CN117674140B - 一种配电网测控***及方法 - Google Patents
一种配电网测控***及方法 Download PDFInfo
- Publication number
- CN117674140B CN117674140B CN202410128882.3A CN202410128882A CN117674140B CN 117674140 B CN117674140 B CN 117674140B CN 202410128882 A CN202410128882 A CN 202410128882A CN 117674140 B CN117674140 B CN 117674140B
- Authority
- CN
- China
- Prior art keywords
- data
- distribution network
- power distribution
- algorithm
- fault
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005259 measurement Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 76
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000005611 electricity Effects 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000002955 isolation Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及配电网测控技术领域,尤指一种配电网测控***及方法。方法包括以下步骤:在配电网中部署边缘计算设备,采集电网运行、环境和用户用电数据,通过边缘计算进行数据融合和异常检测;利用深度学***、可靠性和安全性,从而为电力***的可持续运行和优化管理提供有益的效果。
Description
技术领域
本发明涉及配电网测控技术领域,尤指一种配电网测控***及方法。
背景技术
随着技术的发展,尤其是在智能电网的背景下,配电网的管理越来越依赖于先进的信息技术和自动化技术。然而,现有的配电网测控***和方法面临着多项技术挑战。首先,数据的融合和处理是一大挑战。传统的配电网测控***在数据处理和异常检测方面通常不够高效,边缘计算设备的部署和使用往往不充分,导致无法有效融合和处理电网运行数据、环境数据以及用户用电行为模式。这限制了***在先期异常检测方面的能力,影响了电网的运行安全和效率。其次,负荷预测和故障预警的准确性也是一个问题。现有技术在使用深度学习算法进行负荷预测和故障预警方面存在不足,这可能导致对电网负荷的预测不准确,故障预警的响应时间延迟,从而影响电网的稳定性和可靠性。最后,数据安全和用户隐私保护是现代配电网测控***不可忽视的方面。当前***在数据加密和访问控制技术上往往存在缺陷,无法充分保障数据的安全和用户的隐私。
发明内容
为解决上述问题,本发明提供一种配电网测控***及方法。
为实现上述目的,本发明采用的技术方案是:
一方面,一种配电网测控方法,包括以下步骤:
在配电网里部署边缘计算设备,并采集电网运行数据、环境数据以及用户用电行为模式,通过边缘计算进行数据融合和先期异常检测;
使用深度学习算法,基于融合的多源数据进行负荷预测和故障预警;
基于实时数据和预测结果进行自适应网络拓扑重构算法,动态调整配电网结构;
制定故障隔离策略,结合配电网自愈机制,快速响应故障,自动隔离故障区域,并重新配置网络;
利用大数据分析和机器学习技术,定期收集运营数据,优化边缘计算参数、拓扑重构算法和能源管理策略;
运用数据加密和访问控制技术,保障采集、传输和处理的数据安全。
进一步的,所述边缘计算设备具体用于处理和分析电网参数,并确保设备之间的数据同步和实时通信。
进一步的,所述通过边缘计算进行数据融合和先期异常检测,包括以下步骤:
部署边缘计算设备,并采集电网运行数据、环境数据以及用户用电行为模式;
对收集的多源数据进行清洗和格式化;
边缘计算设备从处理后的数据中提取关键特征,并对关键特征进行数据融合;
基于融合后的数据,通过设定阈值进行异常检测。
更进一步的,所述关键特征具体为从电网运行数据中提取电压和电流的波动模式,从环境数据中提取与电网性能相关的环境因素以及从用户行为数据中提取用电峰谷。
进一步的,所述深度学习算法具体为长短期记忆网络算法和卷积神经网络算法相结合的混合模型。
更进一步的,所述混合模型的构建过程包括以下步骤:
使用长短期记忆网络算法对时间序列数据进行处理,提取出数据中的时序特征;
通过卷积神经网络算法对图像数据进行处理,提取出数据中的空间特征;
将两种特征融合,进行负荷预测和故障预警,并生成分析结果。
更进一步的,所述基于实时数据和预测结果进行自适应网络拓扑重构算法,动态调整配电网结构,包括以下步骤:
获取负荷预测和故障预警的分析结果;
基于分析结果,分析当前配电网的拓扑结构,识别配电网中的关键节点和路径;
根据配电网的运行目标和策略,确定拓扑重构的优化目标;所述优化目标包括负荷平衡、故障响应、能源效率和***可靠性;
基于分析结果和优化目标,制定拓扑重构方案;
使用自适应拓扑重构算法,自动调整配电网结构;所述自适应拓扑重构算法具体为基于粒子群优化算法的配电网重构方法,通过PSO算法搜索最优的网络结构,实现资源的最优配置。
进一步的,所述制定故障隔离策略,结合配电网自愈机制,快速响应故障,自动隔离故障区域,并重新配置网络,包括以下步骤:
实时监控配电网,使用传感器和边缘计算设备检测异常指标,并使用深度学习算法分析数据;
当检测到故障时,自动隔离故障区域;
故障区域被隔离后,启动自愈机制,自动重组电网的拓扑结构,恢复正常的电网运行状态;
持续监控配电网的性能和安全状况。
进一步的,所述数据加密技术包括对称加密、非对称加密和哈希算法。
另一方面,一种配电网测控***,包含:数据采集模块、边缘计算模块、数据分析模块、网络拓扑优化模块和数据安全模块;所述数据采集模块、边缘计算模块、数据安全模块、网络拓扑优化模块和数据分析模块通信连接;
所述数据采集模块用于采集电网运行数据、环境数据以及用户用电行为数据;
所述边缘计算模块用于通过边缘计算进行数据融合和先期异常检测,并实施数据同步和实时通信,处理复杂的电网参数;
所述数据分析模块用于通过深度学习算法进行负荷预测和故障预警,同时分析融合数据生成预测模型;
所述网络拓扑优化模块用于使用自适应网络拓扑重构算法,根据实时数据和预测结果,动态调整配电网结构,并管理故障隔离和自愈机制;
所述数据安全模块用于实现数据加密和访问控制,保护数据安全和用户隐私。
本发明的有益效果在于:
本发明通过边缘计算设备的部署,实现电网运行数据、环境数据以及用户用电行为模式的高效采集和处理,提升数据处理的速度和精确度。使用深度学习算法基于融合的多源数据进行负荷预测和故障预警,显著提高电网运营的预测准确性和预警及时性。通过自适应网络拓扑重构算法,能够根据实时数据和预测结果动态调整配电网结构,从而提高网络的稳定性和可靠性。故障发生时,能够快速制定隔离策略并结合自愈机制响应,自动隔离故障区域并重新配置网络,减少故障影响。利用大数据分析和机器学习技术,定期收集运营数据,用于优化边缘计算参数、拓扑重构算法和能源管理策略,实现***的持续优化和自我提升。运用数据加密和访问控制技术,确保采集、传输和处理的数据安全,有效防止数据泄露和非法访问,增强***的安全性。
附图说明
图1 是本发明中一种配电网测控方法的流程示意图。
图2 是本发明一实施例中步骤S3的流程示意图。
图3 是本发明中一种配电网测控***的模块示意图。
具体实施方式
请参阅图1-3所示,本发明关于一种配电网测控***及方法。
实施例1
一种配电网测控方法,包括以下步骤:
S1:在配电网里部署边缘计算设备,并采集电网运行数据、环境数据以及用户用电行为模式,通过边缘计算进行数据融合和先期异常检测;所述边缘计算设备具体用于处理和分析电网参数,并确保设备之间的数据同步和实时通信;
其中,所述通过边缘计算进行数据融合和先期异常检测,包括以下步骤:
部署边缘计算设备,并采集电网运行数据、环境数据以及用户用电行为模式;
对收集的多源数据进行清洗和格式化;
边缘计算设备从处理后的数据中提取关键特征,并对关键特征进行数据融合;所述关键特征具体为从电网运行数据中提取电压和电流的波动模式,从环境数据中提取与电网性能相关的环境因素以及从用户行为数据中提取用电峰谷;
基于融合后的数据,通过设定阈值进行异常检测。
具体地,在配电网的关键节点(如变电站、配电柜)安装边缘计算设备。这些设备配备了多种传感器,用于实时采集电网运行数据、环境数据以及用户的用电行为数据。设备采集的数据包括但不限于电网频率波动、负载变化、气候条件和用户用电模式。对收集到的数据进行清洗,剔除异常值和噪声,格式化数据以便于处理。使用傅里叶变换算法,分析电压和电流波形,以识别不正常的波动或间歇性模式;提取关键指标,如频率偏差、瞬时电压跌落或峰值,这些可能是电网负载不平衡或设备故障的迹象。分析温度、湿度等环境参数,并与电网性能数据关联,以识别可能影响电网运行的外部因素。使用时间序列分析来观察环境变化趋势,并预测其对电网的潜在影响。通过数据挖掘技术,如聚类分析,识别用户用电模式,包括高峰和低谷时段。检测异常用电行为,如在非高峰时段出现的突然高用电量,可能指示非法用电或设备故障。利用边缘计算的处理能力,结合上述分析结果,形成一个综合数据集,提供全面的电网状态视图。使用数据融合算法,如加权平均或决策树模型,将不同来源的数据和特征有效结合。根据历史数据和行业标准,设定电压、电流、环境参数和用户用电行为的正常范围。边缘计算设备实时监测数据,与设定的阈值进行比较,一旦发现任何参数超出正常范围,立即标记为异常。
S2:使用深度学习算法,基于融合的多源数据进行负荷预测和故障预警;所述深度学习算法具体为长短期记忆网络算法和卷积神经网络算法相结合的混合模型;
其中,所述混合模型的构建过程包括以下步骤:
使用长短期记忆网络算法对时间序列数据进行处理,提取出数据中的时序特征;
通过卷积神经网络算法对图像数据进行处理,提取出数据中的空间特征;
将两种特征融合,进行负荷预测和故障预警,并生成分析结果;
具体地,对电网的时间序列数据进行预处理,例如归一化数据以使其适用于LSTM网络;包括电网负载数据、用电模式、频率波动等。设计LSTM层来捕捉时间序列数据中的长期和短期依赖关系;可以使用多层LSTM结构来处理复杂的时间依赖性。LSTM网络通过其内部门控制制度有效地学***均或特征转换技术来实现。在融合了特征之后,构建一个包含LSTM和CNN层的混合深度学习模型。这个模型将能同时处理时序和空间信息,为电网负荷预测和故障预警提供更全面的视角。使用历史数据集(包括时间序列和图像数据)训练该混合模型。这个过程包括调整网络结构、优化损失函数和选择合适的优化器。通过交叉验证和不同的评估指标调优模型参数,确保模型在不同的数据集上都有良好的性能。混合模型的输出将是对未来电网负荷的预测和对潜在故障的预警。这些输出可以以概率分布、趋势图或故障概率的形式展现。将模型输出应用于电网的运行和维护决策。例如,在预测高负荷时,调整电网的负载管理;在预警故障时,指导维修团队提前介入。
S3:基于实时数据和预测结果进行自适应网络拓扑重构算法,动态调整配电网结构;
其中,步骤S3具体包括以下步骤:
S31:获取负荷预测和故障预警的分析结果;
S32:基于分析结果,分析当前配电网的拓扑结构,识别配电网中的关键节点和路径;
S33:根据配电网的运行目标和策略,确定拓扑重构的优化目标;所述优化目标包括负荷平衡、故障响应、能源效率和***可靠性;
S34:基于分析结果和优化目标,制定拓扑重构方案;
S35:使用自适应拓扑重构算法,自动调整配电网结构;所述自适应拓扑重构算法具体为基于粒子群优化算法的配电网重构方法,通过PSO算法搜索最优的网络结构,实现资源的最优配置。
具体地,获取负荷预测和故障预警的分析结果,绘制当前的电网拓扑图,包括所有的节点(如变电站、配电柜、用户接入点)和连接路径(如输电线路)。使用图论算法,识别关键节点和路径。结合历史故障数据和实时监测数据,识别电网中的薄弱点和潜在故障区域,如过载线路或老化设备。优化目标包括确保各个节点和路径的负荷均衡,避免过载或低效运行。提高故障检测和响应的速度和效率。在检测到潜在故障时,能够快速隔离受影响区域,并重新配置网络以保持稳定运行。通过优化配电路径和负载分配,提高整体网络的能源效率,降低能源损耗。增强电网的整体可靠性,包括抵御环境变化的能力和在面对突发事件时保持稳定运行的能力。基于已识别的关键节点、路径和潜在故障点,设计一系列可能的拓扑结构变更方案。这些方案应考虑到不同的负荷条件、故障发生的可能性以及对网络稳定性的影响。使用仿真软件,对每个拓扑重构方案进行多场景模拟测试。模拟不同的负荷和故障情况,评估每个方案对电网性能的影响。根据模拟结果,评估每个方案的负荷平衡效果、故障响应能力、能源效率和***可靠性。选择综合性能最优的方案作为拓扑重构的实施计划。在拓扑重构过程中,采用基于PSO的算法来寻找最优拓扑结构。在PSO中,每个“粒子”代表一个可能的网络拓扑配置,通过模拟电网运行来评估其性能。在算法运行过程中,根据每个粒子的历史最佳位置和全局最佳位置不断调整其搜索方向。迭代过程中,粒子会探索新的网络拓扑配置,寻找满足优化目标的最优解。一旦算法找到最优的网络拓扑结构,自动通过智能开关和控制***调整实际的配电网结构。例如,启用备用路径、调整变压器负荷或重新配置供电区域。
S4:制定故障隔离策略,结合配电网自愈机制,快速响应故障,自动隔离故障区域,并重新配置网络;
其中,步骤S4具体包括以下步骤:
S41:实时监控配电网,使用传感器和边缘计算设备检测异常指标,并使用深度学习算法分析数据;
S42:当检测到故障时,自动隔离故障区域;
S43:故障区域被隔离后,启动自愈机制,自动重组电网的拓扑结构,恢复正常的电网运行状态;
S44:持续监控配电网的性能和安全状况。
具体地,使用安装在配电网各关键点的传感器实时监控关键指标,如电压水平、电流不平衡、频率波动和温升。这些传感器能够捕获电网的即时状态和细微变化。边缘计算设备对收集的数据进行即时处理,例如去噪声、标准化和趋势分析。这一步骤能够在数据传输到中心处理***前进行初步的故障识别。将经过初步处理的数据送入深度学***衡和能源分配。即使在故障处理和恢复正常运行后,***仍持续监控电网的各项性能指标,如电压水平、电流流量和频率稳定性,以确保电网运行在最佳状态。定期进行安全评估,包括分析可能的风险点、检测***的敏感度和响应能力。
S5:利用大数据分析和机器学习技术,定期收集运营数据,优化边缘计算参数、拓扑重构算法和能源管理策略;
具体地,通过边缘计算设备不断收集包括负荷模式、设备运行状态、故障历史记录和环境条件等多源数据。建立一个中心化的数据仓库,存储这些收集的数据,并进行预处理,如数据清洗和格式化。使用监督学习和无监督学习技术开发模型,例如决策树、支持向量机或神经网络,来识别负荷模式、预测故障风险等。基于机器学习分析结果,优化边缘计算参数,调整拓扑重构算法以适应变化的负荷条件,以及制定更有效的能源管理策略。
S6:运用数据加密和访问控制技术,保障采集、传输和处理的数据安全;所述数据加密技术包括对称加密、非对称加密和哈希算法。
具体地,使用AES或DES算法对传输和存储的数据进行加密,确保数据在传输过程中的安全性。采用RSA或ECC算法加密关键数据,如控制命令和敏感信息,确保只有特定接收者能够解密。使用SHA-256或MD5为数据生成唯一的哈希值,用于验证数据的完整性和一致性。实施强大的用户认证机制,包括多因素认证,例如密码、生物识别和安全令牌。根据用户角色分配不同的访问权限,确保用户只能访问其角色所需的数据和功能。实施日志记录和监控***,跟踪所有对***和数据的访问和操作,以便在出现安全事件时进行调查和响应。
在本实施例中,通过在配电网关键节点部署边缘计算设备和使用深度学***衡、故障响应、能源效率和***可靠性,从而提升整个配电***的运行效率。配电网通过实时监控和深度学习算法检测故障,自动隔离故障区域,并启动自愈机制以快速恢复电网正常运行状态。这有助于最小化故障对电网的影响,提高电网的鲁棒性和可恢复性。采用数据加密和访问控制技术,确保采集、传输和处理的数据安全。这包括对称加密、非对称加密和哈希算法的使用,以及强大的用户认证机制,有助于防范潜在的网络攻击和数据泄露。利用大数据分析和机器学习技术,***能够定期收集运营数据并进行优化。通过模型的持续学习和调整,***可以适应不断变化的负荷条件,提高拓扑重构算法和能源管理策略的效果。
实施例2
根据实施例1所述的一种配电网测控方法,其中,一种配电网测控***,包含:数据采集模块、边缘计算模块、数据分析模块、网络拓扑优化模块和数据安全模块;所述数据采集模块、边缘计算模块、数据安全模块、网络拓扑优化模块和数据分析模块通信连接;
所述数据采集模块用于采集电网运行数据、环境数据以及用户用电行为数据;
所述边缘计算模块用于通过边缘计算进行数据融合和先期异常检测,并实施数据同步和实时通信,处理复杂的电网参数;
所述数据分析模块用于通过深度学习算法进行负荷预测和故障预警,同时分析融合数据生成预测模型;
所述网络拓扑优化模块用于使用自适应网络拓扑重构算法,根据实时数据和预测结果,动态调整配电网结构,并管理故障隔离和自愈机制;
所述数据安全模块用于实现数据加密和访问控制,保护数据安全和用户隐私。
在本实施例中,数据采集模块负责采集电网运行数据、环境数据以及用户用电行为数据。这有助于***获取关键的实时信息,包括电力***状态、环境条件和用户需求,为***的分析和决策提供充分的数据基础。边缘计算模块通过边缘计算技术对采集到的数据进行实时处理,包括数据融合和先期异常检测,提高数据处理的效率,同时确保及时性的异常检测和响应。
数据分析模块利用深度学***衡、故障响应、能源效率和***可靠性,实现更灵活、智能的电网运行。***通过网络拓扑优化模块管理故障隔离和自愈机制。一旦发生故障,***能够自动隔离故障区域,并通过自适应的方式重新配置电网结构,实现快速的电网自愈,减小故障对整个***的影响。数据安全模块负责实现数据加密和访问控制,保障采集、传输和处理的数据的安全性。采用加密技术和访问控制,可以有效防范潜在的网络攻击和数据泄露,确保用户隐私得到充分保护。
以上实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (4)
1.一种配电网测控方法,其特征在于,包括以下步骤:
在配电网里部署边缘计算设备,并采集电网运行数据、环境数据以及用户用电行为模式,通过边缘计算进行数据融合和先期异常检测;
使用深度学习算法,基于融合的多源数据进行负荷预测和故障预警;所述多源数据包括电网频率波动、负载变化、气候条件和用户用电模式;
基于实时数据和预测结果进行自适应网络拓扑重构算法,动态调整配电网结构;
制定故障隔离策略,结合配电网自愈机制,快速响应故障,自动隔离故障区域,并重新配置网络;
利用大数据分析和机器学习技术,定期收集运营数据,优化边缘计算参数、拓扑重构算法和能源管理策略;
运用数据加密和访问控制技术,保障采集、传输和处理的数据安全;
其中,所述通过边缘计算进行数据融合和先期异常检测,包括以下步骤:
部署边缘计算设备,并采集电网运行数据、环境数据以及用户用电行为模式;
对收集的多源数据进行清洗和格式化;
边缘计算设备从处理后的数据中提取关键特征,并对关键特征进行数据融合;所述关键特征具体为从电网运行数据中提取电压和电流的波动模式,从环境数据中提取与电网性能相关的环境因素以及从用户行为数据中提取用电峰谷;所述数据融合采用加权平均算法;
基于融合后的数据,通过设定阈值进行异常检测;
所述深度学习算法具体为长短期记忆网络算法和卷积神经网络算法相结合的混合模型;
所述混合模型的构建过程包括以下步骤:
使用长短期记忆网络算法对时间序列数据进行处理,提取出数据中的时序特征;所述时序特征包括电网负载数据、用电模式和频率波动;
通过卷积神经网络算法对图像数据进行处理,提取出数据中的空间特征;所述空间特征包括设备状态的视觉模式、损坏迹象或环境变化;
将两种特征融合,进行负荷预测和故障预警,并生成分析结果;
其中,所述基于实时数据和预测结果进行自适应网络拓扑重构算法,动态调整配电网结构,包括以下步骤:
获取负荷预测和故障预警的分析结果,绘制电网拓扑图;所述电网拓扑图包括变电站、配电柜、用户接入点和输电线路作为所述电网拓扑图的若干节点和连接路径;
基于分析结果,分析当前配电网的拓扑结构,使用图论算法,识别配电网中的关键节点和路径;
根据配电网的运行目标和策略,确定拓扑重构的优化目标;所述优化目标包括负荷平衡、故障响应、能源效率和***可靠性;
基于分析结果和优化目标,制定拓扑重构方案;
使用自适应拓扑重构算法,自动调整配电网结构;所述自适应拓扑重构算法具体为基于粒子群优化算法的配电网重构方法,通过PSO算法搜索最优的网络结构,实现资源的最优配置;
所述制定故障隔离策略,结合配电网自愈机制,快速响应故障,自动隔离故障区域,并重新配置网络,包括以下步骤:
实时监控配电网,使用传感器和边缘计算设备检测异常指标,并使用深度学***、电流平衡和频率波动;
当检测到故障时,自动隔离故障区域;所述故障区域的隔离策略基于最小化对周围区域影响的原则;
故障区域被隔离后,启动自愈机制,自动重组电网的拓扑结构,恢复正常的电网运行状态;所述自愈机制具体基于流量的重定向或基于优先级的负载转移制定;
持续监控配电网的性能和安全状况。
2.根据权利要求1所述的一种配电网测控方法,其特征在于,所述边缘计算设备具体用于处理和分析电网参数,并确保设备之间的数据同步和实时通信。
3.根据权利要求1所述的一种配电网测控方法,其特征在于,所述数据加密中运用的算法包括对称加密、非对称加密和哈希算法。
4.一种配电网测控***,其特征在于,所述***应用于如权利要求1-3任一项所述的一种配电网测控方法,包含:数据采集模块、边缘计算模块、数据分析模块、网络拓扑优化模块和数据安全模块;所述数据采集模块、边缘计算模块、数据安全模块、网络拓扑优化模块和数据分析模块通信连接;
所述数据采集模块用于采集电网运行数据、环境数据以及用户用电行为数据;
所述边缘计算模块用于通过边缘计算进行数据融合和先期异常检测,并实施数据同步和实时通信,处理复杂的电网参数;
所述数据分析模块用于通过深度学习算法进行负荷预测和故障预警,同时分析融合数据生成预测模型;
所述网络拓扑优化模块用于使用自适应网络拓扑重构算法,根据实时数据和预测结果,动态调整配电网结构,并管理故障隔离和自愈机制;
所述数据安全模块用于实现数据加密和访问控制,保护数据安全和用户隐私。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410128882.3A CN117674140B (zh) | 2024-01-31 | 2024-01-31 | 一种配电网测控***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410128882.3A CN117674140B (zh) | 2024-01-31 | 2024-01-31 | 一种配电网测控***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117674140A CN117674140A (zh) | 2024-03-08 |
CN117674140B true CN117674140B (zh) | 2024-06-04 |
Family
ID=90079186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410128882.3A Active CN117674140B (zh) | 2024-01-31 | 2024-01-31 | 一种配电网测控***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117674140B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118017509B (zh) * | 2024-04-10 | 2024-07-16 | 国网江苏省电力有限公司南通供电分公司 | 基于数字孪生空间的大规模配电网并行优化方法 |
CN118157132A (zh) * | 2024-05-10 | 2024-06-07 | 南京亿顺弘信息技术有限公司 | 基于神经网络的电压监测***数据挖掘方法及装置 |
CN118157333A (zh) * | 2024-05-13 | 2024-06-07 | 苏州火炎焱网络科技有限公司 | 一种基于物联网技术的配变台区智能监控方法及*** |
CN118226179A (zh) * | 2024-05-17 | 2024-06-21 | 中域高科(武汉)信息技术有限公司 | 一种配网自动化继电保护测试*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104734153A (zh) * | 2014-12-18 | 2015-06-24 | 国家电网公司 | 一种含分布式电源的配电网络重构方法 |
JP2018057096A (ja) * | 2016-09-27 | 2018-04-05 | 株式会社日立製作所 | 電力系統の特性推定装置、及び方法、並びに電力系統管理装置 |
CN112669172A (zh) * | 2020-12-31 | 2021-04-16 | 国电南瑞南京控制***有限公司 | 一种基于边缘数据动态融合的配电网区域自治快速响应方法和*** |
CN114595874A (zh) * | 2022-02-24 | 2022-06-07 | 武汉大学 | 一种基于动态神经网络的超短期电力负荷预测方法 |
CN116470504A (zh) * | 2023-05-15 | 2023-07-21 | 东方电子股份有限公司 | 一种分布式配电网自愈控制*** |
CN117040105A (zh) * | 2023-06-21 | 2023-11-10 | 北京智芯微电子科技有限公司 | 故障自适应及自愈方法、智能代理终端及智能终端 |
CN117411192A (zh) * | 2023-12-15 | 2024-01-16 | 东莞市华灏技术有限公司 | 一种不间断电源并机***的监控方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311008B (zh) * | 2020-02-21 | 2021-04-30 | 山东大学 | 交直流大电网动态安全风险态势滚动前瞻预警方法及*** |
-
2024
- 2024-01-31 CN CN202410128882.3A patent/CN117674140B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104734153A (zh) * | 2014-12-18 | 2015-06-24 | 国家电网公司 | 一种含分布式电源的配电网络重构方法 |
JP2018057096A (ja) * | 2016-09-27 | 2018-04-05 | 株式会社日立製作所 | 電力系統の特性推定装置、及び方法、並びに電力系統管理装置 |
CN112669172A (zh) * | 2020-12-31 | 2021-04-16 | 国电南瑞南京控制***有限公司 | 一种基于边缘数据动态融合的配电网区域自治快速响应方法和*** |
CN114595874A (zh) * | 2022-02-24 | 2022-06-07 | 武汉大学 | 一种基于动态神经网络的超短期电力负荷预测方法 |
CN116470504A (zh) * | 2023-05-15 | 2023-07-21 | 东方电子股份有限公司 | 一种分布式配电网自愈控制*** |
CN117040105A (zh) * | 2023-06-21 | 2023-11-10 | 北京智芯微电子科技有限公司 | 故障自适应及自愈方法、智能代理终端及智能终端 |
CN117411192A (zh) * | 2023-12-15 | 2024-01-16 | 东莞市华灏技术有限公司 | 一种不间断电源并机***的监控方法及*** |
Non-Patent Citations (1)
Title |
---|
基于多Agent免疫算法的智能配电网自愈技术研究;纪秀 等;计算机测量与控制;20160225;第24卷(第2期);第247-250页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117674140A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117674140B (zh) | 一种配电网测控***及方法 | |
Mohammadpourfard et al. | A statistical unsupervised method against false data injection attacks: A visualization-based approach | |
US10452845B2 (en) | Generic framework to detect cyber threats in electric power grid | |
Pei et al. | PMU placement protection against coordinated false data injection attacks in smart grid | |
Wu et al. | Extreme learning machine-based state reconstruction for automatic attack filtering in cyber physical power system | |
CN109787979B (zh) | 一种电力网络事件和入侵的检测方法 | |
Guo et al. | Online data validation for distribution operations against cybertampering | |
CN105974232B (zh) | 一种适用于高压输电网的电网故障诊断方法 | |
US12039045B2 (en) | Event analysis in an electric power system | |
Ruan et al. | Deep learning for cybersecurity in smart grids: Review and perspectives | |
Wang et al. | Data-driven anomaly detection for power system generation control | |
CN117612345A (zh) | 一种电力设备状态监测报警***及方法 | |
Nagaraj et al. | Glass: A graph learning approach for software defined network based smart grid ddos security | |
Kummerow et al. | Cyber-physical data stream assessment incorporating Digital Twins in future power systems | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
Kaitovic et al. | Proactive failure management in smart grids for improved resilience: A methodology for failure prediction and mitigation | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及*** | |
Hossain-McKenzie et al. | Adaptive, cyber-physical special protection schemes to defend the electric grid against predictable and unpredictable disturbances | |
Gokarn et al. | Enhancing cyber physical system security via anomaly detection using behaviour analysis | |
Lu et al. | A multi-layer, hierarchical information management system for the smart grid | |
Ma | Enhancing grid reliability with phasor measurement units | |
Salehpour et al. | An RTDS-based Early-stage Attack Detection Mechanism for Smart Grid Networks | |
Ten et al. | Anomaly extraction and correlations for power infrastructure cyber systems | |
Dai et al. | A microgrid controller security monitoring model based on message flow | |
Hu et al. | An abnormal state detection method for power distribution network based on big data technology |
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 |