基于配电网电压数据分析的电压合格率提升方法与流程

技术特征：
1.一种基于配电网电压数据分析的电压合格率提升方法，其特征在于，包括如下步骤：步骤一：基于多元线性回归的电压合格率影响因素研究，包括如下小步：第一步：分析影响电压合格率的因素，对综合电压合格率及a、b、c、d四类监测点电压合格率进行分析；第二步：根据基于多元线性回归的电压合格率影响因素研究模型，利用因子分析法及主成分分析法对电压合格率的影响因素进行分析；第三步：然后对四类监测点进行电压合格率越上限和越下限原因分析，利用主成分分析法找出影响电压合格率的主要原因及二级原因；步骤二：以电压合格率为主要优化目标的配电网无功优化模型：包括如下小步：第一步：提出以电压合格率为主要优化目标的配电网无功优化模型，利用量子遗传算法、量子群搜索算法和粒子群算法三种人工智能优化算法进行研究；第二步：分析其优化轨迹特性，对三种人工智能算法的优缺点以及适用场合进行总结，并采用粒子群算法对配电网进行电压无功优化；步骤三：基于长短期记忆网络和knn的电压故障检测：包括如下小步：第一步：根据基于长短期记忆网络和knn的电压故障预测模型，使用长短期记忆网络提取电压波动数据的特征，捕获电压的历史信息，对电压序列数据进行学习，挖掘出内部隐含的信息；第二步：将blstm网络提取到的特征向量输入到knn分类器进行故障分类。2.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤一中第一步的a、b、c、d四类监测点记录电压波动数据，每条数据记录24小时内的电压波动，电压数据每隔一小时采集一次。3.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤一中第二步中，多元线性回归的电压合格率影响因素研究模型，采用主成分回归的方法能够消除经典回归分析的缺陷，关于主成分回归的模型如下：ε-n(0,σ2)式中：第i主成分；第i主成分系数；通过主成分分析，对电压合格率的各个影响因素在spss中作回归分析，根据spss导出的以上结果，可以得到关于电压合格率的计算如下：u(％)＝44.436 0.959
×
sd 0.808
×
jb 1.021
×
zb 0.98
×
wd 0.769
×
dr 0.847
×
sj 1.257
×
dy-1.082
×
zd 0.955
×
dj 1.295
×
xl 1.769
×
fh 2.292
×
mx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中：sd——水电厂电压并网波动因素权重值；jb——旧变压器变比配置不合理因素权重值；zb——主变压器非有载调压因素权重值；wd——无电压自动调节系统因素权重值；
dr——电容、电抗器未安装因素权重值；sj——上级电源电压不合格因素权重值；dy——电压控制实时性差因素权重值；zd——自动电压调节系统效率低因素权重值；dj——电压监测仪表准确性差因素权重值；xl——线路因素权重值；fh——负荷过载因素权重值；mx——母线电压越限因素权重值。4.根据权利要求3所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤一中第二步中，主成分分析法是通过投影的方式，将高维数据降维处理，进行复杂数据简化操作，包括如下小步：(1)设x＝(x
ij
)为n
×
p阶的矩阵，记作x＝(x1,...,x
n
)
t
＝(x1,...,x
p
)，x
i
为x矩阵的第i行，x
j
为x矩阵的第j列，当把x矩阵看作p维度的矩阵时，设r
q
(q<p)为低维度空间，使得x矩阵到r
q
空间的投影值与原始值最接近；(2)把x
(n
×
p)
矩阵中心标准化，即x
→
hxd-1
，其中i为n阶单位矩阵，d＝diag[hx1,
…
,hx
p
]，矩阵变换后仍然赋值给矩阵x；(3)求解矩阵x
t
x的特征值λ1≥...≥λ
p
≥0，求解特征值对应的标准正交特征向量u1,...,u
p
，令x
t
x＝uλu
t
，式中u＝(u1,...,u
p
)；(4)计算主要成分的累记贡献率对于规定的贡献率c0，确定使累计贡献率α
q
≥c0时最小的q，一般取c0＝85％；(5)计算主成分得分,,y-j.＝x,u-j.,j＝1,...,q-.，y
j
是第j个主成分得分值。5.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤一中第三步中，监测点进行电压合格率越上限和越下限原因分析，分为：模型拟合优度及残差检验、f检验、直方图及pp图检验，其中：模型拟合优度及残差检验：根据拟合优度，判断模型的拟合优度是否符合理想要求，根据残差值，判断是否存在正自相关；f检验：用来判断线性回归方程是否显著，表明模型是否支持原假设，即线性回归方程是否显著；直方图及pp图检验：通过直方图及pp图，表明残差是服从正态分布的，判断建立的关于电压合格率的线性回归模型的拟合效果是否显著，预测模型是否符合统计学要求，模型的建立是否可信。6.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤二中第一步中，配电网无功优化模型的建立步骤如下：
①
目标函数：优化的目标函数如式(3)所示，系统的优化目标为功率损耗最低，即优化目标为经济性；
式中：δp
ij
——线路i与线路j的有功功率损耗，单位w；v
i
——网络节点i的电位值，单位v；v
j
——网络节点j的电位值，单位v；θ
ij
——网络节点i与j的电压矢量相角差；g
ij
——线路ij的电导，单位s；n
l
——配电网线路集合；为了提高电压合格率，提高配电网的整体电压质量，系统的优化目标改为节点电压偏离期望值的累计和，则目标函数如式(4)所示：式中：n——配电网节点个数；δv
i
——节点i的电压值与期望值偏差；v
imax
——节点i允许电压最高值；v
imin
——节点i允许电压最低值；综上所述，设定优化目标为电压合格率与配电网运行经济性，目标函数改为式(5)：式中：λ1，λ2——补偿系数；
②
约束条件：关于目标函数的约束条件主要包括运行状态、潮流约束、控制变量三部分，关于各个约束条件的数学模型如下内容；1)状态变量约束条件：1)状态变量约束条件：1)状态变量约束条件：式中：v——节点电压，单位v；q
g
——发电机输出的无功功率，单位var；p
g
——发电机输出的有功功率，单位w；n
b
——电力系统节点集合；n
g
——发电机节点集合；2)控制变量约束条件：2)控制变量约束条件：式中：
投入无功设备容量，单位var；配电变压器变比；n
k
——支路集合；n
c
——无功设备节点集合；3)潮流约束条件：3)潮流约束条件：式中：输入节点i的有功功率，单位w；输入节点i的无功功率，单位var。7.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤三中第一步中，电压故障预测模型，给定每条电压波动数据x＝{x1,x2,
…
,x
n
},n＝24，由于是序列化数据，因此将每个时刻电压数据使用blstm来提取特征，然后进行拼接v＝[h1,h2,
…
,h
t
]，其中h
t
为t时刻blstm的隐场层输出，得到的特征向量v作为该电压序列数据的特征表示，输入到knn分类器进行故障分类。8.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，所述步骤三中第二步中，将blstm网络提取到的特征向量输入到knn分类器进行故障分类，具体包括如下内容：将电压序列数据输入到blstm中进行训练，以分类损失最小化作为优化目标训练得到blstm模型，保存该模型；将训练数据输入该模型得到特征向量，输入到knn分类器进行分类预测；在knn算法中，设置k为6，使用欧式距离；使用准确率、召回率和f1值作为评价指标，对于数据集中每个类别的召回率和准确率使用混淆矩阵进行计算；其中tp为真正例，fn为假反例，fp为假正例，tn为真反例，则准确率p、召回率r和f1值的计算公式分别为：计算公式分别为：计算公式分别为：验证blstm提取特征向量对模型分类效果的性能影响，设置了变体实验，直接使用knn进行分类预测；结合了神经网络和传统机器学习方法进行故障检测，使用循环神经网络来捕获电压波动数据特征，挖掘数据中的潜在模式，并最后使用knn算法进行分类。9.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，步骤三中第二步中，故障分类包括表计故障、变压器分接头档位错误、导线及接头故障、
低压三相负荷不平衡、线路断线、违约用电和出口电压低。10.根据权利要求1所述的基于配电网电压数据分析的电压合格率提升方法，其特征在于，步骤三中第二步中，提升模型的分类性能考虑以下三个层面：a、分析blstm的层数对模型的分类性能影响：当网络为一层时，由于低层神经网络仅仅提取通用特征，并且提取特征的能力较弱，无法捕获序列数据的潜在模式，当blstm网络层数第三、四、五层时，由于神经网络层数过深，会导致过拟合，因此模型的准确率下降；b、分析knn算法中k的取值对模型的分类性能影响：k从1到10依次取值，分别进行实验：当k取值太小时，模型对邻近的样本点十分敏感，在训练过程中，容易产生过拟合，增大学习误差；当k取值过大时，较远的样本点也会对模型的预测产生作用，导致模型预测结果模糊，容易分类错误；c、分析数据集的大小对算法的性能影响：将数据集划分成不同的比例20％，40％，60％，80％，100％来进行实验，对各个算法的准确率进行对比，无论当数据集的比例为多少，由于使用了神经网络对电压波动数据提取特征，捕获数据的潜在模式，有利于后续的knn模型对blstm输出的特征向量进行分类。

技术总结
本发明涉及一种基于配电网电压数据分析的电压合格率提升方法，属于配电网技术领域。本发明包括如下步骤：步骤一：基于多元线性回归的电压合格率影响因素研究；步骤二：以电压合格率为主要优化目标的配电网无功优化模型；步骤三：基于长短期记忆网络和KNN的电压故障检测。本发明利用因子分析法及主成分分析法对电压合格率的影响因素进行分析，并提出了相应的解决措施。提出了以电压合格率为主要优化目标的配电网无功优化模型，对多种人工智能优化算法进行研究，分析其优化轨迹特性，对多种人工智能算法的优缺点以及适用场合进行总结，并采用粒子群优化算法对配电网进行电压无功优化，明显改善了电压合格率偏低的问题；可广泛运用于配电网场合。运用于配电网场合。运用于配电网场合。


技术研发人员：孙越 宗雪莹 钟离超超
受保护的技术使用者：国网山东省电力公司齐河县供电公司
技术研发日：2021.07.22
技术公布日：2023/2/3