一种基于电网资源业务中台的电网分析方法技术

本发明专利技术涉及电网故障分析与负荷预测，具体涉及一种基于电网资源业务中台的电网分析方法，基于时间事件序列获取不同设备的历史状态数据，并获取不同设备在各时序下的实时状态数据；利用历史状态数据、实时状态数据进行电网故障分析；在不同周期下对历史负荷数据进行周期性的相关性分析，并根据相关性分析结果获取目标预测日在不同周期下的负荷预测序列；对负荷预测序列进行波动分解，获取对应的趋势分量、周期分量和随机分量，形成预测特征序列；利用预测特征序列对目标预测日的电网负荷进行负荷分析预测；本发明专利技术提供的技术方案能够有效克服现有技术所存在的无法根据全面的配电网信息进行准确地故障分析及负荷预测的缺陷。信息进行准确地故障分析及负荷预测的缺陷。信息进行准确地故障分析及负荷预测的缺陷。

【技术实现步骤摘要】
一种基于电网资源业务中台的电网分析方法


[0001]本专利技术涉及电网故障分析与负荷预测，具体涉及一种基于电网资源业务中台的电网分析方法。

技术介绍

[0002]随着电力工程技术的发展，以及经济水平和生活水平的提高，人们对于配电网供电质量的可靠性需求也日益提升。为了保障供电质量的可靠性，需要对配电网的运行状态进行关注，对配电网运行过程中存在的故障进行及时分析诊断，进而实现配电网故障后的快速恢复，同时也需要对配电网负荷进行预测，以便根据预测负荷及时调节配电网的供电能力。
[0003]其中，配电网故障诊断是通过利用有关电力系统及其保护装置的相关知识，以及继电保护等故障信息来识别故障的元件位置、类型和误动作的装置。传统上多采用基于开关量或模拟量的方法实现故障诊断，其中，基于开关量的故障诊断方法主要针对保护装置的动作信息进行建模分析，而基于模拟量的故障诊断方法主要利用各种监控装置对电流、电压和功率等模拟电气量进行监测，并进行建模分析。
[0004]但是，由于传统的故障诊断方法大多偏重于利用单个诊断对象的局部信息，且考虑到配电网中结构复杂多变、分支繁多，存在大量不确定性因素，影响信息的完整性，从而无法根据全面的配电网信息进行故障分析及负荷预测。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术所存在的上述缺点，本专利技术提供了一种基于电网资源业务中台的电网分析方法，能够有效克服现有技术所存在的无法根据全面的配电网信息进行准确地故障分析及负荷预测的缺陷。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]一种基于电网资源业务中台的电网分析方法，包括以下步骤：
[0010]S1、从电网资源业务中台中获取各台区的记录事件，以及历史负荷数据，并按照时间顺序对记录事件进行排序，得到时间事件序列；
[0011]S2、基于时间事件序列获取不同设备的历史状态数据，并获取不同设备在各时序下的实时状态数据；
[0012]S3、利用历史状态数据、实时状态数据进行电网故障分析；
[0013]S4、在不同周期下对历史负荷数据进行周期性的相关性分析，并根据相关性分析结果获取目标预测日在不同周期下的负荷预测序列；
[0014]S5、对负荷预测序列进行波动分解，获取对应的趋势分量、周期分量和随机分量，形成预测特征序列；
[0015]S6、利用预测特征序列对目标预测日的电网负荷进行负荷分析预测。
[0016]优选地，S3中利用历史状态数据、实时状态数据进行电网故障分析，包括：
[0017]S31、利用历史状态数据构建神经网络训练样本，并结合故障告警信息为神经网络训练样本设置故障标签；
[0018]S32、利用一部分神经网络训练样本及对应的故障标签，对神经网络进行模型训练，并利用粒子群算法对神经网络参数进行优化；
[0019]S33、利用剩余部分神经网络训练样本及对应的故障标签，对训练的神经网络进行测试；
[0020]S34、将实时状态数据输入训练好的神经网络，得到电网故障点。优选地，S32中利用粒子群算法对神经网络参数进行优化，包括：
[0021]S321、将径向基函数神经网络的权值和隐含层神经元的宽度定义为粒子，并进行参数初始化；
[0022]S322、计算每个粒子的适应度，确定全局最优粒子和个体最优粒子；
[0023]S323、根据全局最优粒子和个体最优粒子更新速度分量，根据更新的速度分量更新每个粒子的位置，并更新全局最优粒子和个体最优粒子；
[0024]S324、重复S323，直至全部故障显示复归为止，得到的全局最优粒子即为优化后的径向基函数神经网络的权值和隐含层神经元的宽度。
[0025]优选地，所述径向基函数神经网络采用高斯函数形式：
[0026][0027]其中，σ(x
i
)为第i个隐含层神经元的输出，d
i
表示第i个隐含层神经元径向基函数的中心，q
i
表示第i个隐含层神经元的宽度。
[0028]优选地，S2中基于时间事件序列获取不同设备的历史状态数据，包括：
[0029]基于时间事件序列，从电网资源业务中台及录波文件中获取不同设备的历史状态数据；
[0030]其中，历史状态数据包括电压值、电流值、通断状态和定值状态。
[0031]优选地，S2中获取不同设备在各时序下的实时状态数据，包括：
[0032]基于录波文件和快速傅里叶变换获取不同设备在各时序下的实时状态数据；
[0033]其中，实时状态数据包括电压瞬时值、电流瞬时值。
[0034]优选地，S4中在不同周期下对历史负荷数据进行周期性的相关性分析，包括：
[0035]获取历史负荷数据在每个周期下的负荷数据序列，对负荷数据序列顺序累加，得到负荷累加序列；
[0036]对负荷累加序列划分窗口，拟合得到每个窗口的局部趋势，并获取消除局部趋势的残差序列；
[0037]基于局部趋势、残差序列计算得到历史负荷数据在相邻周期之间的趋势相关性、去趋势相关性。
[0038]优选地，所述获取消除局部趋势的残差序列，包括：
[0039]将窗口内的负荷累加序列与局部趋势相减，得到消除局部趋势的残差序列。
[0040]优选地，S4中根据相关性分析结果获取目标预测日在不同周期下的负荷预测序
列，包括：
[0041]在每个周期下，利用趋势相关性、去趋势相关性得到互相关特征向量，同时利用历史负荷数据得到负荷特征向量；
[0042]将互相关特征向量与负荷特征向量进行融合，并利用全连接网络进行拟合，得到目标预测日在不同周期下的负荷预测序列。
[0043]优选地，S5中对负荷预测序列进行波动分解，获取对应的趋势分量、周期分量和随机分量，形成预测特征序列，包括：
[0044]选取以月为周期的月负荷预测序列、以周为周期的周负荷预测序列、以日为周期的日负荷预测序列进行波动分解；
[0045]分别得到月负荷预测序列中目标预测日的趋势分量、周负荷预测序列中目标预测日的周期分量，以及日负荷预测序列中目标预测日的随机分量，形成预测特征序列。
[0046](三)有益效果
[0047]与现有技术相比，本专利技术所提供的一种基于电网资源业务中台的电网分析方法，具有以下有益效果：
[0048]1)从电网资源业务中台中获取各台区的记录事件，按照时间顺序对记录事件进行排序，得到时间事件序列，基于时间事件序列获取不同设备的历史状态数据，并获取不同设备在各时序下的实时状态数据，利用历史状态数据、实时状态数据进行电网故障分析，通过从电网资源业务中台中获取台区内全面的记录事件，来获取不同设备的历史状态数据，结合不同设备在各时序下的实时状态数据，实现对电网故障准确地分析诊断；
[0049]2)从电网资源业本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电网资源业务中台的电网分析方法，其特征在于：包括以下步骤：S1、从电网资源业务中台中获取各台区的记录事件，以及历史负荷数据，并按照时间顺序对记录事件进行排序，得到时间事件序列；S2、基于时间事件序列获取不同设备的历史状态数据，并获取不同设备在各时序下的实时状态数据；S3、利用历史状态数据、实时状态数据进行电网故障分析；S4、在不同周期下对历史负荷数据进行周期性的相关性分析，并根据相关性分析结果获取目标预测日在不同周期下的负荷预测序列；S5、对负荷预测序列进行波动分解，获取对应的趋势分量、周期分量和随机分量，形成预测特征序列；S6、利用预测特征序列对目标预测日的电网负荷进行负荷分析预测。2.根据权利要求1所述的基于电网资源业务中台的电网分析方法，其特征在于：S3中利用历史状态数据、实时状态数据进行电网故障分析，包括：S31、利用历史状态数据构建神经网络训练样本，并结合故障告警信息为神经网络训练样本设置故障标签；S32、利用一部分神经网络训练样本及对应的故障标签，对神经网络进行模型训练，并利用粒子群算法对神经网络参数进行优化；S33、利用剩余部分神经网络训练样本及对应的故障标签，对训练的神经网络进行测试；S34、将实时状态数据输入训练好的神经网络，得到电网故障点。3.根据权利要求2所述的基于电网资源业务中台的电网分析方法，其特征在于：S32中利用粒子群算法对神经网络参数进行优化，包括：S321、将径向基函数神经网络的权值和隐含层神经元的宽度定义为粒子，并进行参数初始化；S322、计算每个粒子的适应度，确定全局最优粒子和个体最优粒子；S323、根据全局最优粒子和个体最优粒子更新速度分量，根据更新的速度分量更新每个粒子的位置，并更新全局最优粒子和个体最优粒子；S324、重复S323，直至全部故障显示复归为止，得到的全局最优粒子即为优化后的径向基函数神经网络的权值和隐含层神经元的宽度。4.根据权利要求3所述的基于电网资源业务中台的电网分析方法，其特征在于：所述径向基函数神经网络采用高斯函数形式：其中，σ(x
i
)为第i个隐含层神经元的输出，d
i
表示第i个隐含层神经元径向基函数的中心，q
i

【专利技术属性】
技术研发人员：吴极，周明，徐敏，张靖，郭洋，张永梅，徐晓波，赵先锋，
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：