CN116167527A - 纯数据驱动的电力系统静态安全运行风险在线评估方法 - Google Patents

纯数据驱动的电力系统静态安全运行风险在线评估方法 Download PDF

Info

Publication number
CN116167527A
CN116167527A CN202310431456.2A CN202310431456A CN116167527A CN 116167527 A CN116167527 A CN 116167527A CN 202310431456 A CN202310431456 A CN 202310431456A CN 116167527 A CN116167527 A CN 116167527A
Authority
CN
China
Prior art keywords
power system
data
running state
risk
preset
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.)
Granted
Application number
CN202310431456.2A
Other languages
English (en)
Other versions
CN116167527B (zh
Inventor
包涛
李卓环
马溪原
杨铎烔
李鹏
习伟
潘世贤
王鹏宇
周长城
许一泽
葛俊
陈炎森
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.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute 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 Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202310431456.2A priority Critical patent/CN116167527B/zh
Publication of CN116167527A publication Critical patent/CN116167527A/zh
Application granted granted Critical
Publication of CN116167527B publication Critical patent/CN116167527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • H02J3/0012—Contingency detection
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种纯数据驱动的电力系统静态安全运行风险在线评估方法，实时获取电力系统的当前运行状态数据，结合当前运行状态数据和预设概率预测模型进行预测，得到电力系统的概率预测数据，之后结合概率预测数据、当前运行状态数据、历史运行状态数据和预设运行状态预测模型进行预测，得到电力系统的未来运行状态参数，最终根据未来运行状态参数进行风险评估。上述方案单纯使用数据来做在线的静态安全运行风险评估，不依赖电力系统的物理模型，可以更快捷对电力系统运行风险的薄弱环节、薄弱区域和关键性设备提前进行预警，并且纯数据驱动可以避免对电力系统的精确建模，可以适用于新能源占比较高、运行方式多变、拓扑多变的未来电力系统。

Description

纯数据驱动的电力系统静态安全运行风险在线评估方法
技术领域
本申请涉及智能电网技术领域，特别是涉及一种纯数据驱动的电力系统静态安全运行风险在线评估方法。
背景技术
随着智能电网的不断发展，电网规模越来越大，高比例新能源与交直流混联，导致电网的运行方式日趋复杂和接近稳定运行边界，同时，大量的测量手段和多时空、时间尺度数据的积累，亦对电网的运行分析和评估带来新的挑战。
传统的电力稳定性分析，主要关注电力系统在各种假定运行方式下对于潮流、稳定等涉及电网运行信息的预测，以评估系统能否按可接受的质量标准和所需数量，不间断地向电力用户供应电力和电量的能力。融合多源异构数据信息，全面提升电网安全运行的支撑决策能力，具有重要的理论和现实意义。
目前，一般通过模型驱动的离线分析方法，对电网进行安全预警。实时性是安全预警的基本要求，然而，由于计算能力的限制，模型驱动型的电网安全预警方法，很难做到实时预警。
发明内容
基于此，有必要提供一种纯数据驱动的电力系统静态安全运行风险在线评估方法。
一种纯数据驱动的电力系统静态安全运行风险在线评估方法，包括：获取电力系统的当前运行状态数据；根据所述当前运行状态数据和预设概率预测模型进行预测分析，得到概率预测数据；根据所述概率预测数据、所述当前运行状态数据、历史运行状态数据和预设运行状态预测模型进行预测分析，得到所述电力系统的未来运行状态参数；根据所述未来运行状态参数进行风险评估，确定所述电力系统是否处于安全运行状态。
上述纯数据驱动的电力系统静态安全运行风险在线评估方法，在电力系统运行过程中，能够实时获取电力系统的当前运行状态数据，结合当前运行状态数据和预设概率预测模型进行预测，得到电力系统的概率预测数据，之后结合概率预测数据、当前运行状态数据、历史运行状态数据和预设运行状态预测模型进行预测，得到电力系统的未来运行状态参数，最终根据未来运行状态参数进行风险评估，从而确定电力系统是否处于安全运行状态。通过该方案，可以利用实时获取的当前运行状态数据，建立电力系统综合风险评估指标体系和量化方法，可以为电力系统可靠运行提供更符合实际运行场景的实时辅助决策。利用大数据技术在评估预测方面具有的优势，以实时的系统状态、一二次设备、气象环境测量数据为基础，可以对电力系统运行风险的薄弱环节、薄弱区域和关键性设备提前进行预警，对提升电力系统分析理论水平和实际工程运行水平均具有重要的意义。同时，该方案可以单纯使用数据来做在线的静态安全运行风险评估，不依赖电力系统的物理模型，可以更快捷得到风险评估结果，并且纯数据驱动可以避免对电力系统的精确建模，不仅可以解决当前的静稳分析问题，而且可以适用于新能源占比较高、运行方式多变、拓扑多变的未来电力系统，对电力系统的安全运行具有重要意义，上述方案可以保证电力系统能够实时预警，甚至实现超前预警。
在其中一个实施例中，所述获取电力系统的当前运行状态数据，包括：获取电力系统当前运行状态下的多源传感量参数；根据所述多源传感量参数和预设的多源传感量到运行状态数据的映射关系进行匹配，得到当前运行状态数据。
在其中一个实施例中，所述多源传感量到网络信息的映射关系的确定方式，包括：基于知识图谱数据进行模型构建，得到多源传感量到运行状态数据的映射关系。
在其中一个实施例中，所述根据所述当前运行状态数据和预设概率预测模型进行预测分析，得到概率预测数据，包括：根据所述当前运行状态数据、预设气象元件故障概率模型和预设贝叶斯神经网络概率模型进行概率预测，得到概率预测数据。
在其中一个实施例中，所述根据所述概率预测数据、所述当前运行状态数据、历史运行状态数据和预设运行状态预测模型进行预测分析，得到所述电力系统的未来运行状态参数，包括：根据所述概率预测数据、所述当前运行状态数据、历史运行状态数据和预设混合神经网络模型进行概率预测，得到所述电力系统的未来运行状态参数；其中，所述预设混合神经网络模型根据长短期记忆神经网络模型和全连接神经网络模型得到。
在其中一个实施例中，所述根据所述概率预测数据、所述当前运行状态数据、历史运行状态数据和预设混合神经网络模型进行概率预测，得到所述电力系统的未来运行状态参数，包括：根据所述概率预测数据、所述当前运行状态数据、历史运行状态数据和预设的长短期记忆神经网络模型进行预测，得到未来电力系统的关键变量特征对应的特征参数；根据当前运行状态数据和预设的全连接神经网络模型，对所述特征参数进行修正，得到所述电力系统的未来运行状态参数。
在其中一个实施例中，所述根据所述概率预测数据、所述当前运行状态数据、历史运行状态数据和预设的长短期记忆神经网络模型进行预测，得到未来电力系统的关键变量特征对应的特征参数之前，所述方法还包括：根据预设特征算法模型进行特征筛选，得到当前电力系统静态安全运行风险在线评估所需的关键变量特征。
在其中一个实施例中，所述根据所述未来运行状态参数进行风险评估，确定所述电力系统是否处于安全运行状态，包括：根据所述未来运行状态参数和预设风险指标计算模型进行分析，得到综合风险指标参数；根据所述综合风险指标参数，确定所述电力系统是否处于安全运行状态。
在其中一个实施例中，所述根据所述未来运行状态参数和预设风险指标计算模型进行分析，得到综合风险指标参数，包括：根据所述未来运行状态参数和预设越限指标计算模型，得到风险指标参数；根据所述风险指标参数和预设风险变化计算模型，得到风险变化指标参数；根据所述风险变化指标参数和预设综合风险计算模型，得到综合风险指标参数。
在其中一个实施例中，风险指标参数包括电压越限风险指标和线路越限风险指标中的至少一种。
附图说明
图1为本申请一个实施例中纯数据驱动的电力系统静态安全运行风险在线评估方法应用环境图；
图2为本申请一个实施例中纯数据驱动的电力系统静态安全运行风险在线评估方法流程示意图；
图3为本申请一个实施例中静态安全运行风险在线评估体系示意图；
图4为本申请另一个实施例中纯数据驱动的电力系统静态安全运行风险在线评估方法流程示意图；
图5为本申请一个实施例中知识图谱构建示意图；
图6为本申请又一个实施例中纯数据驱动的电力系统静态安全运行风险在线评估方法流程示意图；
图7为本申请一个实施例中易损曲线示意图；
图8为本申请再一个实施例中纯数据驱动的电力系统静态安全运行风险在线评估方法流程示意图；
图9为本申请另一个实施例中纯数据驱动的电力系统静态安全运行风险在线评估方法流程示意图；
图10为本申请一个实施例中电力系统拓扑结构示意图；
图11为本申请一个实施例中风险评估流程示意图；
图12为本申请一个实施例中风险评估结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的纯数据驱动的电力系统静态安全运行风险在线评估方法，可以应用于如图1所示的应用环境中。其中，电力系统102通过网络与监测设备104进行通信。数据存储系统可以存储监测设备104需要处理的数据。数据存储系统可以集成在监测设备104上，也可以放在云上或其他网络服务器上。其中，监测设备104可以是终端设备，也可以是服务器，具体而言，监测设备104用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种纯数据驱动的电力系统静态安全运行风险在线评估方法，以该方法应用于图1中的监测设备为例进行说明，包括以下步骤：
步骤202，获取电力系统的当前运行状态数据。
具体地，请结合参阅图3，本申请实施例提供一种纯数据驱动的电力系统静态安全运行风险在线评估方法，用以实现电力系统静态安全运行风险在线评估，其主要包括多源数据处理、机理分析及输入数据处理、运行状态预测神经网络模型、风险评估指标体系四个环节。多源数据处理也即通过设置于电力系统的多源传感器进行数据采集、分析处理，最终获取电力系统的当前运行状态数据。
静态安全分析是电力系统规划和调度的常用手段，用以校验输变电设备强迫退出运行后系统的运行状态。利用静态安全分析可以进行事故预想，对一个输电系统规划方案而言，可以校验其承受事故的能力；对运行中的电力系统而言，可以检验其运行方式及接线方式的安全性，进而给出事故前后应采用的防范措施或校正措施。静态安全分析中需要校验的典型事故包括发电机组或输变电设备的强迫停运，也包括短路引起的保护动作致使多个设备同时退出运行的情况。静态安全分析是电力系统安全分析的一个重要组成部分，不涉及电力系统的动态过程的分析，故称为静态安全分析。
由于不涉及元件动态特性和电力系统的动态过程，静态安全分析实质上是电力系统运行的稳态分析问题，即潮流问题。也就是说，可以根据预想的事故，设想各种可能的设备开断情况，完成相应的潮流计算，即可得出系统是否安全的结论。电力系统静态安全运行风险在线评估是目前研究电力系统静态安全可靠性的有效方法之一。一方面，它不仅能够计及电力系统中存在的诸多不确定性因素，包括发电机出力的不确定性、系统负荷的不确定性以及电气设备故障的影响，而且能够考虑随着智能电力系统技术的发展，新能源电源接入（比如风力发电机、光伏等）所带来的功率随机性和间歇性波动，对电力系统安全稳定运行带来的影响；另一方面，它能够将事件发生的概率和后果相结合，通过相应的指标来评价电力系统当前存在的安全风险，能够更为准确和全面地反映系统当前的安全稳定状态。
应当指出的是，电力系统的当前运行状态数据并不是唯一的，包括电力系统运行数据和环境状态数据两部分，电力系统运行数据和环境状态数据的具体类型，可结合实际需求进行不同选择。例如，在一个较为详细的实施例中，电力系统运行数据包括发电机有功和无功功率、负荷有功、无功功率、电力系统拓扑结构、节点电压、变压器负载率、线路负载率中的至少一种。而环境状态数据则包括电力系统所处环境的天气信息。
步骤204，根据当前运行状态数据和预设概率预测模型进行预测分析，得到概率预测数据。
具体地，机理分析及输入数据处理也即对静态安全分析问题机型机理研究，确定了基于风险评估的静态安全分析方法，并构建数据驱动的电力系统概率预测模型，对输入数据进行预处理，得到概率预测数据，为后续运行状态预测神经网络模型提供前置输入。
应当指出的是，概率预测数据的具体类型并不是唯一的，在一个实施例中，概率预测数据包括电力系统运行过程中气象条件对不同元件故障率影响的量化参数，也即元器件故障概率，还可以包括电力系统的各个电路的断线概率等，具体不做限定。进一步地，在另外的实施例中，预测数据还可以包括新能源机组出力、负荷预测、设备故障率和天气信息中的至少一种。
步骤206，根据概率预测数据、当前运行状态数据、历史运行状态数据和预设运行状态预测模型进行预测分析，得到电力系统的未来运行状态参数。
具体地，运行状态预测神经网络模型也即通过预设运行状态预测模型进行分析，确定电力系统的未来运行状态参数。在该环节，基于预先构建的预设运行状态预测模型，综合处理输入的概率预测数据、当前运行状态数据和历史运行状态数据，最终准确预测得到电力系统的未来运行状态参数。
应当指出的是，未来运行状态参数的具体类型并不是唯一的，可结合实际需求进行选择。在一个实施例中，未来运行状态参数结合风险程度的相关度确定，包括线路负载情况最大值、电力系统拓扑结构、线路状态、负荷有功、无功功率、发电机有功、无功功率、线路负载情况、维修计划、恢复时间和节点电压中的至少一种。
步骤208，根据未来运行状态参数进行风险评估，确定电力系统是否处于安全运行状态。
具体地，风险评估指标体系环节通过构建综合评估指标体系，根据输入的未来运行状态参数对电力系统静态安全运行状态进行风险评估，电力系统的风险程度信息。最终，结合实时评估得到的风险程度信息，判断此时电力系统是否处于安全运行状态。若通过分析，此时电力系统未处于安全运行状态，可即使输出预警提示信息，以提醒工作人员进行故障排查检修，保障电力系统的长期稳定运行。
上述纯数据驱动的电力系统静态安全运行风险在线评估方法，在电力系统运行过程中，能够实时获取电力系统的当前运行状态数据，结合当前运行状态数据和预设概率预测模型进行预测，得到电力系统的概率预测数据，之后结合概率预测数据、当前运行状态数据、历史运行状态数据和预设运行状态预测模型进行预测，得到电力系统的未来运行状态参数，最终根据未来运行状态参数进行风险评估，从而确定电力系统是否处于安全运行状态。
通过该方案，可以利用实时获取的当前运行状态数据，建立电力系统综合风险评估指标体系和量化方法，可以为电力系统可靠运行提供更符合实际运行场景的实时辅助决策。利用大数据技术在评估预测方面具有的优势，以实时的系统状态、一二次设备、气象环境测量数据为基础，可以对电力系统运行风险的薄弱环节、薄弱区域和关键性设备提前进行预警，对提升电力系统分析理论水平和实际工程运行水平均具有重要的意义。同时，该方案可以单纯使用数据来做在线的静态安全运行风险评估，不依赖电力系统的物理模型，可以更快捷得到风险评估结果，并且纯数据驱动可以避免对电力系统的精确建模，不仅可以解决当前的静稳分析问题，而且可以适用于新能源占比较高、运行方式多变、拓扑多变的未来电力系统，对电力系统的安全运行具有重要意义，上述方案可以保证电力系统能够实时预警，甚至实现超前预警。
请参阅图4，在其中一个实施例中，步骤202包括步骤402和步骤404。
步骤402，获取电力系统当前运行状态下的多源传感量参数。
步骤404，根据多源传感量参数和预设的多源传感量到运行状态数据的映射关系进行匹配，得到当前运行状态数据。
具体地，电力系统作为一种庞杂、知识密集的电能生产与消费系统，支撑着多种能源的转换、互联、传输、交互，涉及发、输、变、配、用等多个领域的系统性知识体系。近年来，随着我国能源互联网企业建设进程的逐步推进，电力领域知识体系愈发呈现出开放式、扁平化、边界模糊化的发展趋势，进一步加剧了电力系统智能认知的复杂性。电力系统依靠多种传感器测量运行数据，种类繁多，考虑电力系统的网架拓扑、参数变化以及信息缺失的难点，本实施例的方案中，通过建立由系统多源传感量到网络信息（也即运行状态数据）的映射，为系统上层分析应用建立网架基础，并为电力系统风险评估提供支持。
在其中一个实施例中，多源传感量到网络信息的映射关系的确定方式，包括：基于知识图谱数据进行模型构建，得到多源传感量到运行状态数据的映射关系。
具体地，知识图谱(Knowledge Graph)包含两层含义，一个是知识（knowledge）层面，充当数据角色，所刻画和描述的数据被称作是知识，其决定了知识图谱所能涵盖和刻画的领域及范围。另一个是图（graph）层面，充当的是数据组织和存储结构的角色，即图结构，决定了数据的使用方式和应用方向。知识图谱是由节点和节点之间的边组成的复杂网络，将现实世界映射到数据世界，用以描述客观世界的概念、实体及其关系。
知识图谱涉及知识表示、知识获取、知识处理和知识利用多个方面。一般流程为：首先确定知识表示模型，然后根据数据来源选择不同的知识获取手段导入知识，接着综合利用知识推理、知识融合、知识挖掘等技术对构建的知识图谱进行质量提升，最后根据场景需求设计不同的知识访问与呈现方法，如语义搜索、问答交互、图谱可视化分析等。
关于知识来源，可以从多种来源获取知识图谱数据，包括文本、结构化数据库、多媒体数据、传感器数据和人工众包等。每一种数据源的知识化都需要综合各种不同的手段。例如，对于文本数据源，需要综合实体识别、实体链接、关系抽取、事件抽取等各种自然语言处理技术，实现从文本中抽取知识。结构化数据库如各种关系数据库，也是最常用的数据来源之一。已有的结构化数据库通常不能直接作为知识图谱使用，而需要将结构化数据定义到本体模型之间的语义映射，再通过编写语义翻译工具实现结构化数据到知识图谱的转化。
知识表示是指用计算机符号描述和表示人脑中的知识，以支持机器模拟人的心智进行推理的方法与技术。知识表示决定了图谱构建的产出目标，即知识图谱的语义描述框架（Description Framework）、Schema与本体（Ontology）、知识交换语法（Syntax）、实体命名及ID体系。按知识类型的不同，知识图谱包括词（Vocabulary）、实体（Entity）、关系（Relation）、事件（Event）、术语体系（Taxonomy）、规则（Rule）等。词一级的知识以词为中心，并定义词与词之间的关系。实体一级的知识以实体为中心，并定义实体之间的关系、描述实体的术语体系等，事件是一种复合的实体。
知识抽取按任务可以分为概念抽取、实体识别、关系抽取、事件抽取和规则抽取等。知识图谱的构建通常大多依靠已有的结构化数据资源进行转化，形成基础数据集，再依靠自动化知识抽取和知识图谱补全技术，从多种数据来源进一步扩展知识图谱，并通过人工众包进一步提升知识图谱的质量。
在构建知识图谱时，可以从第三方知识库产品或已有结构化数据中获取知识输入。当多个知识图谱进行融合，或者将外部关系数据库合并到本体知识库时，需要处理两个层面的问题：通过模式层的融合，将新得到的本体融入已有的本体库中，以及新旧本体的融合；数据层的融合，包括实体的指称、属性、关系以及所属类别等，主要的问题是如何避免实例以及关系的冲突问题，造成不必要的冗余。
图谱的模式构建属于知识建模的范畴。模式构建是构建知识图谱概念模式的过程，一个良好的模式可以提高图谱的利用效率，减少冗余。知识图谱的模式构建通常有两种方式，一种是自底向上（bottom-up）的构建方式，该方式需要对所有的实体进行类别归纳，先归纳成最细致的小类，然后逐层往上，形成大类概念，该方式普遍适用于通用知识图谱的构建。另一种是自顶向下（top-down）的构建方式，该方式需要为图谱定义数据模式，并从最顶层的概念开始定义，逐步往下进行细化，形成类似树状结构的图谱模式，最后将实体对应到概念中，此类构建方式通常适用于领域或者行业知识图谱的构建。
一方面，本申请实施例中构建知识图谱，是为了建立由系统多源传感量到网络信息的映射，为系统上层分析应用建立网架基础，分析电力系统网架结构，所以可采取自底向上（bottom-up）的构建方式。另一方面，本课题是为了研究电力系统静态安全运行风险在线评估方法，需要对静态安全问题如线路阻塞、电压失稳等静态不安全事件进行具体分类研究，所以可采取自顶向下（top-down）的构建方式。因此，本申请电力系统静态安全运行风险在线评估知识图谱构建可采用图5所示的方式。
构建知识图谱的三要素是实体、属性和关系，其中第一步是定义实体，而定义实体必须要与上层应用结合，从应用出发去考虑实体建立方式。电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统，电力系统网架结构主体元素包括：发电厂、变电站、输电线路、电容电抗器、母线、开关、负荷。以实体与实体关系为基础的实体图谱可为构建电力系统网架结构提供数据支撑，通过知识图谱链接，形成具有统一组织形态的有序网络状态知识体系。对于电力系统静态安全稳定问题，极端天气事件是导致电力系统静态失稳的主要原因，其具有较强的时空特征和时序特征，虽然对实体的构建和关系构建都提供了信息，但其本身强时空特征，无法直接体现在实体—关系的拓扑结构或属性中。为解决这一问题，基于实体图谱基础上对数据进一步抽象，在电力系统网架结构知识图谱中，设计第三类对象：事件（event），将实体对象的行为数据，即：具备“主体”-“客体”-“时间”-“地点”-“气象数据”-“时间段”-“事件内容”等多方面信息的数据，构造成为事件对象。
对不同数据源中具体数据进行分类处理，包括电力系统拓扑结构绘制图、BPA（一种普遍的电力系统分析软件工具）中电力系统元件参数表、SCADA（Supervisory ControlAnd Data Acquisition，数据采集与监视控制系统）中历史运行数据库、电力系统运行专家经验知识库。针对不同的数据形式利用不同的信息抽取工具对既有数据进行处理。通过知识抽取完成了构建知识图谱的基础要素，其次进行知识融合，最终构建成高质量的电力系统静态安全分析知识图谱，为系统上层分析应用建立网架基础，并为电力系统风险评估提供支持。
请参阅图6，在其中一个实施例中，步骤204包括步骤602。
步骤602，根据当前运行状态数据、预设气象元件故障概率模型和预设贝叶斯神经网络概率模型进行概率预测，得到概率预测数据。
具体地，预设气象元件故障概率模型也即预设的、电力系统运行过程中气象条件对不同元件故障率影响的量化模型，其可根据不同元件脆弱性及事故分析推导得出，其通用描述如下：
Figure SMS_1
其中
Figure SMS_3
为位置在/>
Figure SMS_6
处的元件，在/>
Figure SMS_9
到/>
Figure SMS_4
时间段内发生故障的概率；
Figure SMS_7
为时刻/>
Figure SMS_10
气象变量取值为s，位置在/>
Figure SMS_11
处的元件发生故障的条件概率分布；
Figure SMS_2
为危险事件/>
Figure SMS_5
时刻Thr发生时，位置在/>
Figure SMS_8
处的元件气象变量S取值为s的概率分布函数。
由于电力系统测量装置的限制以及通讯要求，只能获得间隔一段时间的测量数据，因此假设两个测量时间段内（
Figure SMS_12
）的气象条件不变，可以得到：
Figure SMS_13
其中，
Figure SMS_14
表示/>
Figure SMS_15
时刻到t时刻气象变量S取值恒为s，位置在/>
Figure SMS_16
处的元件发生故障的条件概率分布，可以利用多项式进行拟合。/>
Figure SMS_17
为危险事件/>
Figure SMS_18
时刻到t时刻Thr持续存在，位置在/>
Figure SMS_19
处的元件气象变量S取值为s的概率分布函数。
易损曲线是对电力系统运行过程中气象条件对元件故障率影响的量化指标，对于给定的危险应力（如风速），处于或超过损伤状态的概率用对数正态函数描述：
Figure SMS_20
，其中，/>
Figure SMS_21
是危险应力s达到损伤状态阈值的平均工程应力参数。/>
Figure SMS_22
为危险应力s达到损伤状态阈值时，工程应力参数自然对数的标准差，/>
Figure SMS_23
是标准正态累积分布函数。对于大风影响的线路故障，常用易损曲线来进行描述，可结合参阅图7。
结合气象-元件故障概率模型（如易损曲线），根据气象预报数据及目前电力系统实时运行数据P，计算出所有线路的断线概率。根据设定的阈值
Figure SMS_24
，筛选出m条风险预警线路
Figure SMS_25
利用排列组合生成/>
Figure SMS_26
种拓扑结构，各种拓扑结构概率计算公式如下：
Figure SMS_27
神经网络模型可以用于表达一个任意的函数
Figure SMS_28
，由于电力系统是一个大型的互联网络，并且极端事件导致的线路断线是一个随机事件。所以求解极端事件下断线后形成的电力系统拓扑结构概率是一个多元、时变、非线性问题，很难找到一个准确的数学模型进行建模，这里采用贝叶斯神经网络进行建模分析。
对于贝叶斯神经网络，由于其参数服从随机概率分布，所以对于同一输入值其多次输出的结果可能不同，如果要计算不同输出值的概率情况，可对同一输入值进行大量计算（如蒙特卡洛采样），统计不同输出值及其相应频率得到。区别于传统神经网络只基于样本集训练神经网络模型，贝叶斯神经网络可以利用专家知识或已有经验对参数
Figure SMS_29
设置先验分布，然后基于贝叶斯变分推理，根据样本数据推测参数的后验分布，训练神经网络。
上述方案，基于电力系统历史运行数据及专家经验，统计气象相关的元件故障概率并计算易损曲线相关参数，利用贝叶斯深度学习方法，提出了数据驱动的电力系统拓扑结构概率预测模型，实现了准确预测不同气象条件下电力系统发生元件故障后出现不同拓扑结构概率分布。
请参阅图8，在其中一个实施例中，步骤206包括步骤802。
步骤802，根据概率预测数据、当前运行状态数据、历史运行状态数据和预设混合神经网络模型进行概率预测，得到电力系统的未来运行状态参数。
具体地，预设混合神经网络模型根据长短期记忆神经网络模型和全连接神经网络模型得到。长短期记忆神经网络（Long short-term memory，LSTM）是一种特殊的神经网络模型，它建立在循环神经网络（Recurrent Neural Network，RNN）基础上，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题，相比普通的RNN，LSTM能够在更长的序列中有更好的表现，由于其特有的性质和优势。
针对静态安全运行风险评估问题，利用LSTM记忆特性，并结合电力系统历史运行信息和预测信息，构建了一个包含长短期循环神经网络LSTM的混合神经网络。该混合神经网络模型由长短期神经网络和全连接神经网络两部分组成，输出信息包括电力系统未来时刻的节点电压、变压器负载率和线路负载率。
LSTM网络的基本结构与传统的循环神经网络一致，即纵向上仍包含输入层、隐藏层和输出层，横向上也仍然通过对隐藏层输出的传递使其具备了反映时间序列数据的能力。LSTM网络与RNN最大的不同在于，其隐藏层的构成已由简单的神经元替换为复杂的记忆模块。
一个标准LSTM网络有三个门：输入门（input gate）、遗忘门（forget gate）和输出门（output gate）来读取和修改单元记忆状态。通过对记忆状态更新的控制使LSTM在训练过程中避免梯度消失和梯度爆炸问题，从而使其能够得到充分训练使其展现出比RNN更加优异的性能。输入门则决定了当前时刻的信息被写入到细胞状态
Figure SMS_30
的多少，首先利用tanh激活函数将当前时刻的信息转换为备选的细胞状态新信息/>
Figure SMS_31
，然后利用Sigmoid激活函数决定有多少细胞状态新信息被写入到细胞状态/>
Figure SMS_32
，其表达式为：
Figure SMS_33
Figure SMS_34
Figure SMS_35
为输入门中的门控信号；/>
Figure SMS_36
为时刻t的细胞状态新信息；/>
Figure SMS_37
和/>
Figure SMS_38
为激活函数对应的权值；/>
Figure SMS_39
和/>
Figure SMS_40
为激活函数对应的偏置值；/>
Figure SMS_41
为t时刻的外部输入。
遗忘门通过将Sigmoid函数作为门控信号，决定了历史信息有多少可以保留到当前时刻，其计算公式为：
Figure SMS_42
。
式中
Figure SMS_45
为遗忘门中Sigmoid函数的输出，其值在区间[0,1]之间，当/>
Figure SMS_47
=1时表示对
Figure SMS_49
全部保留，当/>
Figure SMS_44
=0时表示对/>
Figure SMS_46
全部遗忘；/>
Figure SMS_48
为遗忘门的权值；/>
Figure SMS_50
为t时刻的外部输入；/>
Figure SMS_43
为遗忘门的偏置值。
当遗忘和输入环节完成后，长期记忆
Figure SMS_51
即被更新为/>
Figure SMS_52
：
Figure SMS_53
长期记忆
Figure SMS_54
更新后则利用输出门决定其输出多少，输出门同样由Sigmoid函数和tanh激活函数组成，其中Sigmoid函数仍然作为控制信号决定记忆输出的多少，而tanh激活函数则将/>
Figure SMS_55
转换为最终产生的输出信息，并将其与控制信号相乘即可得到当前时刻t的最终输出，其表达式为：
Figure SMS_56
Figure SMS_57
/>
式中：
Figure SMS_58
为Sigmoid函数的输出；/>
Figure SMS_59
和/>
Figure SMS_60
分别为Sigmoid函数的权值和偏置值。整体来说，LSTM模型经过这三个门的控制将时序数列的前后时间关系相连接，使得模型在当前时间步长的状态下，能够完成对之前数据特征的选取并且完成对下一步长甚至更长时间的数据的影响。
全连接神经网络（Multi-Layer Perception, MLP）或者叫多层感知机，是一种连接方式较为简单的人工神经网络结构，属于前馈神经网络的一种，只要有输入层、隐藏层和输出层构成，并且在每个隐藏层中可以有多个神经元。MLP网络是可以应用于几乎所有任务的多功能学习方法，包括分类、回归，甚至是无监督学习。
神经网络的学习能力主要来源于网络结构，而且根据层的数量不同、每层神经元数量的多少，以及信息在层之间的传播方式，可以组合成多种神经网络模型。全连接神经网络主要由输入层、隐藏层和输出层构成。输入层仅接收外界的输入，不进行任何函数处理，所以输入层的神经元个数往往和输入的特征数量相同，隐藏层和输出层神经元对信号进行加工处理，最终结果由输出层神经元输出。根据隐藏层的数量可以分为单隐藏层MLP和多隐藏层MLP。
针对单隐藏层MLP和多隐藏层MLP，每个隐藏层的神经元数量是可以变化的，通常没有一个很好的标准用于确定每层神经元的数量和隐藏层的个数。根据经验，更多的神经元就会有更强的表示能力，同时更容易造成网络的过拟合，所以在使用全连接神经网络时，对模型泛化能力的测试很重要，最好的方式是在训练模型时，使用验证集来验证模型的泛化能力，且尽可能地去尝试多种网络结构，以寻找更好的模型。
混合神经网络利用了长短期记忆神经网络和全连接神经网络的特点，将两者结合起来，构成混合神经网络模型。同时全连接神经网络可以视作对该混合神经网络模型横向宽度的扩充，进而提高了该模型理论的学习能力，从而在训练时能够达到更小的训练误差，提升模型预测的准确率。
请参阅图9，在其中一个实施例中，步骤802包括步骤902和步骤904。
步骤902，根据概率预测数据、当前运行状态数据、历史运行状态数据和预设的长短期记忆神经网络模型进行预测，得到未来电力系统的关键变量特征对应的特征参数。
步骤904，根据当前运行状态数据和预设的全连接神经网络模型，对特征参数进行修正，得到电力系统的未来运行状态参数。
具体地，关键变量特征即为在对电力系统进行静态安全运行风险在线评估时所需的电力系统变量特征，其具体类型并不是唯一的，结合实际电力系统结构不同也会有所区别。例如，在一个较为详细的实施例中，关键变量特征包括线路负载情况最大值、拓扑结构、线路状态、负荷有功和无功功率、发电机有功和无功功率、线路负载情况、维修计划、恢复时间、节点电压中的至少一种。相应的，关键变量特征对应的特征参数即为关键变量特征对应的参数值。
本实施例的方案，首先根据概率预测数据、当前运行状态数据、历史运行状态数据和预设的长短期记忆神经网络模型进行预测，得到未来电力系统的关键变量特征对应的特征参数，之后对关键变量特征对应的特征参数进行修正，从而得到准确的未来运行状态参数。
可以理解，关键变量特征的获取方式并鄙视唯一的，在一个实施例中，步骤902之前，该方法还包括：根据预设特征算法模型进行特征筛选，得到当前电力系统静态安全运行风险在线评估所需的关键变量特征。
具体地，电力系统拓扑结构是表征电力系统各元件之间连接关系的重要信息，是电力系统静态安全评估的关键因素。结合本申请所提模型的结构特点，提出了一种利用特征向量表征电力系统拓扑结构的方法，避免使用图形结构进行分析，降低了问题复杂度，拓扑结构描述可结合参阅图10。
用特征向量表征系统拓扑结构的步骤和规则如下：首先对母线进行排序、编号；其次统计各母线所连接元件的数量(负载、发电机、线路)，形成拓扑向量。拓扑向量中每个母线所含元素排序规则：1：负载；2：发电机；3：线路始端；4：线路末端。拓扑向量中元素定义规则：1：正常连接；0：断开连接（线路断开连接时其始端末端元素都设置为-1）。
本申请的技术方案，采用基于改进mRMR算法的特征筛选，维度过高、冗余过多的特征空间容易导致气象信息与输出功率的映射规律难以挖掘，而且增加模型的训练难度与计算复杂度。从信息的角度出发，特征选择的目的在于选择包含输出变量尽可能多的信息且维数最少的特征子集，其中多变量的互信息可通过下式计算：
Figure SMS_61
Figure SMS_62
为n个特征组成的特征集合；由于采样数量限制以及高维矩阵求逆计算过于复杂，联合概率密度函数/>
Figure SMS_63
无法精确获取，因此直接计算多变量间的互信息难以实现，对此mRMR将特征筛选近似等效为如下优化问题：
Figure SMS_64
上式第一项代表所选气象特征集
Figure SMS_65
与光伏输出Y的相关性，而第二项代表气象特征之间的信息冗余度。通常mRMR采用增量搜索算法，每次挑选当前的最优特征加入候选特征子集，即新增特征/>
Figure SMS_66
满足：
Figure SMS_67
mRMR特征选择过程如下：
1)给定一个足够大的整数n，根据
Figure SMS_68
逐次选择特征生成n个序列特征集/>
Figure SMS_69
；
2)根据n个特征集分别训练模型进行预测，得到预测误差序列
Figure SMS_70
，选择相邻k个均值、方差均较小的误差组成误差集/>
Figure SMS_71
；
3)在
Figure SMS_72
中搜索最小值，其对应的特征集即为最优特征集。/>
尽管mRMR算法已将互信息计算大大简化，但在选择特征时需要进行多次尝试且不断训练模型，增加了其计算复杂程度；而且由于增量搜索过程中始终固定某一气象参数作为初始特征，可能潜在地导致后续特征选择过于局限，因此本申请对mRMR算法作出以下改进：
1)对于初始的特征空间S，分别以每一个特征作为初始特征进行增量搜索，构建m个特征子集
Figure SMS_73
；
2)增量搜索过程在新特征无法提供新的信息时停止；
3)以特征集构建过程中的总互信息增量作为特征集评价标准，归一化后经softmax函数处理作为最终得分，最后保留得分高于平均值的k个特征集并重新标记为
Figure SMS_74
，对应的得分为/>
Figure SMS_75
；
4)分别对k个特征集进行模型训练，得到k个预测器
Figure SMS_76
，对于任意给定的输入样本/>
Figure SMS_77
，选择特征集对应的特征输入各个预测器中，得到预测输出/>
Figure SMS_78
，模型最终预测结果由预测器得分加权得到：
Figure SMS_79
通过上述基于扩散核密度估计的互信息计算和基于改进mRMR特征筛选，可以得到用于静态运行风险评估模型的关键特征。本实施例的方案，采用基于时序特征的异常事件数据特征提取方法，能够有效地区分不同类别的异常事件特征，同时对数据进行降维。对于风险程度这一标签，特征的相关度大小排序依次是：线路负载情况最大值、拓扑结构、线路状态、负荷有功和无功功率、发电机有功和无功功率、线路负载情况、维修计划、恢复时间、节点电压。
请参阅图11，在其中一个实施例中，步骤208包括步骤112和步骤114。
步骤112，根据未来运行状态参数和预设风险指标计算模型进行分析，得到综合风险指标参数。
步骤114，根据综合风险指标参数，确定电力系统是否处于安全运行状态。
具体地，电力系统的安全风险评估主要针对大概率、低风险的电力系统典型故障，并使用失负荷概率和电力不足期望等指标来衡量。虽然极端自然灾害发生的随机性强且概率小，但是一旦发生会造成严重的电力系统故障，对人民日常生产及生活带来严重的不便。电力系统弹性评估就是研究这类小概率、高风险灾害的影响，主要研究发生台风、冰雹、地震、洪涝等极端自然灾害时系统状态的转换以及通过系统控制手段恢复到稳定状态的能力。与传统电力系统风险评估相比，电力系统弹性评估不仅考虑系统的负荷损失，还综合考虑系统的恢复时间及恢复能力。
本实施例的方案，预存有预设风险指标计算模型，在得到未来运行状态参数之后，将其带入预设风险指标计算模型进行一系列的分析计算，最终即可确定综合风险指标参数，并以综合风险指标参数进行电力系统是否处于安全运行状态的评估。
当电力系统处于安全运行区间时，电力系统的综合风险指标参数位于一个相对较小的波动区间。而当电力系统面临较大的波动时（例如部分线路因为极端的天气因素存在较大的失效概率、新能源出力出现剧烈的波动），系统静态安全风险较高，计算得到的综合风险指标参数则会产生一个相对较大的波动。因此，可通过分析最终计算得到的综合风险指标参数地波动情况，确定电力系统是否处于安全运行状态。
进一步地，在一个实施例中，步骤112包括：根据未来运行状态参数和预设越限指标计算模型，得到风险指标参数；根据风险指标参数和预设风险变化计算模型，得到风险变化指标参数；根据风险变化指标参数和预设综合风险计算模型，得到综合风险指标参数。
具体地，本实施例的技术方案，预设风险指标计算模型包括预设越限指标计算模型、预设风险变化计算模型和预设综合风险计算模型。针对数据驱动的电力系统静态运行风险预警模型的特点，构建了具有递进关系的电力系统风险三层评估指标，分别计算得到风险指标参数、风险变化指标参数和综合风险指标参数，具体可结合参阅图12。
较为详细的，在一个实施例中，以风险指标参数包括电压越限风险指标和线路越限风险指标为例进行解释说明。针对混合神经网络模型输出的预测结果，分别计算整个系统的电压越限风险指标和线路越限风险指标，记为节点电压越限指标（Node VoltageViolation Risk，RNVV）)、线路功率过载指标（Line Overload Risk，RLO），其计算式（也即预设越限指标计算模型）分别下所示：
Figure SMS_80
Figure SMS_81
式中：
Figure SMS_82
表示第i个节点电压幅值的标幺值，/>
Figure SMS_83
表示第i个节点电压越限的严重度，当电压幅值位于正常区间时，严重度为0，越接近安全界限，严重度越大。通过计算加和所有节点电压越限的严重度，得到系统的节点电压越限风险指标。
Figure SMS_84
/>
Figure SMS_85
式中：
Figure SMS_86
表示第j条线路的负载率，/>
Figure SMS_87
表示第j条线路过载的严重度，当线路负载小于80%时，严重度为0，负载率越接近线路额定负载是，严重度越大。通过计算加和所有线路过载的严重度，得到系统的线路越限风险指标。
第一层风险评估指标容易受到负荷水平的影响，当系统处于较高负荷水平时，第一层风险指标的计算结果往往相对较高，无法很好的反映系统的风险状况。实际电力系统出现静态安全风险的情况往往是因为突然的断线、新能源出力剧烈变化导致的，通过计算第一层风险指标的变化情况可以反映系统静态安全的变化。第二层评估指标基于第一层计算得到的节点电压越限风险和线路过载风险指标，计算相应的风险变化指标，其计算式（也即预设风险变化计算模型）如下所示：
Figure SMS_88
式中：
Figure SMS_89
、/>
Figure SMS_90
分别为第一层评估指标NVVR和LOR的值；/>
Figure SMS_91
和/>
Figure SMS_92
为相应的风险变化指标。
引入综合风险指标作为第三层评估指标，反映电力系统的综合风险状况。通过对第二层评估指标加权求和得到综合风险指标，其计算式（也即预设综合风险计算模型）为：
Figure SMS_93
式中：
Figure SMS_94
和/>
Figure SMS_95
分别为节点电压越限风险变化指标/>
Figure SMS_96
和线路过载风险变化指标/>
Figure SMS_97
对应的权重，较为详细的，两者均设定为1。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种纯数据驱动的电力系统静态安全运行风险在线评估方法，其特征在于，包括：
获取电力系统的当前运行状态数据；
根据所述当前运行状态数据和预设概率预测模型进行预测分析，得到概率预测数据；
根据所述概率预测数据、所述当前运行状态数据、历史运行状态数据和预设运行状态预测模型进行预测分析，得到所述电力系统的未来运行状态参数；
根据所述未来运行状态参数进行风险评估，确定所述电力系统是否处于安全运行状态。
2.根据权利要求1所述的方法，其特征在于，所述获取电力系统的当前运行状态数据，包括：
获取电力系统当前运行状态下的多源传感量参数；
根据所述多源传感量参数和预设的多源传感量到运行状态数据的映射关系进行匹配，得到当前运行状态数据。
3.根据权利要求2所述的方法，其特征在于，所述多源传感量到网络信息的映射关系的确定方式，包括：
基于知识图谱数据进行模型构建，得到多源传感量到运行状态数据的映射关系。
4.根据权利要求1-3任意一项所述的方法，其特征在于，所述根据所述当前运行状态数据和预设概率预测模型进行预测分析，得到概率预测数据，包括：
根据所述当前运行状态数据、预设气象元件故障概率模型和预设贝叶斯神经网络概率模型进行概率预测，得到概率预测数据。
5.根据权利要求1-3任意一项所述的方法，其特征在于，所述根据所述概率预测数据、所述当前运行状态数据、历史运行状态数据和预设运行状态预测模型进行预测分析，得到所述电力系统的未来运行状态参数，包括：
根据所述概率预测数据、所述当前运行状态数据、历史运行状态数据和预设混合神经网络模型进行概率预测，得到所述电力系统的未来运行状态参数；其中，所述预设混合神经网络模型根据长短期记忆神经网络模型和全连接神经网络模型得到。
6.根据权利要求5所述的方法，其特征在于，所述根据所述概率预测数据、所述当前运行状态数据、历史运行状态数据和预设混合神经网络模型进行概率预测，得到所述电力系统的未来运行状态参数，包括：
根据所述概率预测数据、所述当前运行状态数据、历史运行状态数据和预设的长短期记忆神经网络模型进行预测，得到未来电力系统的关键变量特征对应的特征参数；
根据当前运行状态数据和预设的全连接神经网络模型，对所述特征参数进行修正，得到所述电力系统的未来运行状态参数。
7.根据权利要求6所述的方法，其特征在于，所述根据所述概率预测数据、所述当前运行状态数据、历史运行状态数据和预设的长短期记忆神经网络模型进行预测，得到未来电力系统的关键变量特征对应的特征参数之前，所述方法还包括：
根据预设特征算法模型进行特征筛选，得到当前电力系统静态安全运行风险在线评估所需的关键变量特征。
8.根据权利要求1-3任意一项所述的方法，其特征在于，所述根据所述未来运行状态参数进行风险评估，确定所述电力系统是否处于安全运行状态，包括：
根据所述未来运行状态参数和预设风险指标计算模型进行分析，得到综合风险指标参数；
根据所述综合风险指标参数，确定所述电力系统是否处于安全运行状态。
9.根据权利要求8所述的方法，其特征在于，所述根据所述未来运行状态参数和预设风险指标计算模型进行分析，得到综合风险指标参数，包括：
根据所述未来运行状态参数和预设越限指标计算模型，得到风险指标参数；
根据所述风险指标参数和预设风险变化计算模型，得到风险变化指标参数；
根据所述风险变化指标参数和预设综合风险计算模型，得到综合风险指标参数。
10.根据权利要求8所述的方法，其特征在于，所述风险指标参数包括电压越限风险指标和线路越限风险指标中的至少一种。
CN202310431456.2A 2023-04-21 2023-04-21 纯数据驱动的电力系统静态安全运行风险在线评估方法 Active CN116167527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310431456.2A CN116167527B (zh) 2023-04-21 2023-04-21 纯数据驱动的电力系统静态安全运行风险在线评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310431456.2A CN116167527B (zh) 2023-04-21 2023-04-21 纯数据驱动的电力系统静态安全运行风险在线评估方法

Publications (2)

Publication Number Publication Date
CN116167527A true CN116167527A (zh) 2023-05-26
CN116167527B CN116167527B (zh) 2023-09-12

Family

ID=86418555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310431456.2A Active CN116167527B (zh) 2023-04-21 2023-04-21 纯数据驱动的电力系统静态安全运行风险在线评估方法

Country Status (1)

Country Link
CN (1) CN116167527B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116519021A (zh) * 2023-06-29 2023-08-01 西北工业大学 一种惯性导航系统故障诊断方法、系统及设备
CN116596405A (zh) * 2023-07-06 2023-08-15 南方电网数字电网研究院有限公司 纯数据驱动的电力系统分析方法及系统
CN116976682A (zh) * 2023-09-22 2023-10-31 安徽融兆智能有限公司 一种基于模糊算法的用电信息采集系统运行状态评估方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010166702A (ja) * 2009-01-15 2010-07-29 Toshiba Corp 電源設備の電力供給リスク評価システム
CN103646350A (zh) * 2013-10-25 2014-03-19 南昌大学 一种基于风险理论的电网运行状态评估方法
WO2015070466A1 (zh) * 2013-11-18 2015-05-21 国家电网公司 安全风险评估方法和装置
US20180314769A1 (en) * 2017-04-26 2018-11-01 Bigwood Technology, Inc. Systems for real-time available delivery capability determination of large-scale distribution networks
CN110148935A (zh) * 2019-05-10 2019-08-20 东北电力大学 一种基于长短期记忆神经网络的电网静态安全裕度评估方法
US20190305589A1 (en) * 2016-11-10 2019-10-03 China Electric Power Research Institute Company Limited Distribution network risk identification system and method and computer storage medium
CN111523778A (zh) * 2020-04-10 2020-08-11 三峡大学 基于粒子群算法和梯度提升树的电网运行安全评估方法
CN111651878A (zh) * 2020-05-28 2020-09-11 山东大学 计及态势评估的大电网静态电压稳定优化决策方法及系统
CN112232714A (zh) * 2020-11-18 2021-01-15 中国科学院电工研究所 一种基于深度学习的结构参数不完备下配电网风险评估方法
CN112884601A (zh) * 2021-01-21 2021-06-01 浙江大学 一种基于天气区划策略的电力系统运行风险评估方法
CN113240289A (zh) * 2021-05-17 2021-08-10 国电南瑞南京控制系统有限公司 一种电网调度控制系统运行状态评估方法及系统
CN113991651A (zh) * 2021-10-27 2022-01-28 武汉大学 一种考虑新能源不确定性的电网静态电压稳定裕度概率预测方法
CN114997566A (zh) * 2022-04-18 2022-09-02 国网辽宁省电力有限公司电力科学研究院 考虑节点连通度损失的电网阻塞风险评估方法及系统
CN115114124A (zh) * 2021-03-17 2022-09-27 中国移动通信集团四川有限公司 主机风险的评估方法及评估装置
US20220341996A1 (en) * 2021-01-11 2022-10-27 Dalian University Of Technology Method for predicting faults in power pack of complex equipment based on a hybrid prediction model
CN115248994A (zh) * 2021-12-15 2022-10-28 浙江理工大学 一种机电静压伺服机构故障预测及管理方法及系统
CN115392697A (zh) * 2022-08-24 2022-11-25 国网山东省电力公司经济技术研究院 一种数据-模型混合驱动的电力系统安全评估方法及系统
CN115577750A (zh) * 2022-09-23 2023-01-06 华电电力科学研究院有限公司 储能电站系统级荷电状态的估计方法、装置及设备
CN115587719A (zh) * 2022-06-08 2023-01-10 国网安徽省电力有限公司 基于密集输电通道灾害的大电网静态安全风险分析方法
US20230052730A1 (en) * 2017-09-04 2023-02-16 Southeast University Method for predicting operation state of power distribution network with distributed generations based on scene analysis
WO2023044770A1 (zh) * 2021-09-24 2023-03-30 京东方科技集团股份有限公司 干泵宕机的预警方法、装置、电子设备、存储介质及程序

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010166702A (ja) * 2009-01-15 2010-07-29 Toshiba Corp 電源設備の電力供給リスク評価システム
CN103646350A (zh) * 2013-10-25 2014-03-19 南昌大学 一种基于风险理论的电网运行状态评估方法
WO2015070466A1 (zh) * 2013-11-18 2015-05-21 国家电网公司 安全风险评估方法和装置
US20190305589A1 (en) * 2016-11-10 2019-10-03 China Electric Power Research Institute Company Limited Distribution network risk identification system and method and computer storage medium
US20180314769A1 (en) * 2017-04-26 2018-11-01 Bigwood Technology, Inc. Systems for real-time available delivery capability determination of large-scale distribution networks
US20230052730A1 (en) * 2017-09-04 2023-02-16 Southeast University Method for predicting operation state of power distribution network with distributed generations based on scene analysis
CN110148935A (zh) * 2019-05-10 2019-08-20 东北电力大学 一种基于长短期记忆神经网络的电网静态安全裕度评估方法
CN111523778A (zh) * 2020-04-10 2020-08-11 三峡大学 基于粒子群算法和梯度提升树的电网运行安全评估方法
CN111651878A (zh) * 2020-05-28 2020-09-11 山东大学 计及态势评估的大电网静态电压稳定优化决策方法及系统
CN112232714A (zh) * 2020-11-18 2021-01-15 中国科学院电工研究所 一种基于深度学习的结构参数不完备下配电网风险评估方法
US20220341996A1 (en) * 2021-01-11 2022-10-27 Dalian University Of Technology Method for predicting faults in power pack of complex equipment based on a hybrid prediction model
CN112884601A (zh) * 2021-01-21 2021-06-01 浙江大学 一种基于天气区划策略的电力系统运行风险评估方法
CN115114124A (zh) * 2021-03-17 2022-09-27 中国移动通信集团四川有限公司 主机风险的评估方法及评估装置
CN113240289A (zh) * 2021-05-17 2021-08-10 国电南瑞南京控制系统有限公司 一种电网调度控制系统运行状态评估方法及系统
WO2023044770A1 (zh) * 2021-09-24 2023-03-30 京东方科技集团股份有限公司 干泵宕机的预警方法、装置、电子设备、存储介质及程序
CN113991651A (zh) * 2021-10-27 2022-01-28 武汉大学 一种考虑新能源不确定性的电网静态电压稳定裕度概率预测方法
CN115248994A (zh) * 2021-12-15 2022-10-28 浙江理工大学 一种机电静压伺服机构故障预测及管理方法及系统
CN114997566A (zh) * 2022-04-18 2022-09-02 国网辽宁省电力有限公司电力科学研究院 考虑节点连通度损失的电网阻塞风险评估方法及系统
CN115587719A (zh) * 2022-06-08 2023-01-10 国网安徽省电力有限公司 基于密集输电通道灾害的大电网静态安全风险分析方法
CN115392697A (zh) * 2022-08-24 2022-11-25 国网山东省电力公司经济技术研究院 一种数据-模型混合驱动的电力系统安全评估方法及系统
CN115577750A (zh) * 2022-09-23 2023-01-06 华电电力科学研究院有限公司 储能电站系统级荷电状态的估计方法、装置及设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
于涛;刁守斌;祝永刚;安鹏;程凯强;: "基于态势感知的智能配电网运行状态评估", 山东电力技术, no. 02 *
庞传军;牟佳男;余建明;武力;: "基于运行关键指标和Seq2Seq的大电网运行异常识别", 电力建设, no. 07 *
智鹏飞;刘胜;朱琬璐;叶辉;: "综合电力推进系统风险预测评估方法", 哈尔滨工程大学学报, no. 05 *
林静怀;范士雄;徐郑崎;范海威;沈晓东;刘幸蔚;秦佳奇;: "基于模糊层次分析法和LSTM-注意力机制的电网运行态势感知评估模型", 电力信息与通信技术, no. 04 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116519021A (zh) * 2023-06-29 2023-08-01 西北工业大学 一种惯性导航系统故障诊断方法、系统及设备
CN116519021B (zh) * 2023-06-29 2023-09-15 西北工业大学 一种惯性导航系统故障诊断方法、系统及设备
CN116596405A (zh) * 2023-07-06 2023-08-15 南方电网数字电网研究院有限公司 纯数据驱动的电力系统分析方法及系统
CN116596405B (zh) * 2023-07-06 2024-03-26 南方电网数字电网研究院有限公司 纯数据驱动的电力系统分析方法及系统
CN116976682A (zh) * 2023-09-22 2023-10-31 安徽融兆智能有限公司 一种基于模糊算法的用电信息采集系统运行状态评估方法
CN116976682B (zh) * 2023-09-22 2023-12-26 安徽融兆智能有限公司 一种基于模糊算法的用电信息采集系统运行状态评估方法

Also Published As

Publication number Publication date
CN116167527B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
Xie et al. A review of machine learning applications in power system resilience
CN116167527B (zh) 纯数据驱动的电力系统静态安全运行风险在线评估方法
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Shen et al. Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network
Yu et al. Prediction of highway tunnel pavement performance based on digital twin and multiple time series stacking
Pandit et al. Data‐driven weather forecasting models performance comparison for improving offshore wind turbine availability and maintenance
Liu et al. Photovoltaic generation power prediction research based on high quality context ontology and gated recurrent neural network
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN110210670A (zh) 一种基于电力系统短期负荷的预测方法
Liang et al. Multi-running state health assessment of wind turbines drive system based on BiLSTM and GMM
CN113449847B (zh) 考虑秒级时间序列风速变化的海上风电功率滚动预测方法
Wu et al. A two-stage power system frequency security multi-level early warning model with DS evidence theory as a combination strategy
Cao et al. A hybrid feature selection-multidimensional LSTM framework for deformation prediction of super high arch dams
Alharbi et al. Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
Zhichao et al. Short-term load forecasting of multi-layer LSTM neural network considering temperature fuzzification
Shen et al. An interval analysis scheme based on empirical error and mcmc to quantify uncertainty of wind speed
Xiahou et al. Bayesian Dual-Input-Channel LSTM-Based Prognostics: Toward Uncertainty Quantification Under Varying Future Operations
Su et al. Combined-LSTM based user electricity consumption prediction in a smart grid system
Liu et al. Line loss prediction method of distribution network based on long short-term memory
Wu et al. A Dynamic Combination Model Based Load Forecasting Framework
Xu et al. A Novel FRBF‐Type Model for Nonlinear Time Series Prediction
CN116452070B (zh) 多辨识框架下的大型设备健康评估方法和装置
Sheng et al. Precise Prediction Method of Residential Load Characteristics Based on ARIMA-BPNN Combination Model

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
GR01 Patent grant
GR01 Patent grant