一种基于量子粒子群算法的窃电检测方法、装置、介质及产品

摘要: 本技术涉及电力系统安全运维,特别是涉及一种基于量子粒子群算法的窃电检测方法、装置、介质及产品。背景技术:1、中小型工业区是中国制造业体系的重要组成部分,其电力供...
一种基于量子粒子群算法的窃电检测方法、装置、介质及产品

本技术涉及电力系统安全运维,特别是涉及一种基于量子粒子群算法的窃电检测方法、装置、介质及产品。

背景技术:

1、中小型工业区是中国制造业体系的重要组成部分,其电力供应的稳定性与经济性直接关系到区域经济的高质量发展。10kv配电网凭借建设成本低、拓扑结构清晰、运维简便等优势,已成为中小型工业区专变用户供电的主流形式。然而,该类系统单电源单向供电的固有特性导致其缺乏多节点冗余校验机制,为各类窃电行为提供了可乘之机。

2、当前,面向中小型工业区专变用户的检测技术仍存在明显短板。传统的人工巡检法依赖运维人员的现场经验与逐户排查,存在效率低下、成本高昂、检测滞后等固有缺陷,难以适应工业区大规模、分散化的用电管理需求。基于固定阈值的检测方法通过设定线损率、功率因数等电气指标的异常阈值来识别窃电行为,但专变用户的生产用电受订单量、生产班次等因素影响呈现出显著的波动性与随机性,窃电特征极易被正常负荷波动所掩盖,导致该方法误报率与漏检率居高不下。

3、近年来,以机器学习为代表的数据驱动方法为窃电检测提供了新的技术途径,但纯数据驱动模型缺乏电力系统物理规律的约束,其预测结果的可解释性较差,难以作为电力执法的有效依据。与此同时,基于状态估计与最终算法的窃电检测方法通过求解潮流方程的残差来识别异常节点,但常规粒子群最终算法存在易陷入局部最优、收敛速度慢、求解精度不足等问题,在处理多节点、多工况的配电网窃电检测问题时,难以满足实时性与准确性的双重要求。

4、因此,在中小型工业区配电网中,如何实现窃电检测的实时性与准确性的双重要求,已成为电力系统安全运维领域亟待解决的技术问题。

技术实现思路

1、本技术的目的是提供一种基于量子粒子群算法的窃电检测方法、装置、介质及产品,以同时提高配电网窃电检测的实时性与准确性。

2、为实现上述目的,本技术提供了如下方案。

3、第一方面,本技术提供了一种基于量子粒子群算法的窃电检测方法,包括:

4、获取配电网中的各用户的上报功率数据和各监测节点的实测电气量数据;所述上报功率数据包括上报有功功率和上报无功功率,所述实测电气量数据包括实测电流幅值和实测功率因数角;

5、根据各用户的上报功率数据进行潮流计算,得到各监测节点在上报功率数据下的理论电气量数据;所述理论电气量数据包括理论电流幅值和理论功率因数角;

6、基于所有监测节点的实测电气量数据和在上报功率数据下的理论电气量数据,确定全局总误差;

7、当所述全局总误差超过预设阈值时,以各用户的真实功率数据为优化变量,以各监测节点的理论电气量数据与实测电气量数据之间的残差最小为目标,采用量子粒子群算法进行迭代优化,得到最终的真实功率分布,所述真实功率分布包括各用户的真实功率数据,所述真实功率数据包括真实有功功率和真实无功功率;其中,所述量子粒子群算法中:通过随机生成多组满足物理可行域约束的初始的真实功率分布,并分别将各组初始的真实功率分布中的各用户的真实有功功率或真实无功功率映射为对应的量子位的两个初始的概率幅和初始的自身相位角,从而得到初始种群;种群包括多个粒子,一个粒子对应一组真实功率分布,一个粒子包括多个量子位,一个量子位的量子位置对应一个用户的真实有功功率或真实无功功率;两个概率幅包括余弦概率幅和正弦概率幅;两个搜索位置包括余弦功率搜索位置和正弦功率搜索位置;迭代过程中,各粒子的各量子位通过量子旋转门更新自身相位角,更新后的自身相位角重新计算两个概率幅,映射为两个搜索位置,将两个搜索位置对应的真实功率数据分别代入潮流计算,得到对应的理论电气量数据,并分别计算两个搜索位置对应的加权适应度函数值,以加权适应度函数值更小的搜索位置作为量子位的量子位置;

8、基于最终的真实功率分布和各用户的上报功率数据,确定配电网中存在窃电嫌疑的用户。

9、在一实施方式中,潮流计算采用的方法包括前推回代法和牛顿拉夫逊法。

10、在一实施方式中,基于所有监测节点的实测电气量数据和在上报功率数据下的理论电气量数据,确定全局总误差,包括:

11、分别根据各监测节点的实测电流幅值和在上报功率数据下的理论电流幅值,确定各监测节点在上报功率数据下的电流幅值残差;

12、分别根据各监测节点的实测功率因数角和理论功率因数角,确定各监测节点在上报功率数据下的功率因数角残差;

13、根据所有监测节点在上报功率数据下的电流幅值残差和功率因数角残差,确定所述全局总误差。

14、在一实施方式中,以各用户的真实功率数据为优化变量,以各监测节点的理论电气量数据与实测电气量数据之间的残差最小为目标,采用量子粒子群算法进行迭代优化,得到最终的真实功率分布,包括:

15、在物理可行域约束下,随机生成多组初始的真实功率分布,并将各组初始的真实功率分布中的各用户的真实有功功率或真实无功功率映射为对应的量子位的两个初始的概率幅和初始的自身相位角,从而得到初始种群;

16、基于初始种群中各粒子中的各量子位的初始的自身相位角,利用量子旋转门对初始种群中各粒子中的各量子位的自身相位角、两个概率幅和两个搜索位置进行多轮次迭代更新,得到对应量子位的最终的自身相位角、两个最终的概率幅和两个最终的搜索位置,从而构成最终种群;

17、将最终种群中的任一粒子确定为目标粒子,将任一搜索位置确定为目标位置;

18、分别确定在最终的目标位置下的目标粒子中的各量子位的对应的用户的最终的真实功率数据;

19、根据最终的目标位置下的目标粒子中的所有量子位对应的用户的最终的真实功率数据进行潮流计算,得到各监测节点在目标粒子下的最终的目标位置下的最终的理论电气量数据;

20、基于所有监测节点的实测电气量数据和所有监测节点在目标粒子下的最终的目标位置下的最终的理论电气量数据,确定目标粒子在最终的目标位置下的加权适应度函数值;

21、将目标粒子在两个最终的搜索位置下的加权适应度函数值中的最小值确定为目标粒子的加权适应度函数值;

22、将最终种群中加权适应度函数值最小的粒子对应的真实功率分布确定为最终的真实功率分布。

23、在一实施方式中,所述物理可行域约束包括各用户的真实有功功率约束和真实无功功率约束;

24、各用户的真实有功功率约束和真实无功功率约束的上下限均是根据对应用户的上报有功功率确定的。

25、在一实施方式中,在基于初始种群中各粒子中的各量子位的初始的自身相位角,利用量子旋转门对初始种群中各粒子中的各量子位的自身相位角、两个概率幅和两个搜索位置进行多轮次迭代更新的过程中,任一当前轮次下的更新过程,包括:

26、将种群中的任一粒子确定为当前粒子,将当前粒子中的任一量子位确定为当前量子位;

27、获取当前量子位在上一轮次下的自身相位角、个体最优相位角、全局最优相位角和自身相位角增量;当前轮次为初始轮次时,当前量子位在上一轮次下的自身相位角和个体最优相位角均为当前量子位的初始的自身相位角,当前量子位在上一轮次下的全局最优相位角为初始种群中加权适应度函数值最小的粒子中对应的量子位的初始的自身相位角,当前量子位在上一轮次下的自身相位角增量为0;

28、基于当前量子位在上一轮次下的自身相位角、个体最优相位角和全局最优相位角,确定当前量子位在上一轮次下的最小个体相位差和最小全局相位差;

29、基于当前量子位在上一轮次下的自身相位角增量、最小个体相位差和最小全局相位差,确定当前量子位在当前轮次下的自身相位角增量;

30、基于当前量子位在上一轮次下的自身相位角和当前量子位在当前轮次下的自身相位角增量,确定当前量子位在当前轮次下的自身相位角;

31、基于所述物理可行域约束和当前量子位在当前轮次下的自身相位角,确定当前量子位在当前轮次下的两个概率幅和两个搜索位置,得到当前轮次下的种群;

32、将任一搜索位置确定为当前位置;

33、分别确定在当前轮次下的当前位置下的当前粒子中的各量子位的对应的用户的当前轮次下的真实功率数据;

34、根据当前轮次下的当前位置下的当前粒子中的所有量子位对应的用户的当前轮次下的真实功率数据进行潮流计算,得到各监测节点在当前粒子下的当前轮次下的当前位置下的理论电气量数据;

35、基于所有监测节点的实测电气量数据和所有监测节点在当前粒子下的当前轮次下的当前位置下的理论电气量数据,确定当前粒子在当前轮次下的当前位置下的加权适应度函数值;

36、将加权适应度函数值的最小值对应的搜索位置确定为当前粒子中的各量子位在当前轮次下的粒子层级位置;

37、将当前粒子中的各量子位在当前轮次下的粒子层级位置确定为对应量子位在当前轮次下的量子位置;

38、判断是否达到停止条件;所述停止条件为达到最大迭代轮次或所有粒子在当前轮次下的两个搜索位置下的加权适应度函数值的最小值小于预设适应度;

39、若是,则将当前轮次下的种群中的各个体中的各量子位的自身相位角、两个概率幅和两个搜索位置分别确定为对应量子位的最终的自身相位角、两个最终的概率幅和两个最终的搜索位置,从而构成最终种群;

40、若否,则分别基于各粒子在所有轮次下的加权适应度函数值、各粒子中的各量子位在当前轮次下的自身相位角和各粒子中的各量子位在上一轮次下的个体最优相位角,确定各粒子中的各量子位在当前轮次下的个体最优相位角,基于所有粒子在所有轮次下的加权适应度函数值、各粒子中的各量子位在当前轮次下的个体最优相位角和各粒子中的各量子位在上一轮次下的全局最优相位角,确定各粒子中的各量子位在当前轮次下的全局最优相位角,并将各量子位在上一轮次下的自身相位角、个体最优相位角和全局最优相位角分别更新为各量子位在当前轮次下的自身相位角、个体最优相位角和全局最优相位角,返回“基于当前量子位在上一轮次下的自身相位角、个体最优相位角和全局最优相位角,确定当前量子位在上一轮次下的最小个体相位差和最小全局相位差”。

41、在一实施方式中,基于所述物理可行域约束和当前量子位在当前轮次下的自身相位角,确定当前量子位在当前轮次下的两个概率幅和两个搜索位置,包括:

42、根据当前量子位在当前轮次下的自身相位角,计算当前量子位在当前轮次下的两个概率幅;

43、根据所述物理可行域约束以及当前量子位在当前轮次下的自身相位角和两个概率幅,计算当前量子位在当前轮次下的两个搜索位置。

44、第二方面,本技术提供了一种计算机装置,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述所述的基于量子粒子群算法的窃电检测方法。

45、第三方面,本技术提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述所述的基于量子粒子群算法的窃电检测方法。

46、第四方面,本技术提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述所述的基于量子粒子群算法的窃电检测方法。

47、根据本技术提供的具体实施例,本技术公开了以下技术效果:

48、本技术公开了一种基于量子粒子群算法的窃电检测方法、装置、介质及产品,通过获取配电网中各用户的上报功率数据和各监测节点的实测电流幅值、实测功率因数角,并根据各用户的上报功率数据进行潮流计算得到理论电流幅值和理论功率因数角,基于实测与理论的残差确定全局总误差,当全局总误差超过预设阈值时以真实功率数据为优化变量启动量子粒子群算法进行迭代优化,使窃电检测具备了明确的物理启动条件而非无条件执行;在量子粒子群算法中,通过将满足物理可行域约束的初始真实功率分布映射为量子位的概率幅和相位角,使初始种群全部处于可行域内,避免了无效搜索,提升了收敛速度;迭代过程中各量子位通过量子旋转门更新相位角并映射为两个搜索位置,两个位置对应的真实功率数据分别代入潮流计算并分别计算加权适应度函数值,以更小适应度值对应的搜索位置作为量子位的量子位置,加权适应度函数对电流幅值残差和功率因数角残差分别赋予不同权重放大误差梯度,使粒子能够灵敏地感知优化方向,从而加速收敛并提升求解精度,最终根据真实功率分布与上报功率数据的差异确定窃电嫌疑用户。本技术通过上述手段在配电网窃电检测中实现了兼顾实时性与准确性的技术效果。