CN115130909A - 基于电力系统缺失数据重建的弹性指标评估方法 - Google Patents
基于电力系统缺失数据重建的弹性指标评估方法 Download PDFInfo
- Publication number
- CN115130909A CN115130909A CN202210872831.2A CN202210872831A CN115130909A CN 115130909 A CN115130909 A CN 115130909A CN 202210872831 A CN202210872831 A CN 202210872831A CN 115130909 A CN115130909 A CN 115130909A
- Authority
- CN
- China
- Prior art keywords
- data
- historical data
- data set
- power system
- missing
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 37
- 238000005070 sampling Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012797 qualification Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 8
- 238000004146 energy storage Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 102100031090 Alpha-catulin Human genes 0.000 description 1
- 101000922043 Homo sapiens Alpha-catulin Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion 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
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于电力系统缺失数据重建的弹性指标评估方法,该方法包括:根据电力系统的运行场景,匹配与连续时间周期下的缺失数据对应的第一历史数据集,并对所述缺失数据进行填充,得到第一时序数据;根据训练后的重建模型和所述第一时序数据,对所述缺失数据进行重建,得到连续时间周期下的第二时序数据,对其进行反归一化,并响应用户对弹性指标的选择,根据反归一化后的数据,进行电力系统弹性指标评估。按照本发明实施例,可实现连续时间周期的缺失数据重建以及实时地弹性指标评估。
Description
技术领域
本发明涉及电力系统技术领域,尤其涉及基于电力系统缺失数据重建的弹性指标评估方法。
背景技术
电力系统的弹性指标用于评估电力系统在极端的自然灾害下应对灾害的能力,弹性指标的建立又需要依靠量测设备采集的电力数据。在极端事件的影响下,量测设备对电力数据的测量、传输和转换环节造成干扰和影响,导致部分电力数据的缺失,进而无法准确构建当时的弹性指标,难以保证设备运行状态的可观性以及可测性条件。目前的状态估计方法无法处理极端事件造成的大间隔数据缺失,如何解决极端事件下连续时间周期内的数据缺失,准确地重建缺失数据,实现弹性指标地实施评估仍有待解决。
发明内容
本发明提供了一种基于电力系统缺失数据重建的弹性指标评估方法,以解决无法重建连续时间周期的缺失数据,进而无法实时构建弹性指标的技术问题。
为了解决上述技术问题,本发明实施例提供了一种基于电力系统缺失数据重建的弹性指标评估方法,包括:
根据电力系统的运行场景,匹配与连续时间周期下的缺失数据对应的第一历史数据集,并对所述缺失数据进行填充,得到第一时序数据;
根据训练后的重建模型和所述第一时序数据,对所述缺失数据进行重建,得到连续时间周期下的第二时序数据;所述训练后的重建模型包含U-net网络,所述U-net网络用于根据输入的所述第一时序数据,提取相应的整体轮廓和波动特征,再根据所述整体轮廓和波动特征,映射出所述第二时序数据;
对所述第二时序数据进行反归一化,得到原始量纲下的第三时序数据;
响应用户对弹性指标的选择,根据所述第三时序数据,进行电力系统的弹性指标评估。
本发明首先确定连续时间周期下的缺失数据所属的运行场景,结合相同运行场景的历史数据和训练后的重建模型,根据重建模型中的U-net网络对第一时序数据进行修复,回复第一时序数据的整体轮廓和波动特征,得到第二时序数据;第二时序数据经反归一化后,得到能直接代入电力系统弹性指标中的第三时间数据,进而实现连续时间周期的缺失数据重建以及实时地弹性指标评估。
进一步地,所述根据电力系统的运行场景,匹配与连续时间周期下的缺失数据对应的第一历史数据集,并对所述缺失数据进行填充,得到第一时序数据,具体为:
其中,所述运行场景包括:夏季大方式、夏季小方式、冬季大方式和冬季小方式;
根据所述缺失数据所在的运行场景,选择具有相同运行场景的所述第一历史数据集;
根据相似度函数,计算出所述第一历史数据集中的每个待选数据与所述缺失数据的可用部分之间的相似度;
从所述第一历史数据集中,选择与所述缺失数据的可用部分相似度最高的待选数据,对所述缺失数据进行填充,得到第一时序数据。
本发明采用与缺失数据相同的运行环境下的第一历史数据集,再根据相似度函数,从第一历史数据集中选取与缺失数据相似度最高的数据,并用所述数据对连续时间周期下的缺失数据的缺失部分进行填充,实现对当前数据的预处理,以使训练后的重建模型根据预处理后的当前数据对缺失数据进行精确的预测。
进一步地,所述根据训练后的重建模型和所述第一时序数据,对所述缺失数据进行重建,得到连续时间周期下的第二时序数据,具体为:
输入所述第一时序数据至所述训练后的重建模型,根据所述U-net网络和残差网络对所述第一时序数据进行N次下采样,得到底层特征向量;其中,N>1;
根据所述U-net网络、注意力机制,对所述底层特征向量进行N次上采样,得到顶层特征向量;
将所述顶层特征向量输入至全连接层,映射得到所述第二时序数据。
进一步地,所述根据所述U-net网络和残差网络对所述第一时序数据进行N次下采样,得到底层特征向量,具体为:
根据U-net网络对所述第一时序数据进行N次下采样;其中,根据所述残差网络,对第i次下采样的输出层进行通道数调整,调整后的输出层作为第i+1次下采样的输入层;其中1≤i≤N-1;
根据所述残差网络,对第N次下采样的输出层进行通道数调整后,得到所述底层特征向量。
进一步地,所述根据所述U-net网络、注意力机制,对所述底层特征向量进行N次上采样,得到顶层特征向量,具体为:
根据所述U-net网络对所述底层特征向量进行N次上采样;其中,根据所述注意力机制,对第i次下采样的输入层和第N-i+1次上采样的输出层进行特征提取,并根据所述残差网络对特征提取后的输出层进行通道数调整,得到第N-i+2次上采样的输入层;
根据所述注意力机制,对第1次下采样的输出层和第N次上采样的输出层进行特征提取,得到顶层特征向量。
本发明残差网络对U-net网络的每次下采样的输出层进行通道数调整,防止重建模型梯度爆炸和重建模型梯度弥散;采用注意力机制对每次下采样的输出层和对应的上采样的输出层进行特征提取,有侧重地关注缺失数据附近的整体轮廓和波动特征,并将特征提取后的输出层作为下一次上采样的输入层,准确地重建连续时间周期的缺失数据。
进一步地,所述弹性指标包括:负荷损失率、系统有功缺额、灵活资源备用容量、联络线断面冗余和系统电压合格率。
进一步地,所述训练后的重建模型通过训练集和损失函数经训练后获得的重建模型,具体为:
根据数据采集与监视控制系统,获取第二历史数据集,并根据二值掩码矩阵和相似度函数,对第一历史数据集处理,得到所述训练集;
将所述训练集中的数据输入至重建模型,得到训练结果;
根据所述训练结果和所述损失函数,计算损失后得到损失值;
根据所述损失值,对重建模型的参数和重建模型的权重进行调整,直至重建模型收敛,得到所述训练后的重建模型。
进一步地,所述根据数据采集与监视控制系统,获取第二历史数据集,并根据二值掩码矩阵和相似度函数,对第一历史数据集处理,得到所述训练集,具体为;
按预设的时间单位调取数据采集与监视控制系统中的历史数据,获取第二历史数据集;
剔除所述第二历史数据集中的波动点,并对波动点剔除后的第二历史数据集进行归一化,得到第三历史数据集;
根据电力系统的运行场景,对所述第三历史数据集中的数据进行分类,得到包含运行场景类型的第四历史数据集;其中,所述运行场景包括:夏季大方式、夏季小方式、冬季大方式和冬季小方式;
使用所述二值掩码矩阵对所述第四历史数据集中的待选数据进行点乘,构造出有数据缺失的第五历史数据集;
根据相似度函数,找出在所述第四历史数据集中与所述第五历史数据集中的缺失数据相似度最高的待选数据,对所述第五历史数据集进行填充,得到所述训练集。
本发明通过数据采集与监视控制系统获取一定时间单位下的第二历史数据集,并对第二历史数据集进行电力系统运行场景的分类以及对数据中异常值的去除,再根据二值掩码矩阵对运行场景下的历史数据进行点乘处理,构造出有数据缺失的第五历史数据集。对第五历史数据集中数据的可用部分和第四历史数据集中的待相似度计算,用得到的相似度最高的待选数据对缺失数据进行填充,得到训练所需的训练集,其还原出连续时间周期下的缺失数据;用所述历史数据训练集,可提高重建模型在训练后对连续时间周期的缺失数据重建的准确率。再根据损失函数对重建模型进行调参后,最终得到能够对缺失数据进行重建的训练后的重建模型。
进一步地,所述相似度函数为:
其中,PM为缺失数据,P为第一历史数据集或第四历史数据集,Pi为第一历史数据集中的或第四历史数据集中的待选数据。
进一步地,所述损失函数为:
附图说明
图1为本发明提供的基于电力系统缺失数据重建的弹性指标评估方法的一种实施例的流程示意图;
图2为本发明提供的基于电力系统缺失数据重建的弹性指标评估方法的步骤101的一种实施例的流程示意图;
图3为本发明提供的重建模型训练方法的一种实施例的流程示意图;
图4为本发明提供的重建模型训练方法的步骤301的一种实施例的流程示意图;
图5为训练后的重建模型修复缺失数据的一种实施例的流程示意图;
图6为训练后的重建模型修复缺失数据的另一种实施例的流程示意图。
具体实施方式
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,所描述的实施例仅仅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。
实施例一
请参照图1,是本发明提供的基于电力系统缺失数据重建的弹性指标评估方法的一种实施例的流程示意图,主要包括步骤101至步骤104,其具体内容如下:
步骤101:根据电力系统的运行场景,匹配与连续时间周期下的缺失数据对应的第一历史数据集,并对所述缺失数据进行填充,得到第一时序数据。
在本实施例中,缺失数据可以为有功功率、无功功率、节点电压幅值或节点电压相角。
步骤102:根据训练后的重建模型和所述第一时序数据,对所述缺失数据进行重建,得到连续时间周期下的第二时序数据;所述训练后的重建模型包含U-net网络,所述U-net网络用于根据输入的所述第一时序数据,提取相应的整体轮廓和波动特征,再根据所述整体轮廓和波动特征,映射出所述第二时序数据。
在本实施例中,对所述缺失数据进行重建,得到连续时间周期下的第二时序数据,具体为:
输入所述第一时序数据至所述训练后的重建模型,根据所述U-net网络和残差网络对所述第一时序数据进行N次下采样,得到底层特征向量;其中,N>1;
根据所述U-net网络、注意力机制,对所述底层特征向量进行N次上采样,得到顶层特征向量;
将所述顶层特征向量输入至全连接层,映射得到所述第二时序数据。
请参照图5,是训练后的重建模型修复缺失数据的一种实施例的流程示意图,其中下采样次数N为2,第2次下采样的输入层与对底层特征向量做低1次上采样得到的输出层进行融合连接,得到第2次上采样的输入层;第1次下采样的输入层与第2次上采样的输出层进行融合连接,得到顶层特征向量。
在本实施例中,所述根据所述U-net网络和残差网络对所述第一时序数据进行N次下采样,得到底层特征向量,具体为:
根据U-net网络对所述第一时序数据进行N次下采样;其中,根据所述残差网络,对第i次下采样的输出层进行通道数调整,调整后的输出层作为第i+1次下采样的输入层;其中1≤i≤N-1;
根据所述残差网络,对第N次下采样的输出层进行通道数调整后,得到所述底层特征向量。
在本实施例中,所述根据所述U-net网络、注意力机制,对所述底层特征向量进行N次上采样,得到顶层特征向量,具体为:
根据所述U-net网络对所述底层特征向量进行N次上采样;其中,根据所述注意力机制,对第i次下采样的输入层和第N-i+1次上采样的输出层进行特征提取,并根据所述残差网络对特征提取后的输出层进行通道数调整,得到第N-i+2次上采样的输入层;
根据所述注意力机制,对第1次下采样的输出层和第N次上采样的输出层进行特征提取,得到顶层特征向量。
请参照图6,是训练后的重建模型修复缺失数据的另一种实施例的流程示意图,训练后的重建模型是一种残差-注意力机制-U-net网络模型,训练后的重建模型的下采样和上采样的次数N为3,下采样使用1×1和1×3的卷积核对第一时序数据进行降维处理,并在每个卷积单元输出结果连接残差网络,每次下采样的输入层的通道分别设置为64、128和256,每次上采样的输出层的通道分别设置为256、128、64,输入的第一时序数据为96×1的向量,经通道数调节后得到96×64的第1次下采样的输入层,经三次下采样后得到12×512的底层特征向量,其作为第1次上采样的输入层;采用注意力机制对第3次下采样的输入层和第1次上采样的输出层进行特征提取,得到第2次上采样的输入层;对底层特征向量做3次上采样后得到96×128的顶层特征向量,经全连接层映射得到96×1的特征向量,用于完成缺失数据重建。
在本实施例中,在所述将所述顶层特征向量输入至全连接层,映射得到所述第二时序数据之后,还包括:根据所述缺失数据的可用部分和所述第二时序数据,进行拼接处理,得到第四时序数据;对所述第四时序数据进行反归一化,得到原始量纲下的第五时序数据;响应用户对弹性指标的选择,根据所述第五时序数据,进行电力系统的弹性指标评估。其中,按照如下公式进行:
Pout=Po·M+Po rebulid·(1-M);
其中,Po为缺失数据,Po rebulid为第二时序数据,Pout为第四时序数据,M为表征数据缺失的二值掩码矩阵。
本发明残差网络对U-net网络的每次下采样的输出层进行通道数调整,防止重建模型梯度爆炸和重建模型梯度弥散;采用注意力机制对每次下采样的输出层和对应的上采样的输出层进行特征提取,有侧重地关注缺失数据附近的整体轮廓和波动特征,并将特征提取后的输出层作为下一次上采样的输入层,准确地重建连续时间周期的缺失数据。
步骤103:对所述第二时序数据进行反归一化,得到原始量纲下的第三时序数据。
步骤104:响应用户对弹性指标的选择,根据所述第三时序数据,进行电力系统的弹性指标评估。
在本实施例中,所述弹性指标包括:负荷损失率、系统有功缺额、灵活资源备用容量、联络线断面冗余和系统电压合格率。
在本实施例中,负荷损失率(Current Load Loss Percent,CLLP)表示不同等级负荷受损程度,具体表示负荷损失值与整体符合规模之比,用于表示极端事件下系统的第i级负荷损失状况,表达式为:
系统负荷损失率为:
其中,i=1,2,3对应负荷节点中一级负荷、二级负荷、三级负荷,Lbi,normal代表正常运行时第i级负荷节点bi的负荷需求,Lbi,emergency代表极端事件中节点bi的当前负荷量,Nb代表电力系统中所有负荷节点数量,Nbi代表系统中第i级负荷节点数量,γi为第i级负荷损失率权重系数。
在本实施例中,系统有功缺额(the Active Power Vacancy of the System,APVS)为正常运行状态下的负荷需求与极端事件下系统可用发电量以及储能单元存储容量之差,用于表示极端事件下系统有功功率的不足,表达式为:
其中,Lb,demand代表负荷节点b的有功负荷需求,Nb代表极端事件下负荷节点数,Gg,emergency代表发电机组g的有功出力,Ngn代表极端事件下系统中可用机组数量,Gs,emergency代表储能单元s的有功出力,Nsn代表极端事件下系统中可用储能单元数量。
在本实施例中,灵活资源备用容量(Flexible Resource Redundancy Capacity,FRRC)为极端事件中所有发电机组备用容量,储能单元冗余容量,用于表征极端事件下系统弹性资源冗余度,表达式为:
其中,发电机组数量为n,储能单元数量为m,其中为发电机组i的额定容量,Pi g极端事件中机组i实时输出容量;为储能单元j的额定容量,极端事件中机组j实时输出容量;若极端事件造成机组或者储能单元脱网,则其输出为零。
在本实施例中,联络线断面冗余(the Available Transmission Redundancy ofthe Section and Tie-line,ATR-ST)为极端事件中系统联络线或者断面传输功率极限与实际传输功率之差占传输额定功率的比例,用于表示极端事件下联络线或断面的传输功率裕度,表达式为:
其中,K为电力系统关键联络线数以及由线路组成的断面数之和,Nln为极端事件下第n个联络线或者断面包含的线路数,Pi,max为线路i的额定传输容量,Pi,d为极端事件下线路i的实时传输功率,若线路i为未投运的传输线路则其实时传输功率为Pi,d=0。
在本实施例中,系统电压合格率(Voltage Qual ification Rate,VQR)表示极端事件发生过程中,部分调压设备或者发电机组受损,引起系统中关键节点电压偏移(Voltage Offset,VO),表达式为:
其中,枢纽电压节点数为n,为节点i的额定电压,Vi为极端事件下节点i量测值,VQRz为综合电压合格率,VQRaiVQRb,VQRe,VQRa分别代表A、B、C、D类电压检测点电压合格率,N为VQRa,VQRbiVQRe的类别数。
本发明首先确定连续时间周期下的缺失数据所属的运行场景,结合相同运行场景的历史数据和训练后的重建模型,根据重建模型中的U-net网络对第一时序数据进行修复,回复第一时序数据的整体轮廓和波动特征,得到第二时序数据;第二时序数据经反归一化后,得到能直接代入电力系统弹性指标中的第三时间数据,进而实现连续时间周期的缺失数据重建以及实时地弹性指标评估。
请参照图2,是本发明提供的基于电力系统缺失数据重建的弹性指标评估方法的步骤101的一种实施例的流程示意图,主要包括步骤201至步骤203,其具体内容如下:
在本实施例中,步骤101具体为步骤201至步骤203。
在本实施例中,所述运行场景包括:夏季大方式、夏季小方式、冬季大方式和冬季小方式。其中,夏季大方式是指电力系统在夏季以全接线全开机的方式运行,夏季小方式是指电力系统在夏季以全接线部分开机或机组以不带满出力的方式运行;冬季大方式和冬季小方式的接线和开机分别与夏季大方式和夏季小方式相同,但需要考虑对接线和开机的检修。
步骤201:根据所述缺失数据所在的运行场景,选择具有相同运行场景的所述第一历史数据集。
步骤202:根据相似度函数,计算出所述第一历史数据集中的每个待选数据与所述缺失数据的可用部分之间的相似度。
在本实施例中,所述相似度函数为:
其中,PM为缺失数据,P为第一历史数据集或第四历史数据集,Pi为第一历史数据集中的或第四历史数据集中的待选数据,M为二值掩码矩阵。
步骤203:从所述第一历史数据集中,选择与所述缺失数据的可用部分相似度最高的待选数据,对所述缺失数据进行填充,得到第一时序数据。
在本实施例中,对所述缺失数据进行填充按如下公式进行:
Pr=PM·M+Pi max·(1-M);
Pr为第一时序数据,作为重建模型的输入,Pi max为第一历史数据集中与缺失数据可用部分相似度最高的待选数据。
本发明采用与缺失数据相同的运行环境下的第一历史数据集,再根据相似度函数,从第一历史数据集中选取与缺失数据相似度最高的数据,并用所述数据对连续时间周期下的缺失数据的缺失部分进行填充,实现对当前数据的预处理,以使训练后的重建模型根据预处理后的当前数据对缺失数据进行精确的预测。
请参照图3,是本发明提供的重建模型训练方法的一种实施例的流程示意图,主要包括步骤301至304,其主要内容如下:
步骤301:根据数据采集与监视控制系统,获取第二历史数据集,并根据二值掩码矩阵和相似度函数,对第一历史数据集处理,得到所述训练集。
在本实施例中,所述相似度函数为:
其中,PM为缺失数据,P为第一历史数据集或第四历史数据集,Pi为第一历史数据集中的或第四历史数据集中的待选数据。
步骤302:将所述训练集中的数据输入至重建模型,得到训练结果。
步骤303:根据所述训练结果和所述损失函数,计算损失后得到损失值。
步骤304:根据所述损失值,对重建模型的参数和重建模型的权重进行调整,直至重建模型收敛,得到所述训练后的重建模型。
请参照图4,是本发明提供的重建模型训练方法的步骤301的一种实施例的流程示意图,主要包括步骤401至步骤405,其主要内容如下:
在本实施例中,步骤301具体为步骤401至步骤405。
步骤401:按预设的时间单位调取数据采集与监视控制系统中的历史数据,获取第二历史数据集。
步骤402:剔除所述第二历史数据集中的波动点,并对波动点剔除后的第二历史数据集进行归一化,得到第三历史数据集。
在本实施例中,
步骤403:根据电力系统的运行场景,对所述第三历史数据集中的数据进行分类,得到包含运行场景类型的第四历史数据集;其中,所述运行场景包括:夏季大方式、夏季小方式、冬季大方式和冬季小方式。
步骤404:使用所述二值掩码矩阵对所述第四历史数据集中的待选数据进行点乘,构造出有数据缺失的第五历史数据集。
步骤405:根据相似度函数,找出在所述第四历史数据集中与所述第五历史数据集中的缺失数据相似度最高的待选数据,对所述第五历史数据集进行填充,得到所述训练集。
在本实施例中,在本实施例中,所述相似度函数为:
其中,Pm为缺失数据,P为第一历史数据集或第四历史数据集,Pi为第一历史数据集中的或第四历史数据集中的待选数据。
在本实施例中,填充根据如下公式进行:
Pr=PM·M+Pi max·(1-M);
Pr为第一时序数据或训练集中的数据,作为重建模型的输入,Pi max为第一历史数据集或第四历史数据集中与缺失数据可用部分相似度最高的待选数据。
在本实施例中,所述损失函数为:
本发明通过数据采集与监视控制系统获取一定时间单位下的第二历史数据集,并对第二历史数据集进行电力系统运行场景的分类以及对数据中异常值的去除,再根据二值掩码矩阵对运行场景下的历史数据进行点乘处理,构造出有数据缺失的第五历史数据集。对第五历史数据集中数据的可用部分和第四历史数据集中的待相似度计算,用得到的相似度最高的待选数据对缺失数据进行填充,得到训练所需的训练集,其还原出连续时间周期下的缺失数据;用所述历史数据训练集,可提高重建模型在训练后对连续时间周期的缺失数据重建的准确率。再根据损失函数对重建模型进行调参后,最终得到能够对缺失数据进行重建的训练后的重建模型。
本发明首先确定连续时间周期下的缺失数据所属的运行场景,结合相同运行场景的历史数据和训练后的重建模型,根据重建模型中的U-net网络对第一时序数据进行修复,回复第一时序数据的整体轮廓和波动特征,得到第二时序数据;第二时序数据经反归一化后,得到能直接代入电力系统弹性指标中的第三时间数据,进而实现连续时间周期的缺失数据重建以及实时地弹性指标评估。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于电力系统缺失数据重建的弹性指标评估方法,其特征在于,包括:
根据电力系统的运行场景,匹配与连续时间周期下的缺失数据对应的第一历史数据集,并对所述缺失数据进行填充,得到第一时序数据;
根据训练后的重建模型和所述第一时序数据,对所述缺失数据进行重建,得到连续时间周期下的第二时序数据;所述训练后的重建模型包含U-net网络,所述U-net网络用于根据输入的所述第一时序数据,提取相应的整体轮廓和波动特征,再根据所述整体轮廓和波动特征,映射出所述第二时序数据;
对所述第二时序数据进行反归一化,得到原始量纲下的第三时序数据;
响应用户对弹性指标的选择,根据所述第三时序数据,进行电力系统的弹性指标评估。
2.如权利要求1所述的基于电力系统缺失数据重建的弹性指标评估方法,其特征在于,所述根据电力系统的运行场景,匹配与连续时间周期下的缺失数据对应的第一历史数据集,并对所述缺失数据进行填充,得到第一时序数据,具体为:
其中,所述运行场景包括:夏季大方式、夏季小方式、冬季大方式和冬季小方式;
根据所述缺失数据所在的运行场景,选择具有相同运行场景的所述第一历史数据集;
根据相似度函数,计算出所述第一历史数据集中的每个待选数据与所述缺失数据的可用部分之间的相似度;
从所述第一历史数据集中,选择与所述缺失数据的可用部分相似度最高的待选数据,对所述缺失数据进行填充,得到第一时序数据。
3.如权利要求1所述的基于电力系统缺失数据重建的弹性指标评估方法,其特征在于,所述根据训练后的重建模型和所述第一时序数据,对所述缺失数据进行重建,得到连续时间周期下的第二时序数据,具体为:
输入所述第一时序数据至所述训练后的重建模型,根据所述U-net网络和残差网络对所述第一时序数据进行N次下采样,得到底层特征向量;其中,N>1;
根据所述U-net网络、注意力机制,对所述底层特征向量进行N次上采样,得到顶层特征向量;
将所述顶层特征向量输入至全连接层,映射得到所述第二时序数据。
4.如权利要求3所述的基于电力系统缺失数据重建的弹性指标评估方法,其特征在于,所述根据所述U-net网络和残差网络对所述第一时序数据进行N次下采样,得到底层特征向量,具体为:
根据U-net网络对所述第一时序数据进行N次下采样;其中,根据所述残差网络,对第i次下采样的输出层进行通道数调整,调整后的输出层作为第i+1次下采样的输入层;其中1≤i≤N-1;
根据所述残差网络,对第N次下采样的输出层进行通道数调整后,得到所述底层特征向量。
5.如权利要求4所述的基于电力系统缺失数据重建的弹性指标评估方法,其特征在于,所述根据所述U-net网络、注意力机制,对所述底层特征向量进行N次上采样,得到顶层特征向量,具体为:
根据所述U-net网络对所述底层特征向量进行N次上采样;其中,根据所述注意力机制,对第i次下采样的输入层和第N-i+1次上采样的输出层进行特征提取,并根据所述残差网络对特征提取后的输出层进行通道数调整,得到第N-i+2次上采样的输入层;
根据所述注意力机制,对第1次下采样的输出层和第N次上采样的输出层进行特征提取,得到顶层特征向量。
6.如权利要求1所述的基于电力系统缺失数据重建的弹性指标评估方法,其特征在于,所述弹性指标包括:负荷损失率、系统有功缺额、灵活资源备用容量、联络线断面冗余和系统电压合格率。
7.如权利要求1-6中任意一项所述的基于电力系统缺失数据重建的弹性指标评估方法,其特征在于,所述训练后的重建模型通过训练集和损失函数经训练后获得的重建模型,具体为:
根据数据采集与监视控制系统,获取第二历史数据集,并根据二值掩码矩阵和相似度函数,对第一历史数据集处理,得到所述训练集;
将所述训练集中的数据输入至重建模型,得到训练结果;
根据所述训练结果和所述损失函数,计算损失后得到损失值;
根据所述损失值,对重建模型的参数和重建模型的权重进行调整,直至重建模型收敛,得到所述训练后的重建模型。
8.如权利要求7所述的基于电力系统缺失数据重建的弹性指标评估方法,其特征在于,所述根据数据采集与监视控制系统,获取第二历史数据集,并根据二值掩码矩阵和相似度函数,对第一历史数据集处理,得到所述训练集,具体为;
按预设的时间单位调取数据采集与监视控制系统中的历史数据,获取第二历史数据集;
剔除所述第二历史数据集中的波动点,并对波动点剔除后的第二历史数据集进行归一化,得到第三历史数据集;
根据电力系统的运行场景,对所述第三历史数据集中的数据进行分类,得到包含运行场景类型的第四历史数据集;其中,所述运行场景包括:夏季大方式、夏季小方式、冬季大方式和冬季小方式;
使用所述二值掩码矩阵对所述第四历史数据集中的待选数据进行点乘,构造出有数据缺失的第五历史数据集;
根据相似度函数,找出在所述第四历史数据集中与所述第五历史数据集中的缺失数据相似度最高的待选数据,对所述第五历史数据集进行填充,得到所述训练集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210872831.2A CN115130909A (zh) | 2022-07-21 | 2022-07-21 | 基于电力系统缺失数据重建的弹性指标评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210872831.2A CN115130909A (zh) | 2022-07-21 | 2022-07-21 | 基于电力系统缺失数据重建的弹性指标评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115130909A true CN115130909A (zh) | 2022-09-30 |
Family
ID=83383907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210872831.2A Pending CN115130909A (zh) | 2022-07-21 | 2022-07-21 | 基于电力系统缺失数据重建的弹性指标评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130909A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116068324A (zh) * | 2023-03-16 | 2023-05-05 | 国网辽宁省电力有限公司电力科学研究院 | 一种电缆线路测试方法、系统、设备及介质 |
-
2022
- 2022-07-21 CN CN202210872831.2A patent/CN115130909A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116068324A (zh) * | 2023-03-16 | 2023-05-05 | 国网辽宁省电力有限公司电力科学研究院 | 一种电缆线路测试方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190265768A1 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
US5625751A (en) | Neural network for contingency ranking dynamic security indices for use under fault conditions in a power distribution system | |
Gomez-Quiles et al. | A factorized approach to WLS state estimation | |
CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN115130909A (zh) | 基于电力系统缺失数据重建的弹性指标评估方法 | |
CN110912737A (zh) | 一种基于混合模型的动态感知性能预告警方法 | |
CN111967620A (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
US20140277858A1 (en) | System and method for optimizing energy consumption in railway systems | |
CN108519989A (zh) | 一种日电量缺失数据的还原追溯方法及装置 | |
Wshah et al. | Deep learning for model parameter calibration in power systems | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN111080168A (zh) | 一种基于胶囊网络的电力通信网络设备可靠性评估方法 | |
CN111984638A (zh) | 一种基于bp神经网络算法的配变重过载数据治理方法 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
JP2023143703A (ja) | 電力分配システムの純負荷測定値からの瞬間再生可能発電の抽出 | |
CN116502771A (zh) | 一种基于电力物资预测的配电方法及系统 | |
CN115511111A (zh) | 一种基于时序数据多尺度特征的电站运维状态监测方法 | |
CN113884903B (zh) | 一种基于多层感知器神经网络的电池故障诊断方法 | |
CN115456048A (zh) | 海上风机的可靠性评估系统及其方法 | |
Onaolapo et al. | Forecasting Electricity Outage in KwaZulu-Natal, South Africa using Trend Projection and Artificial Neural Networks Techniques | |
Endrenyi et al. | Bulk power system reliability concepts and applications | |
JP3304452B2 (ja) | 送電線電流センサ故障時の電流・位相分布の復元方法 | |
CN115204615A (zh) | 一种基于欧氏距离和灰色关联度的灾害分级方法和装置 | |
CN115481767A (zh) | 面向配电网检修的运行数据处理方法、装置和计算机设备 | |
CN114595952A (zh) | 基于注意力网络改进卷积神经网络的窃电行为检测方法 |
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 |