CN106779215B - 一种基于机器学习的电网全局延时态势感知方法 - Google Patents
一种基于机器学习的电网全局延时态势感知方法 Download PDFInfo
- Publication number
- CN106779215B CN106779215B CN201611160493.0A CN201611160493A CN106779215B CN 106779215 B CN106779215 B CN 106779215B CN 201611160493 A CN201611160493 A CN 201611160493A CN 106779215 B CN106779215 B CN 106779215B
- Authority
- CN
- China
- Prior art keywords
- sample
- matrix
- value
- sample matrix
- power grid
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000010801 machine learning Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 90
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 230000008447 perception Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 15
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000011084 recovery Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于机器学习的电网全局延时态势感知方法,所述方法包括:利用采样节点的测量值,建立样本矩阵;根据所述样本矩阵中各样本中的电压值标记各样本的稳定性标记值;压缩所述样本矩阵的维度,并利用压缩维度后的样本矩阵训练分类器;利用所述分类器预测下一时刻的电网状态稳定概率;本发明提供的方法,利用机器学习算法对电网电压稳定性进行预测,进一步综合多个节点给出电网态势感知的评估结果,在训练每一个节点分类器的时候,将特征选取的时段和预测时间节点拉开,形成一种延时的预测方法,对复杂系统有着更好的还原效果。
Description
技术领域
本发明涉及电网态势感知领域,具体涉及一种基于机器学习的电网全局延时态势感知方法。
背景技术
态势感知是指在大规模系统环境中,对能够引起系统态势发生变化的安全要素进行获取、理解、显示以及预测未来的发展趋势,多用于计算机网络、交通网络、电网等复杂系统。电网态势感知通过对广域时空范围内电力系统中的各种因素进行采集和分析,从而达到准确地掌握电网的安全态势的目的。
对于现代化电力系统,具有远距离、大容量、大区域互联、特高压直交流互联的特点。调度人员如何在极端灾害环境下,前瞻性地感知电网在时间、空间、环境安全等方面的综合态势,是智能调度中急需解决的关键问题。由于电网态势的复杂性,目前电网安全风险评估主要是基于风险评估模型和风险指标分析,属于被动感知,不能从整体时空综合理解电网安全态势,对调度人员辅助决策支持不够;并且由于实时、在线、离线数据信息处理的时效性和分离性,调度人员只能获得局部信息和数据,不能实时全面感知电力系统安全风险态势。
电网可以算是当今最复杂的人工系统,目前还不能完全理解和掌握电力系统的运行规律。传统的仿真建模分析对电力系统进行了大量的假设和简化,使得仿真出的结果与真实系统存在偏差。随着分布式计算和机器学习的发展,大数据分析成为理解复杂系统的重要手段。大数据分析把真实系统当成黑箱,直接对输入输出进行拟合和关联分析。传统的仿真分析需要求解大量的微分方程,与此相比,基于数据的机器学习方法具有速度更快、准确度更高的特点。
在以往电网态势感知的研究中,通过获取电网的气象环境监测数据、实时电网运行态势数据、实时电网设备状态数据,然后对各类数据进行指标计算并且判断所属指标是否超过于预先设定的安全阈值。最后再综合多个指标来判断和预测电网的整体态势。这种方法的缺点是在阈值的选择和各种指标的加权上具有人为性和主观性。
发明内容
本发明提供一种基于机器学习的电网全局延时态势感知方法,其目的是利用机器学习算法对电网电压稳定性进行预测,进一步综合多个节点给出电网态势感知的评估结果,在训练每一个节点分类器的时候,将特征选取的时段和预测时间节点拉开,形成一种延时的预测方法,对复杂系统有着更好的还原效果。
本发明的目的是采用下述技术方案实现的:
一种基于机器学习的电网全局延时态势感知方法,其改进之处在于,包括:
利用采样节点的测量值,建立样本矩阵;
根据所述样本矩阵中各样本中的电压值标记各样本的稳定性标记值;
压缩所述样本矩阵的维度,并利用压缩维度后的样本矩阵训练分类器;
利用所述分类器预测下一时刻的电网状态稳定概率。
优选的,所述利用采样节点的测量值,建立样本矩阵,包括:
建立N×n的样本矩阵,其中,N为样本总数,n为样本维度总数,所述样本维度包括:采样节点的电压、采样节点的有功功率、采样节点的无功功率和采样节点的电流。
进一步的,所述根据所述样本矩阵中各样本中的电压值标记各样本的稳定性标记值,包括:
若样本中的电压值等于标准电压值的0.8倍,则该样本的稳定性标记值为0;
若样本中的电压值不等于标准电压值的0.8倍,则该样本的稳定性标记值为1。
进一步的,所述压缩所述样本矩阵的维度,并利用压缩维度后的样本矩阵训练分类器,包括:
采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P,其中,N为样本总数,n为样本维度总数,m为压缩维度且m≤n;
根据所述降维矩阵P建立Logistic回归分类器。
进一步的,所述采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P,包括:
按下式将样本矩阵X中的第i列向量xi归一化处理:
上式中,xi(t)′为样本矩阵X中的第i列向量t时刻测量值的归一化值,xi(t)为样本矩阵X中的第i列向量t时刻测量值,μ(xi)为样本矩阵X中的第i列向量的均值,δ(xi)为样本矩阵X中的第i列向量的标准差,t为采样时刻,i∈[1,n];
利用xi(t)′建立归一化样本矩阵X′;
获取归一化样本矩阵X′的协方差矩阵X′X′T的特征值和特征向量,选择前m大的特征值对应的特征向量α1,α2,…αm,则N×m的降维矩阵P=[α1,α2,…αm]TX′。
进一步的,所述根据所述降维矩阵P建立Logistic回归分类器,包括:
降维矩阵P中每个采样时刻对应一个m维的压缩向量,将P中第i个行向量记为pi,i∈[1,N];
将pi的电网状态记为yi,其中,yi等于样本矩阵中第i行样本的稳定性标记值;
按下式建立Logistic目标函数:
上式中,J(θ)为Logistic目标函数值,θ为降维矩阵P中各列压缩向量的权重值,xi为降维矩阵P中第i列元素,i∈[1,m];
获取使所述Logistic目标函数函数值J(θ)最小的解θ′。
优选的,所述利用所述分类器预测下一时刻的电网状态稳定概率,包括:
按下式预测下一时刻的电网状态稳定概率Ps:
上式中,xi为降维矩阵P中第i列元素,i∈[1,m],m为降维矩阵P的列数,θ′为使Logistic目标函数的函数值最小的解。
本发明的有益效果:
本发明提供的技术方案,提出利用机器学习方法对电网电压稳定性进行预测,进一步综合多个节点给出电网态势感知的评估结果,在训练每一个节点分类器的时候,本发明将所有节点的电压、电流、有功、无功作为特征,充分反映了各个节点的关联性,同时把特征选取的时段和预测时间节点拉开,形成一种延时的预测方法,给各种补偿和故障切除措施留出时间。以往的基于安全指标的态势感知方法具有一定的主观性。本发明基于数据的方法,对系统进行黑箱建模,对复杂系统有着更好的还原效果。
附图说明
图1是本发明一种基于机器学习的电网全局延时态势感知方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明提供的一种基于机器学习的电网全局延时态势感知方法,如图1所示,包括:
101.利用采样节点的测量值,建立样本矩阵;
其中,可以通过部署在关键测点的同步相角测量单元PMU采样节点的测量值;
102.根据所述样本矩阵中各样本中的电压值标记各样本的稳定性标记值;
103.压缩所述样本矩阵的维度,并利用压缩维度后的样本矩阵训练分类器;
104.利用所述分类器预测下一时刻的电网状态稳定概率。
具体的,所述步骤101,包括:
建立N×n的样本矩阵,其中,N为样本总数,n为样本维度总数,所述样本维度包括:采样节点的电压、采样节点的有功功率、采样节点的无功功率和采样节点的电流。
所述步骤102,包括:
若样本中的电压值等于标准电压值的0.8倍,则该样本的稳定性标记值为0;
若样本中的电压值不等于标准电压值的0.8倍,则该样本的稳定性标记值为1。
所述步骤103,包括:
采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P,其中,N为样本总数,n为样本维度总数,m为压缩维度且m≤n;
根据所述降维矩阵P建立Logistic回归分类器。
进一步的,所述采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P,包括:
按下式将样本矩阵X中的第i列向量xi归一化处理:
上式中,xi(t)′为样本矩阵X中的第i列向量t时刻测量值的归一化值,xi(t)为样本矩阵X中的第i列向量t时刻测量值,μ(xi)为样本矩阵X中的第i列向量的均值,δ(xi)为样本矩阵X中的第i列向量的标准差,t为采样时刻,i∈[1,n];
利用xi(t)′建立归一化样本矩阵X′;
获取归一化样本矩阵X′的协方差矩阵X′X′T的特征值和特征向量,选择前m大的特征值对应的特征向量α1,α2,…αm,则N×m的降维矩阵P=[α1,α2,…αm]TX′。
所述根据所述降维矩阵P建立Logistic回归分类器,包括:
降维矩阵P中每个采样时刻对应一个m维的压缩向量,将P中第i个行向量记为pi,i∈[1,N];
将pi的电网状态记为yi,其中,yi等于样本矩阵中第i行样本的稳定性标记值;
按下式建立Logistic目标函数:
上式中,J(θ)为Logistic目标函数值,θ为降维矩阵P中各列压缩向量的权重值,xi为降维矩阵P中第i列元素,i∈[1,m];
获取使所述Logistic目标函数函数值J(θ)最小的解θ′。
所述步骤104,包括:
按下式预测下一时刻的电网状态稳定概率Ps:
上式中,xi为降维矩阵P中第i列元素,i∈[1,m],m为降维矩阵P的列数,θ′为使Logistic目标函数的函数值最小的解。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (4)
1.一种基于机器学习的电网全局延时态势感知方法,其特征在于,所述方法包括:
利用采样节点的测量值,建立样本矩阵;
根据所述样本矩阵中各样本中的电压值标记各样本的稳定性标记值;
压缩所述样本矩阵的维度,并利用压缩维度后的样本矩阵训练分类器;
利用所述分类器预测下一时刻的电网状态稳定概率;
所述利用采样节点的测量值,建立样本矩阵,包括:
建立N×n的样本矩阵,其中,N为样本总数,n为样本维度总数,所述样本维度包括:采样节点的电压、采样节点的有功功率、采样节点的无功功率和采样节点的电流;
所述压缩所述样本矩阵的维度,并利用压缩维度后的样本矩阵训练分类器,包括:
采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P,其中,N为样本总数,n为样本维度总数,m为压缩维度且m≤n;
根据所述降维矩阵P建立Logistic回归分类器;
所述根据所述降维矩阵P建立Logistic回归分类器,包括:
降维矩阵P中每个采样时刻对应一个m维的压缩向量,将P中第i个行向量记为pi,i∈[1,N];
将pi的电网状态记为yi,其中,yi等于样本矩阵中第i行样本的稳定性标记值;
按下式建立Logistic目标函数:
上式中,J(θ)为Logistic目标函数值,θ为降维矩阵P中各列压缩向量的权重值,xi为降维矩阵P中第i列元素,i∈[1,m];
获取使所述Logistic目标函数函数值J(θ)最小的解θ′。
2.如权利要求1所述的方法,其特征在于,所述根据所述样本矩阵中各样本中的电压值标记各样本的稳定性标记值,包括:
若样本中的电压值等于标准电压值的0.8倍,则该样本的稳定性标记值为0;
若样本中的电压值不等于标准电压值的0.8倍,则该样本的稳定性标记值为1。
3.如权利要求1所述的方法,其特征在于,所述采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P,包括:
按下式将样本矩阵X中的第i列向量xi归一化处理:
上式中,xi(t)′为样本矩阵X中的第i列向量t时刻测量值的归一化值,xi(t)为样本矩阵X中的第i列向量t时刻测量值,μ(xi)为样本矩阵X中的第i列向量的均值,δ(xi)为样本矩阵X中的第i列向量的标准差,t为采样时刻,i∈[1,n];
利用xi(t)′建立归一化样本矩阵X′;
获取归一化样本矩阵X′的协方差矩阵X′X′T的特征值和特征向量,选择前m大的特征值对应的特征向量α1,α2,…αm,则N×m的降维矩阵P=[α1,α2,…αm]TX′。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611160493.0A CN106779215B (zh) | 2016-12-15 | 2016-12-15 | 一种基于机器学习的电网全局延时态势感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611160493.0A CN106779215B (zh) | 2016-12-15 | 2016-12-15 | 一种基于机器学习的电网全局延时态势感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106779215A CN106779215A (zh) | 2017-05-31 |
CN106779215B true CN106779215B (zh) | 2021-12-03 |
Family
ID=58889286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611160493.0A Active CN106779215B (zh) | 2016-12-15 | 2016-12-15 | 一种基于机器学习的电网全局延时态势感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106779215B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107046534A (zh) * | 2017-03-24 | 2017-08-15 | 厦门卓讯信息技术有限公司 | 一种网络安全态势模型训练方法、识别方法及识别装置 |
CN107729144B (zh) * | 2017-09-30 | 2020-01-14 | Oppo广东移动通信有限公司 | 应用控制方法、装置、存储介质及电子设备 |
CN107843774B (zh) * | 2017-11-08 | 2021-01-05 | 中国电子科技集团公司电子科学研究院 | 电磁态势的计算成像方法及电磁态势成像系统 |
CN108647838B (zh) * | 2018-06-27 | 2022-04-01 | 南京师范大学 | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 |
CN109993359B (zh) * | 2019-03-26 | 2022-11-18 | 华南理工大学 | 一种基于先进机器学习的态势预测方法 |
CN112505452B (zh) * | 2020-11-25 | 2024-05-24 | 东南大学 | 一种广域系统宽频振荡监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098180A (zh) * | 2011-02-17 | 2011-06-15 | 华北电力大学 | 一种网络安全态势感知方法 |
CN105528516A (zh) * | 2015-12-01 | 2016-04-27 | 三门县人民医院 | 基于主元分析与超限学习机相结合的临床病理数据分类方法 |
-
2016
- 2016-12-15 CN CN201611160493.0A patent/CN106779215B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098180A (zh) * | 2011-02-17 | 2011-06-15 | 华北电力大学 | 一种网络安全态势感知方法 |
CN105528516A (zh) * | 2015-12-01 | 2016-04-27 | 三门县人民医院 | 基于主元分析与超限学习机相结合的临床病理数据分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106779215A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779215B (zh) | 一种基于机器学习的电网全局延时态势感知方法 | |
CN105182450B (zh) | 一种强对流天气短时预警系统 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN108320040A (zh) | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN104200288A (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
CN104966161B (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
Gilanifar et al. | Multi-task logistic low-ranked dirty model for fault detection in power distribution system | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN107423190A (zh) | 一种日志数据异常指向识别方法及装置 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
US11906957B1 (en) | Method for assessing short-term voltage stability of power grid based on synchronous spatio-temporal information learning | |
CN105488335A (zh) | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 | |
CN103020733B (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 | |
CN117151649A (zh) | 基于大数据分析的施工方法管控系统及方法 | |
CN115220133A (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN113361737A (zh) | 一种光伏组件的异常预警方法及系统 | |
CN117218375B (zh) | 基于先验知识与数据驱动的环境能见度预测方法及设备 | |
CN107679733A (zh) | 一种电网稳定态势的量化评估方法 | |
Min et al. | Fault prediction for distribution network based on CNN and LightGBM algorithm | |
CN109190968B (zh) | 空管运行效率等级评估方法及其装置 | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
CN117131947B (zh) | 架空输电线路故障预测方法、装置、设备及存储介质 | |
CN112421767B (zh) | 电网防灾应急全景监视方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |