CN107679478A - 输电线路空间负荷状态的提取方法和系统 - Google Patents
输电线路空间负荷状态的提取方法和系统 Download PDFInfo
- Publication number
- CN107679478A CN107679478A CN201710890619.8A CN201710890619A CN107679478A CN 107679478 A CN107679478 A CN 107679478A CN 201710890619 A CN201710890619 A CN 201710890619A CN 107679478 A CN107679478 A CN 107679478A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- electricity
- time series
- series data
- load
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 171
- 230000005611 electricity Effects 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 240000002853 Nelumbo nucifera Species 0.000 claims description 6
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种输电线路空间负荷状态的提取方法和系统，上述方法包括步骤：解析输电线路地理接线图中各条输电线路的空间关系，根据所述空间关系获取各条输电线路之间的拓扑连接关系图；根据电网在线监测数据获取各条输电线路的负荷时序数据；根据预先训练的时间序列特征提取模型，对所述负荷时序数据进行特征提取，获取各条输电线路的负荷时序数据对应的特征信息；根据所述特征信息对所述负荷时序数据进行聚类，获取基于所述特征信息划分的聚类簇；根据所述聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，获取输电线路的空间负荷状态。通过对输电线路空间负荷状态进行快速有效地提取，提高了利用在线检测数据监控电网状态的效率。
Description
技术领域
本发明涉及电力系统技术领域，特别是涉及输电线路空间负荷状态的提取方法和系统。
背景技术
输电线路状态分析是评价架空线路利用情况、衡量电网均衡、调度等的重要手段，也是城市电网架空线路安全、稳定、经济运行的基础。当前电网线路状态分析仅限于局部线路，不能反映线路拓扑结构的特征或空间演变特征，导致负荷调度时不能对架空线路负载状态的全局情况进行有效把握，线路经济与均衡运行得不到有效支撑。
比如，近年来多起大面积停电事故研究表明，实际电网在平均负载率较低时也可能由于线路潮流分布的高度不均衡而进入自组织临界状态，使系统发生停电事故的概率增大。所以，单纯的负荷曲线变化不能反映线路拓扑结构的特征与空间演变特征，无法通观电网架构负载全局。
传统电力负荷数据挖掘方法是以历史数据为基础，在数据规模有界的前提下，通过重复扫描数据库得出负荷特征。然而对于实时到达、规模无界的在线监测负荷时序数据，无法根据在线获取的负荷时序数据，快速获取反映输电线路空间负荷状态的信息，导致输电线路负载的时间与空间关联状态脱节，不利于对架空线路负载状态全局情况的监控。
发明内容
基于此，有必要针对无法根据实时在线获取的负荷时序数据，快速有效地获取反映输电线路空间负荷状态的信息的问题，提供一种输电线路空间负荷状态的提取方法。
一种输电线路空间负荷状态的提取方法，包括以下步骤：
解析输电线路地理接线图中各条输电线路的空间关系，根据所述空间关系获取各条输电线路之间的拓扑连接关系图；
根据电网在线监测数据获取各条输电线路的负荷时序数据；
根据预先训练的时间序列特征提取模型，对所述负荷时序数据进行特征提取，获取各个负荷时序数据对应的特征信息；
根据所述特征信息对所述负荷时序数据进行聚类，获取基于所述特征信息划分的聚类簇；
根据所述聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，获取输电线路的空间负荷状态。
一种输电线路空间负荷状态的提取系统，包括：
拓扑建立模块，用于解析输电线路地理接线图中各条输电线路的空间关系，根据所述空间关系获取各条输电线路之间的拓扑连接关系图；
数据获取模块，用于根据电网在线监测数据获取各条输电线路的负荷时序数据；
特征提取模块，用于根据预先训练的时间序列特征提取模型，对所述负荷时序数据进行特征提取，获取各个负荷时序数据对应的特征信息；
数据聚类模块，用于根据所述特征信息对所述负荷时序数据进行聚类，获取基于所述特征信息划分的聚类簇；
状态提取模块，用于根据所述聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，获取输电线路的空间负荷状态。
上述输电线路空间负荷状态的提取方法和系统，通过对实时在线监测的负荷时序数据进行特征提取，并基于时序数据的特征信息进行聚类，最后将聚类结果结合输电线路之间的拓扑连接关系，对输电线路的空间负荷状态进行了快速提取，可以有效反映输电线路负载情况的时间与空间的关联信息，提高了利用在线检测数据检测电网空间负荷状态的效率，有利于对电网架构负载全局信息进行监控。
一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，上述处理器执行所述计算机程序时实现上述的输电线路空间负荷状态的提取方法。
上述计算机设备，通过所述处理器上运行的计算机程序，实现了对输电线路的空间负荷状态进行快速提取，提取的空间负荷状态，可以有效反映输电线路负载情况时间与空间的关联信息，提高了利用在线检测数据检测电网空间负荷状态的效率，有利于对电网架构负载全局信息进行监控。
一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的输电线路空间负荷状态的提取方法。
上述计算机存储介质，通过其存储的计算机程序，实现了对输电线路的空间负荷状态进行快速提取，提取的空间负荷状态，可以有效反映输电线路负载情况时间与空间的关联信息，提高了利用在线检测数据检测电网空间负荷状态的效率，有利于对电网架构负载全局信息进行监控。
附图说明
图1为一个实施例的输电线路空间负荷状态的提取方法的流程图；
图2为一个实施例的利用时间序列特征提取模型对负荷时序数据进行特征提取的方法的流程图；
图3为一个实施例的基于负荷时序数据的特征信息的聚类流程图；
图4为一个实施例的输电线路的空间负荷状态示例图；
图5为一个实施例的输电线路空间负荷状态的提取系统的结构示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。图1示出了一个实施例的输电线路空间负荷状态的提取方法的流程图，主要包括如下步骤：
步骤S10：解析输电线路地理接线图中各条输电线路的空间关系，根据所述空间关系获取各条输电线路之间的拓扑连接关系图。
其中，输电线路地理接线图中有变电站点、输电线路路径，以及他们相互联结的信息，能够反应整个电力系统的宏观架构；拓扑连接关系图是以变电站点为顶点，站点与站点之间的输电线路为边构建的反应各条输电线路拓扑联结或变化的空间关系图。
在本步骤中，由于输电线路地理接线图中描述各条输电线路的空间关系的信息是采用特殊文件格式，所以需要对输电线路地理接线图中的信息进行解析，解析后，可得到各个变电站点连接形成的各条输电线路之间的空间位置关系；利用输电线路之间的空间关系，以变电站点为顶点，站点与站点之间的输电线路为边，构建各条输电线路之间的拓扑连接关系图。
在一个实施例中，根据所述空间关系获取各条输电线路之间的拓扑连接关系图的步骤包括：对CIM(Common Information Model，公共信息模型)中记录的信息进行解析，实时对各条输电线路的空间关系进行更新，获取更新后的各条输电线路之间拓扑连接关系图。
具体地，在实际电力系统运作过程中，由于电力调度、电力事故等影响，输电线路之间的拓扑连接关系会发生改变，相关的改变信息会以特殊文件的格式记载在CIM中，通过对CIM中的数据进行解析，实时对各条输电线路的空间关系进行更新，实时更新各条输电线路之间拓扑连接关系图。通过考虑CIM中的信息，可以获得实时更新的准确的拓扑连接关系图，提高了输电线路空间负荷状态的提取的准确性。
步骤S20：根据电网在线监测数据获取各条输电线路的负荷时序数据。
在本步骤中，实时的电网在线监测数据会形成E格式的文件，对其进行解析，提取出其中记载的各条输电线路的负荷时序数据，存入到负荷数据的数据库中；其中，负荷时序数据既包含各条输电线路的负载信息也隐含着线路之间的空间信息。
步骤S30：根据预先训练的时间序列特征提取模型，对所述负荷时序数据进行特征提取，获取各条输电线路的负荷时序数据对应的特征信息。
在本步骤中，将各条输电线路对应的各组负荷时序数据输入到预先训练的时间序列特征提取模型中，对各组负荷时序数据进行特征提取，获取各组负荷时序数据对应的特征信息。
在一个实施例中，在步骤S30的步骤之前还可以对获取的各条输电线路的负荷时序数据进行预处理，例如，去噪处理，通过噪声去除的处理，可以减少数据中存在的异常或偏差的数据，提高进入提取过程的负荷时序数据的质量，确保特征提取的准确性。
进一步地，还可以将所述负荷时序数据的标签类别进行分离，分离负荷时序数据的标签类别后，提取出进入特征提取过程的负荷时序数据的样本数据，为后续特征提取的过程做准备。通过对负荷时序数据的预处理，获得负荷时序数据的样本数据，数据的质量得到提高，有利于更准确地对各组负荷时序数据的特征信息进行提取。
在一个实施例中，所述对所述负荷时序数据进行特征提取的步骤包括：对所述负荷时序数据的样本数据进行特征提取。将预处理后的负荷时序数据的样本数据进行特征信息的提取，提高了特征提取的效率。
在一个实施例中，根据预先训练的时间序列特征提取模型，对所述负荷时序数据进行特征提取，获取各个负荷时序数据对应的特征信息的步骤包括，基于深度学习理论建立时间序列特征提取模型，并采用输电线路的历史数据对所述时间序列特征提取模型进行训练；利用训练后的时间序列特征提取模型，在预设步长的时间窗口内输入所述负荷时序数据，提取预设步长的时间窗口内各个负荷时序数据对应的特征信息。
如图2所示，图2示出了一个实施例的利用时间序列特征提取模型对负荷时序数据进行特征提取的方法的流程图。
步骤S301：基于深度学习理论构建时间序列特征提取模型，初始化时间序列特征提取模型的结构参数。
具体地，可以根据时间窗口长度以及实验效果对时间序列特征提取模型的结构参数进行初始化设置，包括设置神经网络层数、每层里神经元的个数、学习速率、训练算法、训练批次、训练周期等。
在一个实施例中，设置网络层数共三层，第一层为20个神经元，第二层为40个神经元，第三层为10个神经元；设置学习速率为0.01；设置训练算法为对比散度算法；设置训练批次为24个批次，即共迭代24次，每批次20个输入值；设置训练数据的大小为10天的数据量，校验数据为5天的数据量。
步骤S302：对构建的时间序列特征提取模型进行训练。
首先，需要获取训练数据，训练数据可以是待监测的输电线路的历史负荷时序数据，例如，可以从输电网络的在线监测数据的E格式文件中提取输电线路的历史负荷时序数据。
接着，根据负荷时序数据生成的速度可以设置时间窗口的步长，例如，输电网络的E格式文件为每3分钟生成一次，可以编写代码按照20步长(即1个小时)为时间窗口，获取1个小时内的各条输电线路的负荷时序数据的数据流。
最后，根据设定的步长，将各条输电线路的负荷时序数据的数据流输入到时间序列特征提取模型中，根据设置的训练批次和周期，阶段性对时间序列特征提取模型进行训练，获得预先训练的时间序列特征提取模型。
步骤S303：利用预先训练的时间序列特征提取模型，对预设步长的时间窗口内的负荷时序数据进行特征提取。
具体地，根据预先训练的模型，在预设步长的时间窗口内输入所述负荷时序数据，例如，预先训练的模型采用20步长(即1个小时)的时间窗口对负荷时序数据进行训练，所以在特征提取时，以20步长为时间窗口进行负荷时序数据进行特征提取。
通过预先设置时间窗口的步长，实现了将大量的数据进行阶段划分，由于输电线路的日负荷曲线既长又复杂，进行阶段划分避免了直接对电网的日负荷曲线进行特征提取而导致的提取效果不佳的问题。
步骤S40：根据所述特征信息对所述负荷时序数据进行聚类，获取基于所述特征信息划分的聚类簇。
在本步骤中，以提取的负荷时序数据的特征信息为依据进行聚类簇的划分，其中，同一聚类簇中的数据的特征相似度高，不同聚类簇中的数据的特征相似度较低。
在一个实施例中，根据所述特征信息对所述负荷时序数据进行聚类，获取基于所述特征信息划分的聚类簇的步骤包括：根据所述特征信息，选择初始聚类中心；根据所述初始聚类中心以及时间弯曲曲线对负荷时序数据进行初始聚类簇的划分；根据所述初始聚类簇之间的时间弯曲曲线距离进行聚类簇的合并或分解，获取符合所述特征信息的聚类簇。
如图3所示，图3示出了一个实施例的基于负荷时序数据的特征信息的聚类流程图。
步骤S401：选择初始聚类中心。
具体地，聚类的过程采用k-means算法进行，利用时间序列特征提取模型的特征提取结果，选择K个初始聚类中心，其中，K为自然数。
步骤S402：动态时间弯曲距离计算，确定初始聚类簇。
具体地，每当一批次的负荷时序数据到来时，根据初始聚类中心，利用时间弯曲曲线对负荷时序数据进行聚类簇的划分，得到初始聚类簇。
步骤S403：聚类簇的重新分配。
具体地，根据初始聚类簇之间的时间弯曲曲线距离，判断是否需要进行聚类簇的更新和重新分配，若需要，则对初始聚类簇进行聚类簇的合并或分解，得到新的满足特征信息的聚类簇。
步骤S50：根据所述聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，获取输电线路的空间负荷状态。
在本步骤中，在设定步长的时间窗口内的负荷时序数据聚类结束后，将聚类簇的划分结果结合各条输电线路之间的拓扑连接关系图，获取输电线路的空间负荷状态。
在一个实施例中，根据所述聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，获取输电线路的空间负荷状态的步骤包括：利用各聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，从所述拓扑连接关系图中提取拓扑连接关系的子图，获取与所述子图对应的空间负荷状态。
其中，拓扑连接关系图中节点与节点连线的权重值表示该连线的负荷值，各聚类簇中各个负荷时序数据在拓扑连接关系图中都有对应的连线，即有对应的输电线路。
在一个实施例中，从所述拓扑连接关系图中提取拓扑连接关系的子图，获取与所述子图对应的空间负荷状态的步骤包括：获取同一聚类簇中的负荷时序数据在拓扑连接关系图中对应的输电线路；从所述输电线路中提取存在地理联通关系的输电线路，得到拓扑连接关系的子图；根据所述子图中各个输电线路的空间关系以及各个输电线路对应的负荷值，获取所述子图中各个输电线路对应的空间负荷状态。
上述空间负荷状态，以各条输电线路之间的拓扑连接关系为基础，以聚类簇为判断依据，若同一聚类簇中的负荷时序数据在拓扑连接关系图中对应的输电线路存在地理联通关系，则将具有联通关系的线路进行提取，获取由上述具有联通关系的线路组成的拓扑连接关系的子图，再结合子图中各输电线路的负荷值，得到子图中各个输电线路对应的空间负荷状态。
上述输电线路空间负荷状态的提取方法，通过对实时在线监测的负荷时序数据进行特征提取，并基于时序数据的特征信息进行聚类，最后将聚类结果结合输电线路之间的拓扑连接关系，对输电线路的空间负荷状态进行了快速提取，可以有效反映输电线路负载情况的时间与空间的关联信息，提高了利用在线检测数据检测电网空间负荷状态的效率，有利于对电网架构负载全局信息进行监控。
下面结合应用场景，对一个应用实例中的输电线路空间负荷状态的提取方法进行详细介绍，包括以下步骤：
步骤s1，解析输电线路地理接线图，构建线路之间的拓扑连接关系。
由于输电线路地理接线图中描述各条输电线路的空间关系的信息是采用特殊文件格式，所以需要对输电线路地理接线图中的信息进行解析，并对原文件中的变电站和输电线路的空间关系进行分析处理，得到变电站、输电线路及各条输电线路之间的拓扑关系图。
步骤s2，考虑电力调度、电力事故等影响，线路之间拓扑连接关系会发生改变，相关信息记录在CIM中。通过检查CIM中的数据，判读是否需要通过解析CIM中的数据，实时更新线路拓扑图。
步骤s3，根据电网在线监测数据获取各条输电线路的负荷时序数据，并对数据进行预处理。首先，对各条输电线路的负荷时序数据进行噪声等预处理过程，并将负荷时序数据的标签类别与进入提取过程的负荷时序数据的样本数据进行分离。
步骤s4，根据深度学习理论，建立基于DBN(Deep Belief Network，深度信念网络)的时间序列特征提取模型。
对时间序列特征提取模型进行参数初始化，包括设置网络层数、每层里神经元的个数、学习速率、训练算法、训练周期等。并根据时间序列特征提取模型构建方法，实施模型的设计与代码开发。
本应用实例采用的时间序列特征提取模型，设置网络层数共三层，第一层为20个神经元，第二层为40个神经元，第三层为10个神经元；设置学习速率为0.01；设置训练算法为对比散度算法；设置训练批次为24个批次，即共迭代24次，每批次20个输入值；设置训练数据的大小为10天的数据量，校验数据为5天的数据量步骤1.3.2.1，参数设置(参数可按实际步长即时间窗口长度适时调整)，实验过程中以下述为例：网络层数共3层，第一层为20个神经元，第二层为40个神经元，第三层为10个神经元。
从输电网络的在线监测数据的E格式文件中提取输电线路的历史负荷时序数据，编写代码按照20步长(即1个小时)为时间窗口，以20步长的时间窗口内的数据作为输入，进入时间序列特征提取模型的训练阶段。根据训练数据大小，共分为10个阶段，每个阶段即一天的数据量训练过程，经过10天的数据量的训练，得到训练后的时间序列特征提取模型。
步骤s5，利用预先训练的时间序列特征提取模型，对预设步长的时间窗口内的负荷时序数据进行特征提取。
步骤s6，根据所述特征信息对所述负荷时序数据进行空间聚类。
利用时间序列特征提取模型的特征提取结果，选择初始聚类中心，聚类中心的选择方法是随机选择K个中心；当有数据到来时，根据增量数据和初始聚类中心采用时间弯曲曲线进行聚类簇的判断和划分。再根据聚类簇之间的时间弯曲曲线距离判断是否需要进行聚类簇的重新分配，若需要重新分配，则可能产生新类，其中，聚类簇的重新分配包括类的合并或分解。
步骤s7，待设定时间窗口内的数据聚类结束后，结合拓扑连接关系，提取输电网子拓扑连接关系的空间负荷状态。
其中，拓扑连接关系图中节点与节点连线的权重值表示该连线的负荷值，各聚类簇中各个负荷时序数据在拓扑连接关系图中都有对应的连线，即有对应的输电线路。
具体地，以各条输电线路之间的拓扑连接关系为基础，以聚类簇为判断依据，若同一聚类簇中的负荷时序数据在拓扑连接关系图中对应的输电线路存在地理联通关系，则将具有联通关系的线路进行提取，获取由上述具有联通关系的线路组成的拓扑连接关系的子图，再结合子图中各输电线路的负荷值，得到子图中各个输电线路对应的空间负荷状态，得到拓扑连接子关系的空间负荷状态。
步骤s8，根据步骤s1-s7构建的算法流程，以实际需要的空间负荷状态数为根据，进行聚类参数设定，以实际监测的负荷时序数据进行基于深度学习的空间负荷状态提取，得到如图4所示的输电线路的空间负荷状态示例图，最后可以将提取到的空间负荷状态示例图应用到电网状态评价、电力调度等环节中。
下面结合附图对本发明的输电线路空间负荷状态的提取系统的具体实施方式作详细描述，图5示出了一个实施例的输电线路空间负荷状态的提取系统的结构示意图，主要包括：拓扑建立模块10、数据获取模块20、特征提取模块30、数据聚类模块40，以及状态提取模块50。
拓扑建立模块10，用于解析输电线路地理接线图中各条输电线路的空间关系，根据所述空间关系获取各条输电线路之间的拓扑连接关系图；
数据获取模块20，用于根据电网在线监测数据获取各条输电线路的负荷时序数据；
特征提取模块30，用于根据预先训练的时间序列特征提取模型，对所述负荷时序数据进行特征提取，获取各个负荷时序数据对应的特征信息；
数据聚类模块40，用于根据所述特征信息对所述负荷时序数据进行聚类，获取基于所述特征信息划分的聚类簇；
状态提取模块50，用于根据所述聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，获取输电线路的空间负荷状态。
在一个实施例中，对于拓扑建立模块10，可以进一步用于对CIM中记录的信息进行解析，实时对各条输电线路的空间关系进行更新，获取更新后的各条输电线路之间拓扑连接关系图。
在一个实施例中，对于特征提取模块30，还可以用于对获取的各条输电线路的负荷时序数据进行去噪处理，并将所述负荷时序数据的标签类别进行分离，得到所述负荷时序数据的样本数据。
在一个实施例中，对于特征提取模块30，可以进一步用于对所述负荷时序数据的样本数据进行特征提取。
在一个实施例中，对于特征提取模块30，可以进一步用于基于深度学习理论建立时间序列特征提取模型，并采用输电线路的历史数据对所述时间序列特征提取模型进行训练；利用训练后的时间序列特征提取模型，在预设步长的时间窗口内输入所述负荷时序数据，提取预设步长的时间窗口内各个负荷时序数据对应的特征信息。
在一个实施例中，对于数据聚类模块40，可以进一步用于根据所述特征信息，选择初始聚类中心；根据所述初始聚类中心以及时间弯曲曲线对负荷时序数据进行初始聚类簇的划分；根据所述初始聚类簇之间的时间弯曲曲线距离进行聚类簇的合并和/或分解，获取符合所述特征信息的聚类簇。
在一个实施例中，对于状态提取模块50，可以进一步用于利用各聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，从所述拓扑连接关系图中提取拓扑连接关系的子图，获取与所述子图对应的空间负荷状态。
在一个实施例中，对于状态提取模块50，可以进一步用于获取同一聚类簇中的负荷时序数据在拓扑连接关系图中对应的输电线路；从所述输电线路中提取存在地理联通关系的输电线路，得到拓扑连接关系的子图；根据所述子图中各个输电线路的空间关系以及各个输电线路对应的负荷值，获取所述子图中各个输电线路对应的空间负荷状态。
上述输电线路空间负荷状态的提取系统，通过对实时在线监测的负荷时序数据进行特征提取，并基于时序数据的特征信息进行聚类，最后将聚类结果结合输电线路之间的拓扑连接关系，对输电线路的空间负荷状态进行了快速提取，可以有效反映输电线路负载情况的时间与空间的关联信息，提高了利用在线检测数据检测电网空间负荷状态的效率，有利于对电网架构负载全局信息进行监控。
本发明在一个实施例中还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，上述处理器执行所述计算机程序时实现上述实施例中任意一种输电线路空间负荷状态的提取方法。
该计算机设备，其处理器执行程序时，通过实现如上述各实施例中的任意一种输电线路空间负荷状态的提取方法，从而可以对输电线路空间负荷状态进行快速提取，有效反映了输电线路负载情况时间与空间的关联信息，提高了利用在线检测数据检测电网空间负荷状态的效率，有利于对电网架构负载全局信息进行监控。
此外，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各输电线路空间负荷状态的提取方法的实施例的流程。
在一个实施例中，还提供一种存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施例中的任意一种输电线路空间负荷状态的提取方法。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
该计算机存储介质，其存储的计算机程序，通过实现包括如上述各输电线路空间负荷状态的提取方法的实施例的流程，从而可以对输电线路空间负荷状态进行快速提取，有效反映了输电线路负载情况时间与空间的关联信息，提高了利用在线检测数据检测电网空间负荷状态的效率，有利于对电网架构负载全局信息进行监控
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种输电线路空间负荷状态的提取方法，其特征在于，包括以下步骤：
解析输电线路地理接线图中各条输电线路的空间关系，根据所述空间关系获取各条输电线路之间的拓扑连接关系图；
根据电网在线监测数据获取各条输电线路的负荷时序数据；
根据预先训练的时间序列特征提取模型，对所述负荷时序数据进行特征提取，获取各条输电线路的负荷时序数据对应的特征信息；
根据所述特征信息对所述负荷时序数据进行聚类，获取基于所述特征信息划分的聚类簇；
根据所述聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，获取输电线路的空间负荷状态。
2.根据权利要求1所述的输电线路空间负荷状态的提取方法，其特征在于，所述根据所述聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，获取输电线路的空间负荷状态的步骤包括：
利用各聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，从所述拓扑连接关系图中提取拓扑连接关系的子图，获取与所述子图对应的空间负荷状态。
3.根据权利要求2所述的输电线路空间负荷状态的提取方法，其特征在于，所述利用各聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，从所述拓扑连接关系图中提取拓扑连接关系的子图，获取与所述子图对应的空间负荷状态的步骤包括：
获取同一聚类簇中的负荷时序数据在拓扑连接关系图中对应的输电线路；
从所述输电线路中提取存在地理联通关系的输电线路，得到拓扑连接关系的子图；
根据所述子图中各个输电线路的空间关系以及各个输电线路对应的负荷值，获取所述子图中各个输电线路对应的空间负荷状态。
4.根据权利要求1所述的输电线路空间负荷状态的提取方法，其特征在于，所述根据所述空间关系获取各条输电线路之间的拓扑连接关系图的步骤包括：
对CIM中记录的信息进行解析，实时对各条输电线路的空间关系进行更新，获取更新后的各条输电线路之间拓扑连接关系图。
5.根据权利要求1所述的输电线路空间负荷状态的提取方法，其特征在于，所述根据预先训练的时间序列特征提取模型，对所述负荷时序数据进行特征提取，获取各个所述负荷时序数据对应的特征信息的步骤之前，还包括步骤：
对获取的各条输电线路的负荷时序数据进行去噪处理，并将所述负荷时序数据的标签类别进行分离，得到所述负荷时序数据的样本数据。
6.根据权利要求1所述的输电线路空间负荷状态的提取方法，其特征在于，所述对所述负荷时序数据进行特征提取的步骤包括：
对所述负荷时序数据的样本数据进行特征提取。
7.根据权利要求1所述的输电线路空间负荷状态的提取方法，其特征在于，根据预先训练的时间序列特征提取模型，对所述负荷时序数据进行特征提取，获取各个负荷时序数据对应的特征信息的步骤包括：
基于深度学习理论建立时间序列特征提取模型，并采用输电线路的历史数据对所述时间序列特征提取模型进行训练；
利用训练后的时间序列特征提取模型，在预设步长的时间窗口内输入所述负荷时序数据，提取预设步长的时间窗口内各个负荷时序数据对应的特征信息。
8.根据权利要求1所述的输电线路空间负荷状态的提取方法，其特征在于，根据所述特征信息对所述负荷时序数据进行聚类，获取基于所述特征信息划分的聚类簇的步骤包括：
根据所述特征信息，选择初始聚类中心；
根据所述初始聚类中心以及时间弯曲曲线对负荷时序数据进行初始聚类簇的划分；
根据所述初始聚类簇之间的时间弯曲曲线距离进行聚类簇的合并或分解，获取符合所述特征信息的聚类簇。
9.一种输电线路空间负荷状态的提取系统，其特征在于，包括：
拓扑建立模块，用于解析输电线路地理接线图中各条输电线路的空间关系，根据所述空间关系获取各条输电线路之间的拓扑连接关系图；
数据获取模块，用于根据电网在线监测数据获取各条输电线路的负荷时序数据；
特征提取模块，用于根据预先训练的时间序列特征提取模型，对所述负荷时序数据进行特征提取，获取各个负荷时序数据对应的特征信息；
数据聚类模块，用于根据所述特征信息对所述负荷时序数据进行聚类，获取基于所述特征信息划分的聚类簇；
状态提取模块，用于根据所述聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系，获取输电线路的空间负荷状态。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，上述处理器执行所述计算机程序时实现权利要求1至8任意一项所述的输电线路空间负荷状态的提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710890619.8A CN107679478B (zh) | 2017-09-27 | 2017-09-27 | 输电线路空间负荷状态的提取方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710890619.8A CN107679478B (zh) | 2017-09-27 | 2017-09-27 | 输电线路空间负荷状态的提取方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107679478A true CN107679478A (zh) | 2018-02-09 |
| CN107679478B CN107679478B (zh) | 2020-04-14 |
Family
ID=61137566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710890619.8A Active CN107679478B (zh) | 2017-09-27 | 2017-09-27 | 输电线路空间负荷状态的提取方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107679478B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112560211A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 用于调整电网结构的方法、相关装置及计算机程序产品 |
| CN114450643A (zh) * | 2019-09-24 | 2022-05-06 | 西门子股份公司 | 用于生成自描述数据模块的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202888962U (zh) * | 2012-09-29 | 2013-04-17 | 上海市电力公司 | 电力视频监控智能化统一管理系统 |
| CN103311923A (zh) * | 2013-05-29 | 2013-09-18 | 湖南大学 | 一种辨识电力系统发生连锁故障的方法 |
| CN105514990A (zh) * | 2015-12-10 | 2016-04-20 | 中国电力科学研究院 | 综合经济性与安全性的输电线路利用率提高平台及方法 |
| CN105930575A (zh) * | 2016-04-19 | 2016-09-07 | 国网重庆市电力公司电力科学研究院 | 一种psasp数据模型转换为pscad数据模型的自动转换方法 |
| CN106096771A (zh) * | 2016-06-07 | 2016-11-09 | 广州供电局有限公司 | 支持向量机的参数选取方法和系统与负荷预测方法和系统 |
-
2017
- 2017-09-27 CN CN201710890619.8A patent/CN107679478B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202888962U (zh) * | 2012-09-29 | 2013-04-17 | 上海市电力公司 | 电力视频监控智能化统一管理系统 |
| CN103311923A (zh) * | 2013-05-29 | 2013-09-18 | 湖南大学 | 一种辨识电力系统发生连锁故障的方法 |
| CN105514990A (zh) * | 2015-12-10 | 2016-04-20 | 中国电力科学研究院 | 综合经济性与安全性的输电线路利用率提高平台及方法 |
| CN105930575A (zh) * | 2016-04-19 | 2016-09-07 | 国网重庆市电力公司电力科学研究院 | 一种psasp数据模型转换为pscad数据模型的自动转换方法 |
| CN106096771A (zh) * | 2016-06-07 | 2016-11-09 | 广州供电局有限公司 | 支持向量机的参数选取方法和系统与负荷预测方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| CHUNHUI GU .ETC: "Study on artificial contamination test of typical transmission line insulators", 《2015 5TH INTERNATIONAL CONFERENCE ON ELECTRIC UTILITY DEREGULATION AND RESTRUCTURING AND POWER TECHNOLOGIES (DRPT)》 * |
| 丁明 等: "微电网经济运行中的典型时序场景分析方法", 《电力自动化设备》 * |
| 胡健: "基于深度学习的时间序列特征表示", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114450643A (zh) * | 2019-09-24 | 2022-05-06 | 西门子股份公司 | 用于生成自描述数据模块的方法 |
| CN112560211A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 用于调整电网结构的方法、相关装置及计算机程序产品 |
| CN112560211B (zh) * | 2020-12-16 | 2023-07-25 | 北京百度网讯科技有限公司 | 用于调整电网结构的方法、相关装置及计算机程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107679478B (zh) | 2020-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Andryushkevich et al. | Composition and application of power system digital twins based on ontological modeling | |
| CN103400052B (zh) | 一种风电场短期风速组合预测方法 | |
| CN109800875A (zh) | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 | |
| CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
| CN111352971A (zh) | 银行系统监控数据异常检测方法及系统 | |
| CN107169598A (zh) | 一种基于深度学习的天气预测方法及系统 | |
| CN111292020B (zh) | 一种基于随机森林的电网实时运行风险评估方法及系统 | |
| CN107947164A (zh) | 一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法 | |
| CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
| CN110969194B (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
| Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
| CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
| CN111950622A (zh) | 基于人工智能的行为预测方法、装置、终端及存储介质 | |
| CN115221776A (zh) | 一种新型配电网的智能感知诊断模型的训练方法及装置 | |
| Yang et al. | Investigating black-box model for wind power forecasting using local interpretable model-agnostic explanations algorithm: Why should a model be trusted? | |
| CN107679478A (zh) | 输电线路空间负荷状态的提取方法和系统 | |
| CN117669874A (zh) | 一种基于qpso的电网规划数据失真智能识别方法及系统 | |
| CN117477551A (zh) | 基于领域知识嵌入模型的光伏发电功率预测方法及系统 | |
| CN110717623B (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
| CN106156845A (zh) | 一种用于构建神经网络的方法和设备 | |
| CN110471279B (zh) | 一种基于vine-copulas的工业生产模拟场景发生器及场景发生方法 | |
| Sudhakar et al. | Faulty diagnostics model for wind power plant application using AI | |
| CN115730526A (zh) | 一种机场用电负荷的智能监控和预测方法及系统 | |
| CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
| CN108009686B (zh) | 一种光伏发电功率预测方法、装置及系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231101 Address after: 510620, No. two, No. 2, Tianhe South Road, Guangzhou, Guangdong, Tianhe District Patentee after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Patentee after: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES Address before: 510620, No. two, No. 2, Tianhe South Road, Guangzhou, Guangdong, Tianhe District Patentee before: GUANGZHOU POWER SUPPLY Co.,Ltd. Patentee before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES |