CN112150304A - 电网运行状态轨迹稳定性预判方法、系统及存储介质 - Google Patents
电网运行状态轨迹稳定性预判方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112150304A CN112150304A CN202010810963.3A CN202010810963A CN112150304A CN 112150304 A CN112150304 A CN 112150304A CN 202010810963 A CN202010810963 A CN 202010810963A CN 112150304 A CN112150304 A CN 112150304A
- Authority
- CN
- China
- Prior art keywords
- power grid
- grid operation
- stability
- index data
- characteristic index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000009795 derivation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- VZSRBBMJRBPUNF-UHFFFAOYSA-N 2-(2,3-dihydro-1H-inden-2-ylamino)-N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]pyrimidine-5-carboxamide Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C(=O)NCCC(N1CC2=C(CC1)NN=N2)=O VZSRBBMJRBPUNF-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种电网运行状态轨迹稳定性预判方法、系统和存储介质，方法包括：获取电网运行状态数据；基于所获取的数据，按照预设的特征提取规则，计算或提取得到多个电网运行特性指标数据；将电网运行特性指标数据作为预先训练得到的电网运行状态轨迹稳定性预判模型的输入，得到电网运行状态轨迹稳定性预判模型输出的电网运行状态轨迹稳定性预判结果；所述电网运行状态轨迹稳定性预判模型为，基于多个电网运行状态轨迹稳定性已知的历史电网运行特性指标数据样本训练得到的BP神经网络分类模型。利用本发明可根据电网特性指标数据进行电网运行状态轨迹稳定性预判，计算效率较高，结果较准确。
Description
技术领域
本发明涉及电力系统调度自动化技术领域，特别是一种基于监督学习的电网运行状态轨迹稳定性预判方法、系统及存储介质。
背景技术
智能电网建设的发展对电网调度运行提出了更高要求，需要发展与之相适应的智能调度支撑体系。在智能电网调度领域较多技术成果的基础上，以期实现对电网运行状态发展趋势和过程的准确掌控。
电网运行轨迹实际上就是态势感知的输出结果。有别于常规的功角、电压曲线等单一物理量的变化曲线，电网运行轨迹是一个更加宏观、抽象的概念，可以形象地解释为一段时间内电网运行点的时序图，描绘了历史、当前、未来时间构成的连续时间段内电网运行状态变化过程。
基于电网模型的运行状态辨识方法为一种现有的电网运行态势预测技术方案，其根据电网模型信息通过模型计算将电网划分运行状态并进行优先级排序，同时建立运行状态评估模型，将当前电网运行状态进行状态评估，得到计算结果并输出。方案采用多维电网信息，利用各状态特性对不同运行状态采用不同的辨识模型进行状态辨识，解决电网运行状态辨识中状态分界标准确定问题。但是，若存在电网模型较大、计算岔路较多、参数缺失或错误等因素，则基于电力模型及常规算法将可能出现计算效率不高，结果不准确的现象。现有基于电力模型的确定性的分析方法难以应对未来间歇式的可再生能源高渗透率接入电网以及随机的需求侧响应给电网运行带来的大量的不确定性的辨识计算。
已有的安稳体系分为四级指标，包括基态安全指标、基态稳定指标、连锁故障脆弱性等，该指标体系综合考虑电网运行的安全性、脆弱性、风险性以及经济性等方面，反映电网运行状态变化过程及发展趋势。整个指标体系不是将各种指标进行简单的罗列，而是需要深入挖掘指标间的关联度、量化下层指标对上层指标的贡献度。
名词解释
BP神经网络算法，全称error BackPropagation，即误差逆传播算法。
发明内容
本发明的目的是提供一种电网运行状态轨迹稳定性预判方法、系统及存储，可根据电网特性指标数据进行电网运行状态轨迹稳定性预判，计算效率较高，结果较准确。
本发明采取的技术方案如下。
第一方面，本发明提供一种电网运行状态轨迹稳定性预判方法，包括：
获取电网运行状态数据；
基于所获取的数据，按照预设的特征提取规则，计算或提取得到多个电网运行特性指标数据；
将电网运行特性指标数据作为预先训练得到的电网运行状态轨迹稳定性预判模型的输入，得到电网运行状态轨迹稳定性预判模型输出的电网运行状态轨迹稳定性预判结果；
所述电网运行状态轨迹稳定性预判模型为，基于多个历史电网运行特性指标数据样本训练得到的BP神经网络分类模型；
多个历史电网运行特性指标数据样本包括：表征电网运行状态轨迹稳定的电网运行特性指标数据和表示稳定性的标签、表征电网运行状态轨迹失稳的电网运行特性指标数据和表示失稳性的标签，以及表征电网运行状态轨迹存在风险的电网运行特性指标数据和表示风险性的标签，三类样本数据。
通过本发明得到的预判结果即电网运行状态轨迹是稳定、失稳还是存在风险。则后续可根据预判结果对电网薄弱环节进行分析，从而改善失稳或风险情况。
可选的，所述预设的特征提取规则为：提取或计算得到过载安全欲度、电压安全欲度、频率安全欲度、静态电压稳定、静态功角稳定、低频振荡、故障负荷损失率、送受端越限故障数和气象数据。这些数据为与电网运行状态轨迹相关性较强的指标数据，在实际应用中，可以通过这些指标表征电网运行特性。
可选的，BP神经网络分类模型中，各层神经元的激活函数为Sigmoid函数：f(x)＝1/(1+e-x)。采用这个函数作为激活函数的作用为输出的值锁定在[0,1]之间，且便于求导提高计算效率。
可选的，BP神经网络分类模型中，相邻层神经元之间的正向信息传播采用反向模式微分算法(Reverse-mode Differentiation)；反向信息传播采用随机梯度下降(SGD)算法。
可选的，电网运行状态轨迹稳定性预判模型的BP神经网络训练包括步骤：
按照所述特征提取规则，从历史电网运行数据中提取特性指标数据；
基于所提取的特性指标数据，构建分别对应每一标签类别的多个历史电网运行特性指标数据样本；
划分历史电网运行特性指标数据样本得到训练样本集、验证样本集和测试样本集；
利用交叉验证方法，轮流多次利用训练集和测试集样本对BP神经网络进行训练，得到误差函数满足设定要求的多个电网运行状态轨迹分类器；
利用测试级对多个电网运行状态轨迹分类器进行测试，选择误差最小的作为最终电网运行状态轨迹稳定性预判模型。
可选的，对应每一类历史电网运行特性指标数据样本，随机将样本数量的60％划分至训练样本集，20％划分至验证样本集，20％划分至测试样本集。
第二方面，本发明提供一种电网运行状态轨迹稳定性预判系统，包括：
数据获取模块，被配置用于获取电网运行状态数据；
特征提取模块，被配置用于基于所获取的数据，按照预设的特征提取规则，计算或提取得到多个电网运行特性指标数据；
电网运行状态轨迹稳定性确定模块，被配置用于将电网运行特性指标数据作为预先训练得到的电网运行状态轨迹稳定性预判模型的输入，得到电网运行状态轨迹稳定性预判模型输出的电网运行状态轨迹稳定性预判结果；
所述电网运行状态轨迹稳定性预判模型为，基于多个历史电网运行特性指标数据样本训练得到的BP神经网络分类模型；
多个历史电网运行特性指标数据样本包括：表征电网运行状态轨迹稳定的电网运行特性指标数据和表示稳定性的标签、表征电网运行状态轨迹失稳的电网运行特性指标数据和表示失稳性的标签，以及表征电网运行状态轨迹存在风险的电网运行特性指标数据和表示风险性的标签，三类样本数据。
第三方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如第一方面所述的电网运行状态轨迹稳定性预判方法。
有益效果
本发明利用BP神经网络实现对电网运行状态轨迹稳定性的预判，通过从规模庞大的电气量参数数据中提取与电网运行状态轨迹稳定性相关的指标数据，对监督学习的BP神经网络进行训练和优化，以应用于实际的电网运行状态轨迹稳定性预判，能够规避人工预测存在的准确度较差等问题，且大大提高预测的效率，方便根据预测结果及时分析获知电网的薄弱环节，从而改善预判时间内的失稳或风险情况，对电网稳定运行具有积极意义。
附图说明
图1所示为本发明方法流程示意图；
图2所示为本发明BP神经网络训练原理示意图；
图3所示为本发明BP神经网络架构示意图；
图4所示为神经元之间的信息传播示意图；
图5所示为本发明方法的一种应用例示意图。
具体实施方式
以下结合附图和具体实施例进一步描述。
用单一实际物理量来完全表征电网运行轨迹几乎是不可能的，而指标体系是一种表征电网运行轨迹的有效方法。即从庞大的电网运行轨迹信息中提取对电网运行具有意义的关键知识，作为运行轨迹的表征量，建立全维度多层次的电网运行轨迹指标体系，为电网运行轨迹预判提供数据基础。
本发明的技术构思即为：基于电网运行数据特征或指标特征体系，提取指标特征映射的特征数据，用于电网运行状态轨迹稳定性的预判，预判结果包括三类：稳定类、失稳类、风险类。通过机器监督学习的预判方法输入电网特性指标数据集进行网格训练，得到轨迹辨识预判模型，并通过测试集进行稳定性预判结果测试，最终提供出预判稳定性分类结果进行输出。
实施例1
参考图1，本实施例介绍一种电网运行状态轨迹稳定性预判方法，包括：
获取电网运行状态数据；
基于所获取的数据，按照预设的特征提取规则，计算或提取得到多个电网运行特性指标数据；
将电网运行特性指标数据作为预先训练得到的电网运行状态轨迹稳定性预判模型的输入，得到电网运行状态轨迹稳定性预判模型输出的电网运行状态轨迹稳定性预判结果；
所述电网运行状态轨迹稳定性预判模型为，基于多个历史电网运行特性指标数据样本训练得到的BP神经网络分类模型；
多个历史电网运行特性指标数据样本包括：表征电网运行状态轨迹稳定的电网运行特性指标数据和表示稳定性的标签、表征电网运行状态轨迹失稳的电网运行特性指标数据和表示失稳性的标签，以及表征电网运行状态轨迹存在风险的电网运行特性指标数据和表示风险性的标签，三类样本数据。
通过本发明得到的预判结果即电网运行状态轨迹是稳定、失稳还是存在风险。则后续可根据预判结果对电网薄弱环节进行分析，从而改善失稳或风险情况。
本实施例中，特征提取规则为：提取或计算得到过载安全欲度、电压安全欲度、频率安全欲度、静态电压稳定、静态功角稳定、低频振荡、故障负荷损失率、送受端越限故障数和气象数据。这些数据为与电网运行状态轨迹相关性较强的指标数据，在实际应用中，可以通过这些指标表征电网运行特性。
在特征数据提取后，为了方便神经网络的计算，还可对数据进行归一化处理等操作。
本实施例中，BP神经网络分类模型中各层神经元的激活函数为Sigmoid函数：f(x)＝1/(1+e-x)。采用这个函数作为激活函数的作用为输出的值锁定在[0,1]之间，且便于求导提高计算效率。相邻层神经元之间的正向信息传播采用反向模式微分算法(Reverse-modeDifferentiation)；反向信息传播采用随机梯度下降(SGD)算法。
参考图2所示，电网运行状态轨迹稳定性预判模型的BP神经网络训练包括步骤：
从已知电网运行状态轨迹稳定性的历史电网运行数据中提取稳定性指标体系中对应各特性指标的指标数据；
基于所提取的特性指标数据，构建分别对应每一标签类别的多个历史电网运行特性指标数据样本；
划分历史电网运行特性指标数据样本得到训练样本集、验证样本集和测试样本集；对应每一类历史电网运行特性指标数据样本，可随机将样本数量的60％划分至训练样本集，20％划分至验证样本集，20％划分至测试样本集；
利用交叉验证方法，轮流多次利用训练集和测试集样本对BP神经网络进行训练，得到误差函数满足设定要求的多个电网运行状态轨迹分类器；
利用测试级对多个电网运行状态轨迹分类器进行测试，选择误差最小的作为最终电网运行状态轨迹稳定性预判模型。
以上训练过程，通过交叉验证将训练集和测试集彼此轮流互换，变相增加了训练集，可使得模型更加准确。
参考图3所示，本发明电网运行状态轨迹辨识预判方法采用随机梯度下降(SGD)的BP神经网络算法。BP神经网络(Backpropagation Neuron Networks)又被称作多层感应机(Multi-layer Perceptrons)。BP神经网络通过设定隐藏层，能够在原有逻辑回归的基础上实现非线性的分割。神经网络在构建过程中，通过定义输入层、隐藏层与输出层，明确激活函数、损失函数，通过梯度递减法训练样本，最终实现分类器。BP神经网络的在线学习中，每次出现新的训练样本时都会更新网络参数，从而减少每个样本上的误差，训练样本可以重复使用也可以不重复使用。在线学习是一个随机过程，因为每次更新所需的训练样本都是随机选择的，可以在不断变化的环境中学习和适应。
本发明基于计及不确定性因素的电网运行轨迹预测技术，充分考虑新能源出力、互动用电等各种不确定性因素的影响，利用基于概率的神经网络方法预测并模拟未来电网运行轨迹的发展，能够告诉调度人员电网变化及故障的概率分布特征，以灵活应对未来电网运行状态的变化。
对电网运行状态的估计辨识技术路线为监督学习的BP模型训练，训练集包括了input X和它被期望拥有的输出output Y。所以对于当前的一个BP模型，我们能够获得它针对于训练集的误差。正向传播过程为：输入样本—输入层—各隐层—输出层；若输出层的实际输出与期望的输出不符，则误差反传：误差表示—修正各层神经元的权值；直到网络输出的误差减少到可以接受的程度，或者进行到预先设定的学习次数为止，此时得到的学习模型为可用的分类模型，原理参考图3。
BP神经网络分类模型的训练具体涉及以下几个部分的内容。
一、训练样本确定
从电网运行指标数据集获取特征指标参数，并初始化神经元网络，通过训练集、验证集、测试集形成对应的计算矩阵；
然后需要将样本分成独立的三部分训练集(train set)，验证集(validationset)和测试集(test set)。其中训练集用来估计模型，验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。划分方法为训练集占总样本的60％，验证集占样本20％，测试集占样本剩余20％，三部分都是从样本中随机抽取。
二、激活神经元
定义激活函数Sigmoid函数：f(x)＝1/(1+e-x)，采用这个函数作为激活函数的作用为输出的值锁定在[0,1]之间，且便于求导提高计算效率。
三、正向信息传播
参考图3所示，f1＝x1w11+x2w21，f2＝x1w12+x2w22，其中x1，x2为输入，wij为网络传输权重。本实施例采用反向模式微分(Reverse-mode Differentiation)算法，如图3神经元传递示意图，即从Z到X反向求导：
式中网络权值(α，β，γ，δ，ε，ξ)采用反向模式微分相对于正向微分的优势在于把网络权值的计算量从神经元数目的平方比下降为神经元数目本身的正比。
四、反向传播误差纠偏
在BP算法的反向传播过程中，利用随机梯度下降的(SGD)策略。设有p对训练样本，第j对样本为(Xj,Yj),j＝1,2,…,p。其中输入向量为
期望输出向量(教师信号)为
在Xj作用下得到的网络实际输出记为
使用平方型误差函数作为SGD算法的误差评估函数，网络训练的任务是寻找一个权重W使误差平方和最小。其中样本j的误差为：
所有样本的总误差为：
五、权值优化训练
对于神经元j的第i个神经元之间的连接权值权值wji：
η:幅度权重∈(0,1],为人为设定的超参数。
六、交叉验证
为了验证算法的正确性，采用交叉验证的办法，把所有样本分为N份，训练集和测试集彼此轮流交换，先进行数据分块，待子模块计算完成后，再合并数据，最终计算出的误差分数以其大小作为衡量算法准确性的度量，最终完成轨迹辨识的计算输出。
实施例1-1
在实施例1的基础上，本实施例介绍电网运行状态轨迹稳定性预判方法的一种应用例，调控人员需要预先对调度计划执行、调度操作、设备故障、事故预案、市场行为、清洁能源消纳、气象灾害等电网运行趋势轨迹进行计算预判，分析电网安全稳定问题和潜在风险，掌握电网运行风险预控方法及效果。参考图5所示，电网运行状态轨迹稳定性预判方法包括以下步骤：
S1:通过预设的电网计算场景进行初始数据加载
对调度计划、检修计划、气象等数据进行加载，对电网的业务数据进行分类加载；
S2：对一些控制类、故障类等操作进行加载
对故障信息、AGC控制、AVC控制信息进行计算及加载，主要加载对电网的动态扰动信息；
S3：数据抽取
对S1及S2的数据进行融合抽取，与指标库对应形成对应的指标集；
S4：BP神经网络分析计算；
S5：结果输出并展示。至此可得到待预测的电网运行状态轨迹稳定性预判结果。
实施例2
与实施例1基于相同的发明构思，本实施例介绍一种电网运行状态轨迹稳定性预判系统，其特征是，包括：
数据获取模块，被配置用于获取电网运行状态数据；
特征提取模块，被配置用于基于所获取的数据，按照预设的特征提取规则，计算或提取得到多个电网运行特性指标数据；
电网运行状态轨迹稳定性确定模块，被配置用于将电网运行特性指标数据作为预先训练得到的电网运行状态轨迹稳定性预判模型的输入，得到电网运行状态轨迹稳定性预判模型输出的电网运行状态轨迹稳定性预判结果；
所述电网运行状态轨迹稳定性预判模型为，基于多个历史电网运行特性指标数据样本训练得到的BP神经网络分类模型；
多个历史电网运行特性指标数据样本包括：表征电网运行状态轨迹稳定的电网运行特性指标数据和表示稳定性的标签、表征电网运行状态轨迹失稳的电网运行特性指标数据和表示失稳性的标签，以及表征电网运行状态轨迹存在风险的电网运行特性指标数据和表示风险性的标签，三类样本数据。
以上各模块的具体功能实现参考实施例1.
实施例3
本实施例介绍一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如实施例1所述的电网运行状态轨迹稳定性预判方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (8)
1.一种电网运行状态轨迹稳定性预判方法，其特征是，包括：
获取电网运行状态数据；
基于所获取的数据，按照预设的特征提取规则，计算或提取得到多个电网运行特性指标数据；
将电网运行特性指标数据作为预先训练得到的电网运行状态轨迹稳定性预判模型的输入，得到电网运行状态轨迹稳定性预判模型输出的电网运行状态轨迹稳定性预判结果；
所述电网运行状态轨迹稳定性预判模型为，基于多个历史电网运行特性指标数据样本训练得到的BP神经网络分类模型；
多个历史电网运行特性指标数据样本包括：表征电网运行状态轨迹稳定的电网运行特性指标数据和表示稳定性的标签、表征电网运行状态轨迹失稳的电网运行特性指标数据和表示失稳性的标签，以及表征电网运行状态轨迹存在风险的电网运行特性指标数据和表示风险性的标签，三类样本数据。
2.根据权利要求1所述的方法，其特征是，所述预设的特征提取规则为：提取或计算得到过载安全欲度、电压安全欲度、频率安全欲度、静态电压稳定、静态功角稳定、低频振荡、故障负荷损失率、送受端越限故障数和气象数据。
3.根据权利要求1所述的方法，其特征是，BP神经网络分类模型中，各层神经元的激活函数为Sigmoid函数：f(x)＝1/(1+e-x)。
4.根据权利要求1所述的方法，其特征是，BP神经网络分类模型中，相邻层神经元之间的正向信息传播采用反向模式微分算法；反向信息传播采用随机梯度下降算法。
5.根据权利要求1所述的方法，其特征是，电网运行状态轨迹稳定性预判模型的BP神经网络训练包括步骤：
按照所述特征提取规则，从历史电网运行数据中提取特性指标数据；
基于所提取的特性指标数据，构建分别对应每一标签类别的多个历史电网运行特性指标数据样本；
划分历史电网运行特性指标数据样本得到训练样本集、验证样本集和测试样本集；
利用交叉验证方法，轮流多次利用训练集和测试集样本对BP神经网络进行训练，得到误差函数满足设定要求的多个电网运行状态轨迹分类器；
利用测试级对多个电网运行状态轨迹分类器进行测试，选择误差最小的作为最终电网运行状态轨迹稳定性预判模型。
6.根据权利要求5所述的方法，其特征是，对应每一类历史电网运行特性指标数据样本，随机将样本数量的60％划分至训练样本集，20％划分至验证样本集，20％划分至测试样本集。
7.一种电网运行状态轨迹稳定性预判系统，其特征是，包括：
数据获取模块，被配置用于获取电网运行状态数据；
特征提取模块，被配置用于基于所获取的数据，按照预设的特征提取规则，计算或提取得到多个电网运行特性指标数据；
电网运行状态轨迹稳定性确定模块，被配置用于将电网运行特性指标数据作为预先训练得到的电网运行状态轨迹稳定性预判模型的输入，得到电网运行状态轨迹稳定性预判模型输出的电网运行状态轨迹稳定性预判结果；
所述电网运行状态轨迹稳定性预判模型为，基于多个历史电网运行特性指标数据样本训练得到的BP神经网络分类模型；
多个历史电网运行特性指标数据样本包括：表征电网运行状态轨迹稳定的电网运行特性指标数据和表示稳定性的标签、表征电网运行状态轨迹失稳的电网运行特性指标数据和表示失稳性的标签，以及表征电网运行状态轨迹存在风险的电网运行特性指标数据和表示风险性的标签，三类样本数据。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该计算机程序被处理器执行时，实现如权利要求1-6任一项所述的电网运行状态轨迹稳定性预判方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010810963.3A CN112150304A (zh) | 2020-08-13 | 2020-08-13 | 电网运行状态轨迹稳定性预判方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010810963.3A CN112150304A (zh) | 2020-08-13 | 2020-08-13 | 电网运行状态轨迹稳定性预判方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112150304A true CN112150304A (zh) | 2020-12-29 |
Family
ID=73888753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010810963.3A Pending CN112150304A (zh) | 2020-08-13 | 2020-08-13 | 电网运行状态轨迹稳定性预判方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112150304A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128115A (zh) * | 2021-04-16 | 2021-07-16 | Oppo广东移动通信有限公司 | 地铁运行状态的预测及模型的训练方法、装置及存储介质 |
| CN114442494A (zh) * | 2021-11-09 | 2022-05-06 | 佛山市淇特科技有限公司 | 一种设备行为分析方法、装置、终端设备以及存储介质 |
| CN114756722A (zh) * | 2022-04-25 | 2022-07-15 | 珠海市鸿瑞信息技术股份有限公司 | 一种多元数据集中管理控制系统及方法 |
| CN115347915A (zh) * | 2022-08-16 | 2022-11-15 | 广东电网有限责任公司 | 一种电力线载波通信设备运行状态的检测方法及装置 |
| CN115940141A (zh) * | 2022-12-07 | 2023-04-07 | 贵州大学 | 一种电网运行稳定性分析系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123685A (zh) * | 2014-08-07 | 2014-10-29 | 贵州电网公司电力调度控制中心 | 综合风险下的电网静态安全分析方法 |
| CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
| CN105429134A (zh) * | 2015-12-08 | 2016-03-23 | 河海大学 | 一种基于电力大数据的电网电压稳定性预测方法 |
| CN107193274A (zh) * | 2017-07-04 | 2017-09-22 | 广东电网有限责任公司电力调度控制中心 | 一种基于多维度综合指标的电网脆弱性评估方法 |
| CN107919666A (zh) * | 2017-12-07 | 2018-04-17 | 贵州电网有限责任公司电力科学研究院 | 一种基于广域响应的地区电网暂态稳定在线综合预判方法 |
| CN109993665A (zh) * | 2019-03-18 | 2019-07-09 | 国电南瑞科技股份有限公司 | 电力系统在线安全稳定评估方法、装置及系统 |
| CN110504676A (zh) * | 2019-07-05 | 2019-11-26 | 国网浙江平湖市供电有限公司 | 一种基于apso-bp的配电网状态估计方法 |
| CN110838075A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电网系统暂态稳定的预测模型的训练及预测方法、装置 |
-
2020
- 2020-08-13 CN CN202010810963.3A patent/CN112150304A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123685A (zh) * | 2014-08-07 | 2014-10-29 | 贵州电网公司电力调度控制中心 | 综合风险下的电网静态安全分析方法 |
| CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
| CN105429134A (zh) * | 2015-12-08 | 2016-03-23 | 河海大学 | 一种基于电力大数据的电网电压稳定性预测方法 |
| CN107193274A (zh) * | 2017-07-04 | 2017-09-22 | 广东电网有限责任公司电力调度控制中心 | 一种基于多维度综合指标的电网脆弱性评估方法 |
| CN107919666A (zh) * | 2017-12-07 | 2018-04-17 | 贵州电网有限责任公司电力科学研究院 | 一种基于广域响应的地区电网暂态稳定在线综合预判方法 |
| CN109993665A (zh) * | 2019-03-18 | 2019-07-09 | 国电南瑞科技股份有限公司 | 电力系统在线安全稳定评估方法、装置及系统 |
| CN110838075A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电网系统暂态稳定的预测模型的训练及预测方法、装置 |
| CN110504676A (zh) * | 2019-07-05 | 2019-11-26 | 国网浙江平湖市供电有限公司 | 一种基于apso-bp的配电网状态估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 袁建清 等: "《水稻稻瘟病光谱信息提取与区分方法研究》", 31 May 2019, 吉林大学出版社, pages: 62 - 65 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128115A (zh) * | 2021-04-16 | 2021-07-16 | Oppo广东移动通信有限公司 | 地铁运行状态的预测及模型的训练方法、装置及存储介质 |
| CN114442494A (zh) * | 2021-11-09 | 2022-05-06 | 佛山市淇特科技有限公司 | 一种设备行为分析方法、装置、终端设备以及存储介质 |
| CN114442494B (zh) * | 2021-11-09 | 2024-01-23 | 佛山市淇特科技有限公司 | 一种设备行为分析方法、装置、终端设备以及存储介质 |
| CN114756722A (zh) * | 2022-04-25 | 2022-07-15 | 珠海市鸿瑞信息技术股份有限公司 | 一种多元数据集中管理控制系统及方法 |
| CN114756722B (zh) * | 2022-04-25 | 2022-10-04 | 珠海市鸿瑞信息技术股份有限公司 | 一种多元数据集中管理控制系统及方法 |
| CN115347915A (zh) * | 2022-08-16 | 2022-11-15 | 广东电网有限责任公司 | 一种电力线载波通信设备运行状态的检测方法及装置 |
| CN115940141A (zh) * | 2022-12-07 | 2023-04-07 | 贵州大学 | 一种电网运行稳定性分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112150304A (zh) | 电网运行状态轨迹稳定性预判方法、系统及存储介质 | |
| CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
| CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
| Csikós et al. | Traffic speed prediction method for urban networks—An ANN approach | |
| Liao et al. | Remaining useful life with self-attention assisted physics-informed neural network | |
| Gadhavi et al. | Student final grade prediction based on linear regression | |
| CN106295874A (zh) | 基于深信度网络的交通流参数预测方法 | |
| CN110247910A (zh) | 一种异常流量的检测方法、系统及相关组件 | |
| Intisar et al. | Classification of online judge programmers based on rule extraction from self organizing feature map | |
| CN115984053A (zh) | 试题推荐方法、装置、电子设备和存储介质 | |
| Bush et al. | Topological machine learning methods for power system responses to contingencies | |
| CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
| CN117474529A (zh) | 一种电网智慧运维系统 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| Duan et al. | Serial transfer learning (STL) theory for processing data insufficiency: Fault diagnosis of transformer windings | |
| CN108768750A (zh) | 通信网络故障定位方法及装置 | |
| Camelia et al. | A Computational Grey Based Model for Companies Risk Forecasting. | |
| CN104951871A (zh) | 一种电力仿真培训的智能评价方法及系统 | |
| CN117371321A (zh) | 一种基于贝叶斯优化的内在可塑性深度回声状态网络软测量建模方法 | |
| Gan | Discrete Hopfield neural network approach for crane safety evaluation | |
| CN117010683A (zh) | 基于混合神经网络和多Agent的作业安全风险预测方法 | |
| Xiao-Xu et al. | An intelligent inspection robot of power distribution network based on image automatic recognition system | |
| CN114912027A (zh) | 一种基于学习成效预测的学习方案推荐方法及系统 | |
| CN115271070A (zh) | 基于改进Relief-F算法的电压稳定裕度评估方法、设备及介质 | |
| Al Khafaf et al. | Identification of low voltage distribution transformer–customer connectivity based on unsupervised learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |