测算电压暂降事件发生时间的方法与流程

1.本发明涉及电压监测领域，具体涉及一种测算电压暂降事件发生时间的方法。


背景技术：

2.由电网扰动引起的电压暂降事件，对工业过程包含交流接触器、可编辑逻辑控制器、个人计算机等敏感设备的电力用户造成了巨大的经济损失。提前预知电压暂降事件的发生，可以帮助电力用户和电网公司合理规避电压暂降带来的风险。随着国内电能质量监测系统的建设和完善，在各地区电力系统中收集到了大量的电压暂降监测数据，其中蕴含的信息和知识，为电压暂降的预测提供了可能。现有针对监测数据预测的方法主要包含灰色预测模型、随机过程模型、深度学习算法等，这些算法针对监测数据具有一定普适性的同时，又忽略了电压暂降监测数据的特性，对预测精度带来了一定的影响。


技术实现要素：

3.本发明的目的是提供一种测算电压暂降事件发生时间的方法，以提高电压暂降事件发生时间的预测精度。
4.本发明的技术方案是：
5.一种测算电压暂降事件发生时间的方法，包括以下步骤：
6.监测数据同源聚合步骤，收集目标站点的电压暂降监测数据，从因电压暂降中断到生产过程恢复时长为聚合目标，对收集到的电压暂降监测数据进行同源聚合；
7.暂降间隔时间样本数据的模糊化步骤，差分处理同源聚合后的电压暂降监测数据，得到目标站点电压暂降间隔时间的样本数据；建立间隔时间样本数据的论域，采用模糊c均值算法划分论域间隔；针对划分后的论域间隔，制定电压暂降间隔时间的隶属度函数，并将间隔时间序列转换为模糊时间序列；
8.模糊关系建立步骤，基于模糊化后的样本数据，建立模糊时间序列内元素之间的模糊关系矩阵；
9.未来时间预测步骤，以“最大
‑
最小原则”进行预测，并采用加权平均的方法去模糊化，实现对未来电压暂降事件的测算。
10.优选的，所述电压暂降监测数据包括事件序号、发生时间、站点名称、暂降幅值和持续时间。
11.优选的，所述监测数据同源聚合步骤包括：设s＝(t,o)为收集到的电压暂降监测数据集；t＝(t1,t2,
…
,t
n
)为发生时间集，并按照时间升序排列；o＝(o1,o2,
…
,o
n
)为暂降特征值；按照式(1)规则对发生时间集进行分类；
[0012][0013]
式中，t
i
为发生时间子集；t
p
、t
q
为t中第p次和第q次发生时间数据，且为发生时间子集的边界元素；按照“幅值最小、持续事件最大”原则选取t
i
中的对应监测数据，作为子集聚合后的事件特征值；
[0014]
同源聚合后，得到新的电压暂降发生时间集合为nt＝(nt1,nt2,
…
,nt
m
)。
[0015]
优选的，所述暂降间隔时间样本数据的模糊化步骤包括：
[0016]
差分处理nt得到电压暂降事件的间隔时间集dt＝(dt1,dt2,
…
,dt
m
‑1)；
[0017]
定义间隔时间论域u＝[min{dt}
‑
d1,max{dt} d2]，min{dt}和max{dt}是间隔时间集中的最小值和最小值，d1和d2是适当的正值，以完善论域边界；
[0018]
1)电压暂降间隔时间论域划分
[0019]
采用模糊c均值聚类的方法划分电压暂降间隔时间的论域，首先确定期望划分的区间数目c，并随机确定初始区间中心向量以每个样本数据到最近的区间中心几何距离最小为目标建立优化函数j
m
，如式(2)所示；
[0020][0021]
d
ij
＝||dt
i
‑
c
j
||
ꢀꢀꢀ
(3)
[0022]
式中，(m
‑
1)为样本数，u
ij
为第i个样本对第j个区间中心的隶属度，d
ij
为第i个样本到第j个区间中心的几何距离，dt
i
为第i个样本值，c
j
为第j个区间中心值；
[0023]
通过式(4)和(5)不断迭代计算，按式(6)的约束条件，计算最优区间中心向量c＝(c1,
…
,c
c
)；
[0024][0025][0026][0027]
式中，h为迭代次数，ε为误差阈值；
[0028]
由此，得到c个区间ξ1＝[min{dt}
‑
d1,b1],ξ2＝[b1,b2],
…
,ξ
c
＝[b
c
‑1,max{dt} d2]，其中，ξ1的左边界为论域的左边界，ξ
c
的右边界为论域的右边界，其他的区间边界计算方法如式(7)所示；
[0029]
b
i
＝(c
i 1
‑
c
i
)/2,i＝1,2,...,(c
‑
1)
ꢀꢀꢀ
(7)
[0030]
2)电压暂降间隔时间样本模糊化
[0031]
定义电压暂降间隔时间论域u中的模糊集{a|a
i
＝(μ1(dt
i
),μ2(dt
i
),
…
,μ
c
(dt
i
)),i＝1,2,
…
,(m
‑
1)}，其中，a
i
为间隔时间样本dt
i
对应的模糊子集，μ1(dt
i
),μ2(dt
i
),
…
,μ
c
(dt
i
)分别为dt
i
在区间ξ1,ξ2,
…
,ξ
c
上的隶属度，隶属度的计算方法如式(8)所示；
[0032][0033]
优选的，所述模糊关系建立步骤包括：将第t个序号的间隔时间模糊子集a
t
作为标准矩阵，如式(9)所示；
[0034]
b(t)＝[μ1(dt
t
) μ2(dt
t
)
ꢀ…ꢀ
μ
c
(dt
t
)]
ꢀꢀꢀ
(9)
[0035]
将a
t
的前5个模糊子集构建模糊关系矩阵，如式(10)所示；
[0036][0037]
构建模糊关系矩阵，如式(11)所示；
[0038][0039]
式中，r
ij
＝μ
j
(dt
(t
‑
i)
)
×
μ
j
(dt
t
)，1≤i≤5，1≤j≤c，
“×”
表示乘法，“(t
‑
i)”表示“t减i”。
[0040]
进一步优选的，未来时间预测步骤包括：通过“最大
‑
最小原则”计算出(t 1)个时间点的模糊子集a
t 1
，如式(12)所示；
[0041][0042]
采用加权平均的方法对a
t 1
去模糊化，如式(13)所示；
[0043]
dt
t 1
＝map(a
t 1
)
·
c
t
ꢀꢀꢀ
(13)
[0044]
式中，map(a
t 1
)表示对a
t 1
向量进行归一化，c
t
为区间中心向量的转置；
[0045]
通过式(13)获取的间隔时间dt
t 1
，按照式(14)计算下一次暂降发生时刻nt
t 1
，完成预测
[0046]
nt
t 1
＝nt
t
dt
t 1
ꢀꢀꢀ
(14)。
[0047][0048]
本发明的有益效果是：
[0049]
1.本发明提出了考虑工业敏感过程中断恢复时间的电压暂降同源聚合算法，建立了“监测数据
‑
过程中断”的对应关系，以用户感知为目标降低了数据冗余性，为暂降预测提供了准确的数据基础；提出了考虑间隔时间不确定性的数据模糊化方法，初步建立了“监测数据
‑
过程中断
‑
电网扰动”的对应关系，以隶属度的方法扩展了单个样本数据所包含的信息量，实现了对复杂电网扰动的合理刻画；提出了基于模糊时间序列的电压暂降发生时间算法，实现对下一次电压暂降事件发生时间的测算，帮助敏感用户和电网公司预警未来扰动，以合理安排生产计划，规避暂降风险。
附图说明
[0050]
图1为测算电压暂降事件发生时间的方法的流程图；
[0051]
图2为同源聚合前后数据对比；
[0052]
图3为10个站点预测序列对比。
具体实施方式
[0053]
下面结合附图，以实施例的形式说明本发明，以辅助本技术领域的技术人员理解和实现本发明。除另有说明外，不应脱离本技术领域的技术知识背景理解以下的实施例及其中的技术术语。
[0054]
一种测算电压暂降事件发生时间的方法，其测算流程如附图1所示，主要步骤包括：(1)监测数据同源聚合步骤：
[0055]
电能质量监测系统在收集节点暂稳态数据的同时，由于各个监测节点未考虑电能扰动事件之间的关联性，造成了数据冗余，主要体现为：1)同一扰动造成的电压暂降事件可能被附近的多个监测节点记录，造成系统收集到多个条不同的暂降数据；2)由于线路多次重合闸等因素形成多级暂降的现象，造成相邻监测节点对同一扰动记录多条不同的暂降数据。若采用此类冗余数据进行预测，必然导致预测性能下降。因此，以用户感知为预测目标，调研了典型敏感工业用户的生产过程自遭受电压暂降跳停到恢复生产过程的时间为1小时，设s＝(t,o)为收集到的电压暂降监测数据集；t＝(t1,t2,
…
,t
n
)为发生时间集，并按照时间升序排列；o＝(o1,o2,
…
,o
n
)为暂降特征值，如暂降幅值、持续时间等。按照式(15)规则对发生时间集进行分类。
[0056][0057]
式中，t
i
为发生时间子集；t
p
、t
q
为t中第p次和第q次发生时间数据，且为发生时间子集的边界元素。按照上式“1h”原则，将划分为了m个发生时间子集，可以认为每一个发生时间子集t
i
对应了一次可能导致生产过程中断的电压暂降事件，且同t
i
中幅值最小，持续时间最长的一次时间相关联，而t
i
中的其他电压暂降事件可能由生产中断而不被用户感知
到。因此，按照“幅值最小、持续事件最大”原则选取t
i
中的对应监测数据，作为子集聚合后的事件特征值。由于本发明仅研究暂降发生时间，对幅值和持续时间不作过多累述。
[0058]
同源聚合后，得到新的电压暂降发生时间集合为nt＝(nt1,nt2,
…
,nt
m
)，实现“监测数据
‑
过程中断”对应关系的信息提取。
[0059]
(2)电压暂降间隔时间样本数据的模糊化步骤：
[0060]
为便于提取nt中的数据特征，进行差分处理得到电压暂降事件的间隔时间集dt＝(dt1,dt2,
…
,dt
m
‑1)。接着，定义间隔时间论域u＝[min{dt}
‑
d1,max{dt} d2]，min{dt}和max{dt}是间隔时间集中的最小值和最小值，d1和d2是适当的正值以完善论域边界。
[0061]
1)电压暂降间隔时间论域划分
[0062]
预测电压暂降间隔时间的实质是对未来电网扰动的预测，由于电网扰动所固有的不确定性，决定了每一类电网扰动的发生时间可能在一个区间变化，且不同的电网扰动的发生时间区间也可能不相同。因此，需要对电压暂降间隔时间的论域进行划分，以实现“监测数据
‑
电网扰动”的对应关系。为实现对论域的合理划分，采用模糊c均值聚类的方法，首先确定期望划分的区间数目c(一般选取c＝8)，并随机确定初始区间中心向量先确定期望划分的区间数目c(一般选取c＝8)，并随机确定初始区间中心向量以每个样本数据到最近的区间中心几何距离最小为目标建立优化函数j
m
，如式(16)所示。
[0063][0064]
d
ij
＝||dt
i
‑
c
j
||
ꢀꢀꢀ
(17)
[0065]
式中，(m
‑
1)为样本数，u
ij
为第i个样本对第j个区间中心的隶属度，d
ij
为第i个样本到第j个区间中心的几何距离，dt
i
为第i个样本值，c
j
为第j个区间中心值。
[0066]
通过式(18)和(19)不断迭代计算，按式(20)的约束条件，计算最优区间中心向量c＝(c1,
…
,c
c
)。
[0067][0068][0069][0070]
式中，h为迭代次数，ε为误差阈值。
[0071]
由此，得到c个区间ξ1＝[min{dt}
‑
d1,b1],ξ2＝[b1,b2],
…
,ξ
c
＝[b
c
‑1,max{dt} d2]，其中，ξ1的左边界为论域的左边界，ξ
c
的右边界为论域的右边界，其他的区间边界计算方法如式(21)所示。
[0072]
b
i
＝(c
i 1
‑
c
i
)/2,i＝1,2,...,(c
‑
1)
ꢀꢀꢀ
(21)
[0073]
2)电压暂降间隔时间样本模糊化
[0074]
针对获取的区间集，将电压暂降间隔时间样本模糊化，实现“监测数据
‑
过程中断
‑
电网扰动”对应关系的初步建立。定义电压暂降间隔时间论域u中的模糊集{a|a
i
＝(μ1(dt
i
),μ2(dt
i
),
…
,μ
c
(dt
i
)),i＝1,2,
…
,(m
‑
1)}，其中，a
i
为间隔时间样本dt
i
对应的模糊子集，μ1(dt
i
),μ2(dt
i
),
…
,μ
c
(dt
i
)分别为dt
i
在区间ξ1,ξ2,
…
,ξ
c
上的隶属度，隶属度的计算方法如式(22)所示。
[0075][0076]
由此，将数值形式的电压暂降间隔时间样本转化为了(m
‑
1)组c维向量，实现对间隔时间样本数据中包含电网扰动发生信息的提取，初步建立“监测数据
‑
过程中断
‑
电网扰动”的对应关系。
[0077]
(3)模糊关系建立步骤：
[0078]
基于上节获取的电压暂降间隔时间模糊集，若预测第(t 1)个时间序号的间隔时间，则将第t个序号的间隔时间模糊子集a
t
作为标准矩阵，如式(23)所示。
[0079]
b(t)＝[μ1(dt
t
) μ2(dt
t
)
ꢀ…ꢀ
μ
c
(dt
t
)]
ꢀꢀꢀ
(23)
[0080]
将a
t
的前5个模糊子集构建模糊关系矩阵，如式(24)所示。
[0081][0082]
据此，构建模糊关系矩阵，如式(25)所示。
[0083][0084]
式中，r
ij
＝μ
j
(dt
(t
‑
i)
)
×
μ
j
(dt
t
)，1≤i≤5，1≤j≤c，
“×”
表示乘法，“(t
‑
i)”表示“t减i”。
[0085]
(4)未来时间预测步骤：
[0086]
从模糊关系矩阵可以看出历年来间隔时间同每个区间的相关程度和变化趋势，进而通过“最大
‑
最小原则”计算出(t 1)个时间点的模糊子集a
t 1
，如式(26)所示。
[0087][0088]
采用加权平均的方法对a
t 1
去模糊化，如式(27)所示
[0089]
dt
t 1
＝map(a
t 1
)
·
c
t
ꢀꢀꢀ
(27)
[0090]
式中，map(a
t 1
)表示对a
t 1
向量进行归一化，c
t
为区间中心向量的转置。
[0091]
通过式(27)获取的间隔时间dt
t 1
，按照式(28)计算下一次暂降发生时刻nt
t 1
，完成预测。
[0092]
nt
t 1
＝nt
t
dt
t 1
ꢀꢀꢀ
(28)
[0093]
下面针对国内某省10个监测点的电压暂降发生时间数据进行预测的结果：
[0094]
1)10个站点的数据容量
[0095]
表1算例数据容量
[0096][0097]
2)某一个站点同源聚合前后数据对比如附图2所示。
[0098]
3)10个站点预测序列对比如附图3所示。
[0099]
4)所提方法的预测准确率
[0100]
应用式(29)，计算预测结果的预测误差。考虑被预测变量的误差容忍度为
±
10％，当预测误差η小于误差容忍度时，认为该次预测结果正确。统计预测总步长中正确预测事件数m
η<0.1
，计算对应方法的预测准确率rate，作为事件预测结果的精度度量。
[0101][0102]
式中，dt
pre
表示预测值，t
obs
表示样本值。
[0103]
对于序列预测结果，采用均方根误差(root means square error,rmse)来衡量预测精度。rmse对预测值的极大和极小误差都很敏感，可以很好地反映预测精度。rmse值越小，预测精度越高，如式(30)所示。
[0104][0105]
所提方法的预测准确率如表2所示。所提方法在监测点#2的预测结果，无论在对单次事件的预测准确率还是预测序列的rmse都表现出良好的预测性能。此外，所提方法在样本数量较多的监测点，预测性能均表现良好，单次事件的预测准确率基本都在70％以上。在监测点#3的预测准确率较低，可能是由于数据样本较少。rmse在监测点#3
‑
监测点#8以及监测点#10偏高，是由于序列走势较为复杂，虽然本文所提方法对走势的描述基本正确，但对序列幅度的变化尚待提高。
[0106]
表2所提方法的预测精度
[0107][0108]
上面结合附图和实施例对本发明作了详细的说明。应当明白，实践中无法穷尽地说明所有可能的实施方式，在此通过举例说明的方式尽可能的阐述本发明得发明构思。在不脱离本发明的发明构思、且未付出创造性劳动的前提下，本技术领域的技术人员对上述实施例中的技术特征进行取舍组合、具体参数进行试验变更，或者利用本技术领域的现有技术对本发明已公开的技术手段进行常规替换形成的具体的实施例，均应属于为本发明隐含公开的内容。