一种配电网采集信息低可信性问题的处理方法与流程

本发明涉及电力系统及其自动化领域，具体讲涉及一种配电网采集信息低可信性问题的处理方法。

背景技术：

随着配电网数字化和自动化水平的不断提高，丰富的信息得以实时或准实时地传送到控制中心，这使得综合利用采集的各类实时信息进行配电系统的分析决策成为可能。此外，我国各地电网正着手开始综合数据平台的建设，综合数据平台建成后，均可以从数据平台中直接提取系统的WAMS信息、SCADA信息、故障录波信息、继电保护信息等，为基于信息融合的配电网分析提供了大量宝贵信息。

而另一方面，受采集装置与采集条件的限制，配电网中信息误报、漏报与错报的情况时有发生，因此单一信息源提供的信息存在不确定性和可信度不高的弊端，如果据此进行配电网分析决策必会产生错误的结论，严重影响配电网安全可靠运行。

同时，配电网不同信息量之间存在密切的关联关系，一个量的状态通常可通过其关联量的状态推理获得。

因此，鉴于现有技术存在的上述问题，需要提供一种充分利用现有多信息源条件、基于配电网信息量之间的关联关系、修正信息量测量值、解决配电网信息采集的低可信性的技术方案，以提高数据质量，增强数据分析结论的可靠性。

技术实现要素：

为了解决配电网中信息采集的低可信性问题，可充分利用配电网多信息源条件，基于信息量之间的关联关系，通过信息融合技术，得到可信度更高的配电网实时运行数据，本发明提出了一种配电网采集信息低可信性问题的处理方法。

一种配电网采集信息低可信性问题的处理方法，其特征在于，所述方法包括如下步骤：

I、建立概率关联模型；

II、建立概率融合模型。

进一步的，所述步骤I包括：根据各量之间的关联关系和历史采集信息，用BP神经网络模型，建立配电网中的关注量与其关联量之间的概率关联模型：

(1)历史采集信息的整理；

(2)模型的训练与搭建。

进一步的，所述历史采集信息的采集工具包括：配电自动化系统、智能监测终端和营销系统。

进一步的，所述步骤(1)包括：确定BP神经网络模型训练或测试数据：

确定每次同时刻测量条件下的关联量的测量值r、确定测量可信度m_r和确定关注测量值f_r，

其中，r与f_r均为测量得到，m_r为测量r时采用的测量手段对应的测量可信度。

进一步的，所述步骤(2)包括

1)模型结构的确定：I的表达式如下式所示：

$I=\sqrt{n+2}+a$

其中，I为隐层节点数，a为1～10之间的常数；n为BP神经网络模型的网络输入层节点数等于关联量的个数，输出层节点数为1；

2)模型的训练与搭建：将整理好的历史数据分为，90％的训练数据和10％的测试数据两部分，基于BP神经网络理论，建立概率关联模型。

进一步的，所述步骤II包括：基于配电网采集方式，建立所关注量的概率融合模型：

f_p＝M(f_a,f_m,m_f)

其中，f_p为所关注量的后验状态，f_a为所关注量的先验状态，f_m与m_f分别为关注量测量值与测量可信度，f_m通过测量得到，m_f为测量关注量时采用的测量手段对应的测量可信度。

进一步的，配电网信息采集的低可信性问题的处理包括：

(1)基于配电网信息源数据的采集结果与采集方式，得到所关注量及各关联量的测量值与对应测量概率；

(2)将各关联量的测量值与对应测量概率输入到所述概率关联模型，得到所关注量的先验状态与对应先验概率；

(3)基于所关注量的概率融合模型，融合所关注量的先验状态与测量状态，得到所关注量的后验状态。

与最接近的现有技术比，本发明提供的技术方案具有以下优异效果：

本发明充分利用配电网多信息源条件，对于所关注量的状态判定，除依靠其测量值外，还融合了其关联量状态，有效解决了单一信息源信息误报、错报与漏报所引发的配电网采集信息的低可信性问题，具有较强的实用性。

附图说明

图1为所关注量与各关联量之间的概率关联模型；

图2为所关注量的概率融合模型；

图3为一种配电网采集信息低可信性问题的处理方法数据流图；

图4为一种配电网采集信息低可信性问题的处理方法实施例。

具体实施方式

下面将结合本发明技术流程图以及实施案例示意图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明综合所关注量以及其关联量的测量状态，生成所关注量的后验状态。此后验状态较之测量状态，具有较高的可信度与较低的不确定性。

本发明首先建立两个模型，分别为：

1.针对配电网中的某个关注量，基于各量之间的关联关系，利用历史采集信息，建立所关注量与其关联量之间的概率关联模型。

2.基于配电网采集方式，考虑所关注量与其关联量之间耦合的紧密关系，建立所关注量的概率融合模型。

在配电网运行过程中，利用上述模型，基于如下步骤，进行配电网信息采集的低可信性问题处理：

1.基于配电网多个信息源数据采集结果与采集方式，得到所关注量及各关联量的测量值与对应测量概率。其中，关注量测量值与测量概率表示为f_m与m_f，关联量测量值与测量概率表示为r₁,r₂,...,r_n与m_r1,m_r2,...,m_rn，其中n为关联量个数。

2.将各关联量的测量值与对应测量概率输入之前建立的概率关联模型，得到所关注量的先验状态与对应先验概率，分别表示为f_a与a_f。

3.基于所关注量的概率融合模型，融合所关注量的先验状态f_a与测量状态f_m，得到所关注量的后验状态f_p。

此后验状态除了考虑所关注量本身的采集数据外，还充分考虑了其它关联量的状态对所关注量状态的影响，因此具有更高的可信度。

针对图4所示实施例，具体阐述本发明所述方法。

本例所示配电网中，针对开关B的开合状态存在误报现象，为此，开关B的开合状态即为所关注量。其关联量为，开关A是否流过故障电流(是为1，否为0)以及开关C是否流过电流(是为1，否为0)。开关的开合状态来自配电自动化系统，开关是否流过故障电流可来自配电自动化系统或智能监测终端。

1.建立概率关联模型

针对开关B的开合状态(关注量，“断开”赋值为0，“闭合”赋值为1)，基于其与“开关A是否流过故障电流”(关注量1，“是”赋值为1，“否”赋值为0)以及“开关C是否流过电流”(关联量2，“是”赋值为1，“否”赋值为0)之间的关联关系，利用历史采集信息，建立所关注量与其关联量之间的概率关联模型。该模型输入量为关联量的测量值与测量可信度，分别表示为r₁,r₂与m_r1,m_r2，r值为测量得到；该模型输出量为关注量先验状态，表示为f_a。该模型可采用BP神经网络模型，建立方法如下：

(1)历史数据整理

取之前的历史测量信息，进行整理，获得每次同时刻测量条件下的关联量测量值与测量可信度(r₁,r₂与m_r1,m_r2)以及关注量测量值f_r，作为BP神经网络模型训练或测试数据。其中，r₁,r₂与f_r均为测量得到，m_ri为测量r_i(i＝1,2)时采用的测量手段对应的测量可信度，可通过“1减去测量误差”得到。

(2)模型训练与搭建

模型结构确定：所建立的BP网络输入层节点数等于关联量的个数2，输出层节点数为1，隐层节点数设定为I(其中a为1～10之间常数，具体取值通过多次训练与测试实验获得。如通过多次训练与测试实验可知，当a取3时，该模型具有较好的训练速度和识别效果，则隐层节点数设定为I＝5)。

模型训练与搭建：将整理好的历史数据，分成两部分，其中90％作为训练数据，10％作为测试数据。训练数据中的每一个训练样本，包括每次同时刻测量条件下的关联量测量值与测量可信度(r₁,r₂与m_r1,m_r2)以及关注量测量值f_r。其中，关联量测量值与测量可信度(r₁,r₂与m_r1,m_r2)作为网络训练所需要的输入数据，关注量测量值f_r作为网络训练所需要的目标数据。基于BP神经网络理论，通过不断地模型训练与测试，最终完成BP神经网络模型搭建，即建立了所关注量与其关联量之间的概率关联模型。

2.建立概率融合模型

基于配电网采集方式，考虑所关注量与其关联量之间耦合的紧密关系，建立开关B状态的概率融合模型如下：

(1)若开关B的先验状态为断开状态，其测量状态也为断开状态且测量可信度大于0.5，则确定开关B为断开状态。

(2)若开关B的先验状态为闭合状态，其测量状态也为闭合状态且测量可信度大于0.5，则确定开关B为闭合状态。

(3)在其它状况下，开关B为断开状态的后验概率为：

其中，若开关B先验状态为断开状态，则“开关B为断开状态的先验概率”为1；若开关B先验状态为闭合状态，则“开关B为断开状态的先验概率”为0；若开关B测量状态为断开状态，对应测量可信度为m_r，则“开关B为断开状态的测量概率”为m_r；若开关B测量状态为闭合状态，对应测量可信度为m_r，则“开关B为断开状态的测量概率”为1-m_r。

在配电网运行过程中，利用上述模型，基于如下步骤，进行配电网信息采集的低可信性问题处理：

1.基于配电自动化以及智能监测终端的采集结果可知，开关A流过故障电流且开关C未流过电流，而开关B为断开状态，其对应测量可信度为0.8。

2.利用概率关联模型，输入“开关A流过故障电流”(即关联量1赋值为1)“开关C未流过电流”(即关联量2赋值为0)以及对应的测量可信度0.8，输出“开关B的先验状态为断开状态”。

3.由上可知，开关B的先验状态为断开状态，其其测量状态也为断开状态且测量可信度大于0.5，则基于概率融合模型判定，开关B为断开状态。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。