CN115291046B - 基于电网运行大数据的电网配电异常识别方法 - Google Patents
基于电网运行大数据的电网配电异常识别方法 Download PDFInfo
- Publication number
- CN115291046B CN115291046B CN202211204901.3A CN202211204901A CN115291046B CN 115291046 B CN115291046 B CN 115291046B CN 202211204901 A CN202211204901 A CN 202211204901A CN 115291046 B CN115291046 B CN 115291046B
- Authority
- CN
- China
- Prior art keywords
- node
- power grid
- power
- nodes
- representing
- 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
- 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
- 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
- G01R31/088—Aspects of digital computing
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于电网运行大数据的电网配电异常识别方法。该方法获取电网分区数据后构建电网节点图,以电网节点图确定节点的连通性、以电网运行历史数据确定节点的异常度、以节点状态数据确定电网节点图中调度线路的故障率,以所得连通性、异常度及故障率得到表征以当前节点为中心的一定范围内电网运行状态的节点矩阵,并将节点矩阵看做图像得到当前节点的异常图,将异常图输入神经网络完成待测节点单相接地故障判断。异常图不但表征了待测节点周围电网运行状况,且以图形式表征了其它节点或调度线路与待测节点的方位和距离,使异常图可表征其它节点或调度线路对待测节点影响程度,提高单相接地故障判断准确度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于电网运行大数据的电网配电异常识别方法。
背景技术
当前配电网80%以上的故障是单相接地故障,且大多数相间故障也是由单相接地故障发展而来,配电网中一旦产生了单相接地故障,将会影响整个配电网的安全运行,且故障问题如果短时间内没有得到有效解决,将可能会进一步引发配电网绝缘薄弱部位故障,引发配电网连锁故障,造成严重后果。
由于我国配电网络广泛采用中性点非有效接地***,在发生单相接地故障时,故障电流较小,所以导致对单相接地故障的识别较为困难,不够准确;同时由于我国大多数地区的城市配电网难以达到三相的完全平衡,且节点较多导致配电网结构复杂,所以也导致了对单相接地故障的准确定位带来很大难度。
综上,当前对配电网中单相接地故障存在无法准确识别与定位的问题。
发明内容
本发明提供了一种基于电网运行大数据的电网配电异常识别方法,用以解决当前无法对配电网中单相接地故障进行准确识别与定位的技术问题,所采用的技术方案具体如下:
本发明的一种基于电网运行大数据的电网配电异常识别方法,包括以下步骤:
获取电网分区图,以电网分区图构建电网节点图;
根据电网节点图确定电网节点图中各个节点的连通性,根据电网运行历史数据确定电网节点图中各个节点的异常度,根据电网节点图中各个节点的工作状态确定电网节点图中各个调度线路的故障率;
电网节点图中的节点为电网中的变压器与发电站,电网节点图中的调度线路为连接任意两个相邻节点的输电线路;
根据各个节点的连通性与异常度以及各个调度线路的故障率,构建电网节点图中节点的节点矩阵,以节点矩阵中各个元素作为图像中的像素点,以节点矩阵中各个元素的值作为图像中对应像素点的像素值,完成节点矩阵到图像的转换,得到电网节点图中节点的异常图;
将待测节点的异常图输入训练好的神经网络,完成对待测节点单相接地故障判断。
本发明的有益效果为:
本发明在根据电网分区图构建得到电网节点图并计算出电网节点图中各个节点的异常度和连通性以及调度线路的故障率后,通过选取当前节点一定范围内的节点和调度线路得到了当前节点的节点矩阵,并将当前节点的节点矩阵转化为异常图,以图形式输入神经网络不但可表征当前节点自身以及其一定范围内其它节点和调度线路的运行状态,而且可通过图形式所能表征的其它节点和调度线路相较于当前节点的方位和距离,准确判断其它节点和调度线路的运行状态与当前节点的运行状态之间的相关联程度的大小以及相互影响程度,实现从运行状态数据大小以及空间位置两方面来表征当前节点发生单相接地故障的可能性大小,从而提高对单相接地故障识别与定位的准确度。
进一步的,所述构建电网节点图中节点的节点矩阵的方法为:
在当前节点与其它节点的最短传输路径上,确定当前节点与该其它节点之间存在的调度线路的数量,以存在的调度线路的数量作为其它节点相对于当前节点的阶数;
根据当前节点的连通性确定在构建当前节点的节点矩阵时所选取的节点阶数:
其中,Z表示当前节点的节点矩阵,N表示在构建当前节点的节点矩阵时所选取的节点的总数,x与y分别表示在构建当前节点的节点矩阵时所选取的所有节点中第x个以及第y个节点,表示在构建当前节点的节点矩阵时所选取的所有节点中第x个节点的异常度,在时,表示在构建当前节点的节点矩阵时所选取的所有节点中第x个节点与第y个节点之间的调度线路的故障率,当第x个节点与第y个节点不相邻时,对应的故障率为0,其中x与y的取值范围均为[1,N]且两者均为整数。
进一步的,所述根据电网节点图确定电网节点图中各个节点的连通性的方法为:
其中,为电网节点图中当前节点的连通性,为电网节点图中当前节点到向其供能的最近发电站之间距离最短的前k条传输路径的平均长度,为电网节点图中向当前节点供能的最近发电站到该发电站所供能的最远节点之间距离最短的前k条传输路径的平均长度,为包含电网节点图中当前节点的所有传输路径上处于当前节点下游的其它节点的总数,为以2为底的对数函数。
进一步的,所述根据电网运行历史数据确定电网节点图中各个节点的异常度的方法为:
根据所选取的锚定点以及每个锚定点所对应的窗口大小,确定窗函数:
其中,表示对负荷函数经过自适应短时傅里叶变换后的三维频域函数,表示负荷函数,表示窗口大小为的窗函数,表示自然底数,表示虚数单位,表示频率且为频域函数的自变量,t表示时刻,表示以第i个锚定点为中心点的窗口的大小且为频域函数的另一自变量,表示对时刻t的微分;
根据锚定点数量将三维频域函数拆分为与设定锚定点数量相同数量的二维频域函数,选取二维频域函数中频率大于设定频率的高频信号频域函数,对高频信号频域函数进行短时傅里叶逆变换,得到高频信号时域函数;
根据高频信号时域函数确定当前节点的异常度:
进一步的,所述根据电网节点图中各个节点的工作状态确定电网节点图中各个调度线路的故障率的方法为:
首先确定调度线路两端变压器或发电站的故障率:
其中,表示调度线路端点上变压器或发电站的故障率,表示调度线路端点上变压器或发电站的实际输出电压,表示调度线路端点上变压器或发电站的额定输出电压,表示调度线路端点上变压器或发电站的最大允许输出电压,表示设定故障率;
根据调度线路两端变压器或发电站的故障率确定该调度线路的故障率:
进一步的,所述训练好的神经网络的获取方法为:
利用仿真软件生成发生单相接地故障时的节点,并确定发生单相接地故障时的节点的异常图,将发生单相接地故障时的节点的异常图作为训练样本对神经网络进行训练,得到训练好的神经网络。
进一步的,所述设定故障率为0.01。
附图说明
图1是本发明该种基于电网运行大数据的电网配电异常识别方法的流程图;
图2是本发明的电网节点图。
具体实施方式
本发明的构思为:
本发明首先根据电网分区图构建出电网节点图,然后在确定电网节点图中各个节点的异常度和连通性以及电网节点图中各个调度线路的故障率后,以所确定的节点异常度和连通性以及调度线路的故障率完成对表征以当前节点为中心的一定范围内电网运行状态的节点矩阵的构建,并将所构建的节点矩阵看做一幅图像得到节点的异常图,以待测节点的异常图输入训练好的神经网络完成对待测节点是否发生单相接地故障的判断,其中训练好的神经网络是利用发生了单相接地故障的节点的异常图作为训练样本进行训练所得到的。
下面结合附图及实施例,对本发明的一种基于电网运行大数据的电网配电异常识别方法进行详细说明。
方法实施例:
本发明的一种基于电网运行大数据的电网配电异常识别方法实施例,其整体流程如图1所示,具体过程如下:
本实施例该种基于电网运行大数据的电网配电异常识别方法是需要运行在计算机***上以实时检测与管辖电网上每条调度线路的状态的,并通过分析电网各个区域的信息来及时发现配电网的异常。
由于需要对电网上每条调度线路的状态进行检测与管辖,所以本实施例该方法便需要大数据服务器来实时获取配电网上各处信息。具体的,大数据服务器采用Flink大数据框架完成对配电网***的数据采集、存储、分布式计算和分析,且Flink控制台控制着多个数据库以及装载了本实施例该方法的算法服务器,并可调用Flink的深度学习和图分析组件。
关于数据采集,该大数据服务器采用PMU也即同步相量测量装置获取高精度的相量信息,选出相量信息中包含的三相电压幅值信息,即获取用电区域变电站的三相基波电压序列、当前故障状态量等的实时数据及对应的时间标记。三相基波电压序列是一个二维数据,横坐标为时间,纵坐标为电压负荷;故障状态量的取值有两种,0代表无故障,1代表有故障。
容易理解的是,上述大数据服务器的具体框架以及数据采集方式仅是本实施例的一种优选内容,本领域技术人员还可选取现有的其它任意可行大数据服务器的具体框架以及数据采集方式,只要满足可实现对配电网的状态检测与管理即可。
以下为本实施例该种基于电网运行大数据的电网配电异常识别方法的具体过程。
步骤一,根据电网分区图构建电网节点图。
首先获取配电网的电网分区图数据,电网分区图数据反应了配电网中线路的规划,也即反应了配电网的具体线路结构。由于配电网中电力输送以及配电供给需要通过变压器实现,因此一个用电区可以用该用电区的变压器表示。那么,本实施例选择将配电变压器作为节点,然后将电网分区图抽象为神经网络易于处理的图结构,以变压器作为节点后,根据电网分区图中的输电线路将任意两个相邻节点进行相连,最终便可得到如图2所示的图结构,将所得图结构称为电网节点图。
图2中,圆形节点如a与b表示变压器,方形节点表示发电站,任意两个相邻节点之间的连线表示调度线路。
步骤二,根据电网节点图确定电网节点图中各个节点的连通性,根据电网运行历史数据确定电网节点图中各个节点的异常度,根据电网节点图中各个节点的工作状态确定电网节点图中各个调度线路的故障率。
1、计算电网节点图中节点的连通性。
以图2所示的电网节点图中的节点a为例,分析其连通性。
首先,定义在所有的电能传输路径上向节点a进行电能传输的其它节点为节点a的入度节点,而在所有的电能传输路径上由节点a向其供能的其它节点为节点a的出度节点。然后使用深度优先遍历搜索算法,在节点a的入度节点中寻找向节点a供能的距离最近的发电站,因为电力的来源是发电站,所以电网节点图中的节点存在着向发电站聚拢的趋势。
计算电网节点图中,节点a到向其供能的最近发电站之间距离最短的前 k 条传输路径的第一平均长度,并计算向节点a供能的最近发电站到该发电站所供能的最远节点之间距离最短的前k条传输路径的第二平均长度,以第二平均长度与第一平均长度的比值,以及节点a的出度节点的总数,便可得到节点a的连通性大小。
根据节点a的连通性计算方法,便可确定电网节点图中各个节点的连通性:
其中,为电网节点图中当前节点的连通性,为电网节点图中当前节点到向其供能的最近发电站之间距离最短的前k条传输路径的平均长度,为电网节点图中向当前节点供能的最近发电站到该发电站所供能的最远节点之间距离最短的前k条传输路径的平均长度,为包含电网节点图中当前节点的所有传输路径上处于当前节点下游的其它节点的总数,为以2为底的对数函数。
在连通性计算公式中,越大表示当前节点与向其供能的发电站的距离越近,越大表示向当前节点供能的最近发电站所供能的最远距离越大,那么当越大,则代表当前节点发生故障后,该故障的影响通过向当前节点供能的最近发电站向外传播的广度便越大,也即当前节点在传输故障影响方面的连通性越大;以及,越大,表明在传输路径上处于当前节点下游的其它节点数量越多,则当前节点发生故障后,该故障所影响到的下游其它节点的数量越多,当前节点在传输故障影响方面的连通性越大;其中是为了限制对数函数取值为非负数。
所谓电网节点图中向当前节点供能的最近发电站,是指在所有传输路径上与当前节点距离最近的发电站。所谓该发电站所供能的最远节点,是指该发电站的所有电能传输路径中,所包括的调度线路长度之和最大的传输路径所到达的节点。
如图2所示,考虑到以方形表示的发电站节点到变压器节点a的传输路径有两条,且两条传输路径上所包括的调度线路的数量与调度线路之和也明显不同,所以从发电站到任意一个变压器节点之间的传输路径并不一定唯一且不同传输路径的长度一般也不同,所以本实施例才计算节点到其最近发电站之间距离最短的前k条传输路径的平均长度,以表征当前节点到其最近发电站之间的距离。本实施例中优选k=4,并且在最短的传输路径的数量不足k条时,以实际的最短的传输路径的数量完成对应的平均长度的求取,如在图2所示的发电站节点到变电站节点a之间的实际传输路径不足4条而仅有2条时,则计算这2条传输路径的距离的平均长度。本实施例中k=4为根据经验而选取的优选值,在其它实施例中,还可根据经验以及计算精确度要求对k取其它值。
2、计算电网节点图中节点的异常度。
首先计算节点在各个用电时刻的负荷突变性。容易理解的是,任意一个节点所对应的用电区域中,因为用电高峰期的存在且用电高峰期持续时间长短的不同、高峰期中整体负荷大小所能达到的值的不同,所以用电区域中不同时刻上负荷变化情况是均不相同的,在用电高峰期与用电低谷期衔接的时间段内,用电区域的负荷变化情况是较为明显的,负荷大小的突变性较大,而在用电高峰期以及用电低谷期,特别是用电低谷期内,用电区域的符合变化情况是不明显的,也即负荷大小趋于平稳而突变性较小。
为表征节点上不同时刻负荷变化的快慢,本实施例取设定历史时长的配电网历史数据得到该节点的历史负荷数据并构建得到负荷函数,本实施例优选设定历史时长为24h,在其它实施例中还可以根据故障识别精确度要求而将设定历史时长设置为其它值,同时为避免局部噪声的干扰,本实施例额外使用邻域平滑滤波算法对负荷函数进行平滑处理,然后计算平滑处理后负荷曲线上每一点处的负荷突变性:
在负荷突变性计算公式中,当第t-1时刻与第t+1时刻之间的负荷大小的差距越大,则表明第t时刻的负荷的突变性越大。负荷突变性越大,表明在该时刻线路电压变化情况越严重,越容易产生绝缘失效或者电压击穿造成单相接地故障,当前节点越有可能发生用电异常,如当前节点对应的配电网变压器异常。
在根据设定历史时长的配电网历史数据所得的电网节点图中当前节点的负荷函数上均匀设置设定锚定点数量个锚定点,用于对负荷函数进行分析,设定锚定点数量M的具体取值根据识别精确度要求而决定,本实施例优选设定锚定点数量M=30。
根据设定锚定点数量M中第i个锚定点在负荷函数上的位置,可对应确定该锚定点处负荷函数的负荷突变性,由于负荷突变性的大小,反应了在相应时刻节点发生异常的可能性大小,所以负荷突变性越大的时刻,对应对其的分析应该越具体,相应的在负荷函数中所选取的用于对该时刻状态进行分析的分段数据越短,所以根据各个锚定点处负荷突变性的大小,对应设置以每个锚定点为中心点的窗口的大小:
其中,为以第i个锚定点为中心点的窗口的大小,为第i个锚定点处的负荷突变性,表示用于调节窗口大小相对于整个负荷函数的占比的窗口比例参数,其具体取值根据配电异常识别精确度要求决定,识别精确度要求越高,则相应地窗口比例参数越大。
根据所选取的锚定点以及每个锚定点所对应的窗口大小,可得窗函数如下:
对负荷函数进行自适应短时傅里叶变换,对高频噪声进行提取。自适应短时傅里叶变换不仅能分析出信号中存在某种频率的信号,还能表示出这个频率的信号出现的时间点,有利于准确的配电异常识别。自适应短时傅里叶变换方法为:
其中,表示对负荷函数经过自适应短时傅里叶变换后的三维频域函数,表示负荷函数,表示窗口大小为的窗函数,表示自然底数,表示虚数单位,表示频率且为频域函数的自变量,t表示时刻,表示以第i个锚定点为中心点的窗口的大小且为频域函数的另一自变量,表示对时刻t的微分。
经自适应短时傅里叶变换后所得三维频域函数,根据所选取的设定锚定点数量M可拆分为M个二维频域函数,选取二维频域函数中频率大于设定频率的高频信号频域函数,因为它们更有可能是噪声,设定频率的具体取值可根据对配电网配电异常识别精确度要求而决定,本实施例优选设定频率为,也即选取二维频域函数中频率的高频信号频域函数,然后对高频信号频域函数进行短时傅里叶逆变换,得到高频信号时域函数。
节点的异常度表征了设定历史时长内节点电压变化的异常程度。
3、计算电网节点图中调度线路的故障率。
由于调度线路两端的任何一个节点故障则该调度线路便属于故障,所以为确定调度线路的故障率,本实施例首先确定调度线路两端变压器节点的故障率。
随着经济和科技的发展,用电负荷逐步增多,发电厂、用电部门不断地持续缓慢提升负荷,导致越来越多的变压器超负荷运行,过高的温度导致变压器的绝缘纸板过早老化,使得整个绝缘强度下降。在这种状态下,如果有一定的冲击电流,则变压器极易发生故障。
变电站起到了升压与降压的作用,按照规模大小可分为枢纽站变压器,区域站变压器与终端站变压器,不论何种规模大小的变压器以及发电站,其均有相应的额定输出电压和最大允许输出电压,根据变压器或发电站当前实际输出电压和其额定输出电压以及最大允许输出电压之间的大小关系,可求得变压器或发电站的故障率:
其中,表示调度线路端点上变压器或发电站的故障率,表示调度线路端点上变压器或发电站的实际输出电压,表示调度线路端点上变压器或发电站的额定输出电压,表示调度线路端点上变压器或发电站的最大允许输出电压,表示设定故障率,其取值根据变压器或发电站自身在正常工况下的性能可靠度决定,变压器或发电站在正常工况下的性能可靠度越高,则设定故障率取值越小,反之设定故障率取值越大,作为一种优选,本实施例设定取值为0.01。
在上述变压器或发电站的故障率计算公式中,当变压器或发电站实际输出电压大于其最大允许输出电压,则代表此时变压器或发电站的输出电压值已经超出了其最大所能承受极限,认为此时变压器或发电站发生故障的概率为1;在变压器或发电站实际输出电压处于0与其额定输出电压之间时,表示变压器或发电站处于正常工况下,理想情况下此时变压器或发电站的故障率为0,但由于实际情况中变压器或发电站在正常工况下也会因各种原因而产生故障,也即正常工况下变压器或发电站无法保证完全可靠,所以在变压器或发电站实际输出电压处于0与其额定输出电压之间时,根据经验将变压器或发电站此时故障率取为设定故障率;而在变压器或发电站实际输出电压大于其额定输出电压但不大于其最大允许输出电压的情况下,表示变压器或发电站的电压输出情况超出了其正常输出状态但还未超出其最大输出电压承受极限,其中即表示变压器或发电站实际输出电压超出其正常输出状态的程度,该种情况下变压器或发电站故障率处于其它两种情况所对应的故障率与1之间,且随着其实际输出电压超出额定输出电压,也即超出正常输出状态的程度的增大,变压器或发电站故障率在设定故障率的基础上逐渐接近1。
基于调度线路两端任何一个变压器或发电站节点发生故障则调度线路均故障的原理,可根据调度线路两端变压器或发电站的故障率确定该调度线路的故障率:
步骤三,根据各个节点的连通性与异常度以及各个调度线路的故障率,构建电网节点图中节点的异常图。
若电网节点图中其它节点与当前节点在最短传输路径上间隔几条调度线路,则便称该其它节点为当前节点的几阶节点,由于节点的连通性越大则其越有可能受到其它调度线路的影响,所以根据当前节点的连通性确定在构建当前节点的节点矩阵时所选取的节点阶数:
基础阶数表示在构建当前节点的节点矩阵时所要考虑的节点阶数的最小值,影响系数k表示当前节点连通性对构建当前节点的节点矩阵时所要考虑的节点阶数的影响大小,两者的具体取值可根据对配电异常识别精确度要求确定,精确度要求越高,则两者取值越大。
在选取出当前节点的阶节点后,当前节点以及所选取的当前节点的阶节点共可得到N个节点,将所得N个节点按照设定顺序进行排序。在构建当前节点的节点矩阵时,由于所得节点矩阵需进一步得到异常图并输入神经网络用于训练和识别节点故障概率,而神经网络具有自适应型,所以对所得N个节点的排序顺序具体为何种,实质上并不影响最终的对节点故障概率的识别准确度,所以实际上对所得N个节点按照任意一种可行的设定顺序进行排序均可。
作为优选,本实施例给出一种对所得N个节点按照设定顺序进行排序的具体过程:
首先以当前节点作为第一个节点,然后在构建当前节点的节点矩阵时所选取的其它节点的阶数中,按照阶数从小到大的顺序依次对每个阶数下的所有节点按照顺时针顺序进行排序,如第1阶数中共有3个节点,则三个节点在当前节点作为第一节点的基础上,按照顺时针顺序依次排序为第二节点、第三节点以及第四节点,若第2阶数中共有4个节点,则在已确定的节点排序结果的基础上,第2阶数中的4个节点按照顺时针顺序依次排序为第五节点、第六节点、第七节点以及第八节点,以此类推,对剩余阶数中节点进行排序最终完成对所得N个节点的排序,得到N个节点的排序结果。
根据排序后的N个节点,构建N*N大小的节点矩阵:
其中,Z表示当前节点的节点矩阵,N表示在构建当前节点的节点矩阵时所使用的节点的总数,x与y分别表示在构建当前节点的节点矩阵时所使用的所有节点中第x个以及第y个节点,表示在构建当前节点的节点矩阵时所使用的所有节点中第x个节点的异常度,在时,表示在构建当前节点的节点矩阵时所使用的所有节点中第x个节点与第y个节点之间的调度线路的故障率,当第x个节点与第y个节点不相邻时,对应的故障率为0,其中x与y的取值范围均为[1,N]且两者均为整数。
将所得当前节点的节点矩阵Z作为一幅图像,节点矩阵Z中各个元素作为图像中的像素点,节点矩阵Z中各个元素的值作为图像中对应像素点的像素值,得到当前节点的异常图,异常图反应了当前节点与周围节点之间的信息。
步骤四,以发生单相接地故障的节点的异常图作为训练样本完成神经网络的训练,将待检测节点的异常图输入训练好的神经网络,确定各个节点的故障发生可能性,识别单相接地故障。
利用 pandapower 仿真软件生成发生单相接地故障时的节点,然后得到发生单相接地故障的节点的异常图并作为训练样本对神经网络进行训练,得到训练好的神经网络。
本实施例优选神经网络为卷积神经网络,主干网络为ResNet50,具体结构为:输入层—卷积层—全连接层—分类器—输出层。当然,在其它实施例中还可选用现有任意可行神经网络。以及,在其它实施例中还可选用现有其它仿真软件生成发生单相接地故障时的节点。
确定待测节点的异常图,将待测节点的异常图输入训练好的神经网络,得到待测节点的单相接地故障发生可能性,若待测节点的单相接地故障发生可能性大于可能性阈值,则认为该待测节点发生了单相接地故障。
可能性阈值根据训练过程中训练样本中各个发生单相接地故障的节点对应所得单相接地故障发生可能性大小设置,可以为训练样本中各个发生单相接地故障的节点对应所得单相接地故障发生可能性的平均值,也可以为训练样本中各个发生单相接地故障的节点对应所得单相接地故障发生可能性的最小值,或者以训练样本中各个发生单相接地故障的节点对应所得单相接地故障发生可能性所得的其它具体值。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (4)
1.一种基于电网运行大数据的电网配电异常识别方法,其特征在于,包括以下步骤:
获取电网分区图,以电网分区图构建电网节点图;
根据电网节点图确定电网节点图中各个节点的连通性,根据电网运行历史数据确定电网节点图中各个节点的异常度,根据电网节点图中各个节点的工作状态确定电网节点图中各个调度线路的故障率;
电网节点图中的节点为电网中的变压器与发电站,电网节点图中的调度线路为连接任意两个相邻节点的输电线路;
根据各个节点的连通性与异常度以及各个调度线路的故障率,构建电网节点图中节点的节点矩阵,以节点矩阵中各个元素作为图像中的像素点,以节点矩阵中各个元素的值作为图像中对应像素点的像素值,完成节点矩阵到图像的转换,得到电网节点图中节点的异常图;
将待测节点的异常图输入训练好的神经网络,完成对待测节点单相接地故障判断;
所述构建电网节点图中节点的节点矩阵的方法为:
在当前节点与其它节点的最短传输路径上,确定当前节点与该其它节点之间存在的调度线路的数量,以存在的调度线路的数量作为其它节点相对于当前节点的阶数;
根据当前节点的连通性确定在构建当前节点的节点矩阵时所选取的节点阶数:
其中,Z表示当前节点的节点矩阵,N表示在构建当前节点的节点矩阵时所选取的节点的总数,x与y分别表示在构建当前节点的节点矩阵时所选取的所有节点中第x个以及第y个节点,表示在构建当前节点的节点矩阵时所选取的所有节点中第x个节点的异常度,在时,表示在构建当前节点的节点矩阵时所选取的所有节点中第x个节点与第y个节点之间的调度线路的故障率,当第x个节点与第y个节点不相邻时,对应的故障率为0,其中x与y的取值范围均为[1,N]且两者均为整数;
所述根据电网节点图确定电网节点图中各个节点的连通性的方法为:
其中,为电网节点图中当前节点的连通性,为电网节点图中当前节点到向其供能的最近发电站之间距离最短的前k条传输路径的平均长度,为电网节点图中向当前节点供能的最近发电站到该发电站所供能的最远节点之间距离最短的前k条传输路径的平均长度,为包含电网节点图中当前节点的所有传输路径上处于当前节点下游的其它节点的总数,为以2为底的对数函数;
所述根据电网运行历史数据确定电网节点图中各个节点的异常度的方法为:
根据所选取的锚定点以及每个锚定点所对应的窗口大小,确定窗函数:
其中, 表示对负荷函数经过自适应短时傅里叶变换后的三维频域函数,表示负荷函数,表示窗口大小为的窗函数,表示自然底数,表示虚数单位,表示频率且为频域函数的自变量,t表示时刻,表示以第i个锚定点为中心点的窗口的大小且为频域函数的另一自变量,表示对时刻t的微分;
根据锚定点数量将三维频域函数拆分为与设定锚定点数量相同数量的二维频域函数,选取二维频域函数中频率大于设定频率的高频信号频域函数,对高频信号频域函数进行短时傅里叶逆变换,得到高频信号时域函数;
根据高频信号时域函数确定当前节点的异常度:
所述根据电网节点图中各个节点的工作状态确定电网节点图中各个调度线路的故障率的方法为:
首先确定调度线路两端变压器或发电站的故障率:
其中,表示调度线路端点上变压器或发电站的故障率,表示调度线路端点上变压器或发电站的实际输出电压,表示调度线路端点上变压器或发电站的额定输出电压,表示调度线路端点上变压器或发电站的最大允许输出电压,表示设定故障率;
根据调度线路两端变压器或发电站的故障率确定该调度线路的故障率:
2.根据权利要求1所述的基于电网运行大数据的电网配电异常识别方法,其特征在于,所述训练好的神经网络的获取方法为:
利用仿真软件生成发生单相接地故障时的节点,并确定发生单相接地故障时的节点的异常图,将发生单相接地故障时的节点的异常图作为训练样本对神经网络进行训练,得到训练好的神经网络。
4.根据权利要求1所述的基于电网运行大数据的电网配电异常识别方法,其特征在于,所述设定故障率为0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204901.3A CN115291046B (zh) | 2022-09-30 | 2022-09-30 | 基于电网运行大数据的电网配电异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204901.3A CN115291046B (zh) | 2022-09-30 | 2022-09-30 | 基于电网运行大数据的电网配电异常识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115291046A CN115291046A (zh) | 2022-11-04 |
CN115291046B true CN115291046B (zh) | 2022-12-20 |
Family
ID=83834733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211204901.3A Active CN115291046B (zh) | 2022-09-30 | 2022-09-30 | 基于电网运行大数据的电网配电异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115291046B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982577B (zh) * | 2023-03-20 | 2023-09-08 | 山东华网合众信息技术有限公司 | 一种智慧用电实时监测方法和*** |
CN116226766B (zh) * | 2023-05-08 | 2023-08-18 | 南洋电气集团有限公司 | 一种高压电器运行状态监测*** |
CN116799966B (zh) * | 2023-08-25 | 2023-10-20 | 石家庄长川电气科技有限公司 | 一种基于大数据的监控***及方法 |
CN117011805B (zh) * | 2023-10-07 | 2024-02-06 | 广东电网有限责任公司云浮供电局 | 一种数据异常评估方法、装置、设备和可读存储介质 |
CN117148047B (zh) * | 2023-10-30 | 2024-01-12 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多维数据的配电故障定位方法及*** |
CN117237678B (zh) * | 2023-11-16 | 2024-03-22 | 邯郸欣和电力建设有限公司 | 用电行为异常检测方法、装置、设备及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6245447B2 (ja) * | 2014-09-24 | 2017-12-13 | 京セラドキュメントソリューションズ株式会社 | 電源回路、及び画像形成装置 |
CN105021952A (zh) * | 2015-06-09 | 2015-11-04 | 国家电网公司 | 基于广域相角量测信息的大电网故障定位方法 |
CN108957232A (zh) * | 2018-07-18 | 2018-12-07 | 杭州新融方科技有限公司 | 一种配电网接地故障检测处理及其操作方法 |
CN110161365B (zh) * | 2019-06-26 | 2021-03-19 | 国网上海市电力公司 | 一种基于电磁参数特征的接地网故障诊断方法及*** |
US20210003626A1 (en) * | 2019-07-03 | 2021-01-07 | King Fahd University Of Petroleum And Minerals | Method for inaccuracy prediction and mitigation of impedance-based fault location in distribution grids |
CN112180204A (zh) * | 2020-07-10 | 2021-01-05 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于电气量信息的电网线路故障诊断方法 |
CN112966155B (zh) * | 2021-03-23 | 2023-03-21 | 西安电子科技大学 | 基于路径相关性的链路预测方法 |
CN113850330A (zh) * | 2021-09-27 | 2021-12-28 | 华北电力大学 | 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法 |
CN114441900A (zh) * | 2022-02-10 | 2022-05-06 | 国网四川省电力公司营销服务中心 | 一种配电网单相接地故障选线方法及*** |
CN114624551A (zh) * | 2022-03-21 | 2022-06-14 | 保定市毅格通信自动化有限公司 | 一种基于空间数据融合的配电线路故障定位方法 |
-
2022
- 2022-09-30 CN CN202211204901.3A patent/CN115291046B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115291046A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115291046B (zh) | 基于电网运行大数据的电网配电异常识别方法 | |
AU2013201595B2 (en) | Method and apparatus for harmonic state estimation in power system | |
CN108683180B (zh) | 一种三相低压配电网拓扑重建方法 | |
CN104616061B (zh) | 基于小波包对数能量熵及遗传算法优化的孤岛检测方法 | |
CN105224760A (zh) | 一种基于风电场的vsc-hvdc并网***可靠性计算方法 | |
CN109086518A (zh) | 一种智能变电站输变电一次设备状态评估的方法 | |
Rui et al. | Fault location for power grid based on transient travelling wave data fusion via asynchronous voltage measurements | |
Jamali et al. | A Fast and accurate fault location method for distribution networks with DG using genetic algorithms | |
Cui et al. | HVDC transmission line fault localization base on RBF neural network with wavelet packet decomposition | |
CN108090615A (zh) | 基于交叉熵集成学习的电力***故障后最低频率预测方法 | |
CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
CN115860321A (zh) | 一种配电网供电可靠性评估方法、***、电子设备及介质 | |
CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及*** | |
CN114660531B (zh) | 一种基于电表测量误差补偿的检测方法、***及装置 | |
CN113552443A (zh) | 基于交直流脉冲和随机森林的混连高压线路故障识别方法 | |
CN106655152A (zh) | 一种基于ami量测特性的配电网状态估计方法 | |
CN112350318B (zh) | 基于广度优先搜索算法的交流配电网拓扑辨识方法 | |
CN109901022A (zh) | 基于同步量测数据的配电网区域定位方法 | |
CN116577698B (zh) | 一种基于电磁场分布的变电所接地故障监测方法 | |
CN111091223B (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN105279617A (zh) | 配电网待建项目对电网可靠性影响的计算方法 | |
Chang et al. | Fault location identification in power transmission networks: Using novel nonintrusive fault-monitoring systems | |
CN114156865B (zh) | 一种考虑状态感知的低压配电网拓扑生成及故障预测方法 | |
Werner et al. | Distributed state estimation in digitized low-voltage networks |
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 |