CN108647851A - 一种基于多层改进神经网络的短期电网稳定性预测方法及系统 - Google Patents
一种基于多层改进神经网络的短期电网稳定性预测方法及系统 Download PDFInfo
- Publication number
- CN108647851A CN108647851A CN201810287074.6A CN201810287074A CN108647851A CN 108647851 A CN108647851 A CN 108647851A CN 201810287074 A CN201810287074 A CN 201810287074A CN 108647851 A CN108647851 A CN 108647851A
- Authority
- CN
- China
- Prior art keywords
- sample
- sample data
- power grid
- data set
- coding
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 238000013480 data collection Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims description 24
- 230000010355 oscillation Effects 0.000 claims description 17
- 238000013016 damping Methods 0.000 claims description 15
- 229910002056 binary alloy Inorganic materials 0.000 claims description 12
- 238000007670 refining Methods 0.000 claims description 11
- 230000009897 systematic effect Effects 0.000 claims description 5
- 108091026890 Coding region Proteins 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 230000003534 oscillatory effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 210000005036 nerve Anatomy 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于多层改进神经网络的短期电网稳定性预测方法及系统,所述方法包括周期性构建短期电网风险的样本数据集;将多组历史样本数据集进行小干扰分析计算,获得样本数据集对应的样本特征;根据KDD聚类方法对多组历史样本数据集对应的多组样本特征和样本属性参数进行处理,获得三个聚类中心,并将所述三个聚类中心依据其适应度的由高到低定义其代表的风险程度为大、中以及小;重复上述方法获得当前构建的样本数据集对应的样本特征和样本属性参数;根据KDD聚类方法对所述当前构建的样本数据集的样本特征和样本属性参数进行处理,获得其对应的聚类点;根据预设规则判定当前构建的样本数据集对应的聚类点的风险程度。
Description
技术领域
本发明涉及电力监控领域,更具体地,涉及一种基于多层改进神经网络的短期电网稳定性预测方法及系统。
背景技术
电网运行方式日前预警评估是电力系统生产领域重要日常工作之一,而仅仅通过电网仿真计算进行日前预警评估往往假设电网中不存在由发电机或感应电动机负荷等旋转设备引起的综合性异常扰动,计及历史电网络节点异常扰动概率的电网运行方式日前预警评估在一定程度上有效降低电网运行风险;
现有的WAMS前置端PMU因安装于电网中每一个电网节点(变电站、发电机、负荷点),能够基于GPS绝对时间电网节点的电压、电流、有功功率、无功功率等电气量进行量测,且传输至电网中央控制中心的数据精度可以达到1Hz。关于判据的启动,一般情况下,PMU装置在厂站端对电气量的记录为一组时间序列,随时记录,随时消除;通过对PMU装置的设置,能够设定PMU量测电气量发生异常的启动判据值,并将带有GPS时标的时间序列上传至WAMS中央控制中心被存储至数据库中;
传统情况下,往往采用电网络元件N-1校核仿真计算遍历所有的电网络N-1故障,这种方法存在以下不足:1)无法考虑WAMS量测中的实际扰动因素;2)计算采用经典算法,某些情况下计算速度难以达到实际需要。
发明内容
为了解决背景技术存在的在稳定性预测中无法全面考虑实际测量中的扰动因素且计算速度难以达到实际需要等问题,本发明提供了一种基于多层改进神经网络的短期电网稳定性预测方法及系统,所述方法及系统采集并处理每个当前时刻的多种属性参数,获得代表每个当前时刻电网稳定性的样本数据集;并通过小干扰分析、KDD聚类算法等技术手段实现多层改进的神经网络,快速智能的判断当前时刻电网的稳定性风险程度,所述一种基于多层改进神经网络的短期电网稳定性预测方法包括:
周期性构建短期电网风险的样本数据集;所述样本数据集的样本属性参数包括样本取值时刻以及取值时刻内的电网振荡位置编码、发电机组开机编码、电网整体负荷值;
将多组历史样本数据集输入至PSASP程序中进行小干扰分析计算,获得所述多组历史样本数据集中每个样本数据集对应的最小阻尼值作为该样本数据集对应的样本特征;
根据KDD聚类方法对多组历史样本数据集对应的多组样本特征和样本属性参数进行处理,获得三个聚类中心,并将所述三个聚类中心依据其适应度的由高到低定义其代表的风险程度为大、中以及小;
将当前构建的样本数据集带入PSASP程序进行小干扰分析计算,获得其对应的样本特征;
根据KDD聚类方法对所述当前构建的样本数据集的样本特征和样本属性参数进行处理,获得其对应的聚类点;
根据预设规则判定当前构建的样本数据集对应的聚类点的风险程度。
进一步的,所述电网振荡位置编码用于确认当前时刻电网中存在振荡的母线节点的位置;所述电网振荡位置编码的获得方式为:将电网上的N个母线节点按照二进制编码序列进行编码,每个母线节点代表所述二进制中的一位;对于每个母线节点,在当前时刻,如监测到存在振荡,其对应的二进制的位置记为1,如不存在振荡,其对应的二进制的位置记为0;将整个电网对应的二进制编码转为十进制整数,所述十进制整数记为当前时刻的电网振荡位置编码;
进一步的,所述发电机组开机编码用于确认当前时刻电网中各个发电机的状态;所述发电机组开机编码的获得方式为:将电网上的M个发电机节点按照二进制编码序列进行编码,每个发电机节点代表所述二进制中的一位;对于每个发电机节点,在当前时刻,如监测到开机,其对应的二进制的位置记为1,如未开机,其对应的二进制的位置记为0;将整个电网对应的二进制编码转为十进制整数,所述十进制整数记为当前时刻的发电机组开机编码;
进一步的,所述样本属性参数还包括多组扰动振荡曲线最大幅值和最小阻尼、断面值以及多个区域的负荷值;每两个母线节点间的连枝对应一组扰动振荡曲线;所述扰动振荡曲线通过WAMS系统测量获得;所述多个区域指在总电网中按照预设规则划分的多个区域;
进一步的,所述预设规则根据所述当前构建的样本数据集对应的聚类点和所述三个聚类中心的欧几里得距离最小的视为与该聚类中心对应的风险程度相同;
进一步的,所述方法还包括:在所述将当前构建的样本数据集带入PSASP程序前,设定所述样本数据集的目标输出结果;若实际输出的结果与目标输出结果偏差过大时,启动知识求精。
所述一种基于多层改进神经网络的短期电网稳定性预测系统包括:
样本数据集构建单元,所述样本数据集构建单元用于周期性构建短期电网风险的样本数据集;所述样本数据集的样本属性参数包括样本取值时刻以及取值时刻内的电网振荡位置编码、发电机组开机编码、电网整体负荷值;
样本特征计算单元,用于通过PSASP程序对所述样本数据集构建单元构建的样本数据集进行小干扰分析计算,获得最小阻尼值作为该样本数据集对应的样本特征;
聚类中心生成单元,所述聚类中心生成单元用于根据KDD聚类方法对多组历史样本数据集的样本属性参数和样本特征进行处理,获得三个聚类中心;所述多组历史样本数据集的样本属性参数由样本数据集构建单元生成;所述多组历史样本数据集的样本特征由样本特征计算单元计算获得;
所述聚类中心生成单元用于将所述三个聚类中心依据其适应度的由高到低定义其代表的风险程度为大、中以及小;
风险程度预测单元,所述风险程度预测单元用于将样本数据集构建单元构建的当前时刻的的样本数据集及其对应的样本特征通过KDD聚类方法计算获得聚类点;所述风险程度预测单元用于根据预设规则判定该聚类点的风险程度。
进一步的,所述样本数据集构建单元包括电网振荡位置编码计算模块,所述电网振荡位置编码计算模块用于将电网上的N个母线节点按照二进制编码序列进行编码,每个母线节点代表所述二进制中的一位;所述电网振荡位置编码计算模块用于获取每个母线节点在当前时刻的振荡情况,如监测到存在振荡,其对应的二进制的位置记为1,如不存在振荡,其对应的二进制的位置记为0;所述电网振荡位置编码计算模块用于将整个电网对应的二进制编码转为十进制整数,获得当前时刻的电网振荡位置编码;
进一步的,所述样本数据集构建单元包括发电机组编码计算模块,所述发电机组编码计算模块用于将电网上的M个发电机节点按照二进制编码序列进行编码,每个发电机节点代表所述二进制中的一位;所述发电机组编码计算模块用于获取每个发电机节点在当前时刻的开机情况,如监测到开机,其对应的二进制的位置记为1,如未开机,其对应的二进制的位置记发电机组编码计算模块用于将整个电网对应的二进制编码转为十进制整数,获得当前时刻的发电机组编码;
进一步的,所述样本数据集构建单元构建样本数据集的样本属性参数还包括多组扰动振荡曲线最大幅值和最小阻尼、断面值以及多个区域的负荷值;每两个母线节点间的连枝对应一组扰动振荡曲线;所述扰动振荡曲线通过WAMS系统测量获得;所述多个区域指在总电网中按照预设规则划分的多个区域;
进一步的,所述风险程度预测单元根据所述当前构建的样本数据集对应的聚类点和所述聚类中心生成单元输出的三个聚类中心的欧几里得距离最小的视为与该聚类中心对应的风险程度相同;
进一步的,所述系统还包括知识求精单元,所述知识求精单元用于设定所述当前构建的样本数据集的目标输出结果;若实际输出的结果与目标输出结果偏差过大时,启动知识求精。
本发明的有益效果为:本发明的技术方案,给出了一种基于多层改进神经网络的短期电网稳定性预测方法及系统,所述方法及系统采集并处理每个当前时刻的多种属性参数,获得代表每个当前时刻电网稳定性的样本数据集;所述属性参数考虑全面,克服了实际测量中扰动因素的影响;并通过小干扰分析、KDD聚类算法等技术手段实现多层改进的神经网络,快速智能的判断当前时刻电网的稳定性风险程度。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为本发明具体实施方式的一种基于多层改进神经网络的短期电网稳定性预测方法的流程图;
图2为本发明具体实施方式的一种基于多层改进神经网络的短期电网稳定性预测系统的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为本发明具体实施方式的一种基于多层改进神经网络的短期电网稳定性预测方法的流程图;如图1所示,所述方法包括:
步骤110,周期性构建短期电网风险的样本数据集;所述样本数据集的样本属性参数包括样本取值时刻以及取值时刻内的电网振荡位置编码、发电机组开机编码、电网整体负荷值;
进一步的,所述电网振荡位置编码用于确认当前时刻电网中存在振荡的母线节点的位置;所述电网振荡位置编码的获得方式为:将电网上的N个母线节点按照二进制编码序列进行编码,每个母线节点代表所述二进制中的一位;对于每个母线节点,在当前时刻,如监测到存在振荡,其对应的二进制的位置记为1,如不存在振荡,其对应的二进制的位置记为0;将整个电网对应的二进制编码转为十进制整数,所述十进制整数记为当前时刻的电网振荡位置编码;
进一步的,所述发电机组开机编码用于确认当前时刻电网中各个发电机的状态;所述发电机组开机编码的获得方式为:将电网上的M个发电机节点按照二进制编码序列进行编码,每个发电机节点代表所述二进制中的一位;对于每个发电机节点,在当前时刻,如监测到开机,其对应的二进制的位置记为1,如未开机,其对应的二进制的位置记为0;将整个电网对应的二进制编码转为十进制整数,所述十进制整数记为当前时刻的发电机组开机编码;
进一步的,所述样本属性参数还包括多组扰动振荡曲线最大幅值和最小阻尼、断面值以及多个区域的负荷值;每两个母线节点间的连枝对应一组扰动振荡曲线;所述扰动振荡曲线通过WAMS系统测量获得;所述多个区域指在总电网中按照预设规则划分的多个区域;所述断面即为连枝的集合;
进一步的,所述样本取值时刻可将全体划分成24个时段,任意一个取值时刻对应一个特定的时段;
步骤120,将多组历史样本数据集输入至PSASP程序中进行小干扰分析计算,获得所述多组历史样本数据集中每个样本数据集对应的最小阻尼值作为该样本数据集对应的样本特征;
进一步的,使用PSASP的小干扰分析模块计算样本运行方式的振荡模式,以本实施例为例,所述计算算法可采用arnoldi算法,扫描低频范畴的数值,并选取对应样本运行方式下的最小阻尼值作为该样本特征阻尼值;
步骤130,根据KDD聚类方法对多组历史样本数据集对应的多组样本特征和样本属性参数进行处理,获得三个聚类中心,并将所述三个聚类中心依据其适应度的由高到低定义其代表的风险程度为大、中以及小;
进一步的,通过KDD聚类方法处理多组历史样本数据集的方法包括:设yk为第k((k=1~n))个信息对的样本点,则其成为聚类中心点的概率为式中,r为一个正常数,通过经验调节;n为样本数;Pk表示样本点yk与其他方案样本点的远近程度,即方案样本点作为聚类中心点的适应度,Pk将随r增大呈现指数衰减趋势;
将适应度最高信息对样本点作为第一个聚类中心,即如上所述的定义为风险程度为大的聚类中心;设为第一个聚类中心,P1 *为第一个聚类中心点的适应度,其余n-1个样本点作为方案样本点适应度的修正公式为式中:有效半径β正常数;为样本点xk(k=1,2,...,n-1)作为聚类中心的初始适应度;为经上式修正后的新适应度。
运用修正公式对上述信息对样本点进行修正,消除的影响,再选取当前适应度最大的样本点作为第二个聚类中心依次类推,反复迭代直到出现第j个聚类中心,本实施例中,选取三个聚类中心,即j=3。
步骤140,将当前构建的样本数据集带入PSASP程序进行小干扰分析计算,获得其对应的样本特征;
步骤150,根据KDD聚类方法对所述当前构建的样本数据集的样本特征和样本属性参数进行处理,获得其对应的聚类点;
步骤160,根据预设规则判定当前构建的样本数据集对应的聚类点的风险程度;
进一步的,所述预设规则根据所述当前构建的样本数据集对应的聚类点和所述三个聚类中心的欧几里得距离最小的视为与该聚类中心对应的风险程度相同;
进一步的,所述方法还包括:在所述将当前构建的样本数据集带入PSASP程序前,设定所述样本数据集的目标输出结果;若实际输出的结果与目标输出结果偏差过大时,启动知识求精。
图2为本发明具体实施方式的一种基于多层改进神经网络的短期电网稳定性预测系统的结构图,如图2所示,所述系统包括:
样本数据集构建单元201,所述样本数据集构建单元201用于周期性构建短期电网风险的样本数据集;所述样本数据集的样本属性参数包括样本取值时刻以及取值时刻内的电网振荡位置编码、发电机组开机编码、电网整体负荷值;
进一步的,所述样本数据集构建单元201包括电网振荡位置编码计算模块,所述电网振荡位置编码计算模块用于将电网上的N个母线节点按照二进制编码序列进行编码,每个母线节点代表所述二进制中的一位;所述电网振荡位置编码计算模块用于获取每个母线节点在当前时刻的振荡情况,如监测到存在振荡,其对应的二进制的位置记为1,如不存在振荡,其对应的二进制的位置记为0;所述电网振荡位置编码计算模块用于将整个电网对应的二进制编码转为十进制整数,获得当前时刻的电网振荡位置编码;
进一步的,所述样本数据集构建单元201包括发电机组编码计算模块,所述发电机组编码计算模块用于将电网上的M个发电机节点按照二进制编码序列进行编码,每个发电机节点代表所述二进制中的一位;所述发电机组编码计算模块用于获取每个发电机节点在当前时刻的开机情况,如监测到开机,其对应的二进制的位置记为1,如未开机,其对应的二进制的位置记发电机组编码计算模块用于将整个电网对应的二进制编码转为十进制整数,获得当前时刻的发电机组编码;
进一步的,所述样本数据集构建单元201构建样本数据集的样本属性参数还包括多组扰动振荡曲线最大幅值和最小阻尼、断面值以及多个区域的负荷值;每两个母线节点间的连枝对应一组扰动振荡曲线;所述扰动振荡曲线通过WAMS系统测量获得;所述多个区域指在总电网中按照预设规则划分的多个区域;
样本特征计算单元202,用于通过PSASP程序对所述样本数据集构建单元201构建的样本数据集进行小干扰分析计算,获得最小阻尼值作为该样本数据集对应的样本特征;
聚类中心生成单元203,所述聚类中心生成单元203用于根据KDD聚类方法对多组历史样本数据集的样本属性参数和样本特征进行处理,获得三个聚类中心;所述多组历史样本数据集的样本属性参数由样本数据集构建单元201生成;所述多组历史样本数据集的样本特征由样本特征计算单元202计算获得;
所述聚类中心生成单元203用于将所述三个聚类中心依据其适应度的由高到低定义其代表的风险程度为大、中以及小;
风险程度预测单元204,所述风险程度预测单元204用于将样本数据集构建单元201构建的当前时刻的的样本数据集及其对应的样本特征通过KDD聚类方法计算获得聚类点;所述风险程度预测单元204用于根据预设规则判定该聚类点的风险程度。
进一步的,所述风险程度预测单元204根据所述当前构建的样本数据集对应的聚类点和所述聚类中心生成单元203输出的三个聚类中心的欧几里得距离最小的视为与该聚类中心对应的风险程度相同;
进一步的,所述系统还包括知识求精单元,所述知识求精单元用于设定所述当前构建的样本数据集的目标输出结果;若实际输出的结果与目标输出结果偏差过大时,启动知识求精。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。本说明书中涉及到的步骤编号仅用于区别各步骤,而并不用于限制各步骤之间的时间或逻辑的关系,除非文中有明确的限定,否则各个步骤之间的关系包括各种可能的情况。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如,在权利要求书中所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中,这些系统中的若干个可以是通过同一个硬件项来具体体现。
以上所述仅是本公开的具体实施方式,应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开精神的前提下,可以作出若干改进、修改、和变形,这些改进、修改、和变形都应视为落在本申请的保护范围内。
Claims (12)
1.一种基于多层改进神经网络的短期电网稳定性预测方法,所述方法包括:
周期性构建短期电网风险的样本数据集;所述样本数据集的样本属性参数包括样本取值时刻以及取值时刻内的电网振荡位置编码、发电机组开机编码、电网整体负荷值;
将多组历史样本数据集输入至PSASP程序中进行小干扰分析计算,获得所述多组历史样本数据集中每个样本数据集对应的最小阻尼值作为该样本数据集对应的样本特征;
根据KDD聚类方法对多组历史样本数据集对应的多组样本特征和样本属性参数进行处理,获得三个聚类中心,并将所述三个聚类中心依据其适应度的由高到低定义其代表的风险程度为大、中以及小;
将当前构建的样本数据集带入PSASP程序进行小干扰分析计算,获得其对应的样本特征;
根据KDD聚类方法对所述当前构建的样本数据集的样本特征和样本属性参数进行处理,获得其对应的聚类点;
根据预设规则判定当前构建的样本数据集对应的聚类点的风险程度。
2.根据权利要求1所述的方法,其特征在于:所述电网振荡位置编码用于确认当前时刻电网中存在振荡的母线节点的位置;所述电网振荡位置编码的获得方式为:将电网上的N个母线节点按照二进制编码序列进行编码,每个母线节点代表所述二进制中的一位;对于每个母线节点,在当前时刻,如监测到存在振荡,其对应的二进制的位置记为1,如不存在振荡,其对应的二进制的位置记为0;将整个电网对应的二进制编码转为十进制整数,所述十进制整数记为当前时刻的电网振荡位置编码。
3.根据权利要求1所述的方法,其特征在于:所述发电机组开机编码用于确认当前时刻电网中各个发电机的状态;所述发电机组开机编码的获得方式为:将电网上的M个发电机节点按照二进制编码序列进行编码,每个发电机节点代表所述二进制中的一位;对于每个发电机节点,在当前时刻,如监测到开机,其对应的二进制的位置记为1,如未开机,其对应的二进制的位置记为0;将整个电网对应的二进制编码转为十进制整数,所述十进制整数记为当前时刻的发电机组开机编码。
4.根据权利要求1所述的方法,其特征在于:所述样本属性参数还包括多组扰动振荡曲线最大幅值和最小阻尼、断面值以及多个区域的负荷值;每两个母线节点间的连枝对应一组扰动振荡曲线;所述扰动振荡曲线通过WAMS系统测量获得;所述多个区域指在总电网中按照预设规则划分的多个区域。
5.根据权利要求1所述的方法,其特征在于:所述预设规则根据所述当前构建的样本数据集对应的聚类点和所述三个聚类中心的欧几里得距离最小的视为与该聚类中心对应的风险程度相同。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:在所述将当前构建的样本数据集带入PSASP程序前,设定所述样本数据集的目标输出结果;若实际输出的结果与目标输出结果偏差过大时,启动知识求精。
7.一种基于多层改进神经网络的短期电网稳定性预测系统,所述系统包括:
样本数据集构建单元,所述样本数据集构建单元用于周期性构建短期电网风险的样本数据集;所述样本数据集的样本属性参数包括样本取值时刻以及取值时刻内的电网振荡位置编码、发电机组开机编码、电网整体负荷值;
样本特征计算单元,用于通过PSASP程序对所述样本数据集构建单元构建的样本数据集进行小干扰分析计算,获得最小阻尼值作为该样本数据集对应的样本特征;
聚类中心生成单元,所述聚类中心生成单元用于根据KDD聚类方法对多组历史样本数据集的样本属性参数和样本特征进行处理,获得三个聚类中心;所述多组历史样本数据集的样本属性参数由样本数据集构建单元生成;所述多组历史样本数据集的样本特征由样本特征计算单元计算获得;
所述聚类中心生成单元用于将所述三个聚类中心依据其适应度的由高到低定义其代表的风险程度为大、中以及小;
风险程度预测单元,所述风险程度预测单元用于将样本数据集构建单元构建的当前时刻的的样本数据集及其对应的样本特征通过KDD聚类方法计算获得聚类点;所述风险程度预测单元用于根据预设规则判定该聚类点的风险程度。
8.根据权利要求7所述的系统,其特征在于:所述样本数据集构建单元包括电网振荡位置编码计算模块,所述电网振荡位置编码计算模块用于将电网上的N个母线节点按照二进制编码序列进行编码,每个母线节点代表所述二进制中的一位;所述电网振荡位置编码计算模块用于获取每个母线节点在当前时刻的振荡情况,如监测到存在振荡,其对应的二进制的位置记为1,如不存在振荡,其对应的二进制的位置记为0;所述电网振荡位置编码计算模块用于将整个电网对应的二进制编码转为十进制整数,获得当前时刻的电网振荡位置编码。
9.根据权利要求7所述的系统,其特征在于:所述样本数据集构建单元包括发电机组编码计算模块,所述发电机组编码计算模块用于将电网上的M个发电机节点按照二进制编码序列进行编码,每个发电机节点代表所述二进制中的一位;所述发电机组编码计算模块用于获取每个发电机节点在当前时刻的开机情况,如监测到开机,其对应的二进制的位置记为1,如未开机,其对应的二进制的位置记发电机组编码计算模块用于将整个电网对应的二进制编码转为十进制整数,获得当前时刻的发电机组编码。
10.根据权利要求7所述的系统,其特征在于:所述样本数据集构建单元构建样本数据集的样本属性参数还包括多组扰动振荡曲线最大幅值和最小阻尼、断面值以及多个区域的负荷值;每两个母线节点间的连枝对应一组扰动振荡曲线;所述扰动振荡曲线通过WAMS系统测量获得;所述多个区域指在总电网中按照预设规则划分的多个区域。
11.根据权利要求7所述的系统,其特征在于:所述风险程度预测单元根据所述当前构建的样本数据集对应的聚类点和所述聚类中心生成单元输出的三个聚类中心的欧几里得距离最小的视为与该聚类中心对应的风险程度相同。
12.根据权利要求7所述的系统,其特征在于:所述系统还包括知识求精单元,所述知识求精单元用于设定所述当前构建的样本数据集的目标输出结果;若实际输出的结果与目标输出结果偏差过大时,启动知识求精。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810287074.6A CN108647851A (zh) | 2018-03-30 | 2018-03-30 | 一种基于多层改进神经网络的短期电网稳定性预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810287074.6A CN108647851A (zh) | 2018-03-30 | 2018-03-30 | 一种基于多层改进神经网络的短期电网稳定性预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108647851A true CN108647851A (zh) | 2018-10-12 |
Family
ID=63745488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810287074.6A Pending CN108647851A (zh) | 2018-03-30 | 2018-03-30 | 一种基于多层改进神经网络的短期电网稳定性预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647851A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685966A (zh) * | 2008-09-27 | 2010-03-31 | 国家电力调度通信中心 | 一种低频振荡综合分析的方法及其系统 |
CN102062832A (zh) * | 2010-12-09 | 2011-05-18 | 中国南方电网有限责任公司电网技术研究中心 | 基于微扰动信号低频振荡模式辨识的电力系统在线预警方法 |
US20130080814A1 (en) * | 2011-09-23 | 2013-03-28 | Microsoft Corporation | Computational cluster power consumption and availability management |
CN106611959A (zh) * | 2017-02-27 | 2017-05-03 | 国网河南省电力公司 | 一种基于wams异常波动动态跟踪的直流受端交流系统电压稳定判别方法 |
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
-
2018
- 2018-03-30 CN CN201810287074.6A patent/CN108647851A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101685966A (zh) * | 2008-09-27 | 2010-03-31 | 国家电力调度通信中心 | 一种低频振荡综合分析的方法及其系统 |
CN102062832A (zh) * | 2010-12-09 | 2011-05-18 | 中国南方电网有限责任公司电网技术研究中心 | 基于微扰动信号低频振荡模式辨识的电力系统在线预警方法 |
US20130080814A1 (en) * | 2011-09-23 | 2013-03-28 | Microsoft Corporation | Computational cluster power consumption and availability management |
CN106611959A (zh) * | 2017-02-27 | 2017-05-03 | 国网河南省电力公司 | 一种基于wams异常波动动态跟踪的直流受端交流系统电压稳定判别方法 |
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
张先永等: "《电子技术基础》", 30 January 2009, 华中科技大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Real-time transient stability assessment model using extreme learning machine | |
CN112199367B (zh) | 一种长时间尺度功率平衡校验和大数据分析方法及系统 | |
CN111523785A (zh) | 一种基于生成对抗网络的电力系统动态安全评估方法 | |
AU2013201595A1 (en) | Method and apparatus for harmonic state estimation in power system | |
CN110535159A (zh) | 一种规模化储能电站运行单元故障预警的方法及系统 | |
CN108647838B (zh) | 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 | |
CN108898243A (zh) | 一种电力系统输电网络安全性测试系统 | |
Yang et al. | Measurement-based cell-DT method for power system transient stability classification | |
CN109447512B (zh) | 基于均匀设计的大电网可靠性评估方法 | |
Hailu et al. | Techniques of power system static security assessment and improvement: A literature survey | |
CN108647851A (zh) | 一种基于多层改进神经网络的短期电网稳定性预测方法及系统 | |
CN111965442A (zh) | 一种数字孪生环境下的能源互联网故障诊断方法及装置 | |
Wang et al. | A trend‐based approach for situation awareness in power systems | |
Hogan et al. | Towards effective clustering techniques for the analysis of electric power grids | |
CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
Qi et al. | Intelligent retrieval method of power system service user satisfaction based on human-computer interaction | |
CN115051360A (zh) | 集成式知识迁移的电力系统运行风险在线计算方法与装置 | |
CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
JP6818658B2 (ja) | 電力系統監視システム、電力系統監視方法、及びプログラム | |
Karimishad et al. | Probabilistic transient stability assessment using two-point estimate method | |
Sami et al. | Linear and nonlinear control schemes for smart grid | |
Hailu et al. | Application of Data‐Driven Tuned Fuzzy Inference System for Static Equivalencing of Power Systems with High Penetration of Renewable Energy | |
CN115102195B (zh) | 一种基于农村电网的三相负荷不平衡治理方法及装置 | |
Sanz et al. | Fuzzy inference systems applied to the analysis of vibrations in electrical machines | |
Li et al. | A reinforcement learning approach for robust restoration of generators in power system |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |
|
RJ01 | Rejection of invention patent application after publication |