一种数据驱动的配电网合环条件判定方法与流程

本发明涉及一种数据驱动的配电网合环条件判定方法，属配用电技术领域。

背景技术：

在配电网倒负荷或故障时，通过合环操作能保证用户不间断供电，合环时会使环路中潮流重新分布，并产生合环电流，若冲击电流或稳态电流过大有可能造成馈线开关跳闸，反而降低用户供电可靠性，因此必须对待合环网是否能合环进行判定。

配电网合环时潮流计算是验证合环条件下配电网能否合环的重要手段。在电压、负荷、网络参数已知的情况下，通过建立配电网合环等值模型，应用牛顿法、p-q分解法、前推回代法等潮流计算方法，分析配电网环网时潮流变化情况，进而判断配电网合环的安全风险，并得到合环简化判断条件。在合环等值模型中，联络开关处所经过的电流刚好为合环电流，合环时各馈线出线电流为合环前负荷电流与合环电流进行叠加，未考虑合环时环路中各节点潮流会发生变化，可能导致合环后馈线出线电流与实际值存在较大偏差，另外，配电网线路参数仍是通过线路线径、长度等基础信息粗略计算得到，网络参数的准确性与否将对配电网合环潮流计算产生影响，因此采用潮流计算模型仍具有的一定的局限性。

近年来，随着电力系统配电自动化不断推进，配电网电压、负荷等时序数据已完成电气采集，数据驱动技术已在潮流计算、电压优化与控制、负荷预测等方面得到越来越多的应用，通过数据驱动技术可以更好地应用配电网规模庞大、运行机理复杂、随机程度高的发展趋势，不受限于电网规模和结构，也不需要预知电网具体参数，有效地解决了配电网结构复杂、线路参数难获取等问题。

技术实现要素：

本发明的目的是，为了准确解决配电线路是否能合环问题，本发明提出了一种数据驱动的配电网合环条件判定方法。

本发明实现的技术方案如下，一种数据驱动的配电网合环条件判定方法，所述方法对开环运行数据进行预处理，使处理后的开环运行数据为合环运行下运行数据；接着将处理后各节点负荷作为神经网络输入值，处理后各节点电压差值作为神经网络输出值，通过大量训练得到合适的神经网络参数，并应用测试集对神经网络性能进行测试，以评估神经网络模型的泛化能力；然后应用训练好的神经网络模型对合环时潮流进行预测并对合环电流进行计算；根据合环后的馈线首端最大稳态电流和最大冲击电流有效值判定待环网是否可以合环。

所述合环后的馈线首端最大稳态电流和最大冲击电流有效值计算方法如下：

合环后的馈线首端最大稳态电流为：

ia＝iaf+ic

ib＝ibf+ic

合环后的馈线首端出现的最大冲击电流有效值为：

i′a＝iaf+(k+1)ic

i′b＝ibf+(k+1)ic

其中：k为最大冲击系数，取1.62；iaf为馈线a不含合环电流的出线负荷电流；ibf为馈线b不含合环电流的出线负荷电流；ic为合环电流；

根据合环后的馈线首端最大稳态电流和最大冲击电流有效值，判断分别是否小于过流i段保护定值和过流ii段保护定值，以确定待环网是否可以合环。

所述馈线不含合环电流的出线负荷电流计算方法如下：

合环前，对待合环两条馈线各节点负荷功率、电压进行处理，利用训练好的神经网络模型输出得到各节点电压差值，将馈线b电源点的母线电压与预测值电压值进行比较，若馈线b电源点母线电压大于预测值电压值，将馈线a末端逐节点负荷功率取反向值增加到馈线b电源点功率当中，反之，将馈线b末端逐节点负荷功率增加到馈线b电源点功率当中，使之馈线b电源点母线电压与预测值电压值接近相等，最终得到两条馈线合环后负荷功率，两条馈线不含合环电流的出线负荷电流计算如下式：

馈线a不含合环电流的出线负荷电流iaf为：

馈线b不含合环电流的出线负荷电流ibf为：

其中：sa、sb分别馈线a、馈线b两端电源点环网负荷功率；una、unb分别为馈线a、馈线b的母线电压；iaf、ibf分别为馈线a、馈线b的环网负荷电流。

所述合环电流的计算方法如下：

假设合环后线路除馈线b电源点之外，其他各节点负荷均为0，馈线b电源点分别接带纯有功负荷和无功负荷时，经训练好的神经网络模型输出得到各节点电压差值，进一步得到馈线a电源点至馈线b电源点电压差δur和δux，根据电压差及接带负荷功率分别得到环路电阻和环路电抗，如下式所示：

其中：rc、xc分别为环路电阻及电抗；scr、scx分别为馈线b电源点施加的有功负荷、无功负荷；

通过两端母线电压差值、环路阻抗便可计算出线路合环电流，考虑两端母线电压最大相角差为2°，合环电流计算如下式所示：

其中：δu为两端母线电压最大电压差，zc为环路阻抗。

所述各节点电压差值计算方法如下：

两条馈线相邻节点电压差计算具体为：对于馈线a，从线路首端至末端逐级相减，节点(i+1)电压差由节点(i+1)电压减去节点i电压；对于馈线b，从线路末端至首端逐级相减，节点i电压差值由节点(i+1)电压减去节点i电压；

如下式所示：

δua(i+1)＝ua(i+1)-uai

δubi＝ub(i+1)-ubi

将两条馈线合并一条线路并重新编号；

数据处理后馈线a节点n功率pn，qn按公式：p′n＝pn+pm；q′n＝qn+qm计算得出；

馈线b电源点功率p0，q0按公式：计算得出；

其中：p0、q0分别为馈线b电源点有功功率值、无功功率值，pi、qi分别为馈线b各节点有功功率值、无功功率值；

环路各节点电压差按公式δua(i+1)＝ua(i+1)-uai和δubi＝ub(i+1)-ubi计算得出，处理后各时间断面节点负荷、电压差数据作为数据驱动神经网络模型训练与测试数据。

本发明的有益效果是，本发明方法在不依赖具体网络参数的情况下，提出了一种数据驱动的配电网合环判定方法，分析环网配电网电压和功率分布计算方法，对开环运行下各节点电气数据进行预处理以满足合环条件下运行数据，通过对合环时配电网功率和合环电流进行计算，以达到判断待环网是否能合环的目的。算例表明，本发明能够准确判断待环网是否可以合环，适用于大规模应用与推广。

本发明方法考虑合环时环路中各节点潮流会发生变化，使得合环后馈线出线电流与实际值更加接近；数据驱动模型不受限于电网规模和结构，也不需要预知电网具体参数，能有效地解决了配电网结构复杂、线路参数难获取等问题。本发明不需要台区运维人员另外加装量测装置，而是利用配电变压器已有运行数据及线路运行数据，极大降低了设备成本，有力提升了配电网合环操作安全水平。

附图说明

图1为数据驱动的配电网合环条件判定方法流程；

图2为典型配电网网架结构示意图；

图3为bp人工神经网络示意图。

具体实施方式

本发明的具体实施方式如图1所示。

本实施例数据驱动的配电网合环条件判定方法流程如下：

(1)获取待环网时,两条馈线线路及接带配变开环运行条件下历史运行数据。

(2)对开环运行历史数据进行预处理。

(3)神经网络数据驱动模型建模。

(4)将预处理后的开环历史数据分成训练集和测试集，进行训练和测试。修改与完善网络参数。

(5)确定合环前开环运行数据。

(6)对确定合环前开环运行数据预处理，进行潮流分布计算和环路阻抗计算。

(7)计算馈线两端合环时的负荷电流，计算合环时的合环电流。

(8)根据计算结果，判定是否可以合环。

本实施例一种数据驱动的配电网合环条件判定方法，具体实施如下：

(1)当两条馈线之间合上联络开关后，若联络开关刚好处于功率分点，即在各节点负荷功率不变的情况下，合环前与合环后两条馈线送出功率不变，如图2所示，对于环网中馈线a而言，若使馈线a各节点电压不受改变，联络开关后端馈线b有功、无功功率总和分别为0。将馈线b电源点当成负荷点来处理，其有功功率、无功功率分别等于馈线b各节点有功功率、无功功率总和的反向值，忽略线路本身损耗，如式(1)(2)所示。

其中：p0、q0分别为馈线b电源点有功功率值、无功功率值，pi、qi分别为馈线b各节点有功功率值、无功功率值。

(2)将联络开关处馈线a节点n功率(pn，qn)和馈线b节点m功率(pm，qm)进行合并，并将馈线b节点m功率设置为0，合并后馈线a节点n功率为：

p′n＝pn+pm(3)

q′n＝qn+qm(4)

(3)通过馈线b开环功率数据处理后，还需对环路上各节点电压数据进行处理，馈线a、b在开环运行时，相邻节点电压差忽略电源点电压的影响，只受各节点负荷影响，因此两条馈线相邻节点电压差计算具体如下：对于馈线a，从线路首端至末端逐级相减，节点(i+1)电压差由节点(i+1)电压减去节点i电压，对于馈线b，从线路末端至首端逐级相减，节点i电压差值由节点(i+1)电压减去节点i电压，如式(5)(6)所示。

δua(i+1)＝ua(i+1)-uai(5)

δubi＝ub(i+1)-ubi(6)

将两条馈线合并一条线路并重新编号，数据处理后馈线a节点n功率(pn，qn)按公式(3)、(4)计算得出，馈线b电源点功率(p0，q0)按公式(1)、(2)计算得出，环路各节点电压差按公式(5)、(6)计算得出，处理后各时间断面节点负荷、电压差数据作为数据驱动神经网络模型训练与测试数据。

(4)将处理后各节点负荷作为神经网络输入值，处理后各节点电压差值作为神经网络输出值，通过大量训练得到合适的神经网络参数，并应用测试集对神经网络性能进行测试，以评估神经网络模型的泛化能力，进而对合环时潮流进行预测并对合环电流进行计算，以判定配电网是否具备合环条件，典型bp神经网络结构如图3所示。

(5)bp算法在向前传播阶段中，信息从输入层经过隐含层逐级变换传送到输出层，如式(7)所示：

o＝fⁿ(f^n-1(...f¹(xw¹)+b¹)...)w^n-1+b^n-1)(7)

x表示输入样本，w¹…w^n-1表示隐层的权值矩阵，b¹…b^n-1表示隐层的偏置矩阵，f¹…f^n-1表示隐层的权值函数，fⁿ表示输出函数，o为期望向量。

在后向传播阶段中，对网络的权值和偏差进行反复调整训练，使均方差误差最小化，第i个样本的误差精度如式(8)所示：

整个样本集的误差，如式(9)所示：

通过大量样本训练后，便可得到训练后神经网络结构中权值矩阵和偏置矩阵。

将处理后运行数据分成训练集和测试集，通过训练集不断训练，具体公式见公式(7)、(8)、(9)，得到训练后的神经网络结构，并应用测试集对已经训练好的神经网络结构进行测试，即测试结果与实际结果进行比较，评估神经网络的泛化能力。

(6)合环负荷电流计算，合环前，对待合环两条馈线各节点负荷功率、电压进行处理，利用训练好的神经网络模型输出得到各节点电压差值，将馈线b电源点的母线电压与预测值电压值进行比较，若馈线b电源点母线电压大于预测值电压值，将馈线a末端逐节点负荷功率取反向值增加到馈线b电源点功率当中，反之，将馈线b末端逐节点负荷功率增加到馈线b电源点功率当中，使之馈线b电源点母线电压与预测值电压值接近相等，最终得到两条馈线合环后负荷功率，两条馈线不含合环电流的出线负荷电流计算如式(9)、(10)所示。

其中：sa、sb分别两端电源点环网负荷功率，una、unb分别两条馈线母线电压，iaf、ibf分别两条馈线环网负荷电流。

(7)合环时稳态电流及冲击电流计算，假设合环后线路除馈线b电源点之外，其他各节点负荷均为0，馈线b电源点分别接带纯有功负荷和无功负荷时，经训练好的神经网络模型输出得到各节点电压差值，进一步得到馈线a电源点至馈线b电源点电压差δur和δux，根据电压差及接带负荷功率分别得到环路电阻和环路电抗，如式(10)(11)所示。

其中：rc、xc分别为环路电阻及电抗，scr、scx分别为馈线b电源点施加的有功负荷、无功负荷。

通过两端母线电压差值、环路阻抗便可计算出线路合环电流，考虑两端母线电压最大相角差为2°，合环电流计算如式(18)所示。

其中：δu为两端母线电压最大电压差，zc为环路阻抗。

相应地，合环后的馈线首端最大稳态电流为：

ia＝iaf+ic(13)

ib＝ibf+ic(14)

合环后的馈线首端可能出现的最大冲击电流有效值为：

i′a＝iaf+(k+1)ic(15)

i′b＝ibf+(k+1)ic(16)

其中：k为最大冲击系数，取1.62。

(8)根据合环后的馈线首端最大稳态电流和最大冲击电流有效值，判断分别是否小于过流i段保护定值和过流ii段保护定值，确定待环网是否可以合环。