CN112884008A - 一种电力信息采集系统运行状态的预测评估方法及装置 - Google Patents

Abstract

本发明提出了一种电力信息采集系统运行状态的预测评估方法及装置，所述方法包括：实时采集布置于各个地点的电网数据信息；根据电网实际情况对已有数据以及实时采集的数据进行标注处理，对标注的不同数据赋予不同权重；利用深度残差网络Resnet‑50融合多尺度卷积网络，从标注数据集中提取多尺度用电信息特征；将提取的特征向量输入预测模型，所述预测模型为结合了BiLSTM和Attention网络的模型，输出状态预测及其得分。本发明通过对新旧数据集的权重实时进行调整，利用多尺度的卷积网络分别提取到用电数据浅层深层的特征，预测模型的组合更加关注于对性能提升有用的部分，从而能够对用电信息采集系统的状态进行及时的预测评估，有效保障电力生产安全可靠运行。

Description

一种电力信息采集系统运行状态的预测评估方法及装置

技术领域

本发明涉及电力信息采集系统的运维，具体涉及一种电力信息采集系统运行状态的预测评估方法及装置。

背景技术

电力用户用电信息采集系统是对电力用户的用电信息进行采集、处理和实时监控的系统，实现用电信息的自动采集、计量异常监测、电能质量监测、用电分析和管理、相关信息发布、分布式能源监控、智能用电设备信息交互等功能。信息系统的运行环境主要是指各类人员和软、硬件设施所处的内部环境要素以及相关的外部环境要素。运行环境对于信息系统的影响，包括设备内部和外部的抗电磁冲击和电磁泄露，系统设备可用性和完整性的破坏，以及对各类主体的假冒攻击等。

随着电力信息采集系统的建设，用电信息采集规模日渐庞大，数据深化应用不断加强。电力信息采集系统采集运维工单量越来越多，远远超出配备运维人员的工作能力，致使系统不能及时高效的获取设备特征，无法及时了解设备运行状态。针对电力用户需求和电网运行环境突变等情况，用电信息采集系统需不断采集海量的用电信息数据，因此实时的对用电信息采集系统运行状态进行预测评估，将有效保障电力生产安全可靠运行。

发明内容

发明目的：本发明提供一种可适应于对用电信息采集系统运行状态进行预测评估的方法，利用神经网络、注意力机制以及多尺度特征提取技术，实现对运行态用电信息采集系统状态的预测评估。

本发明的另一目的是提供一种电力信息采集系统运行状态的预测评估装置。

技术方案：第一方面，一种电力信息采集系统运行状态的预测评估方法，包括以下步骤：

采集布置于各个地点的电网数据信息；

根据电网实际情况对已有电网数据以及采集的电网数据信息进行标注处理，对标注的不同数据赋予不同权重；

利用深度残差网络Resnet-50融合多尺度卷积网络，从标注数据集中提取多尺度用电信息特征向量；

将提取的特征向量输入预测模型，所述预测模型为结合了BiLSTM和Attention网络的模型，根据所述预测模型输出的输出状态预测结果及其得分，评估电力信息采集系统的运行状态。

进一步地，根据电网实际情况对已有电网数据以及采集的电网数据信息进行标注处理，对标注的不同数据赋予不同权重包括：

根据电网内已有的用电数据信息，标出其对应的标签状态及对应状态所对应的评估，形成最初的参与训练的数据集；

对于采集的电网数据信息，随机将所采集数据的一部分送入后台数据库并进行标注，并将由此产生的新的数据集投入到训练数据集中去，同时赋予新数据集权重a，旧数据权重

其中n是所增新数据的次数，m表示当前数据是新增的第几批数据，旧数据为新数据集投入之前所用的训练数据集。

进一步地，所述多尺度卷积网络是一个并行多分支的网络，包括四个并行的分支结构，卷积核是以下设置中的一种：

四个分支分别是1x1卷积，3x3卷积，5x5卷积，7x7卷积；

四个分支分别是1x1卷积，3x3卷积，2个3x3卷积，3个3x3卷积；

四个分支分别是1x1卷积，3x3卷积，1个3x3卷积加一组3x1和1x3卷积，2个3x3卷积加一组3x1和1x3卷积。

进一步地，所述结合了BiLSTM和Attention网络的预测模型的工作方式为：根据输入的数据[A_K(t),A_K(t-1),…,A_K(t-p+1)]，预测下一个时间步

的值，其中k表示该次序列，t表示时刻，p表示对应时间步与预测时间步之间的距离；

Attention网络在实际模型训练预测任务中的主要公式如下：

S_t+1＝f(S_t-1,y_t-1,c_t)

其中，S_t是解码出来后在t时刻状态的输出，S_t-1是t-1时刻的状态输出，y_t-1是输入的t-1时刻的用电数据所对应的标注的标签，f是非线性多层神经网络，由多层LSTM和softmax层组成；c_t表示隐藏状态的加权和，所述c_t的计算公式如下：

其中h_j＝f(x_j)是第j个输入x_j在解码里的输出，a_tj是一个权重参数。

第二方面，一种电力信息采集系统运行状态的预测评估装置，包括：

终端采集模块，用于采集布置于各个地点的电网数据信息；

数据处理模块，用于根据电网实际情况对已有电网数据以及采集的电网数据信息进行标注处理，对标注的不同数据赋予不同权重；

多尺度用电信息特征提取模块，用于利用深度残差网络Resnet-50融合多尺度卷积网络，从标注数据集中提取多尺度用电信息特征向量；

预测评估模块，用于将提取的特征向量输入结合了BiLSTM和Attention网络的预测模型，根据所述预测模型输出的输出状态预测结果及其得分，评估电力信息采集系统的运行状态。

有益效果：本发明提出了一种用电信息采集系统运行状态预测评估的方法，通过对新旧数据集的权重实时的进行调整，利用多尺度的卷积网络分别提取到用电数据浅层深层的特征，结合BiLSTM+attention的组合更加关注于对性能提升有用的部分，从而能够对运行态的用电信息采集系统的状态进行及时的预测评估，有效保障电力生产安全可靠运行。

附图说明

图1是根据本发明实施例的电力信息采集系统运行状态的预测评估方法流程图；

图2是根据本发明实施例的多尺度卷积模块示意图；

图3是根据本发明实施例的另一种多尺度卷积模块示意图；

图4是根据本发明实施例的另一种多尺度卷积模块示意图；

图5是根据本发明实施例的预测模型结构图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

参照图1，在一个实施例中，一种用电信息采集系统运行状态预测评估的方法，包括以下步骤：

步骤1，实时采集布置于各个地点的电网数据信息。

一个具体的实施例是某小区的电动汽车充电柱，所采集到的数据包含海量的信息，包括区域配网负荷、用电设备状态、用电设备额定功率、温度、湿度、天气类型、节假日类型等等。

步骤2，根据电网实际情况对已有数据以及实时采集的数据进行标注处理，对标注的不同数据赋予不同权重。

根据电网内已有的用电信息，通过专业的人员基于每天信息标出其对应的标签状态及对应状态所对应的评估形成最初的参与训练的数据集。待用电信息采集系统投入运行后，为保持现有系统的有效性和更好的适应性，此时终端采集到的用电信息将有两个去向，一个是随机将所采集数据的一部分(例如1/5)送入后台数据库，然后由专业人员选取合适的数据进行新的标注，并将由此产生的新的数据集投入到新模型的训练中去，同时赋予新数据集权重a，旧数据权重

其中n是所增新数据的次数，m表示当前数据是新增的第几批数据。所采集数据的另一个去向是都将送入预测系统，预测模型将根据当前采集到的电力信息预测出下一时刻的状态，及时直观提供预警，保障电力系统的安全可靠生产。

信息采集系统的最终目的是为了更好的及时的适应现有状况下的电力环境，所以随着时间的推移，旧数据的权重值应当降低，对模型的影响力将下降。新数据集的影响力将梯度上升，使整个模型朝着良性状态发展，从而系统性能稳中有升。本发明通过对参与新模型训练的旧的数据赋予权重

对新采集标注的数据赋予权重a。随着时间的推移，旧数据的参考贡献值将会逐渐降低，因此时间越久的旧数据的权重的值也将动态的逐渐减少，新数据的权重动态的逐渐增加，其影响力也将逐渐增加，从而系统随着时间的推移可以更好的对现在的运行状态进行预测评估。

在一个实施例中，采集到的电动汽车充电柱相关信息将进入到两个路径，一条是参与到新模型的训练，一个是送入模型预测下一时刻的用电信息采集系统的状态。参与到新模型训练的数据信息，电网的专家根据电网的实际情况对采集到的该小区的电动汽车充电桩上区域的电力信息进行专业标注，并给出相应的分值，标注完的该批数据在下一批新数据加入前默认为新数据集。然后对参与新模型训练的旧的数据赋予权重

对新采集的电动汽车充电柱上的数据赋予权重a。随着时间的推移，旧数据的参考贡献值将会逐渐降低，因此权重

的值也将动态的逐渐减少，新数据的权重动态的逐渐增加，其影响力也将逐渐增加。接着对赋予了不同权重的新旧数据一起送入模型的训练中去，新数据因为有个更高的权重对模型的影响力也将有所提升。

步骤3，从标注数据集中提取多尺度用电信息特征。

本发明中多尺度用电信息特征提取采用深度残差网络Resnet-50融合多尺度卷积网络，从而多方位的提取出用电信息特征。其中的多尺度卷积网络采用的是一种并行多分支的网络，其结构如图2所示，包括四个并行的分支结构，分别是1x1卷积，3x3卷积，5x5卷积，7x7卷积，其中1x1学习“不稀疏”的特征，3x3卷积。5x5卷积，7x7卷积学习那些“稀疏”的特征，稀疏性主要体现在有些特征本身就有很大的影响值，有些本身特征无多大的权重容易被忽略，但与其他特征组合就会模型有影响，属于稀疏的特征。这样增加网络的宽度和网络的适应性，并能更好的提取用电信息的浅层和深层的特征，提高了网络提取特征的能力。

进一步的，多尺度卷积网络各个分支所采用的5x5卷积，7x7卷积可进一步的采用更小的卷积核替代，其中5x5卷积核可采用2个3x3的卷积核，7x7卷积核可采用3个3x3的卷积核，这样可在相同感受野的情况下，一方面减少所需学习的参数量，另一方间接增加网络的深度提高网络学习能力，如图3所示。另外，将5x5卷积，7x7卷积最后一层的3x3卷积使用一组3x1和1x3的网络来替代，又可进一步的减少网络学习参数提高网络学习训练的速度，对最终的预测模型性能将有提升，最终改进的结构如图4所示。

通过多尺度的卷积结构可以提取多种深浅层次的特征为最终的预测提供充足的信息。经过尺度1、尺度2、尺度3和尺度4提取到的电力信息特征后在进行concate操作，将这些提取到的不同维度的特征拼接到一起然后送入后续的有时序处理能力的BiLSTM+attention网络进行进一步的训练从而获得高性能的模型参数。

在Resnet-50融合多尺度卷积网络提取出多尺度用电信息特征时，输入进来的数据有多个特征，比如区域配网负荷、用电设备状态、用电设备额定功率、温度、湿度、天气类型、节假日类型等，在经过尺度1的时候可以容易学到有影响的区域配网负荷的特征，在经过尺度4的网络结构的时候可以学到温度、湿度、天气、节假日类型等多个特征共同作用下形成信息，挖掘的更深。不同尺度可以学习到多种深浅层次的特征为最终的预测提供更好的信息。一共9种预测类型。

步骤4，将提取的特征向量输入预测模型，输出状态预测及其得分。

预测模型的输入为从已有数据和终端新采集数据中提取的特征向量，输出为状态预测及其得分。输入空间为X∈R^d，类别标记空间为Y∈[0,9]，一共9种预测类型。有标记的训练样本集为

其中x_i为每一条采集到的用电数据，每条数据中都包含了很多的用电信息，y_i是每条数据所标注的状态类型及评分，N为进行标注的样本数量。最终的目标是使得预测出来的状态y_i无限逼近于真实的状态y_t，，使得预测评估的准确率最高，即

y_i＝softmax(f(x_i))

其中softmax函数表示每个分类被取到的概率，f(·)是需要训练求得的使得输出y_i无限接近真实值y_t的函数，x_i则为输入的数据。

预测模型结构如图5所示，预测模型采用了BiLSTM和Attention网络的组合方式从而可以对具有时间序列的数据有更好的学习预测能力，即根据历史数据[A_K(t),A_K(t-1),…,A_K(t-p+1)]，预测下一个时间步

的值。其中k表示该次序列，t表示时刻，p表示对应时间步与预测时间步之间的距离。

Attention网络在实际模型训练预测任务中的主要公式如下：

S_t+1＝f(S_t-1,y_t-1,c_t)

其中，S_t是解码出来后在t时刻状态的输出，S_t-1是t-1时刻的状态输出，y_t-1是输入的t-1时刻的用电数据所对应的专家标注的label，f则是一个非线性的多层神经网络，这里由多层LSTM和softmax层组成。

c_t表示的是输入序列x_i中各个元素按其重要程度加权得到的加权和，具体的计算公式如下：

其中参数t表示时刻，h_j＝f(x_j)是对元素x_j的编码。

a_tj是一个权重参数，反应了元素x_j对c_t的重要性，其计算公式如下：

其中e_tj反应了在该x_t序列中待编码元素x_j与其他元素x_k之间的匹配度，匹配度越高说明该元素的影响更大，则a_tj的值也越大。e_tk表示待编码元素x_k(k＝1,2,3…)与其他元素之间的匹配度。

步骤5，利用训练完的预测模型，对终端采集到的用电信息进行实时的分析预测，根据当前的状态预测出下一时刻信息采集系统将处于哪种状态，最终的预测结果总共9种类型：健康度(正常、警告、危险)、安全性(正常、警告、危险)、硬件性能(正常、警告、危险)，规定分值大于90的为正常、80～90之间的为警告，低于80的则为危险。

在实施例中，某小区的电动汽车充电桩所采集到的信息在另一条路径中将送入训练好的用电信息系统运行状态预测评估的模型中，经过尺度1、尺度2、尺度3和尺度4对采集到的电力信息多层次特征的提取合并进入到预测评估模型中。然后以当前时刻信息预测出下一时刻的状态和此状态下的得分。在该电动汽车充电桩所采集的信息中，根据当前所采集到的负荷的增加，电动汽车接入量的增加以及时间段等信息，模型预测下一刻的采集系统将处于高负荷运行状态。

根据本发明的另一实施例，一种用电信息采集系统运行状态的预测评估装置，包括终端采集模块，数据处理模块，多尺度用电信息特征提取模块，预测评估模块，其中，终端采集模块用于实时采集布置于各个地点的电网详细数据信息；数据处理模块用于根据电网实际情况对已有数据以及实时采集的数据进行标注处理，对标注的不同数据赋予不同权重；多尺度用电信息特征提取模块，用于利用深度残差网络Resnet-50融合多尺度卷积网络，从标注数据集中提取多尺度用电信息特征；预测评估模块用于将提取的特征向量输入结合了BiLSTM和Attention网络的预测模型，输出状态预测及其得分。

其中，终端采集模块将布置在各个地点的电网详细数据信息采集后传输给用电信息采集系统，一方面可对采集系统的实时运行状态进行预测评估，另一方面将数据传给数据处理模块以用于提升系统的预测评估性能。

数据处理模块主要对专家标注的数据赋予了不同的权重，提高系统适应能力。

应理解，本发明实施例中的电信息采集系统运行状态的预测评估装置可以实现上述方法实施例中的全部技术方案，其各个功能模块的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程以及所涉及的具体计算公式可参照上述实施例中的相关描述，此处不再赘述。

本发明通过赋予新旧标注数据不同的权重和采用多尺度卷积提取多维度特征的方式，电力用电信息采集系统运行态预测评估的能力稳中有升，极大的保障电力生产安全可靠运行。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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 (10)

1.一种电力信息采集系统运行状态的预测评估方法，其特征在于，所述方法包括以下步骤：

采集布置于各个地点的电网数据信息；

根据电网实际情况对已有电网数据以及采集的电网数据信息进行标注处理，对标注的不同数据赋予不同权重；

利用深度残差网络Resnet-50融合多尺度卷积网络，从标注数据集中提取多尺度用电信息特征向量；

将提取的特征向量输入预测模型，所述预测模型为结合了BiLSTM和Attention网络的模型，根据所述预测模型输出的状态预测结果及其得分，评估电力信息采集系统的运行状态。

2.根据权利要求1所述的电力信息采集系统运行状态的预测评估方法，其特征在于，所述根据电网实际情况对已有电网数据以及采集的电网数据信息进行标注处理，对标注的不同数据赋予不同权重包括：

根据电网内已有的用电数据信息，标出其对应的标签状态及对应状态所对应的评估，形成最初的参与训练的数据集；

对于采集的电网数据信息，随机将所采集数据的一部分送入后台数据库并进行标注，并将由此产生的新的数据集投入到训练数据集中去，同时赋予新数据集权重a，旧数据权重

其中n是所增新数据的次数，m表示当前数据是新增的第几批数据，旧数据为新数据集投入之前所用的训练数据集。

3.根据权利要求1所述的电力信息采集系统运行状态的预测评估方法，其特征在于，所述多尺度卷积网络是一个并行多分支的网络，包括四个并行的分支结构，卷积核分别是1x1卷积，3x3卷积，5x5卷积，7x7卷积。

4.根据权利要求1所述的电力信息采集系统运行状态的预测评估方法，其特征在于，所述多尺度卷积网络是一个并行多分支的网络，包括四个并行的分支结构，分别是1x1卷积，3x3卷积，2个3x3卷积，3个3x3卷积。

5.根据权利要求1所述的电力信息采集系统运行状态的预测评估方法，其特征在于，所述多尺度卷积网络是一个并行多分支的网络，包括四个并行的分支结构，分别是1x1卷积，3x3卷积，1个3x3卷积加一组3x1和1x3卷积，2个3x3卷积加一组3x1和1x3卷积。

6.根据权利要求1所述的电力信息采集系统运行状态的预测评估方法，其特征在于，所述预测模型根据输入的数据[A_K(t)，A_K(t-1)，...，A_K(t-p+1)]，预测下一个时间步A^_K(t+1)的值，其中k表示该次序列，t表示时刻，p表示对应时间步与预测时间步之间的距离；

Attention网络在实际模型训练预测任务中的主要公式如下：

S_t+1＝f(S_t-1，y_t-1，c_t)

其中，S_t是解码出来后在t时刻状态的输出，S_t-1是t-1时刻的状态输出，y_t-1是输入的t-1时刻的用电数据所对应的标注的标签，f是非线性多层神经网络，由多层LSTM和softmax层组成；c_t表示隐藏状态的加权和。

7.根据权利要求6所述的电力信息采集系统运行状态的预测评估方法，其特征在于，所述c_t的计算公式如下：

其中h_j＝f(x_j)是第j个输入x_j在解码里的输出，a_tj是一个权重参数。

8.一种电力信息采集系统运行状态的预测评估装置，其特征在于，包括：

终端采集模块，用于采集布置于各个地点的电网数据信息；

数据处理模块，用于根据电网实际情况对已有电网数据以及采集的电网数据信息进行标注处理，对标注的不同数据赋予不同权重；

多尺度用电信息特征提取模块，用于利用深度残差网络Resnet-50融合多尺度卷积网络，从标注数据集中提取多尺度用电信息特征向量；

预测评估模块，用于将提取的特征向量输入结合了BiLSTM和Attention网络的预测模型，根据所述预测模型输出的状态预测结果及其得分，评估电力信息采集系统的运行状态。

9.根据权利要求8所述的电力信息采集系统运行状态的预测评估装置，其特征在于，所述多尺度卷积网络是一个并行多分支的网络，包括四个并行的分支结构，卷积核是以下设置中的一种：

四个分支分别是1x1卷积，3x3卷积，5x5卷积，7x7卷积；

四个分支分别是1x1卷积，3x3卷积，2个3x3卷积，3个3x3卷积；

四个分支分别是1x1卷积，3x3卷积，1个3x3卷积加一组3x1和1x3卷积，2个3x3卷积加一组3x1和1x3卷积。

10.根据权利要求8所述的电力信息采集系统运行状态的预测评估装置，其特征在于，所述结合了BiLSTM和Attention网络的预测模型的工作方式为：根据输入的数据[A_K(t)，A_K(t-1)，...，A_K(t-p+1)]，预测下一个时间步A^_K(t+1)的值，其中k表示该次序列，t表示时刻，p表示对应时间步与预测时间步之间的距离；

Attention网络在实际模型训练预测任务中的主要公式如下：

S_t+1＝f(S_t-1，y_t-1，c_t)

其中，S_t是解码出来后在t时刻状态的输出，S_t-1是t-1时刻的状态输出，y_t-1是输入的t-1时刻的用电数据所对应的标注的标签，f是非线性多层神经网络，由多层LSTM和softmax层组成；c_t表示隐藏状态的加权和，所述c_t的计算公式如下：

其中h_j＝f(x_j)是第j个输入x_j在解码里的输出，a_tj是一个权重参数。

Images