CN115422844A - 基于人工智能辨识的电力系统运行场景辨识方法及系统 - Google Patents
基于人工智能辨识的电力系统运行场景辨识方法及系统 Download PDFInfo
- Publication number
- CN115422844A CN115422844A CN202211158492.8A CN202211158492A CN115422844A CN 115422844 A CN115422844 A CN 115422844A CN 202211158492 A CN202211158492 A CN 202211158492A CN 115422844 A CN115422844 A CN 115422844A
- Authority
- CN
- China
- Prior art keywords
- scene
- identification
- power system
- power grid
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000012423 maintenance Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力自动化技术领域,公开一种基于人工智能辨识的电力系统运行场景辨识方法及系统;所述方法,包括:获取目标电网的电气量数据;将待目标电网的电气量数据输入预先训练好的图卷积人工神经网络中进行辨识,获得电力系统运行场景的辨识结果;输出所述辨识结果。本发明对电力系统运行场景进行详细划分,一方面兼顾了目前已有场景;另一方面充分考虑了新能源出力的影响,能够为及时掌握电力系统状态所在的场景提供支撑,为电力系统分析和运维提供更加可靠高效的数据基础。
Description
技术领域
本发明属于电力自动化技术领域,特别涉及一种基于人工智能辨识的电力系统运行场景辨识方法及系统。
背景技术
随着大规模新能源电力接入电网,电力系统结构形态、运行控制方式将发生根本性变革,形成以新能源电力生产、传输、消费为主体的新一代电力系统。新型电力系统是多元、开放、包容的电力系统,是具有恢复力的弹性系统,是以电网为枢纽平台的综合能源系统,是高效智能的社会信息物理系统。
相比于常规能源,风电、光伏等可再生能源出力具有明显的随机性、波动性以及间歇性的特征,电力系统中的运行就必须要考虑可再生电源引入的大量不确定问题。随着大规模新能源等间歇性电源作为电源接入电力系统,使得电力系统从电源侧受到了很大的冲击,对电网的运行提出了更高的挑战。面对电网中的高比例以新能源为代表的间歇性电源,传统的电力系统场景判定,即简单的大小负荷方式难以满足分析的要求。
发明内容
本发明的目的在于提供一种基于人工智能辨识的电力系统运行场景辨识方法及系统,基于电力系统历史数据分析,提炼针对电力系统负荷影响重大事件,并在此基础上考虑新能源出力及其接入的影响,实现对分析场景的构建,通过图卷积人工神经网络等人工智能手段建立分析模型,针对采集的实时数据,来实现针对系统场景的精确判定。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种基于人工智能辨识的电力系统运行场景辨识方法,包括:
获取目标电网的电气量数据;
将待目标电网的电气量数据输入预先训练好的图卷积人工神经网络中进行辨识,获得电力系统运行场景的辨识结果;
输出所述辨识结果。
本发明进一步的改进在于:所述电气量数据包括:目标电网中所有发电机的有功功率、无功功率、节点电压的幅值和相角,以及所有线路的有功功率和无功功率。
本发明进一步的改进在于:所述辨识结果包括一级场景、二级场景、三级场景、四级场景和五级场景中一种或多种;
所述一级场景为季节;
所述二级场景为目标电网负荷大小;
所述三级场景为影响目标电网的预设事件;
所述四级场景为风电出力划分;
所述五级场景为光伏出力划分。
本发明进一步的改进在于:所述一级场景包括:春季、夏季、秋季和冬季;
所述二级场景包括:大负荷和小负荷;大负荷为目标电网负荷大于或等于70%额定负荷;小负荷为目标电网负荷小于70%额定负荷;
所述三级场景包括:预设节假日、预设活动、周末、预设天气、地质灾害、预设突发事件、电网正常、电网事故、电网检修中一种或多种;
所述四级场景包括:风电出力大发、风电出力小发和风电出力平发;
所述五级场景包括:光伏出力大发、光伏出力小发和夜间光伏0发。
本发明进一步的改进在于:所述预先训练好的图卷积人工神经网络通过以下步骤训练获得:
获取一段时间目标电网的历史电气量数据;预设时间间隔设置一个采样点,一个采样点的电气量数据和对应的五维场景数据构成了一个样本;所述五维场景数据包括一级场景、二级场景、三级场景、四级场景和五级场景;
将所有样本输入图卷积人工神经网络进行训练,输出电力系统运行场景;利用历史样本训练直至网络收敛或者达到设定的最大迭代次数后,完成卷积人工神经网络的训练,获得预先训练好的卷积人工神经网络。
本发明进一步的改进在于:所述预先训练好的图卷积人工神经网络通过以下步骤训练获得:
获取一段时间目标电网的历史电气量数据;预设时间间隔设置一个采样点,一个采样点的电气量数据和对应的四维级场景数据构成了一个样本;所述四维场景数据包括二级场景、三级场景、四级场景和五级场景;
将所有样本根据四季分为四季的历史样本;针对四季的历史样本建立四个卷积人工神经网络;将四季的历史样本输入对应的图卷积人工神经网络进行训练,输出电力系统运行场景;利用四季的历史样本训练直至对应网络收敛或者达到设定的最大迭代次数后,完成卷积人工神经网络的训练,获得四季对应的预先训练好的卷积人工神经网络。
第二方面,本发明提供一种基于人工智能辨识的电力系统运行场景辨识装置,包括:
获取模块,用于获取目标电网的电气量数据;
辨识模块,用于将待目标电网的电气量数据输入预先训练好的图卷积人工神经网络中进行辨识,获得电力系统运行场景的辨识结果;
输出模块,用于输出所述辨识结果。
本发明进一步的改进在于:所述电气量数据包括:目标电网中所有发电机的有功功率、无功功率、节点电压的幅值和相角,以及所有线路的有功功率和无功功率;
所述辨识结果包括一级场景、二级场景、三级场景、四级场景和五级场景中一种或多种;
所述一级场景为季节;
所述二级场景为目标电网负荷大小;
所述三级场景为影响目标电网的预设事件;
所述四级场景为风电出力划分;
所述五级场景为光伏出力划分。
第三方面,本发明提供一种电子设备,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现所述的基于人工智能辨识的电力系统运行场景辨识方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现所述的基于人工智能辨识的电力系统运行场景辨识方法。
相对于现有技术,本发明具有以下有益效果:
本发明提供一种基于人工智能辨识的电力系统运行场景辨识方法及系统,在基于季节一级划分前提下,然后按照大小负荷二级划分,接着按照影响电网/负荷的重大事件三级划分,最后以风电出力实现四级划分,光伏出力大小进行五级划分;这样对场景进行详细划分,一方面兼顾了目前已有场景,并进行了细分;另一方面充分考虑了新能源出力的影响,能够为及时掌握电力系统状态所在的场景提供支撑,为电力系统分析和运维提供更加可靠高效的数据基础。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明场景划分步骤示意图;
图2为本发明场景辨识步骤示意图;
图3为本发明一种基于人工智能辨识的电力系统运行场景辨识方法的流程示意图;
图4为本发明一种基于人工智能辨识的电力系统运行场景辨识装置的结构框图;
图5为本发明一种电子设备的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
场景分析(scenario analysis)是一种通过构建确定性场景来分析电力系统不确定性问题的方式,它是解决含大规模新能源和电动汽车等随机负荷在内的电力系统优化运行问题的一种有效途径。
本发明提供一种基于人工智能辨识的电力系统运行场景辨识方法,通过历史数据对传统的电力系统分析场景进行细化,并考虑高比例新能源波动性的影响,来构建分析场景,然后通过图卷积人工神经网络等方法构建分析模型,最后利用实时采集的数据,来实现针对系统所在的场景进行判定。本发明主要包括两部分,第一部分是利用历史数据来构建场景获得足够的样本,并利用常用的图卷积人工神经网络来进行训练得到分析模型;第二部分是利用采集的数据带入到所建立的分析模型中,对系统所处的状态进行辨识得到目前所处的场景。
实施例1
请参阅图1所示,本发明一种基于人工智能辨识的电力系统运行场景辨识方法,其中第一部分,关键的重点是对场景的构建;具体的场景构建方法包括:
S101、选定目标电网,开始五级划分;
S102、一级场景划分,按照季节来划分;其中:春季(3、4、5月)、夏季(6、7、8月)、秋季(9、10、11月)、冬季(12、1、2月);
S103、二级场景划分,按照大小负荷先进行划分;在一具体实施方式中,大负荷为大于或等于70%额定负荷的负荷;小负荷为小于70%额定负荷的负荷;
S104、三级场景划分,按照影响电网/负荷的重大事件划分。
1)、重要节假日;在一具体实施方式中,可以包括五一假期、十一假期和春节;
2)、重大活动;在一具体实施方式中,可以包括在供电局备案需要进行保电工作的活动,例如大型会议,大型运动会等重大活动;
3)、周末休息;包括周六和周日;
4)、极端天气;在一具体实施方式中,可以包括台风、高温、暴雨等需要供电局调整供电方案的天气;
5)、地质灾害;在一具体实施方式中,可以包括地震、火灾、泥石流等需要供电局调整供电方案的地质灾害;
6)、突发事件;在一具体实施方式中,可以包括局部燃气泄露、化学品泄露需要供电局调整局部供电方案的突发事件;
7)、电网正常;
8)、电网事故;
9)、电网检修;
10)、其他;除了三级场景1)-9)以外的场景。
S105、四级场景划分,风电出力划分。
1)、风电出力大发;在一具体实施方式中,大发为大于或等于70%额定发电功率;
2)、风电出力小发;在一具体实施方式中,小发为小于或等于30%额定发电功率;
3)、风电出力平发;在一具体实施方式中,平发小于70%额定发电功率,大于30%额定发电功率。
S106、五级场景划分,光伏出力划分。
1)、光伏出力大发;在一具体实施方式中,大发为大于或等于70%额定发电功率;
2)、光伏出力小发;在一具体实施方式中,小发为小于或等于70%额定发电功率;
3)、夜间光伏0发。
按照步骤S101-S106将数据按照五维场景进行划分,某一采样时刻采样获得的电气量,对应的五维场景,如:
本发明采集一段时间目标电网的历史电气量数据;所述一段时间至少为1年;也可以为10年,采集的时间跨度越大,训练的模型越精准。本发明中采集的目标电网的历史电气量数据包括:所有发电机的有功功率、无功功率、节点电压的幅值和相角,以及所有线路的有功功率和无功功率。本发明采集一段时间目标电网的历史电气量数据,可以每15分钟一个采样点,每个采样点采集目标电网的历史电气量数据同时获得该采样点的五维场景;五维场景数据部分供电局有记录,如果缺少记录的人工对应补齐采样点的五维场景信息。
采样点的电气量数据和对应的五维数据构成了一个样本;根据获取的历史样本,输入图卷积人工神经网络进行训练,输出电力系统运行场景(五维场景);利用历史样本训练直至网络收敛或者达到设定的最大迭代次数后,完成卷积人工神经网络的训练,获得训练好的卷积人工神经网络。
实际使用时,采集某一时刻目标电网的电气量数据,输入预先训练好的图卷积人工神经网络,便可以输出获得电力系统运行场景(五维场景)。
在一具体实施方式中,考虑到采集的数据通常具有时间的标签,因此一级按照季节的数据可以直接采集到,针对春夏秋冬四季,可以建立4个卷积人工神经网络,利用四季的历史样本分别训练,获得四季对应的训练好的图卷积人工神经网络。使用时,根据采集的样本时间,输入数据是从二级开始大小负荷+事件+风电+光伏,输入对应的训练好的图卷积人工神经网络中进行辨识,输出电力系统运行场景(二级至五级的4维场景)。
请参阅图2所示,第二部分通过训练好的图卷积人工神经网络进行电力系统运行场景的辨识,包括以下步骤:
S201、获取目标电网的电气量数据,所述电气量数据包括:所有发电机的有功功率、无功功率、节点电压的幅值和相角,以及所有线路的有功功率和无功功率。
S202、将待辨识时刻的目标电网的电气量数据输入预先训练好的图卷积人工神经网络中进行辨识,获得电力系统运行场景的辨识结果;
S203、输出所述辨识结果。
在一具体的实施方式中,输出电力系统运行场景为一级至五级的5维场景。
在另一具体的实施方式中,采集目标电网的电气量数据的同时,获取对应的一级季节信息;根据数据的季节信息选择对应季节已经预先训练好的图卷积人工神经网络;将采集的电气量数据输入对应季节已经预先训练好的图卷积人工神经网络中,输出电力系统运行场景为二级至五级的4维场景。
本发明根据辨识的电力系统运行场景,能够便于电力系统及时调整供电策略。
实施例2
请参阅图3所示,本发明提供一种基于人工智能辨识的电力系统运行场景辨识方法,包括以下步骤:
S1、获取目标电网的电气量数据;
S2、将待目标电网的电气量数据输入预先训练好的图卷积人工神经网络中进行辨识,获得电力系统运行场景的辨识结果;
S3、输出所述辨识结果。
在一具体实施方式中,所述电气量数据包括:目标电网中所有发电机的有功功率、无功功率、节点电压的幅值和相角,以及所有线路的有功功率和无功功率。
在一具体实施方式中,所述辨识结果包括一级场景、二级场景、三级场景、四级场景和五级场景中一种或多种;
所述一级场景为季节;
所述二级场景为目标电网负荷大小;
所述三级场景为影响目标电网的预设事件;
所述四级场景为风电出力划分;
所述五级场景为光伏出力划分。
在一具体实施方式中,所述一级场景包括:春季、夏季、秋季和冬季;
所述二级场景包括:大负荷和小负荷;大负荷为目标电网负荷大于或等于70%额定负荷;小负荷为目标电网负荷小于70%额定负荷;
所述三级场景包括:预设节假日、预设活动、周末、预设天气、地质灾害、预设突发事件、电网正常、电网事故、电网检修中一种或多种;
所述四级场景包括:风电出力大发、风电出力小发和风电出力平发;
所述五级场景包括:光伏出力大发、光伏出力小发和夜间光伏0发。
在一具体实施方式中,所述预先训练好的图卷积人工神经网络通过以下步骤训练获得:
获取一段时间目标电网的历史电气量数据;预设时间间隔设置一个采样点,一个采样点的电气量数据和对应的五维场景数据构成了一个样本;所述五维场景数据包括一级场景、二级场景、三级场景、四级场景和五级场景;
将所有样本输入图卷积人工神经网络进行训练,输出电力系统运行场景;利用历史样本训练直至网络收敛或者达到设定的最大迭代次数后,完成卷积人工神经网络的训练,获得预先训练好的卷积人工神经网络。
在一具体实施方式中,所述预先训练好的图卷积人工神经网络通过以下步骤训练获得:
获取一段时间目标电网的历史电气量数据;预设时间间隔设置一个采样点,一个采样点的电气量数据和对应的四维级场景数据构成了一个样本;所述四维场景数据包括二级场景、三级场景、四级场景和五级场景;
将所有样本根据四季分为四季的历史样本;针对四季的历史样本建立四个卷积人工神经网络;将四季的历史样本输入对应的图卷积人工神经网络进行训练,输出电力系统运行场景;利用四季的历史样本训练直至对应网络收敛或者达到设定的最大迭代次数后,完成卷积人工神经网络的训练,获得四季对应的预先训练好的卷积人工神经网络。
实施例3
请参阅图4所示,本发明提供一种基于人工智能辨识的电力系统运行场景辨识装置,包括:
获取模块,用于获取目标电网的电气量数据;
辨识模块,用于将待目标电网的电气量数据输入预先训练好的图卷积人工神经网络中进行辨识,获得电力系统运行场景的辨识结果;
输出模块,用于输出所述辨识结果。
在一具体实施方式中,所述电气量数据包括:目标电网中所有发电机的有功功率、无功功率、节点电压的幅值和相角,以及所有线路的有功功率和无功功率;
所述辨识结果包括一级场景、二级场景、三级场景、四级场景和五级场景中一种或多种;
所述一级场景为季节;
所述二级场景为目标电网负荷大小;
所述三级场景为影响目标电网的预设事件;
所述四级场景为风电出力划分;
所述五级场景为光伏出力划分。
实施例4
请参阅图5所示,本发明还提供一种实现基于人工智能辨识的电力系统运行场景辨识方法的电子设备100;所述电子设备100包括存储器101、至少一个处理器102、存储在所述存储器101中并可在所述至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。
存储器101可用于存储所述计算机程序103,所述处理器102通过运行或执行存储在所述存储器101内的计算机程序,以及调用存储在存储器101内的数据,实现实施例1或2所述的基于人工智能辨识的电力系统运行场景辨识方法的步骤。所述存储器101可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外,存储器101可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述至少一个处理器102可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等,所述处理器102是所述电子设备100的控制中心,利用各种接口和线路连接整个电子设备100的各个部分。
所述电子设备100中的所述存储器101存储多个指令以实现一种基于人工智能辨识的电力系统运行场景辨识方法,所述处理器102可执行所述多个指令从而实现:
获取目标电网的电气量数据;
将待目标电网的电气量数据输入预先训练好的图卷积人工神经网络中进行辨识,获得电力系统运行场景的辨识结果;
输出所述辨识结果。
实施例5
所述电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM,Read-Only Memory)。
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.基于人工智能辨识的电力系统运行场景辨识方法,其特征在于,包括以下步骤:
获取目标电网的电气量数据;
将待目标电网的电气量数据输入预先训练好的图卷积人工神经网络中进行辨识,获得电力系统运行场景的辨识结果;
输出所述辨识结果。
2.根据权利要求1所述的基于人工智能辨识的电力系统运行场景辨识方法,其特征在于,所述电气量数据包括:目标电网中所有发电机的有功功率、无功功率、节点电压的幅值和相角,以及所有线路的有功功率和无功功率。
3.根据权利要求1所述的基于人工智能辨识的电力系统运行场景辨识方法,其特征在于,所述辨识结果包括一级场景、二级场景、三级场景、四级场景和五级场景中一种或多种;
所述一级场景为季节;
所述二级场景为目标电网负荷大小;
所述三级场景为影响目标电网的预设事件;
所述四级场景为风电出力划分;
所述五级场景为光伏出力划分。
4.根据权利要求3所述的基于人工智能辨识的电力系统运行场景辨识方法,其特征在于,所述一级场景包括:春季、夏季、秋季和冬季;
所述二级场景包括:大负荷和小负荷;大负荷为目标电网负荷大于或等于70%额定负荷;小负荷为目标电网负荷小于70%额定负荷;
所述三级场景包括:预设节假日、预设活动、周末、预设天气、地质灾害、预设突发事件、电网正常、电网事故、电网检修中一种或多种;
所述四级场景包括:风电出力大发、风电出力小发和风电出力平发;
所述五级场景包括:光伏出力大发、光伏出力小发和夜间光伏0发。
5.根据权利要求3所述的基于人工智能辨识的电力系统运行场景辨识方法,其特征在于,所述预先训练好的图卷积人工神经网络通过以下步骤训练获得:
获取一段时间目标电网的历史电气量数据;预设时间间隔设置一个采样点,一个采样点的电气量数据和对应的五维场景数据构成了一个样本;所述五维场景数据包括一级场景、二级场景、三级场景、四级场景和五级场景;
将所有样本输入图卷积人工神经网络进行训练,输出电力系统运行场景;利用历史样本训练直至网络收敛或者达到设定的最大迭代次数后,完成卷积人工神经网络的训练,获得预先训练好的卷积人工神经网络。
6.根据权利要求3所述的基于人工智能辨识的电力系统运行场景辨识方法,其特征在于,所述预先训练好的图卷积人工神经网络通过以下步骤训练获得:
获取一段时间目标电网的历史电气量数据;预设时间间隔设置一个采样点,一个采样点的电气量数据和对应的四维级场景数据构成了一个样本;所述四维场景数据包括二级场景、三级场景、四级场景和五级场景;
将所有样本根据四季分为四季的历史样本;针对四季的历史样本建立四个卷积人工神经网络;将四季的历史样本输入对应的图卷积人工神经网络进行训练,输出电力系统运行场景;利用四季的历史样本训练直至对应网络收敛或者达到设定的最大迭代次数后,完成卷积人工神经网络的训练,获得四季对应的预先训练好的卷积人工神经网络。
7.基于人工智能辨识的电力系统运行场景辨识装置,其特征在于,包括:
获取模块,用于获取目标电网的电气量数据;
辨识模块,用于将待目标电网的电气量数据输入预先训练好的图卷积人工神经网络中进行辨识,获得电力系统运行场景的辨识结果;
输出模块,用于输出所述辨识结果。
8.根据权利要求7所述的基于人工智能辨识的电力系统运行场景辨识装置,其特征在于,所述电气量数据包括:目标电网中所有发电机的有功功率、无功功率、节点电压的幅值和相角,以及所有线路的有功功率和无功功率;
所述辨识结果包括一级场景、二级场景、三级场景、四级场景和五级场景中一种或多种;
所述一级场景为季节;
所述二级场景为目标电网负荷大小;
所述三级场景为影响目标电网的预设事件;
所述四级场景为风电出力划分;
所述五级场景为光伏出力划分。
9.一种电子设备,其特征在于,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至6中任意一项所述的基于人工智能辨识的电力系统运行场景辨识方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至6中任意一项所述的基于人工智能辨识的电力系统运行场景辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211158492.8A CN115422844A (zh) | 2022-09-22 | 2022-09-22 | 基于人工智能辨识的电力系统运行场景辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211158492.8A CN115422844A (zh) | 2022-09-22 | 2022-09-22 | 基于人工智能辨识的电力系统运行场景辨识方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115422844A true CN115422844A (zh) | 2022-12-02 |
Family
ID=84205070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211158492.8A Pending CN115422844A (zh) | 2022-09-22 | 2022-09-22 | 基于人工智能辨识的电力系统运行场景辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422844A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077986A (zh) * | 2023-10-16 | 2023-11-17 | 华中科技大学 | 电力系统极端运行风险场景的态势感知方法及相关设备 |
-
2022
- 2022-09-22 CN CN202211158492.8A patent/CN115422844A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077986A (zh) * | 2023-10-16 | 2023-11-17 | 华中科技大学 | 电力系统极端运行风险场景的态势感知方法及相关设备 |
CN117077986B (zh) * | 2023-10-16 | 2024-01-30 | 华中科技大学 | 电力系统极端运行风险场景的态势感知方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Asrari et al. | A hybrid algorithm for short-term solar power prediction—sunshine state case study | |
CN102930358B (zh) | 一种光伏电站发电功率的神经网络预测方法 | |
CN112381313A (zh) | 充电桩地址的确定方法和装置 | |
CN115422844A (zh) | 基于人工智能辨识的电力系统运行场景辨识方法及系统 | |
CN110365058A (zh) | 基于模拟退火粒子群算法的孤立微电网运行优化方法 | |
CN112561189A (zh) | 一种适用于光伏电站发电量预测方法 | |
Wu et al. | Economic analysis of power grid interconnections among Europe, North-East Asia, and North America with 100% renewable energy generation | |
CN114301089A (zh) | 一种风光联合发电系统储能容量配置优化方法 | |
Mégel et al. | Reducing the computational effort of stochastic multi-period dc optimal power flow with storage | |
Kim et al. | Methodology for security analysis of grid-connected electric vehicle charging station with wind generating resources | |
CN117595261A (zh) | 光储微电网能量管理策略优化方法、装置及电子设备 | |
CN104167731B (zh) | 一种多区域多元电源协调规划方法 | |
Agga et al. | Convolutional neural network (cnn) extended architectures for photovoltaic power production forecasting | |
CN114662922B (zh) | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 | |
Li et al. | The research of urban rail transit sectional passenger flow prediction method | |
CN113312779B (zh) | 一种低碳型柔性配电网高满意度动态综合规划方法 | |
CN110717694B (zh) | 基于新能源消纳期望值的储能配置随机决策方法及装置 | |
CN114626622A (zh) | 一种光伏功率预测方法、系统、装置及存储介质 | |
CN114004396A (zh) | 面向能源管理的在家人数预测方法、系统、设备和介质 | |
CN114444955A (zh) | 综合能源用关键参数数据挖掘及长期配置预测方法及系统 | |
CN114118611A (zh) | 基于预测算法池的风电功率预测方法和系统 | |
Park et al. | Real-time solar power estimation through rnn-based attention models | |
CN114418789A (zh) | 一种电网运行极端场景提取方法和系统 | |
Fan et al. | Ultra-Short-Term Wind Power Forecasting Based on Fluctuation Pattern Clustering and Prediction | |
CN114142472B (zh) | 基于混合高斯分布概率密度的风光容量配置方法及系统 |
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 |