一种配电网谐波状态分段估计方法及系统与流程

1.本发明属于配电网谐波状态估计领域，本发明涉及一种配电网谐波状态分段估计方法及系统。


背景技术：

2.我国经济飞速发展，居民生活水平显著提高，各种“高精尖”设备的大量使用以及生产领域对产品质量的更加重视，使得电力用户对电能质量的要求进一步提高，电力的服务要求已经悄然从高供电可靠性转向保证高电能质量。长期以来，电力电子技术及其装置在电力系统中应用广泛，以及电弧炉、电气化铁道、轧机等非线性负荷的投入使用产生了大量谐波。随着电气化铁路、城市轨道交通建设的加速，新能源汽车充电桩的大规模使用和各种新型电子设备的出现，谐波问题日益突出。每年因谐波问题造成的经济损失居高不下，且带来其他负面影响如损坏“高精尖”设备；影响配电网的保护和测量设备，严重时会威胁电网安全运行，影响供电可靠性；电力系统中的元件产生了多余的损耗，使发电、输配电与用电设备的效率受到影响，且线路容易过热加速器件老化，寿命缩短，以致损坏，严重时会导致火灾等。电能质量监测设备价格昂贵，分布较少，通常一条线路仅有一个监测设备，不能全面的了解该线路重要节点的谐波状态，若能全面了解某条线路的电网谐波状态从而采取有效措施对谐波进行治理，对保证高电能质量，减少对电网安全运行的威胁，提高供电可靠性具有重要意义。
3.目前，谐波潮流计算和谐波状态估计是研究电力系统谐波分布与状态的主要方法，两者都是建立谐波网络模型分析求取各次谐波电压、电流相量。前者需事先掌握整个电网的谐波源分布与参数信息，也存在系统为非线性、高阶雅克比矩阵求解困难等问题；后者则是结合谐波潮流计算与状态估计技术提出的，在未知谐波源的情况下能够估计出整个电网的谐波分布与状态。专家学者对谐波状态估计主要集中在建立谐波状态估计数学模型，该方法需要精确的谐波阻抗和网络拓扑，但由于电网运行受随机因素影响，以及元件参数的分散性，精确的谐波阻抗和网络拓扑难以获取，网络参数的缺失会严重影响估计精度，故该方法在谐波状态估计上存在一定的局限性。


技术实现要素：

4.针对现有的通常一条线路仅有一个监测设备，不能全面的了解该线路重要节点的谐波状态，影响配电网的保护和测量设备，严重时会威胁电网安全运行，影响供电可靠性，线路容易过热加速器件老化，寿命缩短的问题，本发明提供了一种配电网谐波状态分段估计方法，包括：
5.获取电网运行的观测点的电压波形数据；
6.将所述观测点的电压波形数据带入预先训练好的电网谐波状态分段估计模型中得到所述电网中观测点之外的谐波状态；
7.其中，所述电网谐波状态分段估计模型，对基于仿真平台获取的各电压等级中各
观测点的电压波形数据及所述数据对应的谐波信息，基于多模融合的多输出进行回归训练得到。
8.优选的，所述电网谐波状态分段估计模型的训练包括：
9.通过etap软件，以电网历史谐波源数据和电网结构参数为基础，搭建电网仿真平台，模拟所述电网运行状态；
10.基于所述仿真平台，获取各电压等级中各观测点的电压波形数据；
11.通过离散傅里叶变换提取所述电压波形数据中每类波形的谐波数据，进而构建各类基波特征工程；
12.将所述特征工程按照电压等级进行配电网谐波状态分段得到各电压分段的样本集；
13.基于所述样本集采用多模融合的多输出进行回归训练得到电网谐波状态分段估计模型；
14.其中，所述每类波形，包括：每类基波和各类基波包含的各次谐波。
15.优选的，所述通过离散傅里叶变换提取所述电压波形数据中每类波形的谐波数据，进而构建各类基波特征工程，包括：
16.通过离散傅里叶变换提取所述电压波形数据中各类基波下的各电压等级的谐波次数特征、各次谐波幅值、各次谐波功率特征、谐波含有率特征、谐波总含量特征、谐波总畸变率特征和电压偏差特征，进而构建各类基波特征工程。
17.优选的，所述基于所述样本集采用多模融合的多输出进行回归训练得到电网谐波状态分段估计模型，包括：
18.将所述样本集划分为训练集和测试集；
19.将各段的训练集输入到随机森林基础模型和极限梯度提升树模型中，经过随机森林算法和极限梯度提升树算法对所述训练集涉及的特征工程数据进行挖掘与学习得到同类基波的各电压等级间关系；
20.以所有类基波的各电压等级间关系作为传递系数，将所有类基波各段的随机森林基础模型和极限梯度提升树模型融合得到包含各电压等级分段的所有类基波对应的电网谐波状态分段估计模型。
21.优选的，所述以所有类基波的各电压等级间关系作为传递系数，将所有类基波各段的随机森林基础模型和极限梯度提升树模型融合得到包含各电压等级分段的所有类基波对应的电网谐波状态分段估计模型，包括：
22.基于所述传递系数，将上一电压等级的同一类基波观测点的训练集经过随机森林算法或极限梯度提升树算法预测下一电压等级的同一类基波观测点的各次谐波幅值，从而得到关于同一类基波各观测点各电压等级下的谐波幅值谐波状态模型；
23.基于所有类基波的谐波幅值谐波状态模型进行融合得到包含各电压等级分段的所有类基波对应的电网谐波状态分段估计模型。
24.优选的，所述离散傅里叶变换，通过下式对所述电压波形数据进行变换处理：
25.26.式中，x[n]为变换后的数据，x[k]为电压波形数据，n为第n个数据点，k为第k个数据点，n为一组信号的数据点个数，e
jω
为欧拉公式表示的向量；
[0027]
所述谐波次数特征提取的公式如下所示：
[0028][0029]
式中，a为谐波次数，abs()为绝对值，xi为离散傅里叶变换后的数据。
[0030]
优选的，所述基于所述仿真平台，获取各电压等级中各观测点的电压波形数据，包括：
[0031]
输入电网谐波源数据至所述仿真平台，通过分别改变线缆长度、改变所述谐波源数据位置、改变所述谐波源数据类型、改变电网容量或改变负载大小进行仿真得到多组各电压等级中各观测点一个周期的电压波形数据。
[0032]
优选的，所述的方法，还包括：对所述电网谐波状态分段估计模型的优化。
[0033]
优选的，所述对所述电网谐波状态分段估计模型的优化包括：
[0034]
将各观测点一个周期的不同电压波形数据提取的所述测试集输入所述电网谐波状态分段估计模型并设置各电压分段谐波状态模型的迭代次数；
[0035]
基于所述各电压分段谐波状态模型的迭代次数和测试集个数，求所述测试集中真实值和对应的所述观测点各电压等级下谐波幅值的均方根误差和平均绝对误差，消除所述均方根误差和平均绝对误差对所述电网谐波状态分段估计模型进行优化。
[0036]
优选的，所述均方根误差的计算如下所示：
[0037][0038]
式中，rmse为测试集中真实值和各次谐波幅值的均方根误差，n为所有的待测样本个数，h(xi)为第i个待测样本的各次谐波幅值，yi为第i个测试样本的测试集中的真实值；
[0039]
所述平均绝对误差的计算如下所示：
[0040][0041]
式中，mae为测试集中真实值和各次谐波幅值的平均绝对误差。
[0042]
优选的，所述的方法，还包括：基于所述观测点各电压等级下谐波幅值，计算得到观测点各电压等级谐波的总畸变率。
[0043]
基于同一构思，本发明提供了一种配电网谐波状态分段估计系统，包括：获取模块和谐波状态模块；
[0044]
所述获取模块，用于获取电网运行的观测点的电压波形数据；
[0045]
所述谐波状态模块，用于将所述观测点的电压波形数据带入预先训练好的电网谐波状态分段估计模型中得到所述电网中观测点之外的谐波状态；
[0046]
其中，所述电网谐波状态分段估计模型，对基于仿真平台获取的各电压等级中各观测点的电压波形数据及所述数据对应的谐波信息，基于多模融合的多输出进行回归训练得到。
[0047]
与现有技术相比，本发明的有益效果为：
[0048]
1、本发明提供了一种配电网谐波状态分段估计方法，包括：获取电网运行的观测点的电压波形数据；将所述观测点的电压波形数据带入预先训练好的电网谐波状态分段估计模型中得到所述电网中观测点之外的谐波状态；其中，所述电网谐波状态分段估计模型，对基于仿真平台获取的各电压等级中各观测点的电压波形数据及所述数据对应的谐波信息，基于多模融合的多输出进行回归训练得到；全面了解了线路重要节点的谐波状态，抗干扰性较强，为谐波治理提供切实可行的指导意见。
附图说明
[0049]
图1为本发明提供的方法流程图；
[0050]
图2为本发明实施例提供的实现流程图；
[0051]
图3为本发明实施例提供的电网结构图；
[0052]
图4为本发明实施例提供的基于blending的模型融合图；
[0053]
图5为本发明实施例提供的模型结构图；
[0054]
图6为本发明实施例提供的原始数据波形图；
[0055]
图7为本发明实施例提供的幅值频谱图；
[0056]
图8为本发明实施例提供的功率频谱图；
[0057]
图9为本发明实施例提供的模型迭代次数模型效果图；
[0058]
图10为本发明实施例提供的谐波幅值预测结果图；
[0059]
图11为本发明实施例提供的5次谐波幅值预测结果图；
[0060]
图12为本发明实施例提供的7次谐波幅值预测结果图；
[0061]
图13为本发明实施例提供的25次谐波幅值预测结果图；
[0062]
图14为本发明实施例提供的谐波各指标预测结果；
[0063]
图15为本发明提供的系统结构图。
具体实施方式
[0064]
结合附图对本发明的实施例作进一步说明。
[0065]
实施例1：
[0066]
本发明提供了一种配电网谐波状态分段估计方法及系统，结合图1的方法流程图进行介绍，针对现有配电网谐波状态估计方法的不足，从数据驱动的角度出发，结合机器学习技术，提出一种基于数据驱动的多模融合配电网谐波状态分段估计方法。由于目前缺少相关数据，故本发明通过etap软件，搭建电网仿真平台，以真实的电网参数为基础，模拟真实的电网运行状态，获取各电压等级中各观测点的电压波形数据，每个周期可采集2500个点，在此数据基础上通过离散傅里叶变换(dft)提取谐波次数及幅值等信息结合电网参数结构信息构建特征工程，基于相关特征构建基于多模融合的多输出回归配电网谐波状态分段估计模型，估计监测点之外的谐波状态，即基波和各次谐波(3到25次奇次谐波)的幅值。本发明为配电网谐波状态估计提供了一种新的思路和方法，其实现流程如图2所示，具体包括以下步骤：
[0067]
步骤1：获取电网运行的观测点的电压波形数据；
[0068]
步骤2：将所述观测点的电压波形数据带入预先训练好的电网谐波状态分段估计模型中得到所述电网中观测点之外的谐波状态；
[0069]
其中，步骤1：获取电网运行的观测点的电压波形数据，具体包括：
[0070]
根据实地调研情况，搭建如图3所示的电网结构.图3中cable表示等效电阻，bus表示母线，t表示变压器，通过etap谐波仿真模块，加入谐波源进行仿真，得到母线bus1、bus2、bus3、bus4的电压波形数据。本发明通过改变电网参数的方式获得不同谐波数据，以完备的模拟真实的电网数据，拟改变的参数如表1所示。
[0071]
表1拟改变的参数
[0072][0073]
通过etap仿真平台，获得多组仿真数据，该数据一个周期电压波形数据。
[0074]
步骤2：将所述观测点的电压波形数据带入预先训练好的电网谐波状态分段估计模型中得到所述电网中观测点之外的谐波状态，具体包括：
[0075]
数据预处理及特征工程
[0076]
仿真获取的数据为一个周期的电压波形数据，以其中一组数据进行说明，其电压原始波形如图6所示，根据离散傅里叶变换(dft)进行处理并提取谐波次数、幅值、相位等特征，离散傅里叶变换公式为：
[0077][0078]
其中x[n]为变换后的数据，x[k]为原始数据，n为一组信号的数据点个数，根据欧拉公式：
[0079]ejω
＝cos w jsin w
[0080]
傅里叶变换后n个原始的点对应n个变换后的复数。
[0081]
2.1谐波次数特征提取，根据公式：
[0082][0083]
其中xi为dft变换后的数据，若计算得到的幅值a大于0.0001v则认为该幅值对应下的电压频率是存在的，经过以上计算，可得到电压的频率及各频率对应的幅值，如图7所示。
[0084]
2.2谐波功率特征提取，根据公式：
[0085]
p＝20log a
[0086]
可计算得出各次谐波的功率p，经过以上计算，可得到电压的频率及各频率对应的幅值，如图8所示。
[0087]
2.3谐波含有率特征提取，根据公式：
[0088][0089]
其中uh为h次谐波的幅值，u1为基波电压的幅值，可计算得出各次谐波的含有率hruh。
[0090]
2.4谐波总含量特征提取，根据公式：
[0091][0092]
可计算得出谐波的总的含量uh。
[0093]
2.5谐波总畸变率特征提取，根据公式：
[0094][0095]
可计算得出谐波的总畸变率thdu。
[0096]
2.6电压偏差特征提取，根据公式：
[0097][0098]
计算可得到电压偏差d(％)，其中us为为标称电压，u为电压测量值即为有效值，其计算公式如下：
[0099][0100]
通过以上公式可提取谐波次数、各次谐波幅值、各次谐波含有量、各次谐波相位、各次谐波功率、谐波总含有量、谐波总畸变率、电压偏差等特征。
[0101]
2.7特征工程，本发明特征分为电压信号特征及电网结构参数特征，其中电压信号特征包括基波及各次谐波幅值f
1-f
13
，各次谐波含有量f
14-f
25
，谐波功率f
26-f
37
、谐波总含有量f
38
、谐波总畸变率f
39
、电压偏差f
40
，电网结构参数特征包括线路长度f
41
、谐波源位置f
42
、等效电网容量f
43
、10kv负载大小f
44
、本节点电压等级f
45
，下一节点电压等级f
46
。
[0102]
3、数据集构造
[0103]
3.1样本集构建，本发明模型为多输出回归模型，所以每个数据样本的标签有多个，为该节点到相邻节点的基波和各次谐波电压幅值(3到25次奇次谐波)，l1为基波电压幅值，li为(2*i-1)次谐波的幅值，每一条样本构造的包括多个标签，所以构造的数据样本为f{f1，f2，f3，...，f
46
，l1，l2，...，l
13
}，对所有数据进行预处理及特征工程构建，得到最终的配电网谐波状态分段估计的样本集。
[0104]
3.2样本集划分，将构建好的样本集按照一定比例划分为训练集和测试集，其中训练集也按一定比例划分为训练集和验证集。
[0105]
4、模型构建与训练
[0106]
4.1模型融合，本发明采用多个回归模型进行训练得到多个相互独立的拟合结果，然后基于blending思想(对已训练好的基学习器的结果进行线性融合)将这些模型的拟合结果作为特征输入下一级模型进行训练得到最终的预测结果，相当于利用模型确定每个基模型的权重，其基本模型为随机森林(random forest，rf)和极限梯度提升树(extreme gradient boosting，xgboost)，其中rf和xgboost基模型个数都为2，第二层的模型为rf，模型融合示意图如图4所示。
[0107]
4.2多输出回归模型构建，为每一个类(即基波和各次谐波)训练一个基于blending的融合模型，从而构建多输出的回归模型，其模型结构如图5所示。
[0108]
4.3模型训练，设置各模型的详细参数并用事先划分好的训练集训练模型，各模型参数设置如表2所示，其中n_estimators为模型迭代次数，max_depth为树的最大深度，objective为模型的任务类型，用事先划分的训练集训练模型。
[0109]
表2模型参数
[0110][0111]
5、模型验证与优化
[0112]
5.1使用事先划分好的测试集验证模型效果，评价效果使用均方根误差(root mean square error，rmse)和平均绝对误差(mean absolute error，mae)，rmse是用来衡量观测值同真实值之间的偏差其公式为：
[0113][0114]
其中n为所有的待测样本个数，h(xi)为第i个样本的拟合(观测)值，yi为第i个样本的测试集的真实值。
[0115]
mae反映预测值误差的实际情况其公式为
[0116][0117]
其中n为所有的待测样本个数，h(xi)为第i个样本的拟合值，yi为第i个样本的真实值。
[0118]
5.2模型优化，根据评价结果设置各模型的参数。本发明以枚举法对模型的迭代次
数进行最优搜索如图9所示，以融合模型的最后一层为例，设置模型迭代次数范围5到1000，每迭代5次、7次输出模型在测试集上的表现rmse和mae如图11的5次谐波幅值预测结果图以及图12的7次谐波幅值预测结果图所示，综合考虑rmse(真实值和预测值之间的误差)和mae(真实值和预测值的差值的平方然后求和平均)，选择模型的迭代次数为25，图13的25次谐波幅值预测结果图，最终的rmse为1.1241，mae为0.3778，以同样的方法分别对融合模型的基模型的迭代次数进行最优搜索，得到最后预测结果如图10所示。
[0119]
5.3模型应用，根据预测出来的各次谐波的幅值，了解各次谐波的情况，计算该节点谐波总畸变率，其结果如图14所示，预测值与真实值之间的误差范围最大为2.3％，大多数误差范围都在1％一下，实验结果表明预测结果可在一定程度上为谐波治理提供指导意见。
[0120]
实施例2：
[0121]
基于同一构思，本发明提供了一种配电网谐波状态分段估计系统，结合图15的系统结构图进行介绍，包括：获取模块和谐波状态模块；
[0122]
所述获取模块，用于获取电网运行的观测点的电压波形数据；
[0123]
所述谐波状态模块，用于将所述观测点的电压波形数据带入预先训练好的电网谐波状态分段估计模型中得到所述电网中观测点之外的谐波状态；
[0124]
其中，所述电网谐波状态分段估计模型，对基于仿真平台获取的各电压等级中各观测点的电压波形数据及所述数据对应的谐波信息，基于多模融合的多输出进行回归训练得到。
[0125]
所述谐波状态模块，包括：仿真模拟子模块、数据子模块、特征子模块、样本子模块和训练子模块；
[0126]
所述仿真模拟子模块，用于通过etap软件，以电网历史谐波源数据和电网结构参数为基础，搭建电网仿真平台，模拟所述电网运行状态；
[0127]
所述数据子模块，基于所述仿真平台，获取各电压等级中各观测点的电压波形数据；
[0128]
所述特征子模块，用于通过离散傅里叶变换提取所述电压波形数据中每类波形的谐波数据，进而构建各类基波特征工程；
[0129]
所述样本子模块，用于将所述特征工程按照电压等级进行配电网谐波状态分段得到各电压分段的样本集；
[0130]
所述训练子模块，基于所述样本集采用多模融合的多输出进行回归训练得到电网谐波状态分段估计模型；
[0131]
其中，所述每类波形，包括：每类基波和各类基波包含的各次谐波。
[0132]
所述特征子模块，包括：提取单元；
[0133]
所述提取单元，用于通过离散傅里叶变换提取所述电压波形数据中各类基波下的各电压等级的谐波次数特征、各次谐波幅值、各次谐波功率特征、谐波含有率特征、谐波总含量特征、谐波总畸变率特征和电压偏差特征，进而构建各类基波特征工程。
[0134]
所述训练子模块，包括：划分单元、关系获取单元和分段模型单元；
[0135]
所述划分单元，用于将所述样本集划分为训练集和测试集；
[0136]
所述关系获取单元，用于将各段的训练集输入到随机森林基础模型和极限梯度提
升树模型中，经过随机森林算法和极限梯度提升树算法对所述训练集涉及的特征工程数据进行挖掘与学习得到同类基波的各电压等级间关系；
[0137]
所述分段模型单元，用于以所有类基波的各电压等级间关系作为传递系数，将所有类基波各段的随机森林基础模型和极限梯度提升树模型融合得到包含各电压等级分段的所有类基波对应的电网谐波状态分段估计模型。
[0138]
所述分段模型单元，包括：预测子单元和融合子单元；
[0139]
所述预测子单元，用于基于所述传递系数，将上一电压等级的同一类基波观测点的训练集经过随机森林算法或极限梯度提升树算法预测下一电压等级的同一类基波观测点的各次谐波幅值，从而得到关于同一类基波各观测点各电压等级下的谐波幅值谐波状态模型；
[0140]
所述融合子单元，用于基于所有类基波的谐波幅值谐波状态模型进行融合得到包含各电压等级分段的所有类基波对应的电网谐波状态分段估计模型。
[0141]
所述数据子模块，包括：改变参数单元；
[0142]
所述改变参数单元，用于输入电网谐波源数据至所述仿真平台，通过分别改变线缆长度、改变所述谐波源数据位置、改变所述谐波源数据类型、改变电网容量或改变负载大小进行仿真得到多组各电压等级中各观测点一个周期的电压波形数据。
[0143]
所述的系统，还包括：优化模块和计算模块；
[0144]
所述优化模块，用于对所述电网谐波状态分段估计模型的优化；
[0145]
所述计算模块，用于基于所述观测点各电压等级下谐波幅值，计算得到观测点各电压等级谐波的总畸变率。
[0146]
所述优化模块，包括：设置子模块和误差优化子模块；
[0147]
所述设置子模块，用于将各观测点一个周期的不同电压波形数据提取的所述测试集输入所述电网谐波状态分段估计模型并设置各电压分段谐波状态模型的迭代次数；
[0148]
所述误差优化子模块，基于所述各电压分段谐波状态模型的迭代次数和测试集个数，求所述测试集中真实值和对应的所述观测点各电压等级下谐波幅值的均方根误差和平均绝对误差，消除所述均方根误差和平均绝对误差对所述电网谐波状态分段估计模型进行优化。
[0149]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0150]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0151]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特
定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0152]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0153]
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。