CN111680572B - 一种电网运行场景动态判定方法及系统 - Google Patents
一种电网运行场景动态判定方法及系统 Download PDFInfo
- Publication number
- CN111680572B CN111680572B CN202010410473.4A CN202010410473A CN111680572B CN 111680572 B CN111680572 B CN 111680572B CN 202010410473 A CN202010410473 A CN 202010410473A CN 111680572 B CN111680572 B CN 111680572B
- Authority
- CN
- China
- Prior art keywords
- scene
- power grid
- information
- characteristic
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 15
- 238000012098 association analyses Methods 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement 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
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种电网运行场景动态判定方法及系统,获取待测电网运行多元基础信息,输入至预先构建的场景模式库,进行匹配判断,若完全适配则输出动态运行场景;若相似适配,则利用输入的待测电网运行多元基础信息对预先构建的场景模式库进行关联规则更新和数据更新,获得新的场景模式库,若完全不适配,则利用电网调度控制系统预定义规则确定新的关联规则,加入场景模式库。优点:本发明提出的方法及系统能够根据电网实时运行状态智能判定场景,展示内容与电网运行特征信息相关联,提高电网运行的智能化水平,满足调度人员电网监视的实时需求。
Description
技术领域
本发明涉及一种电网运行场景动态判定方法及系统,属于电力调度自动化技术领域。
背景技术
目前在智能电网调度控制系统中,电网运行场景的展示主要是由电网调管部门的运行人员根据运行经验和国家相关行业规定进行人工决策。随着特高压交直流混联大电网快速发展,电网结构愈加复杂,依赖人工经验难以满足实际需求,因所需参考的电网运行信息非常庞杂,工作量巨大,而且受到自身运行水平和知识经验的限制,电网运行场景展示的内容常带有主观性,难以表征各类复杂运行场景。
开发人员按需求通过人机画面编辑器生成CIM/G文件,电网运行中当触发预定义事件时,展示相应的场景G文件。触发事件和展示内容都是预定义的,无法实现电网运行场景的动态判定及展示。另外对于电网历史数据的关联分析技术,往往用来分析和预测电网的故障,而关于电网运行场景的动态判定及展示内容方面并未有相关的研究。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种电网运行场景动态判定方法及系统。
为解决上述技术问题,本发明提供一种电网运行场景动态判定方法,获取待测电网运行多元基础信息,输入至预先构建的场景模式库,进行匹配判断,若完全适配则输出动态运行场景;若相似适配,则利用输入的待测电网运行多元基础信息对预先构建的场景模式库进行关联规则更新和数据更新,获得新的场景模式库,若完全不适配,则利用电网调度控制系统预定义规则确定新的关联规则,加入场景模式库。
进一步的,所述场景模式库的构建过程包括:
从电网运行的历史信息中获取典型场景和特征事件的多元基础信息,从多元基础信息中提取特征信息单元,将各特征信息单元与各场景进行关联分析,确认关联性强的重要特征信息,删除关联性较弱的冗余特征信息,生成场景模式库。
进一步的,所述特征信息单元的提取过程包括:
从典型场景和特征事件获取特征属性变量,构成运行场景的改进的随机森林算法的训练样本集T={E,F,C},其中E为特征事件,F={f1,f2,…fM}为样本集的M个特征变量,C为特征信息单元类别;
对每棵树进行从训练样本集中随机且有放回地抽取N个样本作为该树的训练集的处理;
使用离散度比值法初筛出m个特征,m为特征子集的范围,m<M;
对初筛出的每个特征计算其信息增益再进行排序,选择最优的信息增益作为最佳的分裂节点,直到建成完整的树状分类器;
进行k次抽样和建树,以投票的方式得到分类结果,当得票率高于设定阈值时,则认定特征信息单元类别,并提取其对应的特征子集生成特征信息单元U={E,F′,C},其中E为特征事件,F′={f1′,f2′,…fm′}为特征子集,C为特征信息单元类别。
进一步的,所述将各特征信息单元与各场景进行关联分析,确认关联性强的重要特征信息,删除关联性较弱的冗余特征信息,生成场景模式库的过程包括:
从电网运行的历史信息中获取典型场景,形成数据集S={X,Y},其中X={U(E,F)}为包含特征事件和特征子集的特征信息单元集,Y为典型场景集,对数据集S按特征信息单元类别分组,扫描各组的数据集,计算关联规则X->Y支持度、置信度和提升度;
支持度其中N为数据集的个数,N(X∪Y)为特征信息单元的特征事件/特征子集与典型场景同时出现的个数;
置信度其中N(Y)为数据集中典型场景的个数,满足最小支持度阈值和最小置信度阈值的规则,定义为强关联规则,逐层迭代,生成频繁项集FP(X,Y);
对于频繁项集,计算提升度其中N(X)表示数据集中特征信息单元的个数,如果提升度l(FP(X,Y))>1,则此关联规则为有效的强关联规则,确定特征信息单元与场景关联规则,生成场景模式库,若提升度l(FP(X,Y))≤1,则为不能确定特征信息单元与场景的关联规则,则将现有电网调度控制系统中预定义的特征事件->场景作为缺省关联规则加入场景模式库。
进一步的,所述进行匹配判断的过程包括:
若待测电网运行多元基础信息与所匹配的规则相同,则判别为完全适配,输出场景模式库中对应的动态运行场景;其中,待测电网运行多元基础信息包括基础信息参数和外部信息参数;
若基础信息参数不完全相同而外部信息参数相同,则判别为相似适配,再次进行规则分析与重构,调整训练样本中特征子集的范围m和关联规则的最小置信度阈值,并结合先验知识更新关联规则,此外,需要把此数据导入历史样本数据集,定期计算及更新特征信息单元;
若基础信息参数不完全相同,外部信息参数也不完全相同,则使用场景模式库中的缺省关联规则预定义场景。
进一步的,还包括将完全适配输出的动态运行场景进行可视化展示。
一种电网运行场景动态判定系统,包括:
获取模块,用于获取待测电网运行多元基础信息;
匹配判断模块,用于输入待测电网运行多元基础信息至预先构建的场景模式库,进行匹配判断,若完全适配则输出动态运行场景;若相似适配,则利用输入的待测电网运行多元基础信息对预先构建的场景模式库进行关联规则更新和数据更新,获得新的场景模式库,若完全不适配,则利用电网调度控制系统预定义规则确定新的关联规则,加入场景模式库。
进一步的,所述匹配判断模块包括预构模块,用于从电网运行的历史信息中获取典型场景和特征事件的多元基础信息,从多元基础信息中提取特征信息单元,将各特征信息单元与各场景进行关联分析,确认关联性强的重要特征信息,删除关联性较弱的冗余特征信息,生成场景模式库。
进一步的,所述预构模块包括:
第一提取模块,用于从典型场景和特征事件获取特征属性变量,构成运行场景的改进的随机森林算法的训练样本集T={E,F,C},其中E为特征事件,F={f1,f2,…fM}为样本集的M个特征变量,C为特征信息单元类别;
训练集构建模块,用于对每棵树进行从训练样本集中随机且有放回地抽取N个样本作为该树的训练集的处理;
树状分类器构建模块,用于使用离散度比值法初筛出m个特征,m为特征子集的范围,m<M;对初筛出的每个特征计算其信息增益再进行排序,选择最优的信息增益作为最佳的分裂节点,直到建成完整的树状分类器;
第二提取模块,用于进行k次抽样和建树,以投票的方式得到分类结果,当得票率高于设定阈值时,则认定特征信息单元类别,并提取其对应的特征子集生成特征信息单元U={E,F′,C},其中E为特征事件,F′={f1′,f2′,…fm′}为特征子集,C为特征信息单元类别。
进一步的,所述预构模块包括:
计算模块,用于从电网运行的历史信息中获取典型场景,形成数据集S={X,Y},其中X={U(E,F)}为包含特征事件和特征子集的特征信息单元集,Y为典型场景集,对数据集S按特征信息单元类别分组,扫描各组的数据集,计算关联规则X->Y的支持度、置信度;
其中,支持度其中N为数据集的个数,N(X∪Y)为特征信息单元的特征事件/特征子集与典型场景同时出现的个数;
置信度其中N(Y)为数据集中典型场景的个数,满足最小支持度阈值和最小置信度阈值的规则,定义为强关联规则,逐层迭代,生成频繁项集FP(X,Y);
对于频繁项集,计算提升度其中N(X)表示表示数据集中特征信息单元的个数,如果提升度l(FP(X,Y))>1,则此关联规则为有效的强关联规则,确定特征信息单元与场景关联规则,生成场景模式库,若提升度l(FP(X,Y))≤1,则为不能确定特征信息单元与场景的关联规则,则将现有电网调度控制系统中预定义的特征事件->场景作为缺省关联规则加入场景模式库。
进一步的,所述匹配判断模块包括:
完全适配模块,用于若待测电网运行多元基础信息与所匹配的规则相同,则判别为完全适配,输出场景模式库中对应的动态运行场景;其中,待测电网运行多元基础信息包括基础信息参数和外部信息参数;
相似适配模块,用于若基础信息参数不完全相同而外部信息参数相同,则判别为相似适配,再次进行规则分析与重构,调整训练样本中特征子集的范围m和关联规则的最小置信度阈值,并结合先验知识更新关联规则,此外,需要把此数据导入历史样本数据集,定期计算及更新特征信息单元;
不适配模块,用于若基础信息参数不完全相同,外部信息参数也不完全相同,则使用场景模式库中的缺省关联规则预定义场景。
进一步的,还包括可视化模块,用于将完全适配输出的动态运行场景进行可视化展示。
本发明所达到的有益效果:
本发明提出的方法及系统能够根据电网实时运行状态智能判定场景,展示内容与电网运行特征信息相关联,提高电网运行的智能化水平,满足调度人员电网监视的实时需求。
附图说明
图1为电网运行场景动态判定及展示的流程图;
图2为分类模型提取特征信息单元的流程图;
图3为特征信息单元与场景关联分析的流程图;
图4为电网运行场景识别的流程图。
具体实施方式
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。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
本发明提出了一种电网运行场景动态判定方法,具体步骤为:从电网运行的历史信息中选取典型场景,获取相应的稳态、动态等信息,提取特征信息单元。将各特征信息单元与场景进行关联分析,找出关联性强的重要特征信息,删除关联性较弱的冗余特征信息,从而形成场景模式库。当电网运行状态发生变化时,根据电网运行的多元基础信息与场景模式库进行智能匹配,实现运行场景的动态判定和可视化展示。
1)电网运行场景动态判定及展示的总体流程
图1为电网运行场景动态判定及展示的流程图,主要分为场景模式学习和运行场景识别展示两个阶段。场景模式学习的核心是根据电网运行历史数据获得场景模式库,首先从电网运行的历史信息中选取典型场景和特征事件,包括电网运行异常、设备故障、系统预警等,获取相应的稳态、动态等信息。然后对信息中的候选特征量归一化处理,建立分类模型。采用随机森林算法作为适应度函数进行筛选,提取特征信息单元。之后将各特征信息单元与相应的场景进行关联分析,利用频繁项集对筛选出来的特征信息单元计算支持度和置信度,找出关联性强的重要特征信息,删除关联性较弱的冗余特征信息,从而形成典型的场景模式库。运行场景识别的核心是根据电网运行信息,通过模式库规则匹配判定场景。当电网运行状态发生变化时,将电网运行稳态、动态等多元基础信息和典型场景模式库进行智能匹配,识别电网动态运行场景,确定展示内容。
2)分类模型提取特征信息单元流程
图2为分类模型提取特征信息单元的流程图。从电网运行的历史信息中选取典型场景和特征事件,包括电网运行异常、设备故障、系统预警等,获取相应的稳态、动态等信息,提取特征信息单元。电网运行状态异常与否最直接的标志就是反映电网运行的有关物理量是否超出某种范围,这些可以从稳态和动态数据中直接获取或通过计算间接获取,例如断面裕度不足、电压上下波动幅度过量、系统频率越上限、动态数据的功率扰动等。而预警类场景需要获取预测信息及高级应用的分析结果。这些可以表征电网运行场景的特征事件和属性变量构成了特征变量集,通过建立分类模型可以快速提取该运行场景的特征信息单元。
设训练样本集T={F,C},F={f1,f2,…fM}为样本集的M个特征变量,C为特征信息单元类别。这里采用改进的随机森林算法来建立分类模型,其基础是决策树对于每棵树而言,随机且有放回地从训练样本集中的抽取N个样本,作为该树的训练集。因为特征变量间存在相关和冗余,不能简单的随机选择特征子集,而是改进随机森林算法,使用离散度比值法初筛出m个特征子集(m<M)。基于这些特征确定的决策结果就是树上的节点,对于每个特征计算其信息增益再进行排序,选择最优的作为最佳的分裂节点,直到建成完整的树状分类器。假定有k棵树,就要进行k次抽样和建树。最后以投票的方式得到分类结果。只有得票率高于设定阈值的才能认定特征信息单元类别,并提取其对应的特征子集生成特征信息单元U={E,F′,C},其中E为特征事件,F′={f1′,f2′,…fm′}为特征子集,C为特征信息单元类别。
3)特征信息单元与场景关联分析的流程
图3为特征信息单元与场景关联分析的流程图。获得特征信息单元后,对于特征信息单元与场景进行关联分析。首先从电网运行的历史信息中获取典型场景形成数据集S={X,Y},其中X={U(E,F)}为包含特征事件和特征子集的特征信息单元集、Y为典型场景集。对数据集S按特征信息单元类别分组,扫描各组的数据集,计算关联规则X->Y的支持度和置信度。支持度其中N为数据集的个数,N(X∪Y)为特征信息单元的特征事件/特征子集与典型场景同时出现的个数。置信度/>其中N(Y)为数据集中典型场景的个数。满足最小支持度阈值和最小置信度阈值的规则,定义为强关联规则,逐层迭代,生成频繁项集FP(X,Y)。然后计算提升度/>如果提升度>1,则此关联规则为有效的强关联规则,确定特征信息单元与场景关联规则,生成场景模式库。
若提升度l(FP(X,Y))≤1,则为不能确定特征信息单元与场景的关联规则,则不能确定特征信息单元与场景的关联规则,则将现有电网调度控制系统中预定义的特征事件->场景作为缺省关联规则加入场景模式库。
4)电网运行场景识别的流程
图4为电网运行场景识别的流程图。当电网运行状态变化时,获取电网运行多元基础信息,对数据进行预处理。然后与场景模式库进行规则的智能匹配。首先匹配特征信息单元中的特征事件,若待测样本不能匹配规则,则判别为完全不适配,需要定义新的关联规则,重新生成场景模式库。
其次优先匹配特征信息单元中与场景之间有直接关联作用的基础信息参数,例如电汽信息参数、告警信息等。在匹配过程中,若待测样本的基础信息参数与所匹配的规则相同,则称该待测样本与规则完全适配。对于完全适配,直接引用模式库的规则判断结果,获得动态运行场景,并对于特征信息单元进行可视化展示。
若匹配的规则中,基础信息参数不完全相同而作为辅助决策的气象等外部信息参数相同,则称相似适配。对于相似适配,再次进行规则分析与重构,调整训练样本中特征子集的范围和关联规则的最小置信度阈值,并结合先验知识更新关联规则。此外,需要把此数据导入历史样本数据集,定期计算及更新特征信息单元。
若基础信息参数不完全相同,外部信息参数也不完全相同,则使用场景模式库中的缺省关联规则,即利用特征事件适配预定义场景。
相应的本发明还提供一种电网运行场景动态判定系统,包括:
获取模块,用于获取待测电网运行多元基础信息;
匹配判断模块,用于输入待测电网运行多元基础信息至预先构建的场景模式库,进行匹配判断,若完全适配则输出动态运行场景;若相似适配,则利用输入的待测电网运行多元基础信息对预先构建的场景模式库进行关联规则更新和数据更新,获得新的场景模式库,若完全不适配,则利用缺省关联规则确定新的关联规则,加入场景模式库。
所述匹配判断模块包括预构模块,用于从电网运行的历史信息中获取典型场景和特征事件的多元基础信息,从多元基础信息中提取特征信息单元,将各特征信息单元与各场景进行关联分析,确认关联性强的重要特征信息,删除关联性较弱的冗余特征信息,生成场景模式库。
所述预构模块包括:
第一提取模块,用于从典型场景和特征事件获取特征属性变量,构成运行场景的改进的随机森林算法的训练样本集T={E,F,C},其中E为特征事件,F={f1,f2,…fM}为样本集的M个特征变量,C为特征信息单元类别;
训练集构建模块,用于对每棵树进行从训练样本集中随机且有放回地抽取N个样本作为该树的训练集的处理;
树状分类器构建模块,用于使用离散度比值法初筛出m个特征,m为特征子集的范围,m<M;对初筛出的每个特征计算其信息增益再进行排序,选择最优的信息增益作为最佳的分裂节点,直到建成完整的树状分类器;
第二提取模块,用于进行k次抽样和建树,以投票的方式得到分类结果,当得票率高于设定阈值时,则认定特征信息单元类别,并提取其对应的特征子集生成特征信息单元U={E,F′,C},其中E为特征事件,F′={f1′,f2′,…fm′}为特征子集,C为特征信息单元类别。
所述预构模块包括:
计算模块,用于从电网运行的历史信息中获取典型场景,形成数据集S={X,Y},其中X={U(E,F)}为包含特征事件和特征子集的特征信息单元集,Y为典型场景集,对数据集S按特征信息单元类别分组,扫描各组的数据集,计算关联规则X->Y的支持度、置信度;
其中,支持度其中N为数据集的个数,N(X∪Y)为特征信息单元的特征事件/特征子集与典型场景同时出现的个数;
置信度其中N(Y)为数据集中典型场景的个数,满足最小支持度阈值和最小置信度阈值的规则,定义为强关联规则,逐层迭代,生成频繁项集FP(X,Y);
对于频繁项集,计算提升度其中N(X)表示数据集中特征信息单元的个数,如果提升度l(FP(X,Y))>1,则此关联规则为有效的强关联规则,确定特征信息单元与场景关联规则,生成场景模式库,若提升度l(FP(X,Y))≤1,则为不能确定特征信息单元与场景的关联规则,则将现有电网调度控制系统中预定义的特征事件->场景作为缺省关联规则加入场景模式库。
所述匹配判断模块包括:
完全适配模块,用于若待测电网运行多元基础信息与所匹配的规则相同,则判别为完全适配,输出场景模式库中对应的动态运行场景;其中,待测电网运行多元基础信息包括基础信息参数和外部信息参数;
相似适配模块,用于若基础信息参数不完全相同而外部信息参数相同,则判别为相似适配,再次进行规则分析与重构,调整训练样本中特征子集的范围m和关联规则的最小置信度阈值,并结合先验知识更新关联规则,此外,需要把此数据导入历史样本数据集,定期计算及更新特征信息单元;
不适配模块,用于若基础信息参数不完全相同,外部信息参数也不完全相同,则使用场景模式库中的缺省关联规则预定义场景。
还包括可视化模块,用于将完全适配输出的动态运行场景进行可视化展示。本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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)
1.一种电网运行场景动态判定方法,其特征在于,
获取待测电网运行多元基础信息,输入至预先构建的场景模式库,进行匹配判断,若完全适配则输出动态运行场景;若相似适配,则利用输入的待测电网运行多元基础信息对预先构建的场景模式库进行关联规则更新和数据更新,获得新的场景模式库,若完全不适配,则利用电网调度控制系统预定义规则确定新的关联规则,加入场景模式库;
所述进行匹配判断的过程包括:
若待测电网运行多元基础信息与所匹配的规则相同,则判别为完全适配,输出场景模式库中对应的动态运行场景;其中,待测电网运行多元基础信息包括基础信息参数和外部信息参数;
若基础信息参数不完全相同而外部信息参数相同,则判别为相似适配,再次进行规则分析与重构,调整训练样本中特征子集的范围m和关联规则的最小置信度阈值,并结合先验知识更新关联规则,此外,需要把此数据导入历史样本数据集,定期计算及更新特征信息单元;
若基础信息参数不完全相同,外部信息参数也不完全相同,则使用场景模式库中的缺省关联规则预定义场景。
2.根据权利要求1所述的电网运行场景动态判定方法,其特征在于,所述场景模式库的构建过程包括:
从电网运行的历史信息中获取典型场景和特征事件的多元基础信息,从多元基础信息中提取特征信息单元,将各特征信息单元与各场景进行关联分析,确认关联性强的重要特征信息,删除关联性较弱的冗余特征信息,生成场景模式库。
3.根据权利要求2所述的电网运行场景动态判定方法,其特征在于,所述特征信息单元的提取过程包括:
从典型场景和特征事件获取特征属性变量,构成运行场景的改进的随机森林算法的训练样本集T={E,F,C},其中E为特征事件,F={f1,f2,…fM}为样本集的M个特征变量,C为特征信息单元类别;
对每棵树进行从训练样本集中随机且有放回地抽取N个样本作为该树的训练集的处理;
使用离散度比值法初筛出m个特征,m为特征子集的范围,m<M;
对初筛出的每个特征计算其信息增益再进行排序,选择最优的信息增益作为最佳的分裂节点,直到建成完整的树状分类器;
进行k次抽样和建树,以投票的方式得到分类结果,当得票率高于设定阈值时,则认定特征信息单元类别,并提取其对应的特征子集生成特征信息单元U={E,F′,C},其中E为特征事件,F′={f1′,f2′,…fm′}为特征子集,C为特征信息单元类别。
4.根据权利要求3所述的电网运行场景动态判定方法,其特征在于,所述将各特征信息单元与各场景进行关联分析,确认关联性强的重要特征信息,删除关联性较弱的冗余特征信息,生成场景模式库的过程包括:
从电网运行的历史信息中获取典型场景,形成数据集S={X,Y},其中X={U(E,F)}为包含特征事件和特征子集的特征信息单元集,Y为典型场景集,对数据集S按特征信息单元类别分组,扫描各组的数据集,计算关联规则X->Y支持度、置信度和提升度;
支持度其中N为数据集的个数,N(X∪Y)为特征信息单元的特征事件/特征子集与典型场景同时出现的个数;
置信度其中N(Y)为数据集中典型场景的个数,满足最小支持度阈值和最小置信度阈值的规则,定义为强关联规则,逐层迭代,生成频繁项集FP(X,Y);
对于频繁项集,计算提升度其中N(X)表示数据集中特征信息单元的个数,如果提升度l(FP(X,Y))>1,则此关联规则为有效的强关联规则,确定特征信息单元与场景关联规则,生成场景模式库,若提升度l(FP(X,Y))≤1,则为不能确定特征信息单元与场景的关联规则,则将现有电网调度控制系统中预定义的特征事件->场景作为缺省关联规则加入场景模式库。
5.根据权利要求1所述的电网运行场景动态判定方法,其特征在于,还包括将完全适配输出的动态运行场景进行可视化展示。
6.一种电网运行场景动态判定系统,其特征在于,包括:
获取模块,用于获取待测电网运行多元基础信息;
匹配判断模块,用于输入待测电网运行多元基础信息至预先构建的场景模式库,进行匹配判断,若完全适配则输出动态运行场景;若相似适配,则利用输入的待测电网运行多元基础信息对预先构建的场景模式库进行关联规则更新和数据更新,获得新的场景模式库,若完全不适配,则利用电网调度控制系统预定义规则确定新的关联规则,加入场景模式库;
所述匹配判断模块包括:
完全适配模块,用于若待测电网运行多元基础信息与所匹配的规则相同,则判别为完全适配,输出场景模式库中对应的动态运行场景;其中,待测电网运行多元基础信息包括基础信息参数和外部信息参数;
相似适配模块,用于若基础信息参数不完全相同而外部信息参数相同,则判别为相似适配,再次进行规则分析与重构,调整训练样本中特征子集的范围m和关联规则的最小置信度阈值,并结合先验知识更新关联规则,此外,需要把此数据导入历史样本数据集,定期计算及更新特征信息单元;
不适配模块,用于若基础信息参数不完全相同,外部信息参数也不完全相同,则使用场景模式库中的缺省关联规则预定义场景。
7.根据权利要求6所述的电网运行场景动态判定系统,其特征在于,所述匹配判断模块包括预构模块,用于从电网运行的历史信息中获取典型场景和特征事件的多元基础信息,从多元基础信息中提取特征信息单元,将各特征信息单元与各场景进行关联分析,确认关联性强的重要特征信息,删除关联性较弱的冗余特征信息,生成场景模式库。
8.根据权利要求7所述的电网运行场景动态判定系统,其特征在于,所述预构模块包括:
第一提取模块,用于从典型场景和特征事件获取特征属性变量,构成运行场景的改进的随机森林算法的训练样本集T={E,F,C},其中E为特征事件,F={f1,f2,…fM}为样本集的M个特征变量,C为特征信息单元类别;
训练集构建模块,用于对每棵树进行从训练样本集中随机且有放回地抽取N个样本作为该树的训练集的处理;
树状分类器构建模块,用于使用离散度比值法初筛出m个特征,m为特征子集的范围,m<M;对初筛出的每个特征计算其信息增益再进行排序,选择最优的信息增益作为最佳的分裂节点,直到建成完整的树状分类器;
第二提取模块,用于进行k次抽样和建树,以投票的方式得到分类结果,当得票率高于设定阈值时,则认定特征信息单元类别,并提取其对应的特征子集生成特征信息单元U={E,F′,C},其中E为特征事件,F′={f1′,f2′,…fm′}为特征子集,C为特征信息单元类别。
9.根据权利要求8所述的电网运行场景动态判定系统,其特征在于,所述预构模块包括:
计算模块,用于从电网运行的历史信息中获取典型场景,形成数据集S={X,Y},其中X={U(E,F)}为包含特征事件和特征子集的特征信息单元集,Y为典型场景集,对数据集S按特征信息单元类别分组,扫描各组的数据集,计算关联规则X->Y的支持度、置信度;
其中,支持度其中N为数据集的个数,N(X∪Y)为特征信息单元的特征事件/特征子集与典型场景同时出现的个数;
置信度其中N(Y)为数据集中典型场景的个数,满足最小支持度阈值和最小置信度阈值的规则,定义为强关联规则,逐层迭代,生成频繁项集FP(X,Y);
对于频繁项集,计算提升度其中N(X)表示数据集中特征信息单元的个数,如果提升度l(FP(X,Y))>1,则此关联规则为有效的强关联规则,确定特征信息单元与场景关联规则,生成场景模式库,若提升度l(FP(X,Y))≤1,则为不能确定特征信息单元与场景的关联规则,则将现有电网调度控制系统中预定义的特征事件->场景作为缺省关联规则加入场景模式库。
10.根据权利要求6所述的电网运行场景动态判定系统,其特征在于,还包括可视化模块,用于将完全适配输出的动态运行场景进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010410473.4A CN111680572B (zh) | 2020-05-15 | 2020-05-15 | 一种电网运行场景动态判定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010410473.4A CN111680572B (zh) | 2020-05-15 | 2020-05-15 | 一种电网运行场景动态判定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680572A CN111680572A (zh) | 2020-09-18 |
CN111680572B true CN111680572B (zh) | 2024-04-23 |
Family
ID=72434143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010410473.4A Active CN111680572B (zh) | 2020-05-15 | 2020-05-15 | 一种电网运行场景动态判定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680572B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342855B (zh) * | 2021-06-24 | 2022-03-01 | 汇付天下有限公司 | 一种基于大数据的数据匹配方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8369622B1 (en) * | 2009-10-29 | 2013-02-05 | Hsu Shin-Yi | Multi-figure system for object feature extraction tracking and recognition |
CN105910613A (zh) * | 2016-03-30 | 2016-08-31 | 宁波元鼎电子科技有限公司 | 一种自适应的基于虚拟现实的步行导航方法与系统 |
CN109409701A (zh) * | 2018-10-10 | 2019-03-01 | 国网江苏省电力有限公司无锡供电分公司 | 电网场景的电网情境模型构建方法 |
CN110994788A (zh) * | 2019-11-25 | 2020-04-10 | 北京科东电力控制系统有限责任公司 | 一种根据电网特征事件进行场景动态切换的方法、系统和存储介质 |
CN111046258A (zh) * | 2019-11-25 | 2020-04-21 | 北京科东电力控制系统有限责任公司 | 一种多元基础信息提取及一体化融合展示的方法、系统和存储介质 |
-
2020
- 2020-05-15 CN CN202010410473.4A patent/CN111680572B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8369622B1 (en) * | 2009-10-29 | 2013-02-05 | Hsu Shin-Yi | Multi-figure system for object feature extraction tracking and recognition |
CN105910613A (zh) * | 2016-03-30 | 2016-08-31 | 宁波元鼎电子科技有限公司 | 一种自适应的基于虚拟现实的步行导航方法与系统 |
CN109409701A (zh) * | 2018-10-10 | 2019-03-01 | 国网江苏省电力有限公司无锡供电分公司 | 电网场景的电网情境模型构建方法 |
CN110994788A (zh) * | 2019-11-25 | 2020-04-10 | 北京科东电力控制系统有限责任公司 | 一种根据电网特征事件进行场景动态切换的方法、系统和存储介质 |
CN111046258A (zh) * | 2019-11-25 | 2020-04-21 | 北京科东电力控制系统有限责任公司 | 一种多元基础信息提取及一体化融合展示的方法、系统和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111680572A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111352971A (zh) | 银行系统监控数据异常检测方法及系统 | |
CN113572625B (zh) | 故障预警方法、预警装置、设备及计算机介质 | |
CN111782460A (zh) | 大规模日志数据的异常检测方法、装置和存储介质 | |
CN104463706A (zh) | 一种用于电网检测电压暂降事件原因的方法和系统 | |
CN113791926A (zh) | 智能告警分析方法、装置、设备及存储介质 | |
CN111126820A (zh) | 反窃电方法及系统 | |
CN115794803B (zh) | 一种基于大数据ai技术的工程审计问题监测方法与系统 | |
CN116010485A (zh) | 一种动态周期时序的无监督异常检测方法 | |
CN114494711B (zh) | 一种图像特征的提取方法、装置、设备及存储介质 | |
CN115730947A (zh) | 银行客户流失预测方法及装置 | |
CN111680572B (zh) | 一种电网运行场景动态判定方法及系统 | |
CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
CN109711450A (zh) | 一种电网预想故障集预测方法、装置、电子设备及存储介质 | |
CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
CN110458383B (zh) | 需求处理服务化的实现方法、装置及计算机设备、存储介质 | |
CN111967003A (zh) | 基于黑盒模型与决策树的风控规则自动生成系统及方法 | |
CN106655225A (zh) | 一种三相不平衡治理装置及实现方法 | |
CN111352820A (zh) | 一种高性能应用运行状态预测和监控方法、设备和装置 | |
CN114385876B (zh) | 一种模型搜索空间生成方法、装置及系统 | |
CN115579069A (zh) | scRNA-Seq细胞类型注释数据库的构建方法、装置及电子设备 | |
CN115619539A (zh) | 贷前风险评价方法以及装置 | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
CN114530163A (zh) | 基于密度聚类的采用声音识别设备生命周期的方法及系统 | |
CN111209158B (zh) | 服务器集群的挖矿监控方法及集群监控系统 | |
CN106600034A (zh) | 带有现场温度告警功能的三相不平衡治理装置及其实现方法 |
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 |