国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于改進深度學習模型的電網(wǎng)安全態(tài)勢預測方法

      文檔序號:8473366閱讀:422來源:國知局
      一種基于改進深度學習模型的電網(wǎng)安全態(tài)勢預測方法
      【技術領域】
      [0001] 本發(fā)明屬于電力系統(tǒng)安全技術領域,尤其涉及一種基于改進深度學習模型的電網(wǎng) 安全態(tài)勢預測方法。
      【背景技術】
      [0002] 現(xiàn)有電力調度系統(tǒng)仍以"經(jīng)驗型+分析型"為主,其自動化和智能化程度不高,主 要原因是系統(tǒng)缺乏對電網(wǎng)運行狀態(tài)發(fā)展變化情況的準確掌控。同時,系統(tǒng)各類分析應用軟 件提供的分析結果只側重電網(wǎng)運行的某一方面,缺乏從全網(wǎng)整體運行態(tài)勢上給出綜合分析 結果及決策建議,需要調度運行人員通過手動調閱各類分析結果,基于人工經(jīng)驗和離線策 略進行操作控制。因此,隨著電網(wǎng)規(guī)??焖贁U大以及運行復雜性的不斷提升,調度運行人員 的工作壓力隨之加大,確保電網(wǎng)安全經(jīng)濟運行的難度也日益增大。電網(wǎng)安全態(tài)勢感知是掌 握電網(wǎng)運行軌跡的重要技術手段,通過對廣域時空范圍內,對涉及電網(wǎng)運行變化的各類因 素的采集、理解與預測,力求準確有效地掌握電網(wǎng)的安全態(tài)勢,使得電網(wǎng)的安全管理從被動 變?yōu)橹鲃印U{度員可以判斷系統(tǒng)安全所處狀態(tài)的趨勢,能在電網(wǎng)遭受擾動和故障之前,及時 采取防御措施和安全策略。從適應我國未來智能電網(wǎng)發(fā)展需求出發(fā),結合電網(wǎng)自身的特征, 需要建立一套覆蓋電網(wǎng)各個層面的指標體系,從而可以定量的描述電網(wǎng)各個部分的特征并 通過綜合計算最終得出描述電網(wǎng)總體狀態(tài)的安全態(tài)勢值。
      [0003] 目前電網(wǎng)安全態(tài)勢預測,主要是利用時間序列分析預測、智能預測、組合預測、基 于灰色理論的預測方法等,只是預測未來態(tài)勢值,并未說明態(tài)勢值的大小具體代表電網(wǎng)所 處的安全等級,同時很少分析態(tài)勢變化的趨勢和解釋電網(wǎng)安全態(tài)勢要素的動力學特征,屬 于被動感知,不能從整體上綜合理解電網(wǎng)安全態(tài)勢,對調度人員的輔助決策支持不夠,調度 人員只能獲得局部數(shù)據(jù)和信息,不能夠實時全面感知電力系統(tǒng)安全風險態(tài)勢。

      【發(fā)明內容】

      [0004] 本發(fā)明提供一種基于改進深度學習模型的電網(wǎng)安全態(tài)勢預測方法,所述方法包括 如下步驟:
      [0005] 步驟1 :電網(wǎng)數(shù)據(jù)采集和預處理:采集電網(wǎng)歷史數(shù)據(jù)和實時數(shù)據(jù),具體包括電網(wǎng)設 備狀態(tài)信息、電網(wǎng)穩(wěn)態(tài)數(shù)據(jù)信息、電網(wǎng)動態(tài)數(shù)據(jù)信息、電網(wǎng)暫態(tài)故障信息、運行環(huán)境數(shù)據(jù)等, 然后對采集的電網(wǎng)數(shù)據(jù)進行清洗和格式化統(tǒng)一等預處理。
      [0006] 步驟2 :電網(wǎng)安全態(tài)勢評估:通過層次分析法和Delphi法構建電網(wǎng)安全態(tài)勢評估 指標體系,將采集的電網(wǎng)數(shù)據(jù)按照時間監(jiān)測點的順序,依次輸入到層次化的電網(wǎng)安全態(tài)勢 評估指標體系中,與電網(wǎng)安全態(tài)勢評估指標體系的權重矩陣做乘法,通過計算得到每個時 間監(jiān)測點的電網(wǎng)安全態(tài)勢值。
      [0007] 步驟3 :針對電網(wǎng)安全態(tài)勢評估的指標數(shù)據(jù)具有關聯(lián)性強、維數(shù)高的特點,提出一 種改進的自編碼網(wǎng)絡(Autoencoder)方法降低指標數(shù)據(jù)的維數(shù),利用降維后的數(shù)據(jù)樣本和 對應下一時間監(jiān)測點的電網(wǎng)安全態(tài)勢值構造訓練樣本集。
      [0008] 步驟4 :電網(wǎng)安全態(tài)勢預測:采用一種改進的深度信念網(wǎng)絡 (De印BeliefNetW〇rk,DBN)構建具有多輸入多輸出的深度學習態(tài)勢預測模型,利用深度學 習態(tài)勢預測模型對訓練樣本集進行迭代訓練,從而確定電網(wǎng)安全態(tài)勢預測模型,再結合降 維后的數(shù)據(jù)樣本預測當前時刻T之后T+l,T+2, .....,T+n時刻的電網(wǎng)安全態(tài)勢。
      [0009] 本發(fā)明的優(yōu)點在于:
      [0010] (1)采集歷史和實時的電網(wǎng)數(shù)據(jù),采用改進的自編碼網(wǎng)絡(Autoencoder)方法對 電網(wǎng)安全態(tài)勢評估的高維指標數(shù)據(jù)進行約簡,約簡后的特征值包含原指標數(shù)據(jù)的信息,能 夠代替原指標數(shù)據(jù)進行后續(xù)的預測工作,并可以有效的提高電網(wǎng)安全態(tài)勢預測的速度。
      [0011] (2)利用改進的深度信念網(wǎng)絡(DBN)構建電網(wǎng)安全態(tài)勢預測模型,結合采集的電 網(wǎng)數(shù)據(jù),學習降維后的指標數(shù)據(jù)和對應下一時間點的電網(wǎng)安全態(tài)勢值關系,利用歷史值來 訓練構建的電網(wǎng)安全態(tài)勢預測模型。改進的深度信念網(wǎng)絡具有強大的非線性映射能力,可 以有效的提尚預測精度。
      【附圖說明】
      [0012] 圖1為本發(fā)明提供的電網(wǎng)安全態(tài)勢預測方法流程圖;
      [0013] 圖2為受限波爾茲曼機(RBM)的典型拓撲結構圖;
      [0014] 圖3為自編碼網(wǎng)絡(Autoencoder)預訓練和展開過程圖;
      [0015] 圖4為改進的自編碼網(wǎng)絡(Autoencoder)微調過程;
      [0016] 圖5為改進的深度信念網(wǎng)絡(DBN)。
      【具體實施方式】
      [0017] 下面結合附圖,對優(yōu)選實施例作詳細說明。應該強調的是,下述說明僅僅是示例性 的,而不是為了限制本發(fā)明的范圍及其應用。
      [0018] 構建電網(wǎng)安全態(tài)勢評估指標體系和計算電網(wǎng)安全態(tài)勢值是電網(wǎng)安全態(tài)勢預測的 前提。為此,本發(fā)明引入通過層次分析法構建電網(wǎng)安全態(tài)勢評估指標體系,建好評估指 標體系之后,就可以根據(jù)指標權重,計算得到每個時間監(jiān)測點的電網(wǎng)安全態(tài)勢值。針對 電網(wǎng)安全態(tài)勢評估指標數(shù)據(jù)具有關聯(lián)性強、維數(shù)高的特點,提出采用改進的自編碼網(wǎng)絡 (Autoencoder)方法降低指標數(shù)據(jù)的維數(shù),將降維后的數(shù)據(jù)樣本和對應下一時間監(jiān)測點的 電網(wǎng)安全態(tài)勢值構造成訓練樣本集。提出通過受限玻爾茲曼機(RBM)的疊置構建具有多輸 入多輸出結構的電網(wǎng)安全態(tài)勢預測模型,利用所述的電網(wǎng)安全態(tài)勢預測模型對訓練樣本集 進行迭代訓練,學習序列之間的內在關系,經(jīng)過訓練確定基于深度信念網(wǎng)絡(DBN)的電網(wǎng) 安全態(tài)勢預測模型,利用確定的電網(wǎng)安全態(tài)勢預測模型,結合實時電網(wǎng)數(shù)據(jù),預測當前時刻 T之后T+l,T+2.......T+n時刻的態(tài)勢值,進而確定電網(wǎng)態(tài)勢的發(fā)展趨勢,得到更高層次的 電網(wǎng)安全預測、預警及輔助決策信息。
      [0019] 圖1是本發(fā)明提供的一種基于改進深度學習模型的電網(wǎng)安全態(tài)勢預測方法流程 圖,結合圖1,本發(fā)明提供的電網(wǎng)安全態(tài)勢預測方法包括如下的步驟:
      [0020] 步驟1 :電網(wǎng)數(shù)據(jù)采集和預處理:采集電網(wǎng)數(shù)據(jù),包括歷史數(shù)據(jù)和實時數(shù)據(jù),具體 包括電網(wǎng)設備狀態(tài)信息、電網(wǎng)穩(wěn)態(tài)數(shù)據(jù)信息、電網(wǎng)動態(tài)數(shù)據(jù)信息、電網(wǎng)暫態(tài)故障信息、運行 環(huán)境數(shù)據(jù)等,然后對采集的電網(wǎng)數(shù)據(jù)進行清洗和格式化統(tǒng)一等預處理。
      [0021] 所述的預處理,是指去除冗余、復雜及錯誤的電網(wǎng)數(shù)據(jù),抽取高質量的電網(wǎng)數(shù)據(jù), 將電網(wǎng)數(shù)據(jù)按照指定XML格式進行轉化統(tǒng)一。
      [0022] 步驟2 :電網(wǎng)安全態(tài)勢評估:通過層次分析法和Delphi法構建電網(wǎng)安全態(tài)勢評估 指標體系,將采集的電網(wǎng)數(shù)據(jù)按照時間監(jiān)測點的順序,依次輸入到層次化的電網(wǎng)安全態(tài)勢 評估指標體系中,得到每個時間監(jiān)測點的電網(wǎng)安全態(tài)勢值。
      [0023] 所述的電網(wǎng)安全態(tài)勢評估指標體系,主要包括電網(wǎng)的結構、運行、設備、技術、外部 風險指標5大類指標。
      [0024] 層次分析法通過將復雜的問題分解為能夠量化的一系列指標,并在不同層級上重 新組織這些指標,實現(xiàn)綜合評價過程。與傳統(tǒng)的公共決策方法相比,層次分析法有助于在不 同的決策中,做出更綜合的判斷確保了評價的客觀性和可信性,并為科學的綜合決策奠定 了基礎。
      [0025] 采用Delphi法構建的電網(wǎng)安全態(tài)勢評估指標集,最頂層也稱為目標層即電網(wǎng)安 全態(tài)勢,分目標層包括電網(wǎng)的結構、運行、設備、技術、外部風險指標5大類。
      [0026] 指標中結構風險指標包括節(jié)點脆弱性指標、線路脆弱性指標和N-I校驗指標,運 行風險指標包括動態(tài)安全風險和靜態(tài)安全風險,動態(tài)安全風險包括功角失穩(wěn)指標、頻率失 穩(wěn)指標、電壓失穩(wěn)指標,靜態(tài)安全風險包括線路過載指標、電壓器過載指標和電壓裕度指 標,設備風險指標包括一次設備風險和二次設備風險,技術風險指標包括同桿并架雙回線 路指標和網(wǎng)架結構合理性等,外部風險包括氣象環(huán)境因素和人為因素。
      [0027] 采用模糊理論的方法對電網(wǎng)安全態(tài)勢評估值進行計算。通過分析指標兩兩之間的 相對重要性比較值建立模糊一致判斷矩陣,并進行排序,最后確定指標體系中每個指標的 最終權重,具體如下:
      [0028] (1)根據(jù)0. 1-0. 9標度法如表1所示,請專家比較指標兩兩之間的相對重要性給出 比較值,建立模糊互補判斷矩陣,矩陣公式為:
      [0029]
      【主權項】
      1. 一種基于改進深度學習模型的電網(wǎng)安全態(tài)勢預測方法,其特征在于,所述方法包括 如下步驟: 步驟1;電網(wǎng)數(shù)據(jù)采集和預處理;采集電網(wǎng)歷史數(shù)據(jù)和實時數(shù)據(jù),具體包括電網(wǎng)設備狀 態(tài)信息、電網(wǎng)穩(wěn)態(tài)數(shù)據(jù)信息、電網(wǎng)動態(tài)數(shù)據(jù)信息、電網(wǎng)暫態(tài)故障信息、運行環(huán)境數(shù)據(jù)等,然后 對采集的電網(wǎng)數(shù)據(jù)進行清洗和格式化統(tǒng)一預處理; 步驟2;電網(wǎng)安全態(tài)勢評估;通過層次分析法和Delphi法構建電網(wǎng)安全態(tài)勢評估指標 體系,將采集的電網(wǎng)數(shù)據(jù)按照時間監(jiān)測點的順序,依次輸入到層次化的電網(wǎng)安全態(tài)勢評估 指標體系中,與電網(wǎng)安全態(tài)勢評估指標體系的權重矩陣做乘法,通過計算得到每個時間監(jiān) 測點的電網(wǎng)安全態(tài)勢值; 步驟3 ;針對電網(wǎng)安全態(tài)勢評估的指標數(shù)據(jù)具有關聯(lián)性強、維數(shù)高的特點,提出一種改 進的自編碼網(wǎng)絡方法降低指標數(shù)據(jù)的維數(shù),利用降維后的數(shù)據(jù)樣本和對應下一時間監(jiān)測點 的電網(wǎng)安全態(tài)勢值構造訓練樣本集; 所述的改進的自編碼網(wǎng)絡方法具體步驟為: 步驟31:輸入數(shù)據(jù)樣本D= {X。,…X?!琗。},n為輸入數(shù)據(jù)樣本的個數(shù),完成一次RBM訓練學習過程,調整權重; 從受限玻爾茲曼機可見層神經(jīng)元輸入數(shù)據(jù),根據(jù)神經(jīng)元Vi更新隱含層神經(jīng)元hj.的狀 態(tài);再由隱含層神經(jīng)元hj.重構出可見層
      當前第1頁1 2 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1