一种基于残差检测与机器学习分类的配电网状态辨识方法与流程

摘要: 本申请涉及配电网状态检测,尤其涉及一种基于残差检测与机器学习分类的配电网状态辨识方法。背景技术:1、随着分布式新能源、储能装置、电动汽车充电设施以及可控负荷的大...
一种基于残差检测与机器学习分类的配电网状态辨识方法与流程

本申请涉及配电网状态检测,尤其涉及一种基于残差检测与机器学习分类的配电网状态辨识方法。

背景技术:

1、随着分布式新能源、储能装置、电动汽车充电设施以及可控负荷的大量接入,配电网运行状态呈现出更强的随机性和波动性。负荷投切、线路故障、开关动作、电容器组投切以及电压调节等情形,均可能引起电压、电流、有功功率、无功功率等电气量的暂态变化。若不能及时准确识别上述配电网状态变化,将影响配电网运行态势感知、故障定位和调度控制。

2、现有配电网监测系统多依赖scada(supervisory control and dataacquisition,数据采集与监视控制系统)、馈线自动化终端、智能电表或保护装置采集运行数据。然而,scada 和智能电表的采样频率较低,难以捕获短时暂态扰动;保护装置主要面向故障保护场景,难以全面识别弱扰动、非故障类事件或多类型运行事件。近年来,微型相量测量单元(,micro phasor measurement unit)能够提供高精度、同步化的三相电压和电流相量数据,为配电网状态检测与分类提供了新的数据基础。

3、现有状态检测方法中,部分方法直接基于电压、电流或功率幅值设置阈值,当量测值超过阈值时判定配网状态发生变化。该类方法实现简单,但易受负荷自然波动、测量噪声和运行方式变化影响,阈值难以统一设定,容易产生误报或漏报。另一些方法依赖精确的配电网拓扑、线路参数和负荷模型,通过状态估计或潮流计算判断异常状态,但实际配电网拓扑变更频繁,台账数据与现场运行状态可能不一致,导致该类方法建模成本高、适应性不足。

4、此外,现有部分基于机器学习的状态识别方法通常依赖前端状态检测结果,若状态片段提取不准确,后续分类效果也会受到影响;同时,部分方法仅关注单一测量点或单一电气量特征,难以充分利用多通道数据之间的关联信息。因此,亟需一种能够在不依赖完整精确配电网模型的情况下,从高频电压、电流量测数据中及时检测配电网状态,并进一步辨识状态类型或状态来源位置的方法。

技术实现思路

1、本申请实施例通过提供一种基于残差检测与机器学习分类的配电网状态辨识方法,解决了现有技术中无法及时有效处理数据的问题,可以无需精确配电网模型的情况下,将海量高频数据自动转化为可分类、可定位的配电网状态信息,提高状态检测精度,减少误报漏报。

2、为了实现上述目的,本申请实施例提供了一种基于残差检测与机器学习分类的配电网状态辨识方法,所述方法包括:

3、获取配电网的三相电压幅值序列和三相电流幅值序列,按照预设滑动时间窗口将所述三相电压幅值序列和所述三相电流幅值序列划分为多个序列片段;其中,每个滑动窗口包含

n个连续采样点;

4、利用当前滑动窗口内的序列片段,确定基波稳态非线性估计模型中的回归系数向量;

5、基于所述三相电压幅值序列,结合所述回归系数向量和所述基波稳态非线性估计模型,确定配电网正常状态下的电流幅值参考值;

6、根据所述三相电流幅值序列与所述电流幅值参考值的差值,得到残差序列;

7、在所述残差序列超过设定阈值的情况下,确定触发配电网状态变化辨识,并记录所述配电网的状态数据;

8、提取所述数据的单变量特征与双变量特征,形成状态特征向量;

9、将所述状态特征向量输入多分类支持向量机,确定所述状态特征向量对应配电网状态的类型;所述类型为状态变化发生位置处于输电网或其他馈线、处于用户负荷、处于两个测量之间的馈线段。

10、在一种可能的实施方式中,所述预设滑动时间窗口为多个不同时间尺度的滑动窗口,由采样频率、持续时间或配置参数确定,确保状态变化无论何时发生都能被覆盖,不同尺度的窗口负责不同状态变化的检测。

11、在一种可能的实施方式中,所述非线性估计模型表示为:;其中,为第个滑动窗口的电流幅值参考值,,为固定偏置项,为电压倒数对电流的影响控制项,为第个滑动窗口的电压幅值序列。

12、在一种可能的实施方式中,所述提取所述状态数据的单变量特征与双变量特征,形成状态特征向量,包括:

13、以所述配电网状态变化的发生时刻为中心,选取预设时间长度的窗口,提取所述状态数据的单变量特征与双变量特征,形成状态特征向量。

14、在一种可能的实施方式中,所述多分类支持向量机由多个支持向量机构成;所述将所述状态特征向量输入多分类支持向量机,确定所述状态特征向量对应配电网状态的类型,包括:

15、训练阶段与在线识别阶段;

16、在所述训练阶段,基于已标注的配电网状态变化样本提取特征向量,并将所述特征向量及其类别标签输入所述多分类支持向量机进行训练,得到各类别对应的决策函数;

17、在所述在线识别阶段,将所述状态特征向量输入训练后的所述多分类支持向量机,确定各类别对应的决策函数的输出值,将最大输出值对应的类别作为所述类型,同时将所述最大输出值作为置信度指标;

18、在所述残差序列低于所述设定阈值的情况下,判定配电网无状态变化发生,不进入分类流程。

19、本申请实施例中提供的技术方案,至少具有如下技术效果或优点:

20、(1)无需完整、准确、实时更新的配电网拓扑、线路参数、负荷模型,可以直接检测配电网状态变化,减少了资源占用;

21、(2)可以通过残差峰值检测配电网状态变化,由于残差峰值的波动范围相对固定,对负荷波动或窗口大小变化不敏感,可以降低误报和漏报风险,避免了现有技术中使用原始电压或电流绝对值进行检测,由于波动范围不稳定,容易出现误报和漏报的问题;

22、(3)利用残差检测可以将海量微相量数据转化为状态变化片段,结合多维特征和支持向量机进行状态分类,可以自动区分状态变化源大致位置,并为配电网状态分析、区域定位提供基础。

1.一种基于残差检测与机器学习分类的配电网状态辨识方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述预设滑动时间窗口为多个不同时间尺度的滑动窗口,由采样频率、持续时间或配置参数确定,确保无论何时发生状态变化都能被覆盖,不同尺度的窗口负责不同状态变化的检测。

3.根据权利要求1所述的方法,其特征在于,所述非线性估计模型表示为:;其中,为第个滑动窗口的电流幅值参考值,,为固定偏置项,为电压倒数对电流的影响控制项,为第个滑动窗口的电压幅值序列。

4.根据权利要求1所述的方法,其特征在于,所述提取所述状态数据的单变量特征与双变量特征,形成状态特征向量,包括:

5.根据权利要求1所述的方法,其特征在于,所述多分类支持向量机由多个支持向量机构成;所述将所述状态特征向量输入多分类支持向量机,确定所述状态特征向量对应配电网状态的类型,包括: