考虑深度效应的配网停电判断方法及系统与流程

本发明涉及配电网停电判断，更具体地说，本发明涉及考虑深度效应的配网停电判断方法及系统。

背景技术：

1、授权公告号为cn108318782b的专利公开了一种基于网络拓扑与配变停电信息的配电网故障区域辨识方法，在同一时刻断面下，搜集停电配变信息并匹配拓扑线路，生成停电事件对应的停电配变集；根据中压线路单线图，完成二次构图；在停电配变集中，随机寻找该停电配变集中任一停电配变，根据选中的停电配变向供电上游寻找与主线连接且与该停电配变相邻最近开关；研判相邻最近开关性质；确定线路区段停电容错阈值x；由区段停电评估置信指数m，判断该区段停电状态；若停电配变集中配变均已标记，根据主干线及各区段连接顺序及各区段停电状态，研判停电跳闸开关，推送开关信息及停电配变信息。该发明可以在尚未配备配电自动化监测装置的线路上，辨识配电网中停电故障区段。

2、现有的配电网停电判断技术存在判断准确率低、误报率高的问题；主要原因在于,现有技术没有考虑配电网的拓扑结构与节点状态之间的内在关联性,不能准确预测节点的停电时间,也没有建立节点状态到线路状态的严谨判断模型,仅依赖单一的判断方式,导致判断结果的可解释性较差；同时,现有技术也没有考虑配电网的拓扑深度效应,使得方法适用面较窄；现有技术无法快速定位故障区域,延长了供电中断时间；综上,现有技术很难实现对配电网线路停电状态的准确判断,无法满足对供电可靠性的要求。

3、鉴于此，本发明提出考虑深度效应的配网停电判断方法及系统以解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：考虑深度效应的配网停电判断方法，包括：

2、s1、根据配电网拓扑连接关系图纸,建立配电网的节点连通网格模型；

3、s2、采集配电网的实时运行数据,并判断节点连通网格模型中各节点的实时运行状态，实时运行状态为停电的节点组成停电节点集合；

4、s3、采用时间序列分析方法对停电节点集合内的节点的流量时间序列进行预测,并与对应节点的实时流量进行比较,确定每个发生停电节点的停电时间,并统计获得所有发生停电节点中最晚的停电时间t；

5、s4、针对节点连通网格模型中任一线路l,统计在停电时间t之前发生停电并持续大于规定时间的属于线路l的节点数c,计算线路l的节点停电比例p；

6、s5、利用贝叶斯推断方法,以线路l的节点在时间t内的停电比例p为证据,获取线路l在时间t内发生停电的后验概率；

7、s6、设置先验概率阈值，根据线路l在时间t内发生停电的后验概率,得到确定性判断结果；预设模糊可能性分布函数,对线路l在时间t内发生停电的后验概率进行模糊可能性判定,得到模糊可能性判断结果；

8、根据确定性判断结果和模糊可能性判断结果,判断线路l在时间t内是否发生停电；若判断线路l在时间t内发生停电,则进行故障告警和停电区域划分。

9、进一步地，所述步骤s1，包括：

10、收集配电网的单线图和配电台区图,根据配电网的单线图和配电台区图确定配电网的所有节点,节点包括变电站、开关站、配电室和用户；根据单线图和配电台区图确定各个节点之间的连接关系,用边表示两个节点之间的连接,采用邻接矩阵表示节点之间的拓扑连接；

11、根据邻接矩阵,建立一个无向图表示配电网的拓扑结构,该无向图即为初始配电网节点连通网格模型；无向图中的节点对应配电网中的节点,无向图中的边对应节点之间的电力连接；充分反映配电网的拓扑连接结构；

12、通过图论算法,检查初始配电网节点连通网格模型的连通性,当初始配电网节点连通网格模型中所有配电网节点之间均有路径相连,不存在孤立节点，初始配电网节点连通网格模型即为配电网的连通网格模型；

13、进一步地，所述步骤s2，包括：

14、在节点连通网格模型的每个节点安装配电自动化终端,形成全面的监测网络；配电自动化终端实时采集节点的电压和电流,并在配电自动化终端内部完成模数转换进行存储；

15、采用无线自组网的mesh网络方式,实现配电自动化终端之间的实时通信,构建自愈合通信网络；设置数据聚合器,对配电自动化终端存储的数据进行汇总,并利用压缩感知算法将存储的数据进行降维；得到对应的数据特征量；数据特征量包括电压有效值和电流均方根值；

16、预设正常电压区间为[umin,umax],umin为区间最小值，umax为区间最大值；获取节点在指定时间窗口内的电压有效值u_eff；若节点电压u满足u∈[umin,umax],则该节点属于正常电压，若节点电压u不满足u∈[umin,umax],则将该节点初步标记为电压异常；

17、预设零电流判断阈值i_th，对有电压异常初步标记的节点,获取其电流均方根值i_rms；若|i_rms|<i_th,则判定该节点的实时运行状态为停电；

18、若该节点的相邻节点被判定为实时运行状态为停电,则该节点视为正常电压但有故障嫌疑的节点；

19、对于视为正常电压但有故障嫌疑的节点,找出该节点所有的相邻节点,这些相邻节点的电压为u2。视为正常电压但有故障嫌疑的节点的电压为u1；依次计算视为正常电压但有故障嫌疑的节点与每个相邻节点的电压倍率j＝u1/u2；

20、取得视为正常电压但有故障嫌疑的节点以及其所有相邻节点之间的电压相角；视为正常电压但有故障嫌疑的节点的电压相角为θ1；其相邻节点的电压相角为θ2；计算电压相角差δθ＝θ1-θ2；

21、预设电压倍率阈值k_th和相角差阈值θ_th；若视为正常电压但有故障嫌疑的节点存在相邻节点使得|j-1|>k_th或|δθ|>θ_th；则判定该视为正常电压但有故障嫌疑的节点的实时运行状态为停电。

22、进一步地，所述步骤s3，包括：

23、s301、收集停电节点集合内的停电节点在停电发生前n个时间单位内的流量序列数据{x1,x2,...xn}；x1至xn为n个时间单位内的流量序列数据；

24、s302、构建arima模型，采用最大似然估计获取arima模型的三个参数p、d和q；其中，p表示arima模型的自回归项的个数；d表示进行差分的次数,用于去除时间序列的非平稳性；q表示arima模型的滑动平均项的个数；

25、s303、使用最大似然估计法估计p、d和q的值,使arima模型对数据的拟合程度最大化；采集流量序列数据{x1,x2,...xn}内任一流量对应时间的最近k个时间点的实际流量作为已知数据输入arima模型；使用估计的arima模型p、d和q的值进行系数获取,得到训练好的arima模型；

26、s304、使用训练好的arima模型递归进行多步流量预测,得到未来m个时间点的流量预测值；

27、预设异常流量阈值，若某个时间点的实际流量值与流量预测值之间的差值大于预设的异常流量阈值,则判定这个时间点为该停电节点的流量异常的时间点,作为该节点的潜在停电起始时间；

28、s305、从该流量异常时间点向前遍历,若节点的实际流量与预测流量的差值持续大于阈值,则潜在停电起始时间即为该节点的确切停电起始时间；

29、s306、对停电节点集合内的所有停电节点,重复步骤s304到s305,确定停电节点集合内每个停电节点的确切停电起始时间；

30、s307、对所有停电节点的停电起始时间进行排序,取其中时间最大的值作为配电网最晚的停电时间点t。

31、进一步地，所述步骤s4，包括：

32、s401、在节点连通网格模型中获取线路l包括的所有节点；,将线路l包括的节点中,实时运行状态为停电的节点提取出来，构成线路l停电节点集合；根据步骤s3，获取线路l停电节点集合内所有停电节点的确切停电起始时间ts；

33、s402、预设停电持续时间判断阈值td_th,例如，设置td_th为10分钟；对线路l停电节点集合内每个停电节点,计算其停电持续时间td＝t-ts；

34、s403、判断线路l停电节点集合内每个停电节点的停电持续时间td是否大于等于预设的停电持续时间判断阈值td_th；统计线路l停电节点集合中,在时间t之前发生停电,且停电持续时间td大于等于td_th的节点数量,记为c；

35、s404、计算线路l的节点停电比例p＝c/线路l包括的所有节点数。

36、进一步地，所述步骤s5，包括：

37、s501、设置线路l在时间t内发生停电的先验概率分布p(停电)＝{p1,p2,...,pw}，其中，p1至pw表示w个先验概率区间；每个区间对应一个先验概率值；停电比例p与线路l在时间t内发生停电之间的条件概率表示为条件概率表p(p|停电)；表示在线路l在时间t内发生停电的条件下,出现节点停电比例p的概率；

38、s502、根据贝叶斯法则得到后验概率公式p(停电|p)＝p(p|停电)×p(停电)/p(p)；其中，p(停电|p)为线路l在时间t内发生停电的后验概率分布；p(p|停电)为条件概率表值；p(停电)为先验概率分布值；p(p)为节点停电比例p出现的概率；

39、s503、将节点停电比例p和n个先验概率区间带入后验概率公式,得到线路l在t内发生停电的后验概率分布p(停电|p)＝{p(停电1|p),p(停电2|p),...,p(停电n|p)}；其中，停电1至停电n为n个先验概率区间；从线路l在t内发生停电的后验概率分布中选取最大概率,作为线路l在时间t内发生停电的后验概率h。

40、进一步地，所述确定性判断结果的获取方式包括：

41、设置r个先验概率阈值,表示线路l在t内发生停电的可能性程度；将h与每个先验概率阈值进行比较,若h大于任一先验概率阈值,则得到确定性判断结果a为线路l在t内发生停电；

42、若h均小于或等于所有先验概率阈值,则得到确定性判断结果a为线路l在t内没有发生停电。

43、进一步地，所述模糊可能性判断结果的获取方式包括：

44、预设模糊可能性分布函数为三角模糊数m(a,b,c),设置三角模糊数的隶属函数

45、式中，a、b和c为模糊可能性分布函数的三个参数值；x为模糊可能性分布函数自变量；a表示低可能性边界值；b表示中等可能性边界值；c表示高可能性边界值；

46、将后验概率h带入函数μm(x)计算对应的隶属值,记为μm(h)；并判断μm(h)属于的可能性范围；

47、若μm(h)∈[b,c],则得到模糊可能性判断结果b为高可能性；

48、若μm(h)∈[a,b],则得到模糊可能性判断结果b为中等可能性；

49、若μm(h)∈[0,a],则得到模糊可能性判断结果b为低可能性；

50、进一步地，所述判断线路l在时间t内是否发生停电的方式包括：

51、当确定性判断结果a为线路l在t内发生了停电或模糊可能性判断结果b为高可能性；则判断线路l在时间t内发生停电。

52、进一步地，所述进行故障告警和停电区域划分包括：

53、根据节点连通网格模型确定线路l的上下游拓扑关系,找到线路l直接供电的节点集合，节点集合所在区域构成线路l的第一级停电区域；对于第一级停电区域中的每个节点,再搜索其的下级节点,逐级获取线路l停电后受影响的所有下级节点；将受影响的所有下级节点的地理位置信息整理在一起,进行空间集聚分析,得到g个现实停电区域；对每个现实停电区域计算其包括的节点数和面积大小,节点数和面积大小构成停电区域报告；在配电网地理信息系统中将现实停电区域的边界显示出来,形成停电区域分布图；将停电区域报告和停电区域分布图发送至配电网管理终端。

54、考虑深度效应的配网停电判断系统，其基于所述的考虑深度效应的配网停电判断方法实现，包括：模型构建模块，用于根据配电网拓扑连接关系图纸,建立配电网的节点连通网格模型；

55、停电节点集合获取模块，用于采集配电网的实时运行数据,并判断节点连通网格模型中各节点的实时运行状态，实时运行状态为停电的节点组成停电节点集合；

56、停电时间获取模块，用于采用时间序列分析方法对停电节点集合内的节点的流量时间序列进行预测,并与对应节点的实时流量进行比较,确定每个发生停电节点的停电时间,并统计获得所有发生停电节点中最晚的停电时间t；

57、停电比例获取模块，用于针对节点连通网格模型中任一线路l,统计在停电时间t之前发生停电并持续大于规定时间的属于线路l的节点数c,计算线路l的节点停电比例p；

58、后验概率获取模块，用于利用贝叶斯推断方法,以线路l的节点在时间t内的停电比例p为证据,获取线路l在时间t内发生停电的后验概率；

59、停电区域划分警报模块，用于设置先验概率阈值，根据线路l在时间t内发生停电的后验概率,得到确定性判断结果；预设模糊可能性分布函数,对线路l在时间t内发生停电的后验概率进行模糊可能性判定,得到模糊可能性判断结果；

60、根据确定性判断结果和模糊可能性判断结果,判断线路l在时间t内是否发生停电；若判断线路l在时间t内发生停电,则进行故障告警和停电区域划分。

61、本发明考虑深度效应的配网停电判断方法及系统的技术效果和优点：

62、本发明能够准确判断线路是否发生停电,解决现有技术难以准确判断线路停电状态的问题,提高了配电网运行的稳定性和可靠性；应用节点状态判断与时间序列分析预测停电时间,提高了停电判断的准确性,降低误报概率；利用节点停电比例计算与贝叶斯推理相结合,进行停电概率计算,实现了从节点状态到线路状态的准确判定；采用确定性判断与模糊判断相融合的方式,兼顾准确性与可解释性,提升了停电判断的可靠性；根据拓扑关系进行停电区域划分与报警,可以快速定位故障区域,指导维修,缩短供电中断时间；本实施例充分考虑配电网拓扑结构的深度效应,创新性地将拓扑分析、节点状态判断、时间序列预测、贝叶斯推理等技术手段有机结合,实现提高配电可靠性运行的目的。