CN111799782A - 一种基于机器学习的电力设备停电窗口期修正方法和系统 - Google Patents

Abstract

本发明涉及一种基于机器学习的电力设备停电窗口期修正方法和系统，包括：基于停电窗口文件中各待停电电力设备的特征信息预测所述各待停电电力设备的停电时长；利用所述各待停电电力设备的停电时长修正停电窗口文件中各待停电电力设备的停电窗口期。本发明提供的技术方案，利用预测的停电窗口文件中各待停电电力设备的时长，对停电窗口文件中各待停电电力设备的停电窗口期进行修正，提高了待停电电力设备的停电窗口期制定的合理性，使停电计划编排系统更加智能可靠，为设备精细化检修提供依据，为电网安全稳定运行提供了有效的保障。

Description

一种基于机器学习的电力设备停电窗口期修正方法和系统

技术领域

本发明涉及电力系统调度控制领域，具体涉及一种基于机器学习的电力设备停电窗口期修正方法和系统。

背景技术

电力设备检修是电网运行中一项十分重要的工作，设备检修计划编制的合理性与电网安全稳定运行息息相关，直接影响到电力企业和社会用户的经济利益。

近年来随着特高压交直流互联电网的大规模建设，各级电网间耦合更加紧密，设备范围和数据规模大幅增加，电力设备检修既需要根据设备生命周期安排定期检修，又要考虑基建、技改、设备故障等情况安排临时检修。

停电窗口期是为全网发输变电设备选择最优检修时段，目前制定停电窗口期时仅考虑了过去时段设备的潮流情况，在窗口期时长选择方面不够精细。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于机器学习的电力设备停电窗口期修正方法，该方法利用预测的停电窗口文件中各待停电电力设备的时长，对停电窗口文件中各待停电电力设备的停电窗口期进行修正，提高了待停电电力设备的停电窗口期制定的合理性，使停电计划编排系统更加智能可靠，为设备精细化检修提供依据，为电网安全稳定运行提供了有效的保障。

本发明的目的是采用下述技术方案实现的：

本发明提供一种基于机器学习的电力设备停电窗口期修正方法，其改进之处在于，所述方法包括：

基于停电窗口文件中各待停电电力设备的特征信息预测所述各待停电电力设备的停电时长；

利用所述各待停电电力设备的停电时长修正停电窗口文件中各待停电电力设备的停电窗口期。

优选的，所述基于停电窗口文件中各待停电电力设备的特征信息预测所述各待停电电力设备的停电时长，包括：

将停电窗口文件中各待停电电力设备的特征信息作为训练好的电力设备停电时长预测模型的输入数据，获取所述电力设备停电时长预测模型输出的各待停电电力设备的停电时长。

进一步的，所述训练好的电力设备停电时长预测模型的训练过程包括：

将停电计划执行表中各电力设备的特征信息作为初始回归树模型的输入数据，将停电计划执行表中各电力设备的实际执行停电时间作为初始回归树模型的输出数据，利用梯度提升决策树法训练所述回归树模型，获取训练好的电力设备停电时长预测模型；

其中，所述停电计划执行表中各电力设备的实际执行停电时间为所述各电力设备的实际结束停电时刻与所述各电力设备的实际开始停电时刻的时间差。

进一步的，所述停电计划执行表中各电力设备的实际开始停电时刻的确定过程，包括：

遍历停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段[s_ms,i，t_ms,i]内的各时刻，若存在时刻t_s1满足

且存在时刻t_s满足f(t_s)＝0与t_s∈[t_s1,t_s2]，则时刻t_s1为停电计划执行表中第i个电力设备的实际开始停电时刻；否则，令s_ms,i＝s_ms,i-Δt，t_ms,i＝t_ms,i+Δt，并重新执行遍历操作，直至得到停电计划执行表中第i个电力设备的实际开始停电时刻；

其中，t_s、t_s1、t_s2∈[s_ms,i，t_ms,i]，s_ms,i为停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段的起始时刻，t_ms,i为停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段的终止时刻，s_ms,i＝s_i-Δt，t_ms,i＝t_ms,i+Δt s_i为停电计划执行表中第i个电力设备的计划开始停电时刻，Δt为时间间隔，

为停电计划执行表中第i个电力设备在时刻

的量测值，f_i(t_s1)为停电计划执行表中第i个电力设备在时刻t_s1的量测值，θ_s,i为停电计划执行表中第i个电力设备在开始停电时对应的量测值的跳变阈值，

为电力设备量测值采集的时间间隔；

所述停电计划执行表中第i个电力设备的实际结束停电时刻的确定过程，包括：

遍历停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段[s_es,i，t_es,i]内的各时刻，若存在时刻t_e2满足

且存在时刻t_e满足f(t_e)＝0与t_e∈[t_e1,t_e2]，则时刻t_e2为停电计划执行表中第i个电力设备的实际结束停电时刻；否则，令s_es,i＝s_es,i-Δt，t_es,i＝t_es,i+Δt，并重新执行遍历操作，直至得出停电计划执行表中第i个电力设备的实际结束停电时刻；

其中，t_e、t_e1、t_e2∈[s_me,i，t_me,i]，s_me,i为停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段的起始时刻，t_me,i为停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段的终止时刻，s_me,i＝e_i-Δt，t_me,i＝e_i+Δt，e_i为停电计划执行表中第i个电力设备的计划结束停电时刻，

为停电计划执行表中第i个电力设备在时刻

的量测值，f_i(t_e2)为停电计划执行表中第i个电力设备在时刻t_e2的量测值，θ_e,i为停电计划执行表中第i个电力设备在结束停电时对应的量测值的跳变阈值，i∈(1～N)，N为停电计划执行表中电力设备的数目。

进一步的，所述停电计划执行表中第i个电力设备在开始停电时对应的量测值的跳变阈值θ_s,i的确定过程，包括：

将停电计划执行表中第i个电力设备的电压值与停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为训练好的第一回归模型的输入数据，获取所述第一回归模型输出的停电计划执行表中第i个电力设备在开始停电时对应的量测值的跳变阈值θ_s,i；

所述停电计划执行表中第i个电力设备在结束停电时对应的量测值的跳变阈值θ_e,i的确定过程，包括：

将停电计划执行表中第i个电力设备的电压值与停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为训练好的第二回归模型的输入数据，获取所述第二回归模型输出的停电计划执行表中第i个电力设备在结束停电时对应的量测值的跳变阈值θ_e,i。

进一步的，所述训练好的第一回归模型的训练过程，包括：

将历史数据中各电力设备的电压值与各电力设备在开始停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为初始第一回归模型的输入数据，将历史数据中各电力设备在开始停电时量测值的实际跳变阈值作为初始第一回归模型的输出数据，利用随机森林方法训练所述初始第一回归模型，获取训练好的第一回归模型；

所述训练好的第二回归模型的训练过程，包括：

将历史数据中各电力设备的电压值与各电力设备在结束停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为初始第二回归模型的输入数据，将历史数据中各电力设备在结束停电时量测值的实际跳变阈值作为初始第二回归模型的输出数据，利用随机森林方法训练所述初始第二回归模型，获取训练好的第二回归模型。

进一步的，所述电力设备包括：发电机、交流线路、母线、变压器和直流输电系统；

其中，发电机对应的量测值为发电机有功功率量测值，交流线路对应的量测值为交流线路有功功率量测值，母线对应的量测值为母线线电压量测值，变压器对应的量测值为变压器有功功率量测值，直流输电系统对应的量测值为直流输电系统有功功率量测值；

发电机的特征信息包括：发电机的停电性质信息、发电机的停电类型信息、发电机所属的区域信息、发电机的额定容量信息和发电机的电压等级信息；

交流线路的特征信息包括：交流线路的停电性质信息、交流线路的停电类型信息、交流线路所属的区域信息、交流线路的线路类型信息、交流线路的线路长度信息和交流线路的电压等级信息；

母线的特征信息包括：母线的停电性质信息、母线的停电类型信息、母线所属的区域信息和母线的电压等级信息；

变压器的特征信息包括：变压器的停电性质信息、变压器的停电类型信息、变压器所属的区域信息、变压器的额定容量信息、变压器的绕组类型信息和变压器的电压等级信息；

直流输电系统的特征信息包括直流输电系统的停电性质信息、直流输电系统的停电类型信息、直流输电系统所属的区域信息、直流输电系统的额定容量信息、直流输电系统的输电距离信息和直流输电系统的电压等级信息。

优选的，所述利用所述各待停电电力设备的停电时长修正停电窗口文件中各待停电电力设备的停电窗口期，包括：

在各待停电电力设备的停电时长中选择最大值t_w；

遍历停电窗口文件中各待停电电力设备的停电窗口期中各时刻，寻找时刻w'_s，使其满足在时段[w'_s,w'_s+t_w]内电力系统潮流仿真分析中各待停电电力设备的负荷电量之和最小；

将所述t_w作为停电窗口文件中各待停电电力设备的停电窗口期时长，将时刻w'_s作为停电窗口文件中各待停电电力设备的停电窗口期开始时刻。

本发明提供一种基于机器学习的电力设备停电窗口期修正系统，其改进之处在于，所述系统包括：

预测模块，用于基于停电窗口文件中各待停电电力设备的特征信息预测所述各待停电电力设备的停电时长；

修正模块，用于利用所述各待停电电力设备的停电时长修正停电窗口文件中各待停电电力设备的停电窗口期。

优选的，所述预测模块，具体用于：

将停电窗口文件中各待停电电力设备的特征信息作为训练好的电力设备停电时长预测模型的输入数据，获取所述电力设备停电时长预测模型输出的各待停电电力设备的停电时长。

进一步的，所述训练好的电力设备停电时长预测模型的训练过程包括：

将停电计划执行表中各电力设备的特征信息作为初始回归树模型的输入数据，将停电计划执行表中各电力设备的实际执行停电时间作为初始回归树模型的输出数据，利用梯度提升决策树法训练所述初始回归树模型，获取训练好的电力设备停电时长预测模型；

其中，所述停电计划执行表中各电力设备的实际执行停电时间为所述各电力设备的实际结束停电时刻与所述各电力设备的实际开始停电时刻的时间差。

优选的，所述修正模块，包括：

选择单元，用于在各待停电电力设备的停电时长中选择最大值t_w；

寻找单元，用于遍历停电窗口文件中各待停电电力设备的停电窗口期中各时刻，寻找时刻w'_s，使其满足在时段[w'_s,w'_s+t_w]内电力系统潮流仿真分析中各待停电电力设备的负荷电量之和最小；

修正单元，用于将所述t_w作为停电窗口文件中各待停电电力设备的停电窗口期时长，将时刻w'_s作为停电窗口文件中各待停电电力设备的停电窗口期开始时刻。

与最接近的现有技术相比，本发明具有的有益效果：

本发明提供的技术方案，基于停电窗口文件中各待停电电力设备的特征信息预测所述各待停电电力设备的停电时长；利用所述各待停电电力设备的停电时长修正停电窗口文件中各待停电电力设备的停电窗口期。该方案利用预测的停电窗口文件中各待停电电力设备的时长，对停电窗口文件中各待停电电力设备的停电窗口期进行修正，提高了待停电电力设备的停电窗口期制定的合理性，使停电计划编排系统更加智能可靠，为设备精细化检修提供依据，为电网安全稳定运行提供了有效的保障。

本发明提供的技术方案，基于梯度提升决策树法，从待停电电力设备的设备参数、停电性质、停电类型以及待停电电力设备所属的区域等多个维度数据对待停电电力设备的停电时长进行预测，提高了待停电电力设备的停电时长的预测准确性，进而为修正待停电电力设备的停电窗口期提供依据。

本发明提供的技术方案，提出了停电计划执行表中各电力设备的实际开始停电时刻和实际结束停电时刻的确定方法，该方法可以对已经执行完停电计划但是不能及时进行停电时间上传而造成的信息缺漏进行补全。

附图说明

图1是一种基于机器学习的电力设备停电窗口期修正方法流程图；

图2是一种基于机器学习的电力设备停电窗口期修正系统结构图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

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。

本发明提供一种基于机器学习的电力设备停电窗口期修正方法，如图1所示，所述方法包括：

步骤101，用于基于停电窗口文件中各待停电电力设备的特征信息预测所述各待停电电力设备的停电时长；

步骤102，用于利用所述各待停电电力设备的停电时长修正停电窗口文件中各待停电电力设备的停电窗口期。

具体的，所述步骤101，包括：

将停电窗口文件中各待停电电力设备的特征信息作为训练好的电力设备停电时长预测模型的输入数据，获取所述电力设备停电时长预测模型输出的各待停电电力设备的停电时长。

进一步的，所述训练好的电力设备停电时长预测模型的训练过程包括：

将停电计划执行表中各电力设备的特征信息作为初始回归树模型的输入数据，将停电计划执行表中各电力设备的实际执行停电时间作为初始回归树模型的输出数据，利用梯度提升决策树法训练所述初始回归树模型，获取训练好的电力设备停电时长预测模型；

其中，所述停电计划执行表中各电力设备的实际执行停电时间为所述各电力设备的实际结束停电时刻与所述各电力设备的实际开始停电时刻的时间差。

在实际工程应用中，停电计划执行表中各电力设备的实际结束停电时刻与实际开始停电时刻的信息是由现场工作人员进行更新的，因人工更新的效率低，更新不及时，导致所述信息无法获取，故而需要通过计算进行确定；其中，所述停电计划执行表中各电力设备的实际开始停电时刻的确定过程，包括：

遍历停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段[s_ms,i，t_ms,i]内的各时刻，若存在时刻t_s1满足

且存在时刻t_s满足f(t_s)＝0与t_s∈[t_s1,t_s2]，则时刻t_s1为停电计划执行表中第i个电力设备的实际开始停电时刻；否则，令s_ms,i＝s_ms,i-Δt，t_ms,i＝t_ms,i+Δt，并重新执行遍历操作，直至得到停电计划执行表中第i个电力设备的实际开始停电时刻；

其中，t_s、t_s1、t_s2∈[s_ms,i，t_ms,i]，s_ms,i为停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段的起始时刻，t_ms,i为停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段的终止时刻，s_ms,i＝s_i-Δt，t_ms,i＝t_ms,i+Δt s_i为停电计划执行表中第i个电力设备的计划开始停电时刻，Δt为时间间隔，

为停电计划执行表中第i个电力设备在时刻

的量测值，f_i(t_s1)为停电计划执行表中第i个电力设备在时刻t_s1的量测值，θ_s,i为停电计划执行表中第i个电力设备在开始停电时对应的量测值的跳变阈值，

为电力设备量测值采集的时间间隔；

所述停电计划执行表中第i个电力设备的实际结束停电时刻的确定过程，包括：

遍历停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段[s_es,i，t_es,i]内的各时刻，若存在时刻t_e2满足

且存在时刻t_e满足f(t_e)＝0与t_e∈[t_e1,t_e2]，则时刻t_e2为停电计划执行表中第i个电力设备的实际结束停电时刻；否则，令s_es,i＝s_es,i-Δt，t_es,i＝t_es,i+Δt，并重新执行遍历操作，直至得出停电计划执行表中第i个电力设备的实际结束停电时刻；

其中，t_e、t_e1、t_e2∈[s_me,i，t_me,i]，s_me,i为停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段的起始时刻，t_me,i为停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段的终止时刻，s_me,i＝e_i-Δt，t_me,i＝e_i+Δt，e_i为停电计划执行表中第i个电力设备的计划结束停电时刻，

为停电计划执行表中第i个电力设备在时刻

的量测值，f_i(t_e2)为停电计划执行表中第i个电力设备在时刻t_e2的量测值，θ_e,i为停电计划执行表中第i个电力设备在结束停电时对应的量测值的跳变阈值，i∈(1～N)，N为停电计划执行表中电力设备的数目。

在确定停电计划执行表中各电力设备的实际开始停电时刻、实际结束停电时刻的过程中，需要用到停电计划执行表中各电力设备在开始停电时、结束停电时对应的量测值的跳变阈值；

而停电计划执行表中各电力设备在开始停电时对应的量测值的跳变阈值等于停电计划执行表中各电力设备在实际开始停电时刻对应的量测值与停电计划执行表中各电力设备在实际开始停电时刻的前一量测时刻对应的量测值的差值的绝对值；

同样，停电计划执行表中各电力设备在结束停电时对应的量测值的跳变阈值等于停电计划执行表中各电力设备在实际结束停电时刻的后一量测时刻对应的量测值与停电计划执行表中各电力设备在实际结束停电时刻对应的量测值的差值的绝对值；

因停电计划执行表中各电力设备的实际开始停电时刻、实际结束停电时刻未知，故而该值也未知。

这里，我们通过利用已经补全全部停电信息的历史数据，基于随机森林方法对停电计划执行表中各电力设备在开始停电时、结束停电时对应的量测值的跳变阈值进行预测，该方法可以尽可能的保证预测的准确性。

其中，所述停电计划执行表中第i个电力设备在开始停电时对应的量测值的跳变阈值θ_s,i的确定过程，包括：

将停电计划执行表中第i个电力设备的电压值与停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为训练好的第一回归模型的输入数据，获取所述第一回归模型输出的停电计划执行表中第i个电力设备在开始停电时对应的量测值的跳变阈值θ_s,i；

所述停电计划执行表中第i个电力设备在结束停电时对应的量测值的跳变阈值θ_e,i的确定过程，包括：

将停电计划执行表中第i个电力设备的电压值与停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为训练好的第二回归模型的输入数据，获取所述第二回归模型输出的停电计划执行表中第i个电力设备在结束停电时对应的量测值的跳变阈值θ_e,i。

进一步的，所述训练好的第一回归模型的训练过程，包括：

将历史数据中各电力设备的电压值与各电力设备在开始停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为初始第一回归模型的输入数据，将历史数据中各电力设备在开始停电时量测值的实际跳变阈值作为初始第一回归模型的输出数据，利用随机森林方法训练所述初始第一回归模型，获取训练好的第一回归模型；

所述训练好的第二回归模型的训练过程，包括：

将历史数据中各电力设备的电压值与各电力设备在结束停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为初始第二回归模型的输入数据，将历史数据中各电力设备在结束停电时量测值的实际跳变阈值作为初始第二回归模型的输出数据，利用随机森林方法训练所述初始第二回归模型，获取训练好的第二回归模型。

具体的，所述电力设备包括：发电机、交流线路、母线、变压器和直流输电系统；

其中，发电机对应的量测值为发电机有功功率量测值，交流线路对应的量测值为交流线路有功功率量测值，母线对应的量测值为母线线电压量测值，变压器对应的量测值为变压器有功功率量测值，直流输电系统对应的量测值为直流输电系统有功功率量测值；

发电机的特征信息包括：发电机的停电性质信息、发电机的停电类型信息、发电机所属的区域信息、发电机的额定容量信息和发电机的电压等级信息；

交流线路的特征信息包括：交流线路的停电性质信息、交流线路的停电类型信息、交流线路所属的区域信息、交流线路的线路类型信息、交流线路的线路长度信息和交流线路的电压等级信息；

母线的特征信息包括：母线的停电性质信息、母线的停电类型信息、母线所属的区域信息和母线的电压等级信息；

变压器的特征信息包括：变压器的停电性质信息、变压器的停电类型信息、变压器所属的区域信息、变压器的额定容量信息、变压器的绕组类型信息和变压器的电压等级信息；

直流输电系统的特征信息包括直流输电系统的停电性质信息、直流输电系统的停电类型信息、直流输电系统所属的区域信息、直流输电系统的额定容量信息、直流输电系统的输电距离信息和直流输电系统的电压等级信息。

在本发明的具体实施例中，电力设备停电性质信息、电力设备停电类型信息以及电力设备所属的区域信息为经过onehot编码后的信息，设备额定容量信息、设备电压等级信息、设备线路类型信息、设备线路长度信息、设备绕组类型信息和设备输电距离信息等参数信息是经过归一化处理后的信息。

具体的，所述步骤102，包括：

步骤102.1，用于在各待停电电力设备的停电时长中选择最大值t_w；

步骤102.2，用于遍历停电窗口文件中各待停电电力设备的停电窗口期中各时刻，寻找时刻w'_s，使其满足在时段[w'_s,w'_s+t_w]内电力系统潮流仿真分析中各待停电电力设备的负荷电量之和最小；

步骤102.3，用于将所述t_w作为停电窗口文件中各待停电电力设备的停电窗口期时长，将时刻w'_s作为停电窗口文件中各待停电电力设备的停电窗口期开始时刻。

本发明提供一种基于机器学习的电力设备停电窗口期修正系统，如图2所示，所述系统包括：

预测模块，用于基于停电窗口文件中各待停电电力设备的特征信息预测所述各待停电电力设备的停电时长；

修正模块，用于利用所述各待停电电力设备的停电时长修正停电窗口文件中各待停电电力设备的停电窗口期。

具体的，所述预测模块，具体用于：

将停电窗口文件中各待停电电力设备的特征信息作为训练好的电力设备停电时长预测模型的输入数据，获取所述电力设备停电时长预测模型输出的各待停电电力设备的停电时长。

进一步的，所述训练好的电力设备停电时长预测模型的训练过程包括：

将停电计划执行表中各电力设备的特征信息作为初始回归树模型的输入数据，将停电计划执行表中各电力设备的实际执行停电时间作为初始回归树模型的输出数据，利用梯度提升决策树法训练所述初始回归树模型，获取训练好的电力设备停电时长预测模型；

其中，所述停电计划执行表中各电力设备的实际执行停电时间为所述各电力设备的实际结束停电时刻与所述各电力设备的实际开始停电时刻的时间差。

具体的，所述停电计划执行表中各电力设备的实际开始停电时刻的确定过程，包括：

遍历停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段[s_ms,i，t_ms,i]内的各时刻，若存在时刻t_s1满足

且存在时刻t_s满足f(t_s)＝0与t_s∈[t_s1,t_s2]，则时刻t_s1为停电计划执行表中第i个电力设备的实际开始停电时刻；否则，令s_ms,i＝s_ms,i-Δt，t_ms,i＝t_ms,i+Δt，并重新执行遍历操作，直至得到停电计划执行表中第i个电力设备的实际开始停电时刻；

其中，t_s、t_s1、t_s2∈[s_ms,i，t_ms,i]，s_ms,i为停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段的起始时刻，t_ms,i为停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段的终止时刻，s_ms,i＝s_i-Δt，t_ms,i＝t_ms,i+Δt s_i为停电计划执行表中第i个电力设备的计划开始停电时刻，Δt为时间间隔，

为停电计划执行表中第i个电力设备在时刻

的量测值，f_i(t_s1)为停电计划执行表中第i个电力设备在时刻t_s1的量测值，θ_s,i为停电计划执行表中第i个电力设备在开始停电时对应的量测值的跳变阈值，

为电力设备量测值采集的时间间隔；

所述停电计划执行表中第i个电力设备的实际结束停电时刻的确定过程，包括：

遍历停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段[s_es,i，t_es,i]内的各时刻，若存在时刻t_e2满足

且存在时刻t_e满足f(t_e)＝0与t_e∈[t_e1,t_e2]，则时刻t_e2为停电计划执行表中第i个电力设备的实际结束停电时刻；否则，令s_es,i＝s_es,i-Δt，t_es,i＝t_es,i+Δt，并重新执行遍历操作，直至得出停电计划执行表中第i个电力设备的实际结束停电时刻；

其中，t_e、t_e1、t_e2∈[s_me,i，t_me,i]，s_me,i为停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段的起始时刻，t_me,i为停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段的终止时刻，s_me,i＝e_i-Δt，t_me,i＝e_i+Δt，e_i为停电计划执行表中第i个电力设备的计划结束停电时刻，

为停电计划执行表中第i个电力设备在时刻

的量测值，f_i(t_e2)为停电计划执行表中第i个电力设备在时刻t_e2的量测值，θ_e,i为停电计划执行表中第i个电力设备在结束停电时对应的量测值的跳变阈值，i∈(1～N)，N为停电计划执行表中电力设备的数目。

具体的，所述停电计划执行表中第i个电力设备在开始停电时对应的量测值的跳变阈值θ_s,i的确定过程，包括：

将停电计划执行表中第i个电力设备的电压值与停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为训练好的第一回归模型的输入数据，获取所述第一回归模型输出的停电计划执行表中第i个电力设备在开始停电时对应的量测值的跳变阈值θ_s,i；

所述停电计划执行表中第i个电力设备在结束停电时对应的量测值的跳变阈值θ_e,i的确定过程，包括：

将停电计划执行表中第i个电力设备的电压值与停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为训练好的第二回归模型的输入数据，获取所述第二回归模型输出的停电计划执行表中第i个电力设备在结束停电时对应的量测值的跳变阈值θ_e,i。

具体的，所述训练好的第一回归模型的训练过程，包括：

将历史数据中各电力设备的电压值与各电力设备在开始停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为初始第一回归模型的输入数据，将历史数据中各电力设备在开始停电时量测值的实际跳变阈值作为初始第一回归模型的输出数据，利用随机森林方法训练所述初始第一回归模型，获取训练好的第一回归模型；

所述训练好的第二回归模型的训练过程，包括：

将历史数据中各电力设备的电压值与各电力设备在结束停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为初始第二回归模型的输入数据，将历史数据中各电力设备在结束停电时量测值的实际跳变阈值作为初始第二回归模型的输出数据，利用随机森林方法训练所述初始第二回归模型，获取训练好的第二回归模型。

具体的，所述电力设备包括：发电机、交流线路、母线、变压器和直流输电系统；

其中，发电机对应的量测值为发电机有功功率量测值，交流线路对应的量测值为交流线路有功功率量测值，母线对应的量测值为母线线电压量测值，变压器对应的量测值为变压器有功功率量测值，直流输电系统对应的量测值为直流输电系统有功功率量测值；

发电机的特征信息包括：发电机的停电性质信息、发电机的停电类型信息、发电机所属的区域信息、发电机的额定容量信息和发电机的电压等级信息；

交流线路的特征信息包括：交流线路的停电性质信息、交流线路的停电类型信息、交流线路所属的区域信息、交流线路的线路类型信息、交流线路的线路长度信息和交流线路的电压等级信息；

母线的特征信息包括：母线的停电性质信息、母线的停电类型信息、母线所属的区域信息和母线的电压等级信息；

变压器的特征信息包括：变压器的停电性质信息、变压器的停电类型信息、变压器所属的区域信息、变压器的额定容量信息、变压器的绕组类型信息和变压器的电压等级信息；

直流输电系统的特征信息包括直流输电系统的停电性质信息、直流输电系统的停电类型信息、直流输电系统所属的区域信息、直流输电系统的额定容量信息、直流输电系统的输电距离信息和直流输电系统的电压等级信息。

具体的，所述修正模块，包括：

选择单元，用于在各待停电电力设备的停电时长中选择最大值t_w；

寻找单元，用于遍历停电窗口文件中各待停电电力设备的停电窗口期中各时刻，寻找时刻w'_s，使其满足在时段[w'_s,w'_s+t_w]内电力系统潮流仿真分析中各待停电电力设备的负荷电量之和最小；

修正单元，用于将所述t_w作为停电窗口文件中各待停电电力设备的停电窗口期时长，将时刻w'_s作为停电窗口文件中各待停电电力设备的停电窗口期开始时刻。

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。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (12)

1.一种基于机器学习的电力设备停电窗口期修正方法，其特征在于，所述方法包括：

基于停电窗口文件中各待停电电力设备的特征信息预测所述各待停电电力设备的停电时长；

利用所述各待停电电力设备的停电时长修正停电窗口文件中各待停电电力设备的停电窗口期。

2.如权利要求1所述的方法，其特征在于，所述基于停电窗口文件中各待停电电力设备的特征信息预测所述各待停电电力设备的停电时长，包括：

将停电窗口文件中各待停电电力设备的特征信息作为训练好的电力设备停电时长预测模型的输入数据，获取所述电力设备停电时长预测模型输出的各待停电电力设备的停电时长。

3.如权利要求2所述的方法，其特征在于，所述训练好的电力设备停电时长预测模型的训练过程包括：

将停电计划执行表中各电力设备的特征信息作为初始回归树模型的输入数据，将停电计划执行表中各电力设备的实际执行停电时间作为初始回归树模型的输出数据，利用梯度提升决策树法训练所述初始回归树模型，获取训练好的电力设备停电时长预测模型；

其中，所述停电计划执行表中各电力设备的实际执行停电时间为所述各电力设备的实际结束停电时刻与所述各电力设备的实际开始停电时刻的时间差。

4.如权利要求3所述的方法，其特征在于，所述停电计划执行表中各电力设备的实际开始停电时刻的确定过程，包括：

遍历停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段[s_ms,i，t_ms,i]内的各时刻，若存在时刻t_s1满足

且存在时刻t_s满足f(t_s)＝0与t_s∈[t_s1,t_s2]，则时刻t_s1为停电计划执行表中第i个电力设备的实际开始停电时刻；否则，令s_ms,i＝s_ms,i-Δt，t_ms,i＝t_ms,i+Δt，并重新执行遍历操作，直至得到停电计划执行表中第i个电力设备的实际开始停电时刻；

其中，t_s、t_s1、t_s2∈[s_ms,i，t_ms,i]，s_ms,i为停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段的起始时刻，t_ms,i为停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段的终止时刻，s_ms,i＝s_i-Δt，t_ms,i＝t_ms,i+Δt s_i为停电计划执行表中第i个电力设备的计划开始停电时刻，Δt为时间间隔，

为停电计划执行表中第i个电力设备在时刻

的量测值，f_i(t_s1)为停电计划执行表中第i个电力设备在时刻t_s1的量测值，θ_s,i为停电计划执行表中第i个电力设备在开始停电时对应的量测值的跳变阈值，

为电力设备量测值采集的时间间隔；

所述停电计划执行表中第i个电力设备的实际结束停电时刻的确定过程，包括：

遍历停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段[s_es,i，t_es,i]内的各时刻，若存在时刻t_e2满足

且存在时刻t_e满足f(t_e)＝0与t_e∈[t_e1,t_e2]，则时刻t_e2为停电计划执行表中第i个电力设备的实际结束停电时刻；否则，令s_es,i＝s_es,i-Δt，t_es,i＝t_es,i+Δt，并重新执行遍历操作，直至得出停电计划执行表中第i个电力设备的实际结束停电时刻；

其中，t_e、t_e1、t_e2∈[s_me,i，t_me,i]，s_me,i为停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段的起始时刻，t_me,i为停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段的终止时刻，s_me,i＝e_i-Δt，t_me,i＝e_i+Δt，e_i为停电计划执行表中第i个电力设备的计划结束停电时刻，

为停电计划执行表中第i个电力设备在时刻

的量测值，f_i(t_e2)为停电计划执行表中第i个电力设备在时刻t_e2的量测值，θ_e,i为停电计划执行表中第i个电力设备在结束停电时对应的量测值的跳变阈值，i∈(1～N)，N为停电计划执行表中电力设备的数目。

5.如权利要求4所述的方法，其特征在于，所述停电计划执行表中第i个电力设备在开始停电时对应的量测值的跳变阈值θ_s,i的确定过程，包括：

将停电计划执行表中第i个电力设备的电压值与停电计划执行表中第i个电力设备在开始停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为训练好的第一回归模型的输入数据，获取所述第一回归模型输出的停电计划执行表中第i个电力设备在开始停电时对应的量测值的跳变阈值θ_s,i；

所述停电计划执行表中第i个电力设备在结束停电时对应的量测值的跳变阈值θ_e,i的确定过程，包括：

将停电计划执行表中第i个电力设备的电压值与停电计划执行表中第i个电力设备在结束停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为训练好的第二回归模型的输入数据，获取所述第二回归模型输出的停电计划执行表中第i个电力设备在结束停电时对应的量测值的跳变阈值θ_e,i。

6.如权利要求5所述的方法，其特征在于，所述训练好的第一回归模型的训练过程，包括：

将历史数据中各电力设备的电压值与各电力设备在开始停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为初始第一回归模型的输入数据，将历史数据中各电力设备在开始停电时量测值的实际跳变阈值作为初始第一回归模型的输出数据，利用随机森林方法训练所述初始第一回归模型，获取训练好的第一回归模型；

所述训练好的第二回归模型的训练过程，包括：

将历史数据中各电力设备的电压值与各电力设备在结束停电时对应的量测值的抽取时段内的最大量测值、最小量测值和平均量测值作为初始第二回归模型的输入数据，将历史数据中各电力设备在结束停电时量测值的实际跳变阈值作为初始第二回归模型的输出数据，利用随机森林方法训练所述初始第二回归模型，获取训练好的第二回归模型。

7.如权利要求4所述的方法，其特征在于，所述电力设备包括：发电机、交流线路、母线、变压器和直流输电系统；

其中，发电机对应的量测值为发电机有功功率量测值，交流线路对应的量测值为交流线路有功功率量测值，母线对应的量测值为母线线电压量测值，变压器对应的量测值为变压器有功功率量测值，直流输电系统对应的量测值为直流输电系统有功功率量测值；

发电机的特征信息包括：发电机的停电性质信息、发电机的停电类型信息、发电机所属的区域信息、发电机的额定容量信息和发电机的电压等级信息；

交流线路的特征信息包括：交流线路的停电性质信息、交流线路的停电类型信息、交流线路所属的区域信息、交流线路的线路类型信息、交流线路的线路长度信息和交流线路的电压等级信息；

母线的特征信息包括：母线的停电性质信息、母线的停电类型信息、母线所属的区域信息和母线的电压等级信息；

变压器的特征信息包括：变压器的停电性质信息、变压器的停电类型信息、变压器所属的区域信息、变压器的额定容量信息、变压器的绕组类型信息和变压器的电压等级信息；

直流输电系统的特征信息包括直流输电系统的停电性质信息、直流输电系统的停电类型信息、直流输电系统所属的区域信息、直流输电系统的额定容量信息、直流输电系统的输电距离信息和直流输电系统的电压等级信息。

8.如权利要求1所述的方法，其特征在于，所述利用所述各待停电电力设备的停电时长修正停电窗口文件中各待停电电力设备的停电窗口期，包括：

在各待停电电力设备的停电时长中选择最大值t_w；

遍历停电窗口文件中各待停电电力设备的停电窗口期中各时刻，寻找时刻w'_s，使其满足在时段[w'_s,w'_s+t_w]内电力系统潮流仿真分析中各待停电电力设备的负荷电量之和最小；

将所述t_w作为停电窗口文件中各待停电电力设备的停电窗口期时长，将时刻w'_s作为停电窗口文件中各待停电电力设备的停电窗口期开始时刻。

9.一种基于机器学习的电力设备停电窗口期修正系统，其特征在于，所述系统包括：

预测模块，用于基于停电窗口文件中各待停电电力设备的特征信息预测所述各待停电电力设备的停电时长；

修正模块，用于利用所述各待停电电力设备的停电时长修正停电窗口文件中各待停电电力设备的停电窗口期。

10.如权利要求9所述的系统，其特征在于，所述预测模块，具体用于：

将停电窗口文件中各待停电电力设备的特征信息作为训练好的电力设备停电时长预测模型的输入数据，获取所述电力设备停电时长预测模型输出的各待停电电力设备的停电时长。

11.如权利要求10所述的系统，其特征在于，所述训练好的电力设备停电时长预测模型的训练过程包括：

将停电计划执行表中各电力设备的特征信息作为初始回归树模型的输入数据，将停电计划执行表中各电力设备的实际执行停电时间作为初始回归树模型的输出数据，利用梯度提升决策树法训练所述初始回归树模型，获取训练好的电力设备停电时长预测模型；

其中，所述停电计划执行表中各电力设备的实际执行停电时间为所述各电力设备的实际结束停电时刻与所述各电力设备的实际开始停电时刻的时间差。

12.如权利要求9所述的系统，其特征在于，所述修正模块，包括：

选择单元，用于在各待停电电力设备的停电时长中选择最大值t_w；

寻找单元，用于遍历停电窗口文件中各待停电电力设备的停电窗口期中各时刻，寻找时刻w'_s，使其满足在时段[w'_s,w'_s+t_w]内电力系统潮流仿真分析中各待停电电力设备的负荷电量之和最小；

修正单元，用于将所述t_w作为停电窗口文件中各待停电电力设备的停电窗口期时长，将时刻w'_s作为停电窗口文件中各待停电电力设备的停电窗口期开始时刻。

Images