一种电力厂站无功补偿配置方案生成方法及装置

摘要

本申请公开了一种电力厂站无功补偿配置方案生成方法及装置，本申请提供的方案以历史无功配置方案为基准，利用数据挖掘技术归纳出在不同时期的历史负荷信息条件下的典型无功配置方案，在需要调整电厂站点的无功补偿配置方案时，只需要将目标站点在预估时期的计划负荷信息作为无功配置计算模型的输入量，通过所述无功配置计算模型的运算，即可获得适合目标站点的无功补偿配置方案，解决了配置方案从规划阶段到落实应用阶段相隔时间长、效率低下的技术问题。

说明书

技术领域

本申请涉及电力无功补偿控制技术领域，尤其涉及一种电力厂站无功补偿配置方案生成方法及装置。

背景技术

近年来，随着传感器和通信技术的快速发展，各行各业的数据量呈现爆炸式的增加。电力部门的采集与监视控制系统中保存了海量的运行数据。这些数据中既包括终端用户产生的电力负荷数据，又包括各个变电站内的设备运行数据。这使得数据驱动下的技术在电力系统运行状态分析与模拟中有着越来越多的应用。

电力系统无功配置，是电力系统分析模拟中不可或缺的一环，直接关系到电力系统的电压水平，间接影响电力能源的发输配变用各个环节。对电力系统无功配置方法的研究由来已久，最常见的方法通常是采用运筹优化方法，即针对于配电网及特定拓扑区域或特定电压等级的局部输电网，建立对应的优化目标模型，然后通过求解优化模型得到相应的无功补偿配置方案，配置方案从规划阶段到落实应用阶段相隔时间较长，效率低下。

发明内容

本申请提供了一种电力厂站无功补偿配置方案生成方法及装置，用于解决现有的配置方案方法从规划阶段到落实应用阶段相隔时间较长，效率低下的技术问题。

为实现上述的发明目的，本申请第一方面提供了一种电力厂站无功补偿配置方案生成方法，包括：

获取电厂站点对应的历史无功补偿配置方案；

对各个所述电厂站点的历史无功补偿配置方案进行聚类，并根据聚类结果得到若干组典型无功补偿配置方案；

将所述典型无功补偿配置方案以及与所述典型无功补偿配置方案对应的历史负荷信息作为训练样本，通过训练机器学习模型的方式，得到无功配置计算模型；

根据目标站点的计划负荷信息，将所述计划负荷信息作为所述无功配置计算模型的输入量，以通过所述无功配置计算模型的运算，获得所述目标站点的无功补偿配置方案。

优选地，所述电厂站点的历史负荷信息具体包括：站点历史有功负荷值与历史无功负荷值。

优选地，所述对各个所述电厂站点的历史无功补偿配置方案进行聚类，得到若干组典型无功补偿配置方案具体包括：

通过AP聚类算法，对各个所述电厂站点的历史无功补偿配置方案进行聚类，并根据聚类结果得到若干组典型无功补偿配置方案。

优选地，所述将所述典型无功补偿配置方案以及与所述典型无功补偿配置方案对应的历史负荷信息作为训练样本，通过训练机器学习模型的方式，得到无功配置计算模型具体包括：

将所述典型无功补偿配置方案以及与所述典型无功补偿配置方案对应的历史负荷信息作为训练样本，输入到预置的有监督学习模型进行训练，得到无功配置计算模型。

优选地，所述有监督学习模型具体为SVM分类算法模型。

同时，本申请第二方面提供了一种电力厂站无功补偿配置方案生成装置，包括：

历史无功补偿方案获取单元，用于获取电厂站点对应的历史无功补偿配置方案；

配置方案聚类单元，用于对各个所述电厂站点的历史无功补偿配置方案进行聚类，并根据聚类结果得到若干组典型无功补偿配置方案；

模型训练单元，用于将所述典型无功补偿配置方案以及与所述典型无功补偿配置方案对应的历史负荷信息作为训练样本，通过训练机器学习模型的方式，得到无功配置计算模型；

配置方案输出单元，用于根据目标站点的计划负荷信息，将所述计划负荷信息作为所述无功配置计算模型的输入量，以通过所述无功配置计算模型的运算，获得所述目标站点的无功补偿配置方案。

优选地，所述电厂站点的历史负荷信息具体包括：站点历史有功负荷值与历史无功负荷值。

优选地，所述对各个所述电厂站点的历史无功补偿配置方案进行聚类，得到若干组典型无功补偿配置方案具体包括：

通过AP聚类算法，对各个所述电厂站点的历史无功补偿配置方案进行聚类，并根据聚类结果得到若干组典型无功补偿配置方案。

优选地，所述将所述典型无功补偿配置方案以及与所述典型无功补偿配置方案对应的历史负荷信息作为训练样本，通过训练机器学习模型的方式，得到无功配置计算模型具体包括：

将所述典型无功补偿配置方案以及与所述典型无功补偿配置方案对应的历史负荷信息作为训练样本，输入到预置的有监督学习模型进行训练，得到无功配置计算模型。

优选地，所述有监督学习模型具体为SVM分类算法模型。

从以上技术方案可以看出，本申请具有以下优点：

本申请提供的方法以历史无功配置方案为基准，利用数据挖掘技术归纳出在不同时期的历史负荷信息条件下的典型无功配置方案，在需要调整电厂站点的无功补偿配置方案时，只需要将目标站点在预估时期的计划负荷信息作为无功配置计算模型的输入量，通过所述无功配置计算模型的运算，即可获得适合目标站点的无功补偿配置方案，解决了配置方案从规划阶段到落实应用阶段相隔时间长、效率低下的技术问题。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本申请提供的一种电力厂站无功补偿配置方案生成方法的一个实施例的流程示意图。

图2为本申请提供的一种电力厂站无功补偿配置方案生成方法的逻辑框图。

图3为本申请提供的一种电力厂站无功补偿配置方案生成装置的一个实施例的结构示意图。

具体实施方式

本申请实施例提供了一种电力厂站无功补偿配置方案生成方法及装置，用于解决现有的配置方案方法从规划阶段到落实应用阶段相隔时间较长，效率低下的技术问题。

为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

首先，本申请第一个实施例提供的是一种电力厂站无功补偿配置方案生成方法的详细说明，具体如下：

请参阅图1与图2，本实施例提供的一种电力厂站无功补偿配置方案生成方法，包括：

步骤101、获取电厂站点对应的历史无功补偿配置方案。

首先，通过收集各电厂站点历史测量记录的电气信息，这些电气信息包括站点历史有功负荷值、历史无功负荷值、历史无功补偿配置量，其中，历史测量记录来自于电气自动化系统的统计与状态估计。收集到的有关信息存入数据库或形成台账表格备用，数据记录方式可参照上表：

表1各电厂站点的历史电气信息汇总表

表中，Pm-n表示m时刻厂站n内的有功负荷值，Qm-n表示m时刻厂站n内的无功负荷值，Cm-n表示m时刻厂站n内的无功补偿配置量。

根据其中的历史无功补偿配置量即可得到电厂站点对应的历史无功补偿配置方案，从获取所形成历史记录表中，将每个厂站的无功补偿配置量C查询提取形成无功补偿配置方案向量矩阵如下表：

表2各电厂站点的历史无功补偿配置方案汇总表

表中每一行即是该时刻的无功配置方案。

步骤102、对各个电厂站点的历史无功补偿配置方案进行聚类，并根据聚类结果得到若干组典型无功补偿配置方案。

通过构建聚类器，以步骤101中形成历史无功补偿配置方案数据作为聚类数据训练集对AP聚类器进行无监督训练，将聚类中心作为典型无功配置方案，聚类挖掘得到的典型无功配置方案集合可表示如下表：

表3聚类挖掘得到的典型无功配置方案集合

表中k个典型时刻的无功配置方案可代表步骤101中所有m个时刻的历史无功配置方案(k<＝m)。

进一步地，本实施例构建的聚类器优选为AP聚类器，AP聚类器是一种基于代表点的智能聚类算法，其在绝大多数数据集上都可以得到比传统聚类算法更优的聚类结果，在聚类过程中，无需人为设定初始代表点集合，簇的数量等等。AP聚类器通过在数据对之间计算相似度直到收敛来创建集群。然后使用少量聚类中心来描述整个数据集，这些聚类中心被确定为最能代表其他数据的典型数据。数据对之间发送的消息表示一个数据是否适合作为另一个数据的代表，该代表会根据其他数据对的值对相似度进行更新。这种更新迭代持直到收敛位置，此时选择最终的代表，即是最终的聚类中心。相似度通常采用两个数据点之间的欧式距离的相反数进行计算，两个数据的欧式距离越近，其相似度也就越高。该聚类算法有较为成熟的开源实现方案，并在各种软件开发工具中可供调用与实现。

步骤103、将典型无功补偿配置方案以及与典型无功补偿配置方案对应的历史负荷信息作为训练样本，通过训练机器学习模型的方式，得到无功配置计算模型。

再接着，以步骤102中生成的典型无功配置方案作为标签，从获取到的电气信息中的负荷信息数据(历史有功负荷值、历史无功负荷值)中查询出典型时刻对应的负荷信息作为特征进行模型训练，。有监督学习方法的目的在于通过算法对数据输入与输出之间的映射模式进行计算与学习，构建从输入到输出的映射模式。将步骤103中匹配好的特征及标签数据对作为分类数据训练集，构建SVM(Support Vector Machine)分类器，以该训练集对SVM分类器进行有监督训练。

SVM分类器是一种非常成熟的机器学习分类算法，提供了非常高的准确度。SVM分类器的目标是创建可以将n维空间划分为类的最佳线或决策边界，以便将新数据点放入正确的类别中，这个最佳决策边界称为超平面。SVM选择有助于创建超平面的极值点/向量。这些极值点/向量被称为支持向量。该分类算法有较为成熟的开源实现方案，并在各种软件开发工具中可供调用与实现。

步骤104、根据目标站点的计划负荷信息，将计划负荷信息作为无功配置计算模型的输入量，以通过无功配置计算模型的运算，获得目标站点的无功补偿配置方案。

在需要生成某一时刻(历史或未来)的无功配置方案对系统状态进行模拟时，只需将待模拟多厂站的负荷信息形成站点负荷信息数据，将该数据输入到步骤104训练完毕的SVM分类器中，即可得到该负荷信息对应的典型无功配置方案。

本实施例提供的方法以历史无功配置方案为基准，利用数据挖掘技术归纳出在不同时期的历史负荷信息条件下的典型无功配置方案，在需要调整电厂站点的无功补偿配置方案时，只需要将目标站点在预估时期的计划负荷信息作为无功配置计算模型的输入量，通过无功配置计算模型的运算，即可获得适合目标站点的无功补偿配置方案，解决了配置方案从规划阶段到落实应用阶段相隔时间长、效率低下的技术问题，同时，本实施例提供的基于数据挖掘的无功配置方案生成方法不依赖网架结构及拓扑特征，能具有更强的适用性。

以上为本申请提供的一种电力厂站无功补偿配置方案生成方法的一个实施例的详细说明，下面为本申请提供的一种电力厂站无功补偿配置方案生成装置的一个实施例的详细说明。

请参阅图3，本申请第二个实施例提供了一种电力厂站无功补偿配置方案生成装置，包括：

历史无功补偿方案获取单元201，用于获取电厂站点对应的历史无功补偿配置方案；

配置方案聚类单元202，用于对各个电厂站点的历史无功补偿配置方案进行聚类，并根据聚类结果得到若干组典型无功补偿配置方案；

模型训练单元203，用于将典型无功补偿配置方案以及与典型无功补偿配置方案对应的历史负荷信息作为训练样本，通过训练机器学习模型的方式，得到无功配置计算模型；

配置方案输出单元204，用于根据目标站点的计划负荷信息，将计划负荷信息作为无功配置计算模型的输入量，以通过无功配置计算模型的运算，获得目标站点的无功补偿配置方案。

进一步地，电厂站点的历史负荷信息具体包括：站点历史有功负荷值与历史无功负荷值。

进一步地，对各个电厂站点的历史无功补偿配置方案进行聚类，得到若干组典型无功补偿配置方案具体包括：

通过AP聚类算法，对各个电厂站点的历史无功补偿配置方案进行聚类，并根据聚类结果得到若干组典型无功补偿配置方案。

进一步地，将典型无功补偿配置方案以及与典型无功补偿配置方案对应的历史负荷信息作为训练样本，通过训练机器学习模型的方式，得到无功配置计算模型具体包括：

将典型无功补偿配置方案以及与典型无功补偿配置方案对应的历史负荷信息作为训练样本，输入到预置的有监督学习模型进行训练，得到无功配置计算模型。

进一步地，有监督学习模型具体为SVM分类算法模型。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的终端，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。