CN116245033B - 人工智能驱动的电力系统分析方法及智能软件平台 - Google Patents
人工智能驱动的电力系统分析方法及智能软件平台 Download PDFInfo
- Publication number
- CN116245033B CN116245033B CN202310533821.0A CN202310533821A CN116245033B CN 116245033 B CN116245033 B CN 116245033B CN 202310533821 A CN202310533821 A CN 202310533821A CN 116245033 B CN116245033 B CN 116245033B
- Authority
- CN
- China
- Prior art keywords
- data
- power system
- model
- neural network
- sub
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 298
- 230000001052 transient effect Effects 0.000 claims abstract description 125
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000007499 fusion processing Methods 0.000 claims abstract description 65
- 238000004088 simulation Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 127
- 238000013473 artificial intelligence Methods 0.000 claims description 52
- 238000005259 measurement Methods 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 45
- 238000013499 data model Methods 0.000 claims description 45
- 238000012502 risk assessment Methods 0.000 claims description 45
- 238000013527 convolutional neural network Methods 0.000 claims description 44
- 230000003068 static effect Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000010355 oscillation Effects 0.000 claims description 9
- 238000000547 structure data Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 21
- 238000004590 computer program Methods 0.000 description 18
- 239000000523 sample Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 239000002131 composite material Substances 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001687 destabilization Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种人工智能驱动的电力系统分析方法及智能软件平台。所述平台包括:多源数据融合模块、模型训练模块以及电力系统分析模块,多源数据融合模块用于对获取的电网数据进行融合处理,模型训练模块用于对融合处理后的电网数据进行多场景仿真,基于仿真得到的暂态样本和稳态样本训练电力系统人工智能模型,电力系统分析模块用于调用已训练的电力系统人工智能模对接收到的融合处理后的电网数据进行暂稳态分析,得到分析结果。所述方法包括:人工智能驱动的电力系统分析方法及框架,包括调用已训练的电力系统分析人工智能模型对融合处理后的电网数据进行暂态分析和稳态分析,得到分析结果。采用上述方案能够得到更为准确的电力分析结果。
Description
技术领域
本申请涉及人工智能及电力电网技术领域,特别是涉及一种人工智能驱动的电力系统分析方法、装置、计算机设备、存储介质和计算机程序产品,以及一种智能软件平台。
背景技术
目前,传统的电力系统中,系统的设计、运行和分析均建立在经典机电理论和数学模型基础上,动作时间常数大,系统稳定措施主要计及发电机组固有的转动惯量,控制保护体系建立在相对“慢速”的系统机电特性上。
随着新型电力系统的不断发展,一方面,电网的规模越来越大,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,并接近稳定运行边界,增加了安全运行分析的难度。另一方面,大量的测量手段和多时空时间尺度数据的积累,对电力系统的运行分析和评估带来新的挑战,导致电力系统的分析结果不够准确。
由此可见,传统的基于“模型驱动型”的电力系统已难以满足新型电力系统的复杂多变的安全运行要求。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高电力系统分析结果的准确度的人工智能驱动的电力系统分析方法、装置、计算机设备、存储介质和计算机程序产品,以及一种智能软件平台。
第一方面,本申请提供了一种智能软件平台。所述平台包括:多源数据融合模块、模型训练模块以及电力系统分析模块:
多源数据融合模块用于获取电网数据,根据预设的多源数据统一数据模型对电网数据进行融合处理,将融合处理后的电网数据发送给模型训练模块和电力系统分析模块;
模型训练模块用于对融合处理后的电网数据进行多场景仿真,得到暂态样本和稳态样本,并基于暂态样本和稳态样本训练电力系统分析人工智能模型,将已训练的电力系统分析人工智能模型传递给电力系统分析模块;
电力系统分析模块用于调用已训练的电力系统分析人工智能模型对接收到的融合处理后的电网数据进行暂态分析和稳态分析,得到暂态分析结果和稳态分析结果;
其中,多源数据统一数据模型包括基于电力知识图谱的统一数据模型。
在其中一个实施例中,电网数据包括量测数据,电力系统分析人工智能模型包括基于卷积神经网络的电力系统拓扑辨识子模型;
电力系统分析模块还用于采用数据驱动方法和线性回归方法对量测数据进行初始拓扑辨识,得到初始拓扑辨识参数,并对初始拓扑辨识参数进行降噪处理,调用已训练的基于卷积神经网络的电力系统拓扑辨识子模型对量测数据进行拓扑辨识,得到拓扑变化图;
其中,基于卷积神经网络的电力系统拓扑辨识子模型基于电网拓扑辨识训练集训练得到.
在其中一个实施例中,电网拓扑辨识训练集基于以下方式得到:
采用数据驱动方法和线性回归方法对历史拓扑结构数据和历史线路参数进行初始拓扑辨识,得到历史初始拓扑辨识参数;
对历史初始拓扑辨识参数进行降噪处理,得到降噪处理后的历史初始拓扑辨识参数;
通过卷积神经网络对历史量测数据进行特征筛选,将筛选出的特征类别与降噪处理后的历史初始拓扑辨识参数进行映射,得到电网拓扑辨识训练集。
在其中一个实施例中,电网数据包括量测数据,电力系统分析人工智能模型包括基于神经网络的电力系统状态估计子模型;
电力系统分析模块还用于调用已训练的基于神经网络的电力系统状态估计子模型对量测数据进行状态估计,得到初始状态估计数据,将初始状态估计数据输入至预设的状态估计器,得到实时状态估计数据;
其中,基于神经网络的电力系统状态估计子模型基于历史量测数据和历史状态估计数据训练得到。
在其中一个实施例中,电网数据包括节点参数,电力系统分析人工智能模型包括基于深度神经网络的电力系统潮流计算子模型;
电力系统分析模块还用于调用已训练的基于深度神经网络的电力系统潮流计算子模型对节点参数进行潮流计算,得到电力系统潮流数据;
其中,基于深度神经网络的电力系统潮流计算子模型基于历史潮流量测数据或节点仿真参数训练得到。
在其中一个实施例中,电网数据包括扰动数据和故障数据,电力系统分析人工智能模型包括基于深度神经网络的扰动识别子模型和基于神经网络的短路故障类型识别子模型;
电力系统分析模块还用于提取扰动数据的扰动特征,调用已训练的基于深度神经网络的扰动识别子模型对扰动数据进行扰动类型识别,得到扰动类型识别结果;
电力系统分析模块还用于提取故障数据的故障特征,调用已训练的基于神经网络的短路故障类型识别子模型对故障特征进行短路故障类型识别,得到短路故障类型识别结果;
其中,基于深度神经网络的扰动识别子模型基于历史扰动特征数据集训练得到,基于神经网络的短路故障类型识别子模型基于由故障仿真模型生成的历史故障数据训练得到,故障特征包括电压跌落程度、电压小波能量、电压模极大值、电流能量、零序电流分量以及电流余弦相似度中的至少一种。
在其中一个实施例中,电网数据包括实时运行数据、历史运行数据以及预测数据,电力系统分析人工智能模型包括基于深度神经网络的电力系统运行状态预测子模型和基于深度神经网络的电力系统静态运行风险评估子模型;
电力系统分析模块还用于对历史运行数据、实时运行数据和预测数据进行预处理,调用已训练的基于深度神经网络的电力系统运行状态预测子模型对预处理后的历史运行数据、实时运行数据和预测数据进行运行状态预测处理,得到运行状态预测数据;
电力系统分析模块还用于调用已训练的基于深度神经网络的电力系统静态运行风险评估子模型对运行状态预测数据进行风险评估,得到风险评估结果;
其中,基于深度神经网络的电力系统运行状态预测子模型基于电力系统历史运行状态数据和历史预测数据训练得到,基于深度神经网络的电力系统静态运行风险评估子模型基于运行状态预测数据训练得到。
在其中一个实施例中,电网数据包括PMU量测数据和新能源数据,电力系统分析人工智能模型包括基于深度神经网络的暂态稳定风险预警子模型和基于神经网络的暂态稳定风险预警子模型;
电力系统分析模块还用于当检测到系统出现故障时,获取最新的PMU(PhasorMeasurement Unit,电力系统同步相量测量装置)量测数据,调用已训练的基于深度神经网络的暂态稳定风险预警子模型提取PMU量测数据中的暂态特征,基于暂态特征进行暂态稳定性预估,得到暂态稳定性评估结果;
电力系统分析模块还用于调用已训练的新能源出力动态预测子模型对新能源数据进行出力预测,得到新能源出力预测结果,并基于新能源出力预测结果和预设的动态事件定义数据进行动态事件风险评估,得到动态事件风险评估结果;
其中,基于深度神经网络的暂态稳定风险预警子模型基于历史仿真稳态样本数据、历史仿真失稳样本数据以及历史故障数据训练得到,新能源出力动态预测子模型基于历史新能源数据以及历史动态事件数据训练得到。
在其中一个实施例中,电网数据包括不同故障场景下的故障仿真数据,电力系统分析人工智能模型包括基于卷积神经网络的薄弱环节识别子模型;
电力系统分析模块还用于调用已训练的基于卷积神经网络的薄弱环节识别子模型提取故障仿真数据的故障特征,对故障特征进行暂态失稳判别以及薄弱环节识别,得到系统暂态失稳判别结果和振荡中心所在支路;
其中,基于卷积神经网络的薄弱环节识别子模型基于历史故障数据训练得到。
第二方面,本申请还提供了一种人工智能驱动的电力系统分析方法。所述方法包括:
获取电网数据;
根据预设的多源数据统一数据模型对电网数据进行融合处理,得到融合处理后的电网数据;
调用已训练的电力系统分析人工智能模型对融合处理后的电网数据进行暂态分析和稳态分析,得到暂态分析结果和稳态分析结果;
其中,多源数据统一数据模型包括基于电力知识图谱的统一数据模型,电力系统分析人工智能模型由电网仿真数据训练得到,电网仿真数据由对融合处理后的电网数据进行多场景仿真得到。
第三方面,本申请还提供了一种人工智能驱动的电力系统分析装置。所述装置包括:
数据获取模块,用于获取电网数据;
数据融合处理模块,用于根据预设的多源数据统一数据模型对电网数据进行融合处理,得到融合处理后的电网数据;
数据分析模块,用于调用已训练的电力系统分析人工智能模型对融合处理后的电网数据进行暂态分析和稳态分析,得到暂态分析结果和稳态分析结果;
其中,多源数据统一数据模型包括基于电力知识图谱的统一数据模型,电力系统分析人工智能模型由电网仿真数据训练得到,电网仿真数据由对融合处理后的电网数据进行多场景仿真得到。
述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述人工智能驱动的电力系统分析方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述人工智能驱动的电力系统分析方法中的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述人工智能驱动的电力系统分析方法中的步骤。
上述人工智能驱动的电力系统分析方法、装置、计算机设备、存储介质和计算机程序产品,以及智能软件平台,摒弃了传统的基于“模型驱动”的电力系统,以先进的人工智能为驱动,提出了智能的电力分析方案,首先,通过预设的基于电力知识图谱的统一数据模型对获取的电网数据进行融合处理,能够将多源异构的电网数据描述为统一形式的数据,便于后续的电力系统分析;其次,对融合处理后的电网数据进行多场景仿真,能够得到多种运行环境下的暂稳态样本,再基于多样化的暂稳态样本在线训练电力系统分析人工智能模型,能够提高电力系统分析人工智能模型的准确性;最后,通过调用已训练的电力系统分析人工智能模型对融合处理后的电网数据进行暂态分析和稳态分析,能够满足复杂多样运行环境下的暂态分析和稳态分析,得到更为准确的电力系统分析结果。
附图说明
图1为一个实施例中智能软件平台的模块框图;
图2为一个实施例中智能软件平台的架构图;
图3为一个实施例中训练基于人工智能的稳态分析算法模型的过程示意图;
图4为一个实施例中训练基于人工智能的暂态分析算法模型的过程示意图;
图5为一个实施例中人工智能驱动的电力系统分析方法的应用环境图;
图6为一个实施例中人工智能驱动的电力系统分析方法的流程示意图;
图7为一个实施例中人工智能驱动的电力系统分析装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
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。
如图1所示,本申请提供了一种智能软件平台,该平台包括:多源数据融合模块100、模型训练模块200以及电力系统分析模块300,其中:
多源数据融合模块100用于获取电网数据,根据预设的多源数据统一数据模型对电网数据进行融合处理,将融合处理后的电网数据发送给模型训练模块和电力系统分析模块,其中,多源数据统一数据模型包括基于电力知识图谱的统一数据模型。
模型训练模块200用于对融合处理后的电网数据进行多场景仿真,得到暂态样本和稳态样本,并基于暂态样本和稳态样本训练电力系统分析人工智能模型,将已训练的电力系统分析人工智能模型传递给电力系统分析模块。
电力系统分析模块300用于调用已训练的电力系统分析人工智能模型对接收到的融合处理后的电网数据进行暂态分析和稳态分析,得到暂态分析结果和稳态分析结果。
具体地,电网数据包括实时运行数据、历史运行数据、预测数据以及系统参数信息。其中,实时运行数据包括SCADA(Supervisory Control And Data Acquisition,数据采集与监控控制系统)采集的数据、Edata数据、CIM( CommonInformation Model,公共信息模型)模型、PMU采集的量测数据(以下简称PMU量测数据)以及故障录波数据等。历史运行数据包括潮流分布数据、拓扑结构数据以及故障数据等。预测数据包括发电预测数据、负荷预测数据、发电计划数据等。系统参数信息包括发电机参数、线路参数以及节点参数等。
本实施例中,智能软件平台与电网进行通信。多源数据融合模块100部署有数据采集服务和多源数据统一模型。数据采集服务用于采集电网侧的电网数据,并对采集到的电网数据进行融合处理。其中,多源数据统一数据模型可以是基于电力知识图谱的统一数据模型。关于多源数据统一数据模型建模规范-逻辑部分的设计,多源数据统一数据模型由逻辑模型和物理模型构成。具体地,采用面向对象方式描述逻辑模型,逻辑模型包括电力系统资源、设备信息、量测信息以及拓扑连接,以电力系统资源对象为核心的电网资源包负责对电网的逻辑设备进行描述,设备包用于对电网中资产设备及同逻辑设备的关系进行描述,拓扑连接用于定义如何连接电网各设备,通过导电设备-终端-连接点的关联关系来描述,量测信息用于对主配网一次设备和二次设备的量测数据实现对设备状态的描述。面对可能大规模接入的分布式新能源设备,对CIM模型进行新能源设备扩展。以分布式光伏设备为例,设计新能源设备父类包括光伏组件、逆变器、储能设备等子类,类属性包括设备基础信息、电气参数、运行数据等信息,其类属性和关系设计遵循CIM标准。物理模型的数据库即用于模型数据存储的设计,采用Neo4j图数据库技术实现物理模型以实体、属性及关系为依据实际的映射转化,将面向对象的模式体现出来。
然后,设计统一数据模型建模文档,梳理出构建电力知识图谱所需的本体模型,本体模型包括定义实体类别,实体对象所包含属性,实体间的关系等信息。知识图谱本体模型确定了实体对象类型为电网各个设备对象类,其实体间关系也遵循类关联图中的关联逻辑。结合规则文档中各设备类属性描述规范,构建电力知识图谱的关键要素:实体、关系以及属性。
关于多源数据统一数据模型规范下的多源数据处理,可利用目标电网数据进行多源数据统一数据模型的构建,以公共信息模型CIM标准为逻辑模型建模规范,设计包括电力系统资源、设备、拓扑和量测信息的文档将异构数据以统一形式描述为实体类、属性以及类间关系。知识图谱的构建数据基础则是以上述的实体类、属性及关联关系为依据,实现将各系统下XML(EXtensible Markup Language,可扩展的标记语言)格式或者E格式文档数据的批量地转化并形成统一形式的结构化数据表格进行存储。本实施例中,通过构建电力知识图谱,将基于CIM的统一数据模型进行了可视化展示,明确的实体关系也便于对整个目标电网的设备进行管理。同时,实体中涵盖的来自多源数据的属性描述也为后续多源异构数据虚拟化层中的数据探针功能提供元信息的索引。
具体实施时,如图2所示,可以是多源数据融合模块100通过数据采集服务从各数据源获取电网数据,并调用多源数据融合处理接口,以根据预设的多源数据统一数据模型对采集的电网数据进行融合处理,将电网数据转化为统一形式的结构化数据,得到融合处理的电网数据。然后,一方面,将融合处理的电网数据发送给模型训练模块200,另一方面,将融合处理的电网数据发送给电力系统分析模块300。
其中,模型训练模块200部署有电力系统仿真环境,构建有电网仿真模型。本实施例中,提供有两种人工智能驱动的电力系统分析模型。一种是不依赖物理模型的、纯数据驱动的稳态分析算法模型,由于电力系统中的稳态样本足够多,可以充分挖掘电网历史数据和实时数据与目标结果的内在关系,利用人工智能搭建输入与输出之间的关系,构建初始的基于人工智能驱动的稳态分析算法模型,通过历史稳态运行样本和实时稳态样本训练该模型,得到成熟的稳态分析模型,用于电力系统的稳态分析,具体框架实现可如图3所示。另一种是依赖物理模型的暂态分析算法模型,因为电力系统的暂态样本较少,无法利用电网历史数据和实时数据挖掘与目标结果的内在关系,因此需要借助电网仿真,生成大量的暂态样本用于训练基于人工智能的暂态分析算法模型,利用人工智能搭建输入与输出之间的关系,具体框架实现可如图4所示。
因此,可以是当接收到融合处理后的电网数据后,筛选出其中足够多的满足训练样本数量要求的稳态样本,然后,对融合处理后的电网数据进行多场景仿真,通过模拟多类暂态场景,得到海量的暂态样本,然后,将海量的暂态样本和稳态样本发送给人工智能模型训练框架,训练电力系统分析人工智能模型(包括多个电力系统暂态分析模型和电力分析稳态分析模型),再将已训练的电力系统分析人工智能模型以plk文件的形式传递给电力系统分析模块300。
电力系统分析模块300属于模型的在线应用模块,其中,电力系统分析人工智能模型包括有多个功能不同的电力系统分析子模型。电力系统分析模块300在接收到融合处理后的电网数据后,可以是调用相应的电力系统分析子模型对融合处理后的电网数据进行在线的暂态分析和稳态分析,得到相应的分析结果。具体地,稳态分析可包括电力系统正常运行状态的分析和计算、有功功率-频率、无功功率-电压的控制和调整。其中,正常运行状态分析和计算包括电力系统输电线路的潮流计算、潮流调控、电力系统中的电能损耗计算及复杂电力系统的潮流计算等。有功功率和频率调整主要包括有功负荷的变动规律、电力系统有功功率电源备用及电力系统的频率调整,包括一次调频、二次调频与三次调频。无功功率平衡-电压的控制和调整,电力系统中的无功电源主要有发电机、同步调相机、电力电容器、静止无功补偿器和静止无功发生器。暂态分析包括三类一波过程分析、电磁暂态过程分析和机电暂态过程分析。具体可包括短路故障识别、扰动识别以及稳定性判别等。
进一步的,电力系统分析模块还可根据暂态分析结果和稳态分析结果,调整系统运行参数,以使得电力系统的运行更加稳定和安全。
上述智能软件平台,摒弃了传统的基于“模型驱动”的电力系统平台,以先进的人工智能为驱动,提出了智能的电力分析方案,摒弃了传统的基于“模型驱动”的电力系统分析方法,以先进的人工智能为驱动,提出了智能的电力分析方法,首先,通过预设的基于电力知识图谱的统一数据模型对获取的电网数据进行融合处理,能够快速将多源异构的电网数据描述为统一形式的数据,便于后续的电力系统分析;其次,对融合处理后的电网数据进行仿真,能够得到丰富的多种运行环境下的暂稳态样本,再基于多样化的暂稳态样本在线训练电力系统分析人工智能模型,能够提高电力系统分析人工智能模型的准确性;最后,调用已训练的电力系统分析人工智能模型对融合处理后的电网数据进行暂态分析和稳态分析,能够满足复杂多样运行环境下的暂态分析和稳态分析,得到更为准确的电力系统分析结果。进一步的,能够根据电力分析结果准确控制或调节电力系统的运行参数,以使得电力系统趋于安全运行。
在另一个实施例中,智能软件平台还包括模型运行监测模块和模型管理模块,模型运行监测模块用于监测电力系统分析人工智能模型的运行情况,检测异常数据和异常行为;模型管理模块用于管控电力系统分析人工智能模型的运行情况。
具体地,模型运行监测模块具体可追踪模型特征、模型预测的分布以及模型的执行情况,主要用于发现数据问题和异常行为,如外部端口数据缺失、策略漏洞。模型管理模块主要用于管理电力系统分析人工智能模型相关的规则、协议和控制。例如数据存储、访问控制、测试、验证和模型结果追踪,其中,在模型结果追踪过程中,可检测和纠正偏差。
在另一个实施例中,智能软件平台还包括计算结果数据转发模块,用于将稳态分析结果和暂态分析结果下发至本地的电网侧即电网后台。
在另一个实施例中,智能软件平台还包括分析结果展示模块和历史数据查询模块,其中,分析结果展示模块用于显示或推送暂态分析结果和稳态分析结果,历史数据查询模块用于支持系统历史数据的查询。
在另一个实施例中,智能软件平台还包括系统日志管理模块、用户账户和角色管理模块以及系统运行参数设置模块。
在其中一个实施例中,实时运行数据包括量测数据,电力系统分析人工智能模型包括基于卷积神经网络的电力系统拓扑辨识子模型;
电力系统分析模块还用于采用数据驱动方法和线性回归方法对量测数据进行初始拓扑辨识,得到初始拓扑辨识参数,并对初始拓扑辨识参数进行降噪处理,调用已训练的基于卷积神经网络的电力系统拓扑辨识子模型对量测数据进行拓扑辨识,得到拓扑变化图,其中,基于卷积神经网络的电力系统拓扑辨识子模型基于电网拓扑辨识训练集训练得到,电网拓扑辨识训练集基于以下方式得到:
采用数据驱动方法和线性回归方法对历史拓扑结构数据和历史线路参数进行初始拓扑辨识,得到历史初始拓扑辨识参数,并对初始拓扑辨识参数进行降噪处理,通过卷积神经网络对历史量测数据进行特征筛选,将筛选出的特征类别与降噪处理后的初始拓扑辨识参数进行映射,得到电网拓扑辨识训练集。
本实施例中,提出基于卷积神经网络的电力系统动态递进拓扑辨识框架,具体地,可以是首先利用数据驱动和线性回归方法对历史拓扑结构数据和历史线路参数进行初步估计,先利用量测数据中的电网各节点的有功、无功和电压幅值数据,求取潮流方程的电导矩阵和电纳矩阵。然后通过线性回归方法,通过对电导矩阵和电纳矩阵进行回归。然后分别对回归后的电导矩阵和回归后的电纳矩阵进行降噪处理,得到历史初始拓扑辨识参数,并对历史初始辨识参数进行降噪处理,得到降噪处理的历史初始拓扑辨识参数后,可设计卷积神经网络对电网拓扑进行精确辨识,具体地,可基于卷积神经网络对量测数据进行特征筛选,将筛选出的特征类别与相应的初辨识拓扑结构一一对应,构建电网拓扑辨识训练集,然后,基于电网拓扑辨识训练集对卷积神经网络进行离线训练,得到训练后的基于卷积神经网络的电力系统拓扑辨识子模型。
本实施例中,卷积神经网络的输入层神经元个数设置为输入特征个数,输出层神经元个数设置为拓扑结构类别个数,在输入层之后增加1层注意力层,通过该隐藏层将计算资源按照每个特征类别重要度进行分配。考虑到一维卷积神经网络应用主要功能是多分类,因此选用tanh函数作为卷积神经网络隐藏层的激活函数。池化层选用最大池化函数,同时考虑到网络结构中各节点对于拓扑辨识的重要性存在差异,因此在卷积层充分挖掘特征生成feature map后,利用随机森林算法根据其特征对拓扑辨识任务的重要性赋予权重,以提高模型辨识准确率和鲁棒性。输出层结果通过归一化指数函数Softmax输出,其输出为属于拓扑数据库中每种拓扑结构的概率,且所有类型的拓扑结构的概率之和为1,因此卷积神经网络的输出是一个n维向量,向量中第i个元素代表该样本属于第i类拓扑的概率。损失函数选用categorical_crossentropy 函数。
具体实施时,可以是获取融合处理后的量测数据后,采用数据驱动方法和线性回归方法对量测数据进行初始拓扑辨识,利用量测数据中的电网各节点的有功、无功和电压幅值数据,求取潮流方程的电导矩阵和电纳矩阵。然后通过线性回归方法,通过对电导矩阵和电纳矩阵进行回归。然后分别对回归后的电导矩阵和回归后的电纳矩阵进行降噪处理,得到初始拓扑辨识参数。然后,调用已训练的基于卷积神经网络的电力系统拓扑辨识子模型对量测数据进行动态的拓扑辨识,以电导参数、电纳参数表征拓扑结构,动态输出正确的拓扑变化图。本实施例中,通过初步拓扑辨识和精细化的动态拓扑辨识,能够实现电网拓扑结果的精准的全自动辨识。
在其中一个实施例中,实时运行数据包括量测数据,电力系统分析人工智能模型包括基于神经网络的电力系统状态估计子模型;
电力系统分析模块300还用于调用已训练的基于神经网络的电力系统状态估计子模型对量测数据进行状态估计,得到初始状态估计数据,将初始状态估计数据输入至预设的状态估计器,得到实时状态估计数据,其中,基于神经网络的电力系统状态估计子模型基于历史量测数据和历史状态估计数据训练得到。
状态估计数据包括电压幅值、电压相角等数据。本实施例中,提供了一种基于神经网络的电力系统在线高效状态估计方案,可以是先对历史量测数据(支路有功潮流、支路无功潮流、母线有功注入、母线无功注入以及母线电压幅值)和历史状态估计数据(母线电压相角和母线电压幅值)训练一个浅神经网络,学习从量测数据如功率、电压幅值到真实状态量如电压幅值和相角的映射关系,将可用的测量结果映射到真实值潜在状态附近的一个点,另外,可以重复使用历史量测数据和历史状态估计数据进行离线操作,利用学习映射功能,将网络状态和测量值分别作为输入、输出进行训练,得到基于神经网络的电力系统状态估计子模型。
具体实施时,可以是将量测数据输入至已训练的基于神经网络的电力系统状态估计子模型中,得到初始状态估计数据即状态量初始值,然后,将初始状态估计数据作为初始值输入至预设的状态估计器,用于状态估计器中的迭代,初始状态估计数据可经高斯迭代实现实时状态估计的输出,得到实时状态估计数据如母线电压相角和母线电压幅值。其中,状态估计器包含非线性、非凸函数,需迭代求解,其受初始值影响较大。本实施例中,通过基于神经网络的电力系统状态估计子模型得到初始状态估计数据,大大降低了计算复杂度,并且将初始状态估计数据作为状态估计器的初始值能够有效提高状态估计器的收敛性,减少迭代次数,从而提高电网状态估计的效率。
在其中一个实施例中,系统参数信息包括节点参数,电力系统分析人工智能模型包括基于深度神经网络的电力系统潮流计算子模型;
电力系统分析模块300还用于调用已训练的基于深度神经网络的电力系统潮流计算子模型对节点参数进行潮流计算,得到电力系统潮流数据,其中,基于深度神经网络的电力系统潮流计算子模型基于历史潮流量测数据或节点仿真参数训练得到。
本实施例中,提供了一种基于人工智能驱动的电力系统潮流计算方案,潮流计算包括不依赖物理模型的电力系统潮流计算以及基于图理论的模型-数据驱动法计算。基于深度神经网络的电力系统潮流计算子模型包括电力系统非线性潮流计算子模型或电力系统线性潮流计算子模型(以下简称线性潮流模型)以及基于模型-数据驱动的新型电力系统潮流模型。其中,不依赖物理的电力系统潮流计算过程可以是基于大量的历史运行量测数据或者仿真数据如节点有功和无功功率和节点电压,构建电力系统非线性潮流计算子模型,实现节点的有功功率/无功功率到节点电压值的映射。依赖物理模型的电力系统潮流计算方法考虑在未知电力系统网络及线路参数信息的情况下,仅依据各电力系统节点的负荷信息,计算得到电力系统节点电压结果及潮流数据。其算法模型可如下所示:
其中,h表示基于深度神经网络拟合的电力系统非线性潮流计算子模型。
基于图理论的模型-数据驱动法计算电力系统潮流的过程可以是:获取系统拓扑数据和系统参数信息构建电网模型,获取电网潮流量测数据或仿真数据如节点有功和无功功率和节点电压,建立电力系统线性潮流计算子模型,得到有功功率/无功功率到节点电压估算值的映射,建立深度神经网络,根据电压估算值和实际电压值训练神经网络参数,得到基于模型-数据驱动的新型电力系统潮流模型。
具体地,可以是:首先获取电力系统的线路潮流计算所需的数据与信息,根据电力系统的数据与信息,考虑发电机出力、负荷以及配电系统拓扑变化的不确定性,生成海量的电力系统运行场景,将这些电力系统运行场景划分为训练集、验证集和测试集。之后,构建包含线性潮流模型与深度神经网络的电力系统复合模型,利用训练集对电力系统复合模型进行训练,使用线性潮流模型计算电力系统的线性潮流,将线性潮流与电力系统的实际潮流相比较,获得线性潮流与实际潮流的潮流差值。再将线性潮流输入深度神经网络,利用深度神经网络拟合线性潮流与潮流差值,获得非线性误差,对电力系统复合模型进行重复训练,直至非线性误差趋于稳定,获得训练好的电力系统复合模型。最后,将测试集输入电力系统复合模型,线性潮流模型输出电力系统的线性潮流,深度神经网络输出非线性误差,根据电力系统的线性潮流和非线性误差,获得电力系统的线路潮流。本实施例中,通过提供多种电力系统潮流计算方式,适应性及可选择性更强,能够应对复杂多变的运行环境的潮流计算。
在其中一个实施例中,实时运行数据包括扰动数据和故障数据,电力系统分析人工智能模型包括基于深度神经网络的扰动识别子模型和基于神经网络的短路故障类型识别子模型;
电力系统分析模块300还用于提取扰动数据的扰动特征,调用已训练的基于深度神经网络的扰动识别子模型对扰动数据进行扰动类型识别,得到扰动类型识别结果。
电力系统分析模块300还用于提取故障数据的故障特征,调用已训练的基于神经网络的短路故障类型识别子模型对故障特征进行短路故障类型识别,得到短路故障类型识别结果,其中,基于深度神经网络的扰动识别子模型基于历史扰动特征数据集训练得到,基于神经网络的短路故障类型识别子模型基于由故障仿真模型生成的历史故障数据训练得到,故障特征包括电压跌落程度、电压小波能量、电压模极大值、电流能量、零序电流分量以及电流余弦相似度。
本实施例中,提供了一种基于人工智能驱动的电力系统异常事件识别方案,具体包括扰动识别和短路故障类型识别。其中,扰动数据可以是通过对电力系统进行暂态仿真获取各种类型的扰动数据,扰动数据包括发生扰动时各母线三序电压波形数据,包括各类型的已知扰动和各类型的未知扰动。具体地,基于深度神经网络的扰动识别子模型可以是对历史扰动数据进行数据预处理和特征提取,获得扰动信号的鲁棒性特征,并对降维得到的数据进行融合和归集,得到扰动特征数据集。然后,基于该扰动特征数据集对基于深度神经网络的扰动识别模型进行模型搭建和训练,得到基于深度神经网络的扰动识别子模型。考虑到在实际应用时,基于深度神经网络的扰动识别子模型的训练集不可能覆盖到所有的扰动情形,随着高比例可再生能源的逐渐渗透,会产生新的未知的扰动类型,为了避免将未覆盖到的扰动类型误判为已知的扰动类型,本实施例中,可构建基于特征相似度的未知扰动识别方法,综合输出考虑未知扰动的扰动识别结果。
具体地,可在基于深度神经网络的扰动识别子模型的离线训练阶段,基于正序、负序、零序的扰动特征数据的训练集,分别构造特征相似度阈值向量。在实际在线执行扰动识别任务时,对于一次待判定类别的扰动,将该扰动发生时的正、负、零序时间序列数据进行预处理和特征提取得到三序扰动特征数据,输入到深度神经网络中,得到扰动预分类结果,然后在启发式判断层中进行基于特征相似度对未知扰动的扰动识别。
本实施例中,关于基于神经网络的短路故障类型识别子模型的训练可以是分析新能源控制特性影响下电网故障特征的变化情况,在电力系统电磁暂态仿真软件中搭建新能源仿真模型,新能源仿真模型搭建完毕后,通过设置不同的故障条件,如故障位置、故障时刻、故障距离、故障类型等,以及光照强度、风速等环境因素,大批量生成故障数据,共计生成10000份左右的仿真样本,保存故障发生前一周波至后两周波的三相电压、电流及零序分量,提取其中的电压跌落程度(通过二阶矩阵计算得到)、电压小波能量、电压模极大值、零序电流分量、电流能量以及电流余弦相似度构造故障分类指标,最终,每个输入样本为22维特征向量。其中,电压跌落程度:由于电力电子变流器的存在,不同故障类型的电流特征差异不明显,因此采用电压跌落程度以反映故障后系统拓扑的变化,电压跌落程度与电流能量都是通过二阶矩计算得来。小波能量:新型电力系统包含较多的电力电子器件以及不同的控制策略,发生故障后比起传统电网更容易产生高频谐波分量,因此对三相电压进行小波变换,这里采用经典的db小波4层分解,计算d1、d2小波系数来描述故障电压的复杂高频成分。电压模极大值:描述电压的突变情况。电流能量:主要针对非全功率变流器以及无正负序双控制的全功率变流器而选取的故障特征,虽然电源的弱馈特性导致三相电流差异较小,但在实际情况三相电流并不会完全相等,故障相往往伴随直流分量偏移,且正负序分量仍对三相电流具有一定的影响,因此电流能量可作为故障选相的依据。零序电流分量:用于区分短路故障是否接地。余弦相似度:用于描绘电流的畸变情况。
接着,根据输电线路的十种典型故障类型:A相接地、B相接地、C相接地、AB两相短路接地、AC两相短路接地、BC两相短路接地、ABC三相短路接地、AB两相短路、AC两相短路以及BC两相短路,进行独热编码生成标签,每个标签的形式均为1×10的数组,数组上的每一位分别表示前述十种典型短路故障的其中一种类型,设置出现故障时数组上对应的位置设为1,否则设为0,最后输出阶段进行argmax操作,将概率最大的类型作为最终所判别的故障类型。
具体地,本实施例中,基于神经网络的短路故障类型识别子模型的结构为4层全连接层,各全连接层的神经元数分别为22、64、32、10,激活函数采用sigmoid,学习率为0.005,训练轮次epoch=100。全连接神经网络的训练采用反向传播算法。神经网络的目标函数一般为输出值与标签的误差,反向传播算法逐层计算目标函数对各神经元的偏导数,形成梯度,并根据此梯度逐步修改各神经元的权重值,直到输出与标签误差不大或训练周期完成。某一连接权重的梯度计算公式为:
其中,ωlm为连接第j层神经元m与第j+1层神经元l的权重,net表示各隐藏层的输出。
梯度计算完毕后,根据学习率更新权重:
其中,η为学习率,表示权重梯度下降的速率,通常取0.0001~0.1之间,这里选取η=0.01,并采用Adam优化器,能够在训练过程中自动调整学习率。本实施例中,通过分别调用基于深度神经网络的扰动识别子模型和基于神经网络的短路故障类型识别子模型,能够实现高效且准确的扰动类型识别和短路故障类型识别。
在其中一个实施例中,电力系统分析人工智能模型包括基于深度神经网络的电力系统运行状态预测子模型和基于深度神经网络的电力系统静态运行风险评估子模型;
电力系统分析模块300还用于对历史运行数据、实时运行数据和预测数据进行预处理,调用已训练的基于深度神经网络的电力系统运行状态预测子模型对预处理后的历史运行数据、实时运行数据和预测数据进行运行状态预测处理,得到运行状态预测数据。
电力系统分析模块300还用于调用已训练的基于深度神经网络的电力系统静态运行风险评估子模型对运行状态预测数据进行风险评估,得到风险评估结果,其中,基于深度神经网络的电力系统运行状态预测子模型基于电力系统历史运行状态数据和历史预测数据训练得到,基于深度神经网络的电力系统静态运行风险评估子模型基于运行状态预测数据训练得到。
本实施例中,提出了基于深度学习的电力系统运行状态预测及静态安全稳定分析方案,包含电力系统多源数据处理、机理分析及输入数据处理、运行状态预测神经网络模型、风险评估指标体系构建、以及风险评估五个环节。其中,电力系统多源数据处理即调用多源数据处理接口,根据预设的多源数据统一数据模型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,并为电力系统风险评估提供支持;机理分析及输入数据处理环节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拓扑结构预测模型对输入数据进行预处理,为后续神经网络模型构建提供前置输入;电力系统运行状态预测环节通过构建混合基于深度神经网络的电力系统运行状态预测子模型综合处理历史运行数据、实时运行数据及预测数据,准确预测电力系统未来的运行状态;风险评估指标体系环节通过构建综合评估指标体系,利用电力系统的运行状态预测数据为输入,调用基于深度神经网络的电力系统静态运行风险评估子模型对电力系统静态安全运行状态进行风险评估。其中,历史运行数据包括发电机有功数据、发电机无功数据、负荷有功数据、负荷无功数据、电网拓扑结构数据、节点电压、变压器负载率、线路负载率以及历史天气信息。当前运行数据包括发电机有功计划值、发电机无功计划值、负荷有功数据、负荷无功数据以及电网拓扑结构数据。预测数据包括新能源机组出力、负荷预测数据、设备故障率以及天气信息等。
具体实施时,可以是对接收到的融合处理的电网数据进行数据预处理,然后,以预处理后的历史运行数据、实时运行数据以及预测数据为输入数据,调用已训练的电力系统运行状态子模型对预处理后的历史运行数据、实时运行数据以及预测数据进行运行状态预测处理,得到电力系统的运行状态预测数据,再以运行状态预测数据为输入,调用已训练的基于深度神经网络的电力系统静态运行风险评估子模型对电力系统静态安全运行状态进行风险评估,得到风险评估结果。本实施例中,通过调用电力系统运行状态子模型进行运行状态预测,能够准确预测电力系统的未来运行状态,通过调用基于深度神经网络的电力系统静态运行风险评估子模型进行风险评估,能够准确评估出潜在风险,并及时预警。
在其中一个实施例中,实时运行数据包括PMU量测数据和新能源数据,电力系统分析人工智能模型包括基于深度神经网络的暂态稳定风险预警子模型和基于神经网络的暂态稳定风险预警子模型;
电力系统分析模块300还用于当检测到系统出现故障时,获取最新的PMU量测数据,调用已训练的基于深度神经网络的暂态稳定风险预警子模型提取PMU量测数据中的暂态特征,基于暂态特征进行暂态稳定性预估,得到暂态稳定性评估结果。
电力系统分析模块300还用于调用已训练的新能源出力动态预测子模型对新能源数据进行出力预测,得到新能源出力预测结果,并基于新能源出力预测结果和预设的动态事件定义数据进行动态事件风险评估,得到动态事件风险评估结果。
本实施例中,提供了一种基于深度学习的电力系统暂态安全稳定风险预警方案。具体地,可以是利用仿真得到的各运行环境下的稳态样本和失稳样本,以及故障前后的各发电机功角变化数据以及各母线电压变化数据,构建训练集,训练得到基于深度神经网络的暂态稳定风险预警子模型。根据历史新能源相关数据以及历史动态事件数据训练得到新能源出力动态预测子模型。
具体实施时,当检测到电力系统出现故障,立即触发在线评估动作,每获得一次新的PMU量测数据,便调用基于深度神经网络的暂态稳定风险预警子模型提取出PMU量测数据中的暂态特征,并预测当前决策轮的暂态稳定状态。若评估结果被判为可信,则立即给出稳定状态,结束向适应评估过程;否则,等待下一时刻到来,在下一决策论重新评估系统暂态稳定性。上述过程将持续进行,直到获得可信评估结果或达到最长决策时间,停止评估。此外,当系统运行方式和拓扑结构发生改变,导致该场景下的样本与原始训练集存在较大差异时,基于深度神经网络的暂态稳定风险预警子模型难以通过预训练模型已学到的特征准确识别当前系统的暂稳状态,造成识别准确率下降。此时,需要对预训练模型在新的目标域数据集上再训练,使其能够针对新的目标样本自适应地调整网络参数,恢复预测性能,从而增强暂稳预测器自适应预测的能力。
本实施例中,提供了一种用于辅助电力系统安全稳定分析及预警的方案。运维人员可预先根据历史新能源相关数据如新能源出力数据以及历史动态事件数据训练得到新能源出力动态预测子模型。具体地,对新能源动态事件的风险评估和概率预警过程可以是:将新能源相关数据整理归集,调用已训练的新能源出力动态预测子模型预测新能源出力值,得到新能源出力预测结果如风电或光伏功率的概率预测值,然后,基于新能源出力预测结果和预设的动态事件定义数据检测风电功率或光伏功率在持续时间 t 内是否发生动态事件,并判断发生爬坡事件的具体方向,给出动态事件风险评估结果。本实施例中,通过调用基于深度神经网络的暂态稳定风险预警子模型,能够高效地实现电力系统的暂态稳定性评估,通过调用新能源出力动态预测子模型,能够高效地实现电力系统新能源出力预测以及动态事件风险评估。
在其中一个实施例中,电网数据包括不同故障场景下的故障仿真数据,电力系统分析人工智能模型包括基于卷积神经网络的薄弱环节识别子模型;
电力系统分析模块300还用于调用已训练的基于卷积神经网络的薄弱环节识别子模型提取故障仿真数据的故障特征,对故障特征进行暂态失稳判别以及薄弱环节识别,得到系统暂态失稳判别结果和振荡中心所在支路,其中,基于卷积神经网络的薄弱环节识别子模型基于历史故障数据训练得到。
电力系统的薄弱环节也可称为脆弱环节,具体包括自然环境的影响、运行管理系统不完善以及电网中的设备故障等。电力系统薄弱环节辨识可以为电力系统的规划和管理提供依据和参考。承接上述实施例,当完成对电力系统运行状态预测、静态安全风险预警以及暂态稳定性评估分析后,需要对当前运行方式下的电力系统薄弱环节进行分析及扫描。在实际应用中,当发生振荡时,电力系统中会存在一个电压幅值最小的点,随着功角差的变化而变化,当两侧的发电机功角差拉开到180度时,电压最低点的电压幅值将几乎等于零,通常情况下振荡中心就是这个电压最低点。因此,本实施例中,可预先基于不同故障场景下的数据,故障前稳态+故障切除后两阶段采样得到的样本数据,构建包括暂态失稳判别和振荡中心识别两个独立神经网络的基于卷积神经网络的薄弱环节识别子模型,并结合基于图论的解列断面搜索方法,协同实现薄弱环节识别和控制策略更新。
具体地,薄弱环节识别过程可以是:调用已训练的基于卷积神经网络的薄弱环节识别子模型提取故障仿真数据的故障特征,如提取系统节点的电压、相角、频率偏差以及发电机的功角、转速差、电磁功率,对故障特征进行暂态失稳判别以及薄弱环节识别,其中,包括获取支路两端节点、节点电压以及对应时间,然后,进行时间断面遍历,求取线路在同一时刻的两端节点电压和,比较获取的电压数据,记录其最小电压数据,再比较所有支路的最小电压数据,选取其中最小电压所在的支路,即为振荡中心所在支路。
此外,还需要对薄弱环节及安稳策略进行在线更新,具体过程可如下:获取电力系统的实时运行数据,并更新bpa(psd-bpa,简称bpa)仿真模型,然后,对预期的故障进行短时仿真如0.2秒,获得在线故障仿真数据,将在线故障仿真数据输入至基于卷积神经网络的薄弱环节识别子模型,识别系统薄弱环节,再基于识别出薄弱环节,更新解列策略。本实施例中,协同实现薄弱环节识别和策略更新,有效简化了问题的难度,提高了神经网络的准确性;并且,薄弱环节识别仅需要故障后0.2秒的仿真数据即可辨识预想故障下的振荡中心支路,避免了对预想故障的大量仿真计算,显著提高了薄弱环节在线识别的计算效率。
在其中一个实施例中,本申请实施例提供的人工智能驱动的电力系统分析方法,可以应用于如图5所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。可以是运维人员通过终端102发送电力系统消息至服务器104,服务器104响应该消息,获取已存的电网数据,然后,根据预设的多源数据统一数据模型对电网数据进行融合处理,得到融合处理后的电网数据,接着,调用已训练的电力系统分析人工智能模型对融合处理后的电网数据进行暂态分析和稳态分析,得到暂态分析结果和稳态分析结果;其中,多源数据统一数据模型包括基于电力知识图谱的统一数据模型,电力系统分析人工智能模型由电网仿真数据训练得到,电网仿真数据由对融合处理后的电网数据进行多场景仿真得到。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以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6所示,提供了一种人工智能驱动的电力系统分析方法,以该方法应用于图5中的服务器104为例进行说明,包括以下步骤:
步骤S202,获取电网数据。
其中,电网数据包括实时运行数据、历史运行数据、预测数据以及系统参数信息。其中,实时运行数据包括SCADA采集的数据、Edata数据、CIM模型、PMU采集的量测数据以及故障录波数据等。历史运行数据包括潮流分布数据、拓扑结构数据以及故障数据等。预测数据包括发电预测数据、负荷预测数据、发电计划数据等。系统参数信息包括发电机参数、线路参数以及节点参数等。
步骤S204,根据预设的多源数据统一数据模型对电网数据进行融合处理,得到融合处理后的电网数据。
本实施例中,多源数据统一数据模型可以是基于电力知识图谱的统一数据模型。关于多源数据统一数据模型建模规范-逻辑部分的设计,以及多源数据统一数据模型规范下的多源数据处理部分可参见上述实施例中的相关内容,在此不再赘述。
具体实施时,可以是调用多源数据融合处理接口,以根据预设的多源数据统一数据模型对采集的电网数据进行融合处理,将电网数据转化为统一形式的结构化数据,得到融合处理的电网数据。
步骤S206,调用已训练的电力系统分析人工智能模型对融合处理后的电网数据进行暂态分析和稳态分析,得到暂态分析结果和稳态分析结果。
稳态分析可包括电力系统正常运行状态的分析和计算、有功功率-频率、无功功率-电压的控制和调整。暂态分析包括三类一波过程分析、电磁暂态过程分析和机电暂态过程分析。具体可包括短路故障识别、扰动识别以及稳定性判别等。
本实施例中,电力系统分析人工智能模型包括有多个功能不同的电力系统稳态分析子模型和电力系统暂态分析子模型。具体实施时,可以是在接收到融合处理后的电网数据后,调用相应的电力系统分析子模型对融合处理后的电网数据进行在线的暂态分析和稳态分析,得到相应的分析结果。
上述人工智能驱动的电力系统分析方法中,摒弃了传统的基于“模型驱动”的电力系统分析方法,以先进的人工智能为驱动,提出了智能的电力分析方法,首先,通过预设的基于电力知识图谱的统一数据模型对获取的电网数据进行融合处理,能够快速将多源异构的电网数据描述为统一形式的数据,便于后续的电力系统分析;其次,对融合处理后的电网数据进行仿真,能够得到丰富的多种运行环境下的暂稳态样本,再基于多样化的暂稳态样本在线训练电力系统分析人工智能模型,能够提高电力系统分析人工智能模型的准确性;最后,调用已训练的电力系统分析人工智能模型对融合处理后的电网数据进行暂态分析和稳态分析,能够满足复杂多样运行环境下的暂态分析和稳态分析,得到更为准确的电力系统分析结果。
在一个实施例中,电力系统稳态分析子模型包括基于卷积神经网络的电力系统拓扑辨识子模型,对融合处理后的电网数据进行稳态分析包括:采用数据驱动方法和线性回归方法对量测数据进行初始拓扑辨识,得到初始拓扑辨识参数,并对初始拓扑辨识参数进行降噪处理,调用已训练的基于卷积神经网络的电力系统拓扑辨识子模型对量测数据进行拓扑辨识,得到拓扑变化图,其中,基于卷积神经网络的电力系统拓扑辨识子模型基于电网拓扑辨识训练集训练得到。具体的电网拓扑辨识过程可参见上述实施例中关于电网拓扑辨识的相关内容,在此不再赘述。
在一个实施例中,电力系统稳态分析子模型还包括基于深度神经网络的电力系统潮流计算子模型,对融合处理后的电网数据进行稳态分析包括:调用已训练的基于深度神经网络的电力系统潮流计算子模型对节点参数进行潮流计算,得到电力系统潮流数据,其中,基于深度神经网络的电力系统潮流计算子模型基于历史潮流量测数据或节点仿真参数训练得到。具体的潮流计算过程可参见上述实施例中关于潮流计算的相关内容,在此不再赘述。
在一个实施例中,电力系统暂态分析子模型还包括基于神经网络的电力系统状态估计子模型,对融合处理后的电网数据进行暂态分析包括:调用已训练的基于神经网络的电力系统状态估计子模型对量测数据进行状态估计,得到初始状态估计数据,将初始状态估计数据输入至预设的状态估计器,得到实时状态估计数据,其中,基于神经网络的电力系统状态估计子模型基于历史量测数据和历史状态估计数据训练得到。具体的状态估计过程可参见上述实施例中关于状态估计的相关内容,在此不再赘述。
在一个实施例中,电力系统暂态分析子模型包括基于深度神经网络的扰动识别子模型和基于神经网络的短路故障类型识别子模型,对融合处理后的电网数据进行暂态分析包括:调用已训练的基于深度神经网络的扰动识别子模型对扰动数据进行扰动类型识别,得到扰动类型识别结果;以及提取故障数据的故障特征,调用已训练的基于神经网络的短路故障类型识别子模型对故障特征进行短路故障类型识别,得到短路故障类型识别结果;其中,基于深度神经网络的扰动识别子模型基于历史扰动特征数据集训练得到,基于神经网络的短路故障类型识别子模型基于由故障仿真模型生成的历史故障数据训练得到,故障特征包括电压跌落程度、电压小波能量、电压模极大值、电流能量、零序电流分量以及电流余弦相似度。具体的扰动识别过程和短路故障类型识别过程可参见上述实施例中关于状扰动识别和短路故障类型识别的相关内容,在此不再赘述。
在一个实施例中,电力系统暂态分析子模型包括基于深度神经网络的电力系统运行状态预测子模型和基于深度神经网络的电力系统静态运行风险评估子模型,对融合处理后的电网数据进行暂态分析包括:对历史运行数据、实时运行数据和预测数据进行预处理,调用已训练的基于深度神经网络的电力系统运行状态预测子模型对预处理后的历史运行数据、实时运行数据和预测数据进行运行状态预测处理,得到运行状态预测数据;以及调用已训练的基于深度神经网络的电力系统静态运行风险评估子模型对运行状态预测数据进行风险评估,得到风险评估结果,其中,基于深度神经网络的电力系统运行状态预测子模型基于电力系统历史运行状态数据和历史预测数据训练得到,基于深度神经网络的电力系统静态运行风险评估子模型基于运行状态预测数据训练得到。具体的运行状态预测处理过程和静态运行风险评估过程可参见上述实施例中关于运行状态预测处理和静态运行风险评估的相关内容,在此不再赘述。
在一个实施例中,电力系统暂态分析子模型包括基于深度神经网络的暂态稳定风险预警子模型和基于神经网络的暂态稳定风险预警子模型,对融合处理后的电网数据进行暂态分析包括:当检测到系统出现故障时,获取最新的PMU量测数据,调用已训练的基于深度神经网络的暂态稳定风险预警子模型提取PMU量测数据中的暂态特征,基于暂态特征进行暂态稳定性预估,得到暂态稳定性评估结果;以及调用已训练的新能源出力动态预测子模型对新能源数据进行出力预测,得到新能源出力预测结果,并基于新能源出力预测结果和预设的动态事件定义数据进行动态事件风险评估,得到动态事件风险评估结果,其中,基于深度神经网络的暂态稳定风险预警子模型基于历史仿真稳态样本数据、历史仿真失稳样本数据以及历史故障数据训练得到,新能源出力动态预测子模型基于历史新能源数据以及历史动态事件数据训练得到。具体的暂态稳定性预估过程和动态事件风险评估过程可参见上述实施例中关于暂态稳定性预估和动态事件风险评估的相关内容,在此不再赘述。
在一个实施例中,电力系统暂态分析子模型包括基于卷积神经网络的薄弱环节识别子模型,对融合处理后的电网数据进行暂态分析包括:调用已训练的基于卷积神经网络的薄弱环节识别子模型提取故障仿真数据的故障特征,对故障特征进行暂态失稳判别以及薄弱环节识别,得到系统暂态失稳判别结果和振荡中心所在支路,其中,基于卷积神经网络的薄弱环节识别子模型基于历史故障数据训练得到。具体的薄弱环节识别过程可参见上述实施例中关于薄弱环节识别的相关内容,在此不再赘述。
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。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的人工智能驱动的电力系统分析方法的人工智能驱动的电力系统分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个人工智能驱动的电力系统分析装置实施例中的具体限定可以参见上文中对于人工智能驱动的电力系统分析方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种人工智能驱动的电力系统分析装置400,包括:数据获取模块410、数据融合处理模块420和数据分析模块430,其中:
数据获取模块410,用于获取电网数据;
数据融合处理模块420,用于根据预设的多源数据统一数据模型对电网数据进行融合处理,得到融合处理后的电网数据;
数据分析模块430,用于调用已训练的电力系统分析人工智能模型对融合处理后的电网数据进行暂态分析和稳态分析,得到暂态分析结果和稳态分析结果;
其中,多源数据统一数据模型包括基于电力知识图谱的统一数据模型,电力系统分析人工智能模型由电网仿真数据训练得到,电网仿真数据由对融合处理后的电网数据进行多场景仿真得到。
上述人工智能驱动的电力系统分析装置,摒弃了传统的基于“模型驱动”的电力系统分析,以先进的人工智能为驱动,提出了智能的电力分析方案,首先,通过预设的基于电力知识图谱的统一数据模型对获取的电网数据进行融合处理,能够快速将多源异构的电网数据描述为统一形式的数据,便于后续的电力系统分析;其次,对融合处理后的电网数据进行仿真,能够得到丰富的多种运行环境下的暂稳态样本,再基于多样化的暂稳态样本在线训练电力系统分析人工智能模型,能够提高电力系统分析人工智能模型的准确性;最后,调用已训练的电力系统分析人工智能模型对融合处理后的电网数据进行暂态分析和稳态分析,能够满足复杂多样运行环境下的暂态分析和稳态分析,得到更为准确的电力系统分析结果。
上述人工智能驱动的电力系统分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电网数据、暂态分析数据以及稳态分析数据等。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人工智能驱动的电力系统分析方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述人工智能驱动的电力系统分析方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述人工智能驱动的电力系统分析方法中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述人工智能驱动的电力系统分析方法中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random AccessMemory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(DynamicRandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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)
1.一种智能软件平台,其特征在于,所述平台包括多源数据融合模块、模型训练模块以及电力系统分析模块:
所述多源数据融合模块用于获取电网数据,根据预设的多源数据统一数据模型对所述电网数据进行融合处理,将融合处理后的所述电网数据发送给模型训练模块和所述电力系统分析模块;
所述模型训练模块用于对所述融合处理后的所述电网数据进行多场景仿真,得到暂态样本和稳态样本,并基于所述暂态样本和所述稳态样本训练电力系统分析人工智能模型,将已训练的电力系统分析人工智能模型传递给所述电力系统分析模块;
所述电力系统分析模块用于调用已训练的电力系统分析人工智能模型对接收到的融合处理后的电网数据进行暂态分析和稳态分析,得到暂态分析结果和稳态分析结果;
其中,所述多源数据统一数据模型包括基于电力知识图谱的统一数据模型,所述电网数据包括扰动数据和故障数据,所述电力系统分析人工智能模型包括基于深度神经网络的扰动识别子模型和基于神经网络的短路故障类型识别子模型;
所述电力系统分析模块还用于提取所述扰动数据的扰动特征,调用已训练的基于深度神经网络的扰动识别子模型对所述扰动数据进行扰动类型识别,得到扰动类型识别结果;
电力系统分析模块还用于提取所述故障数据的故障特征,调用已训练的基于神经网络的短路故障类型识别子模型对所述故障特征进行短路故障类型识别,得到短路故障类型识别结果;
其中,所述基于深度神经网络的扰动识别子模型基于历史扰动特征数据集训练得到,所述基于神经网络的短路故障类型识别子模型基于由故障仿真模型生成的历史故障数据训练得到,所述故障特征包括电压跌落程度、电压小波能量、电压模极大值、电流能量、零序电流分量以及电流余弦相似度中的至少一种。
2.根据权利要求1所述的智能软件平台,其特征在于,所述电网数据包括量测数据,所述电力系统分析人工智能模型包括基于卷积神经网络的电力系统拓扑辨识子模型;
所述电力系统分析模块还用于采用数据驱动方法和线性回归方法对所述量测数据进行初始拓扑辨识,得到初始拓扑辨识参数,并对所述初始拓扑辨识参数进行降噪处理,调用已训练的基于卷积神经网络的电力系统拓扑辨识子模型对所述量测数据进行拓扑辨识,得到拓扑变化图;
其中,所述基于卷积神经网络的电力系统拓扑辨识子模型基于电网拓扑辨识训练集训练得到。
3.根据权利要求2所述的智能软件平台,其特征在于,所述电网拓扑辨识训练集基于以下方式得到:
采用数据驱动方法和线性回归方法对历史拓扑结构数据和历史线路参数进行初始拓扑辨识,得到历史初始拓扑辨识参数;
对所述历史初始拓扑辨识参数进行降噪处理,得到降噪处理的历史初始拓扑辨识参数;
通过卷积神经网络对历史量测数据进行特征筛选,将筛选出的特征类别与降噪处理后的历史初始拓扑辨识参数进行映射,得到所述电网拓扑辨识训练集。
4.根据权利要求1至3任意一项所述的智能软件平台,其特征在于,所述电网数据包括量测数据,所述电力系统分析人工智能模型包括基于神经网络的电力系统状态估计子模型;
所述电力系统分析模块还用于调用已训练的基于神经网络的电力系统状态估计子模型对所述量测数据进行状态估计,得到初始状态估计数据,将所述初始状态估计数据输入至预设的状态估计器,得到实时状态估计数据;
其中,所述基于神经网络的电力系统状态估计子模型基于历史量测数据和历史状态估计数据训练得到。
5.根据权利要求1至3任意一项所述的智能软件平台,其特征在于,所述电网数据包括节点参数,所述电力系统分析人工智能模型包括基于深度神经网络的电力系统潮流计算子模型;
所述电力系统分析模块还用于调用已训练的基于深度神经网络的电力系统潮流计算子模型对所述节点参数进行潮流计算,得到电力系统潮流数据;
其中,所述基于深度神经网络的电力系统潮流计算子模型基于历史潮流量测数据、或节点仿真参数训练得到。
6.根据权利要求1至3任意一项所述的智能软件平台,其特征在于,所述电网数据包括历史运行数据、实时运行数据和预测数据,所述电力系统分析人工智能模型包括基于深度神经网络的电力系统运行状态预测子模型和基于深度神经网络的电力系统静态运行风险评估子模型;
所述电力系统分析模块还用于对所述历史运行数据、所述实时运行数据和所述预测数据进行预处理,调用已训练的基于深度神经网络的电力系统运行状态预测子模型对预处理后的历史运行数据、实时运行数据和所述预测数据进行运行状态预测处理,得到运行状态预测数据;
所述电力系统分析模块还用于调用已训练的基于深度神经网络的电力系统静态运行风险评估子模型对所述运行状态预测数据进行风险评估,得到风险评估结果;
其中,所述基于深度神经网络的电力系统运行状态预测子模型基于电力系统历史运行状态数据和历史预测数据训练得到,所述基于深度神经网络的电力系统静态运行风险评估子模型基于运行状态预测数据训练得到。
7.根据权利要求1至3任意一项所述的智能软件平台,其特征在于,所述电网数据包括PMU量测数据和新能源数据,所述电力系统分析人工智能模型包括基于深度神经网络的暂态稳定风险预警子模型和基于神经网络的暂态稳定风险预警子模型;
所述电力系统分析模块还用于当检测到系统出现故障时,获取最新的PMU量测数据,调用已训练的基于深度神经网络的暂态稳定风险预警子模型提取所述PMU量测数据中的暂态特征,基于所述暂态特征进行暂态稳定性预估,得到暂态稳定性评估结果;
所述电力系统分析模块还用于调用已训练的新能源出力动态预测子模型对所述新能源数据进行出力预测,得到新能源出力预测结果,并基于所述新能源出力预测结果和预设的动态事件定义数据进行动态事件风险评估,得到动态事件风险评估结果;
其中,所述基于深度神经网络的暂态稳定风险预警子模型基于历史仿真稳态样本数据、历史仿真失稳样本数据以及历史故障数据训练得到,所述新能源出力动态预测子模型基于历史新能源数据以及历史动态事件数据训练得到。
8.根据权利要求1至3任意一项所述的智能软件平台,其特征在于,所述电网数据包括不同故障场景下的故障仿真数据,所述电力系统分析人工智能模型包括基于卷积神经网络的薄弱环节识别子模型;
所述电力系统分析模块还用于调用已训练的基于卷积神经网络的薄弱环节识别子模型提取所述故障仿真数据的故障特征,对所述故障特征进行暂态失稳判别以及薄弱环节识别,得到系统暂态失稳判别结果和振荡中心所在支路;
其中,所述基于卷积神经网络的薄弱环节识别子模型基于历史故障数据训练得到。
9.一种人工智能驱动的电力系统分析方法,其特征在于,所述方法包括:
获取电网数据;
根据预设的多源数据统一数据模型对所述电网数据进行融合处理,得到融合处理后的电网数据;
调用已训练的电力系统分析人工智能模型对所述融合处理后的电网数据进行暂态分析和稳态分析,得到暂态分析结果和稳态分析结果;
其中,所述多源数据统一数据模型包括基于电力知识图谱的统一数据模型,所述电力系统分析人工智能模型基于电网仿真数据训练得到,所述电网仿真数据由对融合处理后的电网数据进行多场景仿真得到,所述电网数据包括扰动数据和故障数据,所述电力系统分析人工智能模型包括基于深度神经网络的扰动识别子模型和基于神经网络的短路故障类型识别子模型;
所述调用已训练的电力系统分析人工智能模型对所述融合处理后的电网数据进行暂态分析和稳态分析,得到暂态分析结果和稳态分析结果包括:
提取所述扰动数据的扰动特征,调用已训练的基于深度神经网络的扰动识别子模型对所述扰动数据进行扰动类型识别,得到扰动类型识别结果;
以及,提取所述故障数据的故障特征,调用已训练的基于神经网络的短路故障类型识别子模型对所述故障特征进行短路故障类型识别,得到短路故障类型识别结果;
其中,所述基于深度神经网络的扰动识别子模型基于历史扰动特征数据集训练得到,所述基于神经网络的短路故障类型识别子模型基于由故障仿真模型生成的历史故障数据训练得到,所述故障特征包括电压跌落程度、电压小波能量、电压模极大值、电流能量、零序电流分量以及电流余弦相似度中的至少一种。
10.根据权利要求9所述的方法,其特征在于,所述电力系统分析人工智能模型包括基于卷积神经网络的电力系统拓扑辨识子模型,所述电网数据包括量测数据;
调用已训练的电力系统分析人工智能模型对所述融合处理后的电网数据进行稳态分析,得到稳态分析结果包括:
调用所述基于卷积神经网络的电力系统拓扑辨识子模型,采用数据驱动方法和线性回归方法对所述量测数据进行初始拓扑辨识,得到初始拓扑辨识参数,并对所述初始拓扑辨识参数进行降噪处理,调用已训练的基于卷积神经网络的电力系统拓扑辨识子模型对所述量测数据进行拓扑辨识,得到拓扑变化图;
其中,所述基于卷积神经网络的电力系统拓扑辨识子模型基于电网拓扑辨识训练集训练得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310533821.0A CN116245033B (zh) | 2023-05-12 | 2023-05-12 | 人工智能驱动的电力系统分析方法及智能软件平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310533821.0A CN116245033B (zh) | 2023-05-12 | 2023-05-12 | 人工智能驱动的电力系统分析方法及智能软件平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116245033A CN116245033A (zh) | 2023-06-09 |
CN116245033B true CN116245033B (zh) | 2023-09-15 |
Family
ID=86631715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310533821.0A Active CN116245033B (zh) | 2023-05-12 | 2023-05-12 | 人工智能驱动的电力系统分析方法及智能软件平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245033B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117559502B (zh) * | 2023-11-24 | 2024-05-10 | 许昌中天宇光电气技术有限公司 | 一种新能源储能变流升压一体舱 |
CN117872038B (zh) * | 2024-03-11 | 2024-05-17 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
CN117937607B (zh) * | 2024-03-21 | 2024-05-31 | 太原理工大学 | 一种计及风电机组时空规律的电力系统安全稳定分析方法 |
CN118378542A (zh) * | 2024-06-21 | 2024-07-23 | 国网江苏省电力有限公司电力科学研究院 | 一种电力系统状态估计方法、装置、设备及存储介质 |
CN118472942A (zh) * | 2024-07-09 | 2024-08-09 | 江苏思行达信息技术股份有限公司 | 一种基于电力源网荷系统控制终端的检测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016029796A (ja) * | 2014-07-16 | 2016-03-03 | 鈴木 利康 | 多値用数値判別回路、フージ代数の原則に基づく多値or論理判別回路、フージ代数の原則に基づく多値and論理判別回路、及び、数値保持機能を持つ多値用数値判別回路 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT1396517B1 (it) * | 2009-11-27 | 2012-12-14 | Nuovo Pignone Spa | Metodo di controllo di modo basato su temperatura di scarico per turbina a gas e turbina a gas |
FR2996691B1 (fr) * | 2012-10-05 | 2015-11-13 | Schneider Electric Ind Sas | Plan de protection ameliore contre les defauts monophases pour les reseaux de distribution moyenne tension |
CN104242339B (zh) * | 2014-08-29 | 2017-02-15 | 清华大学 | 基于模型预测控制理论的风电场电压自动控制方法 |
-
2023
- 2023-05-12 CN CN202310533821.0A patent/CN116245033B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016029796A (ja) * | 2014-07-16 | 2016-03-03 | 鈴木 利康 | 多値用数値判別回路、フージ代数の原則に基づく多値or論理判別回路、フージ代数の原則に基づく多値and論理判別回路、及び、数値保持機能を持つ多値用数値判別回路 |
Non-Patent Citations (3)
Title |
---|
刘羽霄等.数据驱动的电力网络分析与优化研究综述.电力系统自动化.2018,第42卷(第6期),第157-167页. * |
宋墩文.基于多源信息融合的电网暂态稳定风险评估.中国博士学位论文全文数据库 工程科技Ⅱ辑.2016,(第07期),第C042-56页. * |
纪瑾.基于卷积-循环神经网络的电力系统暂态稳定评估方法研究.中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑.2023,(第01期),第C042-1895页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116245033A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
Zheng et al. | A novel equivalent model of active distribution networks based on LSTM | |
Zhang et al. | Review on deep learning applications in frequency analysis and control of modern power system | |
Li et al. | An intelligent transient stability assessment framework with continual learning ability | |
Khaleel et al. | Artificial intelligent techniques for identifying the cause of disturbances in the power grid | |
LU500551B1 (en) | Virtual load dominant parameter identification method based on incremental learning | |
Guo et al. | AI-oriented smart power system transient stability: the rationality, applications, challenges and future opportunities | |
Thomas et al. | Neural architecture search algorithm to optimize deep transformer model for fault detection in electrical power distribution systems | |
CN116169675A (zh) | 考虑运行方式变化的电力系统动态稳定性在线评估方法 | |
Kaplan et al. | Fault diagnosis of smart grids based on deep learning approach | |
Kuyunani et al. | Improving voltage harmonics forecasting at a wind farm using deep learning techniques | |
Xu et al. | An improved ELM-WOA–based fault diagnosis for electric power | |
Ren et al. | Pre-fault dynamic security assessment of power systems for multiple different faults via multi-label learning | |
Yin et al. | Digital twin-driven identification of fault situation in distribution networks connected to distributed wind power | |
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 | |
Yue et al. | Research of the micro grid renewable energy control system based on renewable related data mining and forecasting technology | |
CN113128130B (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 | |
Mahto et al. | Mpgcn-opf: A message passing graph convolution approach for optimal power flow for distribution network | |
CN115983714A (zh) | 边图神经网络电力系统静态安全评估方法及系统 | |
Xiong et al. | Forecasting ultra‐short‐term wind power by multiview gated recurrent unit neural network | |
CN115051360A (zh) | 集成式知识迁移的电力系统运行风险在线计算方法与装置 | |
Aruna et al. | Sparrow Search Optimization with Deep Belief Network based Wind Power Prediction Model | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
Yue et al. | A power system harmonic problem based on the BP neural network learning algorithm | |
Dutta et al. | Machine Learning‐Based Intelligent Power Systems |
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 |