CN117874625B - 基于ai和知识库的电力***数据智能处理***与方法 - Google Patents
基于ai和知识库的电力***数据智能处理***与方法 Download PDFInfo
- Publication number
- CN117874625B CN117874625B CN202410085439.2A CN202410085439A CN117874625B CN 117874625 B CN117874625 B CN 117874625B CN 202410085439 A CN202410085439 A CN 202410085439A CN 117874625 B CN117874625 B CN 117874625B
- Authority
- CN
- China
- Prior art keywords
- branch
- current
- power
- data
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 title claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000000926 separation method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000006641 stabilisation Effects 0.000 claims abstract description 8
- 238000011105 stabilization Methods 0.000 claims abstract description 8
- 238000013021 overheating Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 102
- 230000005611 electricity Effects 0.000 claims description 94
- 230000008859 change Effects 0.000 claims description 36
- 230000000087 stabilizing effect Effects 0.000 claims description 17
- 238000003909 pattern recognition Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000010998 test method Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010040844 Skin exfoliation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力检测领域，具体为基于AI和知识库的电力***数据智能处理***与方法，包括：模式识别模块、电流预测模块、线缆测试模块、热稳定模块和支路分离模块，模式识别模块用于训练AI模型构建多维函数组，电流预测模块预测输电支路中的电流大小，线缆测试模块用于分析各支路线材的电阻率，热稳定模块用于计算支路的热损耗，计算稳定电压，支路分离模块用于将过热支路分离出电网，单独供电，本发明能够降低***损耗并提高输电效率，并根据电力***的工况和负荷情况，实时调整发电计划，有助于线路的稳定运行，从而提高***的效率、可靠性和经济性。
Description
技术领域
本发明涉及电力检测领域，具体为基于AI和知识库的电力***数据智能处理***与方法。
背景技术
输电***是指将发电厂产生的电能输送到用电设备的网络，常用的并联输电***由发电厂、变电站、输电线路、供电台区和入户电缆组成，其中，输电线路是将变电站产生的电能高效输送到目标地点的导线***，通常使用高压的交流电进行输送，以减小输送损耗。
输电线路一般为铜质，实际使用中受温度、环境、线路设计和绝缘皮损耗等影响，其线路损耗会发生变化，如果损耗电阻过高，则会导致线路发热严重，不仅影响输电，发热超过材料的热稳定极限后，还可能造成输电线路的破坏，常用技术是通过线路中的热传感器或无人机红外巡检的方式测量沿途线路温度，但各台区用电情况在不断变化，线路中的电流也在变化，由于电流会使线材温度上升，影响线材电阻率，所以这类技术检测误差较大。
此外，发现输电线路过热后，发电厂通常会降低输电电压或切断电力进行线路维修，造成大面积欠电、停电，如何保证并联输电电网的稳定运行也是一个亟待解决的问题。
发明内容
本发明的目的在于提供基于AI和知识库的电力***数据智能处理***与方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：基于AI和知识库的电力***数据智能处理***，包括：模式识别模块、电流预测模块、线缆测试模块、热稳定模块和支路分离模块；
所述模式识别模块用于利用电厂历史发电数据和用户电表中的历史用电数据构建知识库，使用AI模型对所述知识库进行学习，构建线路电流与时间的函数组，并给出每个函数组的使用权重；
所述电流预测模块用于一个用电周期中的获取前序用电数据，通过分析前序用电数据和所述函数组中各函数的拟合程度，从而识别当前各用户的用电模式，预估入户电缆中的电流，将台区内所有入户电缆的电流叠加，预测台区对应输电支路的电流大小；
所述线缆测试模块用于在发电厂进行供电前，向输电网中输出按预设规律变化的电压，利用测试电阻对输电线路进行测试，读取各支路中电流的变化，根据各支路中的电流变化、输电线路的长度和横截面积，分析各支路损耗电阻与电流间的关系；
所述热稳定模块用于利用预估出的支路电流与测试出的损耗电阻，计算支路的热损耗，得到支路线材的单位载热量，当线路的单位载热量高于线路的热稳定极限时，将该线路标记为过热支路，并计算线路的稳定电压；
所述支路分离模块用于利用电网中的并联开关将过热支路分离出电网，作为一条串联支路单独用稳定电压输电，当线路中的预估电流下降到阈值时，停止单独供电，闭合并联开关，将该支路再切回电网。
进一步的，所述模式识别模块包括：电表数据单元、知识库单元和AI学习单元；
所述电表数据单元用于在入户电缆终端的电表内检测用户的用电数据，所述用电数据包括：瞬时用电电流和累积供电电压；
所述知识库单元用于根据历史周期内的用电数据和其他电网内用户的用电数据构建知识库；
所述AI学习单元用于训练AI预测模型，将知识库中的数据输入所述AI预测模型进行学习，使用AI模型拟合出用电数据的共性规律，将所述共性规律输出为函数组，并根据共性规律的出现频率，给出各函数的权重。
进一步的，所述电流预测模块包括：模式识别单元和电流叠加单元；
所述模式识别单元用于获取当前用电周期中用户的前序用电数据，通过分析前序用电数据和所述函数组中各函数的拟合程度，从而识别各用户的用电模式；
所述电流叠加单元用于根据各用户的用电模式，预测未来用电数据，将台区内所有用户的未来用电数据进行叠加，得到支路预测电流。
进一步的，所述线缆测试模块包括：电压调节单元和测试电阻单元；
所述电压调节单元用于按预设的变化规律，调节发电厂输送到输电线路网络中的电压大小；
所述测试电阻单元用于将测试电阻连接到各支路，根据检测到的各支路电流、输电线路的长度和横截面积，计算各支路中线材电阻率与电流间的关系。
进一步的，所述热稳定模块包括：热损耗单元、条件评估单元和稳定电压单元；
所述热损耗单元用于根据支路预测电流和支路线材电阻率，计算支路的热损耗；
所述条件评估单元用于计算线材的单位载热量，当线路的单位载热量高于线路的热稳定极限时，将该线路标记为过热支路；
所述稳定电压单元用于根据计算线材的电阻率，计算过热线路的稳定电压。
进一步的，所述支路分离模块包括：支路切出单元和支路切入单元；
所述支路切出单元用于切断过热支路与电网间的并联开关，将过热支路切换到独立供电线路，按计算出的稳定电压向支路供电；
所述支路切入单元用于在过热支路冷却后，重新将其切回电网。
基于AI和知识库的电力***数据智能处理方法，包括以下步骤：
步骤S1.检测各供电支路的用电数据，利用历史用电数据构建知识库，训练AI模型对所述知识库中的用电数据进行学习，挖掘历史周期内用电数据的共性规律，将所述共性规律输出为多维函数组；
步骤S2.获取当前用电周期内各用户的前序用电数据，分析前序用电数据与步骤S1中所述多维函数组中各函数的拟合程度，识别用户的用电模式，根据所述用电模式，分析未来电流使用情况，得到支路预测电流；
步骤S3.电厂进行供电前，向输电线路中输出按预设规律变化的电压，根据各支路中的电流大小和线材参数，计算各输电支路的电阻率；
步骤S4.根据步骤S2和步骤S3中得到的支路电阻率和预测电流，计算输电支路的热损耗与单位载热量，当一条支路的单位载热量高于线材的热稳定极限时，将该支路标记为过热支路，转到步骤S5；
步骤S5.根据步骤S3中得到的电阻率，计算过热支路的稳定电压，利用并联开关将过热支路分离出电网，作为一条串联支路单独用稳定电压供电，当过热支路的电流在一个周期内恒低于阈值时，闭合并联开关，将过热支路切回电网。
进一步的，步骤S1包括：
步骤S11.从入户电缆终端的电表获取用户的用电数据，所述用电数据包括：供电电压、瞬时电流和用电时间，并计算出用户负载大小，以预设的时长T为一个用电周期，将检测到的数据存入数据库中；
步骤S12.将数据库中的数据进行去噪、筛选和归一化处理后，利用聚类算法收集、整理和记录历史用电数据，根据历史用电数据构建知识库；
步骤S13.利用知识库中的数据训练AI模型，所述AI模型包括：线性回归模型、支持向量机模型、决策树模型、神经网络模型和集成学习模型；
使用AI模型识别出一个周期内用电数据的共性规律，所述共性规律代表用户接入电路的负载随时间的变化规律，以多维函数组的形式输出，所述多维函数组中每一个函数对应一个挖掘出的共性规律；
将多维函数组记作X，所述X={F1（t），F2（t），…，Fn（t）}，其中Fn（t）为函数组中第n个函数，代表用户负载与时间的关系，t代表时间，n代表函数组X中函数的数量。
本步骤能够利用电厂发电数据和用户电表中的用电数据构建知识库，使用AI模型对知识库进行学习，构建线路电流与时间的函数组。
进一步的，步骤S2包括：
步骤S21.从上一个用电周期结束开始计时，将当前时刻记作t0，所述0＜t0＜T，对每一个用户，获取从当前时刻向前数T时长的历史用电数据，将历史用电数据中用户负载随时间的变化R（t）记作前序用电数据；
步骤S22.根据以下公式计算前序用电数据与多维函数组中各函数的拟合程度：
其中，Fi（t）代表多维函数组X中第i个数据，Yi代表前序用电数据与函数Fi（t）的拟合程度，其中i为整数且1≤i≤n；
步骤S23.遍历i的所有可能取值，将拟合程度Yi最小时取得的i值记作决定值a，决定值对应的函数Fa（t）记作该用户的用电模式；
根据用户的用电模式，预测未来的一个周期内该用户的用电电流I（t），所述I（t）=U（t）/Fa（t），其中U（t）为发电厂在未来一个周期内的电压变化函数；
步骤S24.获取输电支路对应的供电台区，以及用户的台区归属情况，对台区归属范围内所有用户的预测用电电流I（t）进行叠加，得到输电支路中的总预测电流IX（t），将所述IX（t）记作该输电支路的支路预测电流。
本步骤能够识别用户的用电模式，预估线路中的电流。
进一步的，步骤S3包括：
步骤S31.供电前，向支路输出测试电压，测试电压的电压值随时间的变化函数记作U1（t），所述U1（t）为单调增函数，且值域大于U（t），在各并联支路中接入电阻值为r0的测试电阻，所述测试电阻起电路保护作用，且r0≥U1(t)/IX(t)恒成立；
步骤S32.对每条并联支路执行电阻率测试方法，计算支路电阻率，所述电阻率测试方法如下：
记录支路中电流的大小随时间的变化函数I1（t），并获取该支路架设时的线材参数，所述线材参数包括：输电线的长度、材质和横截面积；
按以下公式，计算支路在不同时间内的电阻率：
其中，P（t）代表线材电阻率随时间的变化关系，D代表输电线材的横截面积，L代表输电线材的长度；
用I1（t）替换掉P（t）中的自变量，得到复合函数P(I1(t))，由于U1（t）为单调增函数，r0为固定值，因此对于任意的t，都有唯一的I1（t）值，根据函数P(I1(t))，建立输电线路电阻率与电流的关系函数p（I），其中I代表电流，p（I）代表线路中电流为I时的电阻率。
本步骤能够计算在不同供电环境下，线路电阻率的变化情况，克服线损难以量化的问题，测试过程不必每个周期都进行，但提高测试频率有助于对线损的更精确预测。
进一步的，步骤S4包括：
步骤S41.根据支路的电阻率和支路预测电流，计算支路的热损耗：
其中，Q（t）代表支路的热损耗随时间的变化函数，IX（t）代表支路预测电流，t0≤t≤t0+T；
步骤S42.根据计算出的热损耗和支路的长度，计算支路的单位载热量H(t)，所述H(t)=Q(t)/(L·D)；
根据支路中线材的材料，确定支路的热稳定极限M，计算不等式H（t）＞M是否有解，若有解，则将支路标记为过热支路，转到步骤S5，若无解，则不作标记。
进一步的，步骤S5包括：
步骤S51.计算稳定电流IM，所述IM由如下方程解得：M=IM2·L·P(IM)/D，得到稳定电流IM，根据稳定电路IM，计算过热支路的稳定电压UM（t），所述UM（t）=IM·U(t)/IX(t)；
步骤S52.切断并联开关，将过热支路分离出电网，作为独立支路进行供电，供电电压随时间的变化关系为UM（t）；
步骤S53.检测过热支路中的电流，当过热支路中的电流低于设定的阈值超过一个周期的时间，则闭合并联开关，将该过热支路重新切回电网。
与现有技术相比，本发明所达到的有益效果是：
本发明能够利用电厂发电数据和用户电表中的用电数据构建知识库，使用AI模型对知识库进行学习，构建线路电流与时间的函数组，通过分析前序用电数据和各函数的拟合程度，从而识别当前用电模式，预估线路中的电流，根据电力***的工况和负荷情况，实时调整发电计划，以实现最佳效益和资源利用。
本发明能够利用测试电阻对输电线路进行测试，分析各支路输电电阻的变化，预估线路损耗，评估输电线路的负载情况和潜在瓶颈，克服了传统温度传感器和无人机巡检反馈不及时，受环境因素限制等缺点，最大程度地降低***损耗并提高输电效率，以达到资源利用的最优化。
本发明能够自动识别线路的潜在故障风险，将存在风险的支路分离出电网，作为串联支路单独用稳定电压输电，线路中电流下降时再切回电网，避免了对电网的整体降压，有助于线路的稳定运行，从而提高***的效率、可靠性和经济性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明基于AI和知识库的电力***数据智能处理***的结构示意图；
图2是本发明基于AI和知识库的电力***数据智能处理方法的步骤示意图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：基于AI和知识库的电力***数据智能处理***，包括：模式识别模块、电流预测模块、线缆测试模块、热稳定模块和支路分离模块；
所述模式识别模块用于利用电厂历史发电数据和用户电表中的历史用电数据构建知识库，使用AI模型对所述知识库进行学习，构建线路电流与时间的函数组，并给出每个函数组的使用权重；
所述模式识别模块包括：电表数据单元、知识库单元和AI学习单元；
所述电表数据单元用于在入户电缆终端的电表内检测用户的用电数据，所述用电数据包括：瞬时用电电流和累积供电电压；
所述知识库单元用于根据历史周期内的用电数据和其他电网内用户的用电数据构建知识库；
所述AI学习单元用于训练AI预测模型，将知识库中的数据输入所述AI预测模型进行学习，使用AI模型拟合出用电数据的共性规律，将所述共性规律输出为函数组，并根据共性规律的出现频率，给出各函数的权重。
所述电流预测模块用于一个用电周期中的获取前序用电数据，通过分析前序用电数据和所述函数组中各函数的拟合程度，从而识别当前各用户的用电模式，预估入户电缆中的电流，将台区内所有入户电缆的电流叠加，预测台区对应输电支路的电流大小；
所述电流预测模块包括：模式识别单元和电流叠加单元；
所述模式识别单元用于获取当前用电周期中用户的前序用电数据，通过分析前序用电数据和所述函数组中各函数的拟合程度，从而识别各用户的用电模式；
所述电流叠加单元用于根据各用户的用电模式，预测未来用电数据，将台区内所有用户的未来用电数据进行叠加，得到支路预测电流。
所述线缆测试模块用于在发电厂进行供电前，向输电网中输出按预设规律变化的电压，利用测试电阻对输电线路进行测试，读取各支路中电流的变化，根据各支路中的电流变化、输电线路的长度和横截面积，分析各支路损耗电阻与电流间的关系；
所述线缆测试模块包括：电压调节单元和测试电阻单元；
所述电压调节单元用于按预设的变化规律，调节发电厂输送到输电线路网络中的电压大小；
所述测试电阻单元用于将测试电阻连接到各支路，根据检测到的各支路电流、输电线路的长度和横截面积，计算各支路中线材电阻率与电流间的关系。
所述热稳定模块用于利用预估出的支路电流与测试出的损耗电阻，计算支路的热损耗，得到支路线材的单位载热量，当线路的单位载热量高于线路的热稳定极限时，将该线路标记为过热支路，并计算线路的稳定电压；
所述热稳定模块包括：热损耗单元、条件评估单元和稳定电压单元；
所述热损耗单元用于根据支路预测电流和支路线材电阻率，计算支路的热损耗；
所述条件评估单元用于计算线材的单位载热量，当线路的单位载热量高于线路的热稳定极限时，将该线路标记为过热支路；
所述稳定电压单元用于根据计算线材的电阻率，计算过热线路的稳定电压。
所述支路分离模块用于利用电网中的并联开关将过热支路分离出电网，作为一条串联支路单独用稳定电压输电，当线路中的预估电流下降到阈值时，停止单独供电，闭合并联开关，将该支路再切回电网。
所述支路分离模块包括：支路切出单元和支路切入单元；
所述支路切出单元用于切断过热支路与电网间的并联开关，将过热支路切换到独立供电线路，按计算出的稳定电压向支路供电；
所述支路切入单元用于在过热支路冷却后，重新将其切回电网。
如图2所示，基于AI和知识库的电力***数据智能处理方法，包括以下步骤：
步骤S1.检测各供电支路的用电数据，利用历史用电数据构建知识库，训练AI模型对所述知识库中的用电数据进行学习，挖掘历史周期内用电数据的共性规律，将所述共性规律输出为多维函数组；
步骤S1包括：
步骤S11.从入户电缆终端的电表获取用户的用电数据，所述用电数据包括：供电电压、瞬时电流和用电时间，并计算出用户负载大小，以预设的时长T为一个用电周期，将检测到的数据存入数据库中；
步骤S12.将数据库中的数据进行去噪、筛选和归一化处理后，利用聚类算法收集、整理和记录历史用电数据，根据历史用电数据构建知识库；
步骤S13.利用知识库中的数据训练AI模型，所述AI模型包括：线性回归模型、支持向量机模型、决策树模型、神经网络模型和集成学习模型；
使用AI模型识别出一个周期内用电数据的共性规律，所述共性规律代表用户接入电路的负载随时间的变化规律，以多维函数组的形式输出，所述多维函数组中每一个函数对应一个挖掘出的共性规律；
将多维函数组记作X，所述X={F1（t），F2（t），…，Fn（t）}，其中Fn（t）为函数组中第n个函数，代表用户负载与时间的关系，t代表时间，n代表函数组X中函数的数量。
步骤S2.获取当前用电周期内各用户的前序用电数据，分析前序用电数据与步骤S1中所述多维函数组中各函数的拟合程度，识别用户的用电模式，根据所述用电模式，分析未来电流使用情况，得到支路预测电流；
步骤S2包括：
步骤S21.从上一个用电周期结束开始计时，将当前时刻记作t0，所述0＜t0＜T，对每一个用户，获取从当前时刻向前数T时长的历史用电数据，将历史用电数据中用户负载随时间的变化R（t）记作前序用电数据；
步骤S22.根据以下公式计算前序用电数据与多维函数组中各函数的拟合程度：
其中，Fi（t）代表多维函数组X中第i个数据，Yi代表前序用电数据与函数Fi（t）的拟合程度，其中i为整数且1≤i≤n；
步骤S23.遍历i的所有可能取值，将拟合程度Yi最小时取得的i值记作决定值a，决定值对应的函数Fa（t）记作该用户的用电模式；
根据用户的用电模式，预测未来的一个周期内该用户的用电电流I（t），所述I（t）=U（t）/Fa（t），其中U（t）为发电厂在未来一个周期内的电压变化函数；
步骤S24.获取输电支路对应的供电台区，以及用户的台区归属情况，对台区归属范围内所有用户的预测用电电流I（t）进行叠加，得到输电支路中的总预测电流IX（t），将所述IX（t）记作该输电支路的支路预测电流。
步骤S3.电厂进行供电前，向输电线路中输出按预设规律变化的电压，根据各支路中的电流大小和线材参数，计算各输电支路的电阻率；
步骤S3包括：
步骤S31.供电前，向支路输出测试电压，测试电压的电压值随时间的变化函数记作U1（t），所述U1（t）为单调增函数，且值域大于U（t），在各并联支路中接入电阻值为r0的测试电阻，所述测试电阻起电路保护作用，且r0≥U1(t)/IX(t)恒成立；
步骤S32.对每条并联支路执行电阻率测试方法，计算支路电阻率，所述电阻率测试方法如下：
记录支路中电流的大小随时间的变化函数I1（t），并获取该支路架设时的线材参数，所述线材参数包括：输电线的长度、材质和横截面积；
按以下公式，计算支路在不同时间内的电阻率：
其中，P（t）代表线材电阻率随时间的变化关系，D代表输电线材的横截面积，L代表输电线材的长度；
用I1（t）替换掉P（t）中的自变量，得到复合函数P(I1(t))，由于U1（t）为单调增函数，r0为固定值，因此对于任意的t，都有唯一的I1（t）值，根据函数P(I1(t))，建立输电线路电阻率与电流的关系函数p（I），其中I代表电流，p（I）代表线路中电流为I时的电阻率。
步骤S4.根据步骤S2和步骤S3中得到的支路电阻率和预测电流，计算输电支路的热损耗与单位载热量，当一条支路的单位载热量高于线材的热稳定极限时，将该支路标记为过热支路，转到步骤S5；
步骤S4包括：
步骤S41.根据支路的电阻率和支路预测电流，计算支路的热损耗：
其中，Q（t）代表支路的热损耗随时间的变化函数，IX（t）代表支路预测电流，t0≤t≤t0+T；
步骤S42.根据计算出的热损耗和支路的长度，计算支路的单位载热量H(t)，所述H(t)=Q(t)/(L·D)；
根据支路中线材的材料，确定支路的热稳定极限M，计算不等式H（t）＞M是否有解，若有解，则将支路标记为过热支路，转到步骤S5，若无解，则不作标记。
步骤S5.根据步骤S3中得到的电阻率，计算过热支路的稳定电压，利用并联开关将过热支路分离出电网，作为一条串联支路单独用稳定电压供电，当过热支路的电流在一个周期内恒低于阈值时，闭合并联开关，将过热支路切回电网。
步骤S5包括：
步骤S51.计算稳定电流IM，所述IM由如下方程解得：M=IM2·L·P(IM)/D，根据稳定电路IM，计算过热支路的稳定电压UM（t），所述UM（t）=IM·U(t)/IX(t)；
步骤S52.切断并联开关，将过热支路分离出电网，作为独立支路进行供电，供电电压随时间的变化关系为UM（t）；
步骤S53.检测过热支路中的电流，当过热支路中的电流低于设定的阈值超过一个周期的时间，则闭合并联开关，将该过热支路重新切回电网。
实施例1，以24小时为一个周期，利用区域内所有用户的用电数据构建知识库，AI分析后得到用户的3个用电模式，分别记作F1（t）、F2（t）和F3（t），采集每一个用户在过去24小时内的用电数据，计算用户相对于3个用电模式的拟合程度，得到向该区域供电支路的预测电流IX（t）=10·t；
利用测试电压对输电线路进行测试，得到输电线路电阻率和电流的关系p(t)=0.2·I，支路的横截面积D=4m2，长度L=2000m，则该支路的总热损耗Q（t）= 10000·t3，单位载热量H（t）=1.25·t3，当t=24时，单位载热量为 17.28KJ/m3，若输电线的材质可承受的单位载热量为15KJ/m3，则将支路标记为过热支路，将其切出电网单独供电。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.基于AI和知识库的电力***数据智能处理方法，其特征在于，所述方法包括以下步骤：
步骤S1.检测各供电支路的用电数据，利用历史用电数据构建知识库，训练AI模型对所述知识库中的用电数据进行学习，挖掘历史周期内用电数据的共性规律，将所述共性规律输出为多维函数组；
步骤S2.获取当前用电周期内各用户的前序用电数据，分析前序用电数据与步骤S1中所述多维函数组中各函数的拟合程度，识别用户的用电模式，根据所述用电模式，分析未来电流使用情况，得到支路预测电流；
步骤S3.电厂进行供电前，向输电线路中输出按预设规律变化的电压，根据各支路中的电流大小和线材参数，计算各输电支路的电阻率；
步骤S4.根据步骤S2和步骤S3中得到的支路电阻率和预测电流，计算输电支路的热损耗与单位载热量，当一条支路的单位载热量高于线材的热稳定极限时，将该支路标记为过热支路，转到步骤S5；
步骤S5.根据步骤S3中得到的电阻率，计算过热支路的稳定电压，利用并联开关将过热支路分离出电网，作为一条串联支路单独用稳定电压供电，当过热支路的电流在一个周期内恒低于阈值时，闭合并联开关，将过热支路切回电网；
步骤S1包括：
步骤S11.从入户电缆终端的电表获取用户的用电数据，所述用电数据包括：供电电压、瞬时电流和用电时间，并计算出用户负载大小，以预设的时长T为一个用电周期，将检测到的数据存入数据库中；
步骤S12.将数据库中的数据进行去噪、筛选和归一化处理后，利用聚类算法收集、整理和记录历史用电数据，根据历史用电数据构建知识库；
步骤S13.利用知识库中的数据训练AI模型，所述AI模型包括：线性回归模型、支持向量机模型、决策树模型、神经网络模型和集成学习模型；
使用AI模型识别出一个周期内用电数据的共性规律，所述共性规律代表用户接入电路的负载随时间的变化规律，以多维函数组的形式输出，所述多维函数组中每一个函数对应一个挖掘出的共性规律；
将多维函数组记作X，所述X={F1（t），F2（t），…，Fn（t）}，其中Fn（t）为函数组中第n个函数，代表用户负载与时间的关系，t代表时间，n代表函数组X中函数的数量；
步骤S2包括：
步骤S21.从上一个用电周期结束开始计时，将当前时刻记作t0，所述0＜t0＜T，对每一个用户，获取从当前时刻向前数T时长的历史用电数据，将历史用电数据中用户负载随时间的变化R（t）记作前序用电数据；
步骤S22.根据以下公式计算前序用电数据与多维函数组中各函数的拟合程度：
，其中，Fi（t）代表多维函数组X中第i个数据，Yi代表前序用电数据与函数Fi（t）的拟合程度，其中i为整数且1≤i≤n；
步骤S23.遍历i的所有可能取值，将拟合程度Yi最小时取得的i值记作决定值a，决定值对应的函数Fa（t）记作该用户的用电模式；
根据用户的用电模式，预测未来的一个周期内该用户的用电电流I（t），所述I（t）=U（t）/Fa（t），其中U（t）为发电厂在未来一个周期内的电压变化函数；
步骤S24.获取输电支路对应的供电台区，以及用户的台区归属情况，对台区归属范围内所有用户的预测用电电流I（t）进行叠加，得到输电支路中的总预测电流IX（t），将所述IX（t）记作该输电支路的支路预测电流。
2.根据权利要求1所述的基于AI和知识库的电力***数据智能处理方法，其特征在于：步骤S3包括：
步骤S31.供电前，向支路输出测试电压，测试电压的电压值随时间的变化函数记作U1（t），所述U1（t）为单调增函数，且值域大于U（t），在各并联支路中接入电阻值为r0的测试电阻，所述测试电阻起电路保护作用，且r0≥U1(t)/IX(t)恒成立；
步骤S32.对每条并联支路执行电阻率测试方法，计算支路电阻率，所述电阻率测试方法如下：
记录支路中电流的大小随时间的变化函数I1（t），并获取该支路架设时的线材参数，所述线材参数包括：输电线的长度、材质和横截面积；
按以下公式，计算支路在不同时间内的电阻率：
，其中，P（t）代表线材电阻率随时间的变化关系，D代表输电线材的横截面积，L代表输电线材的长度；
用I1（t）替换掉P（t）中的自变量，得到复合函数P(I1(t))，由于U1（t）为单调增函数，r0为固定值，因此对于任意的t，都有唯一的I1（t）值，根据函数P(I1(t))，建立输电线路电阻率与电流的关系函数p（I），其中I代表电流，p（I）代表线路中电流为I时的电阻率。
3.根据权利要求2所述的基于AI和知识库的电力***数据智能处理方法，其特征在于：步骤S4包括：
步骤S41.根据支路的电阻率和支路预测电流，计算支路的热损耗：
，其中，Q（t）代表支路的热损耗随时间的变化函数，IX（t）代表支路预测电流，t0≤t≤t0+T；
步骤S42.根据计算出的热损耗和支路的长度，计算支路的单位载热量H(t)，所述H(t)=Q(t)/(L·D)；
根据支路中线材的材料，确定支路的热稳定极限M，计算不等式H（t）＞M是否有解，若有解，则将支路标记为过热支路，转到步骤S5，若无解，则不作标记；
步骤S5包括：
步骤S51.计算稳定电流IM，所述IM由如下方程解得：M=IM2·L·P(IM)/D，得到稳定电流IM，根据稳定电路IM，计算过热支路的稳定电压UM（t），所述UM（t）=IM·U(t)/IX(t)；
步骤S52.切断并联开关，将过热支路分离出电网，作为独立支路进行供电，供电电压随时间的变化关系为UM（t）；
步骤S53.检测过热支路中的电流，当过热支路中的电流低于设定的阈值超过一个周期的时间，则闭合并联开关，将该过热支路重新切回电网。
4.基于AI和知识库的电力***数据智能处理***，所述***执行权利要求1中所述的基于AI和知识库的电力***数据智能处理方法，其特征在于：包括以下模块：模式识别模块、电流预测模块、线缆测试模块、热稳定模块和支路分离模块；
所述模式识别模块用于利用电厂历史发电数据和用户电表中的历史用电数据构建知识库，使用AI模型对所述知识库进行学习，构建线路电流与时间的函数组，并给出每个函数组的使用权重；
所述电流预测模块用于一个用电周期中的获取前序用电数据，通过分析前序用电数据和所述函数组中各函数的拟合程度，从而识别当前各用户的用电模式，预估入户电缆中的电流，将台区内所有入户电缆的电流叠加，预测台区对应输电支路的电流大小；
所述线缆测试模块用于在发电厂进行供电前，向输电网中输出按预设规律变化的电压，利用测试电阻对输电线路进行测试，读取各支路中电流的变化，根据各支路中的电流变化、输电线路的长度和横截面积，分析各支路损耗电阻与电流间的关系；
所述热稳定模块用于利用预估出的支路电流与测试出的损耗电阻，计算支路的热损耗，得到支路线材的单位载热量，当线路的单位载热量高于线路的热稳定极限时，将该线路标记为过热支路，并计算线路的稳定电压；
所述支路分离模块用于利用电网中的并联开关将过热支路分离出电网，作为一条串联支路单独用稳定电压输电，当线路中的预估电流下降到阈值时，停止单独供电，闭合并联开关，将该支路再切回电网；
所述模式识别模块包括：电表数据单元、知识库单元和AI学习单元；
所述电表数据单元用于在入户电缆终端的电表内检测用户的用电数据，所述用电数据包括：瞬时用电电流和累积供电电压；
所述知识库单元用于根据历史周期内的用电数据和其他电网内用户的用电数据构建知识库；
所述AI学习单元用于训练AI预测模型，将知识库中的数据输入所述AI预测模型进行学习，使用AI模型拟合出用电数据的共性规律，将所述共性规律输出为函数组，并根据共性规律的出现频率，给出各函数的权重；
所述电流预测模块包括：模式识别单元和电流叠加单元；
所述模式识别单元用于获取当前用电周期中用户的前序用电数据，通过分析前序用电数据和所述函数组中各函数的拟合程度，从而识别各用户的用电模式；
所述电流叠加单元用于根据各用户的用电模式，预测未来用电数据，将台区内所有用户的未来用电数据进行叠加，得到支路预测电流；
所述线缆测试模块包括：电压调节单元和测试电阻单元；
所述电压调节单元用于按预设的变化规律，调节发电厂输送到输电线路网络中的电压大小；
所述测试电阻单元用于将测试电阻连接到各支路，根据检测到的各支路电流、输电线路的长度和横截面积，计算各支路中线材电阻率与电流间的关系。
5.根据权利要求4所述的基于AI和知识库的电力***数据智能处理***，其特征在于：所述热稳定模块包括：热损耗单元、条件评估单元和稳定电压单元；
所述热损耗单元用于根据支路预测电流和支路线材电阻率，计算支路的热损耗；
所述条件评估单元用于计算线材的单位载热量，当线路的单位载热量高于线路的热稳定极限时，将该线路标记为过热支路；
所述稳定电压单元用于根据计算线材的电阻率，计算过热线路的稳定电压。
6.根据权利要求5所述的基于AI和知识库的电力***数据智能处理***，其特征在于：所述支路分离模块包括：支路切出单元和支路切入单元；
所述支路切出单元用于切断过热支路与电网间的并联开关，将过热支路切换到独立供电线路，按计算出的稳定电压向支路供电；
所述支路切入单元用于在过热支路冷却后，重新将其切回电网。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410085439.2A CN117874625B (zh) | 2024-01-22 | 2024-01-22 | 基于ai和知识库的电力***数据智能处理***与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410085439.2A CN117874625B (zh) | 2024-01-22 | 2024-01-22 | 基于ai和知识库的电力***数据智能处理***与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117874625A CN117874625A (zh) | 2024-04-12 |
| CN117874625B true CN117874625B (zh) | 2024-06-14 |
Family
ID=90577147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410085439.2A Active CN117874625B (zh) | 2024-01-22 | 2024-01-22 | 基于ai和知识库的电力***数据智能处理***与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117874625B (zh) |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102904286B (zh) * | 2012-10-23 | 2014-10-29 | 深圳市长昊机电有限公司 | 一种并网逆变器及其控制方法 |
| CN104505821A (zh) * | 2014-11-05 | 2015-04-08 | 国家电网公司 | 一种控制短路电流水平的电网运行方式优化方法 |
| EP3206286A1 (de) * | 2016-02-10 | 2017-08-16 | GE Energy Power Conversion Technology Ltd | Gate voltage overdrive for short term peak current control of igbt switches |
| WO2019177748A1 (en) * | 2018-03-12 | 2019-09-19 | General Electric Company | A power generation system and a method for operating the same |
| CN111932015B (zh) * | 2020-08-12 | 2023-06-16 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及*** |
| CN114819425A (zh) * | 2022-06-30 | 2022-07-29 | 国网湖北省电力有限公司信息通信公司 | 一种区域用电量智能预测方法、***及存储介质 |
| CN115330531B (zh) * | 2022-09-05 | 2023-12-22 | 南方电网数字电网研究院有限公司 | 一种基于用电变动周期的企业风险预测方法 |
| CN116384580A (zh) * | 2023-04-11 | 2023-07-04 | 国网北京市电力公司 | 一种基于多维预测模型的售电量预测*** |
| CN116757062A (zh) * | 2023-05-09 | 2023-09-15 | 中国南方电网有限责任公司 | 电力负荷频率特性分析方法、装置、设备和存储介质 |
| CN116703491A (zh) * | 2023-06-19 | 2023-09-05 | 东北电力大学 | 一种计及负荷率水平的电力市场偏差电量定价方法 |
| CN117421622A (zh) * | 2023-09-05 | 2024-01-19 | 云南电网有限责任公司临沧供电局 | 基于聚类算法的低压台区线损计算方法及*** |
| CN117113044A (zh) * | 2023-09-08 | 2023-11-24 | 国网湖北省电力有限公司电力科学研究院 | 一种电网线损的智能预测分析方法及*** |
| CN117313018B (zh) * | 2023-11-29 | 2024-01-30 | 国网浙江省电力有限公司 | 一种电力输电线路异常状态识别方法及*** |
-
2024
- 2024-01-22 CN CN202410085439.2A patent/CN117874625B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 基于图像识别技术的***漏斗成腔规律研究;林巳晶;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20200415(第2020（04）期);C028-1 * |
| 聚变装置离子回旋共振加热天线高热负荷部件的热特性研究;宋伟;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》;20210113(第2021（01）期);C040-116 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117874625A (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116069079B (zh) | 一种智能开关柜的散热智能控制方法及*** | |
| AU2019388238B2 (en) | System and method for controlling photovoltaic balancing | |
| US20220029423A1 (en) | System and method for controlling solar photovoltaic power generation on basis of machine learning | |
| CN106384186A (zh) | 一种分布式新能源并网电能质量监控方法及*** | |
| JP2017073371A (ja) | 蓄電池保全装置、及び、蓄電池保全方法 | |
| CN112582992B (zh) | 直流微网支路联动控制***及方法 | |
| CN102393929A (zh) | 配电网设备状态评估***的状态检修控制方法 | |
| CN108512222A (zh) | 一种智能变电站综合自动化*** | |
| CN102230948A (zh) | 有源式高压直流开关振荡回路参数在线测量***及其方法 | |
| CN117874625B (zh) | 基于ai和知识库的电力***数据智能处理***与方法 | |
| CN117526344A (zh) | 一种配电网无功电压控制优化方法及*** | |
| CN112731827A (zh) | 一种用于电力设备的智能传感器的监控*** | |
| CN112001550A (zh) | 一种变电站多点电能质量监测*** | |
| Asheibi et al. | Analyzing harmonic monitoring data using supervised and unsupervised learning | |
| CN112241812B (zh) | 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 | |
| CN112699104A (zh) | 一种电力设备的智能传感器的数据处理方法及智能传感器 | |
| Yao et al. | Research on topology generation and fault prediction technology of low voltage distribution network based on state perception | |
| CN116629565B (zh) | 一种基于平台化的供电服务能力提升方法及*** | |
| Wang et al. | Impedance Ground Faults Detection and Classification Method for DC Microgrid | |
| CN110548701B (zh) | 一种适用于空心电抗器的质量检测装置及质量检测方法 | |
| Bindi et al. | Assessment of the health status of Medium Voltage lines through a complex neural network | |
| CN117728421B (zh) | 微电网集群协调调度方法、***、计算机设备和存储介质 | |
| CN114047372B (zh) | 一种基于电压特征的台区拓扑辨识*** | |
| CN117216706B (zh) | 一种配电网数据异常溯源方法、***、计算机设备及介质 | |
| CN113408892B (zh) | 一种保障多能互补微网分层协同调控***及其调控方法 |
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 |