基于AI的变压器电压动态调节方法、系统及装置与流程
本技术属于人工智能,具体是基于ai的变压器电压动态调节方法、系统及装置。
背景技术:
1、在现代电力系统中,变压器电压动态调节方法是保障电网安全稳定运行的关键技术。它指在变压器带负荷运行状态下,通过有载分接开关或电力电子装置,实时、自动地改变绕组匝数比或注入无功功率,以快速响应负荷波动和分布式电源接入引起的电压偏差。与传统需停电操作的无励磁调压不同,动态调节能够实现毫秒至秒级的连续或分级控制,有效应对用电高峰、光伏出力突变等复杂工况下的电压越限问题。
2、现有技术由于仅依赖数据驱动的黑盒ai模型进行电压预测,使得预测结果缺乏物理机理约束,导致在电网拓扑突变时出现偏差,引发变压器误调节与电压越限风险;因此,对于变压器电压动态调节方法仍需进一步的改进。
技术实现思路
1、本技术旨在至少解决现有技术中存在的技术问题之一;为此,本技术提出了基于ai的变压器电压动态调节方法、系统及装置,用于解决现有技术由于仅依赖数据驱动的黑盒ai模型进行电压预测,使得预测结果缺乏物理机理约束,导致在电网拓扑突变时出现偏差,引发变压器误调节与电压越限风险的技术问题。
2、为实现上述目的,本技术的第一方面提供了基于ai的变压器电压动态调节方法,包括:
3、获取变压器的多源异构运行数据;所述多源异构运行数据包括变压器的高压侧和低压侧对应的三相电压和三相电流,以及历史负荷序列数据;
4、基于时空注意力机制对历史负荷序列数据进行处理得到负荷预测特征向量;
5、利用三相电压和三相电流对负荷预测特征向量进行修正得到预估电压偏差值;
6、基于预估电压偏差值生成调节指令。
7、本技术基于时空注意力机制对历史负荷序列数据进行处理得到负荷预测特征向量;利用三相电压和三相电流对负荷预测特征向量进行修正得到预估电压偏差值;基于预估电压偏差值生成调节指令,将动态阻抗作为连接数据驱动与物理机理的桥梁,迫使预测结果满足电路基本定律,从而在电网拓扑突变时自动滤除ai的偏差,确保生成的预估电压偏差值具备物理可解释性,从根本上杜绝了误调节风险,提升了电网运行的鲁棒性。
8、进一步的,所述基于时空注意力机制对历史负荷序列数据进行处理得到负荷预测特征向量,包括:
9、提取历史负荷序列数据、高压侧的有功功率,以及低压侧的有功功率、无功功率和功率因数;
10、将高压侧的有功功率,以及低压侧的有功功率、无功功率和功率因数组合成原始输入矩阵;
11、通过正弦余弦函数生成位置编码矩阵;
12、将原始输入矩阵通过线性嵌入层进行映射,并与所述位置编码矩阵进行相加得到初始嵌入张量;
13、对初始嵌入张量进行时间注意力机制得到中间特征张量;
14、获取上级电网节点的特征矩阵;
15、计算当前变电站节点与上级电网节点之间的注意力系数;所述注意力系数满足:
16、;其中,i表示为当前变电站节点的索引;j表示为上级电网节点的索引;表示为可学习的线性变换权重矩阵;表示为权重向量;t表示为转置符号;表示为特征拼接操作;表示为当前变电站节点的中间特征张量中的特征向量;表示为上级电网节点的特征矩阵中的特征向量;
17、对所述注意力系数进行softmax归一化处理得到注意力权重系数;
18、通过注意力权重系数对当前变电站节点的若干邻居节点的特征向量进行加权求和,并对加权求和的结果通过sigmoid激活函数生成空间特征;
19、遍历中间特征张量中所有时间步的特征向量对应的空间特征得到空间特征张量;
20、通过对中间特征张量和空间特征张量进行跨域特征融合与全连接映射生成负荷预测特征向量。
21、进一步的,所述对初始嵌入张量进行时间注意力机制得到中间特征张量,包括:
22、提取初始嵌入张量;
23、将初始嵌入张量通过三个不同的线性变换层生成查询矩阵、键矩阵和值矩阵;
24、计算单头注意力;所述单头注意力满足:
25、;其中,zs表示为注意力头对应的编号;表示为第zs个注意力头对应的查询矩阵;表示为第zs个注意力头对应的键矩阵;表示为第zs个注意力头对应的值矩阵;d表示为键矩阵的列数;表示为掩码矩阵;表示为归一化函数;
26、将若干单头注意力进行特征拼接与投影操作得到特征矩阵;
27、将所述特征矩阵与所述初始嵌入张量经过残差连接,通过对残差连接的结果进行层归一化操作得到中间特征张量。
28、进一步的,所述跨域特征融合,满足:
29、;其中,表示为跨域融合特征;表示为中间特征张量;表示为空间特征张量;表示为哈达玛积;表示为门控单元,所述门控单元满足:
30、;其中,和为可学习参数;表示为sigmoid激活函数;
31、所述全连接映射是指将跨域融合特征中的最后一个时间步对应的融合特征输入至全连接层中,输出负荷预测特征向量。
32、本技术构建包含高压侧有功、无功及功率因数的多维输入矩阵,并引入正弦余弦位置编码以保留负荷时序的先后逻辑;随后通过时间注意力机制挖掘负荷的长短期依赖关系,并利用图注意力机制计算当前节点与上级电网间的耦合权重,从而捕捉电网拓扑的空间关联特性;最终采用门控单元自适应地融合时间与空间特征,有效避免了简单叠加造成的信息淹没,使得负荷预测特征向量不仅精准刻画了未来趋势,还内嵌了电网结构的物理传导关系,增强了电网拓扑突变场景下的泛化能力和抗干扰性。
33、进一步的,所述利用三相电压和三相电流对负荷预测特征向量进行修正得到预估电压偏差值,包括:
34、提取三相电压、三相电流和负荷预测特征向量;
35、将三相电压和三相电流通过clarke变换,并通过对称分量法分离出正序和负序的电压向量与电流向量;
36、基于正序的电压向量与电流向量的比值确定正序等效阻抗;
37、基于负序的电压向量与电流向量的比值确定负序等效阻抗;
38、构建非线性状态空间模型;
39、通过ekf算法对非线性状态空间模型、正序等效阻抗和负序等效阻抗进行迭代计算得到变压器绕组等效动态阻抗向量;
40、计算变压器的绕组温升;所述绕组温升满足:
41、;其中,表示为变压器绕组的直流电阻;表示为第k-1检测时间点的绕组温升;表示为热时间常数;
42、通过绕组温升计算温度衰减因子;所述温度衰减因子,满足:
43、;表示为环境温度与油温的差值绝对值;
44、将所述温度衰减因子与所述变压器绕组等效动态阻抗向量进行逐元素乘法运算得到修正动态阻抗矩阵;所述修正动态阻抗矩阵包括等效电阻和等效电抗;
45、提取负荷预测特征向量中未来若干预测时间点的负荷幅值和功率因数角;
46、构建当前变电站节点的电压残差方程;所述电压残差方程,满足:
47、;其中,表示为负荷侧节点电压向量;表示为电源侧电压向量;表示为修正动态阻抗矩阵;表示为负荷预测特征向量;表示为功率因数角;表示为由负荷预测特征向量计算得到的负荷侧复数电流向量;
48、采用牛顿-拉夫逊法对电压残差方程进行求解得到预测时间点的节点电压值;
49、通过所述节点电压值和额定电压基准值计算预测时间点的预估电压偏差值;在本实施例中的预估电压偏差值,满足:
50、;其中,表示为预测时间点的节点电压值;表示为额定电压基准值。
51、进一步的,所述非线性状态空间模型包括状态变量、状态转移方程和观测方程;
52、所述状态变量由等效电阻和等效电抗组成;
53、所述状态转移方程满足:
54、;其中,k表示为检测时间点对应的编号;表示为第k-1检测时间点对应的等效电阻;表示为第k-1检测时间点对应的电流向量;表示为检测时间间隔;为铜的温度系数;表示为过程噪声;
55、所述观测方程,满足:
56、;其中,为测量噪声;表示为观测值。
57、本技术首先对三相电气量进行clarke变换与对称分量分解,精确剥离出反映电网实时运行状态的正序与负序向量;进而构建融合热损耗特性的非线性状态空间模型,利用扩展卡尔曼滤波算法辨识出随温度非线性变化的绕组动态阻抗,并基于基尔霍夫电压定律构建电压残差方程,通过牛顿-拉夫逊迭代法求解未来时刻的精确节点电压,利用动态阻抗的物理特性自动修正ai模型的输出偏差,有效克服了纯数据驱动模型在电网拓扑突变时产生的偏差问题,确保了预估电压偏差值在物理层面的因果一致性与计算精度,大幅提升了调节策略的可靠性。
58、进一步的,所述基于预估电压偏差值生成调节指令,包括:
59、提取预估电压偏差值;
60、获取变压器热点温度;
61、构建状态向量;所述状态向量由经过物理极限归一化后的预估电压偏差值和变压器热点温度组成;
62、将状态向量输入至预训练好的dqn模型中得到离散动作集合对应的q值;
63、计算每个离散动作的综合奖励值;
64、选择综合奖励值最大值对应的离散动作作为调节指令。
65、进一步的,所述综合奖励值满足:
66、;其中,表示为第n个离散动作对应的综合奖励值;表示为在状态向量下第n个离散动作对应的q值;表示为目标电压偏差;表示为执行第n个离散动作后的预期电压偏差;表示为温度惩罚阈值;表示为变压器热点温度;和表示为奖励函数的超参数。
67、本技术构建融合预估电压偏差与变压器热点温度的归一化状态向量,并将其输入深度q网络进行推理;在计算综合奖励值时引入了基于热点温度的指数型惩罚机制,当温度逼近临界阈值时,电压偏差的容忍度显著降低,从而迫使智能体在高温工况下优先保障设备安全而非盲目调压,在电压质量与设备寿命之间建立了动态平衡,有效抑制了分接开关的频繁动作,在确保电网电压稳定的同时,延长了变压器的服役周期。
68、本技术的第二方面提供了基于ai的变压器电压动态调节系统,包括:数据采集模块和数据分析模块;所述数据采集模块和所述数据分析模块相连;
69、所述数据采集模块:通过数据采集设备获取变压器的多源异构运行数据;所述多源异构运行数据包括变压器的高压侧和低压侧对应的三相电压和三相电流,以及历史负荷序列数据;
70、所述数据分析模块包括负荷预测单元、偏差估算单元和结果生成单元;
71、所述负荷预测单元:基于时空注意力机制对历史负荷序列数据进行处理得到负荷预测特征向量;
72、所述偏差估算单元:利用三相电压和三相电流对负荷预测特征向量进行修正得到预估电压偏差值;
73、所述结果生成单元:基于预估电压偏差值生成调节指令。
74、本技术的另一方面提供了基于ai的变压器电压动态调节装置,包括:处理器和存储介质;存储介质包括指令,处理器用于运行指令,以实现如第一方面和第一方面的任一种可能的实现方式中所描述的方法;所述基于ai的变压器电压动态调节装置可以是电子设备,也可以是电子设备中的芯片。
75、与现有技术相比,本技术的有益效果是:
76、1、本技术通过基于时空注意力机制对历史负荷序列数据进行处理得到负荷预测特征向量;利用三相电压和三相电流对负荷预测特征向量进行修正得到预估电压偏差值;基于预估电压偏差值生成调节指令,将动态阻抗作为连接数据驱动与物理机理的桥梁,迫使预测结果满足电路基本定律,从而在电网拓扑突变时自动滤除ai的偏差,确保生成的预估电压偏差值具备物理可解释性,从根本上杜绝了误调节风险,提升了电网运行的鲁棒性。
77、2、本技术构建包含高压侧有功、无功及功率因数的多维输入矩阵,并引入正弦余弦位置编码以保留负荷时序的先后逻辑;随后通过时间注意力机制挖掘负荷的长短期依赖关系,并利用图注意力机制计算当前节点与上级电网间的耦合权重,从而捕捉电网拓扑的空间关联特性;最终采用门控单元自适应地融合时间与空间特征,有效避免了简单叠加造成的信息淹没,使得负荷预测特征向量不仅精准刻画了未来趋势,还内嵌了电网结构的物理传导关系,增强了电网拓扑突变场景下的泛化能力和抗干扰性。
78、3、本技术首先对三相电气量进行clarke变换与对称分量分解,精确剥离出反映电网实时运行状态的正序与负序向量;进而构建融合热损耗特性的非线性状态空间模型,利用扩展卡尔曼滤波算法辨识出随温度非线性变化的绕组动态阻抗,并基于基尔霍夫电压定律构建电压残差方程,通过牛顿-拉夫逊迭代法求解未来时刻的精确节点电压,利用动态阻抗的物理特性自动修正ai模型的输出偏差,有效克服了纯数据驱动模型在电网拓扑突变时产生的偏差问题,确保了预估电压偏差值在物理层面的因果一致性与计算精度,大幅提升了调节策略的可靠性。
79、4、本技术构建融合预估电压偏差与变压器热点温度的归一化状态向量,并将其输入深度q网络进行推理;在计算综合奖励值时引入了基于热点温度的指数型惩罚机制,当温度逼近临界阈值时,电压偏差的容忍度显著降低,从而迫使智能体在高温工况下优先保障设备安全而非盲目调压,在电压质量与设备寿命之间建立了动态平衡,有效抑制了分接开关的频繁动作,在确保电网电压稳定的同时,延长了变压器的服役周期。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com