CN116757062A - 电力负荷频率特性分析方法、装置、设备和存储介质 - Google Patents

电力负荷频率特性分析方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN116757062A
CN116757062A CN202310524728.3A CN202310524728A CN116757062A CN 116757062 A CN116757062 A CN 116757062A CN 202310524728 A CN202310524728 A CN 202310524728A CN 116757062 A CN116757062 A CN 116757062A
Authority
CN
China
Prior art keywords
data
load
neural network
load frequency
power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310524728.3A
Other languages
English (en)
Inventor
肖逸
楼楠
杨林
张勇
陈亦平
王科
方必武
张鸿轩
颜融
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.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid 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 China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202310524728.3A priority Critical patent/CN116757062A/zh
Publication of CN116757062A publication Critical patent/CN116757062A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Geometry (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种电力负荷频率特性分析方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：基于电力系统的电力数据生成仿真系统数据；根据仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络；获取电力系统的支路数据，建立子神经网络；其中子神经网络输出负荷比例数据并将负荷比例数据输入特征融合神经网络；调用电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势。采用本方法能够获取当前时间段的负荷频率变化趋势，还可预测之后一段时间内的频率变化趋势，对上层母线负荷频率变化进行实时分析与防控。

Description

电力负荷频率特性分析方法、装置、设备和存储介质
技术领域
本申请涉及电力系统负荷频率分析领域，特别是涉及一种电力负荷频率特性分析方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着新型电力系统的逐步发展，负荷的电力电子化趋势越来越明显。随着变频器和并网逆变器等设备的增多，负荷的主动性越来越强，在小扰动下负荷设备或设备群的端口会产生功率畸变，可等效为一种等效的频率抖动，体现了等效的小扰动下负荷惯性。
通常而言，大电网的频率运行非常平稳，因此直接监测有用的扰动数据较困难。而负荷设备或负荷群受到小扰动后，相应并网点的会发生等效频率波动。如果想根据这些设备或设备群的频率特性确定上层110kV负荷母线处综合负荷模型的频率参数是较为困难的，且其相互作用和聚合机理也非常复杂，主要因为各分支上的负荷种类和各种负荷的比例都是实时变化的，目前很难测量出具体的负荷比例然后对母线的负荷频率特性进行实时建模分析。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现在不同负荷种类和不同负荷比例的情况下对总母线实时频率分析与监控的电力负荷频率特性分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种电力负荷频率特性分析方法。所述方法包括：
基于电力系统的电力数据生成仿真系统数据；
根据仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络；
获取电力系统的支路数据，建立子神经网络；其中子神经网络输出负荷比例数据并将负荷比例数据输入特征融合神经网络；
调用电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势。
在一个实施例中，其中构建电力负荷频率特性模型包括训练特征融合神经网络包括：
训练特征融合神经网络包括提取频率扰动的特征向量和融合特征向量；其中，提取频率扰动的特征向量包括针对电力系统的局部扰动进行采样分析，确定负荷频率数据，根据负荷频率数据提取频率扰动的特征向量；融合特征向量包括采用编码-相加的深度学习融合方法对特征向量进行融合。
在一个实施例中，根据负荷频率数据提取频率扰动的特征向量包括：
采用图卷积神经网络的深度学习方法提取静态相关的特征向量；
采用用门控循环单元的深度学习方法提取时序相关的特征向量。
在一个实施例中，获取电力系统的支路数据，建立子神经网络还包括：
对电力系统的支路数据进行数据处理，其中数据处理包括处理错误及缺失数据、消除噪声信号和数据归一化。
在一个实施例中，其中子神经网络输出负荷比例数据并将负荷比例数据输入特征融合神经网络包括：
将电力系统的支路数据作为输入特征建立子神经网络，获取负荷比例数据，并将负荷比例数据输入特征融合神经网络。
在一个实施例中，调用电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势包括：
对融合后的特征向量进行数据拟合，获取负荷频率的变化趋势，并预测后续时间的负荷频率的变化趋势。
第二方面，本申请还提供了一种电力负荷频率特性分析装置。所述装置包括：
数据生成模块，用于基于电力系统的电力数据生成仿真系统数据；
模型构建模块，用于根据仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络；
模型辅助模块，用于获取电力系统的支路数据，建立子神经网络；其中子神经网络输出负荷比例数据并将负荷比例数据输入特征融合神经网络；
结果获取模块，用于调用电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势。
第三方面，本申请还提供了一种计算机设备。所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以下步骤：
基于电力系统的电力数据生成仿真系统数据；
根据仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络；
获取电力系统的支路数据，建立子神经网络；其中子神经网络输出负荷比例数据并将负荷比例数据输入特征融合神经网络；
调用电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势。
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以下步骤：
基于电力系统的电力数据生成仿真系统数据；
根据仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络；
获取电力系统的支路数据，建立子神经网络；其中子神经网络输出负荷比例数据并将负荷比例数据输入特征融合神经网络；
调用电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势。
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以下步骤：
基于电力系统的电力数据生成仿真系统数据；
根据仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络；
获取电力系统的支路数据，建立子神经网络；其中子神经网络输出负荷比例数据并将负荷比例数据输入特征融合神经网络；
调用电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势。
上述电力负荷频率特性分析方法、装置、计算机设备、存储介质和计算机程序产品，通过基于电力系统的电力数据生成仿真系统数据，根据仿真系统数据构建电力负荷频率特性模型，调用电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势，通过这一电力负荷频率特性模型，能够获得当前时间段的负荷频率的变化趋势，并且基于这一负荷频率变化趋势能够预测之后一段时间内的电力系统的频率变化趋势，进一步对上层母线负荷频率变化进行实时分析与防控。其中构建电力负荷频率特性模型包括训练特征融合神经网络，训练特征融合神经网络的过程中能够充分利用不同结构频率扰动数据特征和有效考虑频率相关的各类特性，具有较好的拟合与预测效果，并且计算速度快，能够满足实时分析的速度要求。通过获取电力系统的支路数据，建立子神经网络，其中子神经网络输出负荷比例数据并将负荷比例数据输入特征融合神经网络，通过子神经网络辅助特征融合神经网络能够有效提升算法性能，且能够实时监控电力系统的各类负荷比例，从而做出更好的决策方案。
附图说明
图1为一个实施例中电力负荷频率特性分析方法的流程示意图；
图2为一个实施例中数据采集传输的结构示意图；
图3为一个实施例中子神经网络的结构示意图；
图4为一个实施例中提取并融合特征向量以及获取负荷频率曲线的结构示意图；
图5为一个实施例中电力负荷频率特性分析方法的结构示意图；
图6为另一个实施例中电力负荷频率特性分析方法的流程示意图；
图7为一个实施例中电力负荷频率特性分析装置的结构示意图；
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
频率是电力系统保持稳定高效运行的关键控制性参数，而负荷特性是影响电力系统频率运行状态的重要因素，因此精准把握负荷的频率特性具有重要的意义。针对特定的负荷频率模型，在线辨识负荷的频率特性参数是一类重要的技术方法。然而现代电力系统规模庞大，通常总体频率很平稳，难以在线捕捉达到足够幅度的扰动—响应数据，进而因为数据稀少造成频率参数辨识困难。虽然电力系统频率总体稳定，但是低压电网局部受扰动后，会存在一些频率抖动，即与大电网存在频率偏差。新型电力系统背景下，负荷端并网换流器导致的这些现象出现的几率大大增加。
如果想由这些设备或设备群的频率特性，进而确定上层110kV负荷母线处综合负荷模型的频率参数是较为困难的，且其相互作用和聚合机理非常复杂。主要原因为各分支上的负荷种类和各种负荷的比例都是实时变化的，现有技术很难测量出具体的负荷比例然后进行实时建模分析，但人工智能方法为此问题提供了解决思路，可以通过复杂的模型结构全面描述频率的变化特性。
为全面描述其中的机理，需要将各条支路的多种特征进行特征融合从而充分表达各分支路频率扰动对母线频率扰动的影响，进而可以实现在不同负荷种类和不同负荷比例的情况下对总母线实时频率分析与监控，为实时监控扰动来源和分析扰动原因提供了基础。
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。
在一个实施例中，如图1所示，提供了一种电力负荷频率特性分析方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，基于电力系统的电力数据生成仿真系统数据。
其中，仿真系统数据由电力系统内部仿真平台生成。可选地，仿真平台可基于电力系统中数据库存储的电力数据生成仿真系统数据。可选地，利用BPA(BonnevillePowerAdministration，电力系统分析软件工具)进行仿真数据的生成。
步骤104，根据仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络。
其中，仿真系统数据包括训练集、验证集和测试集。训练集、验证集和测试集之间不存在交集，起到不同的作用。训练集用于训练特征融合神经网络，验证集用于训练特征融合神经网络过程中的定期测试，测试集用于训练特征融合神经网络过程中的最终测试。
在其中一个实施例中，构建电力负荷频率特性模型包括训练特征融合神经网络、筛选最优网络权重、效果评估和确定最终模型。可选地，利用Python中Tensorflow进行模型训练与搭建。
步骤106，获取电力系统的支路数据，建立子神经网络；其中子神经网络输出负荷比例数据并将负荷比例数据输入特征融合神经网络。
其中，电力系统的支路数据包括单条支路的频率、电压和潮流等数据。
其中，子神经网络是用于辅助特征融合网络模型的神经网络方法，其结构包括全连接神经网络，训练方式与常规神经网络训练方式相同。
其中，子神经网络的输入数据包括一段时间内的支路的电流、电压和功率的向量，即为电力系统的支路数据；输出数据包括各类负荷的比例，即为负荷比例数据。
步骤108，调用电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势。
其中，负荷频率的变化趋势包括上层110kV负荷母线处综合负荷模型的频率曲线。
上述电力负荷频率特性分析方法中，通过基于电力系统的电力数据生成仿真系统数据，根据仿真系统数据构建电力负荷频率特性模型，调用电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势，通过这一电力负荷频率特性模型，能够获得当前时间段的负荷频率的变化趋势，并且基于这一负荷频率变化趋势能够预测之后一段时间内的电力系统的频率变化趋势，进一步对上层母线负荷频率变化进行实时分析与防控。其中构建电力负荷频率特性模型包括训练特征融合神经网络，训练特征融合神经网络的过程中能够充分利用不同结构频率扰动数据特征和有效考虑频率相关的各类特性，具有较好的拟合与预测效果，并且计算速度快，能够满足实时分析的速度要求。通过获取电力系统的支路数据，建立子神经网络，其中子神经网络输出负荷比例数据并将负荷比例数据输入特征融合神经网络，通过子神经网络辅助特征融合神经网络能够有效提升算法性能，且能够实时监控电力系统的各类负荷比例，从而做出更好的决策方案。
在一个实施例中，其中构建电力负荷频率特性模型包括训练特征融合神经网络包括：
训练特征融合神经网络包括提取频率扰动的特征向量和融合特征向量；其中，提取频率扰动的特征向量包括针对电力系统的局部扰动进行采样分析，确定负荷频率数据，根据负荷频率数据提取频率扰动的特征向量；融合特征向量包括采用编码-相加的深度学习融合方法对特征向量进行融合。
其中，针对电力系统的局部扰动进行采样分析，确定负荷频率数据，根据负荷频率数据提取频率扰动的特征向量包括采用深度学习方法，针对局部的小扰动，从负荷频率相关的各类数据中提取出频率扰动关键特征向量。
在其中一个实施例中，提取频率扰动的特征向量包括提取静态相关的频率扰动特征向量和提取时序相关的频率扰动特征向量。具体地，静态相关的频率扰动特征向量包括：整体的电网拓扑结构、扰动时刻负荷所需的有功功率、扰动时刻发电机组提供的功率和各负荷比例。时序相关的频率扰动特征向量包括动态实时变化的变量，进一步地，时序相关的频率扰动特征向量包括各条支路的电压、有功功率和电流等特征。
进一步地，静态相关的频率扰动特征向量主要描述扰动时刻整体电力网络的运行情况。时序相关的频率扰动特征向量主要描述负荷频率的动态特性。
具体地，静态相关的频率扰动特征向量即为静态相关的特征向量，时序相关的频率扰动特征向量即为时序相关的特征向量。
在其中一个实施例中，采用编码-相加的深度学习融合方法对提取的频率扰动特征向量进行融合。
其中编码-相加为一种深度学习融合方法，具体地，该方法包括利用编码器对提取的静态相关的频率扰动特征向量与提取的时序相关的频率扰动特征向量进行编码压缩，利用相加的方式将两者充分融合，得到包含静态与动态的频率扰动特征向量的融合特征向量。具体地，融合特征向量的模型包括：当特征向量时，直接将对应的元素分别相加得到融合特征向量ZM，即ZM＝Zl+Zk，具体计算公式如公式(1)所示：
ZM＝{ZM(i)|ZM(i)＝Zl(i)+Zk(i)，i∈[1，n]} (1)
其中，ZM(i)、Zl(i)和Zk(i)分别为融合后、静态相关和时序相关的提取的频率扰动特征向量的第i个元素；表示n维实数集。
进一步地，提取的特征向量是指针对电力系统的局部扰动进行采样分析、确定负荷频率数据后根据负荷频率数据提取的频率扰动特征向量。
本实施例中，通过深度学习特征融合的方法将负荷频率的静态特征与时序特征进行特征融合，可以充分利用两种不同结构的频率扰动特征向量数据，能够有效考虑频率相关的各类特性，具有较好的拟合效果，且计算速度快，符合负荷频率实时分析的速度要求。其中通过编码器对提取的静态相关与时序相关的频率扰动特征向量进行编码压缩，能够将不同结构的特征向量数据调整为相同的编码结构模式，使得提取的特征向量具有相同的表达方式与维度。
在一个实施例中，根据负荷频率数据提取频率扰动的特征向量包括：
采用图卷积神经网络的深度学习方法提取静态相关的特征向量；
采用用门控循环单元的深度学习方法提取时序相关的特征向量。
具体地，静态相关的频率扰动特征向量即为静态相关的特征向量，时序相关的频率扰动特征向量即为时序相关的特征向量。
在其中一个实施例中，利用图卷积神经网络的深度学习方法对静态相关的频率扰动特征向量进行提取。其中，图卷积神经网络包括定义一个电力网络拓扑无向图G＝(V，E)。具体地，V为电力网络节点的集合，E为各电力网络节点的连接关系，电力网络节点之间的边关系通常使用邻接矩阵A表示；输入各电力网络节点的数据利用图卷积进行计算，最终输出提取的拓扑数据特征。其中，图卷积计算公式如公式(2)所示：
其中，为带有自连接的邻接矩阵；fReLU(·)为ReLU激活函数；D为邻接矩阵的度矩阵；Hl为第l层的输出的频率相关的拓扑特征，相应地H0为初始的输入各电力网络节点数据；Wl为第l层的模型网络权重参数。
在其中一个实施例中，利用门控循环单元的深度学习方法对时序相关的频率扰动特征向量进行提取。其中门控循环单元包括一种处理时序数据的深度学习方法，组成模块包括更新门和重置门。具体地，先通过更新门控制电力负荷频率相关的时序信号被带入到当前状态中的程度，使得前一时间步的配电网电能质量扰动特征记忆保存到当前时间步的信息中；再通过重置门将当前采样时刻输入配电网电能质量扰动特征信息与前一采样时刻的扰动特征记忆相结合以计算候选状态。
本实施例中，对根据负荷频率数据提取频率扰动的特征向量做出了具体的说明，将提取频率扰动的特征向量分为提取静态相关的特征向量和时序相关的特征向量，为融合特征向量获取负荷频率的变化趋势做好准备。
在一个实施例中，获取电力系统的支路数据，建立子神经网络还包括：对电力系统的支路数据进行数据处理，其中数据处理包括处理错误及缺失数据、消除噪声信号和数据归一化。
进一步地，该方法还包括数据采集传输。具体地，数据采集传输包括利用采集装置将单条支路的频率、电压和潮流等电力系统的支路数据进行采集并传输。其中，采集装置包括一种智能装备，包括电压、电流和功率测量等基本功能、一定的存储功能和数据传输的功能。同时，采集装置还包括一定的滤波效果，可以有效去除噪声对电力系统的支路数据的影响。进一步地，数据传输包括加密传输。
在其中一个实施例中，数据采集的数据窗为2～3周波，在减少噪声的同时，具有一定的波动监测效果。通过人工智能方法将功率畸变的变化转化为转子角速度ω的变化，进而得到频率的变化特性。
可选地，如图2所示，提供一个实施例中数据采集传输的结构示意图。其中，通过采集装置采集电力系统的支路数据，对采集的电力系统的支路数据进行数据处理，包括修正错误数据、填补缺失数据和进行噪声滤波处理，将处理后的电力系统的支路数据进行加密传输，传输至子神经网络进行数据分析。
本实施例中，通过采集装置能够实时获取和传输电力系统的支路数据，并根据电力系统的支路数据建立子神经网络，子神经网络能够识别一定的负荷比例，为进一步获取负荷比例数据和将负荷比例数据输入特征融合神经网络做准备。通过采集装置进行数据采集和传输，能够在确保数据正确的前提下减少外界的扰动干扰，从而保证传输的安全性。
在一个实施例中，其中子神经网络输出负荷比例数据并将负荷比例数据输入特征融合神经网络包括：将电力系统的支路数据作为输入特征建立子神经网络，获取负荷比例数据，并将负荷比例数据输入特征融合神经网络。
进一步地，通过负荷比例分析方法获取特征融合神经网络的输入数据。具体地，将单条支路的频率、电压和基波功率作为输入特征数据，根据输入特征数据建立子神经网络，从而识别一定的负荷比例数据，将负荷比例数据作为特征融合神经网络的输入数据。
可选地，如图3所示，提供了一个实施例中子神经网络的结构示意图。其中，获取电力系统的支路数据并作为输入特征数据建立起子神经网络，其中电力系统的支路数据包括负荷相关数据，子神经网络输出负荷比例数据，从负荷比例数据中提取静态相关的特征向量，静态相关的特征向量与时序相关的特征向量共同用于训练特征融合神经网络。
本实施例中，通过在根据仿真系统数据构建电力负荷频率特性模型与调用电力负荷频率特性模型对负荷频率特性进行分析之间，进行了补充说明。补充了建立子神经网络内容，包括在训练集、验证集和测试集的基础上补充实时采集的电力系统的支路数据，使得输入的数据更加充分，更能够全面描述整体模型。通过子神经网络配合特征融合网络，能够有效提升算法性能，且能够实时监控系统的各类负荷比例，从而做出更好的决策方案。
在一个实施例中，调用电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势包括：对融合后的特征向量进行数据拟合，获取负荷频率的变化趋势，并预测后续时间的负荷频率的变化趋势。
具体地，对融合后的特征向量进行数据拟合包括根据融合后的特征向量进行负荷频率曲线的拟合。进一步地，负荷频率曲线的拟合包括对局部的小扰动负荷频率特性聚合出总体110kV母线的频率扰动特性，并预测之后小段时间的频率变化。具体地，局部的小扰动负荷频率特性聚合出总体110kV母线的频率扰动特性的方法包括将融合特征向量输入至由全连接层与Sigmoid激活函数组成的回归器中，由回归器输出拟合后的上层110kV负荷母线处综合负荷模型的负荷频率曲线。进一步地，预测后续时间的负荷频率的变化趋势即为预测后续时间的负荷频率曲线变化趋势。
可选地，如图4所示，提供一个实施例中提取并融合特征向量以及获取负荷频率曲线的结构示意图。其中，采用图卷积神经网络的方法根据静态相关频率扰动数据提取静态相关的特征向量，采用用门控循环单元的方法根据时序相关频率扰动数据提取时序相关的特征向量。将提取的静态相关的特征向量输入第一编码器，将提取的时序相关的特征向量输入第二编码器，分别进行编码压缩，然后利用相加的方式将静态相关的特征向量和时序相关的特征向量充分融合，输入回归器中，由回归器完成负荷频率曲线的拟合与预测。
本实施例中，由回归器完成负荷频率的变化趋势的拟合与预测，具有较好的拟合与预测效果，且在拟合出当前时间段的负荷频率曲线的基础上，还可预测之后一段时间内的频率变化趋势，从而完成对上层母线负荷频率变化的实时分析与防控，提出进一步的解决措施。
可选地，如图5所示，提供一个实施例中电力负荷频率特性分析方法的结构示意图。其中，仿真系统数据生成后分为训练集、验证集和测试集，训练集用于训练特征融合神经网络，验证集用于训练过程中定期测试，测试集用于特征融合神经网络的最终测试，从而筛选最优网络权重。对筛选出的特征融合神经网络进行效果评估，从而确定最终模型。同时，实时采集电力系统的支路数据，将处理后的数据输入最终模型，完成对上层负荷母线频率变化的分析与预测。其中，将实时采集的电力系统的支路数据处理输入确定的最终模型并进行上层负荷母线频率变化的分析与预测为实际应用的过程。
在一个实施例中，如图6所示，提供了一种电力负荷频率特性分析方法，包括：
步骤602，基于电力系统的电力数据生成仿真系统数据。
步骤604，根据仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络；训练特征融合神经网络包括针对电力系统的局部扰动进行采样分析，确定负荷频率数据，采用图卷积神经网络的深度学习方法提取静态相关的特征向量。
步骤606，根据仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络；训练特征融合神经网络包括针对电力系统的局部扰动进行采样分析，确定负荷频率数据，采用用门控循环单元的深度学习方法提取时序相关的特征向量。
步骤608，根据仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络；训练特征融合神经网络包括采用编码-相加的深度学习融合方法对特征向量进行融合。
步骤610，获取电力系统的支路数据，建立子神经网络。
步骤612，对电力系统的支路数据进行数据处理，其中数据处理包括处理错误及缺失数据、消除噪声信号和数据归一化。
步骤614，将电力系统的支路数据作为输入特征建立子神经网络，获取负荷比例数据，并将负荷比例数据输入特征融合神经网络。
步骤616，对融合后的特征向量进行数据拟合，获取负荷频率的变化趋势，并预测后续时间的负荷频率的变化趋势。
本发明提出了一种电力负荷频率特性分析方法，尤其适用于含多种负荷的配电网系统的频率分析与预测。该方法针对负荷的电力电子化趋势，考虑控制器在负荷(含分布式电源)控制中的作用，提出了通过负荷群并网点的监测数据，采用人工智能算法构建模型。主要包括采用深度学习方法针对局部的小扰动提取出频率扰动的特征向量，进而采用基于深度学习编码-相加融合的方法对提取的特征向量进行融合，并利用回归器拟合并预测负荷频率的变化趋势。同时采取实时分析聚合负荷比例的方法，将负荷设备或负荷群的频率、电压和潮流等电力系统的支路数据作为输入特征数据建立子神经网络识别一定的负荷比例，并将负荷比例数据作为特征融合神经网络的输入数据。
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电力负荷频率特性分析方法的电力负荷频率特性分析装置。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电力负荷频率特性分析装置实施例中的具体限定可以参见上文中对于电力负荷频率特性分析方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种电力负荷频率特性分析装置，包括：数据生成模块702、模型构建模块704、模型辅助模块706和结果获取模块708，其中：
数据生成模块702，用于基于电力系统的电力数据生成仿真系统数据；
模型构建模块704，用于根据仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络；
模型辅助模块706，用于获取电力系统的支路数据，建立子神经网络；其中子神经网络输出负荷比例数据并将负荷比例数据输入特征融合神经网络；
结果获取模块708，用于调用电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势。
在其中一个实施例中，该装置还包括：
神经网络训练模块，用于训练特征融合神经网络，其中训练特征融合神经网络包括提取频率扰动的特征向量和融合特征向量。
向量提取模块，用于提取频率扰动的特征向量，其中提取频率扰动的特征向量包括针对电力系统的局部扰动进行采样分析，确定负荷频率数据，根据负荷频率数据提取频率扰动的特征向量。
向量融合模块，用于融合特征向量，其中融合特征向量包括采用编码-相加的深度学习融合方法对特征向量进行融合。
在其中一个实施例中，该装置还包括：
静态向量提取模块，用于采用图卷积神经网络的深度学习方法提取静态相关的特征向量。
时序向量提取模块，用于采用用门控循环单元的深度学习方法提取时序相关的特征向量。
在其中一个实施例中，该装置还包括：
数据处理模块，用于对电力系统的支路数据进行数据处理，其中数据处理包括处理错误及缺失数据、消除噪声信号和数据归一化。
在其中一个实施例中，该装置还包括：
子神经网络建立模块，用于将电力系统的支路数据作为输入特征建立子神经网络，获取负荷比例数据，并将负荷比例数据输入特征融合神经网络。
在其中一个实施例中，该装置还包括：
负荷频率变化趋势拟合模块，用于对融合后的特征向量进行数据拟合，获取负荷频率的变化趋势，并预测后续时间的负荷频率的变化趋势。
上述电力负荷频率特性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终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。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、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电力负荷频率特性分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
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，还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各方法实施例中的步骤。
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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各方法实施例中的步骤。
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。
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 Access Memory，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(Dynamic RandomAccess 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)

1.一种电力负荷频率特性分析方法，其特征在于，所述方法包括：
基于电力系统的电力数据生成仿真系统数据；
根据所述仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络；
获取所述电力系统的支路数据，建立子神经网络；其中所述子神经网络输出负荷比例数据并将所述负荷比例数据输入所述特征融合神经网络；
调用所述电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势。
2.根据权利要求1所述的方法，其特征在于，所述其中构建电力负荷频率特性模型包括训练特征融合神经网络包括：
训练特征融合神经网络包括提取频率扰动的特征向量和融合所述特征向量；其中，提取频率扰动的特征向量包括针对电力系统的局部扰动进行采样分析，确定负荷频率数据，根据所述负荷频率数据提取频率扰动的特征向量；融合所述特征向量包括采用编码-相加的深度学习融合方法对所述特征向量进行融合。
3.根据权利要求2所述的方法，其特征在于，所述根据所述负荷频率数据提取频率扰动的特征向量包括：
采用图卷积神经网络的深度学习方法提取静态相关的特征向量；
采用用门控循环单元的深度学习方法提取时序相关的特征向量。
4.根据权利要求1所述的方法，其特征在于，所述获取所述电力系统的支路数据，建立子神经网络还包括：
对所述电力系统的支路数据进行数据处理，其中数据处理包括处理错误及缺失数据、消除噪声信号和数据归一化。
5.根据权利要求1所述的方法，其特征在于，所述其中所述子神经网络输出负荷比例数据并将所述负荷比例数据输入所述特征融合神经网络包括：
将所述电力系统的支路数据作为输入特征建立子神经网络，获取负荷比例数据，并将所述负荷比例数据输入所述特征融合神经网络。
6.根据权利要求1所述的方法，其特征在于，所述调用所述电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势包括：
对所述融合后的特征向量进行数据拟合，获取负荷频率的变化趋势，并预测后续时间的所述负荷频率的变化趋势。
7.一种电力负荷频率特性分析装置，其特征在于，所述装置包括：
数据生成模块，用于基于电力系统的电力数据生成仿真系统数据；
模型构建模块，用于根据所述仿真系统数据构建电力负荷频率特性模型；其中构建电力负荷频率特性模型包括训练特征融合神经网络；
模型辅助模块，用于获取所述电力系统的支路数据，建立子神经网络；其中所述子神经网络输出负荷比例数据并将所述负荷比例数据输入所述特征融合神经网络；
结果获取模块，用于调用所述电力负荷频率特性模型对负荷频率特性进行分析，获取负荷频率的变化趋势。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202310524728.3A 2023-05-09 2023-05-09 电力负荷频率特性分析方法、装置、设备和存储介质 Pending CN116757062A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310524728.3A CN116757062A (zh) 2023-05-09 2023-05-09 电力负荷频率特性分析方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310524728.3A CN116757062A (zh) 2023-05-09 2023-05-09 电力负荷频率特性分析方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN116757062A true CN116757062A (zh) 2023-09-15

Family

ID=87956052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310524728.3A Pending CN116757062A (zh) 2023-05-09 2023-05-09 电力负荷频率特性分析方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN116757062A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116995734A (zh) * 2023-09-27 2023-11-03 合肥工业大学 一种面向新型电网的分布式能源电能质量监测控制评价系统
CN117874625A (zh) * 2024-01-22 2024-04-12 国网湖北省电力有限公司信息通信公司 基于ai和知识库的电力系统数据智能处理系统与方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116995734A (zh) * 2023-09-27 2023-11-03 合肥工业大学 一种面向新型电网的分布式能源电能质量监测控制评价系统
CN116995734B (zh) * 2023-09-27 2023-12-12 合肥工业大学 面向电网的分布式能源电能质量监测控制评价系统
CN117874625A (zh) * 2024-01-22 2024-04-12 国网湖北省电力有限公司信息通信公司 基于ai和知识库的电力系统数据智能处理系统与方法

Similar Documents

Publication Publication Date Title
CN116757062A (zh) 电力负荷频率特性分析方法、装置、设备和存储介质
Yang et al. Fast economic dispatch in smart grids using deep learning: An active constraint screening approach
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN110798365B (zh) 基于神经网络的流量预测方法及装置
CN112651290A (zh) 一种水电机组振动趋势预测方法和系统
Du et al. GAN-based anomaly detection for multivariate time series using polluted training set
Zheng et al. State of health estimation for lithium battery random charging process based on CNN-GRU method
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
Yang et al. A node-level PathGraph-based bearing remaining useful life prediction method
CN114065653A (zh) 电力负荷预测模型的构建方法与电力负荷预测方法
Nandanoori et al. Graph neural network and Koopman models for learning networked dynamics: A comparative study on power grid transients prediction
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
Gao et al. Physics embedded graph convolution neural network for power flow calculation considering uncertain injections and topology
Fu et al. Multi-step-ahead significant wave height prediction using a hybrid model based on an innovative two-layer decomposition framework and LSTM
Liu et al. Spatio-temporal generative adversarial network based power distribution network state estimation with multiple time-scale measurements
CN111507591B (zh) 电力系统状态确定方法、装置、计算机介质及存储介质
Li et al. Machine learning algorithm based battery modeling and management method: A Cyber-Physical System perspective
Khetarpal et al. Power quality disturbance signal segmentation and classification based on modified BI‐LSTM with double attention mechanism
CN114462771A (zh) 用电异常分析方法、装置、设备、介质和产品
Fu et al. Lithium-ion battery SOH prediction based on VMD-PE and improved DBO optimized temporal convolutional network model
CN112183848A (zh) 基于dwt-svqr集成的电力负荷概率预测方法
Liu et al. Revealing the degradation patterns of lithium-ion batteries from impedance spectroscopy using variational auto-encoders
Shan et al. Multi-step vibration trend prediction model based on multi-objective optimization for hydropower generator unit
Xiang et al. Two-level Battery Health Diagnosis using Encoder-decoder Framework and Gaussian Mixture Ensemble Learning Based on Relaxation Voltage
Gao et al. Comparison of data Preprocessing Methods for Support Vector Regression based Remaining Useful Life Prediction

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