CN116433034A - 一种基于机器学习的虚拟电厂运行风险检测方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的虚拟电厂运行风险检测方法，涉及电厂风险分析技术领域，解决了未对不同时间点的负荷波动参数进行合并分析，原始单一分析的判定方式，其整体的判定方式并不精准，很容易造成误判，根据预设的参数，构建分割线，对曲线图进行分割，通过分析位于分割线上端的具体线长，并生成对应的二类风险参数，此种方式，会使虚拟电厂的负荷参数更加准确，便在一定程度上提升二类风险参数的准确度；将一类风险参数以及二类风险参数进行合并处理得到对应评判参数，采用此种方式，将本监测周期与上一组监测周期的参数进行合并分析，以此提升风险等级评判的准确度，并同时提升虚拟电厂运行风险的整体检测效果。

Description

一种基于机器学习的虚拟电厂运行风险检测方法

技术领域

本发明属于电厂风险分析技术领域，具体是一种基于机器学习的虚拟电厂运行风险检测方法。

背景技术

虚拟电厂是一种通过先进信息通信技术和软件系统，实现DG、储能系统、可控负荷、电动汽车等DER的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统；

机器学习，通过了解智能的实质，并通过采用大量的数据进行训练，采用神经网络模型，对每次的训练结果进行记录，后续产生相应的数值，快速产生结果，并广泛应用于电厂风险智能分析领域。

专利公开号为CN114037364B的申请公开了一种基于人工智能的虚拟电厂运行风险检测方法，所述基于人工智能的虚拟电厂运行风险检测方法包括：获取各发电厂对应的发电量数据和各耗电区域对应的耗电量数据，其中，各发电厂和各耗电区域部署于同一虚拟电厂；依据预设电厂风险检测模型和电厂运行特征数据，预测虚拟电厂在下一时间步的运行风险，得到运行风险预测结果，其中，电厂运行特征数据基于各发电量数据和各耗电量数据进行构建得到；对运行风险预测结果进行模型解释，确定运行风险预测结果对应的电厂运行风险特征；依据电厂运行风险特征，在各发电厂和各耗电区域中确定潜在风险因素。本申请解决了现有技术中虚拟电厂运行风险检测准确度低的技术问题。

在进行虚拟电厂风险检测评判时，一般获取虚拟电厂的负荷参数，根据负荷参数，来以此评判对应虚拟电厂存在运行风险，在实际操作过程中，因未对不同时间点的负荷波动参数进行合并分析，原始单一分析的判定方式，其整体的判定方式并不精准，很容易造成误判。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种基于机器学习的虚拟电厂运行风险检测方法，用于解决未对不同时间点的负荷波动参数进行合并分析，原始单一分析的判定方式，其整体的判定方式并不精准，很容易造成误判的技术问题。

为实现上述目的，根据本发明的第一方面的实施例提出一种基于机器学习的虚拟电厂运行风险检测方法，包括以下步骤：

S1、在机器学习模型内，限定一组监测周期，在此监测周期内，对虚拟电厂的储能量以及耗能量进行获取分析，根据分析结果，生成一类风险参数，具体方式为：

S11、限定监测周期T，其中T为预设值，将本虚拟电厂的实际储能量标记为CN_i，其中i代表不同的虚拟电厂；

S12、获取本监测周期T内，对应虚拟电厂单位时间的储能量，并将其标记为CL_i-k，并获取对应虚拟电厂单位时间的耗能量，并将其标记为HN_i-k，其中k代表不同的单位时间；

S13、采用HN_i-k-CL_i-k＝CZ_i得到待处理差值，并将本监测周期内所产生的若干组待处理差值进行求和处理，得到总和参数ZH_i；

S14、再从本监测周期内，从若干组待处理差值内提取最大值，并将其标记为CZ_imax，并采用CN_i÷CZ_imax＝YT_i得到预设消耗时间参数YT_i，再采用YF_i＝ZH_i×C1+YT_i×C2得到一类风险参数YF_i，其中C1以及C2均为预设的固定系数因子；

S2、根据所确定的一类风险参数，在相应监测周期内，对电压波动参数进行分析，预先确认波长，后续再根据波长占比值，生成二类风险参数，具体方式为：

S21、根据所限定的监测周期T，将本监测周期T划分为六组监测微周期Z_q，其中q代表不同的监测微周期，且q＝1、2、……、n，且n＝6；

S22、对不同监测微周期Z_q内所产生的电压波动参数进行记录，并将所记录的电压波动参数标记为BD_q-t，其中t代表本监测微周期q内不同时间点所对应的电压波动参数；

S23、按照时间点t的具体走向，构建属于不同监测微周期的波长曲线图，其中波长曲线图的横向坐标轴为时间线，竖向坐标轴为电压波动参数，按照不同时间点t对应不同的电压波动参数BD_q-t，依次进行连线，构建波长曲线图；

S24、在波长曲线图竖向坐标轴内确认一组预设值Y1，根据所确认预设值Y1的具体位置，构建与横向坐标轴相互平行的分割线，从波长曲线图内提取位于分割线上方的具体曲线长度，并将所提取的具体曲线长度标记为CD_q；

S25、采用CD_q-CD_q+1＝HD得到核定值，其中q的最大取值为n-1，将所得到的若干组核定值HD进行求和处理，将求和处理后的参数标定为合并差值，再将若干组具体曲线长度CD_q进行均值处理，得到限定长度均值；

S26、采用RF_i＝合并差值×A1+限定长度均值×A2，得到二类风险参数RF_i，其中A1以及A2均为预设的固定系数因子，并将处理所得的二类风险参数RF_i进行下一步处理；

S3、根据处理所得的一类风险参数以及二类风险参数，对指定监测周期对应虚拟电厂的风险等级进行评判，并将评判结果进行展示，具体方式为：

S31、对指定监测周期T内，提取指定虚拟电厂所产生的一类风险参数YF_i以及二类风险参数RF_i，采用PD_i＝YF_i×W1+RF_i×W2得到评判参数PD_i，其中W1以及W2均为预设的固定系数因子；

S32、将评判参数PD_i分别与预设参数Y1以及Y2进行比对，其中Y1＜Y2，且Y1以及Y2均为预设值；

S33、当PD_i＜Y1时，生成正常信号，并传输至外部显示终端内进行展示，当Y1≤PD_i＜Y2时，生成二级风险信号，并将所生成的二级风险信号传输至外部显示终端内进行展示，当Y2≤PD_i时，生成一级风险信号，并将所生成的一级风险信号传输至外部显示终端内进行展示；

S4、在监测周期内，完成对应虚拟电厂的风险评判后，再执行下一监测周期时，将前一监测周期T的一类风险参数以及二类风险参数考虑在内，完成下一监测周期的风险评判，并将评判结果进行展示，具体方式为：

S41、重复执行步骤S1以及步骤S2，得到属于本监测周期的一类风险参数YF_i以及二类风险参数RF_i；

S42、再提取上一监测周期的一类风险参数以及二类风险参数，并将本周期一类风险参数与上一监测周期的一类风险参数进行差值处理，得到一类差值，再对二类风险参数采用同等方式进行处理，得到二类差值；

S43、对本监测周期的评判参数进行评定时，采用PD_i＝YF_i×W1+RF_i×W2+(一类差值+二类差值)×W3，其中W1以及W2和W3均为预设的固定系数因子。

与现有技术相比，本发明的有益效果是：预先根据相同单位时间所对应的参数，得到单位时间所对应的待处理差值，其待处理差值越大，代表单位时间内的耗能值远大于单位时间内的储能值，对虚拟电厂的实际储能量最快消耗时间参数进行确认，并将所确认的最快消耗时间参数以及差值进行合并处理，得到一类风险参数；

再根据预设的参数，构建分割线，对曲线图进行分割，通过分析位于分割线上端的具体线长，根据具体线长的具体参数，对其进行二类风险分析，并生成对应的二类风险参数，此种方式，会使虚拟电厂的负荷参数更加准确，便在一定程度上提升二类风险参数的准确度；

将一类风险参数以及二类风险参数进行合并处理，得到对应评判参数，后续根据评判参数，对其进行风险评判，采用此种方式，需将本监测周期与上一组监测周期的参数进行合并分析，来以此提升风险等级评判的准确度，并同时提升虚拟电厂运行风险的整体检测效果。

附图说明

图1为本发明方法流程示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本申请提供了一种基于机器学习的虚拟电厂运行风险检测方法，包括以下步骤：

S1、在机器学习模型内，限定一组监测周期，在此监测周期内，对虚拟电厂的储能量以及耗能量进行获取分析，根据分析结果，生成一类风险参数，其中进行分析的具体方式为：

S11、限定监测周期T，其中T为预设值，且T一般取值1h，将本虚拟电厂的实际储能量标记为CN_i，其中i代表不同的虚拟电厂；

S12、获取本监测周期T内，对应虚拟电厂单位时间的储能量，并将其标记为CL_i-k，并获取对应虚拟电厂单位时间的耗能量，并将其标记为HN_i-k，其中k代表不同的单位时间；

S13、采用HN_i-k-CL_i-k＝CZ_i得到待处理差值，并将本监测周期内所产生的若干组待处理差值进行求和处理，得到总和参数ZH_i；

S14、再从本监测周期内，从若干组待处理差值内提取最大值，并将其标记为CZ_imax，并采用CN_i÷CZ_imax＝YT_i得到预设消耗时间参数YT_i，再采用YF_i＝ZH_i×C1+YT_i×C2得到一类风险参数YF_i，其中C1以及C2均为预设的固定系数因子，其具体取值由操作人员根据经验拟定；

具体的，根据相同单位时间所对应的参数，并进行差值处理，得到单位时间所对应的待处理差值，其待处理差值越大，代表单位时间内的耗能值远大于单位时间内的储能值，根据具体参数，对虚拟电厂的实际储能量最快消耗时间参数进行确认，并将所确认的最快消耗时间参数以及差值进行合并处理，得到一类风险参数。

S2、根据所确定的一类风险参数，在相应监测周期内，对电压波动参数进行分析，预先确认波长，后续再根据波长占比值，生成二类风险参数，其中，进行分析的具体方式为：

S21、根据所限定的监测周期T，将本监测周期T划分为六组监测微周期Z_q，其中q代表不同的监测微周期，且q＝1、2、……、n，且n＝6；

S22、对不同监测微周期Z_q内所产生的电压波动参数进行记录，并将所记录的电压波动参数标记为BD_q-t，其中t代表本监测微周期q内不同时间点所对应的电压波动参数，且q＝1、2、……、n；

S23、按照时间点t的具体走向，构建属于不同监测微周期的波长曲线图，其中波长曲线图的横向坐标轴为时间线，竖向坐标轴为电压波动参数，按照不同时间点t对应不同的电压波动参数BD_q-t，依次进行连线，构建波长曲线图；

S24、在波长曲线图竖向坐标轴内确认一组预设值Y1，其中Y1的具体取值由操作人员根据经验拟定，根据所确认预设值Y1的具体位置，构建与横向坐标轴相互平行的分割线，从波长曲线图内提取位于分割线上方的具体曲线长度，并将所提取的具体曲线长度标记为CD_q；

S25、采用CD_q-CD_q+1＝HD得到核定值，其中q的最大取值为n-1，将所得到的若干组核定值HD进行求和处理，将求和处理后的参数标定为合并差值，再将若干组具体曲线长度CD_q进行均值处理，得到限定长度均值；

S26、采用RF_i＝合并差值×A1+限定长度均值×A2，得到二类风险参数RF_i，其中A1以及A2均为预设的固定系数因子，其具体取值由操作人员根据经验拟定，并将处理所得的二类风险参数RF_i进行下一步处理；

具体的，根据监测周期T，将对应的监测周期T进行划分，并对监测微周期内所产生的电压波动参数进行记录，根据所记录的具体参数，构建曲线图，单组监测周期T内，便可构建六组曲线图；

再根据预设的参数，构建分割线，对曲线图进行分割，通过分析位于分割线上端的具体线长，根据具体线长的具体参数，对其进行二类风险分析，并生成对应的二类风险参数，以进行下一步处理。

S3、根据处理所得的一类风险参数以及二类风险参数，对指定监测周期对应虚拟电厂的风险等级进行评判，并将评判结果进行展示，其中，进行评判的具体方式为：

S31、对指定监测周期T内，提取指定虚拟电厂所产生的一类风险参数YF_i以及二类风险参数RF_i，采用PD_i＝YF_i×W1+RF_i×W2得到评判参数PD_i，其中W1以及W2均为预设的固定系数因子，其具体取值由操作人员根据经验拟定；

S32、将评判参数PD_i分别与预设参数Y1以及Y2进行比对，其中Y1＜Y2，且Y1以及Y2均为预设值，其具体取值由操作人员根据经验拟定；

S33、当PD_i＜Y1时，生成正常信号，并传输至外部显示终端内进行展示，当Y1≤PD_i＜Y2时，生成二级风险信号，并将所生成的二级风险信号传输至外部显示终端内进行展示，当Y2≤PD_i时，生成一级风险信号，并将所生成的一级风险信号传输至外部显示终端内进行展示；

其中，一级风险信号风险等级最高，二级风险信号风险等级次之，其正常信号，代表对应的虚拟电厂不存在任何问题。

实施例二

本实施例在具体实施过程中，包含实施例一，且相较于实施例一，其具体区别在于，还包括：

S4、在监测周期T内，完成对应虚拟电厂的风险评判后，再执行下一监测周期T时，需将前一监测周期T的一类风险参数YF_i以及二类风险参数RF_i考虑在内，且具体执行风险评判的具体方式为：

S41、重复执行步骤S1以及步骤S2，得到属于本监测周期的一类风险参数YF_i以及二类风险参数RF_i；

S42、再提取上一监测周期的一类风险参数以及二类风险参数，并将本周期一类风险参数与上一监测周期的一类风险参数进行差值处理，得到一类差值，再对二类风险参数采用同等方式进行处理，得到二类差值；

S43、对本监测周期的评判参数进行评定时，采用PD_i＝YF_i×W1+RF_i×W2+(一类差值+二类差值)×W3，其中W1以及W2和W3均为预设的固定系数因子，其具体取值由操作人员根据经验拟定。

具体的，第一组监测周期进行风险分析时，不存在上一组监测周期的具体参数，故只采用本监测周期的参数进行风险分析即可，在第二组监测周期进行风险分析时，便需要将本监测周期与上一组监测周期的参数进行合并分析，来以此提升风险等级评判的准确度。

上述公式中的部分数据均是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (5)

1.一种基于机器学习的虚拟电厂运行风险检测方法，其特征在于，包括以下步骤：

S1、在机器学习模型内，限定一组监测周期，在此监测周期内，对虚拟电厂的储能量以及耗能量进行获取分析，根据分析结果，生成一类风险参数；

S2、根据所确定的一类风险参数，在相应监测周期内，对电压波动参数进行分析，预先确认波长，后续再根据波长占比值，生成二类风险参数；

S3、根据处理所得的一类风险参数以及二类风险参数，对指定监测周期对应虚拟电厂的风险等级进行评判，并将评判结果进行展示；

S4、在监测周期内，完成对应虚拟电厂的风险评判后，再执行下一监测周期时，将前一监测周期T的一类风险参数以及二类风险参数考虑在内，完成下一监测周期的风险评判，并将评判结果进行展示。

2.根据权利要求1所述的一种基于机器学习的虚拟电厂运行风险检测方法，其特征在于，所述步骤S1中，对虚拟电厂的储能量以及耗能量进行获取分析的具体方式为：

S11、限定监测周期T，其中T为预设值，将本虚拟电厂的实际储能量标记为CN_i，其中i代表不同的虚拟电厂；

S12、获取本监测周期T内，对应虚拟电厂单位时间的储能量，并将其标记为CL_i-k，并获取对应虚拟电厂单位时间的耗能量，并将其标记为HN_i-k，其中k代表不同的单位时间；

S13、采用HN_i-k-CL_i-k＝CZ_i得到待处理差值，并将本监测周期内所产生的若干组待处理差值进行求和处理，得到总和参数ZH_i；

S14、再从本监测周期内，从若干组待处理差值内提取最大值，并将其标记为CZ_imax，并采用CN_i÷CZ_imax＝YT_i得到预设消耗时间参数YT_i，再采用YF_i＝ZH_i×C1+YT_i×C2得到一类风险参数YF_i，其中C1以及C2均为预设的固定系数因子。

3.根据权利要求2所述的一种基于机器学习的虚拟电厂运行风险检测方法，其特征在于，所述步骤S2中，对电压波动参数进行分析的具体方式为：

S21、根据所限定的监测周期T，将本监测周期T划分为六组监测微周期Z_q，其中q代表不同的监测微周期，且q＝1、2、……、n，且n＝6；

S22、对不同监测微周期Z_q内所产生的电压波动参数进行记录，并将所记录的电压波动参数标记为BD_q-t，其中t代表本监测微周期q内不同时间点所对应的电压波动参数；

S23、按照时间点t的具体走向，构建属于不同监测微周期的波长曲线图，其中波长曲线图的横向坐标轴为时间线，竖向坐标轴为电压波动参数，按照不同时间点t对应不同的电压波动参数BD_q-t，依次进行连线，构建波长曲线图；

S24、在波长曲线图竖向坐标轴内确认一组预设值Y1，根据所确认预设值Y1的具体位置，构建与横向坐标轴相互平行的分割线，从波长曲线图内提取位于分割线上方的具体曲线长度，并将所提取的具体曲线长度标记为CD_q；

S25、采用CD_q-CD_q+1＝HD得到核定值，其中q的最大取值为n-1，将所得到的若干组核定值HD进行求和处理，将求和处理后的参数标定为合并差值，再将若干组具体曲线长度CD_q进行均值处理，得到限定长度均值；

S26、采用RF_i＝合并差值×A1+限定长度均值×A2，得到二类风险参数RF_i，其中A1以及A2均为预设的固定系数因子，并将处理所得的二类风险参数RF_i进行下一步处理。

4.根据权利要求3所述的一种基于机器学习的虚拟电厂运行风险检测方法，其特征在于，所述步骤S3中，对指定监测周期对应虚拟电厂的风险等级进行评判的具体方式为：

S31、对指定监测周期T内，提取指定虚拟电厂所产生的一类风险参数YF_i以及二类风险参数RF_i，采用PD_i＝YF_i×W1+RF_i×W2得到评判参数PD_i，其中W1以及W2均为预设的固定系数因子；

S32、将评判参数PD_i分别与预设参数Y1以及Y2进行比对，其中Y1＜Y2，且Y1以及Y2均为预设值；

S33、当PD_i＜Y1时，生成正常信号，并传输至外部显示终端内进行展示，当Y1≤PD_i＜Y2时，生成二级风险信号，并将所生成的二级风险信号传输至外部显示终端内进行展示，当Y2≤PD_i时，生成一级风险信号，并将所生成的一级风险信号传输至外部显示终端内进行展示。

5.根据权利要求4所述的一种基于机器学习的虚拟电厂运行风险检测方法，其特征在于，所述步骤S4中，执行下一监测周期风险评判的具体方式为：

S41、重复执行步骤S1以及步骤S2，得到属于本监测周期的一类风险参数YF_i以及二类风险参数RF_i；

S42、再提取上一监测周期的一类风险参数以及二类风险参数，并将本周期一类风险参数与上一监测周期的一类风险参数进行差值处理，得到一类差值，再对二类风险参数采用同等方式进行处理，得到二类差值；

S43、对本监测周期的评判参数进行评定时，采用PD_i＝YF_i×W1+RF_i×W2+(一类差值+二类差值)×W3，其中W1以及W2和W3均为预设的固定系数因子。

Images