CN116739562A - 一种基于lstm的配电网稳定性运维方法 - Google Patents

一种基于lstm的配电网稳定性运维方法 Download PDF

Info

Publication number
CN116739562A
CN116739562A CN202310710564.3A CN202310710564A CN116739562A CN 116739562 A CN116739562 A CN 116739562A CN 202310710564 A CN202310710564 A CN 202310710564A CN 116739562 A CN116739562 A CN 116739562A
Authority
CN
China
Prior art keywords
data
power distribution
time
distribution network
neural network
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
Application number
CN202310710564.3A
Other languages
English (en)
Inventor
王晓明
张健
李炜
关巧莉
左一成
王军兵
王元龙
李华
王磊
张婷婷
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.)
Suzhou Power Supply Co of State Grid Anhui Electric Power Co Ltd
Original Assignee
Suzhou Power Supply Co of State Grid Anhui Electric Power 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 Suzhou Power Supply Co of State Grid Anhui Electric Power Co Ltd filed Critical Suzhou Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority to CN202310710564.3A priority Critical patent/CN116739562A/zh
Publication of CN116739562A publication Critical patent/CN116739562A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Power Engineering (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Physiology (AREA)

Abstract

本发明提供了一种基于LSTM的配电网稳定性运维方法，包括如下步骤：收集配电网相关数据，过滤异常值并填补缺失值，将连续数据划分为时间序列数据；建立长短时记忆神经网络模型，预测发生故障的概率，对长短时记忆神经网络进行调优和纠错；评估配电网的稳定性风险，并实时上报至后台监控系统；当风险程度超过设定阈值时，系统向运维人员发送风险告警；根据神经网络的预测结果、实时监测数据和环境变化情况，使用遗传算法对配电系统进行调度优化管理。本发明有益效果：对配电网数据进行实时监测，识别故障原因及位置，提高故障排除效率；根据历史数据进行负荷预测，优化配电网的运行效率，减少人工操作需求，提高运维效率和安全性。

Description

一种基于LSTM的配电网稳定性运维方法
技术领域
本发明属于电网运维领域，尤其是涉及一种基于LSTM的配电网稳定性运维方法。
背景技术
配电网稳定性运维是现代电力系统中的一个重要问题，它涉及到对配电网中各种设备和负载的监控、诊断、预测和控制等一系列工作。
现有技术中，传统配电网稳定性运维方法主要依靠经验、规则和手动调整等方式来实现，这种方法存在以下几个缺点：
人为失误：传统方法依赖于人工的经验和判断，存在人为失误的风险。例如，在故障排除时，人员可能会忽略重要信息或做出错误的决策；
效率低下：传统方法需要大量人工参与，效率低下，尤其是在大规模复杂配电网中更为明显；
难以满足大规模复杂配电网的需求：随着电力系统的发展，配电网的规模和复杂度不断增加，传统方法难以满足大规模复杂配电网的需求；
缺乏智能化：传统方法缺乏智能化技术的支持，无法自动进行故障诊断和预测。
发明内容
有鉴于此，本发明旨在提出一种基于LSTM的配电网稳定性运维方法，以期解决上述部分技术问题中的至少之一。
为达到上述目的，本发明的技术方案是这样实现的：
本发明第一方面提供了，一种基于LSTM的配电网稳定性运维方法，包括如下步骤：
S1、收集历史用电数据、供电设备运行数据以及配电网网络拓扑结构，过滤异常值并填补缺失值，将连续数据划分为时间序列数据；
S2、建立长短时记忆神经网络模型，对历史数据进行训练，预测发生故障的概率，通过实时监控工作参数，对长短时记忆神经网络进行调优和纠错；
S3、基于长短时记忆神经网络模型的输出结果，结合环境温度、天气预报、用电负荷预测，评估配电网的稳定性风险，并实时上报至后台监控系统；当风险程度超过设定阈值时，系统向运维人员发送风险告警；
S4、根据神经网络的预测结果、实时监测数据和环境变化情况，使用遗传算法对配电系统进行调度优化管理。
进一步的，过滤异常值和缺失值的过程如下所示：
S101、过滤异常值：计算均值、标准差、离群值并使用3σ法则来识别异常值，并使用线性插值方法来估计异常值并进行填充；
S102、填补缺失值：根据特征缺失比例以及特征重要程度，删除含有缺失值的样本或特征，或使用KNN方法对缺失值进行预测并填补。
进一步的，将连续数据划分为时间序列数据的过程如下：
S103、根据历史用电量，选择不同的时间间隔处理用电数据；
S104、根据模型需要历史信息的时间跨度来确定时间步长；每次用相同大小的时间步长，滑动一个窗口截取一段连续的时间序列数据，并重复此过程以获得更多的时间序列数据；将每个窗口内的连续数据转换为一个序列；
S105、对数据进行标准化处理，多个时间序列之间进行平移、缩放操作，进行数据分割、打包操作，得到配电网数据集。
进一步的，S201、构建长短时记忆神经网络模型的输入层与输出层，接收时间序列数据并输出预测结果；
S202、构建长短时记忆神经网络模型的隐藏层，隐藏层使用多层神经网络结构，预测未来负荷和故障情况；
S203、通过LSTM的记忆单元结构来捕捉时间序列数据之间的相关性。
进一步的，对长短时记忆神经网络进行调优和纠错的过程如下：
S204、从实时监控数据中获取一定时间窗口内的交流相位差、频率偏移、谐波含量数据，并转换为符合长短时记忆神经网络输入要求的数据格式；
S205、使用监控数据集训练长短时记忆神经网络，并通过网络剪枝方法对长短时记忆神经网络进行调优；
S206、实时收集并记录，由长短时记忆神经网络生成的预测值与实际值之间的误差，并基于收集到的预测误差数据，对长短时记忆神经网络进行纠错。
进一步的，使用遗传算法对配电系统进行调度优化管理的过程如下：
S401、建立配电系统的数据模型，根据目标函数，设计适应度函数评估每个个体的性能，并确定与问题相关的约束条件；
S402、初始化基因组群体，并使用变异、交叉操作生成下一代基因组；
S403、通过计算每个个体的适应度，并根据每个个体的适应度排名，选出群体中的优秀基因组，进行交叉和变异操作，得到新的基因组群体；
S404、重复步骤S403，直至基因组群体满足收敛策略，得到配电系统数据模型的最优解；
S405、针对不同场景和不同目标，将步骤S404得到的最优解，作为任务分配方案，对配电系统进行调度优化管理。
本发明第二方面提供了，一种基于LSTM的配电网稳定性运维系统，根据配电网稳定性运维的需求，进行配电网稳定性运维系统前后端的设计与开发；使用RESTful API构建API接口，提供数据查询、数据上传、故障报警服务，使用关系型数据库存储采集到的各种数据；
使用High Charts可视化库，在前端页面中添加实时数据监控图表、故障报警提示、历史数据查询和分析模块，调用相应的后端API进行实时监测、故障报警、历史数据查询和分析操作。
进一步的，针对配电网的局部区域进行精细化监测和控制，结合物联网技术对设备进行状态实时监控和远程控制；
具体过程如下：
选择符合电网标准的物联网设备，安装在配电网的关键位置，采集相关数据；
建立稳定可靠的通信网络，将采集到的数据传输到云端或本地服务器；
对采集到的数据进行处理和存储，并提供API接口供应用程序调用；
根据用户需求设计相应的业务逻辑和界面，利用API接口获取数据，对设备进行状态实时监控和远程控制。
进一步的，使用High Charts可视化库，在前端页面中添加实时数据监测图表、故障报警提示、历史数据查询和分析模块的具体方案如下：
使用High Charts可视化库，展示配电网的实时负荷、电压、电流数据，通过图表进行数据分析和对比；
在前端页面中添加故障报警模块，当配电网出现异常情况时，自动发送报警信息给用户，提醒用户及时处理；
使用High Charts可视化库，以折线图、柱状图形式展示历史数据，通过界面操作进行数据查询和分析。
进一步的，针对配电网稳定性运维系统，进行安全保障工作，具体实施方案如下：
对采集到的数据进行加密传输，使用SSL/TLS协议保障数据传输的安全性；
对用户进行身份认证和权限管理，防止未经授权的用户访问系统；
采用防火墙、入侵检测系统技术，防止系统遭受网络攻击；
定期对数据库进行备份，在系统故障、数据丢失时快速恢复系统
相对于现有技术，本发明所述的一种基于LSTM的配电网稳定性运维方法具有以下有益效果：
本发明所述的一种基于LSTM的配电网稳定性运维方法具有如下功能：
实时监测：通过使用LSTM模型对配电网数据进行实时监测，可以及时发现异常情况，并采取相应措施，避免故障扩大；
故障诊断：基于LSTM模型，对历史数据进行分析，可以帮助识别故障原因及位置，提高故障排除效率；
预测能力：LSTM模型具有较强的时间序列预测能力，可以根据历史数据进行短期和长期的负荷预测、电压和电流波动预测等；
优化调度：根据LSTM模型预测结果，可通过智能调度策略来优化配电网的运行效率，降低能耗成本；
简化操作：基于LSTM模型的自动化系统，可以减少人工操作需求，提高运维效率和安全性；
附图说明
构成本发明的一部分的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为本发明实施例所述的一种基于LSTM的配电网稳定性运维方法的流程示意图。
具体实施方式
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。
下面将参考附图并结合实施例来详细说明本发明。
实施例一：
一种基于LSTM的配电网稳定性运维方法，包括如下步骤：
S1、收集历史用电数据、供电设备运行数据以及配电网网络拓扑结构，过滤异常值并填补缺失值，将连续数据划分为时间序列数据；
在实际应用中，由于数据收集和传输的各种原因，往往会出现一些异常值和缺失值等问题，这些异常值和缺失值可能会对模型训练和预测产生较大影响，因此需要对其进行过滤和处理。
过滤异常值和缺失值的过程如下所示：
S101、过滤异常值：计算均值、标准差、离群值并使用3σ法则来识别异常值，并使用线性插值方法来估计异常值并进行填充；
3σ法则(ThreeSigmaRule)，也称为68-95-99.7规则，是统计学中常用的一种规则，用于描述一个正态分布的情况下，某个区间内所包含的数据的比例；
具体来说，3σ法则指出，在一个均值为μ、标准差为σ的正态分布中，约68％的数据在距离均值±1σ的范围内，约95％的数据在距离均值±2σ的范围内，约99.7％的数据在距离均值±3σ的范围内。
线性插值(linearinterpolation)是一种在给定数据点的情况下，通过在两个相邻数据点之间连接一条直线来估算中间位置的方法，其基本思想是假设两个相邻数据点之间存在一个线性关系，在这条直线上可以通过简单的比例计算来估算中间位置的数值；
具体地说，对于给定的数据点(x0,y0)和(x1,y1)，其中x0<x1，要求在x0和x1之间的某个位置x处进行线性插值，可以使用公式：y＝y0+(y1-y0)/(x1-x0)*(x-x0)；
其中，y表示在x处估算得到的数值。这个公式的意义是将x0，y0和x1，y1之间的线段按照比例分成两段，再根据x-x0所占的比例得到对应的y值。
S102、填补缺失值：根据特征缺失比例以及特征重要程度，删除含有缺失值的样本或特征，或使用KNN方法对缺失值进行预测并填补。
将连续数据划分为时间序列数据的过程如下：
S103、根据历史用电量，选择不同的时间间隔处理用电数据；
S104、根据模型需要历史信息的时间跨度来确定时间步长(例如：如果选取过去5天的数据作为输入特征，那么时间步长为5)；每次用相同大小的时间步长，滑动一个窗口截取一段连续的时间序列数据，并重复此过程以获得更多的时间序列数据；将每个窗口内的连续数据转换为一个序列(例如：将过去5天每小时的用电量转换为一个长度为120(24*5)的时间序列)；
S105、对数据进行标准化处理，多个时间序列之间进行平移、缩放操作，进行数据分割、打包操作，得到配电网数据集。
S2、建立长短时记忆神经网络模型，对历史数据进行训练，预测发生故障的概率，通过实时监控工作参数，对长短时记忆神经网络进行调优和纠错；
实时监控工作参数通过相应的传感器将实时数据采集同步到计算机或其他数据处理系统中，本发明采用交流相位差法进行监控；
交流相位差可以通过测量两路交流电源之间反向的电压峰值出现的时间差来确定，使用两个可升高机械压降的毫伏表，并分别测量振荡电路中的两个信号。
本发明还可以选择如下方法进行监控：
频率偏移法：
频率偏移可以通过测量电源输出波形产生的频率与标准取样率(如50Hz)之间的差异来确定，使用频谱分析仪、锁相放大器等设备进行测量；
谐波含量法：
谐波含量可以通过测量振荡电路输出波形中不同频率的谐波成分所占的比例来确定，使用功率计、频谱分析仪等设备进行测量。
S201、构建长短时记忆神经网络模型的输入层与输出层，接收时间序列数据并输出预测结果；
S202、构建长短时记忆神经网络模型的隐藏层，隐藏层使用多层神经网络结构，预测未来负荷和故障情况；
隐藏层使用多层网络结构，每层的隐藏单元数量分别为128、128和64；
其中，第一至N-1层的返回序列设置为True，表示这N-1层是有状态的，可以传递时间步信息；
第N层的返回序列设置为False，表示最后一层不再需要时间步信息，只需要返回一个固定长度的输出；
在每个层后，添加BatchNormalization层来调整输入数据的均值和方差，并添加Dropout层来随机删除一些神经元，避免过拟合；
在模型的末尾添加了一个全连接层，并使用线性激活函数进行输出。
通过增加长短时记忆神经网络模型的层数和每层的隐藏单元数量，配合正则化技术，可以提高LSTM网络的表达能力，从而更准确地预测未来负荷和故障情况，实现配电网的稳定性运维。
S203、通过长短时记忆神经网络模型的记忆单元结构来捕捉时间序列数据之间的相关性。
对长短时记忆神经网络进行调优和纠错的过程如下：
S204、从实时监控数据中获取一定时间窗口内的交流相位差、频率偏移、谐波含量数据，并转换为符合长短时记忆神经网络输入要求的数据格式；
S205、使用监控数据集训练长短时记忆神经网络，并通过网络剪枝方法对长短时记忆神经网络进行调优；
S206、实时收集并记录，由长短时记忆神经网络生成的预测值与实际值之间的误差，并基于收集到的预测误差数据，对长短时记忆神经网络进行纠错。
S3、基于长短时记忆神经网络模型的输出结果，结合环境温度、天气预报、用电负荷预测，评估配电网的稳定性风险，并实时上报至后台监控系统；当风险程度超过设定阈值时，系统向运维人员发送风险告警；
设定的阈值及其依据如下：
1)环境温度阈值：一般来说，涉及到计算机、服务器等信息技术设备，在其工作范围内的温度应该控制在较为合理的范围内，否则易导致设备故障或降低其性能寿命；
例如，Intel推荐服务器的操作温度在30℃～35℃左右，其他厂商也有相应的温度规范要求，根据产品说明书确定具体的温度阈值。
2)用电负载阈值：通过对市政电力看板大数据上货运、商业、住宅等各领域的用电负荷情况分析及未来趋势预测，得出一个较为准确的用电负荷曲线图，并设定一些特殊情况所需的备用电量等方式，以确定用电负载阈值。
3)用电负载阈值：根据操作环境和客户单位所处地理位置、天气季节影响因素(例如季节温度变化、季节降雨量变化、季节日照时长变化)，综合制定针对不同季节的负荷预警阈值。
根据宿州市的气候特征，设置以下的用电负载阈值：
夏季(5月9日-9月19日)：夏季温度增高，大量使用空调等制冷设备，将用电负载阈值设置为35万千瓦，以保证足够的用电供应；
冬季(11月30日-2月26日)：冬季温度降低且宿州当地并未提供集中供暖，大量使用取暖设备，但宿州市冬季气温并未低于零下五摄氏度，因此用电负载阈值可以适当降低，将用电负载阈值设置为25万千瓦，以满足人们的取暖需求。
根据宿州市的降水特征，设置以下的用电负载阈值：
多雨阶段(2月4日-12月14日)：这个阶段持续10个月，从2月到12月降雨量较多，且相关31天的降雨量至少为13毫米，市政排水用电量增高，根据历史降水量的时间分布将用电负载阈值增高1-3万千瓦；
少雨阶段(12月14日-2月4日)：这个阶段持续1.7个月，从12月到2月，此时间内无需将用电负载阈值增高；
需要注意的是，雨水最多的月份是七月，平均降雨量为169毫米，且阵雨居多，为防止突发大规模降水，七月份全月用电负载阈值增高3万千瓦。
根据宿州市的日照特征，设置以下的用电负载阈值：
夏季(6月-9月)：这个季节日照时间较长，城市照明用电量降低，根据历史日照时间及强度，将用电负载阈值降低1-3万千瓦；
冬季(10月-次年5月)：这个季节日照时间较短，城市照明用电量增高，根据历史日照时间及强度，将用电负载阈值增高2-5万千瓦。
S4、根据神经网络的预测结果、实时监测数据和环境变化情况，使用遗传算法对配电系统进行调度优化管理。
使用遗传算法对配电系统进行调度优化管理的过程如下：
S401、建立配电系统的数据模型，根据目标函数，设计适应度函数评估每个个体的性能，并确定与问题相关的约束条件；
S402、初始化基因组群体，并使用变异、交叉操作生成下一代基因组；
S403、通过计算每个个体的适应度，并根据每个个体的适应度排名，选出群体中的优秀基因组，进行交叉和变异操作，得到新的基因组群体；
S404、重复步骤S403，直至基因组群体满足收敛策略，得到配电系统数据模型的最优解；
S405、针对不同场景和不同目标，将步骤S404得到的最优解，作为任务分配方案，对配电系统进行调度优化管理。
遗传算法(GeneticAlgorithm)是一种基于进化论原理的优化算法，通过模拟生物群体的繁衍和遗传过程来搜索最优解，在遗传算法中，需要初始化一个初始基因组群体，并使用变异、交叉等操作生成下一代基因组，其计算方法如下：
1)初始化基因组群体：
初始化一个M*L大小矩阵P，元素p(ij)代表第i个基因组的第j个基因位，取值范围通常为(0,1)或某个实数区间；
2)变异操作(Mutationoperation)：
变异操作通常以一定概率对某个基因位进行随机突变，以增加多样性，假设变异概率为pm，则对于第i个基因组的第j个基因位而言，可以采用如下公式：
P’(ij)＝1-p(ij)～B(pm)；
其中，B(pm)表示以概率pm产生1和以概率(1-pm)产生0的伯努利分布，即在变异概率小于1的情况下，p(ij)取反的概率为pm，否则不变异，即取原值。
3)交叉操作(Crossoveroperation)：
交叉操作通常以一定概率对两个基因组中的某个随机基因位进行互换，从而产生新的后代基因组，假设交叉概率为pc，则对于第i和第j个基因组而言，在交叉位置k进行单点交叉操作，可采用如下公式：
p”(ik)＝p(ik)～B(pc)+(1-p(ik))～B(1-pc)；
p”(jk)＝p(jk)～B(pc)+(1-p(jk))～B(1-pc)；
其中，B(pc)同上述变异操作,即交叉概率小于1时，以某种概率将第i和第j个基因组在位置k处交换；否则就不进行交叉操作。
实施例二：
一种基于LSTM的配电网稳定性运维方法的系统，根据配电网稳定性运维的需求，进行配电网稳定性运维系统前后端的设计与开发；使用RESTfulAPI构建API接口，提供数据查询、数据上传、故障报警服务，使用关系型数据库存储采集到的各种数据；
使用HighCharts可视化库，在前端页面中添加实时数据监控图表、故障报警提示、历史数据查询和分析模块，调用相应的后端API进行实时监测、故障报警、历史数据查询和分析操作。
针对配电网的局部区域进行精细化监测和控制，结合物联网技术对设备进行状态实时监控和远程控制；
具体过程如下：
选择符合电网标准的物联网设备，安装在配电网的关键位置，采集相关数据；
建立稳定可靠的通信网络，将采集到的数据传输到云端或本地服务器；
对采集到的数据进行处理和存储，并提供API接口供应用程序调用；
根据用户需求设计相应的业务逻辑和界面，利用API接口获取数据，对设备进行状态实时监控和远程控制。
使用HighCharts可视化库，在前端页面中添加实时数据监测图表、故障报警提示、历史数据查询和分析模块的具体方案如下：
使用HighCharts可视化库，展示配电网的实时负荷、电压、电流数据，通过图表进行数据分析和对比；
在前端页面中添加故障报警模块，当配电网出现异常情况时，自动发送报警信息给用户，提醒用户及时处理；
使用HighCharts可视化库，以折线图、柱状图形式展示历史数据，通过界面操作进行数据查询和分析。
针对配电网稳定性运维系统，进行安全保障工作，具体实施方案如下：
对采集到的数据进行加密传输，使用SSL/TLS协议保障数据传输的安全性；
对用户进行身份认证和权限管理，防止未经授权的用户访问系统；
采用防火墙、入侵检测系统技术，防止系统遭受网络攻击；
定期对数据库进行备份，在系统故障、数据丢失时快速恢复系统。
实施例三：
针对解决配电网面积广、时间长的停电问题，需要构建一个针对长时间序列数据进行预测的长短时记忆神经网络结构，建立长短时记忆神经网络模型需要考虑以下几个方面：
针对长时间序列：要设置比较长的窗口长度，消除随机的，不相关的变动，同时采用重叠滑动窗口方式增加数据利用率；
对输入特征的处理：输入的特征需要综合考虑多方面因素，包括负荷情况、温度、天气、设备状态等信息，并对其进行归一化处理；
考虑多个时间尺度：将长短时记忆神经网络模型与具有较低时间分辨率的子网组成多层级混合架构，发挥长短时记忆神经网络模型的长时间依赖性，以及其他方法对局部细节的优势；
进行时间步的调整：通过预训练神经网络减少(平滑)噪声信号、增加特征数量。
设计损失函数：选择合适的误差度量，并在损失函数中加入正则化项，以克服过度拟合问题。
消除随机的，不相关的变动的方法如下：
去除季节性变化：通过将数据分解为趋势、周期和残差三部分，并从中去除季节性变化；
平滑处理：将原始数据进行平均、加权平均或指数平滑处理，减少噪音影响；
状态空间模型：通过引入隐含状态这一概念，减少噪音的影响，并提高模型预测能力；
孪生神经网络：结合孪生神经网络(SiameseNeuralNetwork)的方法，将同样的输入通过两个神经网络进行处理，以消除不相关的变动对预测结果带来的影响。
对负荷情况、温度、天气、设备状态等信息，进行归一化处理的方法如下：
归一化通常分为线性归一化和标准化两种方式：
线性归一化：将特征值缩放到[0,1]或[-1,1]的区间内，采用min-max归一化的方法，公式为：x'＝(x-min(x))/(max(x)-min(x))；
标准化：指将特征值转换为均值为0、方差为1的数据，使用z-score归一化的方法，公式为：x'＝(x-mean(x))/std(x)。
考虑多个时间尺度的具体方法如下：
定义不同的滑动窗口大小，在预测负荷情况时，设置窗口大小为5min、15min、30min和60min多个时间尺度；
使用滑动窗口方法将输入数据分割成多个时间序列，并对每个时间序列进行归一化处理；
对每个时间序列建立相应的LSTM模型，并使用不同时间尺度的训练集和验证集进行训练和评估；
预测输出结果时，将多个模型的预测结果加权平均，得到最终的预测结果。
在损失函数中加入正则化项的具体方法如下：
在损失函数中加入正则化项可以有效避免LSTM模型出现过拟合的情况，一般来说，主要有L1正则化和L2正则化两种形式；
L1正则化又称为Lasso正则化，其基本思想是将模型的参数向量中每个元素的绝对值加权后相加，作为正则化项，具体方法如下：
损失函数＝原始损失函数+λ*∑|θi|；
其中，θi是模型的参数向量中的第i个元素，λ是正则化系数；
L2正则化又称为Ridge正则化，与L1正则化相似，但只是将参数向量中每个元素的平方加权后相加，作为正则化项，具体方法如下：
损失函数＝原始损失函数+λ*∑(θi)2；
其中，θi是模型的参数向量中的第i个元素，λ是正则化系数。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于LSTM的配电网稳定性运维方法，其特征在于：
包括如下步骤：
S1、收集历史用电数据、供电设备运行数据以及配电网网络拓扑结构，过滤异常值并填补缺失值，将连续数据划分为时间序列数据；
S2、建立长短时记忆神经网络模型，对历史数据进行训练，预测发生故障的概率，通过实时监控工作参数，对长短时记忆神经网络进行调优和纠错；
S3、基于长短时记忆神经网络模型的输出结果，结合环境温度、天气预报、用电负荷预测，评估配电网的稳定性风险，并实时上报至后台监控系统；当风险程度超过设定阈值时，系统向运维人员发送风险告警；
S4、根据神经网络的预测结果，实时监测数据和环境变化情况，使用遗传算法对配电系统进行调度优化管理。
2.根据权利要求1所述的一种基于LSTM的配电网稳定性运维方法，其特征在于：
过滤异常值和缺失值的过程如下所示：
S101、过滤异常值：计算均值、标准差、离群值并使用3σ法则来识别异常值，并使用线性插值方法来估计异常值并进行填充；
S102、填补缺失值：根据特征缺失比例以及特征重要程度，删除含有缺失值的样本或特征，或使用KNN方法对缺失值进行预测并填补。
3.根据权利要求1所述的一种基于LSTM的配电网稳定性运维方法，其特征在于：
将连续数据划分为时间序列数据的过程如下：
S103、根据历史用电量，选择不同的时间间隔处理用电数据；
S104、根据模型需要历史信息的时间跨度来确定时间步长；每次用相同大小的时间步长，滑动一个窗口截取一段连续的时间序列数据，并重复此过程以获得更多的时间序列数据；将每个窗口内的连续数据转换为一个序列；
S105、对数据进行标准化处理，多个时间序列之间进行平移、缩放操作，进行数据分割、打包操作，得到配电网数据集。
4.根据权利要求1所述的一种基于LSTM的配电网稳定性运维方法，其特征在于：建立长短时记忆神经网络模型的过程如下：
S201、构建长短时记忆神经网络模型的输入层与输出层，接收时间序列数据并输出预测结果；
S202、构建长短时记忆神经网络模型的隐藏层，隐藏层使用多层神经网络结构，预测未来负荷和故障情况；
S203、通过LSTM的记忆单元结构来捕捉时间序列数据之间的相关性。
5.根据权利要求1所述的一种基于LSTM的配电网稳定性运维方法，其特征在于：
对长短时记忆神经网络进行调优和纠错的过程如下：
S204、从实时监控数据中获取一定时间窗口内的交流相位差、频率偏移、谐波含量数据，并转换为符合长短时记忆神经网络输入要求的数据格式；
S205、使用监控数据集训练长短时记忆神经网络，并通过网络剪枝方法对长短时记忆神经网络进行调优；
S206、实时收集并记录，由长短时记忆神经网络生成的预测值与实际值之间的误差，并基于收集到的预测误差数据，对长短时记忆神经网络进行纠错。
6.根据权利要求1所述的一种基于LSTM的配电网稳定性运维方法，其特征在于：
使用遗传算法对配电系统进行调度优化管理的过程如下：
S401、建立配电系统的数据模型，根据目标函数，设计适应度函数评估每个个体的性能，并确定与问题相关的约束条件；
S402、初始化基因组群体，并使用变异、交叉操作生成下一代基因组；
S403、通过计算每个个体的适应度，并根据每个个体的适应度排名，选出群体中的优秀基因组，进行交叉和变异操作，得到新的基因组群体；
S404、重复步骤S403，直至基因组群体满足收敛策略，得到配电系统数据模型的最优解；
S405、针对不同场景和不同目标，将步骤S404得到的最优解，作为任务分配方案，对配电系统进行调度优化管理。
7.应用权利要求1-6任一所述的一种基于LSTM的配电网稳定性运维方法的系统，其特征在于：
根据配电网稳定性运维的需求，进行配电网稳定性运维系统前后端的设计与开发；使用RESTful API构建API接口，提供数据查询、数据上传、故障报警服务，使用关系型数据库存储采集到的各种数据；
使用High Charts可视化库，在前端页面中添加实时数据监控图表、故障报警提示、历史数据查询和分析模块，调用相应的后端API进行实时监测、故障报警、历史数据查询和分析操作。
8.根据权利要求7所述的一种基于LSTM的配电网稳定性运维系统，其特征在于：
针对配电网的局部区域进行精细化监测和控制，结合物联网技术对设备进行状态实时监控和远程控制；
具体过程如下：
选择符合电网标准的物联网设备，安装在配电网的关键位置，采集相关数据；
建立稳定可靠的通信网络，将采集到的数据传输到云端或本地服务器；
对采集到的数据进行处理和存储，并提供API接口供应用程序调用；
根据用户需求设计相应的业务逻辑和界面，利用API接口获取数据，对设备进行状态实时监控和远程控制。
9.根据权利要求7所述的一种基于LSTM的配电网稳定性运维系统，其特征在于：
使用High Charts可视化库，在前端页面中添加实时数据监测图表、故障报警提示、历史数据查询和分析模块的具体方案如下：
使用High Charts可视化库，展示配电网的实时负荷、电压、电流数据，通过图表进行数据分析和对比；
在前端页面中添加故障报警模块，当配电网出现异常情况时，自动发送报警信息给用户，提醒用户及时处理；
使用High Charts可视化库，以折线图、柱状图形式展示历史数据，通过界面操作进行数据查询和分析。
10.根据权利要求7所述的一种基于LSTM的配电网稳定性运维系统，其特征在于：
针对配电网稳定性运维系统，进行安全保障工作，具体实施方案如下：
对采集到的数据进行加密传输，使用SSL/TLS协议保障数据传输的安全性；
对用户进行身份认证和权限管理，防止未经授权的用户访问系统；
采用防火墙、入侵检测系统技术，防止系统遭受网络攻击；
定期对数据库进行备份，在系统故障、数据丢失时快速恢复系统。
CN202310710564.3A 2023-06-15 2023-06-15 一种基于lstm的配电网稳定性运维方法 Pending CN116739562A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310710564.3A CN116739562A (zh) 2023-06-15 2023-06-15 一种基于lstm的配电网稳定性运维方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310710564.3A CN116739562A (zh) 2023-06-15 2023-06-15 一种基于lstm的配电网稳定性运维方法

Publications (1)

Publication Number Publication Date
CN116739562A true CN116739562A (zh) 2023-09-12

Family

ID=87916456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310710564.3A Pending CN116739562A (zh) 2023-06-15 2023-06-15 一种基于lstm的配电网稳定性运维方法

Country Status (1)

Country Link
CN (1) CN116739562A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117134507A (zh) * 2023-10-27 2023-11-28 南京中鑫智电科技有限公司 基于智能群体关联的全站容性设备在线监测方法及系统
CN117255463A (zh) * 2023-09-22 2023-12-19 中关村科学城城市大脑股份有限公司 设备故障告警方法、装置、设备、介质和智能照明设备
CN117368799A (zh) * 2023-12-07 2024-01-09 山西思极科技有限公司 一种电力系统输电线路短路故障的诊断方法
CN117411184A (zh) * 2023-10-26 2024-01-16 唐山昌宏科技有限公司 中低压供电应急处置智能指挥系统
CN117849700A (zh) * 2024-03-07 2024-04-09 南京国网电瑞电力科技有限责任公司 可控制测量的模块化电能计量系统

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117255463A (zh) * 2023-09-22 2023-12-19 中关村科学城城市大脑股份有限公司 设备故障告警方法、装置、设备、介质和智能照明设备
CN117255463B (zh) * 2023-09-22 2024-05-28 中关村科学城城市大脑股份有限公司 设备故障告警方法、装置、设备、介质和智能照明设备
CN117411184A (zh) * 2023-10-26 2024-01-16 唐山昌宏科技有限公司 中低压供电应急处置智能指挥系统
CN117411184B (zh) * 2023-10-26 2024-05-03 唐山昌宏科技有限公司 中低压供电应急处置智能指挥系统
CN117134507A (zh) * 2023-10-27 2023-11-28 南京中鑫智电科技有限公司 基于智能群体关联的全站容性设备在线监测方法及系统
CN117134507B (zh) * 2023-10-27 2024-01-02 南京中鑫智电科技有限公司 基于智能群体关联的全站容性设备在线监测方法及系统
CN117368799A (zh) * 2023-12-07 2024-01-09 山西思极科技有限公司 一种电力系统输电线路短路故障的诊断方法
CN117368799B (zh) * 2023-12-07 2024-02-23 山西思极科技有限公司 一种电力系统输电线路短路故障的诊断方法
CN117849700A (zh) * 2024-03-07 2024-04-09 南京国网电瑞电力科技有限责任公司 可控制测量的模块化电能计量系统
CN117849700B (zh) * 2024-03-07 2024-05-24 南京国网电瑞电力科技有限责任公司 可控制测量的模块化电能计量系统

Similar Documents

Publication Publication Date Title
Xu et al. Probabilistic load forecasting for buildings considering weather forecasting uncertainty and uncertain peak load
CN116739562A (zh) 一种基于lstm的配电网稳定性运维方法
Pombeiro et al. Comparative assessment of low-complexity models to predict electricity consumption in an institutional building: Linear regression vs. fuzzy modeling vs. neural networks
Sial et al. Detecting anomalous energy consumption using contextual analysis of smart meter data
Li et al. Federated learning-based short-term building energy consumption prediction method for solving the data silos problem
Xu et al. Prediction of thermal energy inside smart homes using IoT and classifier ensemble techniques
Serrano-Guerrero et al. Statistical methodology to assess changes in the electrical consumption profile of buildings
Lin et al. Short-term forecast model of cooling load using load component disaggregation
Xu et al. Clustering-based probability distribution model for monthly residential building electricity consumption analysis
Jang et al. On the long-term density prediction of peak electricity load with demand side management in buildings
Ajitha et al. Design and development of Residential Sector Load Prediction model during COVID-19 Pandemic using LSTM based RNN
Rahman et al. Deep learning based ensemble method for household energy demand forecasting of smart home
CN110991815A (zh) 一种台区电力能量调度方法及系统
Maki et al. Employing electricity-consumption monitoring systems and integrative time-series analysis models: A case study in Bogor, Indonesia
CN116049764A (zh) 一种面向物联网的跨尺度时序数据融合方法及系统
Cai et al. Gray wolf optimization-based wind power load mid-long term forecasting algorithm
Yu et al. Estimating power demand shaving capacity of buildings on an urban scale using extracted demand response profiles through machine learning models
CN110880055A (zh) 楼宇智能电表系统
Xie et al. A multi-information fusion model for short term load forecasting of an architectural complex considering spatio-temporal characteristics
CN114266602A (zh) 电力物联网多源数据融合的深度学习电价预测方法和装置
Zhang et al. Ensemble learning-based approach for residential building heating energy prediction and optimization
CN117010638B (zh) 酒店设备的智能管理方法及系统
Ma et al. A synchronous prediction method for hourly energy consumption of abnormal monitoring branch based on the data-driven
Daraghmi et al. Accurate and time‐efficient negative binomial linear model for electric load forecasting in IoE
Li et al. Office building energy consumption prediction based on LSTM and SVR

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