CN113484669B - 一种基于双向lstm的配电网低电压原因定位方法 - Google Patents
一种基于双向lstm的配电网低电压原因定位方法 Download PDFInfo
- Publication number
- CN113484669B CN113484669B CN202110699521.0A CN202110699521A CN113484669B CN 113484669 B CN113484669 B CN 113484669B CN 202110699521 A CN202110699521 A CN 202110699521A CN 113484669 B CN113484669 B CN 113484669B
- Authority
- CN
- China
- Prior art keywords
- low
- voltage
- node
- cause
- bidirectional lstm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及配电网运行和设备管理技术领域,公开了一种基于双向LSTM的配电网低电压原因定位方法,建立每个配变节点的运行状态矩阵;确定低电压节点并对低电压节点标注,确定低电压起止时间;分别计算各工参与低电压的相关系数,将指标作为低电压成因指标;确认低电压成因标注样本分项成因;构建成因独热向量;构建嵌入向量并拼接生成节点特征向量;构建基于双向LSTM低电压成因训练模型;加载待预测节点的运行状态矩阵,对其低电压分类及低电压成因进行预测。与现有技术相比,本发明应用双向LSTM进行分类,不仅考虑配电工参导致的低电压,还充分利用线路负荷累计信息和负荷时间序列变化信息,更适用于实际工作需求。
Description
技术领域
本发明涉及配电网运行和设备管理技术领域,具体涉及一种基于双向LSTM的配电网低电压原因定位方法。
背景技术
电压质量是配电网可靠性的重要指标之一,低电压问题严重影响精密设备的正常运行,企业产品质量和用户用电体验,也是大量投诉的主要来源。另一方面,造成低电压的原因包括台区供电半径过大、台区导线截面小、配变容量不足、配网负荷高峰时超负荷、三相负荷不平衡、功率因素低、台区无功补偿或无功补偿容量不足和三相四线线路电流大压降大,且造成低电压的原因并不唯一。电网企业和业内专家在电网低电压治理方面开展了大量的研究,包括专家经验法、前推回代法、特征辨识法、聚类分析法、粒子群优化法和支持矢量机分类法等,或者综合应用多种方法进行低电压故障成因定位。此类特征工程方法需根据专家经验人工建立特征体系和特征统计维度,且其准确度核函数、参数设置和样本顺序影响较大,且传统分类方法只能实现对某一类成因,对同时多种原因导致的低电压问题无法定位。另一方面,随电动汽车充电桩和分布式能源入网,专家经验和特征体系较难确定,从而导致低电压成因定位错误。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种基于双向LSTM的配电网低电压原因定位方法,构建配电网工参、运行特征矩阵及低电压成因标签,应用双向LSTM进行分类,不仅考虑配电工参导致的低电压,还充分利用线路负荷累计信息和负荷时间序列变化信息,更适用于实际工作需求。
技术方案:本发明提供了一种基于双向LSTM的配电网低电压原因定位方法,包括如下步骤:
S1:导入电网拓扑图,建立每个配变节点的运行状态矩阵;
S2:基于节点电压状态序列确定低电压节点,自动对低电压节点标注,并确定低电压起止时间;
S3:分别计算各独立工参指标和联合工参指标与低电压的相关系数,将相关系数高的指标作为低电压成因指标;
S4:将S2中确定的低电压成因标注样本分项成因进行确认;
S5:基于确认后的低电压成因样本,构建成因独热向量;
S6:根据电源至配变节点的工参和统计特征构建嵌入向量,并与运行状态向量拼接生成节点特征向量;
S7:以节点特征向量作为输入,独热向量为成因分类目标,构建基于双向LSTM低电压成因训练模型;
S8:加载待预测节点的运行状态矩阵,利用基于双向LSTM低电压成因训练模型对其低电压分类及低电压成因进行预测。
进一步地,所述S2中确定低电压节点的条件为:
其中,U0为额定电压,Uij为第i条线路第j个配变节点的入口电压,t为当前时间,满足上述条件,将时段{t,t+T}的第i条线路第j个配变节点标识为低电压节点,其他时段该节点仍标识为正常节点。
进一步地,所述S3中的工参指标包括供电半径Rij,主干线径rij,支线线径r'ij,配变容量Cij,负载率Lij(t),功率因素Eij(t)和三相不平衡度UBij(t),其中前四个为静态工参,后三个为工作状态动态指标,各工参指标如下:
其中,Pij为有功功率,Qij为无功功率,。
进一步地,所述S3中对工参指标采用皮尔森系数绝对值确定该参数是否与低电压相关,其中静态工参的皮尔森系数计算公式如下式:
动态工参的皮尔森系数计算公式如下式:
其中,Xij是第i条线路第j个配变节点的工参值,X0是工参均值、LU0为低电压均值、I、J分别为线路总数和配变总数。
进一步地,所述相关系数即为静态工参的皮尔森系数、动态工参的皮尔森系数,所述相关系数高的条件为:Co≥0.6。
进一步地,所述S5中构建成因独热向量具体为根据低电压成因独热向量,若相应的低电压成因正确,则将独热向量相应位置置为1,否则置为0,最终形成成因独热向量。
进一步地,所述S6中特征嵌入向量EBij、节点特征向量分别为Conij:
EBij=(Rij,rij,r’ij,Cij,Lij(t),Eij(t),UBij(t),Oij(t))
Conij=(EBij,Sij)
其中,Oij(t)代表线路电流是否过大,Sij表示所有配变节点的运行状态。
进一步地,所述S7中基于双向LSTM低电压成因训练模型的前馈函数为:
Conij(t)=(EBij(t),Sij(t))
Fij(t+1)=W1(t)+W2(t)+B1
Bij(t)=W3(t+1)+W1(t+1)+B2
Cij(t)=concat(Fij(t),Bij(t))
LUij(t)=Softmax(Relu(Pool(Cij(t))))
且其采用Adam优化器,以随机梯度下降方式进行后向传播训练,以获得低电压成因分类模型;其中,W1、W2、W3、W4为神经网络中的权重,B1、B2是神经网络中的偏移,Bij代表LSTM后向预测状态,Fij(t+1)代表LSTM前向预测状态。
有益效果:
本发明基于双向LSTM对配电网低电压成因进行分析和定位,为电网设备智能运检提供支撑,本发明全过程对低电压进行自动标注,对其成因进行半自动标注,大大减少了人工参与工作量。此外,本发明引入了独热向量实现多种成因组合的识别和定位,减少了独立成因识别再组合判别决策的计算量。
附图说明
图1为本发明实施例提供的一种基于双向LSTM的配电网低电压原因定位方法流程图;
图2为本发明实施例提供的低电压成因独热向量示意;
图3为本发明实施例提供的配电网低电压成因模型。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明公开了一种基于双向LSTM的配电网低电压原因定位方法,主要包括如下步骤:
步骤1:导入电网拓扑图,建立每个配变节点的运行状态矩阵,具体步骤包括:
步骤1-1:导入电网拓扑后,按供电线路及配变节点的顺序关系,从末端向源端采集各配变的输入输出指标,其中第i条线路第j个配变节点的入口电压Uij、本级输出电压U-ij、下级输出电压U+ij,入口电流Iij、本级分支电流I-ij、下级分支电流I+ij、有功功率Pij和无功功率Qij等。
步骤1-2:所有配变节点的运行状态矩阵可以表征为:
Sij=(Uij U-ij U+ij Iij I-ij I+ij Pij Qij)
步骤2:基于节点电压状态序列确定低电压节点,自动对低电压节点标注,并确定低电压起止时间,具体步骤包括:
步骤2-1:随着电源和负荷波动,低电压并非某个时间点低于某一门限即被判定为低电压,第i条线路第j个配变节点某端口电压需在一定时间内连续低于门限超过一定比例才被判定为低电压,其条件如式所示,其中U0为额定电压:
步骤2-2:将满足步骤2-1的条件的,将时段{t,t+T}的第i条线路第j个配变节点标识为低电压节点,其他时段该节点仍标识为正常节点;
步骤3:计算{t-T,t+T}时段内工参指标与电压之间的相关系数,将相关系数高的指标作为低电压成因候选指标,具体步骤包括:
步骤3-1:选取工参指标体系包括供电半径Rij,主干线径rij,支线线径r'ij,配变容量Cij,负载率Lij(t),功率因素Eij(t)和三相不平衡度UBij(t),其中前四个为静态工参,后三个为工作状态动态指标,其中,
其中,P0ij、P1ij、P2ij分别分别对应三相电上的有功功率。
步骤3-2:对工参指标采用皮尔森系数绝对值确定该参数是否与低电压相关,其中静态工参的皮尔森系数计算公式如下式:
动态工参的皮尔森系数计算公式如下式:
其中,Xij是第i条线路第j个配变节点的工参值,X0是工参均值、LU0为低电压均值、I、J分别为线路总数和配变总数。
步骤3-3:相关系数即为静态工参的皮尔森系数、动态工参的皮尔森系数,相关系数高的条件为:Co≥0.6,若Co≥0.6,则相应的指标为低电压成因候选指标。
步骤4:将步骤2中确定的低电压成因标注样本分项成因进行确认,从LUij(t)=1样本中,按1∶10的比例抽取单属性样本和组合属性样本比对历史低电压原因结果确认低电压成因是否正确。
步骤5:基于确认后的低电压成因样本,构建成因独热向量,具体步骤包括:
步骤5-1:根据低电压成因构成如图2所示的独热向量;
步骤5-2:若相应的低电压成因正确,则将独热向量相应位置为1,否则置为0,如图2所示。
步骤6:根据电源至配变节点的工参和统计特征构建嵌入向量,并与运行状态向量拼接生成节点特征向量,具体步骤包括:
步骤6-1:以低电压成因相指标构建特征嵌入向量EBij;
EBij=(Rij,rij,r’ij,Cij,Lij(t),Eij(t),UBij(t),Oij(t))
其中,Oij(t)代表线路电流是否过大。
步骤6-2:拼接后的节点特征向量Conij;
Conij=(EBij,Sij)
其中,Sij表示所有配变节点的运行状态。
步骤7:以独热向量为成因分类目标,构建基于双向LSTM低电压成因训练模型;
步骤7-1:将步骤6-2生成的特征向量作为输入,以步骤5-2生成的独热向量为目标分类,构建如图3所示的低电压模型;
步骤7-2:该模型具体的前馈函数为下式:
Conij(t)=(EBij(t),Sij(t))
Fij(t+1)=W1(t)+W2(t)+B1
Bij(t)=W3(t+1)+W4(t+1)+B2
Cij(t)=concat(Fij(t),Bij(t))
LUij(t)=Softmax(Relu(Pool(Cij(t))))
其中,W1、W2、W3、W4为神经网络中的权重,B1、B2是神经网络中的偏移,Bij代表LSTM后向预测状态,Fij(t+1)代表LSTM前向预测状态。
步骤7-3:采用Adam优化器,以随机梯度下降方式进行后向传播训练,以获得低电压成因分类模型。
步骤8:加载待预测节点的运行状态矩阵,对其低电压分类及低电压成因进行预测。
上述一种基于双向LSTM配电网低电压原因定位方法,目的是解决现有低电压辨识定位只能实现单一原因定位的困境,克服人工经验无法应对配电网复杂动态变化导致的低电压问题,及未来各种新型负载类型和电源类型给低电压成因定位带来挑战,以便建立实用性和扩展性更强的低电压预测及成因定位方法。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于双向LSTM的配电网低电压原因定位方法,其特征在于,包括如下步骤:
S1:导入电网拓扑图,建立每个配变节点的运行状态矩阵;
S2:基于节点电压状态序列确定低电压节点,自动对低电压节点标注,并确定低电压起止时间;
S3:分别计算各独立工参指标和联合工参指标与低电压的相关系数,将相关系数高的指标作为低电压成因指标;
工参指标包括供电半径Rij,主干线径rij,支线线径r'ij,配变容量Cij,负载率Lij(t),功率因素Eij(t)和三相不平衡度UBij(t),其中前四个为静态工参,即独立工参指标,后三个为工作状态动态指标,即动态工参,即联合工参指标;
S4:将S3中确定的低电压成因指标样本分项成因进行确认;
S5:基于确认后的低电压成因指标样本,构建成因独热向量;
S6:根据电源至配变节点的工参指标和统计特征构建嵌入向量,所述统计特征代表线路电流是否过大,并与配变节点的运行状态向量拼接生成节点特征向量;
S7:以节点特征向量作为输入,独热向量为成因分类目标,构建基于双向LSTM低电压成因训练模型;
S8:加载待预测节点的运行状态矩阵,利用基于双向LSTM低电压成因训练模型对其低电压分类及低电压成因进行预测。
5.根据权利要求4所述的基于双向LSTM的配电网低电压原因定位方法,其特征在于,所述相关系数即为静态工参的皮尔森系数和动态工参的皮尔森系数,所述相关系数高的条件为:Co≥0.6。
6.根据权利要求1所述的基于双向LSTM的配电网低电压原因定位方法,其特征在于,所述S5中构建成因独热向量具体为根据低电压成因独热向量,若相应的低电压成因正确,则将独热向量相应位置置为1,否则置为0,最终形成成因独热向量。
7.根据权利要求5所述的基于双向LSTM的配电网低电压原因定位方法,其特征在于,所述S6中特征嵌入向量EBij和节点特征向量Conij分别为:
EBij=(Rij,rij,r’ij,Cij,Lij(t),Eij(t),UBij(t),Oij(t))
Conij=(EBij,Sij)
其中,Oij(t)代表线路电流是否过大,Sij表示所有配变节点的运行状态。
8.根据权利要求7所述的基于双向LSTM的配电网低电压原因定位方法,其特征在于,所述S7中基于双向LSTM低电压成因训练模型的前馈函数为:
Conij(t)=(EBij(t),Sij(t))
Fij(t+1)=W1(t)+W2(t)+B1
Bij(t)=W3(t+1)+W4(t+1)+B2
Cij(t)=concat(Fij(t),Bij(t))
LUij(t)=Softmax(Relu(Pool(Cij(t))))
且其采用Adam优化器,以随机梯度下降方式进行后向传播训练,以获得低电压成因分类模型;其中,W1、W2、W3、W4为神经网络中的权重,B1、B2是神经网络中的偏移,Bij代表LSTM后向预测状态,Fij(t+1)代表LSTM前向预测状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699521.0A CN113484669B (zh) | 2021-06-23 | 2021-06-23 | 一种基于双向lstm的配电网低电压原因定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699521.0A CN113484669B (zh) | 2021-06-23 | 2021-06-23 | 一种基于双向lstm的配电网低电压原因定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113484669A CN113484669A (zh) | 2021-10-08 |
CN113484669B true CN113484669B (zh) | 2022-10-11 |
Family
ID=77935928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110699521.0A Active CN113484669B (zh) | 2021-06-23 | 2021-06-23 | 一种基于双向lstm的配电网低电压原因定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113484669B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114915035B (zh) * | 2022-07-19 | 2022-09-13 | 北京智芯微电子科技有限公司 | 一种配电网的监控方法、装置及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106410798A (zh) * | 2016-11-23 | 2017-02-15 | 国网山东省电力公司威海供电公司 | 一种配变台区低电压预判方法 |
CN107515892A (zh) * | 2017-07-07 | 2017-12-26 | 国网浙江省电力公司 | 一种基于大数据挖掘的电网低电压成因诊断方法 |
CN107834551A (zh) * | 2017-11-20 | 2018-03-23 | 国网湖南省电力有限公司 | 一种基于支持向量机的配电网低电压预测方法 |
CN108075466A (zh) * | 2017-12-08 | 2018-05-25 | 国网湖南省电力有限公司 | 一种台区低电压成因分析方法及系统 |
CN110599047A (zh) * | 2019-09-18 | 2019-12-20 | 国网江苏省电力有限公司宝应县供电分公司 | 一种基于大数据的配电网低电压分析评估方法 |
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
CN111027772A (zh) * | 2019-12-10 | 2020-04-17 | 长沙理工大学 | 基于pca-dbilstm的多因素短期负荷预测方法 |
EP3648279A1 (en) * | 2018-10-30 | 2020-05-06 | Schleswig-Holstein Netz AG | Method, electrical grid and computer program product for predicting overloads in an electrical grid |
CN111342454A (zh) * | 2020-03-17 | 2020-06-26 | 国网江西省电力有限公司电力科学研究院 | 一种台区出口低电压成因大数据分析方法及系统 |
CN111398859A (zh) * | 2020-03-17 | 2020-07-10 | 国网江西省电力有限公司电力科学研究院 | 一种用户低电压成因大数据分析方法及系统 |
CN111880044A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种含分布式电源配电网在线故障定位方法 |
CN112433084A (zh) * | 2020-11-18 | 2021-03-02 | 云南电网有限责任公司电力科学研究院 | 一种低压台区过电压原因的判断方法及装置 |
-
2021
- 2021-06-23 CN CN202110699521.0A patent/CN113484669B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106410798A (zh) * | 2016-11-23 | 2017-02-15 | 国网山东省电力公司威海供电公司 | 一种配变台区低电压预判方法 |
CN107515892A (zh) * | 2017-07-07 | 2017-12-26 | 国网浙江省电力公司 | 一种基于大数据挖掘的电网低电压成因诊断方法 |
CN107834551A (zh) * | 2017-11-20 | 2018-03-23 | 国网湖南省电力有限公司 | 一种基于支持向量机的配电网低电压预测方法 |
CN108075466A (zh) * | 2017-12-08 | 2018-05-25 | 国网湖南省电力有限公司 | 一种台区低电压成因分析方法及系统 |
EP3648279A1 (en) * | 2018-10-30 | 2020-05-06 | Schleswig-Holstein Netz AG | Method, electrical grid and computer program product for predicting overloads in an electrical grid |
CN110599047A (zh) * | 2019-09-18 | 2019-12-20 | 国网江苏省电力有限公司宝应县供电分公司 | 一种基于大数据的配电网低电压分析评估方法 |
CN111027772A (zh) * | 2019-12-10 | 2020-04-17 | 长沙理工大学 | 基于pca-dbilstm的多因素短期负荷预测方法 |
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
CN111342454A (zh) * | 2020-03-17 | 2020-06-26 | 国网江西省电力有限公司电力科学研究院 | 一种台区出口低电压成因大数据分析方法及系统 |
CN111398859A (zh) * | 2020-03-17 | 2020-07-10 | 国网江西省电力有限公司电力科学研究院 | 一种用户低电压成因大数据分析方法及系统 |
CN111880044A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种含分布式电源配电网在线故障定位方法 |
CN112433084A (zh) * | 2020-11-18 | 2021-03-02 | 云南电网有限责任公司电力科学研究院 | 一种低压台区过电压原因的判断方法及装置 |
Non-Patent Citations (3)
Title |
---|
基于大数据挖掘的低电压成因诊断方法;毛亚明等;《信息技术》;20170425(第04期);第174-177页 * |
基于特征识别的台区出口低电压成因诊断模型;吴栋梁;《安徽电力》;20180930(第03期);第13-16页 * |
基于自组织特征映射网络的台区低电压状态识别模型;刘明等;《电气自动化》;20200730;第42卷(第04期);第55-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113484669A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Applications of multi-objective dimension-based firefly algorithm to optimize the power losses, emission, and cost in power systems | |
CN110705873B (zh) | 一种配电网运行状态画像分析方法 | |
Chen et al. | Energy loss reduction by critical switches | |
Trivedi et al. | Enhanced multiobjective evolutionary algorithm based on decomposition for solving the unit commitment problem | |
CN104951866B (zh) | 一种县级供电企业线损综合管理对标评价体系及评价方法 | |
CN107067092A (zh) | 一种特高压输变电工程造价组合预测方法及预测装置 | |
CN113484669B (zh) | 一种基于双向lstm的配电网低电压原因定位方法 | |
JP3945697B2 (ja) | 最適配電系統の作成方法及び装置 | |
CN110148934A (zh) | 考虑二次转供的配电网负荷转供方法 | |
Augugliaro et al. | Evolving non-dominated solutions in multiobjective service restoration for automated distribution networks | |
CN110783913A (zh) | 基于群的计及预想事故集最佳电网拓扑在线优化方法 | |
CN117913827B (zh) | 一种计及触发功能的复杂配电网的优化方法 | |
Grigoras et al. | Energy losses estimation in electrical distribution networks with a decision trees-based algorithm | |
Šarić et al. | Distributed generation allocation using fuzzy multi criteria decision making algorithm | |
CN112765755A (zh) | 一种考虑差异化可靠性需求的配电网规划方法及装置 | |
CN111967634A (zh) | 一种配电网投资项目的综合评价与优选排序方法及系统 | |
Chang et al. | Optimization of a passive harmonic filter based on the neural-genetic algorithm with fuzzy logic for a steel manufacturing plant | |
Iwata et al. | Multi-population differential evolutionary particle swarm optimization for distribution state estimation using correntropy in electric power systems | |
CN113241793A (zh) | 一种计及风电场景的含ipfc电力系统预防控制方法 | |
Bhowmik et al. | Optimal placement of capacitor banks for power loss minimization in transmission systems using fuzzy logic | |
Chakravorty et al. | Power distribution planning using multi-criteria decision making method | |
CN111476384A (zh) | 一种基于关系关联法的配电网主动抢修优化方法 | |
Swapna et al. | Reactive power control in distribution network by optimal location and sizing of capacitor using Fuzzy and SFLA | |
Rambabu et al. | Multi-objective optimization using evolutionary computation techniques | |
He et al. | Research on model and method of maturity evaluation of smart grid industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |