一种低压台区供电稳定性的实时分析方法技术

本发明专利技术属于电力信息技术领域，具体涉及一种低压台区供电稳定性的实时分析方法。该方法用于根据融合终端采集到的电力监测数据分析当前供电台区运行状态。实时分析方法包括如下步骤：S1：采集台区内每个用电节点在不同状态下的电力信息。S2：对采集的数据进行归一化处理，得到样本数据集。S3：对样本数据集进行聚类，确定聚类中心和类别数。S4：构建一个具有三层结构的BP神经网络。S5：对BP神经网络进行训练，并结合经典遗传算法对BP神经网络的阈值进行优化。S6：采集实时电力信息，并进行归一化和聚类处理由训练BP神经网络进行识别，得到结果。本发明专利技术解决了台区内的电力信息数据量大，分析难度高，台区的供电稳定性难以预测等问题。题。题。

【技术实现步骤摘要】
一种低压台区供电稳定性的实时分析方法


[0001]本专利技术属于电力信息
，具体涉及一种低压台区供电稳定性的实时分析方法。

技术介绍

[0002]电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能，再经输电、变电和配电将电能供应到各用户。为了实现各环节的协调和控制，电力系统还包括应用于发电、输电、配电和营销等各个环节的信息与控制系统，进而对电能的生产和应用过程进行测量、调节、控制、保护、通信和调度，以保证用户获得安全、优质的电能。
[0003]现代电力系统的发展目标是实现电力系统自动化。电力系统自动化的领域包括生产过程的自动检测、调节和控制，系统和元件的自动安全保护，网络信息的自动传输，系统生产的自动调度，以及企业的自动化经济管理等。电力系统自动化的主要目标是保证供电的电能质量(频率和电压)，保证系统运行的安全可靠，提高经济效益和管理效能。
[0004]在配电和用电环节中，智能电能表和融合终端等设备已经可以实现电力信息远程集采，基于采集到的电力信息大数据可以实现远程的电力监测和管理。例如，在现有电力系统中，利用融合终端和智能电能表可以在台区内能够实现自动抄表，并结合在线支付系统实现用电费用自动结算等功能。
[0005]电力信息大数据还可以应用于电力系统运行状态监测等，但是，在单一配电台区内的电力设备众多，用电节点的负荷状态复杂；如何通过复杂的电力信息对电力系统的运行状态进行识别和预测仍是一个亟待解决的技术难题。

技术实现思路

[0006]为了解决台区内的电力信息数据量大，分析难度高，台区的供电稳定性难以预测等问题，本专利技术提供一种低压台区供电稳定性的实时分析方法。
[0007]本专利技术采用以下技术方案实现：
[0008]一种低压台区供电稳定性的实时分析方法，该方法用于根据融合终端采集到的电力监测数据分析当前供电台区运行状态。该实时分析方法包括如下步骤：
[0009]S1：采集台区内每个用电节点在不同状态下的电力信息作为当前节点的样本数据。样本数据包括：当前节点的供电电压V1、供电电流I1、功率因数线损率ΔP；台区变压器的设备电压V2、设备电流I2、实时负荷P、设备温度T；以及其它与电网运行状态相关的关联数据。
[0010]S2：根据各项数据在运行过程中的理论安全阈值，对采集到的大量样本数据分别进行归一化处理，进而得到包含所有归一化样本数据的样本数据集。
[0011]S3：基于自适应快速搜索密度峰值方法对每个节点的样本数据集进行聚类，确定聚类中心和类别数，获得完成聚类后的节点属性数据集。
[0012]S4：构建一个具有三层结构的BP神经网络，包括输入层、隐含层和输出层。在BP神经网络中，输入层节点数n等于当前台区内的用电节点数；输出层节点数为1，隐含层节点数为2n+1。
[0013]S5：将预先采集的不同运行状态下的大量节点属性数据集作为训练样本，利用训练样本对上步骤构建的BP神经网络进行训练，更新网络模型的权值。同时，在训练过程中结合经典遗传算法对BP神经网络的阈值进行优化。完成训练的BP神经网络作为所需的台区运行状态识别模型。
[0014]S6：通过融合终端采集台区变压器和台区内所有用电节点的实时电力信息，对实时电力信息依次进行归一化和聚类处理后得到实时的节点属性数据集。然后将实时的节点属性数据集输入到完成训练的台区运行状态识别模型中，由模型输出当前台区的实时运行状态。
[0015]其中，台区的实时运行状态分为正常和异常。
[0016]在本专利技术中，供电电压V1、供电电流I1、设备电压V2、设备电流I2分别对应A、B、C各相的电压和电流；具体包括：V
1A
、V
1B
、V
1C
，I
1A
、I
1B
、I
1C
，V
2A
、V
2B
、V
2C
，I
2A
、I
2B
、I
2C
。
[0017]作为本专利技术进一步地改进，步骤S2中，样本数据的归一化处理公式如下：
[0018][0019]上式中，x表示当前样本数据的实测值；表示当前样本数据的归一化值；x
max
表示当前样本数据的理论安全阈值上限；x
min
表示当前样本数据的理论安全阈值下限；其中，当某项样本数据不存在安全阈值下限时，则x
min
＝0。
[0020]作为本专利技术进一步地改进，步骤S3中，自适应快速搜索密度峰值方法对多节点的样本数据集进行聚类的过程如下：
[0021]S31：获取任意节点的样本数据集，计算样本数据集中任意两个样本数据之间的欧氏距离d
ij
，计算公式如下：
[0022][0023]上式中，A表示所述样本数据集，N表示样本数据集A中数据点的数量；x
i
和x
j
表示样本数据集A中随机的两个数据点；dist()表示欧氏距离计算函数。
[0024]S32：根据样本数据与其它所有数据点间的欧氏距离与预设的截断距离d0间的关系，计算样本数据中每个数据点的局部密度ρ
i
；计算公式如下：
[0025][0026]其中，表示一个自定义的用于区分数据点与中心点欧氏距离是否小于截断距离的分类函数，且满足：
[0027][0028]S33：基于样本数据集各数据点处的局部密度，计算样本数据与密度中心的距离θ
i
，计算过程如下：
[0029]判断当前数据点的局部密度是否为样本数据集中的最大值：
[0030](1)是则将当前数据点x
i
与样本数据集中其它数据点的最大距离作为θ
i
，计算公式为：θ
i
＝max
j
(d
ij
)，j＝N。
[0031](2)否则将样本数据集中局部密度大于当前数据点的数据点x
j
，与当前数据点x
i
的最小距离作为θ
i
；计算公式为：θ
i
＝min(d
ij
)，x
j
:ρ
j
＞ρ
i
。
[0032]S34：根据样本数据集中每个样本数据的ρ
i
和θ
i
绘制决策图。决策图中每个样本点的横坐标为ρ
i
，纵坐标为θ
i
；进而根据决策图确定聚类中心和类别数。
[0033]在本专利技术中，节点属性数据集的类别数为3；各个聚类中心的类别由对应的用电节点状态确定。节点属性数据集中每个节点的类别分为“欠载”“平稳”或“过载”[0034]作为本专利技术进一步的改进，在步骤S4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低压台区供电稳定性的实时分析方法，其用于根据融合终端采集到的电力监测数据分析当前供电台区运行状态；其特征在于，所述实时分析方法包括如下步骤：S1：采集台区内每个用电节点在不同状态下的电力信息作为当前节点的样本数据；所述样本数据包括：当前节点的供电电压V1、供电电流I1、功率因数线损率ΔP；台区变压器的设备电压V2、设备电流I2、实时负荷P、设备温度T；以及其它与电网运行状态相关的关联数据；S2：根据各项数据在运行过程中的理论安全阈值，对采集到的大量样本数据分别进行归一化处理，进而得到包含所有归一化样本数据的样本数据集；S3：基于自适应快速搜索密度峰值方法对每个节点的样本数据集进行聚类，确定聚类中心和类别数，获得完成聚类后的节点属性数据集；S4：构建一个具有三层结构的BP神经网络；所述BP神经网络包括输入层、隐含层和输出层；输入层节点数n等于当前台区内的用电节点数，输出层节点数为1，隐含层节点数为2n+1；S5：将预先采集的不同运行状态下的大量节点属性数据集作为训练样本，利用所述训练样本对上步骤构建的所述BP神经网络进行训练，更新网络模型的权值；并在训练过程中结合经典遗传算法对BP神经网络的阈值进行优化；完成训练的BP神经网络作为所需的台区运行状态识别模型；S6：通过融合终端采集台区变压器和台区内所有用电节点的实时电力信息，对实时电力信息依次进行归一化和聚类处理后得到实时的节点属性数据集，然后将实时的节点属性数据集输入到完成训练的台区运行状态识别模型中，由模型输出当前台区的实时运行状态；其中，台区的实时运行状态分为正常和异常。2.如权利要求1所述的低压台区供电稳定性的实时分析方法，其特征在于：所述供电电压V1、供电电流I1、设备电压V2、设备电流I2分别对应A、B、C各相的电压和电流；包括：V
1A
、V
1B
、V
1C
，I
1A
、I
1B
、I
1C
，V
2A
、V
2B
、V
2C
，I
2A
、I
2B
、I
2C
。3.如权利要求2所述的低压台区供电稳定性的实时分析方法，其特征在于：步骤S2中，样本数据的归一化处理公式如下：上式中，x表示当前样本数据的实测值；表示当前样本数据的归一化值；x
max
表示当前样本数据的理论安全阈值上限；x
min
表示当前样本数据的理论安全阈值下限；其中，当某项样本数据不存在安全阈值下限时，则x
min
＝0。4.如权利要求1所述的低压台区供电稳定性的实时分析方法，其特征在于：步骤S3中，自适应快速搜索密度峰值方法对多节点的样本数据集进行聚类的过程如下：S31：获取任意节点的样本数据集，计算样本数据集中任意两个样本数据之间的欧氏距离d
ij
，计算公式如下：上式中，A表示所述样本数据集，N表示样本数据集A中数据点的数量；x
i
和x
j
表示样本数
据集A中随机的两个数据点；dist()表示欧氏距离计算函数；S32：根据样本数据与其它所有数据点间的欧氏距离与预设的截断距离d0间的关系，计算样本数据中每个数据点的局部密度ρ
i
；计算公式如下：其中，表示一个自定义的用于区分数据点与中心点欧氏距离是否小于截断距离的分类函数，且满足：S33：基于样本数据集各数据点处的局部密度，计算样本数据与密度中心的距离θ
i
，计算过程如下：判断当前数据点的局部密度是否为样本数据集中的最大值；是则将当前数据点x
i
与样本数据集中其它数据点的最大距离作为θ
i
，计算公式为：θ
i
＝max
j
(d
ij
)，j＝N；否则将样本数据集中局部密度大于当前数据点的数据点x
j
，与当前数据点x
i
的最小距离作为θ
i
；计算公式为：θ
i
＝min(d
ij
)，x
j
:ρ
...

【专利技术属性】
技术研发人员：徐晓波，王明，章亚辉，蒋志刚，王记强，郝雨，
申请(专利权)人：安徽明生恒卓科技有限公司，
类型：发明
国别省市：