一种虚拟电厂设备健康状态评估方法及装置与流程

1.本发明属于数据处理预测技术领域，更具体地说，是涉及一种虚拟电厂设备健康状态评估方法及装置。


背景技术：

2.随着分布式电源、储能、多元化负荷等发展，虚拟电厂作为一个特殊电厂通过聚合和协调优化参与电力市场和电网运行的电源协调管理，对于缓解用电紧张带来了极大的帮助。
3.由于虚拟电厂整合了分布式电源、储能系统、可控负荷、电动汽车等多元化的源荷设备，并且拥有多样化运行工况，使得对虚拟电厂设备的运行和检修带来极大的困难。如何减少运行和维护成本是目前有待解决的问题。


技术实现要素：

4.本发明的目的在于提供一种虚拟电厂设备健康状态评估方法及装置，旨在解决如何减少运行和维护成本。
5.为实现上述目的，本发明采用的技术方案是：提供一种虚拟电厂设备健康状态评估方法，包括：
6.步骤1、采集设备正常运行的实时数据和历史数据；
7.步骤2、建立设备正常运行状态数据高斯混合模型a：
8.a＝[b
m c
n α
n yi]
[0009]
其中，bm为系统内某个设备，cn设备某种正常工作状态，αn为该种状态出现概率，yi为设备该种工作状态多维工作数据；αn满足：
[0010][0011]
yi满足：设备bm正常工作状态cn下设备运行数据yi是服从参数θn(μn，σ
n2
)的正态分布，其中，μn为该正态分布的均值，σ
n2
为该正态分布的标准差；且该组数据的概率密度函数如下：
[0012][0013]
步骤3、使用em算法迭代高斯混合模型a的参数，直至参数收敛；
[0014]
步骤4、判定待测数据z＝{z1,z2…
zi}属于工况cj，满足待测数据与该模式下正常数据集均值最小，如下式所示：
[0015]
[0016][0017]
步骤5：判定待测数据数与工况cj后，计算待测数据z＝{z1,z2…
zi}与该工况分布函数的kullback-leibler散度，然后计算jensen-shannon散度：
[0018]
步骤6：验证jensen-shannon散度较大的数据对应的设备的状态是否存在异常。
[0019]
优选地，步骤3包括以下步骤：
[0020]
步骤3.1、计算分模型n对运行数据yi的响应参数δ
i,n
[0021][0022]
步骤3.2、利用步骤3.1求得的响应参数δ
i,n
迭代模型参数
[0023][0024][0025][0026]
步骤3.3、重复步骤3.1和步骤3.2，直至参数收敛。
[0027]
优选地，在步骤5中，待测数据与工况分布函数的kullback-leibler散度的计算公式为：
[0028][0029]
优选地，在步骤5中，待测数据与工况分布函数的jensen-shannon散度的计算公式为：
[0030][0031][0032]
其中，jensen-shannon散度值域在0到1之间。
[0033]
优选地，步骤6还包括：完善高斯混合模型a。
[0034]
本发明还提供一种虚拟电厂设备健康状态评估装置，其特征在于，
[0035]
数据采集组件，用于采集设备正常运行的实时数据和历史数据；
[0036]
高斯混合模型算法组件，用于根据正常运行的实时数据和历史数据建立设备正常运行状态数据高斯混合模型a：
[0037]
a＝[b
m c
n α
n yi]
[0038]
其中，bm为系统内某个设备，cn设备某种正常工作状态，αn为该种状态出现概率，yi为设备该种工作状态多维工作数据；αn满足：
[0039][0040]
em算法迭代组件，用于使用em算法迭代高斯混合模型a的参数，直至参数收敛；
[0041]
待测数据判定组件，用于判定待测数据z＝{z1,z2…
zi}属于工况cj，满足待测数据与该模式下正常数据集均值最小，如下式所示：
[0042][0043][0044]
散度计算组件，用于判定待测数据数与工况cj后，计算待测数据z＝{z1,z2…
zi}与该工况分布函数的kullback-leibler散度，然后计算jensen-shannon散度；
[0045]
验证组件，用于验证jensen-shannon散度较大的数据对应的设备的状态是否存在异常。
[0046]
优选地，所述高斯混合模型算法组件包括概率密度函数模组，所述概率密度函数模组用于执行如下计算：
[0047][0048]
其中，设备bm正常工作状态cn下设备运行数据yi是服从参数θn(μn，σ
n2
)的正态分布，其中，μn为该正态分布的均值，σ
n2
为该正态分布的标准差。
[0049]
优选地，em算法迭代组件包括：
[0050]
e步模组，用于计算分模型n对运行数据yi的响应参数δ
i,n
；
[0051]
m步模组，用于利用e步模组求得的响应参数δ
i,n
迭代模型参数；
[0052]
参数收敛模组，用于重复所述e步模组、所述m步模组执行的任务，直至参数收敛。
[0053]
优选地，所述散度计算组件包括：
[0054]
k-l散度模组，用于计算待测数据与工况分布函数的kullback-leibler散度；
[0055]
j-s散度模组，用于计算待测数据与工况分布函数的jensen-shannon散度。
[0056]
优选地，所述验证组件包括：模型完善模组，用于完善高斯混合模型。
[0057]
本发明提供的一种虚拟电厂设备健康状态评估方法及装置的有益效果在于：与现有技术相比，本发明一种虚拟电厂设备健康状态评估方法及装置利用历史正常运行数据和设备目前运行数据的散度来判断设备健康度，并通过人工验证对正常运行数据模型不断地完善，正常运行数据的高斯混合模型可靠性逐步增加，具有很强的实用性，可以极大的减少运行和维护成本。
附图说明
[0058]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
[0059]
图1为本发明实施例提供的一种虚拟电厂设备健康状态评估方法中异常判定流程图；
[0060]
图2为本发明实施例提供的一种虚拟电厂设备健康状态评估方法的流程框图。
具体实施方式
[0061]
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0062]
请一并参阅图1及图2，现对本发明提供的一种虚拟电厂设备健康状态评估方法进行说明。所述一种虚拟电厂设备健康状态评估方法，包括以下步骤：
[0063]
步骤s1、采集设备正常运行的实时数据和历史数据；
[0064]
在本发明实施例中，设备正常运行的实时数据和历史数据包括：分布式光伏：光伏支架倾斜角度、方位角；跟踪系统高度角、方位角；运行状态；自动/手动状态；直流柜输入输出电流电压；逆变系统直流输入电流电压；交流输出电流、电压、功率因数、频率、有功功率、无功功率；电量；逆变器效率等。
[0065]
升压变压器：变压器油温；变压器油位；变压器油压；高低压测断路器位置；高低压测电压、电流、有功功率、无功功率、功率因数、频率；变压器套管温度等。
[0066]
分布式储能系统：系统状态(充电/放电/备用/停用)；电池单体电压、电流、温度、最高电压；电池簇电压、电流、温度、平均电压、单体最低电压、单体最高温度、单体最低温度、单体平均温度；电池阵列单体最高电压、最低电压、平均电压、最高温度、最低温度、平均温度、充放电电压、电流；循环次数；放电深度等。
[0067]
步骤s2、建立设备正常运行状态数据高斯混合模型a：
[0068]
a＝[b
m c
n α
n yi]
[0069]
其中，bm为系统内某个设备，cn设备某种正常工作状态，αn为该种状态出现概率，yi为设备该种工作状态多维工作数据；
[0070]
如系统内分布式储能系统有4中工作状态，c1为充电状态，c2为放电状态，c3为备用状态，c4为停用状态。其出现概率α1、α2、α3和α4与系统实际运行工况有关，从现有运行和历史数据中获取，包含系统状态(充电/放电/备用/停用)；电池单体电压、电流、温度、最高电压；电池簇电压、电流、温度、平均电压、单体最低电压、单体最高温度、单体最低温度、单体平均温度；电池阵列单体最高电压、最低电压、平均电压、最高温度、最低温度、平均温度、充放电电压、电流；循环次数；放电深度等。
[0071]
αn满足：
[0072]
shannon散度：
[0089]
步骤s5具体步骤可以为：
[0090]
步骤5.1、判定待测数据数与工况cj后，计算待测数据z(x)与该工况下正常数据分布函数p(x)的kullback-leibler散度d
kl
(p||z)：
[0091][0092]
步骤5.2、计算待测数据与该工况分布函数的jensen-shannon散度：
[0093]
由于kl散度不满足对称性和三角不等式，于是在kl散度基础上计算js散度d
js
(p||z)：
[0094][0095][0096]
其中，r(x)是p(x)和z(x)两个分布函数的平均分布，d
kl
(pr)是p(x)和r(x)两个分布函数的kl散度度量分布，d
kl
(z||r)分别是z(x)和r(x)两个分布函数的kl散度度量分布；js散度的值域在0到1之间，js散度为0表示待测数据与正常工况运行数据概率分布完全一致，设备处于健康状态；js散度为1表示两个概率分布具有极大差异，设备处于不健康状态。
[0097]
步骤s6：验证jensen-shannon散度较大的数据对应的设备的状态是否存在异常。验证方式可采用人工验证。
[0098]
在步骤s6中还包括完善正常数据模型a。
[0099]
本发明提供的一种虚拟电厂设备健康状态评估方法，与现有技术相比，利用历史正常运行数据和设备目前运行数据的散度来判断设备健康度，并通过人工验证对正常运行数据模型不断地完善，正常运行数据的高斯混合模型可靠性逐步增加，具有很强的实用性，可以极大的减少运行和维护成本。
[0100]
本发明还提供一种虚拟电厂设备健康状态评估装置，请参阅图1至图2，包括：数据采集组件、高斯混合模型算法组件、em算法迭代组件、待测数据判定组件、散度计算组件以及验证组件，数据采集组件用于采集设备正常运行的实时数据和历史数据；高斯混合模型算法组件用于根据正常运行的实时数据和历史数据建立设备正常运行状态数据高斯混合模型a：
[0101]
a＝[b
m c
n α
n yi]
[0102]
其中，bm为系统内某个设备，cn设备某种正常工作状态，αn为该种状态出现概率，yi为设备该种工作状态多维工作数据；αn满足：
[0103][0104]
em算法迭代组件用于使用em算法迭代高斯混合模型a的参数，直至参数收敛；
[0105]
待测数据判定组件用于判定待测数据z＝{z1,z2…
zi}属于工况cj，满足待测数据与该模式下正常数据集均值最小，如下式所示：
[0106]
[0107][0108]
散度计算组件用于判定待测数据数与工况cj后，计算待测数据z＝{z1,z2…
zi}与该工况分布函数的kullback-leibler散度，然后计算jensen-shannon散度；
[0109]
验证组件用于验证jensen-shannon散度较大的数据对应的设备的状态是否存在异常。
[0110]
作为本发明实施例提供的一些实施方式，请参阅图1至图2，高斯混合模型算法组件包括概率密度函数模组，所述概率密度函数模组用于执行如下计算：
[0111][0112]
其中，设备bm正常工作状态cn下设备运行数据yi是服从参数θn(μn，σ
n2
)的正态分布，其中，μn为该正态分布的均值，σ
n2
为该正态分布的标准差。
[0113]
作为本发明实施例提供的一些实施方式，em算法迭代组件包括：e步模组、m步模组以及参数收敛模组，e步模组用于计算分模型n对运行数据yi的响应参数δ
i,n
；m步模组用于利用e步模组求得的响应参数δ
i,n
迭代模型参数；参数收敛模组用于重复所述e步模组、所述m步模组执行的任务，直至参数收敛。
[0114]
作为本发明实施例提供的一些实施方式，验证组件包括模型完善模组，用于完善高斯混合模型。
[0115]
本发明提供的一种虚拟电厂设备健康状态评估装置，可用于实现一种虚拟电厂设备健康状态评估方法。
[0116]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种虚拟电厂设备健康状态评估方法，其特征在于，包括：步骤1、采集设备正常运行的实时数据和历史数据；步骤2、建立设备正常运行状态数据高斯混合模型a：a＝[b
m c
n α
n y
i
]其中，b
m
为系统内某个设备，c
n
设备某种正常工作状态，α
n
为该种状态出现概率，y
i
为设备该种工作状态多维工作数据；α
n
满足：y
i
满足：设备b
m
正常工作状态c
n
下设备运行数据y
i
是服从参数θ
n
(μ
n
，σ
n2
)的正态分布，其中，μ
n
为该正态分布的均值，σ
n2
为该正态分布的标准差；且该组数据的概率密度函数如下：步骤3、使用em算法迭代高斯混合模型a的参数，直至参数收敛；步骤4、判定待测数据z＝{z1,z2…
z
i
}属于工况c
j
，满足待测数据与该模式下正常数据集均值最小，如下式所示：均值最小，如下式所示：步骤5：判定待测数据数与工况c
j
后，计算待测数据z＝{z1,z2…
z
i
}与该工况分布函数的kullback-leibler散度，然后计算jensen-shannon散度：步骤6：验证jensen-shannon散度较大的数据对应的设备的状态是否存在异常。2.如权利要求1所述的一种虚拟电厂设备健康状态评估方法，其特征在于，步骤3包括以下步骤：步骤3.1、计算第n个分布对运行数据y
i
的响应参数δ
i,n
步骤3.2、利用步骤3.1求得的响应参数δ
i,n
迭代模型参数迭代模型参数
步骤3.3、重复步骤3.1和步骤3.2，直至参数收敛。3.如权利要求3所述的一种虚拟电厂设备健康状态评估方法，其特征在于，在步骤5中，待测数据与工况分布函数的kullback-leibler散度的计算公式为：其中，p(x)为工况分布函数，z(x)为待测数据分布函数。4.如权利要求3所述的一种虚拟电厂设备健康状态评估方法，其特征在于，在步骤5中，待测数据与工况分布函数的jensen-shannon散度的计算公式为：shannon散度的计算公式为：其中，r(x)是p(x)和z(x)两个分布函数的平均分布，d
kl
(p||r)是p(x)和r(x)两个分布函数的kl散度度量分布，d
kl
(z||r)分别是z(x)和r(x)两个分布函数的kl散度度量分布，jensen-shannon散度值域在0到1之间。5.如权利要求1所述的一种虚拟电厂设备健康状态评估方法，其特征在于，步骤6还包括：完善高斯混合模型a。6.一种虚拟电厂设备健康状态评估装置，其特征在于，数据采集组件，用于采集设备正常运行的实时数据和历史数据；高斯混合模型算法组件，用于根据正常运行的实时数据和历史数据建立设备正常运行状态数据高斯混合模型a：a＝[b
m c
n α
n y
i
]其中，b
m
为系统内某个设备，c
n
设备某种正常工作状态，α
n
为该种状态出现概率，y
i
为设备该种工作状态多维工作数据；α
n
满足：em算法迭代组件，用于使用em算法迭代高斯混合模型a的参数，直至参数收敛；待测数据判定组件，用于判定待测数据z＝{z1,z2…
z
i
}属于工况c
j
，满足待测数据与该模式下正常数据集均值最小，如下式所示：模式下正常数据集均值最小，如下式所示：散度计算组件，用于判定待测数据数与工况c
j
后，计算待测数据z＝{z1,z2…
z
i
}与该工
况分布函数的kullback-leibler散度，然后计算jensen-shannon散度；验证组件，用于验证jensen-shannon散度较大的数据对应的设备的状态是否存在异常。7.如权利要求6所述的一种虚拟电厂设备健康状态评估装置，其特征在于，所述高斯混合模型算法组件包括概率密度函数模组，所述概率密度函数模组用于执行如下计算：其中，设备b
m
正常工作状态c
n
下设备运行数据y
i
是服从参数θ
n
(μ
n
，σ
n2
)的正态分布，其中，μ
n
为该正态分布的均值，σ
n2
为该正态分布的标准差。8.如权利要求7所述的一种虚拟电厂设备健康状态评估的装置，其特征在于，em算法迭代组件包括：e步模组，用于计算分模型n对运行数据y
i
的响应参数δ
i,n
；m步模组，用于利用e步模组求得的响应参数δ
i,n
迭代模型参数；参数收敛模组，用于重复所述e步模组、所述m步模组执行的任务，直至参数收敛。9.如权利要求8所述的一种虚拟电厂设备健康状态评估装置，其特征在于，所述散度计算组件包括：k-l散度模组，用于计算待测数据与工况分布函数的kullback-leibler散度；j-s散度模组，用于计算待测数据与工况分布函数的jensen-shannon散度。10.如权利要求9所述的一种虚拟电厂设备健康状态评估装置，其特征在于，所述验证组件包括：模型完善模组，用于完善高斯混合模型。

技术总结
本发明提供了一种虚拟电厂设备健康状态评估方法及装置，属于数据处理预测技术领域，包括以下步骤：建立设备正常运行状态数据高斯混合模型A：使用EM算法迭代A，直至参数收敛；判定待测数据属于工况C


技术研发人员：谢颜斌 肖文浩 周倩 黄滔 梁惠施 贡晓旭 周奎 刘宝山 程超 范璇 肖强 朱元 慕杰 王嫱 康宇轩 尹茂源 舒琅 曾峥
受保护的技术使用者：国网重庆市电力公司市区供电分公司
技术研发日：2023.05.24
技术公布日：2023/9/14