CN108493929B - 一种电力系统暂态稳定预测模型建模方法及系统 - Google Patents
一种电力系统暂态稳定预测模型建模方法及系统 Download PDFInfo
- Publication number
- CN108493929B CN108493929B CN201810265889.4A CN201810265889A CN108493929B CN 108493929 B CN108493929 B CN 108493929B CN 201810265889 A CN201810265889 A CN 201810265889A CN 108493929 B CN108493929 B CN 108493929B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- remote signaling
- input characteristic
- mirror image
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004088 simulation Methods 0.000 claims abstract description 184
- 238000013528 artificial neural network Methods 0.000 claims abstract description 69
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 230000011664 signaling Effects 0.000 claims description 94
- 238000012795 verification Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001010 compromised effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明实施例公开了一种电力系统暂态稳定预测模型建模方法及系统。本发明提供的一种电力系统暂态稳定预测模型建模方法，将RTDS历史仿真数据中的遥测数据发送至镜像电网调度自动化系统，镜像电网调度自动化系统通过拓扑搜索推导遥信数据得到完整的基本数据，通过的特征量应用软件对完整的基本数据进行分析获取输入特征量，从而通过RTDS历史仿真数据得到输入特征量作为神经网络模型的建模样本数据，解决了从RTDS仿真系统的历史数据中提取输入特征量对神经网络进行训练的技术问题。
Description
技术领域
本发明涉及电力系统暂态稳定判断领域，尤其涉及一种电力系统暂态稳定预测模型建模方法及系统。
背景技术
在电网发生故障后，进行电力系统暂态稳定判断对电力系统的稳定运行有着非常重要的意义。
电力系统暂态稳定判断是针对电力系统的大扰动故障集，判断电网发生故障后是否会失去同步运行，从而筛选出威胁电力系统暂态稳定运行的严重故障，为后续的控制措施提供信息。
为了更好地判断电力系统暂态稳定，电网运行的技术支持单位一般会使用各种仿真软件进行不同电网故障和不同运行方式下的仿真，常用的仿真系统为RTDS仿真系统，每一年中都会多次使用RTDS仿真系统进行稳定性仿真的次数很多，积累了非常多的历史数据。RTDS仿真方法就是一种时域仿真方法，时域仿真方法的好处是判断结果非常准确，但缺点是计算量非常大。
除了使用RTDS仿真系统进行仿真之外，还可以通过BP神经网络等神经网络模型进行仿真预测，基于人工智能的电力系统暂态稳定判断，通过求取能够直接或者间接反映电力系统暂态稳定状况的输入特征量，通过离线训练，构建输入特征量和输出稳定状态之间的映射关系，可以快速判断电力系统暂态稳定性。但是，使用BP神经网络等神经网络模型进行电力系统暂态稳定的判断非常关键的一步就是提取直接或者间接反映电力系统暂态稳定状况的输入特征量作为样本数据对神经网络模型进行训练。RTDS仿真系统的历史数据库是一个数据量庞大且精准的数据库，但是由于RTDS仿真系统仅仅作为计算仿真工具而使用，和输入特征量相关的数据很少在RTDS仿真系统中定义，因此难以根据RTDS仿真系统的历史资料直接得到输入特征量。
因此，如何从RTDS仿真系统的历史数据中提取输入特征量对神经网络进行训练成为了本领域技术人员亟需解决的技术问题。
发明内容
本发明提供了一种电力系统暂态稳定预测模型建模方法及系统，解决了从RTDS仿真系统的历史数据中提取输入特征量对神经网络进行训练的技术问题。
本发明提供了一种电力系统暂态稳定预测模型建模方法，包括：
S1：RTDS仿真系统从RTDS历史仿真数据库中读取预置份数的第一历史仿真数据，将每一份第一历史仿真数据中的第一遥测数据发送到镜像电网调度自动化系统，将每一份第一历史仿真数据中的第一系统暂态状态发送到神经网络建模装置；
S2：镜像电网调度自动化系统根据第一遥测数据通过拓扑搜索推导得到第一遥信数据，通过输入特征量应用软件对第一遥测数据和第一遥信数据进行分析得到输入特征量，将每一份第一历史仿真数据对应的输入特征量发送到神经网络建模装置；
S3：神经网络建模装置以每一份第一历史仿真数据对应的输入特征量和第一系统暂态状态作为训练样本对初始的神经网络模型进行训练，得到电力系统暂态稳定预测模型。
优选地，步骤S3之后还包括：
S4：RTDS仿真系统从RTDS历史仿真数据库中读取未作为训练样本的第二历史仿真数据，将第二历史仿真数据中的第二遥测数据发送到镜像电网调度自动化系统；
S5：镜像电网调度自动化系统根据第二遥测数据通过拓扑搜索推导得到第二遥信数据，通过输入特征量应用软件对第二遥测数据和第二遥信数据进行分析得到输入特征量，将第二历史仿真数据对应的输入特征量发送到神经网络建模装置；
S6：神经网络建模装置将第二历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到校验系统暂态状态，将校验系统暂态状态与第二历史仿真数据的第二系统暂态状态进行比对，判断校验系统暂态状态和第二系统暂态状态的误差是否符合预置的评判标准，若是，则完成校验，若否，则返回步骤S1重新进行建模。
优选地，步骤S3之后还包括：
S7：RTDS仿真系统接收待预测的第三遥测数据，将第三遥测数据发送到镜像电网调度自动化系统；
S8：镜像电网调度自动化系统根据第三遥测数据通过拓扑搜索推导得到第三遥信数据，通过输入特征量应用软件对第三遥测数据和第三遥信数据进行分析得到输入特征量，将第三历史仿真数据对应的输入特征量发送到神经网络建模装置；
S9：神经网络建模装置将第三历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到预测系统暂态状态。
优选地，RTDS仿真系统具体通过104数据传输规约将各个遥测数据发送到镜像电网调度自动化系统。
优选地，神经网络模型具体为BP神经网络模型。
本发明提供了一种电力系统暂态稳定预测模型建模系统，包括：
RTDS仿真系统，用于从RTDS历史仿真数据库中读取预置份数的第一历史仿真数据，将每一份第一历史仿真数据中的第一遥测数据发送到镜像电网调度自动化系统，将每一份第一历史仿真数据中的第一系统暂态状态发送到神经网络建模装置；
镜像电网调度自动化系统，用于根据第一遥测数据通过拓扑搜索推导得到第一遥信数据，通过输入特征量应用软件对第一遥测数据和第一遥信数据进行分析得到输入特征量，将每一份第一历史仿真数据对应的输入特征量发送到神经网络建模装置；
神经网络建模装置，用于以每一份第一历史仿真数据对应的输入特征量和第一系统暂态状态作为训练样本对初始的神经网络模型进行训练，得到电力系统暂态稳定预测模型。
优选地，还包括：
RTDS仿真系统，还用于从RTDS历史仿真数据库中读取未作为训练样本的第二历史仿真数据，将第二历史仿真数据中的第二遥测数据发送到镜像电网调度自动化系统；
镜像电网调度自动化系统，还用于根据第二遥测数据通过拓扑搜索推导得到第二遥信数据，通过输入特征量应用软件对第二遥测数据和第二遥信数据进行分析得到输入特征量，将第二历史仿真数据对应的输入特征量发送到神经网络建模装置；
神经网络建模装置，还用于将第二历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到校验系统暂态状态，将校验系统暂态状态与第二历史仿真数据的第二系统暂态状态进行比对，判断校验系统暂态状态和第二系统暂态状态的误差是否符合预置的评判标准，若是，则完成校验，若否，则触发RTDS仿真系统重新进行建模。
优选地，还包括：
RTDS仿真系统，还用于接收待预测的第三遥测数据，将第三遥测数据发送到镜像电网调度自动化系统；
镜像电网调度自动化系统，还用于根据第三遥测数据通过拓扑搜索推导得到第三遥信数据，通过输入特征量应用软件对第三遥测数据和第三遥信数据进行分析得到输入特征量，将第三历史仿真数据对应的输入特征量发送到神经网络建模装置；
神经网络建模装置，还用于将第三历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到预测系统暂态状态。
优选地，RTDS仿真系统具体通过104数据传输规约将各个遥测数据发送到镜像电网调度自动化系统。
优选地，神经网络模型具体为BP神经网络模型。
从以上技术方案可以看出，本发明具有以下优点：
本发明提供了一种电力系统暂态稳定预测模型建模方法，包括：S1：RTDS仿真系统从RTDS历史仿真数据库中读取预置份数的第一历史仿真数据，将每一份第一历史仿真数据中的第一遥测数据发送到镜像电网调度自动化系统，将每一份第一历史仿真数据中的第一系统暂态状态发送到神经网络建模装置；S2：镜像电网调度自动化系统根据第一遥测数据通过拓扑搜索推导得到第一遥信数据，通过输入特征量应用软件对第一遥测数据和第一遥信数据进行分析得到输入特征量，将每一份第一历史仿真数据对应的输入特征量发送到神经网络建模装置；S3：神经网络建模装置以每一份第一历史仿真数据对应的输入特征量和第一系统暂态状态作为训练样本对初始的神经网络模型进行训练，得到电力系统暂态稳定预测模型。
本发明提供的一种电力系统暂态稳定预测模型建模方法，将RTDS历史仿真数据中的遥测数据发送至镜像电网调度自动化系统，镜像电网调度自动化系统通过拓扑搜索推导遥信数据得到完整的基本数据，通过的特征量应用软件对完整的基本数据进行分析获取输入特征量，从而通过RTDS历史仿真数据得到输入特征量作为神经网络模型的建模样本数据，解决了从RTDS仿真系统的历史数据中提取输入特征量对神经网络进行训练的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种电力系统暂态稳定预测模型建模方法的一个实施例的流程示意图；
图2为本发明实施例提供的一种电力系统暂态稳定预测模型建模方法的另一个实施例的流程示意图；
图3为本发明实施例提供的一种电力系统暂态稳定预测模型建模系统的一个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种电力系统暂态稳定预测模型建模方法及系统，解决了从RTDS仿真系统的历史数据中提取输入特征量对神经网络进行训练的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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。
请参阅图1，本发明实施例提供了一种电力系统暂态稳定预测模型建模方法的一个实施例，包括：
步骤101：RTDS仿真系统从RTDS历史仿真数据库中读取预置份数的第一历史仿真数据，将每一份第一历史仿真数据中的第一遥测数据发送到镜像电网调度自动化系统，将每一份第一历史仿真数据中的第一系统暂态状态发送到神经网络建模装置；
需要说明的是，虽然RTDS仿真系统丰富的历史计算资料为使用神经网络方法判断电力系统暂态稳定提供了可能性，但是RTDS仿真系统自身不能直接提供反映电网运行方式的输入特征量。
步骤102：镜像电网调度自动化系统根据第一遥测数据通过拓扑搜索推导得到第一遥信数据，通过输入特征量应用软件对第一遥测数据和第一遥信数据进行分析得到输入特征量，将每一份第一历史仿真数据对应的输入特征量发送到神经网络建模装置；
需要说明的是，镜像电网调度自动化系统具备的重要电网断面监视等功能；
镜像电网调度自动化系统根据第一遥测数据通过拓扑搜索推导得到第一遥信数据，从而得到完整的基本数据，通过重要电网断面监视等输入特征量应用软件对第一遥测数据和第一遥信数据进行分析得到输入特征量。
步骤103：神经网络建模装置以每一份第一历史仿真数据对应的输入特征量和第一系统暂态状态作为训练样本对初始的神经网络模型进行训练，得到电力系统暂态稳定预测模型。
需要说明的是，神经网络建模装置接收到每一份第一历史仿真数据对应的输入特征量和第一系统暂态状态，则可将其作为训练样本对初始的神经网络模型进行训练，得到电力系统暂态稳定预测模型。
本实施例提供的一种电力系统暂态稳定预测模型建模方法，将RTDS历史仿真数据中的遥测数据发送至镜像电网调度自动化系统，镜像电网调度自动化系统通过拓扑搜索推导遥信数据得到完整的基本数据，通过的特征量应用软件对完整的基本数据进行分析获取输入特征量，从而通过RTDS历史仿真数据得到输入特征量作为神经网络模型的建模样本数据，解决了从RTDS仿真系统的历史数据中提取输入特征量对神经网络进行训练的技术问题。
以上为本发明实施例提供的一种电力系统暂态稳定预测模型建模方法的一个实施例，以下为本发明实施例提供了一种电力系统暂态稳定预测模型建模方法的另一个实施例。
请参阅图2，本发明实施例提供了一种电力系统暂态稳定预测模型建模方法的另一个实施例，包括：
步骤201：RTDS仿真系统从RTDS历史仿真数据库中读取预置份数的第一历史仿真数据，将每一份第一历史仿真数据中的第一遥测数据发送到镜像电网调度自动化系统，将每一份第一历史仿真数据中的第一系统暂态状态发送到神经网络建模装置；
需要说明的是，电力系统暂态稳定的判断方法有很多，归纳起来主要有三种方法，分别是时域仿真法，暂态能量函数法(或称直接法)以及人工智能方法，本实施例中的电力系统暂态稳定预测模型为人工智能方法，基于人工智能的电力系统暂态稳定判断，通过求取能够直接或者间接反映电力系统暂态稳定状况的输入特征量，通过离线训练，构建输入特征量和输出稳定状态之间的映射关系，从而快速判断电力系统暂态稳定性；
使用神经网络方法进行电力系统暂态稳定的判断非常关键的一步就是提取直接或者间接反映电力系统暂态稳定状况的输入特征量，对神经网络模型进行电力系统暂态稳定预测模型的建模训练时，需要各份历史仿真数据的输入特征量和对应的系统暂态状态；
系统暂态状态包括电力系统是否发生故障和切除故障时间等状态数据；
RTDS仿真系统的历史计算资料是以往保留的现成资料，虽然RTDS仿真系统丰富的历史计算资料为使用神经网络方法判断电力系统暂态稳定提供了可能性，但是RTDS仿真系统自身不能直接提供反映电网运行方式的输入特征量；
所以RTDS仿真系统只能将第一历史仿真数据中的遥测数据发送至镜像电网调度自动化系统进行数据处理，将第一历史数据中的第一系统暂态状态发送到神经网络建模装置，各份历史仿真数据可以为逐一提供至RTDS仿真系统。
步骤202：镜像电网调度自动化系统根据第一遥测数据通过拓扑搜索推导得到第一遥信数据，通过输入特征量应用软件对第一遥测数据和第一遥信数据进行分析得到输入特征量，将每一份第一历史仿真数据对应的输入特征量发送到神经网络建模装置；
需要说明的是，重要的电网断面监视等的输入特征量在电网调度运行中心的调度运行自动化软件系统中都有定义，可以直接使用，因此将完整的基础数据输入到电网调度自动化系统中就可以得到对应的输入特征量；
镜像电网调度自动化系统是实际电网调度自动化系统在镜像系统中的一个镜像备份，该镜像电网调度自动化系统具备和实际电网调度自动化系统完全一致的数据结构和应用功能，使用镜像电网调度自动化系统可以避免对运行中的实际电网调度自动化系统造成影响；
完整的基础数据包括遥测数据和遥信数据，RTDS仿真系统是一个使用节点支路模型进行建模的计算软件，而镜像电网调度自动化系统是基于实际物理电网进行建模，电网调度自动化系统中要求的开关刀闸在RTDS仿真系统中基本没有建模，因此镜像电网调度自动化系统只能采集RTDS仿真系统的遥测数据点，而遥信数据点只能根据遥测数据和电网的网架结构进行遥信位置推导；
结合遥测数据和电网网架拓扑信息通过拓扑搜索推导得到遥信数据，例如某个支路具备非零的遥测数据，则该支路肯定处于运行状态，或者某个支路具有等于零的遥测数据，则该支路肯定处于热备用或停运状态，则根据支路的遥测数据基本能够通过拓扑搜索推导出其相应的开关刀闸的遥信位置；
镜像电网调度自动化系统从RTDS系统采集遥测数据，再利用遥信位置推导得到遥信位置，这样镜像电网调度自动化系统就具备了完整的基本数据，在这些基本数据的基础上，运行相关的电网重要断面监视、电网关键KPI指标统计等可以得到输入特征量的电网应用软件，就可以得到反映电网事故前运行方式的输入特征量，这些应用软件是镜像电网调度自动化系统自身就具备的功能。
步骤203：神经网络建模装置以每一份第一历史仿真数据对应的输入特征量和第一系统暂态状态作为训练样本对初始的神经网络模型进行训练，得到电力系统暂态稳定预测模型；
需要说明的是，神经网络建模装置接收到每一份第一历史仿真数据对应的输入特征量和第一系统暂态状态，则可将其作为训练样本对初始的神经网络模型进行训练，得到神经网络在线预测所需要的权系数，建立电力系统暂态稳定预测模型。
步骤204：RTDS仿真系统从RTDS历史仿真数据库中读取未作为训练样本的第二历史仿真数据，将第二历史仿真数据中的第二遥测数据发送到镜像电网调度自动化系统；
需要说明的是，建立了电力系统暂态稳定预测模型之后，为了验证电力系统暂态稳定预测模型的准确性，需要通过校验样本对其进行测试，测试的校验样本也是从RTDS历史仿真数据库中读取，但是校验样本需要与训练样本进行区分，因此RTDS仿真系统从RTDS历史仿真数据库中读取未作为训练样本的第二历史仿真数据，第二历史仿真数据就是校验样本，
步骤205：镜像电网调度自动化系统根据第二遥测数据通过拓扑搜索推导得到第二遥信数据，通过输入特征量应用软件对第二遥测数据和第二遥信数据进行分析得到输入特征量，将第二历史仿真数据对应的输入特征量发送到神经网络建模装置；
需要说明的是，与建模的过程一致，镜像电网调度自动化系统根据第二遥测数据通过拓扑搜索推导得到第二遥信数据，通过输入特征量应用软件对第二遥测数据和第二遥信数据进行分析得到输入特征量，将第二历史仿真数据对应的输入特征量发送到神经网络建模装置。
步骤206：神经网络建模装置将第二历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到校验系统暂态状态，将校验系统暂态状态与第二历史仿真数据的第二系统暂态状态进行比对，判断校验系统暂态状态和第二系统暂态状态的误差是否符合预置的评判标准，若是，则完成校验，若否，则返回步骤201重新进行建模；
需要说明的是，神经网络建模装置将第二历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到校验系统暂态状态，将校验系统暂态状态与第二历史仿真数据的第二系统暂态状态进行比对，可以判断电力系统暂态稳定预测模型的输出结果是否准确，判断校验系统暂态状态和第二系统暂态状态的误差是否符合预置的评判标准，若是，则说明电力系统暂态稳定预测模型准确性较高，完成校验，若否，则说明电力系统暂态稳定预测模型的准确性交底，需要返回步骤201重新获取训练样本进行建模；
预置的评判标准包括但不限于故障是否发生，故障切除时间的误差是否在预置的时间长度误差阈值内。
步骤207：RTDS仿真系统接收待预测的第三遥测数据，将第三遥测数据发送到镜像电网调度自动化系统；
需要说明的是，建模和校验之后，对电力系统暂态稳定预测模型进行使用时，可以直接将需要预测的输入特征量直接输入神经网络建模装置，也可以如建模和校验的过程一般，通过RTDS仿真系统将待预测的第三遥测数据输入到镜像电网调度自动化系统。
步骤208：镜像电网调度自动化系统根据第三遥测数据通过拓扑搜索推导得到第三遥信数据，通过输入特征量应用软件对第三遥测数据和第三遥信数据进行分析得到输入特征量，将第三历史仿真数据对应的输入特征量发送到神经网络建模装置；
需要说明的是，镜像电网调度自动化系统则根据第三遥测数据得到第三遥信数据，并对第三遥测数据和第三遥信数据进行分析得到输入特征量，再将第三历史仿真数据对应的输入特征量发送到神经网络建模装置。
步骤209：神经网络建模装置将第三历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到预测系统暂态状态。
需要说明的是，神经网络建模装置接收到第三历史仿真数据对应的输入特征量，则输出对应的预测系统暂态状态。
进一步地，RTDS仿真系统具体通过104数据传输规约将各个遥测数据发送到镜像电网调度自动化系统。
需要说明的是，RTDS仿真系统通过标准的104数据传输规约与镜像电网调度自动化系统进行数据交互，RTDS仿真系统将遥测数据发送至镜像电网调度自动化系统时，将遥测数据转化为104点表(即每一个遥测数据点及其对应的点号)导出，然后导入镜像电网调度自动化系统中。
进一步地，神经网络模型具体为BP神经网络模型。
需要说明的是，BP神经网络模型作为一种成熟的神经网络模型已经在各个领域得到了广发的应用，本实施例中的神经网络模型可以采用BP神经网络模型。
本实施例提供的一种电力系统暂态稳定预测模型建模方法，将RTDS历史仿真数据中的遥测数据发送至镜像电网调度自动化系统，镜像电网调度自动化系统通过拓扑搜索推导遥信数据得到完整的基本数据，通过的特征量应用软件对完整的基本数据进行分析获取输入特征量，从而通过RTDS历史仿真数据得到输入特征量作为神经网络模型的建模样本数据，并且由于电气量太多，如果将所有的电气量都作为特征输入量进行训练必然导致训练失败，通过镜像电网调度自动化系统的特征量应用软件可以减少输入特征量的种类，只保留最为重要的输入特征量，解决了从RTDS仿真系统的历史数据中提取输入特征量对神经网络进行训练的技术问题。
以上为本发明实施例提供的一种电力系统暂态稳定预测模型建模方法的另一个实施例，以下为本发明实施例提供了一种电力系统暂态稳定预测模型建模系统的一个实施例。
请参阅图3，本发明实施例提供了一种电力系统暂态稳定预测模型建模系统的一个实施例，包括：
RTDS仿真系统301，用于从RTDS历史仿真数据库304中读取预置份数的第一历史仿真数据，将每一份第一历史仿真数据中的第一遥测数据发送到镜像电网调度自动化系统302，将每一份第一历史仿真数据中的第一系统暂态状态发送到神经网络建模装置303；
镜像电网调度自动化系统302，用于根据第一遥测数据通过拓扑搜索推导得到第一遥信数据，通过输入特征量应用软件对第一遥测数据和第一遥信数据进行分析得到输入特征量，将每一份第一历史仿真数据对应的输入特征量发送到神经网络建模装置303；
神经网络建模装置303，用于以每一份第一历史仿真数据对应的输入特征量和第一系统暂态状态作为训练样本对初始的神经网络模型进行训练，得到电力系统暂态稳定预测模型。
进一步地，还包括：
RTDS仿真系统301，还用于从RTDS历史仿真数据库304中读取未作为训练样本的第二历史仿真数据，将第二历史仿真数据中的第二遥测数据发送到镜像电网调度自动化系统302；
镜像电网调度自动化系统302，还用于根据第二遥测数据通过拓扑搜索推导得到第二遥信数据，通过输入特征量应用软件对第二遥测数据和第二遥信数据进行分析得到输入特征量，将第二历史仿真数据对应的输入特征量发送到神经网络建模装置303；
神经网络建模装置303，还用于将第二历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到校验系统暂态状态，将校验系统暂态状态与第二历史仿真数据的第二系统暂态状态进行比对，判断校验系统暂态状态和第二系统暂态状态的误差是否符合预置的评判标准，若是，则完成校验，若否，则触发RTDS仿真系统301重新进行建模。
进一步地，还包括：
RTDS仿真系统301，还用于接收待预测的第三遥测数据，将第三遥测数据发送到镜像电网调度自动化系统302；
镜像电网调度自动化系统302，还用于根据第三遥测数据通过拓扑搜索推导得到第三遥信数据，通过输入特征量应用软件对第三遥测数据和第三遥信数据进行分析得到输入特征量，将第三历史仿真数据对应的输入特征量发送到神经网络建模装置303；
神经网络建模装置303，还用于将第三历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到预测系统暂态状态。
进一步地，RTDS仿真系统301具体通过104数据传输规约将各个遥测数据发送到镜像电网调度自动化系统302。
进一步地，神经网络模型具体为BP神经网络模型。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电力系统暂态稳定预测模型建模方法，其特征在于，包括：
S1：RTDS仿真系统从RTDS历史仿真数据库中读取预置份数的第一历史仿真数据，将每一份第一历史仿真数据中的第一遥测数据发送到镜像电网调度自动化系统，将每一份第一历史仿真数据中的第一系统暂态状态发送到神经网络建模装置；
S2：镜像电网调度自动化系统根据第一遥测数据通过拓扑搜索推导得到第一遥信数据，通过输入特征量应用软件对第一遥测数据和第一遥信数据进行分析得到输入特征量，将每一份第一历史仿真数据对应的输入特征量发送到神经网络建模装置；
S3：神经网络建模装置以每一份第一历史仿真数据对应的输入特征量和第一系统暂态状态作为训练样本对初始的神经网络模型进行训练，得到电力系统暂态稳定预测模型；
所述镜像电网调度自动化系统具体为实际电网调度自动化系统在镜像系统中的一个镜像备份，所述镜像电网调度自动化系统具备和所述实际电网调度自动化系统完全一致的数据结构和应用功能。
2.根据权利要求1所述的一种电力系统暂态稳定预测模型建模方法，其特征在于，步骤S3之后还包括：
S4：RTDS仿真系统从RTDS历史仿真数据库中读取未作为训练样本的第二历史仿真数据，将第二历史仿真数据中的第二遥测数据发送到镜像电网调度自动化系统；
S5：镜像电网调度自动化系统根据第二遥测数据通过拓扑搜索推导得到第二遥信数据，通过输入特征量应用软件对第二遥测数据和第二遥信数据进行分析得到输入特征量，将第二历史仿真数据对应的输入特征量发送到神经网络建模装置；
S6：神经网络建模装置将第二历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到校验系统暂态状态，将校验系统暂态状态与第二历史仿真数据的第二系统暂态状态进行比对，判断校验系统暂态状态和第二系统暂态状态的误差是否符合预置的评判标准，若是，则完成校验，若否，则返回步骤S1重新进行建模。
3.根据权利要求1所述的一种电力系统暂态稳定预测模型建模方法，其特征在于，步骤S3之后还包括：
S7：RTDS仿真系统接收待预测的第三遥测数据，将第三遥测数据发送到镜像电网调度自动化系统；
S8：镜像电网调度自动化系统根据第三遥测数据通过拓扑搜索推导得到第三遥信数据，通过输入特征量应用软件对第三遥测数据和第三遥信数据进行分析得到输入特征量，将第三历史仿真数据对应的输入特征量发送到神经网络建模装置；
S9：神经网络建模装置将第三历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到预测系统暂态状态。
4.根据权利要求1至3中任意一项所述的一种电力系统暂态稳定预测模型建模方法，其特征在于，RTDS仿真系统具体通过104数据传输规约将各个遥测数据发送到镜像电网调度自动化系统。
5.根据权利要求1至3中任意一项所述的一种电力系统暂态稳定预测模型建模方法，其特征在于，神经网络模型具体为BP神经网络模型。
6.一种电力系统暂态稳定预测模型建模系统，其特征在于，包括：
RTDS仿真系统，用于从RTDS历史仿真数据库中读取预置份数的第一历史仿真数据，将每一份第一历史仿真数据中的第一遥测数据发送到镜像电网调度自动化系统，将每一份第一历史仿真数据中的第一系统暂态状态发送到神经网络建模装置；
镜像电网调度自动化系统，用于根据第一遥测数据通过拓扑搜索推导得到第一遥信数据，通过输入特征量应用软件对第一遥测数据和第一遥信数据进行分析得到输入特征量，将每一份第一历史仿真数据对应的输入特征量发送到神经网络建模装置；
神经网络建模装置，用于以每一份第一历史仿真数据对应的输入特征量和第一系统暂态状态作为训练样本对初始的神经网络模型进行训练，得到电力系统暂态稳定预测模型；
所述镜像电网调度自动化系统具体为实际电网调度自动化系统在镜像系统中的一个镜像备份，所述镜像电网调度自动化系统具备和所述实际电网调度自动化系统完全一致的数据结构和应用功能。
7.根据权利要求6所述的一种电力系统暂态稳定预测模型建模系统，其特征在于，还包括：
RTDS仿真系统，还用于从RTDS历史仿真数据库中读取未作为训练样本的第二历史仿真数据，将第二历史仿真数据中的第二遥测数据发送到镜像电网调度自动化系统；
镜像电网调度自动化系统，还用于根据第二遥测数据通过拓扑搜索推导得到第二遥信数据，通过输入特征量应用软件对第二遥测数据和第二遥信数据进行分析得到输入特征量，将第二历史仿真数据对应的输入特征量发送到神经网络建模装置；
神经网络建模装置，还用于将第二历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到校验系统暂态状态，将校验系统暂态状态与第二历史仿真数据的第二系统暂态状态进行比对，判断校验系统暂态状态和第二系统暂态状态的误差是否符合预置的评判标准，若是，则完成校验，若否，则触发RTDS仿真系统重新进行建模。
8.根据权利要求6所述的一种电力系统暂态稳定预测模型建模系统，其特征在于，还包括：
RTDS仿真系统，还用于接收待预测的第三遥测数据，将第三遥测数据发送到镜像电网调度自动化系统；
镜像电网调度自动化系统，还用于根据第三遥测数据通过拓扑搜索推导得到第三遥信数据，通过输入特征量应用软件对第三遥测数据和第三遥信数据进行分析得到输入特征量，将第三历史仿真数据对应的输入特征量发送到神经网络建模装置；
神经网络建模装置，还用于将第三历史仿真数据对应的输入特征量输入电力系统暂态稳定预测模型中得到预测系统暂态状态。
9.根据权利要求6至8中任意一项所述的一种电力系统暂态稳定预测模型建模系统，其特征在于，RTDS仿真系统具体通过104数据传输规约将各个遥测数据发送到镜像电网调度自动化系统。
10.根据权利要求6至8中任意一项所述的一种电力系统暂态稳定预测模型建模系统，其特征在于，神经网络模型具体为BP神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810265889.4A CN108493929B (zh) | 2018-03-28 | 2018-03-28 | 一种电力系统暂态稳定预测模型建模方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810265889.4A CN108493929B (zh) | 2018-03-28 | 2018-03-28 | 一种电力系统暂态稳定预测模型建模方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108493929A CN108493929A (zh) | 2018-09-04 |
| CN108493929B true CN108493929B (zh) | 2021-06-29 |
Family
ID=63316663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810265889.4A Active CN108493929B (zh) | 2018-03-28 | 2018-03-28 | 一种电力系统暂态稳定预测模型建模方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108493929B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111628501B (zh) * | 2020-06-18 | 2023-04-18 | 国网山东省电力公司济南供电公司 | 一种交直流大电网暂态电压稳定评估方法及系统 |
| CN113505526B (zh) * | 2021-06-22 | 2024-06-11 | 清华大学 | 电力系统暂态稳定仿真方法、装置、电子设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617553A (zh) * | 2013-10-22 | 2014-03-05 | 芜湖大学科技园发展有限公司 | 一种电网数据质量综合提升系统 |
| CN103679553A (zh) * | 2013-12-05 | 2014-03-26 | 广东电网公司电力科学研究院 | 电网状态估计系统的评估方法和系统 |
| CN103778467A (zh) * | 2014-01-16 | 2014-05-07 | 天津大学 | 一种选择电力系统暂态稳定评估输入特征量的方法 |
| WO2017016020A1 (zh) * | 2015-07-28 | 2017-02-02 | 天津大学 | 电力系统暂态稳定性在线分析的分区合成方法及其装置 |
| CN107846012A (zh) * | 2017-09-27 | 2018-03-27 | 国网湖北省电力公司 | 一种基于深度学习技术的电力系统暂态稳定评估方法 |
-
2018
- 2018-03-28 CN CN201810265889.4A patent/CN108493929B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617553A (zh) * | 2013-10-22 | 2014-03-05 | 芜湖大学科技园发展有限公司 | 一种电网数据质量综合提升系统 |
| CN103679553A (zh) * | 2013-12-05 | 2014-03-26 | 广东电网公司电力科学研究院 | 电网状态估计系统的评估方法和系统 |
| CN103778467A (zh) * | 2014-01-16 | 2014-05-07 | 天津大学 | 一种选择电力系统暂态稳定评估输入特征量的方法 |
| WO2017016020A1 (zh) * | 2015-07-28 | 2017-02-02 | 天津大学 | 电力系统暂态稳定性在线分析的分区合成方法及其装置 |
| CN107846012A (zh) * | 2017-09-27 | 2018-03-27 | 国网湖北省电力公司 | 一种基于深度学习技术的电力系统暂态稳定评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108493929A (zh) | 2018-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115857447A (zh) | 基于数字孪生的复杂工业系统运行监测方法及系统 | |
| CN104732276B (zh) | 一种计量生产设施故障在线诊断方法 | |
| CN107679768B (zh) | 一种基于电网实时数据的态势感知系统及其构建方法 | |
| CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
| CN107291672B (zh) | 数据表的处理方法和装置 | |
| CN109948860A (zh) | 一种机械系统剩余寿命预测方法及系统 | |
| CN110298601A (zh) | 一种基于规则引擎的实时业务风控系统 | |
| CN108493929B (zh) | 一种电力系统暂态稳定预测模型建模方法及系统 | |
| CN109450094A (zh) | 一种变电站继电保护巡检方法及系统 | |
| CN104793075A (zh) | 一种压水堆核电厂保护系统的定期试验系统 | |
| CN109872112B (zh) | 一种智能变电站全自动闭环检测方法及装置 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| CN114325405A (zh) | 电池组一致性分析方法、建模方法、装置、设备及介质 | |
| CN110261811A (zh) | 智能电表批量预警方法及系统 | |
| CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
| CN110138613B (zh) | 一种网络测试模板构建方法、电力网络测试方法及相关装置 | |
| CN108596450B (zh) | 电网风险预警方法和系统 | |
| US7617313B1 (en) | Metric transport and database load | |
| CN114781476A (zh) | 一种量测设备故障分析系统和方法 | |
| CN114186420A (zh) | 一种配电网台区拓扑校验方法、装置、设备和介质 | |
| Gu et al. | Investigation on the quality assurance procedure and evaluation methodology of machine learning building energy model systems | |
| Galiardi et al. | Cyber resilience analysis of scada systems in nuclear power plants | |
| CN114912853B (zh) | 一种电网稳定性的评价方法及装置 | |
| CN111026624A (zh) | 电网信息系统的故障预测方法、装置 | |
| CN115453227A (zh) | 道岔转辙机故障诊断方法、装置、设备及可读存储介质 |
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: 20210713 Address after: 510663 3 building, 3, 4, 5 and J1 building, 11 building, No. 11, Ke Xiang Road, Luogang District Science City, Guangzhou, Guangdong. Patentee after: China South Power Grid International Co.,Ltd. Patentee after: NR ENGINEERING Co.,Ltd. Address before: 510663 3 building, 3, 4, 5 and J1 building, 11 building, No. 11, Ke Xiang Road, Luogang District Science City, Guangzhou, Guangdong. Patentee before: China South Power Grid International Co.,Ltd. Patentee before: POWER GRID TECHNOLOGY RESEARCH CENTER. CHINA SOUTHERN POWER GRID Patentee before: NR ENGINEERING Co.,Ltd. |