一种配网合环实时潮流分析方法及系统技术方案

本发明专利技术公开了一种配网合环实时潮流分析方法及系统，涉及电力系统技术领域，包括：实时收集智能传感器数据并进行数据预处理；构建时间滞后特征模型以及实时统计特征模型；使用机器学习算法对特征进行快速预测，得到机器学习预测结果；使用

【技术实现步骤摘要】
一种配网合环实时潮流分析方法及系统


[0001]本专利技术涉及电力系统
，具体为一种配网合环实时潮流分析方法及系统
。

技术介绍

[0002]在现代电力系统中，配网合环实时潮流分析是至关重要的技术环节
。
它的核心目标是实时监测和预测电网中的电流流动，从而确保电网的稳定运行和高效能源分配
。
随着电力系统的复杂性增加和可再生能源的广泛接入，对实时潮流分析的准确性和时效性要求越来越高
。
传统的分析方法，虽然在过去的几十年中得到了广泛的应用，但在处理大规模
、
高维度的数据时，往往显得力不从心
。
此外，随着智能传感器
、
物联网技术的快速发展，电网数据的采集变得更为方便和丰富，这为实时潮流分析提供了更多的数据源
。
但同时，这也带来了大量的噪声数据和异常值，增加了数据预处理的难度
。
因此，结合先进的机器学习和深度学习技术，开发新的辅助计算方法，以更高的准确率和更快的速度进行实时潮流预测和分析，已成为电力行业的迫切需求和研究热点
。

技术实现思路

[0003]鉴于上述存在的问题，提出了本专利技术
。
[0004]因此，本专利技术解决的技术问题是：如何通过实时收集的智能传感器数据，结合时间滞后特征模型和实时统计特征模型，利用机器学习和深度学习算法，高效
、
准确地预测配网合环的潮流状态，并通过多级判断机制评估是否满足合环条件，从而为电网运营提供实时
、
可靠的合环建议，确保电网的稳定运行和安全
。
[0005]为解决上述技术问题，本专利技术提供如下技术方案：一种配网合环实时潮流分析方法，其包括如下步骤：实时收集智能传感器数据并进行数据预处理；构建时间滞后特征模型以及实时统计特征模型；使用机器学习算法对特征进行快速预测，得到机器学习预测结果；使用
LSTM
模型进行深度学习预测，针对预测结果进行实时数据可视化
。
[0006]作为本专利技术所述的一种配网合环实时潮流分析方法的一种优选方案，其中：所述实时收集智能传感器数据包括电网运行时的电压
、
电流
、
功率
、
频率以及状态信息
。
[0007]所述数据预处理是将收集到的状态数据去掉缺失值，异常值，以及错误格式的无效数据，把原始格式数据转换为符合数学模型需求分析的格式，将数据归一化完成数据预处理并标记为标准数据集
。
[0008]作为本专利技术所述的一种配网合环实时潮流分析方法的一种优选方案，其中：所述构建时间滞后特征模型是采集时间滞后点前
N
个时间点电流数据构建，表达式为：
[0009][0010][0011][0012]其中，
N
是考虑的滞后时间点数，
w
i
是第
i
个滞后时间点的权重，
φ
是
sigmoid
非线性函数，
I(t)
为时间点
t
的电流值；
[0013]所述统计特征模型表达式为：
[0014][0015][0016]其中，
μ
(t)
为均值，
σ2(t)
为方差
。
[0017]作为本专利技术所述的一种配网合环实时潮流分析方法的一种优选方案，其中：使用时间滞后特征模型和实时统计特征模型所得数据构建特征矩阵
[0018]所述特征矩阵表达式为：
[0019][0020]其中，每一行代表一个时间点
t
，每一列代表一个特征
。
[0021]作为本专利技术所述的一种配网合环实时潮流分析方法的一种优选方案，其中：所述使用机器学习算法是将特征矩阵的数据分为训练集以及验证集，将训练集输入
LSTM
模型使用交叉验证法训练输出预测电流值，使用验证集评估模型预测能力；
[0022]若输出预测电流值满足预设标准，则输出
LSTM
模型可靠，投入使用，若输出预测电流值不满足预设标准，则调整模型参数或优化结构，当迭代达到预设次数时，停止优化再次判断是否满足预设标准，若不满足则增加滞后模型所采用的数据信息数量，重新构建特征向量继续预测
。
[0023]作为本专利技术所述的一种配网合环实时潮流分析方法的一种优选方案，其中：当输出预测电流值满足预设标准时，判断预测电流值的稳定性是否满足合环条件；
[0024]所述预测电流值的稳定性是计算电流变化率，表达式为：
[0025][0026]其中，
I(t)
是时间点
t
的预测电流值，
I(t
‑
1)
是时间点
t
‑1的预测电流值；
[0027]通过电流变化率计算电流震荡指数，输出电流稳定性评估，电流震荡指数表达式为：
[0028]其中，
Δ
I
i
是第
i
个时间点的电流变化率；
[0029]判断电流变化率和电流振荡指数是否均满足预设安全范围，若电流变化率满足预设安全范围，继续实时监测数据，当连续的时间点个数超出预设值且匹配的变换率均为安全范围的最大值，则判定预测电流不稳定，输出当前不具备合环条件，当实时监测的数据是非连续的安全范围的最大值则输出当前线路具备合环条件，进一步判断电流振荡指数，若电流振荡指数小于
0.6
，则初步输出具备合环条件
。
[0030]作为本专利技术所述的一种配网合环实时潮流分析方法的一种优选方案，其中：当电流变化率和电流振荡指数均满足预设安全范围，初步输出具备合环条件，进一步判断电网的负载能力以及保护设备和系统稳定性；
[0031]所述电网的负载能力判断是先判断预测电流值是否超过了电网的最大负载能力，再判断合环后的电网是否有足够的冗余容量，进一步判断合环后的电网是否能够快速恢复，若三种判断的某一个不满足条件，则输出当前不具备合环条件，若三种判断均满足，则判断保护设备与系统稳定性是否满足合环条件；
[0032]所述保护设备和系统稳定性是判断合环后的电流是否会导致设备超载，若预测电流大于设备的额定电流，导致设备不能正常工作，则输出当前不具备合环条件，若预测电流小于设备的额定电流，则输出当前线路具备合环条件
[0033]本专利技术的另外一个目的是提供一种配网合环实时潮流分析辅助计算系统，其能通过实时收集和处理智能传感器数据，结合时间滞后特征模型和实时统计特征模型，利用先进的机器学习和深度学习算法，高效地预测配网合环的潮流状态
。
，解决了现有技术中对于配网合环实时潮流分析的不足，如预测不准确
、
响应速度慢
、
不能实时评估合环条件等问题问题
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种配网合环实时潮流分析方法，其特征在于，包括：实时收集智能传感器数据并进行数据预处理；构建时间滞后特征模型以及实时统计特征模型；使用机器学习算法对特征进行快速预测，得到机器学习预测结果；使用
LSTM
模型进行深度学习预测，针对预测结果进行实时数据可视化
。2.
如权利要求1所述的一种配网合环实时潮流分析方法，其特征在于：所述实时收集智能传感器数据是收集电网运行时的电流；所述数据预处理是将收集到的状态数据去掉缺失值，异常值，以及错误格式的无效数据，把原始格式数据转换为符合数学模型需求分析的格式，将数据归一化完成数据预处理并标记为标准数据集
。3.
如权利要求2所述的一种配网合环实时潮流分析方法，其特征在于：所述构建时间滞后特征模型是采集时间滞后点前
N
个时间点电流数据构建，表达式为：个时间点电流数据构建，表达式为：个时间点电流数据构建，表达式为：其中，
N
是考虑的滞后时间点数，
w
i
是第
i
个滞后时间点的权重，
φ
是
sigmoid
非线性函数，
I(t)
为时间点
t
的电流值；所述统计特征模型表达式为：所述统计特征模型表达式为：其中，
μ
(t)
为均值，
σ2(t)
为方差
。4.
如权利要求3所述的一种配网合环实时潮流分析方法，其特征在于：使用时间滞后特征模型和实时统计特征模型所得数据构建特征矩阵；所述特征矩阵表达式为：其中，每一行代表一个时间点
t
，每一列代表一个特征
。5.
如权利要求4所述的一种配网合环实时潮流分析方法，其特征在于：所述使用机器学习算法是将特征矩阵的数据分为训练集以及验证集，将训练集输入
LSTM
模型使用交叉验证法训练输出预测电流值，使用验证集评估模型预测能力；
若输出预测电流值满足预设标准，则输出
LSTM
模型可靠，投入使用，若输出预测电流值不满足预设标准，则调整模型参数或优化结构，当迭代达到预设次数时，停止优化再次判断是否满足预设标准，若不满足则增加滞后模型所采用的数据信息数量，重新构建特征向量继续预测
。6.
如权利要求5所述的一种配网合环实时潮流分析方法，其特征在于：当输出预测电流值满足预设标准时，判断预测电流值的稳定性是否满足合环条件；所述预测电流值的稳定性是计算电流变化率，表达式为：其中，
I(t)
是时间点
t
的预测电流值，
I(t
‑
1)
是时间点
t
‑1的预测电流值；通过电流变化率计算电流震荡指数，输出电流稳定性评估，电流震荡指数表达式为：其中，
Δ
I
i
是第...

【专利技术属性】
技术研发人员：苏冀，崔娇，王英子，潘堋，马杰，段喻，
申请(专利权)人：云南电网有限责任公司昆明供电局，
类型：发明
国别省市：