CN108964023A - 一种用于电网的母线电压态势短期预测方法及系统 - Google Patents

Abstract

本发明涉及电力技术领域，具体涉及一种用于电网的母线电压态势短期预测方法及系统。电力大数据环境下的电网监测海量数据，面临海量的实时告警提示信息，电网安全预警的准确和高效在电力大数据环境下要求更加严苛。本发明面向电网母线电压越限告警信息智能辨识和预测的智能预警策略，提出了基于大数据多维时序数据挖掘的电压态势短期预测方法。首先，本发明对母线电压短期预测的多维时序数据集进行了数据建模，提出了基于多维时序数据挖掘方法的母线电压态势短期预测方法。该方法采用动态时序规整DTW聚类算法对多维电压相关时序数据进行降维预处理；然后，通过集成学习策略构造电压态势预测强分类器，实现了母线电压未来短期态势的精准预测。

Description

一种用于电网的母线电压态势短期预测方法及系统

技术领域

本发明涉及电力技术领域，具体涉及一种用于电网的母线电压态势短期预测方法及系统。

背景技术

当前电网的安全稳定所面临的问题越来越复杂，电网安全告警作为电网安全调度工作的重要支持，对电网安全告警管理提出了更高的要求。在电力大数据和人工智能的时代，电网安全告警结合大数据智能分析和机器学习技术，使得相关告警的准确性、有效性和及时性得到显著改善和提升。

电力大数据具有大数据的共性，包括目标领域向其他相关领域的扩展，时间维度向多尺度的流数据扩展，所形成的大量异构异质数据和动态数据等；同时，电力大数据也继承了能源行业的数据特征，包括大量因果关系数据，高维时空数据、广域监测控制数据等。电网安全预警结合电力大数据的分析与应用，不仅需要从数据特征和统计特性进行分析，更需要结合电网本身的特性，从因果性的维度进行剖析和深化。

电网集中监控已经达到大数据业务处理的规模，目前公司集中监控变电站124个，市地两级监控信息点高达到62万个，其中市调23万个，地调39万个，每月仅市调遥信数据16万条以上，遥测数据每月多达3000万条数据。海量的电网监测数据也导致电网调度人员面临海量的实时告警提示信息，电网安全预警的准确和高效在电力大数据环境下要求更加严苛。

本发明从电网母线电压越限智能预警问题入手，提出了基于电网特性的电压告警因果决策判断和母线电压态势预测算法相结合的母线电压智能预警方法。

发明内容

母线电压越限告警有效性判断主要依靠来自D5000告警系统的告警数据、D5000实时遥测数据、以及AVC系统的动作数据和状态记录。但是D5000系统设置的电压越限告警阀值和AVC系统的动作触发阀值存在不一致现象，需监控员花费大量的时间来人工判断告警信息的有效性，过滤无效告警信息，即过滤掉监控员无需关注的告警信息，此刻监控员也无需人为介入调控。在实际业务场景中，告警系统往往会在短时出现大量报警，监控员几乎无法从中快速识别有效告警信息，即监控员需要特别关注的告警信息，必要时监控员还需要人为介入调控，从而影响告警系统的功能性。

针对现有技术中的缺陷，本发明提供了一种用于电网的母线电压态势短期预测方法，该母线电压态势短期预测方法包括母线电压越限智能预警策略，母线电压越限智能预警策略具体为从大数据多维相关时序特征分析出发，对母线电压态势进行短期预测，再结合D5000告警数据和AVC系统当前状态，对D5000告警数据进行智能识别，过滤无效告警；具体步骤如下：

第一步，对D5000系统告警信息，结合AVC无功设备状态信息，进行初步筛选；筛选的原则是母线电压向上越上上限阈值或者越下限阈值，且AVC无功调节能力已用尽，则判定该告警初步有效；

第二步，对初步有效的告警点的母线电压态势进行短期预测，判断未来电压的短期态势是趋势上扬，或者趋势平稳，或者趋势下行；

最后，结合初筛的告警信息和对母线未来电压态势的判断，辨识告警是否有效，并将该有效预警信息推送出去，明确该电压越限的情况是否需要调控干预，以及干预的时机。

优选的，该方法还包括对电压态势短期预测数据分析与建模的步骤；母线电压态势短时预测方法是一个多维时序数据挖掘问题，本方法对各相关遥测工况数据按一定时间长度进行统一的窗口切分，并将电压态势设定为三支决策问题，包括电压趋势上扬、电压趋势下行、电压趋势稳定；

某指定母线相关L条遥测工况数据的集合设为D＝{D₁,D₂,…,D_L}，且D_i∈D的语义为D中第i条遥测的相关线路工况指标构成时间序列信息系统，记为D_i＝(A_i,V_i,N,F,g)；

其中A_i＝{a_i1,a_i2,…,a_im}代表第i条指标内m个具有时间先后顺序的工况数据流时序段构成的集合，每个时序段的长度为h个时间单元，即对第i个指标的第j个时间窗口的数据表达为：且a_ij∈A_i、|a_ij|＝h、与之间满足前驱后续关系；

V_i＝{TS_i1，TS_i2，TS_i3,...TS_im}代表第i个指标遥测数据流样本中，m个前驱后继的工况时序数据构成的集合，F是一个映射:F:a_ij→TS_ij，其语义为V_i中的任意第j段时间序列数据TS_ij与A_i中的第j段时序数据段a_ij的一一映射关系。可记为： 代表V_i＝{TS_i1，TS_i2，TS_i3,...TS_im}中每段历史工况时序数据之后的连续K分钟的母线电压态势取值的集合，其中特征值为P即电压趋势上扬，B即电压趋势稳定,N即电压趋势下行；其取值由映射决定，其中j∈{1,2,…m}；

数据样本D_i对应的时间序列V_i集合，可以被记为如式1所示的工况时序数据矩阵模型；

其中每一行表示为对应TS_ij数据集合的h个数据的水平转置；

本方法考虑到各相关线路对母线电压的影响，因此不直接使用母线的历史数据流来预测，而是对母线及其相关线路的多维历史数据流进行建模；将D集合中L条遥测工况时序数据构成矩阵(即：V₁,V₂,V₃,…V_l),其中每个V_i＝(TS_i1,TS_i2,TS_i3,…TS_im)按照每段时间序列的起始时间的先后顺序组合转换成一列数据；最后将需要预测的母线的各个时间窗口未来K分钟电压态势值N＝{N₁,N₂,...N_m}加入到相应时间段，得到如式2所示的电压态势数据矩阵模型DB，作为相对于母线态势预测的决策训练数据集；

其中j∈{1,2,…,m}，i∈{1,2,…,L}；在DB矩阵中，除了决策列N外，其它列分别代表了不同线路的时序工况类型；DB矩阵中每一行数据除了决策列外分别代表同一区域L个时序数据在同一时间窗口的类型指标；第J行代表各个线路第J个时间窗口的时序数据以及其未来K分钟内的电压态势离散化类型值。

优选的，该方法还包括基于多维时序数据挖掘方法的母线电压态势短期预测方法详细步骤：

第一步，使用母线电压相关历史数据进行多维时间序列建模，将被研究的遥测数据转换为多维时间序列矩阵模型；

第二步，用时间序列聚类方法对其进行时序聚类，将多维时间序列矩阵模型降维转变为经典二维信息表；

第三步：将二维信息表进行属性约简后导入多机器学习群进行学习，学习完后的多个算法模型，包括RNN算法模型、C4.5算法模型、SVM算法模型，通过测试数据进行竞争，根据集成学习算法产生最优分类器；将实践数据导入最优分类器并输出预测结果；

第四步：对预测结果进行集成测试，如果实测结果不佳，则更新训练数据集，重新训练直至获得最优预测分类器。

优选的，该基于多维时序数据挖掘方法的母线电压态势短期预测方法的核心步骤为多维时间序列数据的降维算法，及多机器集成学习策略；本方法将上述核心步骤定义为基于多维度时序数据挖掘的母线越限短时预测核心步骤，母线越限短时预测-BOLF具体步骤为：

输入：某指定母线相关L条遥测工况历史数据的集合D，

输出：最优分类器；

步骤1：遥测工况历史数据的集合D被预处理为相对于母线态势预测的决策数据集DB；

步骤2：对于DB矩阵中每一列时间序列数据除了决策列外分别实施基于DTW聚类方法的时间序列聚类；

步骤3：使用步骤2获得的聚类结果，将DB矩阵中每个时间序列数据TS_xy，其中0＜x≤L，0＜y≤m，转化为相应的时间序列聚类类型；然后，多维时间序列数据构成的DB矩阵，每个就被转化为二维决策信息表；

步骤4：基于步骤3获得的电压态势预测二维决策信息表引入经典机器学习分类算法，包括SVM，RNN,及C4.5决策树；

步骤5：对步骤4获得的决策知识进行测试，保留测试准确率达到阈值λ＝0.95的决策知识并构成多机器集成学习分类器；

步骤6：采用少数服从多数的集成学习多分类器博弈策略实施母线电压态势预测，确定最优分类器模型。

优选的，基于时间序列动态时序规整DTW聚类方法的步骤如下：

电压时序数据DTW聚类算法输入:母线电压时序数据DB中的任一列时间序列数据集V_i＝(TS_i1,TS_i2,TS_i3,…TS_im)，其中1≤i≤L；

算法输出：聚类结果，(TS_i1,TS_i2,TS_i3,…TS_im)被转化为离散型数据集；

步骤1：从(TS_i1,TS_i2,TS_i3,…TS_im)随机选择k个时序对象作为初始质心；

步骤2：根据DTW动态弯曲算法，分别计算其它时序对象与初始质心的DTW规整距离；

步骤3：将每个时序对象都指派到离它最近的质心，形成k个聚类；

步骤4：重复到步骤2，知道每个聚类的质心都不再发生变化；

步骤5：将每个时间序列数据(TS_i1,TS_i2,TS_i3,…TS_im)都标注为步骤4聚类的类别标识。

优选的，基于时间序列动态时序规整DTW聚类方法的详细步骤还如下：

假设有两个时间序列X和Y，且X∈(TS_i1,TS_i2,TS_i3,L TS_ih)，Y∈(TS_i1,TS_i2,TS_i3,LTS_ih)，X≠Y；

为了便于描述，此处将X和Y简化描述为：X＝(p₁,p₂,...,p_h)，Y＝(q₁,q₂,...,q_h)那么两个时间序列数据点之间形成的距离矩阵D_M×N＝{d(i,j)}_h×h，其中1≤i≤h和1≤j≤h，d(i,j)的值由x_i和y_j之间的欧氏距离的平方来确定，即d(i,j)＝(x_i-y_j)²；矩阵存储了两个时间序列不同时间点上数据之间的距离；

DTW就是从该矩阵中找到一条连续的路径W＝w₁,w₂...w_c，使得规整路径上的元素值累加和最小；

在DTW计算中，弯曲路径W必须满足以下特性：

1、端点对齐，弯曲路径必须从两序列的起点开始，终止于两序列的终点，即：w₁＝d(x₁,y₁)和w_N＝d(x_h,y_h)；

2、邻点连续，弯曲路径中相邻的点必须来自于矩阵中相邻的方格，包括对角线相邻或者边界相邻，即：

其中，i′≤i+1,j′≤j+1；

3、间递增，弯曲路径随时间向前延伸，即：

其中，i≥i,j≥j。

另一方面，本发明还提出一种用于电网的母线电压态势短期预测系统，该系统包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的一种用于电网的母线电压态势短期预测方法。

由上述技术方案可知，本方法可实现电网运行中的电压越限告警信息的智能化整理和分析，确保电压预警的高效精准，也证明电压短期态势预测，为电网安全调度提供了有力的支持和保障。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1示出了本发明所提供的一种用于电网的母线电压态势短期预测方法的母线电压越限智能预警策略框图；

图2示出了本发明所提供的一种用于电网的母线电压态势短期预测方法的流程示意图；

图3示出了本发明所提供的一种用于电网的母线电压态势短期预测方法的框架示意图；

图4示出了本发明所提供的一种用于电网的母线电压态势短期预测方法的动态时间规整DTW方法原理示意图；

图5示出了本发明所提供的一种用于电网的母线电压态势短期预测方法的基于AVC状态初筛母线越限告警流程示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

如图1所示，本发明提供了一种用于电网的母线电压态势短期预测方法，该母线电压态势短期预测方法包括母线电压越限智能预警策略，母线电压越限智能预警策略具体为从大数据多维相关时序特征分析出发，对母线电压态势进行短期预测，再结合D5000告警数据和AVC系统当前状态，对D5000告警数据进行智能识别，过滤无效告警；具体步骤如下：

第一步，对D5000系统告警信息，结合AVC无功设备状态信息，进行初步筛选；筛选的原则是母线电压向上越上上限阈值或者越下限阈值，且AVC无功调节能力已用尽，则判定该告警初步有效；

第二步，对初步有效的告警点的母线电压态势进行短期预测，判断未来电压的短期态势是趋势上扬，或者趋势平稳，或者趋势下行；

最后，结合初筛的告警信息和对母线未来电压态势的判断，辨识告警是否有效，并将该有效预警信息推送出去，明确该电压越限的情况是否需要调控干预，以及干预的时机。

优选的，该方法还包括对电压态势短期预测数据分析与建模的步骤；母线电压态势短时预测方法是一个多维时序数据挖掘问题，本方法对各相关遥测工况数据按一定时间长度进行统一的窗口切分，并将电压态势设定为三支决策问题，包括电压趋势上扬、电压趋势下行、电压趋势稳定；

某指定母线相关L条遥测工况数据的集合设为D＝{D₁,D₂,…,D_L}，且D_i∈D的语义为D中第i条遥测的相关线路工况指标构成时间序列信息系统，记为D_i＝(A_i,V_i,N,F,g)；

其中A_i＝{a_i1,a_i2,…,a_im}代表第i条指标内m个具有时间先后顺序的工况数据流时序段构成的集合，每个时序段的长度为h个时间单元，即对第i个指标的第j个时间窗口的数据表达为：且a_ij∈A_i、|a_ij|＝h、与之间满足前驱后续关系；

V_i＝{TS_i1，TS_i2，TS_i3,...TS_im}代表第i个指标遥测数据流样本中，m个前驱后继的工况时序数据构成的集合，F是一个映射:F:a_ij→TS_ij，其语义为V_i中的任意第j段时间序列数据TS_ij与A_i中的第j段时序数据段a_ij的一一映射关系。可记为： 代表V_i＝{TS_i1，TS_i2，TS_i3,...TS_im}中每段历史工况时序数据之后的连续K分钟的母线电压态势取值的集合，其中特征值为P即电压趋势上扬，B即电压趋势稳定,N即电压趋势下行；其取值由映射决定，其中j∈{1,2,…m}；

数据样本D_i对应的时间序列V_i集合，可以被记为如式1所示的工况时序数据矩阵模型；

其中每一行表示为对应TS_ij数据集合的h个数据的水平转置；

本方法考虑到各相关线路对母线电压的影响，因此不直接使用母线的历史数据流来预测，而是对母线及其相关线路的多维历史数据流进行建模；将D集合中L条遥测工况时序数据构成矩阵(即：V₁,V₂,V₃,…V_l),其中每个V_i＝(TS_i1,TS_i2,TS_i3,…TS_im)按照每段时间序列的起始时间的先后顺序组合转换成一列数据；最后将需要预测的母线的各个时间窗口未来K分钟电压态势值N＝{N₁,N₂,...N_m}加入到相应时间段，得到如式2所示的电压态势数据矩阵模型DB，作为相对于母线态势预测的决策训练数据集；

其中j∈{1,2,…,m}，i∈{1,2,…,L}；在DB矩阵中，除了决策列N外，其它列分别代表了不同线路的时序工况类型；DB矩阵中每一行数据除了决策列外分别代表同一区域L个时序数据在同一时间窗口的类型指标；第J行代表各个线路第J个时间窗口的时序数据以及其未来K分钟内的电压态势离散化类型值。

如图2所示，优选的，该方法还包括基于多维时序数据挖掘方法的母线电压态势短期预测方法详细步骤：

第一步，使用母线电压相关历史数据进行多维时间序列建模，将被研究的遥测数据转换为多维时间序列矩阵模型；

第二步，用时间序列聚类方法对其进行时序聚类，将多维时间序列矩阵模型降维转变为经典二维信息表；

第三步：将二维信息表进行属性约简后导入多机器学习群进行学习，学习完后的多个算法模型，包括RNN算法模型、C4.5算法模型、SVM算法模型，通过测试数据进行竞争，根据集成学习算法产生最优分类器；将实践数据导入最优分类器并输出预测结果；

第四步：对预测结果进行集成测试，如果实测结果不佳，则更新训练数据集，重新训练直至获得最优预测分类器。

如图3所示，优选的，该基于多维时序数据挖掘方法的母线电压态势短期预测方法的核心步骤为多维时间序列数据的降维算法，及多机器集成学习策略；本方法将上述核心步骤定义为基于多维度时序数据挖掘的母线越限短时预测核心步骤，母线越限短时预测-BOLF具体步骤为：

输入：某指定母线相关L条遥测工况历史数据的集合D，

输出：最优分类器；

步骤1：遥测工况历史数据的集合D被预处理为相对于母线态势预测的决策数据集DB；

步骤2：对于DB矩阵中每一列时间序列数据除了决策列外分别实施基于DTW聚类方法的时间序列聚类；

步骤3：使用步骤2获得的聚类结果，将DB矩阵中每个时间序列数据TS_xy，其中0＜x≤L，0＜y≤m，转化为相应的时间序列聚类类型；然后，多维时间序列数据构成的DB矩阵，每个就被转化为二维决策信息表；

步骤4：基于步骤3获得的电压态势预测二维决策信息表引入经典机器学习分类算法，包括SVM，RNN,及C4.5决策树；

步骤5：对步骤4获得的决策知识进行测试，保留测试准确率达到阈值λ＝0.95的决策知识并构成多机器集成学习分类器；

步骤6：采用少数服从多数的集成学习多分类器博弈策略实施母线电压态势预测，确定最优分类器模型。

如图4所示，优选的，基于时间序列动态时序规整DTW聚类方法的步骤如下：

电压时序数据DTW聚类算法输入:母线电压时序数据DB中的任一列时间序列数据集V_i＝(TS_i1,TS_i2,TS_i3,…TS_im)，其中1≤i≤L；

算法输出：聚类结果，(TS_i1,TS_i2,TS_i3,…TS_im)被转化为离散型数据集；

步骤1：从(TS_i1,TS_i2,TS_i3,…TS_im)随机选择k个时序对象作为初始质心；

步骤2：根据DTW动态弯曲算法，分别计算其它时序对象与初始质心的DTW规整距离；

步骤3：将每个时序对象都指派到离它最近的质心，形成k个聚类；

步骤4：重复到步骤2，知道每个聚类的质心都不再发生变化；

步骤5：将每个时间序列数据(TS_i1,TS_i2,TS_i3,…TS_im)都标注为步骤4聚类的类别标识。

优选的，基于时间序列动态时序规整DTW聚类方法的详细步骤还如下：

假设有两个时间序列X和Y，且X∈(TS_i1,TS_i2,TS_i3,L TS_ih)，Y∈(TS_i1,TS_i2,TS_i3,LTS_ih)，X≠Y；

为了便于描述，此处将X和Y简化描述为：X＝(p₁,p₂,...,p_h)，Y＝(q₁,q₂,...,q_h)那么两个时间序列数据点之间形成的距离矩阵D_M×N＝{d(i,j)}_h×h，其中1≤i≤h和1≤j≤h，d(i,j)的值由x_i和y_j之间的欧氏距离的平方来确定，即d(i,j)＝(x_i-y_j)²；矩阵存储了两个时间序列不同时间点上数据之间的距离；

DTW就是从该矩阵中找到一条连续的路径W＝w₁,w₂...w_c，使得规整路径上的元素值累加和最小；

在DTW计算中，弯曲路径W必须满足以下特性：

1、端点对齐，弯曲路径必须从两序列的起点开始，终止于两序列的终点，即：w₁＝d(x₁,y₁)和w_N＝d(x_h,y_h)；

2、邻点连续，弯曲路径中相邻的点必须来自于矩阵中相邻的方格，包括对角线相邻或者边界相邻，即：

其中，i′≤i+1,j′≤j+1；

3、间递增，弯曲路径随时间向前延伸，即：

其中，i≥i,j≥j。

另一方面，本发明还提出一种用于电网的母线电压态势短期预测系统，该系统包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的一种用于电网的母线电压态势短期预测方法。

实施例：实验数据来自于公司500千伏A变电站500kV1号母线为2015～2016年的D5000母线电压相关各项遥测数据、相关AVC操作数据以及AVC状态数据，包括该站500kV一号母线历史Uac线电压时序、相关4条220kV母线历史Uac线电压时序、相关变压器各工况时序、500kVI一号母线历史越限告警信息、该站相关AVC设备投切日志记录和状态记录、相关联络开关历史遥信变位信号、以及气温数据。下表1为主要属性特征列表：

表1母线电压态势短期预测属性特征列表

如图5所示，结合AVC系统设置的电压阀值、AVC系统自动投切日志、无功设备台账及无功设备是否用尽等数据，对D5000系统实时母线电压越限告警数据进行初步筛选，过滤掉明显无效的电压越限告警数据，从而初步减少无效的干扰数据。首先，对比D5000系统母线电压越限告警点的AVC系统动作和状态记录，如果AVC系统不可用，则该告警初步认定为有效告警；或者AVC系统无功设备调节功能已用尽，则该告警初步认定为有效告警；其他情况再根据母线电压遥测值与AVC动作的定值比较和AVC动作条件进行比较分析。当母线电压值未达AVC动作定值时，则该告警为无效告警；当母线电压值超过AVC动作定值时，则对AVC动作条件进行判断。如果电压越限告警不满足AVC动作条件(AVC动作条件：母线电压值超AVC动作定值持续时长超过30秒)，则该告警为无效告警；如果越限告警满足AVC动作条件，则判定该告警为AVC动作存疑(有效告警)。在2015～2016年间，500千伏1号母线实际有D5000电压越限8186条报警，初筛过滤了6749条无效报警，再对剩下的1437条初筛有效报警进行进一步分析。

首先对某变电站历史母线越限告警相关的多维时序历史数据整理为电压预测数据矩阵模型DB。其中通过选择不同的时序窗口(1分钟、5分钟和10分钟)的电压态势作为三种决策情况分，即来k＝1、k＝5、k＝10时的三种电压态势值N＝{N₁,N₂,...N_m}分别进行3种预测粒度的电压预测计算。

具体流程按照多维度时序数据挖掘算法母线越限BOLF算法实施。BOLF算法中的多机器学习模块使用了(C4.5决策树、神经网络和SVM)三种经典模型进行训练，再通过集成学习算法构造基于三个经典模型子模块的最优分类器。

表2给出了C4.5决策树、神经网络、SVM和集成学习最优分类器基于不同k值(不同时间跨度)的预测准确率对比，其中集成学习最优分类器的预测准确率最高。此外，最优分类器模型对于k＝1(即1分钟)的母线电压态势预测的效果最好，模型的预测准确率达到91.3％；对于k＝5(即5分钟)的母线电压态势预测效果一般，最优分类器模型的预测准确率到达82.5％；对于k＝10(即10分钟)的母线电压态势预测效果一般，最优分类器模型的预测准确率是73％。实验结果表2还显示，算法中参数K的取值对预测结果是相关的，随着K值的加大，预测的粒度越大，准确率将逐渐降低。这也是由于受实验数据规模的影响，预测不确定因素会随预测时间间隔的延长而增加，从而导致准确率下降，随着算法训练数据集规模的扩大，准确率将可以进一步提升。

表2 500千伏母线电压态势短期预测的各算法预测准确率对比表

本发明提出了基于大数据多维时序数据挖掘的电压态势短期预测方法及系统，结合电网特性的电压告警因果机制，对电网500kV母线电压越限告警信息进行智能辨识和预测，并得到了良好效果。该方法及系统应用于实际调度生产业务中，明显消除了500kV母线电压越限的无效告警，确保了电网告警的高效精准，为电网安全调度提供有力的支持和保障。

本发明的说明书中，说明了大量具体细节。然而，能够理解，本发明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。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (7)

1.一种用于电网的母线电压态势短期预测方法，其特征在于：该母线电压态势短期预测方法包括母线电压越限智能预警策略，母线电压越限智能预警策略具体为从大数据多维相关时序特征分析出发，对母线电压态势进行短期预测，再结合D5000告警数据和AVC系统当前状态，对D5000告警数据进行智能识别，过滤无效告警；具体步骤如下：

第一步，对D5000系统告警信息，结合AVC无功设备状态信息，进行初步筛选；筛选的原则是母线电压向上越上上限阈值或者越下限阈值，且AVC无功调节能力已用尽，则判定该告警初步有效；

第二步，对初步有效的告警点的母线电压态势进行短期预测，判断未来电压的短期态势是趋势上扬，或者趋势平稳，或者趋势下行；

最后，结合初筛的告警信息和对母线未来电压态势的判断，辨识告警是否有效，并将该有效预警信息推送出去，明确该电压越限的情况是否需要调控干预，以及干预的时机。

2.根据权利要求1所述的一种用于电网的母线电压态势短期预测方法，其特征在于，该方法还包括对电压态势短期预测数据分析与建模的步骤；母线电压态势短时预测方法是一个多维时序数据挖掘问题，本方法对各相关遥测工况数据按一定时间长度进行统一的窗口切分，并将电压态势设定为三支决策问题，包括电压趋势上扬、电压趋势下行、电压趋势稳定；

某指定母线相关L条遥测工况数据的集合设为D＝{D₁,D₂,…,D_L}，且D_i∈D的语义为D中第i条遥测的相关线路工况指标构成时间序列信息系统，记为D_i＝(A_i,V_i,N,F,g)；

其中A_i＝{a_i1,a_i2,…,a_im}代表第i条指标内m个具有时间先后顺序的工况数据流时序段构成的集合，每个时序段的长度为h个时间单元，即对第i个指标的第j个时间窗口的数据表达为：且a_ij∈A_i、|a_ij|＝h、与之间满足前驱后续关系；

V_i＝{TS_i1，TS_i2，TS_i3,...TS_im}代表第i个指标遥测数据流样本中，m个前驱后继的工况时序数据构成的集合，F是一个映射:F:a_ij→TS_ij，其语义为V_i中的任意第j段时间序列数据TS_ij与A_i中的第j段时序数据段a_ij的一一映射关系。可记为： 代表V_i＝{TS_i1，TS_i2，TS_i3,...TS_im}中每段历史工况时序数据之后的连续K分钟的母线电压态势取值的集合，其中特征值为P即电压趋势上扬，B即电压趋势稳定,N即电压趋势下行；其取值由映射g:决定，其中j∈{1,2,…m}；

数据样本D_i对应的时间序列V_i集合，可以被记为如式1所示的工况时序数据矩阵模型；

其中每一行表示为对应TS_ij数据集合的h个数据的水平转置；

本方法考虑到各相关线路对母线电压的影响，因此不直接使用母线的历史数据流来预测，而是对母线及其相关线路的多维历史数据流进行建模；将D集合中L条遥测工况时序数据构成矩阵(即：V₁,V₂,V₃,…V_l),其中每个V_i＝(TS_i1,TS_i2,TS_i3,…TS_im)按照每段时间序列的起始时间的先后顺序组合转换成一列数据；最后将需要预测的母线的各个时间窗口未来K分钟电压态势值N＝{N₁,N₂,...N_m}加入到相应时间段，得到如式2所示的电压态势数据矩阵模型DB，作为相对于母线态势预测的决策训练数据集；

其中j∈{1,2,…,m}，i∈{1,2,…,L}；在DB矩阵中，除了决策列N外，其它列分别代表了不同线路的时序工况类型；DB矩阵中每一行数据除了决策列外分别代表同一区域L个时序数据在同一时间窗口的类型指标；第J行代表各个线路第J个时间窗口的时序数据以及其未来K分钟内的电压态势离散化类型值。

3.根据权利要求1所述的一种用于电网的母线电压态势短期预测方法，其特征在于，该方法还包括基于多维时序数据挖掘方法的母线电压态势短期预测方法详细步骤：

第一步，使用母线电压相关历史数据进行多维时间序列建模，将被研究的遥测数据转换为多维时间序列矩阵模型；

第二步，用时间序列聚类方法对其进行时序聚类，将多维时间序列矩阵模型降维转变为经典二维信息表；

第三步：将二维信息表进行属性约简后导入多机器学习群进行学习，学习完后的多个算法模型，包括RNN算法模型、C4.5算法模型、SVM算法模型，通过测试数据进行竞争，根据集成学习算法产生最优分类器；将实践数据导入最优分类器并输出预测结果；

第四步：对预测结果进行集成测试，如果实测结果不佳，则更新训练数据集，重新训练直至获得最优预测分类器。

4.根据权利要求3所述的一种用于电网的母线电压态势短期预测方法，其特征在于：该基于多维时序数据挖掘方法的母线电压态势短期预测方法的核心步骤为多维时间序列数据的降维算法，及多机器集成学习策略；本方法将上述核心步骤定义为基于多维度时序数据挖掘的母线越限短时预测核心步骤，母线越限短时预测-BOLF具体步骤为：

输入：某指定母线相关L条遥测工况历史数据的集合D，

输出：最优分类器；

步骤1：遥测工况历史数据的集合D被预处理为相对于母线态势预测的决策数据集DB；

步骤2：对于DB矩阵中每一列时间序列数据除了决策列外分别实施基于DTW聚类方法的时间序列聚类；

步骤3：使用步骤2获得的聚类结果，将DB矩阵中每个时间序列数据TS_xy，其中0＜x≤L，0＜y≤m，转化为相应的时间序列聚类类型；然后，多维时间序列数据构成的DB矩阵，每个就被转化为二维决策信息表；

步骤4：基于步骤3获得的电压态势预测二维决策信息表引入经典机器学习分类算法，包括SVM，RNN,及C4.5决策树；

步骤5：对步骤4获得的决策知识进行测试，保留测试准确率达到阈值λ＝0.95的决策知识并构成多机器集成学习分类器；

步骤6：采用少数服从多数的集成学习多分类器博弈策略实施母线电压态势预测，确定最优分类器模型。

5.根据权利要求4所述的一种用于电网的母线电压态势短期预测方法，其特征在于：基于时间序列动态时序规整DTW聚类方法的步骤如下：

电压时序数据DTW聚类算法输入:母线电压时序数据DB中的任一列时间序列数据集V_i＝(TS_i1,TS_i2,TS_i3,…TS_im)，其中1≤i≤L；

算法输出：聚类结果，(TS_i1,TS_i2,TS_i3,…TS_im)被转化为离散型数据集；

步骤1：从(TS_i1,TS_i2,TS_i3,…TS_im)随机选择k个时序对象作为初始质心；

步骤2：根据DTW动态弯曲算法，分别计算其它时序对象与初始质心的DTW规整距离；

步骤3：将每个时序对象都指派到离它最近的质心，形成k个聚类；

步骤4：重复到步骤2，知道每个聚类的质心都不再发生变化；

步骤5：将每个时间序列数据(TS_i1,TS_i2,TS_i3,…TS_im)都标注为步骤4聚类的类别标识。

6.根据权利要求5所述的一种用于电网的母线电压态势短期预测方法，其特征在于：基于时间序列动态时序规整DTW聚类方法的详细步骤还如下：

假设有两个时间序列X和Y，且X∈(TS_i1,TS_i2,TS_i3,L TS_ih)，Y∈(TS_i1,TS_i2,TS_i3,L TS_ih)，X≠Y；

为了便于描述，此处将X和Y简化描述为：X＝(p₁,p₂,...,p_h)，Y＝(q₁,q₂,...,q_h)那么两个时间序列数据点之间形成的距离矩阵D_M×N＝{d(i,j)}_h×h，其中1≤i≤h和1≤j≤h，d(i,j)的值由x_i和y_j之间的欧氏距离的平方来确定，即d(i,j)＝(x_i-y_j)²；矩阵存储了两个时间序列不同时间点上数据之间的距离；

DTW就是从该矩阵中找到一条连续的路径W＝w₁,w₂...w_c，使得规整路径上的元素值累加和最小；

在DTW计算中，弯曲路径W必须满足以下特性：

1、端点对齐，弯曲路径必须从两序列的起点开始，终止于两序列的终点，即：w₁＝d(x₁,y₁)和w_N＝d(x_h,y_h)；

2、邻点连续，弯曲路径中相邻的点必须来自于矩阵中相邻的方格，包括对角线相邻或者边界相邻，即：

其中，i′≤i+1,j′≤j+1；

3、间递增，弯曲路径随时间向前延伸，即：

其中，i′≥i,j′≥j。

7.一种用于电网的母线电压态势短期预测系统，其特征在于：该系统包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-6之一所述的一种用于电网的母线电压态势短期预测方法。