CN117787915A - 一种配电网数字孪生智慧大脑构建方法 - Google Patents
一种配电网数字孪生智慧大脑构建方法 Download PDFInfo
- Publication number
- CN117787915A CN117787915A CN202410005109.8A CN202410005109A CN117787915A CN 117787915 A CN117787915 A CN 117787915A CN 202410005109 A CN202410005109 A CN 202410005109A CN 117787915 A CN117787915 A CN 117787915A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- constructing
- intelligent brain
- 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.)
- Pending
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 57
- 238000010276 construction Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 54
- 239000010410 layer Substances 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 239000002346 layers by function Substances 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims description 24
- 238000011144 upstream manufacturing Methods 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 101150036841 minJ gene Proteins 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 26
- 238000012549 training Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002015 leaf growth Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种配电网数字孪生智慧大脑构建方法，属于配电网运行态势感知及辅助决策领域；一种配电网数字孪生智慧大脑构建方法包括步骤为：构建数据接口，获取历史监测数据和实时运行数据；构建智慧大脑分析决策层，搭建配电网态势感知框架，对配电网实施态势感知；构建智慧大脑多业务功能层，包括故障定位、故障类型分类、电压优化和优化调度；构建智慧大脑辅助决策层，利用优化潮流、配电网故障判别重构算法，给出配电网优化运行建议，现针对配电网运行多场景的辅助决策；用分析决策层、多业务功能层和辅助决策层对输入配电网的数据进行态势感知和辅助决策，以构建配电网数字孪生体智慧大脑。
Description
技术领域
本发明属于配电网运行态势感知及辅助决策领域，具体涉及一种配电网数字孪生智慧大脑构建方法。
背景技术
配电网是电力***的重要组成部分，直接面对终端用户网络，综合承接分布式电源，电动汽车等负荷。因此配电网的可靠性直接影响用户对电能使用的评价。随着电力***建设的加快，配电网逐步接入高比例分布式电源，既带来了巨大的收益，也带来了被动接纳，管控不足，信息数字化程度较低、可观可控能力受限等问题，增加了决策管理的难度和风险。
对配电网运行态势感知以及辅助决策具有重要意义，态势感知及辅助决策对于提高配电网可靠性，适应性具有重要意义。当前所采用的方法有多种，如风险矩阵法，故障树分析法、智能传感器监测、贝叶斯法、决策树法以及这些方法的组合等，考虑到有效提高配电网稳定运行可靠性，保证配电网稳定运行、减少配电网运行风险，降低损失严重度。为此，提出配电网数字孪生体智慧大脑构建方法。
发明内容
针对现有技术的不足，本发明的目的在于提供一种配电网数字孪生智慧大脑构建方法，解决了现有技术中的问题。
本发明的目的可以通过以下技术方案实现：
一种配电网数字孪生智慧大脑构建方法，包括以下步骤：
构建数据接口，获取历史监测数据和实时运行数据；
构建智慧大脑分析决策层，搭建配电网态势感知框架，对配电网实施态势感知；
构建智慧大脑多业务功能层，包括故障定位、故障类型分类、电压优化和优化调度；
构建智慧大脑辅助决策层，利用优化潮流、配电网故障判别重构算法，给出配电网优化运行建议，现针对配电网运行多场景的辅助决策；
用分析决策层、多业务功能层和辅助决策层对输入配电网的数据进行态势感知和辅助决策，以构建配电网数字孪生体智慧大脑。
进一步地，获取历史监测数据及实时运行数据的步骤为：
通过遥测遥信手段，结合分布式传感器，获取配电网拓扑结构并采集配电网各节点运行数据，通过多源数据接口，以增量传输的方式上传到配电网数字孪生服务器端。
进一步地，所述增量传输的方式如下式所示：
其中，和/>分别表示最近一次触发时刻采样得的传输值和偏移量修正系数，cα和cβ则分别为α和β的采样误差阈值，k(h,i)表示th i前最近一次传输时刻的时序。
进一步地，所述态势感知框架包括：
态势要素采集：由多源数据接口、增量传输算法实现，获取配电网物理实体的运行数据；
实时态势理解：由状态估计和潮流计算实现，根据状态估计所得数据进行潮流计算，并根据潮流计算结果将配电网运行状态分为正常态、风险态、故障态以及优化态；
未来态势预测：由分布式电源出力预测和负荷预测实现。
进一步地，所述状态估计采用加权最小二乘法，并以节点电压为状态量；
加权最小二乘法表达式为：
minJ＝[z-h(x)]TW[z-h(x)]
z＝h(x)+e
其中，W为权重矩阵，z为测量向量，x为***状态量，h(x)为量测量的计算值矢量，J为目标函数，e为量测误差项；
用高斯-牛顿迭代法进行求解，生成状态估计序列{x}，并将该序列的极限点作为估计结果，序列的第k个元素如下所示：
式中，为函数/>的雅可比矩阵，/>为信息矩阵(Gain矩阵)/>为序列第k个元素的估计值。
进一步地，所述状态估计步骤如下：
步骤1：从状态量的初值计算测量函数向量h(x0)和雅可比矩阵H(x0)；
步骤2：由测量量z和h(x0)计算量测误差z-h(x1)和目标函数J(x1)
步骤3：求解状态量，并检测是否符合收敛标准，若不符合收敛标准则对状态量继续进行迭代，直至符合收敛标准；
步骤4：将计算结果进行不良数据检测与辨识。
进一步地，所述分布式电源出力预测采用Bi-LSTM模型进行预测，所述负荷预测采用LightGBM算法进行预测。
进一步地，对功能层中故障定位算法步骤为：
1)通过潮流计算结合FTU传输信息，获取各节点电流信息，然后将电流按照以下公式进行编码：
2)通过FTU电流信息获得开关函数，具体如下：
式中，规定开关j到***电源之间的区段为上游区段，否则为下游区段；分别表示以开关j为分界点的上游开关函数和下游开关函数；M1和N1分别表示开关j的上游和下游所有电源个数；M2、N2分别表示开关j的上游和下游所有馈线区段个数；Ku、Kd分别表示开关j的上游和下游开关系数，有电源接入配电网为1，否则为0；∏表示逻辑或运算；/>分别表示开关j到上游电源su和下游电源sd之间的馈线区段的状态信息；xj,u、xj,d分别表示开关j的上游和下游所有馈线区段的状态信息；
3)利用粒子群算法进行配电网运行状态识别就是在故障设备的可行解空间中找到若干元件设备，当发生故障时，最能解释由FTU上传到配电SCADA监控中心的开关故障电流信号；可构造如下适应度函数：
式中，M、N分别表示总的开关个数和总的馈线区段个数，Ij、分别表示第j个开关的实际状态值和期望值；α为权重系数，取值范围为[0,1]。
进一步地，辅助决策层对故障线路重构辅助决策的过程为：
将配电网故障重构视为满足配电网故障情况时，运行约束下的最优开关组合选择问题，用数学规划进行描述，目标函数为：
式中，Ψout为失电节点集合；为故障恢复期间节点i的实际有功负荷；模型以尽可能多地恢复失电负荷为目标；
约束包括：辐射状约束、电压安全约束、线路容量约束、功率平衡约束以及潮流方程约束。
一种配电网数字孪生智慧大脑构建***，包括：
接口构建模块：构建数据接口，获取历史监测数据和实时运行数据；
决策层构建模块：构建智慧大脑分析决策层，搭建配电网态势感知框架，对配电网实施态势感知；
功能层构建模块：构建智慧大脑多业务功能层，包括故障定位、故障类型分类、电压优化和优化调度；
决策层构建模块：构建智慧大脑辅助决策层，利用优化潮流、配电网故障判别重构算法，给出配电网优化运行建议，现针对配电网运行多场景的辅助决策。
以及，智慧大脑构建模块：用分析决策层、多业务功能层和辅助决策层对输入配电网的数据进行态势感知和辅助决策，以构建配电网数字孪生体智慧大脑。
本发明的有益效果：
配电网数字孪生体智慧大脑构建方法可以为配电网运行态势感知和决策提供许多有益效果，有助于提高配电网的可靠性和适应性。
1、风险管理：通过数字孪生体，可以建立配电网的风险模型，识别潜在的风险因素，并进行风险评估。这有助于提前采取措施来减少故障和损失。
2、故障定位与快速修复：数字孪生体可以帮助精确定位故障点，减少了故障定位的时间。这有助于迅速修复问题，减少停电时间和用户的不便。
3、智能决策支持：数字孪生体可以分析大量的数据，并为运营人员提供智能决策支持。它可以生成不同操作方案的模拟，帮助决策者选择最佳的行动方案以维持配电网的稳定运行。
4、资源优化：数字孪生体可以优化分布式电源的配置和运行策略，以最大程度地利用可再生能源，并确保电力供应的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的智慧大脑构建方法步流程图；
图2为本发明的智慧大脑分析决策层架构图
图3为本发明IEEE33节点仿真模型的拓扑结构图；
图4为本发明增量传输数据通信图；
图5为本发明故障重构后拓扑图；
图6是本发明的未来态势出力预测图；
图7是本发明辅助功能—故障重构效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种配电网数字孪生智慧大脑构建方法，包括以下步骤：
S1，构建数据接口，获取历史监测数据和实时运行数据；
获取历史监测数据及实时运行数据步骤为：
通过遥测遥信手段，结合分布式传感器，获取配电网拓扑结构并采集配电网各节点运行数据(数据包括三相电压、电流值、有功功率、电压相角等参数)，调控后台信息***的历史监测数据以及实时运行数据，通过多源数据接口(TCP、UDP、104等典型协议)，以增量传输的方式上传到配电网数字孪生服务器端；
其中，增量传输的方式如下式所示：
其中，和/>分别表示最近一次触发时刻采样得的传输值和偏移量修正系数，cα和cβ则分别为α和β的采样误差阈值，k(h,i)表示th i前最近一次传输时刻的时序。
S2，构建智慧大脑分析决策层，搭建配电网态势感知框架，对配电网实施态势感知；
如图2所示，搭建的态势感知框架包括三层，分别为：态势要素采集、实时态势理解和未来态势预测；
(1)态势要素采集
态势要素采集由多源数据接口、增量传输算法实现，获取配电网物理实体的运行数据。
(2)实时态势理解
实时态势理解由状态估计和潮流计算实现，根据状态估计所得数据进行潮流计算，并根据潮流计算结果将配电网运行状态分为正常态、风险态、故障态、优化态；
配电网的运行和分析可能需要***拓扑和/或线路参数的信息，因此必须进行状态估计。然而，由于配电网的监测设备比输电网少，配电网可能无法获得拓扑和线路参数的实时信息，特别是支路的电导和电纳。尽管配电***运营商可以参考蓝图或规划文件获取设计拓扑和线路参数，但由于天气条件、维护检修等情况，实际线路参数可能与理论参数存在较大偏差。因此，正确的拓扑识别和精确的线路参数估计对于未来配电网的运行至关重要。根据状态估计所得数据进行潮流计算，并根据潮流计算结果将配电网运行状态分为正常态、风险态、故障态、优化态。
1)状态估计算法：
提出采用加权最小二乘法，进行以节点电压为状态量的状态估计方法；加权最小二乘法优点在于不需要随机变量的统计特性，是在假设量测误差服从正态分布的条件下，以量测值与估计值之差的平方和最小为目标准则进行估计。
加权最小二乘法表达式如下：
minJ＝[z-h(x)]TW[z-h(x)]
z＝h(x)+e
其中，W为权重矩阵，z为测量向量，x为***状态量，h(x)为为量测量的计算值矢量，J为目标函数，e为量测误差项。
考虑到电力***的多状态，多变量，函数h(x)为非线性函数，因此上式在应用中通常是一个非凸问题；可用高斯-牛顿迭代法进行求解，该方法生成状态估计序列{x}，并将该序列的极限点作为估计结果，序列的第k个元素如下所示：
式中，为函数/>的雅可比矩阵，/>为信息矩阵(Gain矩阵)/>为序列第k个元素的估计值。
状态估计具体步骤如下：
步骤1：从状态量的初值计算测量函数向量h(x0)和雅可比矩阵H(x0)；
步骤2：由测量量z和h(x0)计算量测误差项z-h(x1)和目标函数J(x1)
步骤3：利用求解状态量，并检测是否符合收敛标准，若不符合收敛标准则对状态量继续进行迭代，直至符合收敛标准；
步骤4：将计算结果进行不良数据检测与辨识。
2)潮流计算；
①形成节点导纳矩阵。
②设定节点电压的初值。
③将各节点电压初值代入求得修正方程式中的不平衡量。
④将各节点电压初值代入求雅可比矩阵的各元素。
⑤解修正方程式，求得各节点电压的增量。
⑥计算各节点电压的新值，返回第③步进入下一次迭代，直到满足收敛判据为止。
⑦计算平衡节点功率和线路功率、损耗。
(3)未来态势预测
未来态势预测由负荷预测和分布式电源出力预测实现；
1)分布式电源出力预测：
提出一种基于Bi-LSTM(Bidirectional Long Short-Term Memory)的分布式电源出力预测方法；预测分布式电源的出力对于保证电力***的稳定和高效运行至关重要。由于电力***具有时间序列特性，因此采用Bi-LSTM模型进行分布式电源出力的预测。Bi-LSTM是一种循环神经网络(RNN)的变体，能够利用时间序列数据中的长期依赖性进行更准确的预测。
分布式电源出力预测具体步骤包括：
步骤1：将时间序列数据转换为监督学习问题；将数据划分为输入(X)和输出(y)序列，其中输入序列包含一定数量的过去时间步长的数据，输出序列包含未来一个或多个时间步长的数据。
步骤2：对数据进行归一化处理，将其缩放到适合神经网络处理的范围，归一化处理的表达式为：
其中，x'是归一化后的值，x是原始数据值，min(x)和max(x)分别是数据中的最小值和最大值。该预处理技术可以使用Python的sklearn库中的MinMaxScaler类实现。
步骤3：构建Bi-LSTM模型，并进行出力预测；
Bi-LSTM是LSTM的一个变体，它包含两个LSTM网络：一个从前向后处理数据(前向LSTM)，另一个从后向前处理数据(后向LSTM)；
对于前向LSTM，定义以下公式：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
ot＝σ(Wo·[ht-1,xt]+b0)
ht＝otetanh(Ct)
其中，ft、it和ot分别是遗忘门、输入门和输出门的激活值；是新的候选记忆细胞的值；Ct是更新后的记忆细胞的值；ht是隐藏状态的值；⊙符号表示逐元素乘法。
对于后向LSTM，使用相同的公式，只是数据将从后向前处理。
最后，前向和后向LSTM的隐藏状态将被拼接或加和，作为Bi-LSTM层的输出：
其中，和/>分别是前向和后向LSTM的隐藏状态。
2)负荷预测
提出一种基于LightGBM算法的负荷预测方法。LightGBM(Light GradientBoosting Machine)是一种梯度提升框架，它使用决策树作为基学习器，其优越性体现在以下几个点上：①更快的训练速度；②更低的内存使用；③支持单机多线程，多机并行计算，以及GPU训练；④能够处理大规模数据。
基于LightGBM算法的负荷预测方法的步骤为：
步骤1：数据预处理
LightGBM利用求得的梯度对样本进行筛选。按常识来看，梯度越大应该是越欠学习。如果大梯度样本能够预测正确，对增益的贡献将会更大，所以希望节点***时能够准确地划分大梯度样本，小梯度样本可以有错误。具体过程如下：
①先对梯度绝对值降序排列，便于筛选；
②设个比例阈值a，排序后的样本前a*100％叫大梯度样本，全部保留；
③后(1-a)*100％的样本叫小梯度样本，随机抽样，抽样比例为b*100％；
④由于随机抽样不是针对全部样本，所以会改变原始数据分布。为了尽量保持数据分布，需要给抽样出来的样本乘一个系数，让他们保持原分布。这个系数是：
步骤2：决策树学习
LightGBM对连续特征做等距离离散化，也就是直方图统计，只在直方图每个箱子处计算一次增益。这样对于单个特征来说，计算增益的时间复杂度从不同特征值数量O(ndistinct)降低到直方图箱数量O(nbin)，箱数量会控制在256以下。因为ndistinct＞＞nbin，所以速度提升会很明显。
采用直方图算法，除了速度上的提升，内存消耗也会降低。对于预排序算法，每个样本的每个特征要保存一个32位浮点数的特征值，和一个指向样本的有序索引，一个索引也占32位；而对于直方图算法，每个样本的每个特征只要保存一个bin位置即可，因为会限制在256以内，所以8位整数就够。因此，直方图内存占用能够降低到预排序的
对于类别特征，一般是One-Hot编码，然后输入到决策树里。这样决策树在学习节点***时，是一种one-vs-rest模式，每次只能根据一个类别做分类。这种模式效率比较低，而且不利于决策树学习。LightGBM对此进行了优化，采用many-vs-many模式***节点，对类别特征按照每类的进行排序，然后按照这个顺序构造直方图，寻找最优***点。
LightGBM采用按叶子生长策略，在每次***时，选择能够带来最大增益的叶子进行***。在同等***次数的情况下，按叶子生长能够把损失函数降低更多。
S3，构建智慧大脑多业务功能层，包括故障定位、故障类型分类、电压优化和优化调度；
(1)故障定位
对功能层中故障定位算法具体步骤如下：
1)通过潮流计算结合FTU(配电开关监控终端)传输信息，获取各节点电流信息，然后将电流按照以下公式进行编码：
2)通过FTU电流信息获得开关函数，具体如下：
式中，规定开关j到***电源之间的区段为上游区段，否则为下游区段；分别表示以开关j为分界点的上游开关函数和下游开关函数；M1和N1分别表示开关j的上游和下游所有电源个数；M2、N2分别表示开关j的上游和下游所有馈线区段个数；Ku、Kd分别表示开关j的上游和下游开关系数，有电源接入配电网为1，否则为0；∏表示逻辑“或”运算；分别表示开关j到上游电源和下游电源之间的馈线区段的状态信息；xj,u、xj,d分别表示开关j的上游和下游所有馈线区段的状态信息。
3)利用粒子群算法进行配电网运行状态识别就是在故障设备的可行解空间中找到一个或几个元件设备，当它们发生故障时，最能解释由FTU上传到配电SCADA(数据采集与监视控制***)中心的开关故障电流信号；可构造如下适应度函数：
式中，M、N分别表示总的开关个数和总的馈线区段个数；Ij、分别表示第j个开关的实际状态值和期望值；α为权重系数，取值范围为[0,1]。
(2)故障类型分类
采用小波包将故障电流信号分解到不同频带，再带入神经网络进行训练，加快了收敛速度，消除了局部极小值等的问题，实现配电网故障后快速判断故障类型，为故障检修工作提供有力的帮助。
离散小波变换需要一组小波基，一组小波基可以由基本的尺度函数φ(t)和小波函数ψ(t)推导得出：
φj,k(t)＝2j/2φ(2jt-k)
ψj,k(t)＝2j/2ψ(2jt-k)
对于函数f(t)∈L2(R)的离散小波变换的计算公式为：
Wf(2j,2jk)＝2-j/2∫Rf(t)ψ*(2-jt-k)dt
考虑信号的各个频带成分，对小波变换后的信号计算信息熵。设信号序列f(n)在各个频段上的小波系数为D(n)，则小波能量可由下式得到：
考虑信息熵概率满足和为1，应进行标幺化：
得一段信号的小波信息熵为：
ε＝-∑P(ln(P))
利用已获取的特征波形，结合LSTM神经网络，对故障进行诊断。
(3)电压优化
提取从物理实体中获取并归类过的电气量参数，根据电气量参数确认优化过程的具体目标函数和约束条件。若外界物理实体侧处于正常运行的状态，即各节点电压均在合理范围时，“智慧大脑”判断情况正常，结束优化过程。若部分节点出现电压超出允许范围的情况，启动优化算法。
根据优化后数据分析，推演配网数据变化情况，验证优化结果的准确性。最后将优化的决策输出到物理实体侧的真实配电网模型中，实现精准的配电网电压优化。
S4，构建智慧大脑辅助决策层；利用优化潮流、配电网故障判别重构算法，给出配电网优化运行建议，结合业务识别功能，实现针对配电网运行多场景的辅助决策；
以故障线路重构辅助决策为例；
针对线路发生故障运行，提出结合遗传算法的配电网故障重构方法，给出配电网联络开关开断建议，结合故障诊断结果和开断建议，实现配电网运行辅助决策：
辅助决策层对故障线路重构辅助决策的过程为：
将配电网故障重构视为满足配电网故障情况时，运行约束下的最优开关组合选择问题，用数学规划进行描述：
1)目标函数：
式中，Ψout为失电节点集合；为故障恢复期间节点i的实际有功负荷；模型以尽可能多地恢复失电负荷为目标，在实际中还可以考虑不同负荷的优先等级，将式中的节点负荷变为/>的形式，其中ωi为表征失电负荷重要性的权重因子。
2)辐射状约束：
式中zij为描述支路i投切状态的二元名义变量，等于0表示支路断开，等于1表示支路闭合；Φl表示配电***故障隔离后所有的支路集合；nb和ns分别表示故障隔离后的节点总数和根节点数。
3)电压安全约束：
式中，Ui为节点i的电压幅值平方值，Ψb为故障隔离后总的节点集合；Vi为节点i的电压幅值；U i和分别为节点i的电压幅值平方的下限值和上限值。
4)线路容量约束：
式中，Pij和Qij分别表示支路i流过的有功和无功功率，方向为从节点i流向节点j；为支路ij的视在功率限值。
5)功率平衡约束：
上式依次表示带电节点、失电节点和与分布式电源相连节点的功率平衡约束；其中，Ψcon、Ψout和Ψdg分别表示故障隔离后带电节点集合、失电节点集合和DG节点集合；Pi E和分别为节点i上预期的有功无功负荷值；Pi E,dg和/>分别为DG节点i上预期的分布式电源有功无功最大出力；δ为一个很小的正数，用以防止零注入孤立节点的存在；j∈i表示与节点i相连的所有其他节点。
此处需要注意两点：
为了简化起见，在上式中假设失电节点负荷和DG出力是以恒功率因数变化的；
在以上三个公式所表示的功率平衡约束中，忽略了网络功率损耗，,即所有表示网损的二次项均被去掉，在后面的潮流方程约束中也是如此。尽管这样的处理会在潮流计算上引起偏差，但对于恢复策略的制定一般没有影响。
6)潮流方程约束：
式中，M为一个很大的正数，当zij＝0即支路i断开时,用以取消对应的潮流约束；同样的，式中也忽略了网络功率损耗二次项；以上就是故障恢复的整个数学模型，从形式上来看，它是一个混合整数二次约束规划MIQCP。
S5，利用分析决策层、多业务功能层和辅助决策层对输入配电网的实测数据(S1中的历史监测数据和实时运行数据)进行态势感知和辅助决策，以构建配电网数字孪生体智慧大脑。
实施例
(1)感知层
态势要素采集
配电网物理实体以IEEE33节点配电网结构为例，考虑高比例分布式电源对配网***的影响，在IEEE33节点***中部分接入分布式电源，主电源位于节点1，分布式电源位于节点18，22，30。
将分布式电源出力、节点负荷等信息，通过TCP/IP协议增量传输到服务器端，得到IEEE33节点更新后的拓扑结构如图3所示，节点10的负荷变化如图4所示；
实时态势理解
配电网状态估计
在MATLAB中对IEEE14节点***进行状态估计。已知节点参数矩阵、支路参数矩阵以及量测参数矩阵(包括节点电压、节点注入有功、节点注入无功、支路首段有功、支路首端无功、支路末端有功和支路末端无功)。使用加权最小二乘法进行状态估计，结果如图5所示。
算法迭代次4次，量测量估计精度为90.86％，状态量估计最大电压幅值(p.u.)误差为0.000272，位于节点11，最大电压相角(degree)误差为0.012017，位于节点9；平均电压幅值(p.u.)误差为0.000140，平均电压相角(degree)误差为0.005263，状态估计结果误差满足预期目标。
未来态势预测
光伏出力预测
采用python对某地区光伏发电机未来72小时出力进行预测。所用数据集为网上公开数据集。
数据预处理：原始数据集较大，进行分割，划分成交付电能、电流、风速、功率、湿度、气温、全球水平辐照度、扩散水平辐照度、风向、降雨。通过corr()函数来进行相关性分析，筛选出对预测结果影响较大的特征作为输入变量。
表1不同特征的相关度
| 特征 | 相关度 |
| 风速 | 0.327428 |
| 湿度 | -0.444322 |
| 气温 | 0.311588 |
| 全球水平辐照度 | 0.947812 |
| 风向 | -0.023766 |
| 降雨 | -0.149642 |
本算例中，选择风速、湿度、气温、全球水平辐照度、风向、降雨等5个特征作为输入变量。
模型参数设置：本算例所使用的模型的隐藏层单元数为64，为LSTM网络中每个LSTM单元的隐藏状态大小；模型中LSTM的层数为2，意味着模型中有两个LSTM层堆叠在一起；学习率是优化器中的一个重要参数，决定了模型权重更新的幅度，本算例中的学习率设置为0.01；本算例使用均方误差损失(MSE)作为损失函数，用于衡量预测值与真实值之间的差异；选择Adam优化器，该优化器是一种自适应学习率的优化算法，广泛应用于深度学习任务中；本项目的训练轮数设置为100。
模型的训练过程包括前向传播、损失计算、反向传播和权重更新。训练过程中，每20个Epochs输出一次损失值，以便了解模型训练的进展。最终输出结果如图6所示。
(2)功能层
以故障定位实现为例，辅助决策以故障线路重构辅助决策为例。
针对多分布式电源配电网模型，为模拟在不同数量、不同位置的分布式电源接入配电网的情况，对单点和多点故障定位仿真作4种分类。
表2故障定位仿真实验算例
在结果中可知，该方法较好的实现了运行状态的辨识，在含分布式电源的IEEE33节点***中，实现了正常态和故障态的辨识，并对故障态辨识实现了故障位置的定位。
随后对配电网进行故障重构，以28节点发生故障为例，便恢复供电。重构策略如图7所示；
综上所述，完成了从数据接口到分析决策层态势感知到多功能业务层建立以及辅助决策层建立，实现了数字孪生体智慧大脑构建
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (10)
1.一种配电网数字孪生智慧大脑构建方法，其特征在于，包括以下步骤：
构建数据接口，获取历史监测数据和实时运行数据；
构建智慧大脑分析决策层，搭建配电网态势感知框架，对配电网实施态势感知；
构建智慧大脑多业务功能层，包括故障定位、故障类型分类、电压优化和优化调度；
构建智慧大脑辅助决策层，利用优化潮流、配电网故障判别重构算法，给出配电网优化运行建议，现针对配电网运行多场景的辅助决策；
用分析决策层、多业务功能层和辅助决策层对输入配电网的数据进行态势感知和辅助决策，以构建配电网数字孪生体智慧大脑。
2.根据权利要求1所述的一种配电网数字孪生智慧大脑构建方法，其特征在于，获取历史监测数据及实时运行数据的步骤为：
通过遥测遥信手段，结合分布式传感器，获取配电网拓扑结构并采集配电网各节点运行数据，通过多源数据接口，以增量传输的方式上传到配电网数字孪生服务器端。
3.根据权利要求2所述的一种配电网数字孪生智慧大脑构建方法，其特征在于，所述增量传输的方式如下式所示：
其中，和/>分别表示最近一次触发时刻采样得的传输值和偏移量修正系数，cα和cβ则分别为α和β的采样误差阈值，k(h,i)表示th i前最近一次传输时刻的时序。
4.根据权利要求1所述的一种配电网数字孪生智慧大脑构建方法，其特征在于，所述态势感知框架包括：
态势要素采集：由多源数据接口、增量传输算法实现，获取配电网物理实体的运行数据；
实时态势理解：由状态估计和潮流计算实现，根据状态估计所得数据进行潮流计算，并根据潮流计算结果将配电网运行状态分为正常态、风险态、故障态以及优化态；
未来态势预测：由分布式电源出力预测和负荷预测实现。
5.根据权利要求4所述的一种配电网数字孪生智慧大脑构建方法，其特征在于，所述状态估计采用加权最小二乘法，并以节点电压为状态量；
加权最小二乘法表达式为：
minJ＝[z-h(x)]TW[z-h(x)]
z＝h(x)+e
其中，W为权重矩阵，z为测量向量，x为***状态量，h(x)为量测量的计算值矢量，J为目标函数，e为量测误差项；
用高斯-牛顿迭代法进行求解，生成状态估计序列{x}，并将该序列的极限点作为估计结果，序列的第k个元素如下所示：
式中，为函数/>的雅可比矩阵，/>为信息矩阵(Gain矩阵)/>为序列第k个元素的估计值。
6.根据权利要求5所述的一种配电网数字孪生智慧大脑构建方法，其特征在于，所述状态估计步骤如下：
步骤1：从状态量的初值计算测量函数向量h(x0)和雅可比矩阵H(x0)；
步骤2：由测量量z和h(x0)计算量测误差z-h(x1)和目标函数J(x1)
步骤3：求解状态量，并检测是否符合收敛标准，若不符合收敛标准则对状态量继续进行迭代，直至符合收敛标准；
步骤4：将计算结果进行不良数据检测与辨识。
7.根据权利要求4所述的一种配电网数字孪生智慧大脑构建方法，其特征在于，所述分布式电源出力预测采用Bi-LSTM模型进行预测，所述负荷预测采用LightGBM算法进行预测。
8.根据权利要求1所述的一种配电网数字孪生智慧大脑构建方法，其特征在于，对功能层中故障定位算法步骤为：
1)通过潮流计算结合FTU传输信息，获取各节点电流信息，然后将电流按照以下公式进行编码：
2)通过FTU电流信息获得开关函数，具体如下：
式中，规定开关j到***电源之间的区段为上游区段，否则为下游区段；分别表示以开关j为分界点的上游开关函数和下游开关函数；M1和N1分别表示开关j的上游和下游所有电源个数；M2、N2分别表示开关j的上游和下游所有馈线区段个数；Ku、Kd分别表示开关j的上游和下游开关系数，有电源接入配电网为1，否则为0；∏表示逻辑或运算；分别表示开关j到上游电源su和下游电源sd之间的馈线区段的状态信息；xj,u、xj,d分别表示开关j的上游和下游所有馈线区段的状态信息；
3)利用粒子群算法进行配电网运行状态识别就是在故障设备的可行解空间中找到若干元件设备，当发生故障时，最能解释由FTU上传到配电SCADA监控中心的开关故障电流信号；可构造如下适应度函数：
式中，M、N分别表示总的开关个数和总的馈线区段个数，Ij、分别表示第j个开关的实际状态值和期望值；α为权重系数，取值范围为[0,1]。
9.根据权利要求1所述的一种配电网数字孪生智慧大脑构建方法，其特征在于，辅助决策层对故障线路重构辅助决策的过程为：
将配电网故障重构视为满足配电网故障情况时，运行约束下的最优开关组合选择问题，用数学规划进行描述，目标函数为：
式中，Ψout为失电节点集合；为故障恢复期间节点i的实际有功负荷；模型以尽可能多地恢复失电负荷为目标；
约束包括：辐射状约束、电压安全约束、线路容量约束、功率平衡约束以及潮流方程约束。
10.一种配电网数字孪生智慧大脑构建***，其特征在于，包括：
接口构建模块：构建数据接口，获取历史监测数据和实时运行数据；
决策层构建模块：构建智慧大脑分析决策层，搭建配电网态势感知框架，对配电网实施态势感知；
功能层构建模块：构建智慧大脑多业务功能层，包括故障定位、故障类型分类、电压优化和优化调度；
决策层构建模块：构建智慧大脑辅助决策层，利用优化潮流、配电网故障判别重构算法，给出配电网优化运行建议，现针对配电网运行多场景的辅助决策。
以及，智慧大脑构建模块：用分析决策层、多业务功能层和辅助决策层对输入配电网的数据进行态势感知和辅助决策，以构建配电网数字孪生体智慧大脑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410005109.8A CN117787915A (zh) | 2024-01-03 | 2024-01-03 | 一种配电网数字孪生智慧大脑构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410005109.8A CN117787915A (zh) | 2024-01-03 | 2024-01-03 | 一种配电网数字孪生智慧大脑构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117787915A true CN117787915A (zh) | 2024-03-29 |
Family
ID=90394653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410005109.8A Pending CN117787915A (zh) | 2024-01-03 | 2024-01-03 | 一种配电网数字孪生智慧大脑构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117787915A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118157329A (zh) * | 2024-05-11 | 2024-06-07 | 国网江苏省电力有限公司南通供电分公司 | 基于数字孪生的配电网动态重构控制方法及*** |
-
2024
- 2024-01-03 CN CN202410005109.8A patent/CN117787915A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118157329A (zh) * | 2024-05-11 | 2024-06-07 | 国网江苏省电力有限公司南通供电分公司 | 基于数字孪生的配电网动态重构控制方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM | |
| Ni et al. | An ensemble prediction intervals approach for short-term PV power forecasting | |
| CN112217202B (zh) | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 | |
| Li et al. | An integrated missing-data tolerant model for probabilistic PV power generation forecasting | |
| CN112101669B (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
| Kim et al. | Short-term electric load prediction using multiple linear regression method | |
| CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
| CN117787915A (zh) | 一种配电网数字孪生智慧大脑构建方法 | |
| Xiao et al. | Online sequential extreme learning machine algorithm for better predispatch electricity price forecasting grids | |
| CN107977728A (zh) | 一种基于bp人工神经网络的中长期逐小时气温预测方法 | |
| CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
| CN115965132A (zh) | 基于ga-bp神经网络的分布式光伏数字孪生***功率预测方法 | |
| CN115115127A (zh) | 一种基于深度学习的低压台区智能调控方法及*** | |
| CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
| Buonanno et al. | Comprehensive method for modeling uncertainties of solar irradiance for PV power generation in smart grids | |
| CN114429248A (zh) | 一种变压器视在功率预测方法 | |
| Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
| Yang et al. | Data domain adaptation for voltage stability evaluation considering topology changes | |
| Shayanfar et al. | Wind power prediction model based on hybrid strategy | |
| CN116307111A (zh) | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 | |
| Shterev et al. | Time series prediction with neural networks: a review | |
| Viana et al. | Load forecasting benchmark for smart meter data | |
| Cao et al. | Probabilistic electricity demand forecasting with transformer-guided state space model | |
| Wang et al. | An alternative method for estimating wind-power capacity credit based on reliability evaluation using intelligent search | |
| Zhao et al. | TransOS-ELM: A short-term photovoltaic power forecasting method based on transferred knowledge from similar days |
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 |