CN113298342A - 一种电力调度指令安全状态的分析方法 - Google Patents

一种电力调度指令安全状态的分析方法 Download PDF

Info

Publication number
CN113298342A
CN113298342A CN202110318355.5A CN202110318355A CN113298342A CN 113298342 A CN113298342 A CN 113298342A CN 202110318355 A CN202110318355 A CN 202110318355A CN 113298342 A CN113298342 A CN 113298342A
Authority
CN
China
Prior art keywords
information
safety state
instruction
safety
samples
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
Application number
CN202110318355.5A
Other languages
English (en)
Inventor
邓彬
黄颖祺
林宏
武婕
刘岩
郝蛟
胡亚荣
赵晶玲
于洋洋
詹隽
孟琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202110318355.5A priority Critical patent/CN113298342A/zh
Publication of CN113298342A publication Critical patent/CN113298342A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种电力调度指令安全状态的分析方法，包括，步骤S1，当检测到生成调度指令时，获取当前电网的观测数据；步骤S2，根据预设的分析规则对当前电网的观测数据进行分析，获得当前电网的断面信息；步骤S3，根据预设的计算规则对当前电网的断面信息进行计算，获得调度指令执行前后电网的潮流信息及安全状态信息；步骤S4，通过预先训练的安全状态分析模型对所述潮流信息及所述安全状态信息进行安全状态分析，获得当前安全状态分析结果；并将所述当前安全状态分析结果发送给调度人员，获取调度人员返回的确认指令，根据所述确认指令确定是否下发调度指令。本发明自适应电网结构的不断变化，降低误操作的可能性，在相对短时间内处理大型数据源。

Description

一种电力调度指令安全状态的分析方法
技术领域
本发明涉及电力系统自动化技术领域，特别是涉及一种电力调度指令安全状态的分析方法。
背景技术
电网调度是指为了保证电网的经济、安全、稳定、可靠运行，使各类电力生产工作能正常有序进行，而对电网进行统一指挥和协调的过程。电力部门良好的调度操作能力是有效解决电力系统突发事故和确保电网安全稳定运行的关键，调度操作(通过调度指令实现)执行的正确与否对电网运行有重大影响。
电网监控与调度自动化系统由电力系统中的各个监控与调度自动化装置的硬件和软件组成，包括变电站自动化、配电网管理系统(DMS)和能量管理系统(EMS)。其中，能量管理系统是电力系统监视与控制的硬件及软件的总成，主要包括数据采集与监控(SCADA)、自动发电控制与经济调度控制(AGC/EDC)、系统状态估计与安全分析(SE/SA)、调度员模拟培训(DTS)等。通过SCADA系统可以获取电力网络的运行状态，调度操作所使用的调度指令也会通过SCADA系统发出。调度指令是电网运行的核心业务操作。通过对调度指令的多维度安全性分析调度操作安全性，进一步实现电力监控系统的安全保护和主动防御具有重要的理论意义和应用价值。
当前电网的风险分析方法和实用系统都将分析重点放在操作完成后的电网稳定状态上，而忽略了调度操作执行对电网带来的风险。此外，如今的电力系统日益复杂，为了维持庞大的电网的稳定运行，需要对其进行频繁的调度操作，调度人员由于缺少有力的科学工具不得不面对海量原始数据，致使在制定相应决策措施时，只能依靠经验进行调度决策，这种情况下所制定的方案难免受限于调度人员的主观性，可能导致误操作。基于学习系统的电网调度操作票专家系统已经在电网的实际运行中得到广泛推广，但是操作票的制定需要基于调度员对电网状态的判断，操作票下发前还需要经过校核，其主要基于确定性校核如五防校核等，缺乏对电网不确定因素的考虑，下发后还需要与现场操作员确认后才能执行，这样就降低了调度操作的时效性。因此，有必要开展调度操作风险分析方法研究工作为调度人员提供决策参考。
发明内容
本发明的目的在于，提出一种电力调度指令安全状态的分析方法，解决电网规模迅速扩大，调度员难以依照海量的电力数据，凭借经验制定合适的调度决策，从而导致误操作的问题的技术问题。
一方面，提供一种电力调度指令安全状态的分析方法，包括以下步骤：
步骤S1，当检测到生成调度指令时，获取当前电网的观测数据；
步骤S2，对当前电网的观测数据进行分析，获得当前电网的断面信息；
步骤S3，对所述当前电网的断面信息进行计算，获得调度指令执行前后电网的潮流信息及安全状态信息；
步骤S4，将所所述潮流信息及所述安全状态信息输入预先训练好的安全状态分析模型进行安全状态分析，获得当前安全状态分析结果；
步骤S5、将所述当前安全状态分析结果发送给调度人员，获取调度人员返回的确认指令，并根据所述确认指令确定是否下发调度指令。
优选地，所述步骤S3中，所述安全状态信息至少包括线路/变压器/发电机/母线的越限信息、重载信息及事故信息。
优选地，所述步骤S4中，所述预先训练的安全状态分析模型具体通过以下步骤进行训练：
步骤S41，获取多组不同的电网的历史潮流信息及历史安全状态信息；
步骤S42，对历史潮流信息及历史安全状态信息进行预处理并加标签，生成训练数据；将多个训练数据整合，获得训练数据集；其中，所述标签包括安全、风险及危险；
步骤S43，将训练数据集输入预设的安全学习模型进行训练，获得安全状态分析模型。
优选地，所述步骤S42中，所述对历史潮流信息及历史安全状态信息进行预处理，具体包括：
根据预设的过滤规则删除历史潮流信息及历史安全状态信息中对训练过程无用的信息；其中，所述预设的过滤规则至少包括与调度指令对象无关的潮流数据、调度指令对象的编号、冗余的SOE信息、与调度指令无关的操作或报警信息；
从调度指令及安全状态信息中分离预设类型的特征信息作为特征量；其中，所述预设类型的特征信息至少包括调度指令类型、操作对象的设备类型及状态、电压级别、保护设备信息、调度指令执行后的设备越限率、重载率、失电负荷量；
依次以文本数据或数值数据形式存入表格，表格的列为特征，行为数据编号；其中，所述文本数据包括调度指令类型、操作对象的设备类型及状态、电压级别、保护设备信息；所述数值数据包括调度指令执行后的设备越限率、重载率、失电负荷量等。
优选地，所述步骤S43中，所述将训练数据集输入预设的安全学习模型进行训练，具体包括：
预设的安全学习模型通过迭代对比训练数据集中每一特征的信息增益或信息增益比来依次构造树的结点，将信息增益或信息增益比大的特征优先作为根节点，信息增益或信息增益比小的特征作为其子节点，直到叶子结点则输出标签对应的调度指令安全状态分析结果。
优选地，所述调度指令安全状态根据安全学习模型训练的准确率和召回率确定，当准确率和召回率大于预设的阈值时，将当前数据输入所述安全学习模型并使用模型，输出混淆矩阵作为调度指令安全状态分析结果，其中，所述调度指令安全状态分析结果包括安全、风险、危险。
优选地，所述特征的信息增益通过以下公式计算：
g(D,A)＝H(D)-H(D|A)
其中，D为训练数据集；H(D)为训练数据集的熵；A为某一特征；H(D|A)为给定特征A条件下D的经验条件熵。
优选地，所述特征的信息增益比通过以下公式计算：
Figure BDA0002992187950000041
Figure BDA0002992187950000042
其中，D为训练数据集；A为某一特征；|D|为训练数据集D的样本总数；|Di|为根据特征A的取值划分的训练数据集的样本子集Di中的样本个数。
优选地，所述标签的准确率根据以下公式进行计算：
Figure BDA0002992187950000043
其中，Paccuracy表示分类正确样本占总样本个数比例；ncorrect表示分类正确样本数；ntotal表示总样本数；FP表示实际为负但被预测为正的样本数量；TN表示实际为负被预测为负的样本的数量；TP表示实际为正被预测为正的样本数量；FN表示实际为正但被预测为负的样本的数量。
优选地，所述标签的召回率根据以下公式进行计算：
Figure BDA0002992187950000044
其中，Precall表示实际为正的样本中被预测为正的样本所占实际为正的样本的比例；FP表示实际为负但被预测为正的样本数量；TP表示实际为正被预测为正的样本数量。
综上，实施本发明的实施例，具有如下的有益效果：
本发明提供的电力调度指令安全状态的分析方法，通过预先训练的安全状态分析模型后，再将调度指令及电网信息输入该模型即可得到调度指令安全状态分析结果并通过人机交互界面反馈给调度员，由调度员选择是否下发给远动终端。不受限于电网模型的变化，可以根据实际需要更改基础原则，从而生成相对应的新模型，能够自适应电网结构的不断变化；免去了调度人员直接面对海量数据的麻烦，可以降低调度员做出误操作的可能性；在相对短的时间内能够对大型数据源做出可行且效果良好的结果。而且对缺失值不敏感，可以处理不相关特征数据，使其可以适应电力系统庞大的电力数据、设备数据及安全状态数据。
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简单地介绍，显而易见地，下面描述中的附图仅仅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，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例中一种电力调度指令安全状态的分析方法的主流程示意图。
图2为本发明实施例中一种电力调度指令安全状态的分析方法的逻辑示意图。
图3为本发明实施例中一种安全状态分析模型的示意图。
图4为本发明实施例中一种误差矩阵的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1和图2所示，为本发明提供的一种电力调度指令安全状态的分析方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：
步骤S1，当检测到生成调度指令时，获取当前电网的观测数据；可以理解的是，在调度员或电力调度自动化系统准备发出调度指令时，可通过电力监控系统获得当前电网的观测数据，其观测数据为经过电力监控系统可信计算分析的真实可靠的数据。
步骤S2，对当前电网的观测数据进行分析，获得当前电网的断面信息；可以理解的是，可利用能量管理系统应用对这些观测数据进行状态估计，得到当前电网的断面信息，具体通过电力调度自动化系统下的PAS应用中的状态估计子应用获得。在电力工业迅猛发展的前提下，电力调度系统的运行结构也越来越迅速，自动化水平不断提高。现阶段PAS软件在电力调度系统中的应用日益广泛，有助于系统的工作人员迅速且全面掌握电力运行的基本情况，对运行动态进行科学预测与分析，确保电力调度自动化的安全。PAS软件在电力调度系统，主要功能有：网络拓扑功能，对整个系统的运作有很大影响，只有在电力系统中建立正确的网络模型，才能确保电力系统中所运用的软件可以充分发挥其功能；负荷预报，可以对电力调度系统的相关数据进行分析和预测，为系统的运行、控制、计划提供重要的保证，同时，负荷预报的好坏也会直接关系到电力调度系统的运行的质量；对系统故障进行计算和分析的功能，电力调度系统中的故障要及时发现才能保证抢救的及时，PAS软件可以依据电力网络运行的方式以及参数来准确计算出电力网络会在何种情况下出现故障，以做好应对措施。
步骤S3，对所述当前电网的断面信息进行计算，获得调度指令执行前后电网的潮流信息及安全状态信息；可以理解的是，利用当前电网的断面信息进行潮流计算，得到调度指令执行前后电网的潮流信息及安全状态信息，其中，安全状态信息包括线路、变压器、发电机、母线的越限信息、重载信息及事故信息。电力系统潮流计算是电力系统最基本的计算，也是最重要的计算。所谓潮流计算，就是已知电网的接线方式与参数及运行条件，计算电力系统稳态运行各母线电压、各支路电流与功率及网损。对于正在运行的电力系统，通过潮流计算可以判断电网母线电压、支路电流和功率是否越限，如果有越限，就应采取措施，调整运行方式。对于正在规划的电力系统，通过潮流计算，可以为选择电网供电方案和电气设备提供依据。潮流计算还可以为继电保护和自动装置定整计算、电力系统故障计算和稳定计算等提供原始数据。
具体地，潮流计算方法是基于节点电压法的，以节点导纳矩阵Y作为电力网络的数学模型。节点电压Ui和节点注入电流Ii由节点电压方程联系。在实际的电力系统中，已知的运行条件不是节点的注入电流，而是负荷和发电机的功率，而且这些功率一般不随节点电压的变化而变化。由于各节点注入功率与注入电流的关系为：
Si＝Pi+jQi＝UiIi
式中，Pi和Qi分别为节点i向网络注入的有功功率和无功功率，当i为发电机节点时Pi﹥0；当i为负荷节点时Pi﹤0；当i为无源节点Pi＝0，Qi＝0；Ui和Ii分别为节点电压相量Ui和节点注入电流相量Ii的共轭。有n个非线性复数方程，亦即潮流计算的基本方程式。它可以在直角坐标也可以在极坐标上建立2n个实数形式功率方程式。
已知网络的接线和各支路参数，可形成潮流计算中的节点导纳矩阵Y。潮流方程式中表征系统运行状态变量是注入有功功率Pi、无功功率Qi和节点电压相量Ui(幅值Ui和相角δi)。n个节点的电力网有4n变量，但只有2n个功率方程式，因此必须给定其中2n个运行状态变量。根据给定节点变量的不同，可以有以下三种类型的节点。PU节点：(电压控制母线)有功功率Pi和电压幅值Ui为给定。这种类型节点相当于发电机母线节点，或者相当于一个装有调相机或静止补偿器的变电所母线。PQ节点注入有功功率Pi和无功功率Qi是给定的。相当于实际电力系统中的一个负荷节点，或有功和无功功率给定的发电机母线。平衡节点：用来平衡全电网的功率。平衡节点的电压幅值Ui和相角δi是给定的，通常以它的相角为参考点，即取其电压相角为零。一个独立的电力网中只设一个平衡节点。
步骤S4，所所述潮流信息及所述安全状态信息输入预先训练好的安全状态分析模型进行安全状态分析，获得当前安全状态分析结果；并将所述当前安全状态分析结果发送给调度人员，获取调度人员返回的确认指令，根据所述确认指令确定是否下发调度指令。可以理解的是，用机器学习方法中的决策树算法通过预先经过安全状态分析模型训练的进行有监督学习，其以调度指令对应的潮流信息及所述安全状态信息构建的数据集作为输入，以标签作为输出结果，即可得到当前调度指令的安全状态分析结果，从而帮助调度员进行辅助决策。
具体的实施例中，所述预先训练的安全状态分析模型具体通过以下步骤进行训练：
步骤S41，获取多组不同的电网的历史潮流信息及历史安全状态信息；可以理解的是，可以充分利用电网的实际操作数据(历史潮流信息及历史安全状态信息)和仿真模型数据(训练结果)，参照电网稳定运行的关键技术指标，通过大量的模拟计算(如下的预先训练)，发现可能对电网操作造成影响的因素。
步骤S42，对历史潮流信息及历史安全状态信息进行预处理并加标签，生成训练数据；将多个训练数据整合，获得训练数据集；其中，所述标签包括安全/风险/危险；可以理解的是，对潮流信息及安全状态信息进行预处理并对该数据加标签，标签包括“安全”、“风险”和“危险”，形成一组训练数据，重复上述过程以得到大量数据，从而构建机器学习所需的数据集，并将其划分为训练集和测试。
具体实施例中，所述对历史潮流信息及历史安全状态信息进行预处理，具体包括：
根据预设的过滤规则删除历史潮流信息及历史安全状态信息中对训练过程无用的信息；其中，所述预设的过滤规则至少包括与调度指令对象无关的潮流数据、调度指令对象的编号、冗余的SOE信息、与调度指令无关的操作或报警信息。从调度指令及安全状态信息中分离预设类型的特征信息作为特征量；其中，所述预设类型的特征信息至少包括调度指令类型、操作对象的设备类型及状态、电压级别、保护设备信息、调度指令执行后的设备越限率、重载率、失电负荷量。依次以文本数据或数值数据形式存入表格，表格的列为特征，行为数据编号；其中，所述文本数据包括调度指令类型、操作对象的设备类型及状态、电压级别、保护设备信息；所述数值数据包括调度指令执行后的设备越限率、重载率、失电负荷量。
步骤S43，将训练数据集输入预设的安全学习模型进行训练，获得安全状态分析模型。可以理解的是，利用机器学习方法中的决策树算法对上述构建的训练数据集进行有监督学习，其以调度指令对应的上述构建的训练数据集中的数据作为输入，以标签作为输出结果，即，安全、风险和危险，从而得到调度指令的安全状态分析规则并构建基于Python语言编写的调度指令安全状态分析模型。
具体实施例中，所述将训练数据集输入预设的安全学习模型进行训练，具体包括：
预设的安全学习模型通过迭代对比训练数据集中每一特征的信息增益或信息增益比来依次构造树的结点，将信息增益或信息增益比大的特征优先作为根节点，信息增益或信息增益比小的特征作为其子节点，直到叶子结点则输出标签对应的调度指令安全状态分析结果。
具体地，所述特征的信息增益通过以下公式计算：
g(D,A)＝H(D)-H(D|A)
其中，D为训练数据集；H(D)为训练数据集的熵；A为某一特征；H(D|A)为给定特征A条件下D的经验条件熵。
所述特征的信息增益比通过以下公式计算：
Figure BDA0002992187950000091
Figure BDA0002992187950000092
其中，D为训练数据集；A为某一特征；|D|为训练数据集D的样本总数；|Di|为根据特征A的取值划分的训练数据集的样本子集Di中的样本个数。
再具体地，所述调度指令安全状态根据安全学习模型训练的准确率和召回率确定，当准确率和召回率大于预设的阈值时，将当前数据输入所述安全学习模型并使用模型，输出混淆矩阵作为调度指令安全状态分析结果，其中，所述调度指令安全状态分析结果包括安全、风险、危险。所述调度指令安全状态评估方法的效果由训练结果的准确率、召回率决定，确率和召回率越高则说明该评估方法的结果越准确，其也可以通过混淆矩阵表现；其中，混淆矩阵如下表所示；混淆矩阵是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示；其中P表示Positive，即正例或者阳性，N表示Negative，即负例或者阴性；
Figure BDA0002992187950000101
训练结果的准确率根据以下公式进行计算：
Figure BDA0002992187950000102
其中，Paccuracy表示分类正确样本占总样本个数比例；ncorrect表示分类正确样本数；ntotal表示总样本数；FP表示实际为负但被预测为正的样本数量；TN表示实际为负被预测为负的样本的数量；TP表示实际为正被预测为正的样本数量；FN表示实际为正但被预测为负的样本的数量。
训练结果的召回率根据以下公式进行计算：
Figure BDA0002992187950000103
其中，Precall表示实际为正的样本中被预测为正的样本所占实际为正的样本的比例；FP表示实际为负但被预测为正的样本数量；TP表示实际为正被预测为正的样本数量。
步骤S5、将所述当前安全状态分析结果发送给调度人员，获取调度人员返回的确认指令，并根据所述确认指令确定是否下发调度指令。
如图3所示，本发明的一个实施例，构建1000条训练数据，包含794条“安全”数据、151条“风险”数据、55条“危险”数据，划分方式采用随机划分，其中80％为训练集，20％为测试集，在一次随机划分后，测试集的200条数据中包含158条“安全”数据、34条“风险”数据、8条“危险”数据，对决策树模型进行训练后，可以得到一棵决策树，该决策树优先对母线是否越限进行判别，然后依次根据最大功率负载率、最大电流负载率、最大发电机出力等指标来分析该调度指令在下发后的安全状态，最终分为安全、风险及危险三种情况。根据前述分析指标，本决策树模型采用信息增益作为结点划分的度量标准，树的最大深度设置为6层，不限制总叶子结点数量，其训练集准确率为97.0％，测试集准确率为95.5％，测试集中对应标签为“安全”、“风险”、“危险”的数据召回率分别为97.5％、85.3％、100％，其误差矩阵如图4，对标记为“危险”的数据分类全部正确，而对标记为“风险”和“安全”的数据分类仅有极少数错误。
综上，实施本发明的实施例，具有如下的有益效果：
本发明提供的电力调度指令安全状态的分析方法，通过预先训练的安全状态分析模型后，再将调度指令及电网信息输入该模型即可得到调度指令安全状态分析结果并通过人机交互界面反馈给调度员，由调度员选择是否下发给远动终端。不受限于电网模型的变化，可以根据实际需要更改基础原则，从而生成相对应的新模型，能够自适应电网结构的不断变化；机免去了调度人员直接面对海量数据的麻烦，可以降低调度员做出误操作的可能性；在相对短的时间内能够对大型数据源做出可行且效果良好的结果。而且对缺失值不敏感，可以处理不相关特征数据，使其可以适应电力系统庞大的电力数据、设备数据及安全状态数据。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种电力调度指令安全状态的分析方法，其特征在于，包括以下步骤：
步骤S1，当检测到生成调度指令时，获取当前电网的观测数据；
步骤S2，对当前电网的观测数据进行分析，获得当前电网的断面信息；
步骤S3，对所述当前电网的断面信息进行计算，获得调度指令执行前后电网的潮流信息及安全状态信息；
步骤S4，将所所述潮流信息及所述安全状态信息输入预先训练好的安全状态分析模型进行安全状态分析，获得当前安全状态分析结果；
步骤S5、将所述当前安全状态分析结果发送给调度人员，获取调度人员返回的确认指令，并根据所述确认指令确定是否下发调度指令。
2.如权利要求1所述的方法，其特征在于，所述步骤S3中，所述安全状态信息包括线路的越限信息、变压器的越限信息、发电机的越限信息、母线的越限信息、重载信息、事故信息。
3.如权利要求2所述的方法，其特征在于，所述步骤S4中，所述预先训练的安全状态分析模型具体通过以下步骤进行训练：
步骤S41，获取多组不同的电网的历史潮流信息及历史安全状态信息；
步骤S42，对历史潮流信息及历史安全状态信息进行预处理并加标签，生成训练数据；将多个训练数据整合，获得训练数据集；其中，所述标签包括安全、风险、危险；
步骤S43，将训练数据集输入预设的安全学习模型进行训练，获得安全状态分析模型。
4.如权利要求3所述的方法，其特征在于，所述步骤S42中，所述对历史潮流信息及历史安全状态信息进行预处理，具体包括：
根据预设的过滤规则删除历史潮流信息及历史安全状态信息中对训练过程无用的信息；其中，所述预设的过滤规则至少包括过滤与调度指令对象无关的潮流数据、调度指令对象的编号、冗余的SOE信息、与调度指令无关的操作或报警信息；
从调度指令及安全状态信息中分离预设类型的特征信息作为特征量；其中，所述预设类型的特征信息至少包括调度指令类型、操作对象的设备类型及状态、电压级别、保护设备信息、调度指令执行后的设备越限率、重载率、失电负荷量；
依次以文本数据或数值数据形式录入表格，表格的列为特征，行为数据编号；其中，所述文本数据包括调度指令类型、操作对象的设备类型及状态、电压级别、保护设备信息；所述数值数据包括调度指令执行后的设备越限率、重载率、失电负荷量。
5.如权利要求4所述的方法，其特征在于，所述步骤S43中，所述将训练数据集输入预设的安全学习模型进行训练，具体包括：
预设的安全学习模型通过迭代对比训练数据集中每一特征的信息增益或信息增益比来依次构造树的结点，将信息增益或信息增益比大的特征优先作为根节点，信息增益或信息增益比小的特征作为其子节点，直到叶子结点则输出标签对应的调度指令安全状态分析结果。
6.如权利要求5所述的方法，其特征在于，所述调度指令安全状态根据安全学习模型训练的准确率和召回率确定，当准确率和召回率大于预设的阈值时，将当前数据输入所述安全学习模型并使用模型，输出混淆矩阵作为调度指令安全状态分析结果，其中，所述调度指令安全状态分析结果包括安全、风险、危险。
7.如权利要求6所述的方法，其特征在于，所述特征的信息增益通过以下公式计算：
g(D,A)＝H(D)-H(D|A)
其中，D为训练数据集；H(D)为训练数据集的熵；A为某一特征；H(D|A)为给定特征A条件下D的经验条件熵。
8.如权利要求7所述的方法，其特征在于，所述特征的信息增益比通过以下公式计算：
Figure FDA0002992187940000031
Figure FDA0002992187940000032
其中，D为训练数据集；A为某一特征；|D|为训练数据集D的样本总数；|Di|为根据特征A的取值划分的训练数据集的样本子集Di中的样本个数。
9.如权利要求1所述的方法，其特征在于，训练结果的准确率根据以下公式进行计算：
Figure FDA0002992187940000033
其中，Paccuracy表示分类正确样本占总样本个数比例；ncorrect表示分类正确样本数；ntotal表示总样本数；FP表示实际为负但被预测为正的样本数量；TN表示实际为负被预测为负的样本的数量；TP表示实际为正被预测为正的样本数量；FN表示实际为正但被预测为负的样本的数量。
10.如权利要求9所述的方法，其特征在于，训练结果的召回率根据以下公式进行计算：
Figure FDA0002992187940000034
其中，Precall表示实际为正的样本中被预测为正的样本所占实际为正的样本的比例；FP表示实际为负但被预测为正的样本数量；TP表示实际为正被预测为正的样本数量。
CN202110318355.5A 2021-03-25 2021-03-25 一种电力调度指令安全状态的分析方法 Pending CN113298342A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110318355.5A CN113298342A (zh) 2021-03-25 2021-03-25 一种电力调度指令安全状态的分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110318355.5A CN113298342A (zh) 2021-03-25 2021-03-25 一种电力调度指令安全状态的分析方法

Publications (1)

Publication Number Publication Date
CN113298342A true CN113298342A (zh) 2021-08-24

Family

ID=77319182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110318355.5A Pending CN113298342A (zh) 2021-03-25 2021-03-25 一种电力调度指令安全状态的分析方法

Country Status (1)

Country Link
CN (1) CN113298342A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113824709A (zh) * 2021-09-15 2021-12-21 国网河北省电力有限公司电力科学研究院 一种基于互联网的电力安全监控系统及控制方法
CN115081940A (zh) * 2022-07-21 2022-09-20 阿里巴巴达摩院(杭州)科技有限公司 资源调度方法、电力资源分配方法以及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069545A (zh) * 2015-07-13 2015-11-18 天津大学 一种面向电网调度操作的实时风险评估方法
CN105069709A (zh) * 2015-09-09 2015-11-18 贵州电网公司电力调度控制中心 基于专家经验的电网调度操作过程准动态风险评估方法
CN107561997A (zh) * 2017-08-22 2018-01-09 电子科技大学 一种基于大数据决策树的电力设备状态监测方法
CN111864743A (zh) * 2020-07-29 2020-10-30 全球能源互联网研究院有限公司 一种电网调度控制模型的构建方法及电网调度控制方法
CN111860624A (zh) * 2020-07-03 2020-10-30 国网河南省电力公司焦作供电公司 一种基于决策树的电网故障信息分类方法
CN111985091A (zh) * 2020-07-29 2020-11-24 河海大学 一种含upfc的电力系统的快速安全校正方法
CN112380763A (zh) * 2020-11-03 2021-02-19 浙大城市学院 一种基于数据挖掘的堆内构件可靠性分析系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069545A (zh) * 2015-07-13 2015-11-18 天津大学 一种面向电网调度操作的实时风险评估方法
CN105069709A (zh) * 2015-09-09 2015-11-18 贵州电网公司电力调度控制中心 基于专家经验的电网调度操作过程准动态风险评估方法
CN107561997A (zh) * 2017-08-22 2018-01-09 电子科技大学 一种基于大数据决策树的电力设备状态监测方法
CN111860624A (zh) * 2020-07-03 2020-10-30 国网河南省电力公司焦作供电公司 一种基于决策树的电网故障信息分类方法
CN111864743A (zh) * 2020-07-29 2020-10-30 全球能源互联网研究院有限公司 一种电网调度控制模型的构建方法及电网调度控制方法
CN111985091A (zh) * 2020-07-29 2020-11-24 河海大学 一种含upfc的电力系统的快速安全校正方法
CN112380763A (zh) * 2020-11-03 2021-02-19 浙大城市学院 一种基于数据挖掘的堆内构件可靠性分析系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
潘海侠等: "《深度学习工程师认证初级教程》", 31 May 2020, 北京航空航天大学出版社, pages: 53 - 54 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113824709A (zh) * 2021-09-15 2021-12-21 国网河北省电力有限公司电力科学研究院 一种基于互联网的电力安全监控系统及控制方法
CN115081940A (zh) * 2022-07-21 2022-09-20 阿里巴巴达摩院(杭州)科技有限公司 资源调度方法、电力资源分配方法以及装置

Similar Documents

Publication Publication Date Title
CN113298342A (zh) 一种电力调度指令安全状态的分析方法
CN106786560A (zh) 一种电力系统稳定特征自动提取方法及装置
CN102930344A (zh) 一种基于负荷趋势变化的超短期母线负荷预测方法
CN109752629B (zh) 一种电网量测问题智能诊断方法及系统
CN105808880A (zh) 基于图形化配电网的继电保护整定方法及系统
CN104881741A (zh) 基于支持向量机的电力系统暂态稳定判断方法
Zhao et al. Utility-oriented online load restoration considering wind power penetration
CN105447774A (zh) 一种电网安全事故风险等级在线评估与预警方法及装置
CN105967063A (zh) 维保平台故障分析处理系统及方法
CN110378585B (zh) 电网故障处置计算任务编排调用方法、系统及存储介质
CN106097137A (zh) 一种基于用电信息采集系统的差异化防窃电监测系统
CN103577647A (zh) 一种汽轮机及其调速系统模型的评估分析方法及装置
CN114529166A (zh) 一种配电网运行安全风险预警方法及系统
CN117154945A (zh) 基于云计算技术的变配电站智能监测方法
CN106779443A (zh) 电力调度中的操作风险确定方法和装置
CN115907526A (zh) 一种电网电压暂降评估方法、系统、存储介质及计算设备
CN115983714A (zh) 边图神经网络电力系统静态安全评估方法及系统
Akula et al. Comparision of traditional and fuzzy failure mode and effects analysis for smart grid electrical distribution systems
CN116541748A (zh) 基于人工智能技术的电网故障诊断方法和系统
CN106651113A (zh) 一种基于超前n‑1分析的调度员操作风险评估方法
CN115271070A (zh) 基于改进Relief-F算法的电压稳定裕度评估方法、设备及介质
Zafar et al. A deep neural network-based optimal power flow approach for identifying network congestion and renewable energy generation curtailment
CN114266427A (zh) 一种基于拓扑分析的新设备投运启动方案生成方法
US11042132B2 (en) Transformative remedial action scheme tool (TRAST)
Guan et al. Enhancing security and resilience of bulk power systems via multisource big data learning

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