《基于大数据的智能配电网三相不平衡负荷预测系统设计》
本文是有关系统设计和大数据专升本论文范文与系统设计相关参考文献格式范文.
摘 要： 面对电力系统产生的大量数据,传统预测系统已经表现出明显不适应性,并存在预测误差大的问题,为了有效缓解该问题,设计了基于大数据的智能配电网三相不平衡负荷预测系统.根据硬件部署结构,初始化配置以STM32F101最小系统为核心的数据采集器,依据MODBUS通信协议使信息采集管理模块与负荷预测模块数据共享.使用光耦隔离方式设计电源转换电路,结合三相控制开关,完成硬件部分设计.在大数据环境下分析三相不平衡负荷特点,计算电流输入层和隐层之间多点负荷线性关系,完成节点间的权值修正,依据负荷预测流程实现三相不平衡负荷预测系统设计.由实验结果可知,该系统比传统系统预测误差小,为配电网安全运行提供了理论依据.
关键词： 智能配电网; 三相不平衡; 负荷预测; 系统设计; 数据共享; 权值修正
中图分类号： TN99?34; TP391文献标识码： A 文章编号： 1004?373X（2020）07?0182?05
Design of big data based three?phase unbalanced load prediction system
for intelligent power distribution network
HAN Xiao, WANG Chunheng
（Jiangsu Province Key Construction Laboratory of Active Distribution Network, Nanjing Institute of Technology, Nanjing 211167, China）
Abstract： The traditional forecasting system has shown obvious inadaptability and has the large prediction error due to the large amount of data generated by power system. In order to effectively alleviate these problems, a big data based three?phase unbalanced load prediction system for intelligent distribution network is designed. The data collector with STM32F101 minimal system as the core is initially configured by means of the hardware deployment structure. According to MODBUS communication protocol, the data sharing between information collection management module and load prediction module is realized. The power conversion circuit is designed with the photocoupler isolation mode. The hardware design is completed in combination with the three?phase control switch. In the large data environment, the characteristics of three?phase unbalanced load are analyzed, the linear relationship of multi?point load between current input layer and hidden layer is calculated, the weights among nodes are corrected, and the three?phase unbalanced load prediction system is designed according to the load forecasting process. The experimental results show that the prediction error of the system is aller than that of the traditional system. The proposed system provides a theoretical basis for the safe operation of the distribution network.
Keywords： intelligent distribution network; three?phase unbalance; load prediction; system design; data sharing; weight correction
0 引 言
电力负荷总量增长快速、配电网结构不断变化,以紧急供电恢复为中心的电力转移需要更多负荷数据支持,也就是需要对结构规模变化较快的智能配电网进行大数据三相不平衡负荷预测[1].三相不平衡致使电能质量评价成为重要指标,造成三相不平衡的主要原因是三相元件、线路或负荷等因素不对称而引起的电路故障,这种故障属于长期三相不平衡现象[2].这一现象将导致电网可靠性与稳定性降低,甚至影响电力系统正常运行,随着智能配电网的发展,为了解决上述现象带来的安全问题,对负荷进行预测成为一个重要而且必要的环节[3].以往负荷预测方法主要是基于统计预测、回归分析、卡尔曼滤波法,这些方法虽然能满足系统短期负荷预测需求,但随着智能配电网规模的不断扩大,系统不断升级,不能使用简单预测方法处理三相不平衡负荷问题[4].为此,本文提出了基于大数据的智能配电网三相不平衡负荷预测系统设计.
1 系统硬件部分设计
电力市场运营模式下,需提前几天完成日负荷预测,在原计划负荷值与实际负荷值差别较大的情况下,需及时对当日剩余时间段负荷重新预测,挽回经济损失.硬件部署结构如图1所示.
硬件是由信息采集与管理模块、负荷预测模块和上报模块组成的.其中,负荷预测模块中的短期负荷预测是指未来24 h负荷和未来一星期负荷预测;而超短期负荷预测是指未来1 h内负荷预测;扩展短期负荷预测是指未来2～5 h以内负荷预测[5].为了提高预测精准度,需比平时提前半个小时完成负荷预测.
1.1 数据采集器模块
信息采集与管理模块包括数据采集器与分析仪两种设备.其中,数据采集器负责对负荷信息、气象信息、电价信息和其他可测信息进行采集;数据分析仪负责对采集到的信息进行分析与管理[6].
数据采集器可将条码扫描装置与数据终端进行一体化处理,具备实时采集、自动存储、实时反馈和自动传输功能,为三相不平衡负荷预测提供真实的数据采集结果.数据采集器结构如图2所示.
数据采集器可同时采集电压、电流输入输出信号,并且每个部分都是独立工作的,采用RS 485与上位机通信,并使用MODBUS协议作为规约,方便信息采集、管理模块与负荷预测模块相连接,实现设备间数据共享.STM32F101性价比较高、片内集成资源丰富,可简化采集器外部电路设计,并为系统工作提供所需时钟,通过初始化配置STM32F101系统内部时钟寄存器,可将外部时钟频率变大[7].使用HCNR201线性光耦进行信号隔离,并在电压信号接口输入DC 0～5 V信号,使经过调理后的电路对信号进行隔离,并传送到STM32F101系统A/D采样通道内,而开关量输入接口采用光耦隔离方式,能够实现光电转换与隔离保护[8].
1.2 电源电路模块
采集器电源接口转换电路设计如图3所示.
数据采集器可在DC 12 V电压上工作,该电压经过LM7805CT转换为+5 V电压,并经过电感[L15]实现输入电压和电源GND的隔离[9].由于STM32F101系统正常工作电压为3 V左右,因此,设计DC 5 V转DC 3.3 V电源转换电路,如图4所示.需通过LT1117_3.3电源模块转换为DC 3.3 V电压,供系统CPU使用[10].
采用信号隔离技术对RS 485通信电路信号进行采集,供RS 485芯片工作电源和模拟量信号处理线性光耦电源的电压转换,并且芯片隔离电压温度特性较好.
1.3 负荷预测开关模块
负荷预测模块在很大程度上影响着预测系统的精准度,结合智能配电网运行情况,主要包括对日、周、月、季、年负荷数据进行分析,其中,日负荷包括单日负荷和多日负荷,以此分析负荷曲线走势,并统计最大/最小负荷值[11].因此,对其开关模块进行设计是很有必要的.
负荷预测开关结构设计如图5所示.
图5中,[C1]表示运行电容,[C2]表示启动电容.由于三相开关有别于双相开关,因为控制面板上开关按钮设置不同,具有单联双控、双联双控、三联双控特点,按照联数增加,接线也相对复杂[12].
通过控制预测开关,可利用数据采集器收集三相不平衡负荷数据,以此为基础,完成硬件部分设计.
2 基于大数据预测系统软件部分设计
在大数据环境下,数据呈现量大、属性复杂的特点,因此,采用从节点到整体设计方式,从单个节点角度出发,预测智能配电网各个节点的负荷变化情况,结合配电范围内各个节点预测情况,获取整体三相不平衡负荷预测结果[13].三相不平衡通常是以负序与正序分量的百分比来表示,大数据环境下多点负荷结构示意图如图6所示.
图6中,白色圆代表电力传输专线,选择[W1]～[W3]部分区域作为待预测區域,以最高级别节点为整体,区域内次级节点作为单个节点,分析三相不平衡负荷,在数据环境下设计系统负荷预测实现方案.
2.1 三相不平衡负荷分析
三相不平衡度计算公式为：
[δ等于V2V1×100%] （1）
[V1等于13Va+λVb+λ2VcV2等于13Va+λ2Vb+λVc] （2）
式中：[λ]表示旋转算子;[V1],[V2]分别表示正序和负序分量;[Va],[Vb],[Vc]分别表示三相电压矢量.
由于智能配电网低压结构性改造并未完全实现,出现三相不平衡负荷较为普遍,输电线路通常为三相四线,其工作原理为：经过上述转换电路进行电压转换后,通过三相四线为用户传输电力,具体传输方式如图7所示.
图7中,[a],[b],[c]分别表示电力传输三条线路,[o]表示中性线.如果三相平衡,那么中性线就无电流产生.由于很多低压台区无法承受功率单相负载影响,其产生的电流幅值差会超出正常范围,继而出现三相不平衡负荷.
2.2 多点负荷预测算法研究
根据三相不平衡负荷分析结果,对电流输入层和隐层线性关系展开研究,计算公式如下：
[si等于fjωijrj] （3）
式中：[si]表示节点[i]输出值;[rj]表示节点[j]输出值;[ωij]表示两个节点之间的权值;[f]为激励函数.
充分考虑大数据处理的时间要求,通过不断重复计算各层梯度与权值向量,迭代处理直到获取最小误差位置,达到权值修正的目的.
针对多点负荷预测,设计如图8所示的实现流程.
根据图8所示的预测流程,可实现智能配电网三相不平衡负荷预测系统设计.
3 实 验
结合某地区配电网负荷、气象等实际数据,验证分析基于大数据的智能配电网三相不平衡负荷预测系统设计是否合理.实验数据来自于某市电力公司2018年12月份31天中每15 min统计的负荷数据,按照0～15序号进行编排.
从上述数据库中选取12月28日和29日负荷数据,两日实际负荷走向曲线如图9所示.
分析28日和29日07：12—14：52分实际负荷走向可知,当时间为11：48—12：34时,29日实际负荷达到最低,为600万kW左右;而当时间为07：12—07：58时, 28日实际负荷达到最低,为1 000万kW左右.
1） 28日实际负荷走向
随着时间的增加,该日实际负荷走向呈升?降趋势,且在时间为12：34—12：57时,实际负荷达到最高,为3 400万 kW左右,由此说明这个时间段出现三相不平衡的概率较大.
2） 29日实际负荷走向
该日实际负荷走向随着时间增加呈升?降?升?降趋势,且在时间为13：20—13：43时,实际负荷达到最高,为3 700万kW左右,由此说明这个时间段出现三相不平衡的概率较大.
对比两日实际负荷走向,选择波动较为明显的29日实际负荷数据为参考数据,对比分析传统系统与基于大数据系统29日负荷走向,对比结果如图10所示.
从图10中可看出：基于大数据系统负荷走向与实际负荷走向曲线基本一致,而传统系统在时间为11：02—11：25时,负荷已经达到最低,为800万kW,而实际负荷在时间为11：48—12：34时达到最低,为600万kW左右,因此,采用基于大数据系统进行负荷分析更为准确.
针对两种系统预测误差分析,需以某日全天负荷数据为基础,设实际负荷为[F0],传统系统为[F1],基于大数据系统为[F2],对比结果如表1所示.
根据上述对比结果可知,基于大数据系统与实际负荷预测误差较小,最小可达到0,而传统系统与实际负荷预测误差较大,最小预测误差也达到22,因此,基于大数据的智能配电网三相不平衡负荷预测系统预测精准度更高,说明该系统设计较为合理.
4 结 论
三相不平衡现象的日趋严重,仅使用传统系统已经无法满足智能配电网安全运行的需求,对电能质量造成了极大影响.为了改善传统系统预测精准度,本文提出了基于大数据的智能配电网三相不平衡负荷预测系统设计,并制定三相不平衡治理体系,通过实验验证了该系统具有良好的适应性,这为大数据技术有效解决相关问题提供了行之有效的方法.
限于实验条件,虽然对系统研究取得了一定成果,但仍然存在许多不足之处,结合实际工作,需进行深入研究,并对未来作出如下展望：
1） 从研究内容可看出,不同系统配置能够得到不同预测结果,但研究项目中只提出了两种测量配置,并没有进行优化研究,因此,后续对优化配置研究显得尤为重要.
2） 预测状态变量只选取常规电压幅值,缺少对变压器位置的预测,因此,在后续研究进程中应充分考虑变压器电压幅值变化,优化系统性能.
参考文献
[1] CHAI Qianyi, ZHENG Wenbin, PAN Jiekai, et al. Research on condition monitoring and fault handling methods of intelligent distribution network based on large data analysis [J]. Modern electronic technology, 2018, 41（4）： 105?108.
[2] 陈敬德,盛戈皞,吴继健,等.大数据技术在智能电网中的应用现状及展望[J].高压电器,2018,4（1）：35?43.
[3] 吴在军,成晟,朱承治,等.基于线性近似模型的三相不平衡有源配电网重构[J].电力系统自动化,2018,42（12）：140?147.
[4] 孙江山,刘敏,邓磊,等.基于自适应无迹卡尔曼滤波的配电网状态估计[J].电力系统保护与控制,2018,46（11）：10?14.
[5] 胡丽娟,刁赢龙,刘科研,等.基于大数据技术的配电网运行可靠性分析[J].电网技术,2017,41（1）：265?271.
[6] ZHENG Xiang, ZHAO Fengzhan, YANG Rengang, et al. Reactive power operation evaluation system for low voltage distribution network based on large data [J]. Power grid technology, 2017, 41（1）： 272?278.
[7] 徐祥征,王师奇,吴百洪.基于大数据分析的配电网主动检修业务应用研究与实现[J].科技通报,2017,33（6）：105?108.
[8] 葛贤军,艾明浩,李志宏,等.基于CEP引擎的配电网运行监控信号大数据ETL方法[J].电工电能新技术,2017,36（9）：39?45.
[9] 张乐.基于大数据的分布式中压配电网空间负荷分配方法研究[J].科学技术与工程,2017,17（15）：228?233.
[10] 郝然,艾芊,肖斐.基于多元大数据平台的用电行为分析构架研究[J].电力自动化设备,2017,7（8）：20?27.
[11] 王瑞,周晨曦,逯静.基于一种组合模型的短期电力负荷预测[J].计算机仿真,2018,35（12）：396?400.
[12] 陈本阳,张成刚,倪鸣,等.基于模糊信息粒化支撑向量机的电网负荷预测[J].电子设计工程,2018,26（6）：56?59.
[13] 王灵矫,夏伟,谭貌,等.供电系统电力短期负荷预测优化仿真研究[J].计算机仿真,2018,35（4）：53?57.
上文汇总:此文为一篇关于系统设计方面的相关大学硕士和系统设计和大数据本科毕业论文以及相关系统设计和大数据论文开题报告范文和职称论文写作参考文献资料.
系统设计和大数据引用文献:
[1] 系统设计和大数据论文参考文献范文 系统设计和大数据类有关硕士论文范文2500字
[2] 大数毕业论文格式模板范文 系统设计和大数据专科开题报告范文3000字
[3] 系统开发和大数据自考毕业论文范文 关于系统开发和大数据类专升本论文范文2500字
