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

CN117639228A - 基于数字孪生的配电网运行状态预测方法及系统 - Google Patents

基于数字孪生的配电网运行状态预测方法及系统 Download PDF

Info

Publication number
CN117639228A
CN117639228A CN202311431821.6A CN202311431821A CN117639228A CN 117639228 A CN117639228 A CN 117639228A CN 202311431821 A CN202311431821 A CN 202311431821A CN 117639228 A CN117639228 A CN 117639228A
Authority
CN
China
Prior art keywords
power distribution
distribution equipment
performance
data
training
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
CN202311431821.6A
Other languages
English (en)
Inventor
刘欣
孔繁昕
甘剑雄
郭天琪
孙学庚
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.)
Information and Telecommunication Branch of State Grid Beijing Electric Power Co Ltd
Original Assignee
Information and Telecommunication Branch of State Grid Beijing Electric Power 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 Information and Telecommunication Branch of State Grid Beijing Electric Power Co Ltd filed Critical Information and Telecommunication Branch of State Grid Beijing Electric Power Co Ltd
Priority to CN202311431821.6A priority Critical patent/CN117639228A/zh
Publication of CN117639228A publication Critical patent/CN117639228A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • H02J13/00001—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 the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明公开了一种基于数字孪生的配电网运行状态预测方法及系统，其获取配电设备在预定时间段内多个预定时间点的多项性能数据；将所述多个预定时间点的多项性能数据进行数据结构化处理以得到配电设备性能参数矩阵；提取所述配电设备性能参数矩阵的参数间关联特征；以及，基于所述参数间关联特征，分析所述配电设备的运行状态并显示结果。这样，利用数字孪生技术和基于深度学习的人工智能技术来对配电设备的多项性能数据进行综合分析，以实时监控配电设备的运行状态，并及时发现与捕捉异常状况，进而实现对配电网的运行状态的监测和预测。

Description

基于数字孪生的配电网运行状态预测方法及系统
技术领域
本发明涉及智能电网技术领域，尤其涉及一种基于数字孪生的配电网运行状态预测方法及系统。
背景技术
配电网数字孪生体(Distribute Network Digital Twin，分布式网络数字孪生，简称DNDT)对应的是真实世界中的配电网，是包括架空线路、杆塔、电缆、配电变压器、开关设备、无功补偿电容等配电设备及附属设施在内的配电网系统在虚拟数字空间的完整映射，通过全覆盖度的高密度动态数据，完全反映实体及其之间关系在全生命周期时间尺度内的动态变化，能实现与物理配电网系统的信息与动作的交互，同时也能支撑应用系统实现基于数字孪生体全模型数据智能分析、动态决策、互感协作，是一个数字化的生命体集合或更大尺度与范畴的数字孪生体。
现有的配电网存在着设备种类繁杂、数量巨大等特点，导致难以对配电网的运行状态进行准确预测。因此，期待一种优化的配电网运行状态预测方法。
发明内容
本发明实施例提供一种基于数字孪生的配电网运行状态预测方法及系统，其获取配电设备在预定时间段内多个预定时间点的多项性能数据；将所述多个预定时间点的多项性能数据进行数据结构化处理以得到配电设备性能参数矩阵；提取所述配电设备性能参数矩阵的参数间关联特征；以及，基于所述参数间关联特征，分析所述配电设备的运行状态并显示结果。这样，利用数字孪生技术和基于深度学习的人工智能技术来对配电设备的多项性能数据进行综合分析，以实时监控配电设备的运行状态，并及时发现与捕捉异常状况，进而实现对配电网的运行状态的监测和预测。
本发明实施例还提供了一种基于数字孪生的配电网运行状态预测方法，其包括：
获取配电设备在预定时间段内多个预定时间点的多项性能数据；
将所述多个预定时间点的多项性能数据进行数据结构化处理以得到配电设备性能参数矩阵；
提取所述配电设备性能参数矩阵的参数间关联特征；以及
基于所述参数间关联特征，分析所述配电设备的运行状态并显示结果。
本发明实施例还提供了一种基于数字孪生的配电网运行状态预测系统，其包括：
性能数据获取模块，用于获取配电设备在预定时间段内多个预定时间点的多项性能数据；
数据结构化处理模块，用于将所述多个预定时间点的多项性能数据进行数据结构化处理以得到配电设备性能参数矩阵；
关联特征提取模块，用于提取所述配电设备性能参数矩阵的参数间关联特征；以及
运行状态分析模块，用于基于所述参数间关联特征，分析所述配电设备的运行状态并显示结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中提供的一种基于数字孪生的配电网运行状态预测方法的流程图。
图2为本发明实施例中提供的一种基于数字孪生的配电网运行状态预测方法的系统架构的示意图。
图3为本发明实施例中提供的一种基于数字孪生的配电网运行状态预测系统的框图。
图4为本发明实施例中提供的一种基于数字孪生的配电网运行状态预测方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
如本发明和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
配电网数字孪生体(Distribute Network Digital Twin，简称DNDT)是指将真实世界中的配电网系统映射到虚拟数字空间中的完整模型，包括了配电网中的各种设备和附属设施，如架空线路、杆塔、电缆、配电变压器、开关设备、无功补偿电容等。配电网数字孪生体利用高密度动态数据全面反映了配电网系统中实体及其之间关系的变化，能够与物理配电网系统进行信息和动作的交互，实现与实际设备的互动。同时，配电网数字孪生体还能支持应用系统进行基于数字孪生体全模型数据的智能分析、动态决策和互感协作。
配电网数字孪生体是一个数字化的生命体集合，提供了对配电网系统的全面理解和模拟。通过配电网数字孪生体，可以实现对配电网系统的监测、优化和管理，能够模拟不同场景下的运行情况，帮助运营商预测潜在问题并采取相应的措施。
配电网数字孪生体的应用范围很广泛，可以用于运营商的运维决策支持，帮助优化设备配置、调度和维护计划。同时，还可以用于故障诊断和恢复，提高配电网系统的可靠性和可用性。此外，配电网数字孪生体还可以支持新能源接入和智能电网的建设，促进能源的可持续发展。
然而，现有的配电网系统由于设备种类繁杂、数量庞大等特点，使得对其运行状态进行准确预测变得具有挑战性。具体地，配电网中包含多种类型的设备，如变压器、开关设备、电缆、无功补偿电容等，每种设备都有不同的特性和运行状态，需要针对每种设备进行独立的监测和预测。配电网通常覆盖广泛的地理区域，包括大量的设备和线路，这使得数据采集和处理变得复杂，需要大量的传感器和监测系统来收集和分析数据。配电网中的设备通常分布在不同的地点，有些设备可能没有安装传感器或监测系统，导致数据的质量和可用性存在差异。此外，由于数据采集设备的故障或维护问题，数据的完整性和及时性也可能受到影响。配电网的运行状态受到多种因素的影响，如天气条件、负荷变化、设备故障等，这些因素的变化使得对配电网的运行状态进行准确预测变得更加困难。
因此，在本申请中，提供一种优化的配电网运行状态预测方法。在本发明的一个实施例中，图1为本发明实施例中提供的一种基于数字孪生的配电网运行状态预测方法的流程图。图2为本发明实施例中提供的一种基于数字孪生的配电网运行状态预测方法的系统架构的示意图。如图1和图2所示，根据本发明实施例的基于数字孪生的配电网运行状态预测方法，包括：110，获取配电设备在预定时间段内多个预定时间点的多项性能数据；120，将所述多个预定时间点的多项性能数据进行数据结构化处理以得到配电设备性能参数矩阵；130，提取所述配电设备性能参数矩阵的参数间关联特征；以及，140，基于所述参数间关联特征，分析所述配电设备的运行状态并显示结果。
其中，所述多项性能数据包括电气性能数据、机械性能数据和环境适应性数据。
在所述步骤110中，确保在预定时间段内选择合适的时间点进行数据采集，并确保数据的准确性和完整性，使用适当的传感器和监测设备来收集配电设备的性能数据。通过获取多个时间点的性能数据，可以获得配电设备在不同时间段的运行状态信息，这些数据可以用于后续的数据处理和分析。
在所述步骤120中，对收集到的性能数据进行整理和处理，将其转化为结构化的数据形式，例如使用表格或矩阵的形式进行存储和表示，确保数据的一致性和准确性。通过将性能数据进行结构化处理，可以更方便地对数据进行分析和提取参数特征，结构化的数据形式可以提供更直观和易于理解的数据表示方式。
在所述步骤130中，通过对性能参数矩阵进行统计分析、相关性分析或其他数据挖掘技术，提取参数之间的关联特征，这可能涉及到特征选择、相关性计算、模式识别等方法。提取参数间的关联特征可以揭示配电设备性能数据中的潜在模式和相互影响关系。这有助于理解设备的运行状态和性能变化，并为后续的运行状态分析提供基础。
在所述步骤140中，利用参数间的关联特征，可以采用机器学习、数据挖掘或其他分析方法来进行配电设备的运行状态分析，结果的显示可以采用可视化工具、报表或其他形式进行展示。通过分析配电设备的运行状态，可以检测设备的异常行为、预测故障风险、优化设备运行策略等，有助于提高配电网的可靠性、减少停电风险，并支持运维决策的制定。
配电网是将电力从输电网传送到终端用户的关键环节。配电网运行状态预测的目的是根据历史数据和实时监测信息，预测未来一段时间内的配电网运行状态，这样可以帮助电力系统运营商和终端用户更好地规划和管理电力供应，提高电网的可靠性、安全性和经济性。
配电网数字孪生体对应的是真实世界中的配电网，是配电网系统在虚拟数字空间的完整映射，通过全覆盖度的高密度动态数据，完全反映实体及其之间关系在全生命周期时间尺度内的动态变化，能实现与物理配电网系统的信息与动作的交互，同时也能支撑应用系统实现基于数字孪生体全模型数据智能分析、动态决策、互感协作。面对现有的配电网存在着设备种类繁杂、数量巨大等特点，导致难以对配电网的运行状态进行准确预测的问题，数字孪生技术的发展及其在配电网中的应用为解决这一技术问题提供了一种新的解决思路。
基于此，本申请的技术构思是利用数字孪生技术和基于深度学习的人工智能技术来对配电设备的多项性能数据进行综合分析，以实时监控配电设备的运行状态，并及时发现与捕捉异常状况，进而实现对配电网的运行状态的监测和预测。
应可以理解，通过数字孪生技术，将实际配电设备映射到虚拟数字空间中，并与实际设备进行实时数据交互。结合基于深度学习的人工智能技术，可以对多项性能数据进行实时分析，实现对配电设备运行状态的实时监控，有助于及时发现设备异常状况，如过载、短路等，并采取相应的措施进行处理，以避免潜在的故障发生。通过深度学习技术，可以对配电设备的多项性能数据进行学习和建模，建立设备的正常运行模式。当出现异常情况时，模型可以识别和捕捉异常模式，并发出警报或触发相应的预警机制，有助于及时发现潜在的故障或异常状况，并采取适当的措施进行修复或预防，提高配电设备的可靠性和安全性。通过对配电设备的多项性能数据进行综合分析，可以提取参数间的关联特征，并建立预测模型。利用深度学习技术，可以对未来的运行状态进行预测，例如负荷预测、设备寿命预测等，有助于运营商进行优化决策，提前采取措施进行维护和调整，以提高配电网的效率和可靠性。基于数字孪生技术和深度学习技术，可以对配电设备的性能数据进行故障诊断。通过模型学习和数据分析，可以识别出设备故障的根本原因，并提供相应的修复建议，有助于减少故障排查时间，提高故障诊断的准确性和效率。
具体地，在本申请的技术方案中，首先获取配电设备在预定时间段内多个预定时间点的多项性能数据，其中，所述多项性能数据包括电气性能数据、机械性能数据和环境适应性数据；并将所述多个预定时间点的多项性能数据按照时间维度和样本维度排列为配电设备性能参数矩阵。也就是，对时序离散分布的多项性能数据进行数据结构化处理，以使得数据能够被后续模型进行读取与识别。
其中，电气性能数据包括电流、电压、功率、功率因数等方面的数据，这些数据可以用于评估设备的电气运行状态和性能。通过监测和分析电气性能数据，可以实时了解设备的电气负荷情况、电能消耗情况和功率因数等指标，有助于优化设备的电能利用效率，减少能源浪费，并提高设备的运行效率。
机械性能数据包括设备的转速、温度、振动等参数，这些数据可以用于评估设备的机械运行状态和性能。通过监测和分析机械性能数据，可以实时了解设备的转动情况、温度变化和振动程度等，有助于及时发现设备的机械故障或磨损情况，并采取相应的维护措施，以提高设备的可靠性和寿命。
环境适应性数据包括温度、湿度、气压等环境参数，这些数据可以用于评估设备在不同环境条件下的适应性和稳定性。通过监测和分析环境适应性数据，可以了解设备在不同环境条件下的运行情况和性能变化，有助于判断设备是否能够适应不同的工作环境，并采取必要的调整或保护措施，以确保设备的正常运行和安全性。
综合利用电气性能数据、机械性能数据和环境适应性数据，可以全面了解配电设备的运行状态和性能特征，有助于实时监控设备的运行状况，提前发现异常情况，并采取相应的措施进行处理和维护，以保障配电网的可靠性和安全性。
在本申请的一个具体实施例中，将所述多个预定时间点的多项性能数据进行数据结构化处理以得到配电设备性能参数矩阵，包括：将所述多个预定时间点的多项性能数据按照时间维度和样本维度排列为所述配电设备性能参数矩阵。
通过将性能数据按照时间维度排列，可以对配电设备的性能随时间的变化进行分析。以观察设备性能的趋势和周期性变化，例如负荷波动、设备寿命变化等，这样的分析可以帮助运营商了解设备的长期运行情况，并采取相应的维护或调整策略。通过将性能数据按照样本维度排列，可以对不同设备之间的性能差异进行比较和分析以发现设备之间的异常行为或性能偏差，例如某个设备的电流异常高或温度异常低等，这样的分析可以帮助运营商及时发现设备故障或异常，并采取相应的维修或替换措施，以保障整个配电网的正常运行。通过对性能参数矩阵进行深度学习分析，可以建立设备的性能模型，并利用模型进行故障诊断和预测。通过对历史数据的学习，模型可以识别出设备性能异常的模式，并预测未来可能出现的故障情况，有助于运营商及时采取措施进行维修或预防性维护，以减少故障发生和减轻故障带来的影响。
然后，提取所述配电设备性能参数矩阵的参数间关联特征。应可以理解，多项性能数据之间存在复杂的关联特征信息。也就是说，电气性能数据、机械性能数据与环境适应性数据之间可能存在着非线性、非单调、时变、动态的关系，这种关系对于判断配电设备的运行状态具有重要意义。例如，如果配电变压器的运行状态异常，其电气性能数据可能显示其电压波动较大，其机械性能数据可能显示其温度升高较快，其环境适应性数据可能显示其周围湿度较高。
在本申请的一个具体示例中，提取所述配电设备性能参数矩阵的参数间关联特征，包括：将所述配电设备性能参数矩阵通过基于卷积神经网络模型的配电设备性能参数间关联特征提取器以得到配电设备性能参数间关联特征图；将所述配电设备性能参数间关联特征图通过空间金字塔池化模块以得到配电设备性能参数间多尺度关联特征图；以及，将所述配电设备性能参数间多尺度关联特征图作为所述参数间关联特征。其中，所述基于卷积神经网络模型的配电设备性能参数间关联特征提取器包括输入层、卷积层、池化层、激活层和输出层。这里，考虑到配电设备性能参数间存在多尺度特征，例如，在时间维度上，有短期、中期和长期的变化规律，在空间维度上，有局部、区域和全局的影响范围，因此，在本申请的技术方案中利用所述空间金字塔池化模块，可以通过不同网格大小的池化操作来捕获多尺度的上下文信息。
所述空间金字塔池化模块采用四种不同尺度的最大池化操作，池化尺度分别为13x13、9x9、5x5和1x1。
其中，卷积神经网络模型可以学习到配电设备性能参数之间的关联特征，通过卷积操作和激活函数的组合，模型可以提取出参数间的相关信息，例如电流与电压之间的相位关系、功率因数与电能消耗之间的相关性等，有助于捕捉到参数之间的潜在规律和特征，提供更丰富的数据表示。
通过将配电设备性能参数矩阵输入到卷积神经网络模型中，可以得到参数间关联特征图，这些特征图可以可视化地展示出参数之间的关联性和重要性。例如，可以观察到在某个时间点，电流与温度之间存在较强的相关性，或者功率因数与电能消耗之间存在某种模式，有助于运营商了解参数之间的相互作用，发现异常情况或潜在问题。
通过使用空间金字塔池化模块，可以生成配电设备性能参数间的多尺度关联特征图，这意味着可以同时捕捉不同尺度上的关联特征，从局部到全局的信息都可以得到充分的利用，有助于提高模型的感知能力和表达能力，更全面地理解参数之间的关系，提供更准确的预测和决策支持。
通过基于卷积神经网络模型的特征提取器和空间金字塔池化模块，可以将配电设备性能参数转化为参数间关联特征，提供更深入的理解和分析，有助于发现参数之间的潜在规律、预测设备的行为，并支持运营商做出更准确的决策，提高配电网的可靠性和效率。
接着，将所述配电设备性能参数间多尺度关联特征图通过分类器以得到分类结果，所述分类结果用于表示配电设备的运行状态是否正常；并在屏幕显示所述分类结果以及所述多个预定时间点的多项性能数据。
在本申请的一个具体实施例中，基于所述参数间关联特征，分析所述配电设备的运行状态并显示结果，包括：将所述配电设备性能参数间多尺度关联特征图通过分类器以得到分类结果，所述分类结果用于表示所述配电设备的运行状态是否正常；以及，在屏幕显示所述分类结果以及所述多个预定时间点的多项性能数据。
通过将多尺度关联特征图输入到分类器中，可以对配电设备的运行状态进行分类，判断其是否正常。分类器可以学习到不同运行状态下的特征模式，并将输入的特征图映射到相应的类别，例如正常运行、异常运行、故障等，有助于实时监测配电设备的运行状态，及时发现异常情况，并采取相应的措施进行处理。分类器可以识别出与正常运行状态不符的特征模式，从而实现对配电设备的异常检测，当分类器输出的结果为异常或故障时，运营商可以得知设备存在问题，并及时进行维修或替换，以避免潜在的故障扩大和影响整个配电网的正常运行。
通过在屏幕上显示分类结果和性能数据，运营商可以实时监测配电设备的运行状态，并直观地了解设备的性能变化，有助于及时发现异常情况和故障，并采取相应的措施进行处理。同时，可视化的展示可以提供更直观的信息，帮助运营商更好地理解设备的运行情况。通过显示分类结果和性能数据，运营商可以基于这些信息做出决策，例如，当分类结果为异常或故障时，运营商可以立即采取行动，调度维修人员或备用设备，以保障配电网的正常运行。此外，性能数据的展示还可以帮助运营商分析设备的趋势和变化，制定长期的维护计划和优化策略。
综合利用分类器和屏幕显示分类结果及性能数据，可以实现对配电设备运行状态的实时监测和异常检测，并提供决策支持，有助于运营商及时发现问题、采取措施，提高配电网的可靠性和效率。
在本申请的一个实施例中，所述基于数字孪生的配电网运行状态预测方法，还包括训练步骤：对所述基于卷积神经网络模型的配电设备性能参数间关联特征提取器、所述空间金字塔池化模块和所述分类器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括配电设备在预定时间段内多个预定时间点的多项训练性能数据，以及，所述配电设备的运行状态是否正常的真实值；将所述多个预定时间点的多项训练性能数据按照时间维度和样本维度排列为训练配电设备性能参数矩阵；将所述训练配电设备性能参数矩阵通过所述基于卷积神经网络模型的配电设备性能参数间关联特征提取器以得到训练配电设备性能参数间关联特征图；将所述训练配电设备性能参数间关联特征图通过所述空间金字塔池化模块以得到训练配电设备性能参数间多尺度关联特征图；对所述训练配电设备性能参数间多尺度关联特征图进行特征分布修正以得到修正后配电设备性能参数间多尺度关联特征图；将所述修正后配电设备性能参数间多尺度关联特征图通过分类器以得到分类损失函数值；以及，以所述分类损失函数值来对所述基于卷积神经网络模型的配电设备性能参数间关联特征提取器、所述空间金字塔池化模块和所述分类器进行训练。
在本申请的技术方案中，将所述训练配电设备性能参数矩阵通过基于卷积神经网络模型的配电设备性能参数间关联特征提取器得到所述训练配电设备性能参数间关联特征图时，所述训练配电设备性能参数间关联特征图的每个特征矩阵用于表达配电设备性能参数的时序-样本交叉维度局部关联特征，而其各个特征矩阵间符合所述卷积神经网络模型的通道分布，这样，在将所述训练配电设备性能参数间关联特征图通过空间金字塔池化模块后，得到的所述训练配电设备性能参数间多尺度关联特征图的各个特征矩阵分别强化了对应尺度上的特征上下文关联，但是，这也使得所述训练配电设备性能参数间多尺度关联特征图的特征矩阵间的通道分布偏离了所述卷积神经网络模型的通道分布，也就是，使得所述训练配电设备性能参数间多尺度关联特征图作为整体，对于其各个特征矩阵表达的时序-样本交叉维度局部关联特征存在不均衡。并且，这种不均衡在很大程度上与特征表达尺度相关，即特征矩阵的时序-样本交叉维度局部关联特征分布表达尺度，和各个特征矩阵间的偏离卷积神经网络的通道关联分布尺度，例如，可以理解为相对于进行通道关联分布的尺度，时序-样本交叉维度局部关联特征分布越不均衡，则所述训练配电设备性能参数间多尺度关联特征图的整体表达也越不均衡。
因此，优选地，对于所述训练配电设备性能参数间多尺度关联特征图的各个特征矩阵，例如记为Mk，计算与通道和特征矩阵相应的加权系数，具体表示为：以如下优化公式对于所述训练配电设备性能参数间多尺度关联特征图的各个特征矩阵计算与通道和特征矩阵相应的加权系数；其中，所述优化公式为：
其中，Mk是所述训练配电设备性能参数间多尺度关联特征图的各个特征矩阵，L是所述训练配电设备性能参数间多尺度关联特征图的通道数，vk是所述训练配电设备性能参数间多尺度关联特征图的各个特征矩阵Mk的全局特征均值，V是vk组成的特征向量，表示特征向量V的二范数的平方，S是所述训练配电设备性能参数间多尺度关联特征图的各个特征矩阵Mk的尺度，即宽度乘以高度，且/>表示所述训练配电设备性能参数间多尺度关联特征图的各个特征矩阵Mk的Frobenius范数的平方，mi,j表示所述训练配电设备性能参数间多尺度关联特征图的各个特征矩阵Mk的每个位置的特征值，w1是所述训练配电设备性能参数间多尺度关联特征图的加权系数，w2k是所述训练配电设备性能参数间多尺度关联特征图的每个特征矩阵Mk的加权系数；以及，以所述加权系数w1对所述训练配电设备性能参数间多尺度关联特征图沿通道进行加权，并以所述加权系数w2k对所述训练配电设备性能参数间多尺度关联特征图的每个特征矩阵Mk进行加权。
这里，通过类标准柯西分布式的尾部分布加强机制，可以基于特征尺度对高维特征空间内的特征概率密度分布进行多层次分布结构的相关性约束，以使得具有不同尺度的高维特征的概率密度分布在整体概率密度空间内进行均匀性展开，从而弥补特征尺度偏差导致的概率密度收敛异质性。这样，在训练过程中，以上述权重w1对所述训练配电设备性能参数间多尺度关联特征图沿通道进行加权，并以上述权重w2k对所述训练配电设备性能参数间多尺度关联特征图的每个特征矩阵Mk进行加权，就可以提升修正后配电设备性能参数间多尺度关联特征图在分类器的预定概率密度分布域的收敛性，从而提升得到的分类结果的准确性。
综上，基于本发明实施例的基于数字孪生的配电网运行状态预测方法被阐明，其利用数字孪生技术和基于深度学习的人工智能技术来对配电设备的多项性能数据进行综合分析，以实时监控配电设备的运行状态，并及时发现与捕捉异常状况，进而实现对配电网的运行状态的监测和预测。
在本发明的一个实施例中，图3为本发明实施例中提供的一种基于数字孪生的配电网运行状态预测系统的框图。如图3所示，根据本发明实施例的基于数字孪生的配电网运行状态预测系统200，包括：性能数据获取模块210，用于获取配电设备在预定时间段内多个预定时间点的多项性能数据；数据结构化处理模块220，用于将所述多个预定时间点的多项性能数据进行数据结构化处理以得到配电设备性能参数矩阵；关联特征提取模块230，用于提取所述配电设备性能参数矩阵的参数间关联特征；以及，运行状态分析模块240，用于基于所述参数间关联特征，分析所述配电设备的运行状态并显示结果。
在所述基于数字孪生的配电网运行状态预测系统中，所述多项性能数据包括电气性能数据、机械性能数据和环境适应性数据。
这里，本领域技术人员可以理解，上述基于数字孪生的配电网运行状态预测系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的基于数字孪生的配电网运行状态预测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本发明实施例的基于数字孪生的配电网运行状态预测系统200可以实现在各种终端设备中，例如用于基于数字孪生的配电网运行状态预测的服务器等。在一个示例中，根据本发明实施例的基于数字孪生的配电网运行状态预测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于数字孪生的配电网运行状态预测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于数字孪生的配电网运行状态预测系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于数字孪生的配电网运行状态预测系统200与该终端设备也可以是分立的设备，并且基于数字孪生的配电网运行状态预测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图4为本发明实施例中提供的一种基于数字孪生的配电网运行状态预测方法的应用场景图。如图4所示，在该应用场景中，首先，获取配电设备在预定时间段内多个预定时间点的多项性能数据(例如，如图4中所示意的C)；然后，将获取的多项性能数据输入至部署有基于数字孪生的配电网运行状态预测算法的服务器(例如，如图4中所示意的S)中，其中所述服务器能够基于数字孪生的配电网运行状态预测算法对所述多项性能数据进行处理，以分析所述配电设备的运行状态并显示结果。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，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运行状态预测方法，其特征在于，包括：
获取配电设备在预定时间段内多个预定时间点的多项性能数据；
将所述多个预定时间点的多项性能数据进行数据结构化处理以得到配电设备性能参数矩阵；
提取所述配电设备性能参数矩阵的参数间关联特征；以及
基于所述参数间关联特征，分析所述配电设备的运行状态并显示结果。
2.根据权利要求1所述的基于数字孪生的配电网运行状态预测方法，其特征在于，所述多项性能数据包括电气性能数据、机械性能数据和环境适应性数据。
3.根据权利要求2所述的基于数字孪生的配电网运行状态预测方法，其特征在于，将所述多个预定时间点的多项性能数据进行数据结构化处理以得到配电设备性能参数矩阵，包括：
将所述多个预定时间点的多项性能数据按照时间维度和样本维度排列为所述配电设备性能参数矩阵。
4.根据权利要求3所述的基于数字孪生的配电网运行状态预测方法，其特征在于，提取所述配电设备性能参数矩阵的参数间关联特征，包括：
将所述配电设备性能参数矩阵通过基于卷积神经网络模型的配电设备性能参数间关联特征提取器以得到配电设备性能参数间关联特征图；
将所述配电设备性能参数间关联特征图通过空间金字塔池化模块以得到配电设备性能参数间多尺度关联特征图；以及
将所述配电设备性能参数间多尺度关联特征图作为所述参数间关联特征。
5.根据权利要求4所述的基于数字孪生的配电网运行状态预测方法，其特征在于，所述基于卷积神经网络模型的配电设备性能参数间关联特征提取器包括输入层、卷积层、池化层、激活层和输出层。
6.根据权利要求5所述的基于数字孪生的配电网运行状态预测方法，其特征在于，所述空间金字塔池化模块采用四种不同尺度的最大池化操作，池化尺度分别为13x13、9x9、5x5和1x1。
7.根据权利要求6所述的基于数字孪生的配电网运行状态预测方法，其特征在于，基于所述参数间关联特征，分析所述配电设备的运行状态并显示结果，包括：
将所述配电设备性能参数间多尺度关联特征图通过分类器以得到分类结果，所述分类结果用于表示所述配电设备的运行状态是否正常；以及
在屏幕显示所述分类结果以及所述多个预定时间点的多项性能数据。
8.根据权利要求7所述的基于数字孪生的配电网运行状态预测方法，其特征在于，还包括训练步骤：对所述基于卷积神经网络模型的配电设备性能参数间关联特征提取器、所述空间金字塔池化模块和所述分类器进行训练；
其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括配电设备在预定时间段内多个预定时间点的多项训练性能数据，以及，所述配电设备的运行状态是否正常的真实值；
将所述多个预定时间点的多项训练性能数据按照时间维度和样本维度排列为训练配电设备性能参数矩阵；
将所述训练配电设备性能参数矩阵通过所述基于卷积神经网络模型的配电设备性能参数间关联特征提取器以得到训练配电设备性能参数间关联特征图；
将所述训练配电设备性能参数间关联特征图通过所述空间金字塔池化模块以得到训练配电设备性能参数间多尺度关联特征图；
对所述训练配电设备性能参数间多尺度关联特征图进行特征分布修正以得到修正后配电设备性能参数间多尺度关联特征图；
将所述修正后配电设备性能参数间多尺度关联特征图通过分类器以得到分类损失函数值；以及
以所述分类损失函数值来对所述基于卷积神经网络模型的配电设备性能参数间关联特征提取器、所述空间金字塔池化模块和所述分类器进行训练。
9.一种基于数字孪生的配电网运行状态预测系统，其特征在于，包括：
性能数据获取模块，用于获取配电设备在预定时间段内多个预定时间点的多项性能数据；
数据结构化处理模块，用于将所述多个预定时间点的多项性能数据进行数据结构化处理以得到配电设备性能参数矩阵；
关联特征提取模块，用于提取所述配电设备性能参数矩阵的参数间关联特征；以及
运行状态分析模块，用于基于所述参数间关联特征，分析所述配电设备的运行状态并显示结果。
10.根据权利要求9所述的基于数字孪生的配电网运行状态预测系统，其特征在于，所述多项性能数据包括电气性能数据、机械性能数据和环境适应性数据。
CN202311431821.6A 2023-10-31 2023-10-31 基于数字孪生的配电网运行状态预测方法及系统 Pending CN117639228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311431821.6A CN117639228A (zh) 2023-10-31 2023-10-31 基于数字孪生的配电网运行状态预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311431821.6A CN117639228A (zh) 2023-10-31 2023-10-31 基于数字孪生的配电网运行状态预测方法及系统

Publications (1)

Publication Number Publication Date
CN117639228A true CN117639228A (zh) 2024-03-01

Family

ID=90026056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311431821.6A Pending CN117639228A (zh) 2023-10-31 2023-10-31 基于数字孪生的配电网运行状态预测方法及系统

Country Status (1)

Country Link
CN (1) CN117639228A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118132996A (zh) * 2024-05-06 2024-06-04 南京励业智能科技有限公司 一种基于工业数字孪生的自适应生产调度优化方法
CN118381197A (zh) * 2024-06-26 2024-07-23 国网江苏省电力有限公司南通供电分公司 基于数字孪生的配电网故障监测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118132996A (zh) * 2024-05-06 2024-06-04 南京励业智能科技有限公司 一种基于工业数字孪生的自适应生产调度优化方法
CN118381197A (zh) * 2024-06-26 2024-07-23 国网江苏省电力有限公司南通供电分公司 基于数字孪生的配电网故障监测方法及系统
CN118381197B (zh) * 2024-06-26 2024-10-01 国网江苏省电力有限公司南通供电分公司 基于数字孪生的配电网故障监测方法及系统

Similar Documents

Publication Publication Date Title
CN109146093B (zh) 一种基于学习的电力设备现场勘查方法
US10962999B2 (en) Microgrid model based automated real time simulation for market based electric power system optimization
CN117639228A (zh) 基于数字孪生的配电网运行状态预测方法及系统
Kang et al. Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters
CN108564254A (zh) 基于大数据的配电设备状态可视化平台
CN105740975A (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
CN111585349B (zh) 一种电网模型管理及监视系统
CN117408162B (zh) 基于数字孪生的电网故障控制方法
CN114154722A (zh) 一种基于数字孪生技术的配电台区管理方法、系统及装置
CN115796434A (zh) 一种用于配电网的管控方法、装置、电子设备及存储介质
JP7257455B2 (ja) コントローラの意思決定論理の性能を監視するための方法および監視システム
CN117933447A (zh) 一种基于数据分析的故障预测方法及系统
CN118313812A (zh) 一种基于机器学习的电力大数据采集处理方法
CN116308883A (zh) 一种基于大数据的区域电网数据统筹管理系统
CN105958474B (zh) 一种电网调控系统用输电线路动态增容方法和系统
CN118367550B (zh) 基于人工智能的配电柜状态检测方法以及系统
CN117113157B (zh) 一种基于人工智能的台区用电故障检测系统
CN117148048B (zh) 基于数字孪生技术的配电网故障预测方法及系统
CN117494009A (zh) 基于绝缘材料热解分析的电气设备状态评估方法及云平台
CN117390944A (zh) 一种变电站运行工况仿真系统
Guan et al. Enhancing security and resilience of bulk power systems via multisource big data learning
Li et al. Research of Extreme Gradient Enhancement in Fault Prediction of Smart Distribution Networks
Lu et al. A Construction Method for a Unified Information Model in the Context of Intelligent Digital Convert Stations
CN118503860A (zh) 基于深度学习的设备运行数据分析方法及系统
Ahmed et al. Machine learning for base transceiver stations power failure prediction: A multivariate approach

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