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