[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116433018A - 基于数字孪生的配电网风险态势感知方法及装置 - Google Patents

基于数字孪生的配电网风险态势感知方法及装置 Download PDF

Info

Publication number
CN116433018A
CN116433018A CN202310348550.1A CN202310348550A CN116433018A CN 116433018 A CN116433018 A CN 116433018A CN 202310348550 A CN202310348550 A CN 202310348550A CN 116433018 A CN116433018 A CN 116433018A
Authority
CN
China
Prior art keywords
data
distribution network
power distribution
fault
actual
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.)
Pending
Application number
CN202310348550.1A
Other languages
English (en)
Inventor
马天祥
贾伯岩
庞先海
罗蓬
王庚森
李小玉
张姿姿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310348550.1A priority Critical patent/CN116433018A/zh
Publication of CN116433018A publication Critical patent/CN116433018A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种基于数字孪生的配电网风险态势感知方法及装置。本发明建立配电网的数字孪生体，并基于数字孪生体对预设的配电网典型故障进行仿真，获得反映配电网运行状态的故障数据集，其中，故障数据集至少包括暂态电压数据、暂态电流数据和功率数据；利用预先建立的数据筛选模型对故障数据集进行筛选，得到有效数据，其中，有效数据表示对配电网运行状态的影响程度达到设定高度条件的数据；建立有效数据与配电网运行状态的非线性评估模型；获取配电网的与有效数据对应的实际数据。本发明能够利用数字孪生体和神经网络算法获得配电网的实际运行态势，实现了对配电网运行状态的快速识别与定位诊断。

Description

基于数字孪生的配电网风险态势感知方法及装置
技术领域
本发明涉及配电网技术领域，尤其涉及一种基于数字孪生的配电网风险态势感知方法及装置。
背景技术
目前，配电网数字孪生系统的建设仍处于起步探索阶段，随着大数据、人工智能、物联网等为代表的新一代技术的快速发展，未来成熟的配电网数字孪生系统可实现能量流与信息流的深度融合，数据的双向实时互动，现实与虚拟的互相支撑，提高新型配电网的灵活性、开放性、交互性、经济性、共享性等特性，使其运行更加智能、安全、可靠。
配电网的安全运行是整个电网安全运行的重要一环，是目前提高供电系统运行水平的关键环节。因此，对配电网运行中的潜在的风险进行准确感知和对故障进行诊断，以做好预防措施，从而间接提高供电安全性。
然而，配电网实测数据种类多样、仿真模型的通信接口不一、多源数据交互同步能力差，导致难以从海量数据中准确并辨识出有效数据；且配电网面临正常态/风险态/故障态/恢复态等多状态下的不同业务需求，多源数据与配电网运行状态及多业务需求之间缺乏有效映射关系，难以实现对配电网的运行状态的快速感知与业务处理。
发明内容
本发明实施例提供了一种配电网风险态势感知和故障诊断方法及装置，以解决现有技术中难以实现对配电网的运行状态的快速感知的问题。
第一方面，本发明实施例提供了一种基于数字孪生的配电网风险态势感知方法，包括：建立配电网的数字孪生体，并基于所述数字孪生体对预设的配电网典型故障进行仿真，获得反映所述配电网运行状态的故障数据集，其中，所述故障数据集至少包括暂态电压数据、暂态电流数据和功率数据；
利用预先建立的数据筛选模型对所述故障数据集进行筛选，得到有效数据，其中，所述有效数据表示对配电网运行状态的影响程度达到设定高度条件的数据；
建立所述有效数据与所述配电网运行状态的非线性评估模型；
获取所述配电网的与所述有效数据对应的实际数据，将所述实际数据作为所述非线性评估模型的输入，获得配电网的实际运行态势。
在一种可能的实现方式中，所述建立配电网的数字孪生体包括：
获取所述配电网的元素的物理特征，并根据所述物理特征建立机理模型；基于状态感知技术对物理运行维度进行全息认知，得到所述配电网的物理空间，其中，所述物理特征至少包括所述配电网元素的材料属性和物理参数；
获取多源数据，并对所述多源数据进行数据处理，建立所述配电网的典型业务应用的数据支撑，并分析所述典型业务中数据流的耦合关联关系，利用大数据对所述典型业务的感知，得到所述配电网的数据空间；
根据获取配电网的运行规则对配电网运行知识的特征和规律进行总结，得到所述配电网的知识空间；
对所述物理空间、所述数据空间和所述知识空间进行融合，得到所述配电网的虚拟空间；
由所述物理空间、所述数据空间、所述知识空间和所述虚拟空间组成所述配电网的数字孪生体。
在一种可能的实现方式中，所述基于所述数字孪生体对预设的配电网典型故障进行仿真，获得反映所述配电网运行状态的故障数据集包括：
基于所述数字孪生体对预设的配电网典型故障进行仿真，得到仿真数据；
将所述仿真数据作为所述典型故障的故障数量集；
获取所述配电网的对于所述典型故障的实测数据，并利用所述实测数据对所述仿真数据进行校正，获得反映所述配电网运行状态的故障数据集。
在一种可能的实现方式中，所述利用预先建立的数据筛选模型对所述故障数据集进行筛选，得到有效数据包括：
基于机器学习和敏感度分析理论，建立数据筛选模型；
获取所述配电网的故障数据集中的关键状态量，其中，所述关键状态量至少包括：分布式电源的节点电压和节点功率；
利用所述数据筛选模型对所述关键状态量进行分析，得到有效数据。
在一种可能的实现方式中，所述建立所述有效数据与所述配电网运行状态的非线性评估模型包括：
利用深度前馈神经网络的机器学习算法对所述有效数据进行训练，其中，所述深度前馈神经网络的机器学习算法至少包括从所述故障数据集中选取样本数据、样本标注、数据预处理、划分训练数据与测试数据的数据处理过程，并基于前向传播、误差修正、反向传播的训练方法对所述故障数据集进行训练；
基于所述数据处理过程和对所述故障数据集进行训练，构建所述有效数据与所述配电网运行状态的第一非线性评估模型。
在一种可能的实现方式中，在所述构建所述有效数据与所述配电网运行状态的第一非线性评估模型之后还包括：
获取所述配电网的典型故障的实际运行数据；
利用所述实际运行数据对所述第一非线性评估模型进行修正，得到修正后的非线性评估模型。
在一种可能的实现方式中，所述获得配电网的实际运行态势包括：
获取所述配电网的实际运行态势，其中所述实际运行态势包括：正常态、风险态、故障态或恢复态；
将所述实际运行态势代入预设的配电网故障诊断的非线性评估模型，完成对所述配电网典型故障的定位诊断，其中，所述典型故障至少包括配电网单相接地和单相短路。
第二方面，本发明实施例提供了一种基于数字孪生的配电网风险态势感知装置，包括：
故障仿真模块，用于建立配电网的数字孪生体，并基于所述数字孪生体对预设的配电网典型故障进行仿真，获得反映所述配电网运行状态的故障数据集，其中，所述故障数据集至少包括暂态电压数据、暂态电流数据和功率数据；
数据集筛选模块，用于利用预先建立的数据筛选模型对所述故障数据集进行筛选，得到有效数据，其中，所述有效数据表示对配电网运行状态的影响程度达到设定高度条件的数据；
评估模型构建模块，用于建立所述有效数据与所述配电网运行状态的非线性评估模型；
运行态势获取模块，用于获取所述配电网的与所述有效数据对应的实际数据，将所述实际数据作为所述非线性评估模型的输入，获得配电网的实际运行态势。
第三方面，本发明实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例与现有技术相比的有益效果在于：本发明实施例建立配电网的数字孪生体，并基于数字孪生体对预设的配电网典型故障进行仿真，获得反映所述配电网运行状态的故障数据集；利用预先建立的数据筛选模型对故障数据集进行筛选，得到对配电网运行状态的影响程度达到设定高度条件的有效数据；建立有效数据与配电网运行状态的非线性评估模型；获取配电网的与有效数据对应的实际数据，将实际数据作为非线性评估模型的输入，获得配电网的实际运行态势。基于实测增量数据和数字孪生仿真的故障特征集进行数据挖掘，构建了用于配电网态势感知的非线性评估模型。利用非线性评估模型获得配电网的实际运行态势，实现了对配电网运行状态的快速识别。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于数字孪生的配电网风险态势感知方法的实现流程图；
图2是本发明实施例提供的基于数字孪生的配电网风险态势感知装置的结构示意图；
图3是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
图1是本发明实施例提供的基于数字孪生的配电网风险态势感知方法的实现流程图，参照图1，详述如下：
在步骤101中、建立配电网的数字孪生体，并基于数字孪生体对预设的配电网典型故障进行仿真，获得反映配电网运行状态的故障数据集，其中，故障数据集至少包括暂态电压数据、暂态电流数据和功率数据。
在一种可能的实现方式中，建立配电网的数字孪生体包括：
获取配电网的元素的物理特征，并根据物理特征建立机理模型；基于状态感知技术对物理运行维度进行全息认知，得到配电网的物理空间，其中，物理特征至少包括所述配电网元素的材料属性和物理参数。
获取多源数据，并对多源数据进行数据处理，建立配电网的典型业务应用的数据支撑，并分析典型业务中数据流的耦合关联关系，利用大数据对典型业务的感知，得到配电网的数据空间。
根据获取配电网的运行规则对配电网运行知识的特征和规律进行总结，得到配电网的知识空间。
对物理空间、数据空间和知识空间进行融合，得到配电网的虚拟空间。
由物理空间、数据空间、知识空间和虚拟空间组成配电网的数字孪生体。
在本实施例中，多源数据是针对不同场景下的业务需求得到的数据流，将多源数据进行实时采集、修正、融合与处理，建立配电网的典型业务应用的数据集成，利用大数据统计学习实现典型业务的感知与预测。通过对多源数据的处理、修正等数据处理的步骤，帮助配电网数字孪生体在处理态势感知和故障诊断等业务场景时提供有效数据。
数字孪生是针对物理实体，通过数字化手段构建一个完全等价的数字孪生体，实现对现实空间中设备或系统状态的实时感知，并通过将承载指令的数据回馈到设备或系统指导其决策，从而实现对物理实体的了解、分析和优化等。本发明实施例集成了多领域、多尺度、高保真的孪生模型，一方面可自主感知和超前推演配电网运行过程全数据，另一方面通过故障诊断等业务的结果反馈施用到物理、数据和知识空间，实现了数字孪生体的统一规范管理。本发明实施例构建了物理空间、数据空间、知识空间和虚拟空间融合的面向智能化、自治化运维的四维共融空间。基于配电网数字孪生体的不同空间维度，建立成多维多尺度数字孪生配电网模型，最终实现智能感知、认知学习、自主决策、主动控制等典型特征，并提供了重要的实践依据。
在一种可能的实现方式中，基于数字孪生体对预设的配电网典型故障进行仿真，获得反映配电网运行状态的故障数据集包括：
基于数字孪生体对预设的配电网典型故障进行仿真，得到仿真数据；
将仿真数据作为典型故障的故障数量集；
获取配电网的对于典型故障的实测数据，并利用实测数据对仿真数据进行校正，获得反映配电网运行状态的故障数据集。
在本实施例中，利用构建的数字孪生体对预设的配电网典型故障进行仿真，配电网的典型故障涵盖单相接地、相间短路等多种故障类型，电源侧、网络侧和负荷侧等多种故障地址，高阻接地故障和金属性接地故障等多种故障深度，馈线级、设备级和系统级等多种故障层级，在此不对配电网的典型故障进行限定。此处，仿真结果主要包括配电网的暂态电压、暂态电流、功率数据等关键变量，在此不对关键变量进行限定，能够反映配电网数据结果的皆为关键变量。将仿真结果数据作为典型故障场景下配电网的故障数据集。本发明实施例采用配电网对典型故障的实测数据，利用实测数据对仿真数据进行相应的校正，得到准确的仿真值，得到反映配电网运行状态的故障数据集，为进行深度学习训练，挖掘有效数据提供了大量的数据支持。
在实际应用中，世界各国在电力系统的运行控制过程中，因态势感知不足而发生的大规模的停电事故日益增多，但是现有技术大多采用的单一环节的关联分析，而无法同时满足不同应用场景下配电网数字化管控的简便性、准确性。本发明建立有源电网数字仿真平台，支持配电网典型设备数字孪生体模型，配电网多维度可视一体化管理，具备潮流实时孪生，可靠性分析等仿真功能，实现了配电网数字孪生体的管理及应用。
示例地，对短路故障时，配电网故障数据集剔骨地过程包括：首先获取故障类型，故障地址、接地类型和分析层级，得到不同故障下的配电网仿真数据，根据不同故障下的配电网仿真数据和不同故障下配电网实测数据得到反映故障时配电网信息的特征集。
在步骤102中、利用预先建立的数据筛选模型对故障数据集进行筛选，得到有效数据，其中，有效数据表示对配电网运行状态的影响程度达到设定高度条件的数据。
在一种可能的实现方式中，利用预先建立的数据筛选模型对故障数据集进行筛选，得到有效数据包括：
基于机器学习和敏感度分析理论，建立数据筛选模型；
获取配电网的故障数据集中的关键状态量，其中，关键状态量至少包括：分布式电源的节点电压和节点功率；
利用数据筛选模型对关键状态量进行分析，得到有效数据。
在实际应用中，配电网实测数据种类多样，仿真模型的通信接口不一、多源数据交互同步能力差，导致难以从海量数据中准确并辨识出有效数据。
在本实施例中，敏感度分析理论有助于降低模型中存在的风险。若在进行机器训练学习过程中，建立的数据筛选模型在变量出现异动时，该模型的变化不大，代表该模型时可靠的，提高了数据筛选模型的可靠性和准确性。
在本实施例中，利用预先建立的数据筛选模型对故障数据集进行筛选，得到有效数据，该有效数据表示对配电网运行状态的影响程度达到设定高度条件的数据。判断该有效数据对配电网的运行状态的影响程度是否达到设定高度，可以从影响程度排名中取较高的数据、计算影响率数值，将大于或等于影响率数据的作为有效数据或者获得能直接反映相应的故障的数据作为有效数据，在此不做具体限定。研究深度学习和深度挖掘技术，对数据进行快速提取、准确识别以及建立数据与多业务场景的数学映射关系有重要作用。通过对数据的训练迭代能减小数据误差，有效建立起数据与业务类型之间的内在联系。
示例的，对于短路故障时，获取故障数据集，并对故障数据集进行挖掘，基于敏感度分析和机械学习对暂态电压/电流和故障数据集进行处理，以动态为主，静态为辅，得到参与度程度较高的状态量，完成对关键状态量的提取。
在步骤103中、建立有效数据与配电网运行状态的非线性评估模型。
在一种可能的实现方式中，建立所述有效数据与所述配电网运行状态的非线性评估模型包括：
利用深度前馈神经网络的机器学习算法对所述有效数据进行训练，其中，所述深度前馈神经网络的机器学习算法至少包括从所述故障数据集中选取样本数据、样本标注、数据预处理、划分训练数据与测试数据的数据处理过程，并基于前向传播、误差修正、反向传播的训练方法对所述故障数据集进行训练；
基于所述数据处理过程和对所述故障数据集进行训练，构建有效数据与配电网运行状态的第一非线性评估模型。
在实际应用中，电网是一个结构和运行方式复杂的动态系统，运行态势更是多种多样。目前人工智能方法虽然在某种程度上解决了电网运行态势的某种分析问题，但仍存在一些缺点，比如人工神经网络，需要训练样本，但是样本数据相对较小，无法建立相对完善的故障样本。本发明实施例通过使用数字孪生体构建的仿真数据进行机器训练，通过选取数据处理过程，以及对仿真结束的训练，建立了相对完善的样本数据。通过对样本进行处理和训练，构建数字孪生体的有效数据和配电网运行状态的第一非线性评估模型。
在一种可能的实现方式中，在构建有效数据与所述配电网运行状态的第一非线性评估模型之后还包括：
获取配电网的典型故障的实际运行数据；利用实际运行数据对第一非线性评估模型进行修正，得到修正后的非线性评估模型。
在本实施例中，在配电网中，对已有的故障数据对第一非线性评估模型进行训练，完成对第一非线性评估模型的修正，在大量数据的堆砌下提高该模型对配电网典型故障的态势感知与诊断能力的快速性与准确性。
在步骤104中、获取配电网的与有效数据对应的实际数据，将实际数据作为非线性评估模型的输入，获得配电网的实际运行态势。
在本实施例中，将实际配电网传输的增量数据作为非线性评估模型的输入量。在数据传输的过程中，增量传输是一种非常有效的方法。增量传输是指在模型操作完之后，源端只向目的地端传送，在保证目的地端得到正确结果的前提下，大大减少数据传输量的方法，大大提高了数据同步的效率。同时使用实际数据作为非线性评估模型的输入，从而得到配电网的实际运行态势，实现配电网运行状态的快速识别。
此外，利用建立的非线性评估模型得到配电网的当前的运行态势后，可基于配电网实测的历史数据建立配电网的马尔科夫链模型，将得到的当前的运行态势代入到马尔科夫链模型中，可预测未来时刻的状态。利用配电网运行过程中产生的历史数据，完成对当前时刻的状态转移矩阵进行不断修正，保障了使用马尔科夫链模型预测配电网运行态势的准确性。
在一种可能的实现方式中，获得配电网的实际运行态势包括：
获取配电网的实际运行态势，其中实际运行态势包括：正常态、风险态、故障态或恢复态；
将实际运行态势代入预设的配电网故障诊断的非线性评估模型，完成对配电网典型故障的定位诊断，其中，典型故障至少包括配电网单相接地和单相短路。
在本实施例中，通过获取配电网的实际运行态势，根据不同的运行态势，将不同的运行态势代入构建的配电网故障诊断的非线性评估模型，对配电网的典型故障进行定位，利用非线性评估模型实现配电网故障的快速识别与定位诊断。完成异常运行态势的检测和追踪溯源分析，完成对典型故障事件的态势预测分析和故障诊断，提高对电网运行的掌控能力。
综上所述，本发明实施例建立了配电网的数字孪生体，并基于数字孪生体对预设的配电网典型故障进行仿真，获得反映所述配电网运行状态的故障数据集；利用预先建立的数据筛选模型对故障数据集进行筛选，得到对配电网运行状态的影响程度达到设定高度条件的有效数据；建立有效数据与配电网运行状态的非线性评估模型；获取配电网的与有效数据对应的实际数据，将实际数据作为非线性评估模型的输入，获得配电网的实际运行态势。基于实测增量数据和数字孪生仿真的故障特征集进行数据挖掘，构建了用于配电网态势感知的非线性评估模型。利用非线性评估模型获得配电网的实际运行态势，实现了对配电网运行状态的快速识别。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的基于数字孪生的配电网风险态势感知装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图2所示，基于数字孪生的配电网风险态势感知装置20包括：故障仿真模块21、数据集筛选模块22、评估模型构建模块23和运行态势获取模块24。
故障仿真模块21，用于建立配电网的数字孪生体，并基于所述数字孪生体对预设的配电网典型故障进行仿真，获得反映所述配电网运行状态的故障数据集，其中，所述故障数据集至少包括暂态电压数据、暂态电流数据和功率数据。
数据集筛选模块22，用于利用预先建立的数据筛选模型对所述故障数据集进行筛选，得到有效数据，其中，所述有效数据表示对配电网运行状态的影响程度达到设定高度条件的数据。
评估模型构建模块23，用于建立所述有效数据与所述配电网运行状态的非线性评估模型。
运行态势获取模块24，用于获取所述配电网的与所述有效数据对应的实际数据，将所述实际数据作为所述非线性评估模型的输入，获得配电网的实际运行态势。
在一种可能的实现方式中，故障仿真模块21，用于建立配电网的数字孪生体包括：
获取配电网的元素的物理特征，并根据物理特征建立机理模型；基于状态感知技术对物理运行维度进行全息认知，得到配电网的物理空间，其中，物理特征至少包括所述配电网元素的材料属性和物理参数。
获取多源数据，并对多源数据进行数据处理，建立配电网的典型业务应用的数据支撑，并分析典型业务中数据流的耦合关联关系，利用大数据对典型业务的感知，得到配电网的数据空间。
根据获取配电网的运行规则对配电网运行知识的特征和规律进行总结，得到配电网的知识空间。
对物理空间、数据空间和知识空间进行融合，得到配电网的虚拟空间。
由物理空间、数据空间、知识空间和虚拟空间组成配电网的数字孪生体。
在一种可能的实现方式中，故障仿真模块21，用于基于数字孪生体对预设的配电网典型故障进行仿真，获得反映配电网运行状态的故障数据集包括：
基于数字孪生体对预设的配电网典型故障进行仿真，得到仿真数据；
将仿真数据作为典型故障的故障数量集；
获取配电网的对于典型故障的实测数据，并利用实测数据对仿真数据进行校正，获得反映配电网运行状态的故障数据集。
在一种可能的实现方式中，数据集筛选模块22，用于利用预先建立的数据筛选模型对故障数据集进行筛选，得到有效数据包括：
基于机器学习和敏感度分析理论，建立数据筛选模型；
获取配电网的故障数据集中的关键状态量，其中，关键状态量至少包括：分布式电源的节点电压和节点功率；
利用数据筛选模型对关键状态量进行分析，得到有效数据。
在一种可能的实现方式中，评估模型构建模块23，用于建立所述有效数据与所述配电网运行状态的非线性评估模型包括：
利用深度前馈神经网络的机器学习算法对所述有效数据进行训练，其中，所述深度前馈神经网络的机器学习算法至少包括从所述故障数据集中选取样本数据、样本标注、数据预处理、划分训练数据与测试数据的数据处理过程，并基于前向传播、误差修正、反向传播的训练方法对所述故障数据集进行训练；
基于所述数据处理过程和对所述故障数据集进行训练，构建所述有效数据与所述配电网运行状态的第一非线性评估模型。
在一种可能的实现方式中，评估模型构建模块23，还用于在构建有效数据与所述配电网运行状态的第一非线性评估模型之后还包括：
获取配电网的典型故障的实际运行数据；利用实际运行数据对第一非线性评估模型进行修正，得到修正后的非线性评估模型。
在一种可能的实现方式中，运行态势获取模块24，用于获得配电网的实际运行态势包括：
获取配电网的实际运行态势，其中实际运行态势包括：正常态、风险态、故障态或恢复态；
将实际运行态势代入预设的配电网故障诊断的非线性评估模型，完成对配电网典型故障的定位诊断，其中，典型故障至少包括配电网单相接地和单相短路。
图3是本发明一实施例提供的终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个图像分割方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块110至140的功能。
所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的分割进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构分割成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的分割，仅仅为一种逻辑功能分割，实际实现时可以有另外的分割方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于数字孪生的配电网风险态势感知方法，其特征在于，包括：
建立配电网的数字孪生体，并基于所述数字孪生体对预设的配电网典型故障进行仿真，获得反映所述配电网运行状态的故障数据集，其中，所述故障数据集至少包括暂态电压数据、暂态电流数据和功率数据；
利用预先建立的数据筛选模型对所述故障数据集进行筛选，得到有效数据，其中，所述有效数据表示对配电网运行状态的影响程度达到设定高度条件的数据；
建立所述有效数据与所述配电网运行状态的非线性评估模型；
获取所述配电网的与所述有效数据对应的实际数据，将所述实际数据作为所述非线性评估模型的输入，获得配电网的实际运行态势。
2.如权利要求1所述的基于数字孪生的配电网风险态势感知方法，其特征在于，所述建立配电网的数字孪生体包括：
获取所述配电网的元素的物理特征，并根据所述物理特征建立机理模型；基于状态感知技术对物理运行维度进行全息认知，得到所述配电网的物理空间，其中，所述物理特征至少包括所述配电网元素的材料属性和物理参数；
获取多源数据，并对所述多源数据进行数据处理，建立所述配电网的典型业务应用的数据支撑，并分析所述典型业务中数据流的耦合关联关系，利用大数据对所述典型业务的感知，得到所述配电网的数据空间；
根据获取配电网的运行规则对配电网运行知识的特征和规律进行总结，得到所述配电网的知识空间；
对所述物理空间、所述数据空间和所述知识空间进行融合，得到所述配电网的虚拟空间；
由所述物理空间、所述数据空间、所述知识空间和所述虚拟空间组成所述配电网的数字孪生体。
3.如权利要求1所述的基于数字孪生的配电网风险态势感知方法，其特征在于，所述基于所述数字孪生体对预设的配电网典型故障进行仿真，获得反映所述配电网运行状态的故障数据集包括：
基于所述数字孪生体对预设的配电网典型故障进行仿真，得到仿真数据；
将所述仿真数据作为所述典型故障的故障数量集；
获取所述配电网的对于所述典型故障的实测数据，并利用所述实测数据对所述仿真数据进行校正，获得反映所述配电网运行状态的故障数据集。
4.如权利要求1所述的基于数字孪生的配电网风险态势感知方法，其特征在于，所述利用预先建立的数据筛选模型对所述故障数据集进行筛选，得到有效数据包括：
基于机器学习和敏感度分析理论，建立数据筛选模型；
获取所述配电网的故障数据集中的关键状态量，其中，所述关键状态量至少包括：分布式电源的节点电压和节点功率；
利用所述数据筛选模型对所述关键状态量进行分析，得到有效数据。
5.如权利要求1所述的基于数字孪生的配电网风险态势感知方法，其特征在于，所述建立所述有效数据与所述配电网运行状态的非线性评估模型包括：
利用深度前馈神经网络的机器学习算法对所述有效数据进行训练，其中，所述深度前馈神经网络的机器学习算法至少包括从所述故障数据集中选取样本数据、样本标注、数据预处理、划分训练数据与测试数据的数据处理过程，并基于前向传播、误差修正、反向传播的训练方法对所述故障数据集进行训练；
基于所述数据处理过程和对所述故障数据集进行训练，构建所述有效数据与所述配电网运行状态的第一非线性评估模型。
6.如权利要求5所述的基于数字孪生的配电网风险态势感知方法，其特征在于，在所述构建所述有效数据与所述配电网运行状态的第一非线性评估模型之后还包括：
获取所述配电网的典型故障的实际运行数据；
利用所述实际运行数据对所述第一非线性评估模型进行修正，得到修正后的非线性评估模型。
7.如权利要求1所述的基于数字孪生的配电网风险态势感知方法，其特征在于，在所述将所述实际数据作为所述非线性评估模型的输入之后还包括：
获取所述配电网的实际运行态势，其中所述实际运行态势包括：正常态、风险态、故障态或恢复态；
将所述实际运行态势代入预设的配电网故障诊断的非线性评估模型，完成对所述配电网典型故障的定位诊断，其中，所述典型故障至少包括配电网单相接地和单相短路。
8.一种基于数字孪生的配电网风险态势感知装置，其特征在于，包括：
故障仿真模块，用于建立配电网的数字孪生体，并基于所述数字孪生体对预设的配电网典型故障进行仿真，获得反映所述配电网运行状态的故障数据集，其中，所述故障数据集至少包括暂态电压数据、暂态电流数据和功率数据；
数据集筛选模块，用于利用预先建立的数据筛选模型对所述故障数据集进行筛选，得到有效数据，其中，所述有效数据表示对配电网运行状态的影响程度达到设定高度条件的数据；
评估模型构建模块，用于建立所述有效数据与所述配电网运行状态的非线性评估模型；
运行态势获取模块，用于获取所述配电网的与所述有效数据对应的实际数据，将所述实际数据作为所述非线性评估模型的输入，获得配电网的实际运行态势。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述基于数字孪生的配电网风险态势感知方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述基于数字孪生的配电网风险态势感知方法的步骤。
CN202310348550.1A 2023-04-03 2023-04-03 基于数字孪生的配电网风险态势感知方法及装置 Pending CN116433018A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310348550.1A CN116433018A (zh) 2023-04-03 2023-04-03 基于数字孪生的配电网风险态势感知方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310348550.1A CN116433018A (zh) 2023-04-03 2023-04-03 基于数字孪生的配电网风险态势感知方法及装置

Publications (1)

Publication Number Publication Date
CN116433018A true CN116433018A (zh) 2023-07-14

Family

ID=87092021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310348550.1A Pending CN116433018A (zh) 2023-04-03 2023-04-03 基于数字孪生的配电网风险态势感知方法及装置

Country Status (1)

Country Link
CN (1) CN116433018A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408162A (zh) * 2023-11-14 2024-01-16 北京京能清洁能源电力股份有限公司内蒙古分公司 基于数字孪生的电网故障控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408162A (zh) * 2023-11-14 2024-01-16 北京京能清洁能源电力股份有限公司内蒙古分公司 基于数字孪生的电网故障控制方法

Similar Documents

Publication Publication Date Title
CN114880884B (zh) 一种基于数字化能源系统的专业化建模分析方法及系统
CN117574244B (zh) 基于物联网的超声波水表故障预测方法、装置及设备
CN116933626A (zh) 一种基于数字孪生的数据监测方法及装置
CN111126489A (zh) 一种基于集成学习的输电设备状态评价方法
CN117041029A (zh) 网络设备故障处理方法、装置、电子设备及存储介质
CN110361609A (zh) 特高压设备监测系统及方法
CN116433018A (zh) 基于数字孪生的配电网风险态势感知方法及装置
CN117217020A (zh) 一种基于数字孪生的工业模型构建方法及系统
CN115529315B (zh) 一种云边协同系统
CN116418117A (zh) 一种用于智能电网的设备检测系统
Long et al. 6G comprehensive intelligence: network operations and optimization based on Large Language Models
CN115586402A (zh) 配电网故障诊断与处理方法
CN114996110A (zh) 一种基于微服务架构的深度巡检优化方法及系统
CN111953657B (zh) 一种序列-数据联合驱动的配电网cps网络攻击辨识方法
CN111953531B (zh) 网络故障分析方法及装置
CN117148048B (zh) 基于数字孪生技术的配电网故障预测方法及系统
CN117640218B (zh) 一种电力网络安全仿真方法和系统
CN113641667A (zh) 一种分布式大数据采集平台的数据异常监控系统及方法
CN117493797A (zh) 一种物联网设备的故障预测方法及装置、电子设备、存储介质
CN115587612A (zh) 基于自监督超图的网络故障预测方法及装置
Zhang et al. Research on data-driven model for power grid fault diagnosis fusing topological quantification information
Yu et al. Knowledge reasoning of transmission line component detection using CRITIC and TOPSIS approaches
CN111625525A (zh) 一种环境数据修复/填充方法及系统
CN113487085B (zh) 基于联合学习框架的设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN118445760B (zh) 一种新能源汽车的电动机轴承健康状态监测方法及装置

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