技术新讯 > 测量装置的制造及其应用技术 > 一种用于低压运行的配电系统维修监测方法与流程  >  正文

一种用于低压运行的配电系统维修监测方法与流程

  • 国知局
  • 2024-09-11 15:00:07

本发明涉及配电系统维修的,尤其涉及一种用于低压运行的配电系统维修监测方法。

背景技术:

1、在现代社会中,电力供应对人们的生活和工作起着至关重要的作用。低压配电系统作为连接电源和终端设备之间的桥梁,承担着将电能传输到各个用电设备的重要任务。然而,由于低压配电系统长时间运行、环境影响等因素,其存在着各种潜在的故障风险,如线路老化、接触不良、短路等问题,这些故障如果得不到及时检测和修复可能会导致供电中断、安全事故甚至火灾等严重后果。针对该问题,本发明提出一种用于低压运行的配电系统维修监测方法,通过多维数据感知分析,及时检测并解决低压配电系统中的问题,提高电力系统的可靠性,减少停电次数,提升供电质量。

技术实现思路

1、有鉴于此,本发明提供一种用于低压运行的配电系统维修监测方法,目的在于:1)采集待监测配电网络中不同配电节点的低压配电数据,并计算不同配电节点之间线路的导纳以及阻抗参数,实现配电线路运行参数的识别处理,并基于识别得到的运行参数,计算得到配电节点的实时电压与电流的相角,结合配电网络中所有配电线路的运行参数,计算得到每个配电节点的电压幅值预测值,若电压幅值预测值与实际值的偏差过大,则表示该配电节点处于未配电状态,导致无法通过潮流计算方式进行电压幅值预测,实现配电网络中配电节点的实时开关支路状态计算;2)构建故障节点监测模型,依次采用卷积计算、图注意力权重计算以及故障率映射的方式对不同配电节点的实时故障率进行计算,并在模型构建过程中,采用线性下降的迭代行为控制参数控制模型参数向量在迭代初期具有较大的迭代步长,并结合迭代后模型参数向量的目标函数值与迭代前目标函数值的大小比较,利用迭代平衡算子进行优化反馈,当迭代得到更优解时加快收敛速度,否则维持当前探索能力,进行局部搜索,实现模型参数向量的自适应迭代。

2、实现上述目的,本发明提供的一种用于低压运行的配电系统维修监测方法,包括以下步骤:

3、s1:采集低压配电数据,对待监测配电网络中的配电节点进行参数识别,得到待监测配电网络中配电节点的运行参数,其中潮流分析为所述参数识别的主要实施方法,运行参数包括配电节点的导纳以及阻抗;

4、s2:基于识别得到的运行参数,实时计算得到配电节点的电压幅值预测值与实际值的偏差,确定配电节点的实时开关支路状态;

5、s3:构建故障节点监测模型,所述故障节点监测模型以配电节点的运行参数、有功功率、无功功率以及实时开关支路状态为输入,以配电节点的实时故障率为输出,其中图卷积神经网络为所述故障支路监测模型的主要实施方法;

6、s4:对故障节点监测模型中的模型参数向量进行优化求解,得到优化后的故障节点监测模型,利用优化后的故障节点监测模型对待监测配电网络中的配电节点进行监测,得到需要进行维修的配电节点。

7、作为本发明的进一步改进方法:

8、可选地,所述s1步骤中采集低压配电数据,包括:

9、采集待监测配电网络中配电节点的低压配电数据,其中每个配电节点的低压配电数据的采集时刻均相同,所采集低压配电数据的表示形式为:

10、{en=(un,pn,qn)|n∈[1,n]}

11、un=(un(1),un(2),...,un(m),...,un(m))

12、pn=(pn(1),pn(2),...,pn(m),...,pn(m))

13、qn=(qn(1),qn(2),...,qn(m),...,qn(m))

14、其中:

15、en表示待监测配电网络中第n个配电节点的低压配电数据,n表示待检测配电网络中配电节点的数目;

16、un表示待监测配电网络中第n个配电节点的电压数据序列;

17、un(1),un(2),...,un(m),...,un(m)表示待监测配电网络中第n个配电节点在m个连续时刻的电压数据,un(m)表示待监测配电网络中第n个配电节点在第m个时刻的电压数据;

18、pn表示待监测配电网络中第n个配电节点的有功功率数据序列;

19、pn(1),pn(2),...,pn(m),...,pn(m)表示待监测配电网络中第n个配电节点在m个连续时刻的有功功率数据,pn(m)表示待监测配电网络中第n个配电节点在第m个时刻的有功功率数据;

20、qn表示待监测配电网络中第n个配电节点的无功功率数据序列;

21、qn(1),qn(2),...,qn(m),...,qn(m)表示待监测配电网络中第n个配电节点在m个连续时刻的无功功率数据,pn(m)表示待监测配电网络中第n个配电节点在第m个时刻的无功功率数据;

22、基于低压配电数据对待监测配电网络中的配电节点进行参数识别,得到待监测配电网络中配电节点的运行参数。在本发明实施例中,每个配电节点的低压配电数据的采集时刻均相同。

23、可选地,所述对待监测配电网络中的配电节点进行参数识别,得到待监测配电网络中配电节点的运行参数,包括:

24、对待监测配电网络中的配电节点进行参数识别,得到待监测配电网络中配电节点的运行参数,其中潮流分析为所述参数识别的主要实施方法,参数识别流程为:

25、s11:基于低压配电数据,构成待监测配电网络中n个配电节点的电压向量u、有功功率向量p以及无功功率向量q:

26、u=[u1,u2,...,un,...,un]t

27、p=[p1,p2,...,pn,...,pn]t

28、q=[q1,q2,...,qn,...,qn]t

29、其中:

30、t表示转置;

31、s12:计算得到待监测配电网络中n个配电节点的阻抗矩阵:

32、

33、z=(z(i,j))n×n=re(z)+im(z)

34、re(z)=(re[z(i,j)])n×n

35、im(z)=(im[z(i,j)])n×n

36、z(i,j)=re[z(i,j)]+im[z(i,j)]

37、其中:

38、z表示待监测配电网络中n个配电节点的阻抗矩阵,z(i,j)表示待监测配电网络中第i个配电节点与第j个配电节点之间线路的阻抗,i∈[1,n],j∈[1,n];

39、re[z(i,j)]表示阻抗z(i,j)中的实部,im[z(i,j)]表示阻抗z(i,j)中的虚部,re(z)表示待监测配电网络中n个配电节点的实部阻抗矩阵,im(z)表示待监测配电网络中n个配电节点的虚部阻抗矩阵;

40、s13:计算得到待监测配电网络中n个配电节点的导纳矩阵:

41、

42、其中:

43、b表示待监测配电网络中n个配电节点的导纳矩阵,b=(b(i,j))n×n,b(i,j)表示待监测配电网络中第i个配电节点与第j个配电节点之间线路的导纳;

44、s14:构成待监测配电网络中配电节点的运行参数:

45、{sn=(zn,bn)|n∈[1,n]}

46、其中:

47、sn表示待监测配电网络中第n个配电节点的运行参数;

48、zn表示阻抗矩阵z中的第n行,对应第n个配电节点与其他配电节点之间线路的阻抗;

49、bn表示导纳矩阵b中的第n行,对应第n个配电节点与其他配电节点之间线路的导纳。

50、可选地,所述s2步骤中基于识别得到的运行参数,实时计算得到配电节点的电压幅值预测值与实际值的偏差,包括:

51、基于识别得到的运行参数,实时计算得到配电节点的电压幅值预测值与实际值的偏差,其中待监测配电网络中第n个配电节点在当前时刻t的偏差计算流程为:

52、s21:获取待监测配电网络中第n个配电节点在当前时刻t的电压un(t)、有功功率pn(t)以及无功功率qn(t);

53、s22:获取待监测配电网络中第n个配电节点的运行参数sn,并计算得到第n个配电节点与其他配电节点之间线路在当前时刻t的相角,其中待监测配电网络中第n个配电节点与第j个配电节点之间线路在当前时刻t的相角为:

54、αnj(t)=im[z(n,j)]pn(t)-re[z(n,j)]qn(t)

55、其中:

56、αnj(t)表示待监测配电网络中第n个配电节点与第j个配电节点之间线路在当前时刻t的相角,j∈[1,n];

57、s23:计算得到待监测配电网络中第n个配电节点在当前时刻t的电压幅值预测值u(t):

58、u(t)=u1(t)+u2(t)

59、

60、

61、其中:

62、u(t)表示待监测配电网络中第n个配电节点在当前时刻t的电压幅值预测值;

63、u1(t)表示电压幅值预测值u(t)中的实部,u2(t)表示电压幅值预测值u(t)中的虚部;

64、s24:计算得到待监测配电网络中第n个配电节点在当前时刻t的电压幅值预测值与实际值的偏差cn(t):

65、cn(t)=exp{[u(t)-un(t)]2}

66、其中:

67、exp(·)表示以自然常数为底的指数函数;

68、根据偏差计算结果确定配电节点的实时开关支路状态。

69、可选地,所述确定配电节点的实时开关支路状态,包括:

70、确定配电节点的实时开关支路状态,其中待监测配电网络中第n个配电节点在当前时刻t的开关支路状态为:

71、

72、其中:

73、βn(t)表示待监测配电网络中第n个配电节点在当前时刻t的开关支路状态,βn(t)=1表示待监测配电网络中第n个配电节点在当前时刻t处于配电状态,βn(t)=0表示待监测配电网络中第n个配电节点在当前时刻t处于未配电状态。

74、可选地,所述s3步骤中构建故障节点监测模型,包括:

75、构建故障节点监测模型,所述故障节点监测模型以配电节点的运行参数、有功功率、无功功率以及实时开关支路状态为输入,以配电节点的实时故障率为输出,其中图卷积神经网络为所述故障支路监测模型的主要实施方法,故障支路监测模型包括输入层、卷积计算层、图注意力权重计算层、故障率映射层以及输出层;

76、输入层用于接收以配电节点的运行参数、有功功率、无功功率以及实时开关支路状态;

77、卷积计算层用于对配电节点的有功功率、无功功率以及实时开关支路状态进行卷积计算;

78、图注意力权重计算层用于提取当前配电节点所对应运行参数在待监测配电网络中的注意力权重;

79、故障率映射层用于结合注意力权重对卷积计算结果进行映射,得到配电节点的实时故障率;

80、输出层用于输出配电节点的实时故障率。

81、可选地,所述s4步骤中对故障节点监测模型中的模型参数向量进行优化求解,得到优化后的故障节点监测模型,包括:

82、对故障节点监测模型中的模型参数向量进行优化求解,其中优化求解流程为:

83、s41:获取h组配电节点的运行参数、有功功率、无功功率、实时开关支路状态以及故障检测结果作为训练数据集data:

84、data={eh=(sh,ph,qh,rh,yh)|h∈[1,h]}

85、其中:

86、eh表示训练数据集data中的第h组配电节点数据;

87、sh,ph,qh,rh依次为第h组配电节点的运行参数、有功功率、无功功率、实时开关支路状态以及故障检测结果,yh=1表示第h组配电节点存在故障,yh=0表示第h组配电节点不存在故障;

88、s42:初始化生成故障节点监测模型中的模型参数向量θ(0)=(w1(0),b1(0),w2(0)),其中w1(0),b1(0),w2(0)依次为初始化生成的卷积计算层中的卷积参数矩阵、偏置参数以及故障率映射层中的映射参数矩阵;

89、s43:设置模型参数向量的当前迭代次数为d,最大迭代次数为max,d的初始值为0,则模型参数向量的第d次迭代结果为θ(d)=(w1(d),b1(d),w2(d));构建模型参数向量优化求解的目标函数;

90、s44:将模型参数向量的第d次迭代结果作为目标函数的输入:

91、

92、atth=[atth(1),atth(2),...,atth(g),...,atth(h)]

93、

94、sh=((z(h,g))1×h,(b(h,g))1×h)

95、其中:

96、atth表示第h组配电节点所对应运行参数的注意力权重,z(h,g)表示第h组配电节点与第g组配电节点之间线路的阻抗,b(h,g)表示第h组配电节点与第g组配电节点之间线路的导纳,g∈[1,h];

97、表示将第h组配电节点数据作为基于模型参数向量θ(d)所构建的故障节点监测模型的输入,故障节点监测模型输出的第h组配电节点的实时故障率;

98、l(θ(d))表示将模型参数向量的第d次迭代结果作为输入的目标函数值;

99、s45:选取d次迭代结果中目标函数值最小的迭代结果作为当前最优搜索个体

100、s46:对模型参数向量的第d次迭代结果进行迭代处理:

101、

102、其中:

103、vd表示迭代行为控制参数,σ表示迭代频率,将σ设置为2;

104、kd表示迭代平衡算子;

105、rand(0,1)表示0-1之间的随机数,rand(0,2π)表示0-2π之间的随机数;

106、表示之间的欧式距离;

107、s47:令d=d+1,返回步骤s44,直到达到最大迭代次数;

108、s48:从max次迭代结果中选取使得目标函数值最小的迭代结果作为模型参数向量的求解结果θ*=(w1,b1,w2),并构建得到优化后的故障节点监测模型;

109、利用优化后的故障节点监测模型对待监测配电网络中的配电节点进行监测,得到需要进行维修的配电节点。

110、可选地,所述利用优化后的故障节点监测模型对待监测配电网络中的配电节点进行监测,得到需要进行维修的配电节点,包括:

111、利用优化后的故障节点监测模型对待监测配电网络中的配电节点进行监测,其中待监测配电网络中第n个配电节点在当前时刻t的监测流程为:

112、输入层接收以待监测配电网络中第n个配电节点的运行参数sn、有功功率pn(t)、无功功率qn(t)以及实时开关支路状态βn(t);

113、卷积计算层对待监测配电网络中第n个配电节点的有功功率、无功功率以及实时开关支路状态进行卷积计算:

114、

115、其中:

116、w1表示卷积计算层中的卷积参数矩阵;

117、*表示卷积处理;

118、b1表示卷积计算层中的偏置参数;

119、表示待监测配电网络中第n个配电节点的卷积计算结果;

120、图注意力权重计算层提取第n个配电节点所对应运行参数sn在待监测配电网络中的注意力权重:

121、attn=[attn(1),attn(2),...,attn(j),...,attn(n)]

122、

123、其中:

124、attn表示第n个配电节点所对应运行参数sn在待监测配电网络中的注意力权重;

125、attn(j)表示待监测配电网络中第j个配电节点对第n个配电节点的运行参数影响权重;

126、故障率映射层结合注意力权重对卷积计算结果进行映射,得到第n个配电节点的实时故障率

127、

128、其中:

129、表示待监测配电网络中第n个配电节点在当前时刻t的实时故障率;

130、w2表示故障率映射层中的映射参数矩阵;

131、输出层输出第n个配电节点的实时故障率

132、若配电节点的实时故障率高于预设的阈值,则将该配电节点标记为需要进行维修的配电节点,并进行维修处理,实现配电节点的实时维修监测。

133、为了解决上述问题,本发明提供一种电子设备,所述电子设备包括:

134、存储器,存储至少一个指令;

135、通信接口,实现电子设备通信;及

136、处理器,执行所述存储器中存储的指令以实现上述所述的用于低压运行的配电系统维修监测方法。

137、为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的用于低压运行的配电系统维修监测方法。

138、相对于现有技术,本发明提出一种用于低压运行的配电系统维修监测方法,该技术具有以下优势:

139、首先,本方案提出一种配电网络中配电线路参数计算以及实时开关支路状态计算方式,获取待监测配电网络中第n个配电节点的运行参数sn,并计算得到第n个配电节点与其他配电节点之间线路在当前时刻t的相角,其中待监测配电网络中第n个配电节点与第j个配电节点之间线路在当前时刻t的相角为:

140、αnj(t)=im[z(n,j)]pn(t)-re[z(n,j)]qn(t)

141、其中:αnj(t)表示待监测配电网络中第n个配电节点与第j个配电节点之间线路在当前时刻t的相角,j∈[1,n];计算得到待监测配电网络中第n个配电节点在当前时刻t的电压幅值预测值u(t):

142、u(t)=u1(t)+u2(t)

143、

144、其中:u(t)表示待监测配电网络中第n个配电节点在当前时刻t的电压幅值预测值;u1(t)表示电压幅值预测值u(t)中的实部,u2(t)表示电压幅值预测值u(t)中的虚部;计算得到待监测配电网络中第n个配电节点在当前时刻t的电压幅值预测值与实际值的偏差cn(t):

145、cn(t)=exp{[u(t)-un(t)]2}

146、其中:exp(·)表示以自然常数为底的指数函数;根据偏差计算结果确定配电节点的实时开关支路状态。本方案采集待监测配电网络中不同配电节点的低压配电数据,并计算不同配电节点之间线路的导纳以及阻抗参数,实现配电线路运行参数的识别处理,并基于识别得到的运行参数,计算得到配电节点的实时电压与电流的相角,结合配电网络中所有配电线路的运行参数,计算得到每个配电节点的电压幅值预测值,若电压幅值预测值与实际值的偏差过大,则表示该配电节点处于未配电状态,导致无法通过潮流计算方式进行电压幅值预测,实现配电网络中配电节点的实时开关支路状态计算。

147、同时,本方案提出一种模型参数向量优化求解方式,对故障节点监测模型中的模型参数向量进行优化求解,其中优化求解流程为:获取h组配电节点的运行参数、有功功率、无功功率、实时开关支路状态以及故障检测结果作为训练数据集data:

148、data={eh=(sh,ph,qh,rh,yh)|h∈[1,h]}

149、其中:eh表示训练数据集data中的第h组配电节点数据;sh,ph,qh,rh依次为第h组配电节点的运行参数、有功功率、无功功率、实时开关支路状态以及故障检测结果,yh=1表示第h组配电节点存在故障,yh=0表示第h组配电节点不存在故障;初始化生成故障节点监测模型中的模型参数向量θ(0)=(w1(0),b1(0),w2(0)),其中w1(0),b1(0),w2(0)依次为初始化生成的卷积计算层中的卷积参数矩阵、偏置参数以及故障率映射层中的映射参数矩阵;设置模型参数向量的当前迭代次数为d,最大迭代次数为max,d的初始值为0,则模型参数向量的第d次迭代结果为θ(d)=(w1(d),b1(d),w2(d));构建模型参数向量优化求解的目标函数;将模型参数向量的第d次迭代结果作为目标函数的输入:

150、

151、atth=[atth(1),atth(2),...,atth(g),...,atth(h)]

152、

153、sh=((z(h,g))1×h,(b(h,g))1×h)

154、其中:atth表示第h组配电节点所对应运行参数的注意力权重,z(h,g)表示第h组配电节点与第g组配电节点之间线路的阻抗,b(h,g)表示第h组配电节点与第g组配电节点之间线路的导纳,g∈[1,h];表示将第h组配电节点数据作为基于模型参数向量θ(d)所构建的故障节点监测模型的输入,故障节点监测模型输出的第h组配电节点的实时故障率;l(θ(d))表示将模型参数向量的第d次迭代结果作为输入的目标函数值;选取d次迭代结果中目标函数值最小的迭代结果作为当前最优搜索个体对模型参数向量的第d次迭代结果进行迭代处理:

155、

156、其中:vd表示迭代行为控制参数,σ表示迭代频率,将σ设置为2;kd表示迭代平衡算子;rand(0,1)表示0-1之间的随机数,rand(0,2π)表示0-2π之间的随机数;表示之间的欧式距离;令d=d+1,直到达到最大迭代次数;从max次迭代结果中选取使得目标函数值最小的迭代结果作为模型参数向量的求解结果θ*=(w1,b1,e2),并构建得到优化后的故障节点监测模型;利用优化后的故障节点监测模型对待监测配电网络中的配电节点进行监测,得到需要进行维修的配电节点。本方案构建故障节点监测模型,依次采用卷积计算、图注意力权重计算以及故障率映射的方式对不同配电节点的实时故障率进行计算,并在模型构建过程中,采用线性下降的迭代行为控制参数控制模型参数向量在迭代初期具有较大的迭代步长,并结合迭代后模型参数向量的目标函数值与迭代前目标函数值的大小比较,利用迭代平衡算子进行优化反馈,当迭代得到更优解时加快收敛速度,否则维持当前探索能力,进行局部搜索,实现模型参数向量的自适应迭代。

本文地址:https://www.jishuxx.com/zhuanli/20240911/292823.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。