CN118332901A - 面向低压配电系统全景监测的计算分析模型及系统 - Google Patents

Abstract

本发明涉及一种面向低压配电系统全景监测的计算分析模型及系统，属于电力通信技术领域。通过高精度的低压配电系统量测数据节点状态变化曲线拟合方法，可以更准确地监测和预测配电系统的状态变化，提高系统的可靠性和稳定性。一方面，基于量测数据时间序列变化率初步判定时间变化序列的关键点集合，捕捉量测数据时间序列变化的重要特征，能够准确推演节点状态的变化趋势，实现对低压配电系统节点状态变化的高精度预测。另一方面，针对不同类型的量测数据采取不同的插值方法进行自适应插值，并且根据量测数据采样周期的差异动态调整被插值点数量进行非均匀插值，能够更全面地考虑数据时序特性，进一步提高节点状态变化的动态推演准确性和可靠性。

Description

面向低压配电系统全景监测的计算分析模型及系统

技术领域

本发明涉及一种面向低压配电系统全景监测的计算分析模型及系统，属于电力通信技术领域。

背景技术

目前，低压配电系统是电力分配的最后一道关键环节，其稳定运行对于现代社会的能源供应和社会经济的可持续发展至关重要。随着海量分布式能源、储能装置以及可控负荷接入低压配电网络，配电网的结构和运行状况日益复杂，且由于设备过载、设备故障和电压不稳定等因素，低压配电系统常常面临多种潜在风险，为确保电力系统配电业务的稳定运行，对系统进行全景监测显得尤为重要。为了实现对低压配电系统状态的全景监测和实时分析，系统部署了大量的监测设备用以采集电流、电压、负荷数据以及设备运行状态等量测数据，为节点变化状态的实时监测提供支撑。然而，由于不同类型量测数据的采样周期及准确度存在差异，例如智能电表测量数据、配电柜出线监测测量数据以及智能量测开关测量数据。因此，为了准确拟合各个量测点的状态变化情况，需要融合量测点的多种量测数据进行节点状态变化动态推演，获得节点状态变化曲线，在海量量测数据拟合与系统状态估计过程中，需要解决下列挑战：

(1)现有的低压配电系统量测数据时间节点状态变化曲线拟合方法预测精度低的问题：传统的量测数据节点状态变化曲线拟合方法在进行数据融合过程时仅考虑单一数据源数据，忽略了来自其他数据源的关键信息，导致状态估计效果差、精度低。同时，传统数据拟合方法采用固定插值方法对低压配电系统量测数据进行插值，且没有考虑伪量测和量测数据断面无法对齐对拟合精度的影响，无法根据量测数据的类型和数据密度进行自适应非均匀插值，难以满足低压配电网多量测数据的拟合精度需求。

(2)现有的低压配电系统状态估计方法误差大、收敛性差的问题：传统的状态估计方法通常依赖于事先定义好的系统模型，然后通过观测数据来更新状态估计。然而传统的状态估计方法模型参数的更新通常是静态的，不能根据状态估计误差对插值方法和多量测数据拟合过程的相关参数进行动态修正，模型估计结果与实际系统之间存在不匹配或误差，难以支撑低压配电系统全景监测业务的稳定进行。

有鉴于上述的缺陷，本发明以期创设一种面向低压配电系统全景监测的计算分析模型及系统，使其更具有产业上的利用价值。

发明内容

为解决上述技术问题，本发明的目的是提供一种面向低压配电系统全景监测的计算分析模型及系统。

本发明的一种面向低压配电系统全景监测的计算分析方法，具体步骤为：

获取量测点量测数据时序变化序列并转化成时段时序变化序列矩阵；

根据时段时序变化序列矩阵，对量测点k的低压配电网馈线监测装置和智能电表的采集数据时序变化序列，计算时段内相邻采样时刻的一阶变化率和二阶变化率；

根据时段内相邻采样时刻的一阶变化率和二阶变化率，获得所有量测点的低压配电网馈线监测装置和智能电表的采集数据时序变化序列的关键点；

基于时序变化序列的关键点，得出量测点k的低压配电网馈线监测装置和智能电表的采集数据在T₀内的所有时刻间的插值数据序列；

根据插值数据序列，进行量测数据时间变化节点状态变化曲线拟合；

根据量测数据时间变化节点状态变化曲线拟合结果进行多量测数据融合处理；

基于多量测数据融合处理结果进行配电网状态估计；

基于状态估计误差进行参数更新最终实现面向低压配电系统全景监测。

进一步的，所述获取量测点量测数据时序变化序列并转化成时段时序变化序列矩阵的方法为：

定义每经过一个时段进行一次低压台区状态变化动态推演，时段长度固定为T₀；在时段结束时，各量测系统根据量测点所上传的电力电子设备的运行状态量测数据，获取时段内量测点量测数据的时序变化序列；定义低压配电系统全景监测业务中共涉及K个量测点，其集合表示为K＝{1,…,k,…,K}；定义其中装设智能断路器的节点集合为K₁，低压配电网馈线监测装置的节点集合为K₂，装设智能电表的节点集合为K₃；智能断路器、低压配电网馈线监测装置、智能电表三种量测装置的采样周期分别表示为{T₁,T₂,T₃}，且T₁≤T₂<T₃；定义量测点k中第i,i∈{1,2,3}种类型量测装置在T₀时段内采集的量测数据时序变化序列可表示为其中，为该量测点的装设部署指示变量，若k∈K_i，则否则X_i表示第i种类型量测装置在一个时段内的采样点数，其值等于 表示向下取整函数；表示量测点k的第i种类型量测装置采集的第x_i个量测数据；

根据上述的量测数据时间变化序列，设第i种类型量测装置在时段内采集所有量测点数据的时序变化矩阵为J_i，表示为

进一步的，所述计算时段内相邻采样时刻的一阶变化率和二阶变化率，最终表示为：

其中，和分别为低压配电系统量测点k第i种量测数据时间观测序列的第x_i-1个采样时刻和第x_i个采样时刻之间的一阶变化率和二阶变化率，其值分别反应了时间变化序列在当前采样时刻的数据大小和数据变化趋势是否发生明显变化。

进一步的，所述获得所有量测点的低压配电网馈线监测装置和智能电表的采集数据时序变化序列的关键点的方法为：

定义第i种量测数据的一阶变化率和二阶变化率阈值分别为将计算获得的一阶变化率和二阶变化率分别与其进行比较；若或表明量测点k在第x_i-1和第x_i个采样时刻的量测数据大小或数据变化趋势发生明显变化，应将当前时刻设置为关键点，补充大量伪量测数据以精准还原实际情况；若表明量测点k在第x_i-1和第x_i个采样时刻的量测数据大小根据变化趋势变化均不明显，当前时刻为非关键点，不需要进行大量插值；基于上述，获取量测点k的低压配电网馈线监测装置和智能电表的采集数据时序变化序列的所有关键点集合表示为其中n为关键节点的数量且满足n≤X_i；

重复执行上述步骤，直至获得所有量测点的低压配电网馈线监测装置和智能电表的采集数据时序变化序列的所有关键点集合

进一步的，所述得出量测点k的低压配电网馈线监测装置和智能电表的采集数据在T₀内的所有时刻间的插值数据序列的步骤为：

S1、定义量测点k的低压配电网馈线监测装置和智能电表的采集数据在第x_i-1和第x_i个采样时刻间插值点个数为表示为

其中，T_s为非关键点插值周期，且T₁<T_s<T₂<T₃；公式意为，若量测点k的低压配电网馈线监测装置和智能电表的采集数据的第x_i个采样时刻为关键点，则在第x_i-1和第x_i个采样时刻间插入个伪量测数据，使量测数据数量与智能断路器数据相同；若为非关键点，则插入个伪量测数据，插值数量较智能断路器数据少；

S2、量测点k的低压配电网馈线监测装置和智能电表的采集数据在第x_i-1和第xi个采样时刻间的插值函数表示为：

其中，为量测点k的低压配电网馈线监测装置和智能电表的采集数据在第x_i-1和第x_i个采样时刻间插入的伪量测数据集合，和分别表示采用拉格朗日插值法、线性内插法和线性外推法在第x_i-1和第x_i个采样时刻间插入个伪量测数据；

S3、重复执行上述步骤，得出量测点k的低压配电网馈线监测装置和智能电表的采集数据在T₀内的所有时刻间的插值数据序列

进一步的，所述进行量测数据时间变化节点状态变化曲线拟合的具体方法为：

将量测点k第i种类型量测数据在时段内插值后获得的序列与原量测序列结合，得到插值后的时间序列采用多项式拟合方法对插值后的时间序列进行拟合，得到量测点k的第i种量测数据在T₀内的节点状态变化曲线，并进一步获得所有量测点各种类量测数据的节点状态变化曲线。

进一步的，所述进行多量测数据融合处理的方法为：

在评估的时段中，K个量测点3种类型的量测数据节点状态变化曲线分别为以此进行多量测数据融合处理，获得评估时段内的低压配电台区各量测点的量测数据融合变化曲线；定义F_k(t)为第k个量测点的状态评分曲线，则该多量测数据融合处理模型可表示为

式中，ω_i为预设的3种类型的量测数据在拟合过程中的权重；为根据该量测点的量测采集装置装设情况进行调整后的权重；针对上述模型，可采用最小二乘法进行拟合求解；以此获得评估时段内的低压配电台区各量测点的量测数据融合变化曲线F(t)＝{F₁(t),…,F_k(t),…,F_K(t)}。

进一步的，所述进行配电网状态估计的方法为：

根据评估时段内的低压配电台区各量测点的量测数据融合变化曲线F(t)，全景监测平台对配电网整体状态进行评估，获得该评估时段的评估结果χ，以此呈现于全景监测平台。

进一步的，基于状态估计误差进行参数更新的方法为：

定义输入R组训练样本{F₁(t),…,F_r(t),…,F_R(t)}以及对应的实际评估结果进而根据计算分析模型的评估结果误差调整多量测数据融合处理模型中的相关参数，参数表达式为

式中，γ为参数更新步长，ω为多量测数据融合处理模型各类型量测数据的预设权重向量，表示为ω＝[ω₁,ω₂,ω₃]。ω′为更新后的权重向量，表示为ω′＝[ω₁′,ω₂′,ω₃′]；

基于时序变化序列关键点的自适应非均匀插值的一阶变化率阈值和二阶变化率阈值的更新表达式为

式中，Δρⁱ为第i种量测数据时间观测序列一阶变化率阈值的更新步长；公式意为，若第r组训练样本输入模型的评估结果与期望评估结果相差较大且实际评估结果较差，则说明需要降低自适应非均匀插值的一阶变化率阈值和二阶变化率阈值，提高自适应非均匀插值点数，提升多源数据拟合精准度；相反，则降低阈值减小自适应非均匀插值点数，降低平台的数据处理压力。

一种面向低压配电系统全景监测的计算分析系统，包括：

量测层：量测层由智能断路器量测系统、低压配电网馈线监测装置量测系统、智能电表量测系统以及K个低压配电台区的量测点组成，K个量测点配置于低压配电台区的各个电力电子设备以及配电柜处，集合表示为{1,…,k,…,K}，智能断路器量测系统、低压配电网馈线监测装置量测系统以及智能电表量测系统实时采集各量测点的电力电子设备以及线路的运行数据；假设每经过一个时段进行一次低压台区状态变化动态推演，时段长度固定为T₀；智能断路器量测系统、低压配电网馈线监测装置量测系统、智能电表量测系统根据该时段内的量测数据，生成各量测点的三种量测数据的时间变化序列，并将数据传输至台区智能融合终端以进行进一步的处理；

应用层：应用层由台区智能融合终端和配电物联网云主站全景监测平台组成，台区智能融合终端接收各量测系统所上传的量测数据的时间变化序列，由此根据时间变化序列的波动幅度，判定各量测点时间变化序列的关键点，对各量测点时间变化序列进行自适应非均匀插值，拟合出各量测点的节点状态变化曲线，并将拟合结果上传至全景监测平台；之后，全景监测平台基于各量测点的各种类数据的节点状态曲线，进行多量测数据融合处理，评估配电网状态；最后，全景监测平台根据累积的历史分析数据并构建专门的训练样本，计算配电网状态估计误差，进而基于误差调整相关参数，进一步提高配电网状态估计的可靠性。

一种面向低压配电系统全景监测的计算分析装置，包括：

序列获取模块：用于获取量测点量测数据时序变化序列并转化成时段时序变化序列矩阵；

计算模块：用于根据时段时序变化序列矩阵，对量测点k的低压配电网馈线监测装置和智能电表的采集数据时序变化序列，计算时段内相邻采样时刻的一阶变化率和二阶变化率；

关键点获取模块：用于根据时段内相邻采样时刻的一阶变化率和二阶变化率，获得所有量测点的低压配电网馈线监测装置和智能电表的采集数据时序变化序列的关键点；

插值数据序列获取模块：用于基于时序变化序列的关键点，得出量测点k的低压配电网馈线监测装置和智能电表的采集数据在T₀内的所有时刻间的插值数据序列；

曲线拟合模块：用于根据插值数据序列，进行量测数据时间变化节点状态变化曲线拟合；

数据融合处理模块：用于根据量测数据时间变化节点状态变化曲线拟合结果进行多量测数据融合处理；

估计模块：用于基于多量测数据融合处理结果进行配电网状态估计；

参数更新模块：用于基于状态估计误差进行参数更新最终实现面向低压配电系统全景监测。

进一步的，所述计算模块中所述计算时段内相邻采样时刻的一阶变化率和二阶变化率，最终表示为：

其中，和分别为低压配电系统量测点k第i种量测数据时间观测序列的第x_i-1个采样时刻和第x_i个采样时刻之间的一阶变化率和二阶变化率，其值分别反应了时间变化序列在当前采样时刻的数据大小和数据变化趋势是否发生明显变化。

进一步的，所述曲线拟合模块中进行量测数据时间变化节点状态变化曲线拟合的具体方法为：

将量测点k第i种类型量测数据在时段内插值后获得的序列与原量测序列结合，得到插值后的时间序列采用多项式拟合方法对插值后的时间序列进行拟合，得到量测点k的第i种量测数据在T₀内的节点状态变化曲线，并进一步获得所有量测点各种类量测数据的节点状态变化曲线。

借由上述方案，本发明至少具有以下优点：

1.本发明提供了一种高精度的低压配电系统量测数据节点状态变化曲线拟合方法，可以更准确地监测和预测配电系统的状态变化，提高系统的可靠性和稳定性。一方面，基于量测数据时间序列变化率初步判定时间变化序列的关键点集合，捕捉量测数据时间序列变化的重要特征，能够准确推演节点状态的变化趋势，实现对低压配电系统节点状态变化的高精度预测。另一方面，针对不同类型的量测数据采取不同的插值方法进行自适应插值，并且根据量测数据采样周期的差异动态调整被插值点数量进行非均匀插值，能够更全面地考虑数据时序特性，进一步提高节点状态变化的动态推演准确性和可靠性。

2.本发明研究基于多数据融合的全景监测计算分析模型及系统。其中，多量测数据的高效融合处理通过融合不同类型数据拟合曲线提高对低压配电系统状态的全景监测精度，能够更全面地监测系统的运行状态，有助于及时发现系统潜在风险。同时，根据历史配电网状态估计误差对插值方法和多量测数据融合过程中的相关参数进行自适应调整，使得系统的估计结果能够更好地与实际系统状态相匹配，能够有效降低预测误差，进而提高配电系统全景监测的准确性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某个实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明面向低压配电系统全景监测的计算分析模型及系统示意图；

图2是本发明面向低压配电系统全景监测的计算分析方法流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

请参阅图1，图1是本发明面向低压配电系统全景监测的计算分析模型及系统示意图；该计算分析模型包括量测层：量测层主要由智能断路器量测系统、低压配电网馈线监测装置量测系统、智能电表量测系统以及K个低压配电台区的量测点组成，K个量测点配置于低压配电台区的各个电力电子设备以及配电柜处，集合表示为{1,…,k,…,K}，智能断路器量测系统、低压配电网馈线监测装置量测系统以及智能电表量测系统实时采集各量测点的电力电子设备以及线路的运行数据。假设每经过一个时段进行一次低压台区状态变化动态推演，时段长度固定为T₀。智能断路器量测系统、低压配电网馈线监测装置量测系统、智能电表量测系统根据该时段内的量测数据，生成各量测点的三种量测数据的时间变化序列，并将数据传输至台区智能融合终端以进行进一步的处理。

应用层：应用层主要由台区智能融合终端和配电物联网云主站全景监测平台组成，台区智能融合终端接收各量测系统所上传的量测数据的时间变化序列，由此根据时间变化序列的波动幅度，判定各量测点时间变化序列的关键点，对各量测点时间变化序列进行自适应非均匀插值，拟合出各量测点的节点状态变化曲线，并将拟合结果上传至全景监测平台。之后，全景监测平台基于各量测点的各种类数据的节点状态曲线，进行多量测数据融合处理，评估配电网状态。最后，全景监测平台根据累积的历史分析数据并构建专门的训练样本，计算配电网状态估计误差，进而基于误差调整相关参数，进一步提高配电网状态估计的可靠性。

基于上述系统架构，本发明提出一种面向低压配电系统全景监测的计算分析方法，方法流程如图2所示，包括基于伪量测时序拟合的全节点状态变化动态推演方法和基于多数据融合的全景监测计算分析模型两部分。具体步骤描述如下。

1.基于伪量测时序拟合的全节点状态变化动态推演方法

为了准确拟合各个量测点的状态变化情况，需要融合量测点的多种量测数据进行节点状态变化动态推演，以获得节点状态变化曲线，从而获得量测点的状态变化情况，支撑低压配电系统全景监测业务的稳定进行。以一个时段为例，可具体分为以下步骤：

S1：量测点量测数据时序变化序列获取

本发明所提系统考虑每经过一个时段进行一次低压台区状态变化动态推演，时段长度固定为T₀。在时段结束时，各量测系统根据量测点所上传的电力电子设备的运行状态量测数据，获取时段内量测点量测数据的时序变化序列。假设低压配电系统全景监测业务中共涉及K个量测点，其集合表示为K＝{1,…,k,…,K}。定义其中装设智能断路器的节点集合为K₁，低压配电网馈线监测装置的节点集合为K₂，装设智能电表的节点集合为K₃。智能断路器、低压配电网馈线监测装置、智能电表三种量测装置的采样周期分别表示为{T₁,T₂,T₃}，且T₁≤T₂<T₃。因此，定义量测点k中第i,i∈{1,2,3}种类型量测装置在T₀时段内采集的量测数据时序变化序列可表示为其中，为该量测点的装设部署指示变量，若k∈K_i，则否则X_i表示第i种类型量测装置在一个时段内的采样点数，其值等于 表示向下取整函数；表示量测点k的第i种类型量测装置采集的第x_i个量测数据。

根据上述的量测数据时间变化序列，设第i种类型量测装置在时段内采集所有量测点数据的时序变化矩阵为J_i，表示为

S2：基于时序变化序列关键点的自适应非均匀插值

由于不同类型量测装置具有不同采样周期，很多时间断面没有低压配电网馈线监测装置数据和智能电表数据，对采样周期较大的低压配电网馈线监测装置和智能电表进行差值补充伪量测数据，保证智能断路器数据、低压配电网馈线监测装置数据和智能电表数据的同步性。本发明基于对各量测点同种类型的量测数据时间序列的一阶变化率和二阶变化率进行初步判定，确定量测数据时间变化序列的关键点，进而进行自适应非均匀插值，关键点处插值数量较多，以补充精准伪量测数据，非关键点处插值数量较少，以减少插值耗时。具体步骤如下所述：

步骤一：根据S1获得的时段时序变化序列矩阵，对量测点k的低压配电网馈线监测装置和智能电表的采集数据时序变化序列，计算时段内相邻采样时刻的一阶变化率和二阶变化率，表示为

其中，和分别为低压配电系统量测点k第i种量测数据时间观测序列的第x_i-1个采样时刻和第x_i个采样时刻之间的一阶变化率和二阶变化率，其值分别反应了时间变化序列在当前采样时刻的数据大小和数据变化趋势是否发生明显变化。

定义第i种量测数据的一阶变化率和二阶变化率阈值分别为将计算获得的一阶变化率和二阶变化率分别与其进行比较。若或表明量测点k在第x_i-1和第x_i个采样时刻的量测数据大小或数据变化趋势发生明显变化，应将当前时刻设置为关键点，补充大量伪量测数据以精准还原实际情况。若且表明量测点k在第x_i-1和第x_i个采样时刻的量测数据大小根据变化趋势变化均不明显，当前时刻为非关键点，不需要进行大量插值。基于上述，获取量测点k的低压配电网馈线监测装置和智能电表的采集数据时序变化序列的所有关键点集合表示为其中n为关键节点的数量且满足n≤X_i。

重复执行上述步骤，直至获得所有量测点的低压配电网馈线监测装置和智能电表的采集数据时序变化序列的所有关键点集合

步骤二：由于不同类型的量测数据的采样间隔和数据密度存在差异，基于步骤一中得到的时间序列变化关键点集合Cⁱ，对各类量测数据时间序列变化关键点所对应的采样时段进行自适应非均匀插值处理，以补全量测数据，增强时间序列关键点量测数据的相关性，提升多源数据拟合精准度。其中，针对不同类型的量测数据采取不同的插值方法进行自适应插值，并且根据量测数据采样周期的差异动态调整被插值点数量进行非均匀插值。以量测点k的第i种量测数据为例，具体步骤如下。

步骤2.1：确定非均匀插值点个数

定义量测点k的低压配电网馈线监测装置和智能电表的采集数据在第x_i-1和第x_i个采样时刻间插值点个数为表示为

其中，T_s为非关键点插值周期，且T₁<T_s<T₂<T₃。公式意为，若量测点k的低压配电网馈线监测装置和智能电表的采集数据的第x_i个采样时刻为关键点，则在第x_i-1和第x_i个采样时刻间插入个伪量测数据，使量测数据数量与智能断路器数据相同。若为非关键点，则插入个伪量测数据，插值数量较智能断路器数据少。

步骤2.2：量测数据自适应非均匀插值

针对不同类型的量测数据，采取不同的插值方法进行插值，共考虑三种插值方法，分别是线性内插法、线性外推法和拉格朗日插值法，其中线性内插法和拉格朗日插值法精度更高，但计算复杂度较高，耗时较长，线性外推法耗时较短，但不适用于预测变化较大的情况。当量测数据大小发生明显变化时，采用精度最高但耗时较大的拉格朗日插值法插入伪量测数据；当量测数据大小未发生明显变化，但数据变化趋势发生变化时，采用精度次之的线性内插法插入伪量测数据；对于量测数据大小和数据变化趋势变化均不明显的非关键点，采用计算迅速的线性外推法插入伪量测数据。

量测点k的低压配电网馈线监测装置和智能电表的采集数据在第x_i-1和第x_i个采样时刻间的插值函数表示为：

其中，为量测点k的低压配电网馈线监测装置和智能电表的采集数据在第x_i-1和第x_i个采样时刻间插入的伪量测数据集合，和分别表示采用拉格朗日插值法、线性内插法和线性外推法在第x_i-1和第xi个采样时刻间插入个伪量测数据。

步骤2.4：重复执行上述步骤，得出量测点k的低压配电网馈线监测装置和智能电表的采集数据在T₀内的所有时刻间的插值数据序列

S3：量测数据时间变化节点状态变化曲线拟合

将量测点k第i种类型量测数据在时段内插值后获得的序列与原量测序列结合，得到插值后的时间序列采用多项式拟合方法对插值后的时间序列进行拟合，得到量测点k的第i种量测数据在T₀内的节点状态变化曲线，并进一步获得所有量测点各种类量测数据的节点状态变化曲线。

2.基于多数据融合的全景监测计算分析模型

根据上述步骤所获的全节点状态变化动态推演结果，对K个量测点的3种类型的量测数据的各类数据节点状态变化曲线进行融合处理，进而基于融合处理结果进行配电网状态估计，最后根据实际评估结果调整前述方法相关参数，提高全景监测计算分析精度，可具体分为以下步骤：

S1：多量测数据融合处理

基于全节点状态变化动态推演方法S2构造的各类数据节点状态变化曲线，进行多量测数据融合处理。在评估的时段中，K个量测点3种类型的量测数据节点状态变化曲线分别为以此进行多量测数据融合处理，获得评估时段内的低压配电台区各量测点的量测数据融合变化曲线。定义F_k(t)为第k个量测点的状态评分曲线，则该多量测数据融合处理模型可表示为

式中，ω_i为预设的3种类型的量测数据在拟合过程中的权重；为根据该量测点的量测采集装置装设情况进行调整后的权重。针对上述模型，可采用最小二乘法进行拟合求解。以此获得评估时段内的低压配电台区各量测点的量测数据融合变化曲线F(t)＝{F₁(t),…,F_k(t),…,F_K(t)}。

S2：基于多量测数据融合处理结果进行配电网状态估计

全景监测平台基于S1多量测数据融合处理结果，根据评估时段内的低压配电台区各量测点的量测数据融合变化曲线F(t)，全景监测平台对配电网整体状态进行评估，获得该评估时段的评估结果χ，以此呈现于全景监测平台。

S3：基于状态估计误差的参数更新方法

为了训练上述基于多数据融合的全景监测计算分析模型，本发明考虑累积一段时间的历史分析数据并构建专门的训练样本，将训练样本输入模型获得状态评估误差来引导计算分析模型的参数更新。定义输入R组训练样本{F₁(t),…,F_r(t),…,F_R(t)}以及对应的实际评估结果进而根据计算分析模型的评估结果误差调整多量测数据融合处理模型中的相关参数，参数表达式为

式中，γ为参数更新步长，ω为多量测数据融合处理模型各类型量测数据的预设权重向量，表示为ω＝[ω₁,ω₂,ω₃]。ω′为更新后的权重向量，表示为ω′＝[ω₁′,ω₂′,ω₃′]。

基于时序变化序列关键点的自适应非均匀插值的一阶变化率阈值和二阶变化率阈值的更新表达式为

式中，Δρⁱ为第i种量测数据时间观测序列一阶变化率阈值的更新步长。公式意为，若第r组训练样本输入模型的评估结果与期望评估结果相差较大且实际评估结果较差，则说明需要降低自适应非均匀插值的一阶变化率阈值和二阶变化率阈值，提高自适应非均匀插值点数，提升多源数据拟合精准度。相反，则降低阈值减小自适应非均匀插值点数，降低平台的数据处理压力。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (13)

1.一种面向低压配电系统全景监测的计算分析方法，其特征在于：具体步骤为：

获取量测点量测数据时序变化序列并转化成时段时序变化序列矩阵；

根据时段时序变化序列矩阵，对量测点k的低压配电网馈线监测装置和智能电表的采集数据时序变化序列，计算时段内相邻采样时刻的一阶变化率和二阶变化率；

根据时段内相邻采样时刻的一阶变化率和二阶变化率，获得所有量测点的低压配电网馈线监测装置和智能电表的采集数据时序变化序列的关键点；

基于时序变化序列的关键点，得出量测点k的低压配电网馈线监测装置和智能电表的采集数据在T₀内的所有时刻间的插值数据序列；

根据插值数据序列，进行量测数据时间变化节点状态变化曲线拟合；

根据量测数据时间变化节点状态变化曲线拟合结果进行多量测数据融合处理；

基于多量测数据融合处理结果进行配电网状态估计；

基于状态估计误差进行参数更新最终实现面向低压配电系统全景监测。

2.根据权利要求1所述的一种面向低压配电系统全景监测的计算分析方法，其特征在于：所述获取量测点量测数据时序变化序列并转化成时段时序变化序列矩阵的方法为：

定义每经过一个时段进行一次低压台区状态变化动态推演，时段长度固定为T₀；在时段结束时，各量测系统根据量测点所上传的电力电子设备的运行状态量测数据，获取时段内量测点量测数据的时序变化序列；定义低压配电系统全景监测业务中共涉及K个量测点，其集合表示为K＝{1,…,k,…,K}；定义其中装设智能断路器的节点集合为K₁，低压配电网馈线监测装置的节点集合为K₂，装设智能电表的节点集合为K₃；K₁∪K₂∪K₃＝K；智能断路器、低压配电网馈线监测装置、智能电表三种量测装置的采样周期分别表示为{T₁,T₂,T₃}，且T₁≤T₂<T₃；定义量测点k中第i,i∈{1,2,3}种类型量测装置在T₀时段内采集的量测数据时序变化序列可表示为其中，为该量测点的装设部署指示变量，若k∈K_i，则否则X_i表示第i种类型量测装置在一个时段内的采样点数，其值等于 表示向下取整函数；表示量测点k的第i种类型量测装置采集的第x_i个量测数据；

根据上述的量测数据时间变化序列，设第i种类型量测装置在时段内采集所有量测点数据的时序变化矩阵为J_i，表示为

3.根据权利要求2所述的一种面向低压配电系统全景监测的计算分析方法，其特征在于：所述计算时段内相邻采样时刻的一阶变化率和二阶变化率，最终表示为：

其中，和分别为低压配电系统量测点k第i种量测数据时间观测序列的第x_i-1个采样时刻和第x_i个采样时刻之间的一阶变化率和二阶变化率，其值分别反应了时间变化序列在当前采样时刻的数据大小和数据变化趋势是否发生明显变化。

4.根据权利要求3所述的一种面向低压配电系统全景监测的计算分析方法，其特征在于：所述获得所有量测点的低压配电网馈线监测装置和智能电表的采集数据时序变化序列的关键点的方法为：

定义第i种量测数据的一阶变化率和二阶变化率阈值分别为将计算获得的一阶变化率和二阶变化率分别与其进行比较；若或表明量测点k在第x_i-1和第x_i个采样时刻的量测数据大小或数据变化趋势发生明显变化，应将当前时刻设置为关键点，补充大量伪量测数据以精准还原实际情况；若且表明量测点k在第x_i-1和第x_i个采样时刻的量测数据大小根据变化趋势变化均不明显，当前时刻为非关键点，不需要进行大量插值；基于上述，获取量测点k的低压配电网馈线监测装置和智能电表的采集数据时序变化序列的所有关键点集合表示为其中n为关键节点的数量且满足n≤X_i；

重复执行上述步骤，直至获得所有量测点的低压配电网馈线监测装置和智能电表的采集数据时序变化序列的所有关键点集合

5.根据权利要求4所述的一种面向低压配电系统全景监测的计算分析方法，其特征在于：所述得出量测点k的低压配电网馈线监测装置和智能电表的采集数据在T₀内的所有时刻间的插值数据序列的步骤为：

S1、定义量测点k的低压配电网馈线监测装置和智能电表的采集数据在第x_i-1和第x_i个采样时刻间插值点个数为表示为

其中，T_s为非关键点插值周期，且T₁<T_s<T₂<T₃；公式意为，若量测点k的低压配电网馈线监测装置和智能电表的采集数据的第x_i个采样时刻为关键点，则在第x_i-1和第x_i个采样时刻间插入个伪量测数据，使量测数据数量与智能断路器数据相同；若为非关键点，则插入个伪量测数据，插值数量较智能断路器数据少；

S2、量测点k的低压配电网馈线监测装置和智能电表的采集数据在第x_i-1和第xi个采样时刻间的插值函数表示为：

其中，为量测点k的低压配电网馈线监测装置和智能电表的采集数据在第x_i-1和第x_i个采样时刻间插入的伪量测数据集合，和分别表示采用拉格朗日插值法、线性内插法和线性外推法在第x_i-1和第x_i个采样时刻间插入个伪量测数据；

S3、重复执行上述步骤，得出量测点k的低压配电网馈线监测装置和智能电表的采集数据在T₀内的所有时刻间的插值数据序列

6.根据权利要求5所述的一种面向低压配电系统全景监测的计算分析方法，其特征在于：所述进行量测数据时间变化节点状态变化曲线拟合的具体方法为：

将量测点k第i种类型量测数据在时段内插值后获得的序列与原量测序列结合，得到插值后的时间序列采用多项式拟合方法对插值后的时间序列进行拟合，得到量测点k的第i种量测数据在T₀内的节点状态变化曲线，并进一步获得所有量测点各种类量测数据的节点状态变化曲线。

7.根据权利要求6所述的一种面向低压配电系统全景监测的计算分析方法，其特征在于：所述进行多量测数据融合处理的方法为：

在评估的时段中，K个量测点3种类型的量测数据节点状态变化曲线分别为以此进行多量测数据融合处理，获得评估时段内的低压配电台区各量测点的量测数据融合变化曲线；定义F_k(t)为第k个量测点的状态评分曲线，则该多量测数据融合处理模型可表示为

式中，ω_i为预设的3种类型的量测数据在拟合过程中的权重；为根据该量测点的量测采集装置装设情况进行调整后的权重；针对上述模型，可采用最小二乘法进行拟合求解；以此获得评估时段内的低压配电台区各量测点的量测数据融合变化曲线F(t)＝{F₁(t),…,F_k(t),…,F_K(t)}。

8.根据权利要求7所述的一种面向低压配电系统全景监测的计算分析方法，其特征在于：所述进行配电网状态估计的方法为：

根据评估时段内的低压配电台区各量测点的量测数据融合变化曲线F(t)，全景监测平台对配电网整体状态进行评估，获得该评估时段的评估结果χ，以此呈现于全景监测平台。

9.根据权利要求8所述的一种面向低压配电系统全景监测的计算分析方法，其特征在于：基于状态估计误差进行参数更新的方法为：

定义输入R组训练样本{F₁(t),…,F_r(t),…,F_R(t)}以及对应的实际评估结果进而根据计算分析模型的评估结果误差调整多量测数据融合处理模型中的相关参数，参数表达式为

式中，γ为参数更新步长，ω为多量测数据融合处理模型各类型量测数据的预设权重向量，表示为ω＝[ω₁,ω₂,ω₃]；为更新后的权重向量，表示为ω′＝[ω′₁,ω′₂,ω′₃]；

基于时序变化序列关键点的自适应非均匀插值的一阶变化率阈值和二阶变化率阈值的更新表达式为

式中，Δρⁱ为第i种量测数据时间观测序列一阶变化率阈值的更新步长；公式意为，若第r组训练样本输入模型的评估结果与期望评估结果相差较大且实际评估结果较差，则说明需要降低自适应非均匀插值的一阶变化率阈值和二阶变化率阈值，提高自适应非均匀插值点数，提升多源数据拟合精准度；相反，则降低阈值减小自适应非均匀插值点数，降低平台的数据处理压力。

10.一种面向低压配电系统全景监测的计算分析系统，其特征在于：包括：

量测层：量测层由智能断路器量测系统、低压配电网馈线监测装置量测系统、智能电表量测系统以及K个低压配电台区的量测点组成，K个量测点配置于低压配电台区的各个电力电子设备以及配电柜处，集合表示为{1,…,k,…,K}，智能断路器量测系统、低压配电网馈线监测装置量测系统以及智能电表量测系统实时采集各量测点的电力电子设备以及线路的运行数据；假设每经过一个时段进行一次低压台区状态变化动态推演，时段长度固定为T₀；智能断路器量测系统、低压配电网馈线监测装置量测系统、智能电表量测系统根据该时段内的量测数据，生成各量测点的三种量测数据的时间变化序列，并将数据传输至台区智能融合终端以进行进一步的处理；

应用层：应用层由台区智能融合终端和配电物联网云主站全景监测平台组成，台区智能融合终端接收各量测系统所上传的量测数据的时间变化序列，由此根据时间变化序列的波动幅度，判定各量测点时间变化序列的关键点，对各量测点时间变化序列进行自适应非均匀插值，拟合出各量测点的节点状态变化曲线，并将拟合结果上传至全景监测平台；之后，全景监测平台基于各量测点的各种类数据的节点状态曲线，进行多量测数据融合处理，评估配电网状态；最后，全景监测平台根据累积的历史分析数据并构建专门的训练样本，计算配电网状态估计误差，进而基于误差调整相关参数，进一步提高配电网状态估计的可靠性。

11.一种面向低压配电系统全景监测的计算分析装置，其特征在于：包括：

序列获取模块：用于获取量测点量测数据时序变化序列并转化成时段时序变化序列矩阵；

计算模块：用于根据时段时序变化序列矩阵，对量测点k的低压配电网馈线监测装置和智能电表的采集数据时序变化序列，计算时段内相邻采样时刻的一阶变化率和二阶变化率；

关键点获取模块：用于根据时段内相邻采样时刻的一阶变化率和二阶变化率，获得所有量测点的低压配电网馈线监测装置和智能电表的采集数据时序变化序列的关键点；

插值数据序列获取模块：用于基于时序变化序列的关键点，得出量测点k的低压配电网馈线监测装置和智能电表的采集数据在T₀内的所有时刻间的插值数据序列；

曲线拟合模块：用于根据插值数据序列，进行量测数据时间变化节点状态变化曲线拟合；

数据融合处理模块：用于根据量测数据时间变化节点状态变化曲线拟合结果进行多量测数据融合处理；

估计模块：用于基于多量测数据融合处理结果进行配电网状态估计；

参数更新模块：用于基于状态估计误差进行参数更新最终实现面向低压配电系统全景监测。

12.根据权利要求11所述的一种面向低压配电系统全景监测的计算分析装置，其特征在于：所述计算模块中所述计算时段内相邻采样时刻的一阶变化率和二阶变化率，最终表示为：

其中，和分别为低压配电系统量测点k第i种量测数据时间观测序列的第x_i-1个采样时刻和第x_i个采样时刻之间的一阶变化率和二阶变化率，其值分别反应了时间变化序列在当前采样时刻的数据大小和数据变化趋势是否发生明显变化。

13.根据权利要求11所述的一种面向低压配电系统全景监测的计算分析装置，其特征在于：所述曲线拟合模块中进行量测数据时间变化节点状态变化曲线拟合的具体方法为：

将量测点k第i种类型量测数据在时段内插值后获得的序列与原量测序列结合，得到插值后的时间序列采用多项式拟合方法对插值后的时间序列进行拟合，得到量测点k的第i种量测数据在T₀内的节点状态变化曲线，并进一步获得所有量测点各种类量测数据的节点状态变化曲线。