CN111046633A - 一种基于lstm的电网一次调频数据预测方法及装置 - Google Patents
一种基于lstm的电网一次调频数据预测方法及装置 Download PDFInfo
- Publication number
- CN111046633A CN111046633A CN201911231366.9A CN201911231366A CN111046633A CN 111046633 A CN111046633 A CN 111046633A CN 201911231366 A CN201911231366 A CN 201911231366A CN 111046633 A CN111046633 A CN 111046633A
- Authority
- CN
- China
- Prior art keywords
- data
- format
- power
- active power
- prediction
- 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 45
- 231100000279 safety data Toxicity 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000008447 perception Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 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
- 238000005192 partition Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于LSTM的电网一次调频数据预测方法及装置。本发明电网调度运行安全数据预测方法,包括:获取原始数据,所述原始数据为第一格式;将所述原始数据进行格式转换获得第二数据,所述第二数据为第二格式,所述第二格式不同于所述第一格式;对第二数据进行数据清洗,删除无用数据,获得第三数据,所述第三数据包括:时间、有功功率、直流外送、水电有功功率、火电有功功率;使用第一预测模型根据第三数据预测电网频率。本发明克服了现有技术中系统风险感知能力和预警能力缺失的问题,进一步提高了电网调度安全。
Description
技术领域
本发明涉及计算机技术,尤其涉及一种基于LSTM的电网一次调频数据预测方法及装置。
背景技术
随着电网的快速发展,电网调度运行安全面临诸多因外部环境、设备异常或故障导致的电网运行安全挑战,电网调度运行的安全管理亟需要综合考虑外部环境,设备运行状态等影响,但目前电网对外部环境、输变电设备运行的监视感知能力明显不足。
D5000作为新一代智能电网调度技术支持系统基础平台,它适应了国家电网公司“大运行”体系中五级调度控制体系的要求,实现了“远程调阅、告警直传、横向贯通、纵向管理”的功能,并把调度计划、来水情况、气象变化等各项数据都融合在一起,进行全面分析。
然而,D5000仍旧无法完全满足电网安全管理需要。主要体现在:对设备运行突发性异常感知的应用能力不足,运维检修类信息、设备监控信息与电网数据整合、关键信息提炼和预警能力不足,数据分析、智能管控能力差,对电网设备运行状态及潜在风险的感知能力和预警能力缺失,设备与电网间的风险控制协同互动不足,电网故障处置停留在被动等待状态。
发明内容
本发明提供一种基于LSTM的电网一次调频数据预测方法及装置,基于D5000系统数据对电网运行安全数据进行预测,克服现有技术中系统风险感知能力和预警能力缺失的问题,进一步提高了电网调度安全。
本发明提供一种基于LSTM的电网一次调频数据预测方法,包括:
获取原始数据,所述原始数据为第一格式;
将所述原始数据进行格式转换获得第二数据,所述第二数据为第二格式,所述第二格式不同于所述第一格式;
对第二数据进行数据清洗,删除无用数据,获得第三数据,所述第三数据包括:时间、有功功率、直流外送、水电有功功率、火电有功功率;
使用第一预测模型根据第三数据预测电网频率。
进一步地,所述使用第一预测模型根据第三数据预测电网频率之前,还包括:
获取样本数据集,所述样本数据集中包括:第一时间、第一有功功率、第一直流外送、第一水电有功功率、第一火电有功功率和第一电网频率;
使用样本数据集对第一预设模型进行训练,直至所述第一预设模型中的权重均收敛,得到所述第一预测模型。
进一步地,所述使用样本数据集对第一预设模型进行训练,直至所述第一预设模型中的权重均收敛,得到所述第一预测模型,之后还包括:
获取测试数据集,所述测试数据集包括:第二时间、第二有功功率、第二直流外送、第二水电有功功率、第二火电有功功率和第二电网频率;
使用测试数据集对第一预测模型进行参数调整。
进一步地,所述第一格式为HTML格式,所述第二格式为CSV格式。
本发明还提供一种基于LSTM的电网一次调频数据预测装置,包括:
获取单元,所述获取单元用于获取原始数据,所述原始数据为第一格式;
数据处理单元,所述处理单元用于将所述原始数据进行格式转换获得第二数据,对第二数据进行数据清洗,删除无用数据,获得第三数据,所述第二数据为第二格式,所述第二格式不同于所述第一格式,所述第三数据包括:时间、有功功率、直流外送、水电有功功率、火电有功功率;
预测单元,所述预测单元用于使用第一预测模型根据第三数据预测电网频率。
进一步地,所述预测单元,还用于获取样本数据集,所述样本数据集中包括:第一时间、第一有功功率、第一直流外送、第一水电有功功率、第一火电有功功率和第一电网频率;使用样本数据集对第一预设模型进行训练,直至所述第一预设模型中的权重均收敛,得到所述第一预测模型。
进一步地,所述预测单元,还用于获取测试数据集,所述测试数据集包括:第二时间、第二有功功率、第二直流外送、第二水电有功功率、第二火电有功功率和第二电网频率;使用测试数据集对第一预测模型进行参数调整。
进一步地,所述第一格式为HTML格式,所述第二格式为CSV格式。
本发明还提供一种存储介质,所述存储介质上存储有电网调度运行安全数据预测程序,所述电网调度运行安全数据预测程序被处理器执行时能实现上述的电网调度运行安全数据预测方法。
本发明还提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现上述的电网调度运行安全数据预测方法。
本发明一种基于LSTM的电网一次调频数据预测方法及装置,通过对数据进行格式转换,通过第一预测模型根据输入数据预测电网频率,实现对电网运行安全数据进行预测,克服现有技术中系统风险感知能力和预警能力缺失的问题,进一步提高了电网调度安全。
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一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1为本发明一种基于LSTM的电网一次调频数据预测方法实施例一的流程图;
图2为本发明一种基于LSTM的电网一次调频数据预测装置实施例一的结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明一种基于LSTM的电网一次调频数据预测方法实施例一的流程图;如图1所示,本实施例的方法可以包括:
S101、获取原始数据,所述原始数据为第一格式;
本实施例中,原始数据是历史数据,历史数据从D5000系统中获得。
本实施例中,从D5000系统中导出的数据为HTML格式。
本实施例中的HTML即超级文本标记语言(HyperTextMarkupLanguage,HTML)。
本实施例中从现有的D5000系统中导出监测数据,对监测数据进行学习和分析,最终用于电网频率预测。
S102、将所述原始数据进行格式转换获得第二数据,所述第二数据为第二格式,所述第二格式不同于所述第一格式;
本实施例中,第二格式为CSV格式。
本实施例中的CSV逗号分隔值(Comma-SeparatedValues,CSV,有时也称为字符分隔值,因为分隔字符也可以不是逗号)。
本实施例中,由于从D5000系统处获得的原始数据为HTML格式,其无法直接应用于数据分析方法,因此,需要将其转换成数据分析算法能识别的数据,本发明将其转换为CSV格式。
具体的,本发明使用python语言进行数据转换,首先引入lxml库对html文件进行解析,然后通过引入的pandas库将解析后的文件转换为dataframe格式,最后将其存为csv格式。
本实施例中的电网调度运行安全数据预测方法,也可用于处理其他格式的数据,将其转换为可用于数据分析算法能够识别的格式即可。
S103、对第二数据进行数据清洗,删除无用数据,获得第三数据,所述第三数据包括:时间、有功功率、直流外送、水电有功功率、火电有功功率;
本实施例中,由于原始数据为实时的秒级数据,数据量巨大,且存在不完整、因机组停机等事件所采集到的无用数据,故还需对原始数据做处理。本发明针对上述问题主要采用基于中值的插值方法解决缺失数据问题,针对无用数据则直接删除。
具体的,本实施例中,对数据一一进行判断,当判断为空缺值时对该数据进行插值处理。
本实施例中的有功功率即电网输出的有功功率,包括水电有功功率、火电有功功率、光伏有功功率等。
本实施例中的直流外送指的是电网往外输出的直流电。
本实施例中的水电有功功率即电网往外输出的水电有功功率。
本实施例中的火电有功功率即电网往外输出的火电有功功率。
S104、使用第一预测模型根据第三数据预测电网频率。
本实施例中,使用第一预测模型根据第三数据预测电网频率,即第三数据作为模型输入,模型输出电网频率。
本实施例中通过第一预测模型为LSTM神经网络,LSTM模型由输入层、隐藏层、输出层组成。本发明的第一预测模型隐藏层具有20个神经元,通过向前操作,将上一时刻的信息以记忆流的形式不断向后传递,影响每个新输入数据的处理和每个阶段的输出,同时设置输入层包含五个特征(时间、有功功率、直流外送、水电有功功率、火电有功功率)的数据,既设置输入尺寸input_size为5,设置输出层为一个用于预测电网频率的神经元,既设置输出尺寸output_size为1,同时设置学习率为0.00006,最大迭代次数epoch为200,批处理尺寸batch_size为60。
本实施例中,所述使用第一预测模型根据第三数据预测电网频率之前,还包括:
获取样本数据集,所述样本数据集中包括:第一时间、第一有功功率、第一直流外送、第一水电有功功率、第一火电有功功率和第一电网频率;
使用样本数据集对第一预设模型进行训练,直至所述第一预设模型中的权重均收敛,得到所述第一预测模型。
本实施例中,使用样本数据集对第一预设模型进行训练,获得第一预测模型。
具体的,本实施例中,将训练集中的第一时间、第一有功功率、第一直流外送、第一水电有功功率、第一火电有功功率数据作为输入数据train_x,将训练集中的一次调频频率数据作为输出数据train_y带入模型进行训练。使用reduce_mean()函数作为模型的损失函数,并使用AdamOptimizer()函数对结果进行优化,之后不断迭代计算、优化模型直至收敛。
本实施例中,所述使用样本数据集对第一预设模型进行训练,直至所述第一预设模型中的权重均收敛,得到所述第一预测模型,之后还包括:
获取测试数据集,所述测试数据集包括:第二时间、第二有功功率、第二直流外送、第二水电有功功率、第二火电有功功率和第二电网频率;
使用测试数据集对第一预测模型进行参数调整。
具体的,本实施例中,通过样本数据集对模型进行训练获得第一预设模型后,还将测试数据集中的时间、有功功率、直流外送、水电有功功率、火电有功功率数据作为输入数据test_x,带入模型,进行电网频率的预测。之后使用reduce_mean()函数计算预测结果与测试集中的一次调频频率数据test_y的损失做为模型的预测精度。
本实施例中,模型建立完成后得到预测模型。另取部分原始数据作为取待测数据进行数据预处理,处理完成后将其带入预测模型进行频率预测。
可选的,对于测试数据集和样本数据集,均来自于D5000系统的历史数据,通过tensorflow中的train_test_split()函数,将预处理之后的数据按照划分比率分为训练集和测试集。
本实施例一种基于LSTM的电网一次调频数据预测方法,通过对数据进行格式转换,通过第一预测模型根据输入数据预测电网频率,实现对电网运行安全数据进行预测,克服现有技术中系统风险感知能力和预警能力缺失的问题,进一步提高了电网调度安全。
图2为本发明一种基于LSTM的电网一次调频数据预测装置实施例一的结构示意图,如图2所示,本实施例装置包括:
获取单元21,所述获取单元用于获取原始数据,所述原始数据为第一格式;
数据处理单元22,所述处理单元用于将所述原始数据进行格式转换获得第二数据,对第二数据进行数据清洗,删除无用数据,获得第三数据,所述第二数据为第二格式,所述第二格式不同于所述第一格式,所述第三数据包括:时间、有功功率、直流外送、水电有功功率、火电有功功率;
预测单元23,所述预测单元用于使用第一预测模型根据第三数据预测电网频率。
可选的,所述预测单元23,还用于获取样本数据集,所述样本数据集中包括:第一时间、第一有功功率、第一直流外送、第一水电有功功率、第一火电有功功率和第一电网频率;使用样本数据集对第一预设模型进行训练,直至所述第一预设模型中的权重均收敛,得到所述第一预测模型。
可选的,所述预测单元23,还用于获取测试数据集,所述测试数据集包括:第二时间、第二有功功率、第二直流外送、第二水电有功功率、第二火电有功功率和第二电网频率;使用测试数据集对第一预测模型进行参数调整。
可选的,所述第一格式为HTML格式,所述第二格式为CSV格式。
本实施例还提供一种存储介质,所述存储介质上存储有电网调度运行安全数据预测程序,所述电网调度运行安全数据预测程序被处理器执行时能实现如权利要求图1所示实施例中的电网调度运行安全数据预测方法。
本实施例还提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如图1所示实施例中中的电网调度运行安全数据预测方法。
本实施例一种基于LSTM的电网一次调频数据预测方法及装置,通过对数据进行格式转换,通过第一预测模型根据输入数据预测电网频率,实现对电网运行安全数据进行预测,克服现有技术中系统风险感知能力和预警能力缺失的问题,进一步提高了电网调度安全。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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。
Claims (10)
1.一种基于LSTM的电网一次调频数据预测方法,其特征在于,包括:
获取原始数据,所述原始数据为第一格式;
将所述原始数据进行格式转换获得第二数据,所述第二数据为第二格式,所述第二格式不同于所述第一格式;
对第二数据进行数据清洗,删除无用数据,获得第三数据,所述第三数据包括:时间、有功功率、直流外送、水电有功功率、火电有功功率;
使用第一预测模型根据第三数据预测电网频率。
2.根据权利要求1所述的方法,其特征在于,
所述使用第一预测模型根据第三数据预测电网频率之前,还包括:
获取样本数据集,所述样本数据集中包括:第一时间、第一有功功率、第一直流外送、第一水电有功功率、第一火电有功功率和第一电网频率;
使用样本数据集对第一预设模型进行训练,直至所述第一预设模型中的权重均收敛,得到所述第一预测模型。
3.根据权利要求2所述的方法,其特征在于,
所述使用样本数据集对第一预设模型进行训练,直至所述第一预设模型中的权重均收敛,得到所述第一预测模型,之后还包括:
获取测试数据集,所述测试数据集包括:第二时间、第二有功功率、第二直流外送、第二水电有功功率、第二火电有功功率和第二电网频率;
使用测试数据集对第一预测模型进行参数调整。
4.根据权利要求2所述的方法,其特征在于,
所述第一格式为HTML格式,所述第二格式为CSV格式。
5.一种基于LSTM的电网一次调频数据预测装置,其特征在于,包括:
获取单元,所述获取单元用于获取原始数据,所述原始数据为第一格式;
数据处理单元,所述处理单元用于将所述原始数据进行格式转换获得第二数据,对第二数据进行数据清洗,删除无用数据,获得第三数据,所述第二数据为第二格式,所述第二格式不同于所述第一格式,所述第三数据包括:时间、有功功率、直流外送、水电有功功率、火电有功功率;
预测单元,所述预测单元用于使用第一预测模型根据第三数据预测电网频率。
6.根据权利要求5所述的装置,其特征在于,
所述预测单元,还用于获取样本数据集,所述样本数据集中包括:第一时间、第一有功功率、第一直流外送、第一水电有功功率、第一火电有功功率和第一电网频率;使用样本数据集对第一预设模型进行训练,直至所述第一预设模型中的权重均收敛,得到所述第一预测模型。
7.根据权利要求6所述的装置,其特征在于,
所述预测单元,还用于获取测试数据集,所述测试数据集包括:第二时间、第二有功功率、第二直流外送、第二水电有功功率、第二火电有功功率和第二电网频率;使用测试数据集对第一预测模型进行参数调整。
8.根据权利要求6所述的装置,其特征在于,
所述第一格式为HTML格式,所述第二格式为CSV格式。
9.一种存储介质,其特征在于,所述存储介质上存储有电网调度运行安全数据预测程序,所述电网调度运行安全数据预测程序被处理器执行时能实现如权利要求1至4中任一项所述的电网调度运行安全数据预测方法。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1-4中任一项所述的电网调度运行安全数据预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911231366.9A CN111046633A (zh) | 2019-12-05 | 2019-12-05 | 一种基于lstm的电网一次调频数据预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911231366.9A CN111046633A (zh) | 2019-12-05 | 2019-12-05 | 一种基于lstm的电网一次调频数据预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111046633A true CN111046633A (zh) | 2020-04-21 |
Family
ID=70234654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911231366.9A Pending CN111046633A (zh) | 2019-12-05 | 2019-12-05 | 一种基于lstm的电网一次调频数据预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046633A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639548A (zh) * | 2020-05-11 | 2020-09-08 | 华南理工大学 | 一种基于门的视频上下文多模态感知特征优化方法 |
CN112510724A (zh) * | 2020-10-30 | 2021-03-16 | 国能黄金埠发电有限公司 | 一种一次调频报表的生成方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909989A (zh) * | 2017-02-24 | 2017-06-30 | 国网河南省电力公司电力科学研究院 | 一种电网扰动预测方法及装置 |
CN108075470A (zh) * | 2017-12-25 | 2018-05-25 | 东南大学 | 一种基于sfr和elm的电网暂态频率特征预测方法 |
CN108694484A (zh) * | 2018-08-30 | 2018-10-23 | 广东工业大学 | 一种光伏发电功率预测方法 |
CN109659933A (zh) * | 2018-12-20 | 2019-04-19 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
GB201909093D0 (en) * | 2019-06-25 | 2019-08-07 | Reactive Tech Limited | System for determining electric parameters of an electric power grid |
CN110458719A (zh) * | 2019-05-21 | 2019-11-15 | 国家电网有限公司 | 一种用于电网企业的电网调度方法及系统 |
-
2019
- 2019-12-05 CN CN201911231366.9A patent/CN111046633A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909989A (zh) * | 2017-02-24 | 2017-06-30 | 国网河南省电力公司电力科学研究院 | 一种电网扰动预测方法及装置 |
CN108075470A (zh) * | 2017-12-25 | 2018-05-25 | 东南大学 | 一种基于sfr和elm的电网暂态频率特征预测方法 |
CN108694484A (zh) * | 2018-08-30 | 2018-10-23 | 广东工业大学 | 一种光伏发电功率预测方法 |
CN109659933A (zh) * | 2018-12-20 | 2019-04-19 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
CN110458719A (zh) * | 2019-05-21 | 2019-11-15 | 国家电网有限公司 | 一种用于电网企业的电网调度方法及系统 |
GB201909093D0 (en) * | 2019-06-25 | 2019-08-07 | Reactive Tech Limited | System for determining electric parameters of an electric power grid |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639548A (zh) * | 2020-05-11 | 2020-09-08 | 华南理工大学 | 一种基于门的视频上下文多模态感知特征优化方法 |
CN112510724A (zh) * | 2020-10-30 | 2021-03-16 | 国能黄金埠发电有限公司 | 一种一次调频报表的生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240289B (zh) | 一种电网调度控制系统运行状态评估方法及系统 | |
CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
CN108923531B (zh) | 一种基于大数据的电网调度告警监视系统 | |
CN107124394A (zh) | 一种电力通信网络安全态势预测方法和系统 | |
CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
Fahiman et al. | Data-driven dynamic probabilistic reserve sizing based on dynamic Bayesian belief networks | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN112085285B (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
CN111046633A (zh) | 一种基于lstm的电网一次调频数据预测方法及装置 | |
CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
CN103617447A (zh) | 智能变电站的评价系统及评价方法 | |
CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
CN115081597A (zh) | 一种基于机器学习的以电核碳方法、系统、设备和介质 | |
CN111080472A (zh) | 一种电力系统负荷预测和分析方法 | |
CN113850017A (zh) | 一种基于潮流变化图谱的系统级故障分析系统及方法 | |
CN112949201B (zh) | 一种风速预测方法、装置、电子设备及存储介质 | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
CN117236380A (zh) | 一种电力系统故障预测方法、系统、电子设备和介质 | |
Teng et al. | On-line fault diagnosis technology and application based on deep learning of fault characteristic of power grid | |
CN114118759A (zh) | 一种配变台区负荷过载状态评估方法及装置 | |
LU500121B1 (en) | A method, device and equipment for electric meter detecting | |
CN113408795A (zh) | 一种基于灰色理论的电力负荷预测系统及其方法 | |
CN115189473A (zh) | 一种基于物联网的分布式电能量集中监管及辅助决策系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |
|
RJ01 | Rejection of invention patent application after publication |