System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电能质量监测,尤其涉及一种电压薄弱节点的辨识方法及装置。
技术介绍
1、随着大规模分布式光伏为代表的新能源、柔性直流设备、智能移动设备和电动运输工具(例如,电动汽车、高铁和电驱舰船)等接入配电网,使得配用电系统电力电子化程度快速增加,使供电质量精准刻画难、电压双向越限调节难等问题突出,给供电质量监测和优质供电带来重大挑战。
2、传统的配电网电压薄弱节点辨识主要是通过配电网系统结构变化,计算配电网系统中的节点崩溃电压均值和节点崩溃电压方差,从而确定系统中的电压薄弱节点。也就是说,传统的配电网薄弱节点辨识主要侧重于配电网结构与状态的脆弱性评估。
3、然而,当配电系统处于电压扰动状态时,传统的电压薄弱节点辨识方法无法快速感知当前的电压扰动,从而导致无法精准确定当前电压扰动下的电压薄弱节点。尤其是针对分布式电源大量接入配电系统的复杂情况,各分布式电源的出力均会影响配电系统的电压扰动情况,进而影响电压薄弱节点的辨识效果,导致电压薄弱节点的辨识精准度较低。
技术实现思路
1、本专利技术实施例提供了一种电压薄弱节点的辨识方法及装置,以解决传统的电压薄弱节点的辨识精准度较低的问题。
2、第一方面,本专利技术实施例提供了一种电压薄弱节点的辨识方法,包括:
3、分别采集配电网中各节点的电压波形数据,并根据所述电压波形数据提取电压暂态能量;
4、将所述电压暂态能量输入至预先训练好的辨识模型中,得到所述配电网中的初始电压薄弱节点;所
5、根据所述初始电压薄弱节点,确定目标电压薄弱节点。
6、在一种可能的实现方式中,在所述将所述电压暂态能量输入至预先训练好的辨识模型中,得到所述配电网中的初始电压薄弱节点之前,还包括:
7、分别获取配电网中各节点的历史电压数据和历史薄弱节点,并根据所述历史电压数据提取历史暂态能量;
8、将所述历史暂态能量输入至初始辨识模型中,得到预测薄弱节点,并根据所述预测薄弱节点和所述历史薄弱节点,确定初始辨识模型的输出精度;
9、当所述输出精度小于预设值时,对初始辨识模型中的参数进行迭代更新,得到更新后的辨识模型,并将所述更新后的辨识模型作为初始辨识模型,跳转到“将所述历史暂态能量输入至初始辨识模型中,得到预测薄弱节点”步骤,继续执行;
10、当所述输出精度大于或等于所述预设值,或达到预设迭代更新次数时,得到训练好的辨识模型。
11、在一种可能的实现方式中,所述初始辨识模型包含初始卷积神经网络模型和n个初始特征分类模型,n为大于1的整数,所述初始卷积神经网络模型用于根据所述历史暂态能量,输出预测特征向量;各初始特征分类模型均用于根据所述预测特征向量,对应输出预测薄弱节点。
12、在一种可能的实现方式中,根据所述预测薄弱节点和所述历史薄弱节点,确定初始辨识模型的输出精度,包括:
13、分别根据各预测薄弱节点和所述历史薄弱节点,对应确定所述初始辨识模型的多个输出精度。
14、在一种可能的实现方式中,所述当所述输出精度小于预设值时,对初始辨识模型中的参数进行迭代更新,包括:
15、当存在至少一个小于预设值的输出精度时,计算初始卷积神经网络模型的第一损失函数,并根据所述第一损失函数更新所述初始卷积神经网络模型的参数;
16、针对小于所述预设值的输出精度所对应的初始特征分类模型,计算初始特征分类模型的第二损失函数,并根据所述第二损失函数更新所述初始特征分类模型的参数。
17、在一种可能的实现方式中,根据所述电压暂态能量,输出特征向量,包括:
18、对所述电压暂态能量进行卷积处理,得到卷积特征;
19、对所述卷积特征进行非线性变换,得到非线性特征;
20、对所述非线性特征最大池化,得到所述特征向量。
21、在一种可能的实现方式中,所述对所述电压暂态能量进行卷积处理,得到卷积特征,包括:
22、根据对所述电压暂态能量进行卷积处理,得到卷积特征;
23、其中,xa'表示第a个节点对应的卷积特征,wa表示第a个节点对应的卷积核权重值,xa表示第a个节点对应的电压暂态能量,ba表示第a个节点对应的偏置值;
24、所述对所述非线性特征最大池化,得到所述特征向量,包括:
25、根据max-pooling(f[d-1],f[d],f[d+1])=max(f[d-1],f[d],f[d+1])对所述非线性特征最大池化,得到所述特征向量;
26、其中,max-pooling(f[d-1],f[d],f[d+1])表示第d-1个非线性特征、第d个非线性特征以及第d+1个非线性特征所对应的一个特征向量,f[d-1]表示第d-1个非线性特征,f[d]表示第d个非线性特征,f[d+1]表示第d+1个非线性特征。
27、在一种可能的实现方式中,根据所述电压波形数据提取电压暂态能量,包括:
28、分别对各节点的电压波形数据进行广义s变换,对应得到各节点的复时频矩阵;
29、分别基于所述复时频矩阵,对应计算各节点的电压暂态能量。
30、在一种可能的实现方式中,所述根据所述初始电压薄弱节点,确定目标电压薄弱节点,包括:
31、所有初始电压薄弱节点中,同一初始电压薄弱节点的数量超出预设数量时,将该初始电压薄弱节点确定为所述目标电压薄弱节点。
32、第二方面,本专利技术实施例提供了一种电压薄弱节点的辨识装置,包括:
33、采集模块,用于分别采集配电网中各节点的电压波形数据,并根据所述电压波形数据提取电压暂态能量;
34、辨识模块,用于将所述电压暂态能量输入至预先训练好的辨识模型中,得到所述配电网中的电压薄弱节点;所述辨识模型用于根据所述电压暂态能量,确定特征向量,并根据所述特征向量确定初始电压薄弱节点;
35、确定模块,用于根据所述初始电压薄弱节点,确定目标电压薄弱节点。
36、本专利技术实施例提供一种电压薄弱节点的辨识方法及装置,通过采用辨识模型对各节点的电压暂态能量进行特征分析,以提取特征向量,并基于特征向量进行初始辨识,以分别确定多种初始电压薄弱节点,进而通过综合考虑多种初始电压薄弱节点,来最终确定目标电压薄弱节点,可以有效提升目标电压薄弱节点的辨识精度。
本文档来自技高网...【技术保护点】
1.一种电压薄弱节点的辨识方法,其特征在于,包括:
2.根据权利要求1所述的电压薄弱节点的辨识方法,其特征在于,在所述将所述电压暂态能量输入至预先训练好的辨识模型中,得到所述配电网中的初始电压薄弱节点之前,还包括:
3.根据权利要求2所述的电压薄弱节点的辨识方法,其特征在于,所述初始辨识模型包含初始卷积神经网络模型和N个初始特征分类模型,N为大于1的整数,所述初始卷积神经网络模型用于根据所述历史暂态能量,输出预测特征向量;各初始特征分类模型均用于根据所述预测特征向量,对应输出预测薄弱节点。
4.根据权利要求3所述的电压薄弱节点的辨识方法,其特征在于,根据所述预测薄弱节点和所述历史薄弱节点,确定初始辨识模型的输出精度,包括:
5.根据权利要求4所述的电压薄弱节点的辨识方法,其特征在于,所述当所述输出精度小于预设值时,对初始辨识模型中的参数进行迭代更新,包括:
6.根据权利要求1所述的电压薄弱节点的辨识方法,其特征在于,根据所述电压暂态能量,输出特征向量,包括:
7.根据权利要求6所述的电压薄弱节点的辨识方法,其
8.根据权利要求1所述的电压薄弱节点的辨识方法,其特征在于,根据所述电压波形数据提取电压暂态能量,包括:
9.根据权利要求1-8任一项所述的电压薄弱节点的辨识方法,其特征在于,所述根据所述初始电压薄弱节点,确定目标电压薄弱节点,包括:
10.一种电压薄弱节点的辨识装置,其特征在于,包括:
...【技术特征摘要】
1.一种电压薄弱节点的辨识方法,其特征在于,包括:
2.根据权利要求1所述的电压薄弱节点的辨识方法,其特征在于,在所述将所述电压暂态能量输入至预先训练好的辨识模型中,得到所述配电网中的初始电压薄弱节点之前,还包括:
3.根据权利要求2所述的电压薄弱节点的辨识方法,其特征在于,所述初始辨识模型包含初始卷积神经网络模型和n个初始特征分类模型,n为大于1的整数,所述初始卷积神经网络模型用于根据所述历史暂态能量,输出预测特征向量;各初始特征分类模型均用于根据所述预测特征向量,对应输出预测薄弱节点。
4.根据权利要求3所述的电压薄弱节点的辨识方法,其特征在于,根据所述预测薄弱节点和所述历史薄弱节点,确定初始辨识模型的输出精度,包括:
5.根据权利要...
【专利技术属性】
技术研发人员:胡诗尧,容春艳,柴林杰,高立坡,张德广,郭佳,林榕,程蓉,荆志鹏,郝军魁,申永鹏,王中亮,李腾,刘明祥,谭涛,张培杰,汪鹤,岳正龙,常伟,梁晔,
申请(专利权)人:国网河北省电力有限公司经济技术研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。