人员可以根据上述实施例的内容举一反三，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (10)
1.一种基于能源互联网电力大数据的电网运行态势预测方法，其特征在于，包括：
S1：将电力调控***中的若干多源基础数据进行多源异构数据融合，得到第一量测数据集；其中，所述多源基础数据包括电网实时数据，以及发电计划数据、负荷预测、检修计划数据、故障信息、地理信息、气象信息和社会信息中的一种或多种，所述多源异构数据融合包括数据时标统一、智能数据清洗、数据补缺和/或多维数据索引；
S2：根据所述第一量测数据集，利用连续时间序列预测方法对电网关键电气量进行态势预测，得到第一预测信息；利用电网特征事件预测方法对电网重大运行事件进行实时监控与后果预测，得到第一事件描述信息；
S3：将所述第一量测数据集、电力***拓扑信息、所述第一预测信息以及所述第一事件描述信息输入电网频率态势在线预测模型，得到电网频率态势预测结果。
2.根据权利要求1所述的基于能源互联网电力大数据的电网运行态势预测方法，其特征在于，步骤S1中，所述数据时标统一包括以下方法，
按照预设周期和/或事件触发，召唤所述多源基础数据，对所述多源基础数据的量测发生时间进行时钟同步差值处理；
判断所述多源基础数据是否包括量测发生时间，若是，则将所述量测发生时间加上主子站差异时间作为数据时标统一后的量测发生时间；若否，则将所述主子站差异时间作为数据时标统一后的量测发生时间。
3.根据权利要求2所述的基于能源互联网电力大数据的电网运行态势预测方法，其特征在于，在步骤S1中，在对所述多源基础数据进行时标统一之前，还包括对所述多源基础数据进行合理性判断，若合理，则对所述多源基础数据进行所述数据时标统一；否则，丢弃所述多源基础数据。
4.根据权利要求1所述的基于能源互联网电力大数据的电网运行态势预测方法，其特征在于，步骤S1中，所述智能数据清洗包括，不良数据辨识以及对所述多源基础数据相关性清洗和/或格式内容清洗；其中，
所述不良数据辨识的方法包括残差目标搜索辨识法、非二次准则辨识法和/或零残差辨识法；
所述相关性清洗的方法包括，根据数据相关性，剔除强相关性数据并保留特征数据。
5.根据权利要求1所述的基于能源互联网电力大数据的电网运行态势预测方法，其特征在于，步骤S1中，所述数据补缺包括利用时间回溯、曲线拟合和/或实时补召对所述多源基础数据补缺。
6.根据权利要求1所述的基于能源互联网电力大数据的电网运行态势预测方法，其特征在于，步骤S1中，所述多维数据索引包括，根据时间属性、空间属性、事件属性和/或业务属性，在所述多源基础数据之间建立多维索引。
7.根据权利要求1所述的基于能源互联网电力大数据的电网运行态势预测方法，其特征在于，所述电网频率态势在线预测模型包括物理简化模型和预测误差校正模型；在步骤S3之前，还包括建立所述电网频率态势在线预测模型，建立所述电网频率态势在线预测模型的方法，包括，
将决定电网频率稳定的影响因素作为关键因素，根据所述关键因素，基于***惯性中心变化理论，对电力***中的所有机组进行聚合，采用SFR模型方法将包含所有机组的电力***等值成单机负荷***，得到所述物理简化模型；其中，所述关键因素包括发电机组和负荷组成的***的关系、阻尼和调速特性；
将离线电力***拓扑信息以及离线事件描述信息输入所述物理简化模型，得到离线预测频率态势；将所述离线电力***拓扑信息以及所述离线事件描述信息输入暂态仿真模拟***，得到离线真实频率态势；
采用机器学习方法对所述离线预测频率态势以及离线广域量测信息进行训练，得到离线预测误差校正模型；
根据所述离线预测频率态势与所述离线真实频率态势对所述离线预测误差校正模型的误差进行修正，得到所述预测误差校正模型。
8.根据权利要求7所述的基于能源互联网电力大数据的电网运行态势预测方法，其特征在于，步骤S3中，所述将所述第一量测数据集、电力***拓扑信息、所述第一预测信息以及所述第一事件描述信息输入电网频率态势在线预测模型，得到电网频率态势预测结果，包括，
将所述第一量测数据集、电力***拓扑信息和所述第一预测信息输入所述物理简化模型，得到第二预测信息；
将广域量测信息以及所述第二预测信息输入所述预测误差校正模型，得到所述电网频率态势预测结果；
其中，所述广域量测信息包括来自WAMS***的PMU数据。
9.根据权利要求7所述的基于能源互联网电力大数据的电网运行态势预测方法，其特征在于，步骤S3中，所述将所述第一量测数据集、电力***拓扑信息、所述第一预测信息以及所述第一事件描述信息输入电网频率态势在线预测模型，得到电网频率态势预测结果，其中所述电网频率态势预测结果包括扰动后电网频率跌落幅值、最大幅值出现时间和恢复频率时间。
10.根据权利要求1-9任一项所述的基于能源互联网电力大数据的电网运行态势预测方法，其特征在于，步骤S1中，所述多源基础数据的来源包括基于SCADA***的电网运行数据，以及基于WAMS***的PMU数据、基于电能量管理***的电能量数据和基于电网调控***的计划数据中的一种或多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010591608.1A CN113837423A (zh) | 2020-06-24 | 2020-06-24 | 基于能源互联网电力大数据的电网运行态势预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010591608.1A CN113837423A (zh) | 2020-06-24 | 2020-06-24 | 基于能源互联网电力大数据的电网运行态势预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113837423A true CN113837423A (zh) | 2021-12-24 |
Family
ID=78964758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010591608.1A Pending CN113837423A (zh) | 2020-06-24 | 2020-06-24 | 基于能源互联网电力大数据的电网运行态势预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837423A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114268171A (zh) * | 2021-12-28 | 2022-04-01 | 全球能源互联网欧洲研究院 | 基于低功耗广域无线网络的分布式量测***及控制方法 |
| CN115640916A (zh) * | 2022-12-22 | 2023-01-24 | 国网浙江省电力有限公司宁波供电公司 | 分布式电源出力和多能负荷态势感知方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2990957A1 (en) * | 2014-08-27 | 2016-03-02 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for predicting based on multi-source heterogeneous data |
| CN107274115A (zh) * | 2017-08-11 | 2017-10-20 | 国网江苏省电力公司电力科学研究院 | 基于分布式监测和多源信息融合的主动配电网态势感知***和方法 |
| CN108037415A (zh) * | 2017-12-15 | 2018-05-15 | 国网江苏省电力有限公司南京供电分公司 | 基于多源异构数据的配电网故障信息挖掘与诊断方法 |
| CN108075470A (zh) * | 2017-12-25 | 2018-05-25 | 东南大学 | 一种基于sfr和elm的电网暂态频率特征预测方法 |
-
2020
- 2020-06-24 CN CN202010591608.1A patent/CN113837423A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2990957A1 (en) * | 2014-08-27 | 2016-03-02 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and apparatus for predicting based on multi-source heterogeneous data |
| CN107274115A (zh) * | 2017-08-11 | 2017-10-20 | 国网江苏省电力公司电力科学研究院 | 基于分布式监测和多源信息融合的主动配电网态势感知***和方法 |
| CN108037415A (zh) * | 2017-12-15 | 2018-05-15 | 国网江苏省电力有限公司南京供电分公司 | 基于多源异构数据的配电网故障信息挖掘与诊断方法 |
| CN108075470A (zh) * | 2017-12-25 | 2018-05-25 | 东南大学 | 一种基于sfr和elm的电网暂态频率特征预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王琦 等: "基于物理—数据融合模型的电网暂态频率特征在线预测方法", 电力***自动化, vol. 42, no. 19, 10 October 2018 (2018-10-10), pages 1 - 11 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114268171A (zh) * | 2021-12-28 | 2022-04-01 | 全球能源互联网欧洲研究院 | 基于低功耗广域无线网络的分布式量测***及控制方法 |
| CN115640916A (zh) * | 2022-12-22 | 2023-01-24 | 国网浙江省电力有限公司宁波供电公司 | 分布式电源出力和多能负荷态势感知方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106504116B (zh) | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 | |
| CN101413981B (zh) | 电力***运行备用可靠性测试*** | |
| CN107330056B (zh) | 基于大数据云计算平台的风电场scada***及其运行方法 | |
| CN103296677B (zh) | 一种在线大电网恢复辅助决策*** | |
| CN111650921A (zh) | 一种智能电网调控控制***设备故障诊断方法及*** | |
| AU2022204116A1 (en) | Verification method for electrical grid measurement data | |
| CN112491050A (zh) | 基于指标集权重的主配网事故恢复处理方法 | |
| CN111049266B (zh) | 一种面向调控业务的智能化秒级复电方法和*** | |
| WO2020162937A1 (en) | Automated model validation system for electrical grid | |
| KR102625403B1 (ko) | 지역 단위 재생 에너지 통합 관제 시스템 | |
| CN113837423A (zh) | 基于能源互联网电力大数据的电网运行态势预测方法 | |
| CN110971492B (zh) | 考虑广域量测时延的rtu全网同时断面生成方法及*** | |
| CN109390937A (zh) | 一种基于电力***运行数据的电气参数辨识方法及其*** | |
| CN117374978B (zh) | 结合知识图谱构建的并网调度管理方法及*** | |
| CN115730749A (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
| CN109298228A (zh) | 一种基于光伏组串电流异常的智能化诊断方法及*** | |
| CN103296678A (zh) | 一种在线大电网恢复辅助决策方法 | |
| CN115796711A (zh) | 配电线路降损的辅助决策方法及装置 | |
| Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
| CN114386222A (zh) | 一种基于信息物理***的配电网协同故障恢复方法和*** | |
| Bin et al. | Research on key technologies of intelligent operation control of super-large urban power grid based on multi-center structure | |
| Weizhou et al. | Development of synchronous line loss analysis and diagnosis system based on arbitrary segmentation of power grid | |
| CN114723236B (zh) | 一种电网边缘计算分界方法 | |
| Dong et al. | GIS-integrated analytical model for fault diagnosis of power distribution network | |
| Zhou et al. | Power Grid transient stability prediction method based on improved CNN under big data background |
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 |