CN116780530A - 面向大规模新能源接入电网薄弱环节识别预测方法及系统 - Google Patents
面向大规模新能源接入电网薄弱环节识别预测方法及系统 Download PDFInfo
- Publication number
- CN116780530A CN116780530A CN202310811960.5A CN202310811960A CN116780530A CN 116780530 A CN116780530 A CN 116780530A CN 202310811960 A CN202310811960 A CN 202310811960A CN 116780530 A CN116780530 A CN 116780530A
- Authority
- CN
- China
- Prior art keywords
- data
- power grid
- new energy
- predicting
- energy access
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000013486 operation strategy Methods 0.000 claims description 10
- 238000000547 structure data Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000003058 natural language processing Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电网薄弱环节识别预测技术领域，本发明公开了面向大规模新能源接入电网薄弱环节识别预测方法包括，收集电网海量多模态数据，对采集的数据进行预处理；利用强化学习从数据中选择特征子集，并根据反馈选择特征策略；基于提选择的特征子集，建立电网薄弱环节的预测模型，本发明方法通过对电网薄弱环节的识别和预测，可以及时采取措施来避免电网频率不稳定、电压波动等问题，并提高电力系统的稳定性和可靠性，通过合理的电网调度和优化，可以降低电网的运行成本，同时保障电网的安全稳定运行。
Description
技术领域
本发明涉及电网薄弱环节识别预测技术领域，尤其涉及面向大规模新能源接入电网薄弱环节识别预测方法及系统。
背景技术
当前，随着新能源的快速发展和大规模接入，电力系统日益复杂，提出了严峻的挑战。首先，新能源发电的波动性和间此性对电网运行稳定性和安全性造成了影响；其次，在电网多年信息化实施过程中，积累了大量的多元异构数据，包括负荷数据、气象数据等时序数据，电网拓补结构等网状结构数据，设备信息、新能源接入情况等结构或非结构化数据，传统分析方法以规则和专家经验为主，这些方法只能针对少数结构化数据进行分析，对异常数据极为敏感，且难以避免人的主观性、片面性带来的影响；另一方面，大规模新能源的接入使得电网运行策略和方式需要进行相应的调整，以提高电网的适应性。因此，一种能够综合大量的多元异构的电网海量多模态数据，对大规模新能源接入对电网运行策略和运行方式的影响进行深入的理解和分析显得尤为重要。
为了深入理解和分析大规模新能源接入对电网运行策略和运行方式的影响，面对海量电网海量多模态数据的挑战，本专利综合运用了多种先进的人工智能技术。根据不同的数据类型和任务需求，这些技术被用于特征提取和数据分析。具体来说，时序数据、网状结构数据、非结构化数据以及结构化数据等不同类型的数据通过特定的网络模型如Transformer网络模型、图神经网络模型、自然语言处理等技术进行特征提取，提取出的特征再进行融合后，输入到深度网络模型中。通过选择合适的网络结构，根据不同的分析挖掘目标，有针对性的进行模型学习和优化。接下来的内容将详细介绍这些网络模型的设计和使用。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了面向大规模新能源接入电网薄弱环节识别预测方法，能够解决传统的新能源发电具有波动性、间歇性和不确定性等特点，难以预测和调度控制，可能导致电网频率不稳定、电压波动、谐波污染等问题。
为解决上述技术问题，本发明提供如下技术方案，面向大规模新能源接入电网薄弱环节识别预测方法，包括：
收集电网海量多模态数据，对采集的数据进行预处理；根据电网海量多模态数据类型及任务需求，使用人工智能技术进行特征提取；整合不同数据源的特征提取结果，根据不同的学习目标，有针对性的进行模型结果和优化学习。
作为本发明所述的面向大规模新能源接入电网薄弱环节识别预测方法的一种优选方案，其中：所述电网海量多模态数据包括，时序数据、网状结构数据、结构化数据、非结构化数据。
作为本发明所述的面向大规模新能源接入电网薄弱环节识别预测方法的一种优选方案，其中：所述人工智能技术包括，Transformer网络模型、图神经网络模型、自然语言处理。
作为本发明所述的面向大规模新能源接入电网薄弱环节识别预测方法的一种优选方案，其中：所述Transformer网络模型包括，处理时序数据，通过自注意力机制，捕获这种时间相关性，并从中提取出有价值的特征，表示为，
其中，Q、K、V分别代表查询、键和值，这三者都是输入数据的线性变换，softmax函数保证了所有的权重之和为1，测量了Q和K之间的相似性。
作为本发明所述的面向大规模新能源接入电网薄弱环节识别预测方法的一种优选方案，其中：所述图神经网络模型包括，电网的分析和运行优化，一个重要的特点是电网的拓扑结构，自然的表示形式是图；
GNN模型采用图卷积的方式，在图中的每个节点上应用滤波器，以在空间域进行信号处理，图卷积定义的数学公式为，
其中，A代表图的邻接矩阵，D是一个对角矩阵，对角线元素为A的每一行之和，H(l)代表l层的节点特征，W(l)是l层的可学习参数，σ表示激活函数，上述公式描述了一种基于邻接矩阵的图卷积操作，其中节点的新特征是邻居特征的加权和，权重由邻接矩阵和学习参数决定，对于电网数据，各个电网设备刀闸、变压器、电力线路为图中的节点，设备之间的物理连接和电气关系则形成图的边。
作为本发明所述的面向大规模新能源接入电网薄弱环节识别预测方法的一种优选方案，其中：所述多模态建模包括，
xi＝fidatai
其中，使用模型fi处理第i类的数据datai，并提取特征xi，datai为不同类型的数据，fi为针对不同类型的数据设计的模型；
将不同数据类型中提取的特征合并，得到的综合特征x表示为，
x＝[x1,x2,…,xn]
其中，n为样本总数；
根据综合特征理解与优化网络g进行模型学习和优化，得到电网薄弱环节的预测结果y，
y＝g(x)。
作为本发明所述的面向大规模新能源接入电网薄弱环节识别预测方法的一种优选方案，其中：所述综合特征理解与优化网络包括，通过分析设备历史运行数据和维修记录，预测设备故障率，提前安排维修计划，用过分析历史电力负荷数据和气象数据，预测未来电力负荷变化趋势，制定调度计划，分析不同运行策略下电网对大规模新能源接入的适应性，优化调度策略，提高电网运行的经济性和可靠性，通过分析设备历史运行数据，找出设备的节能潜力和优化运行效率的方法；
当处理设备故障率预测和设备运行效率预测的回归问题时，使用多层残差结构，当处理电网运行策略的分类问题和电力负荷变化的多分类预测问题时，采用卷积神经网络或长短其记忆网络，当发生时间序列问题时，使用具有记忆能力解决时序依赖的网络结构。
本发明的另外一个目的是提供面向大规模新能源接入电网薄弱环节识别预测方法的系统，通过对电网的监测和优化，可以更加高效地利用能源，减少资源浪费，从而提高能源利用效率。
面向大规模新能源接入电网薄弱环节识别预测方法的系统，其特征在于：包括，数据采集与处理模块，深度特征提取模块，模型训练与优化模块，结果预测与展示模块；
数据采集与处理模块，采集电网海量多模态数据，包括时序数据、网状结构数据、结构化数据、以及非结构化数据；深度特征提取模块，系统针对不同类型的数据应用不同的深度学习技术，从而实现深度特征提取；模型训练与优化模块，在特征提取的基础上，系统利用综合特征理解与优化网络对特征进行进一步处理和学习；a结果预测与展示模块，在模型训练和优化的基础上，系统进行未来电网薄弱环节的预测，预测结果通过可视化展示，方便用户理解和使用。
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向大规模新能源接入电网薄弱环节识别预测方法的步骤。
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向大规模新能源接入电网薄弱环节识别预测方法的步骤。
本发明的有益效果：本发明方法从多重数据角度对海量电网海量多模态数据进行分析，包括设备信息、电网拓补结构、负荷数据、气象数据、新能源接入情况等，既包括结构化和非结构化数据，也包括时序数据和网状结构数据，信息更加全面。基于深度学习的特性，该系统能够高效地处理和分析海量数据，从而快速、准确地识别在大规模新能源接入背景下的电网薄弱环节，优化电网运行策略。利用数据驱动和人工智能技术，系统在识别和预测电网运行状态上展现出更高的准确性。它通过深度特征提取和优化网络学习海量数据中的关键特征和潜在规律，提高预测的准确性和可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的面向大规模新能源接入电网薄弱环节识别预测方法流程示意图；
图2为本发明一个实施例提供的面向大规模新能源接入电网薄弱环节识别预测系统的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，该实施例提供了面向大规模新能源接入电网薄弱环节识别预测方法，包括：
S1：收集电网海量多模态数据，对采集的数据进行预处理；
更进一步的，所述电网海量多模态数据包括，时序数据、网状结构数据、结构化数据、非结构化数据。
S2：利用强化学习从数据中选择特征子集，并根据反馈选择特征策略；
更进一步的，所述人工智能技术包括，Transformer网络模型、图神经网络模型、自然语言处理。
应说明的是，所述Transformer网络模型包括，处理时序数据，通过自注意力机制，捕获这种时间相关性，并从中提取出有价值的特征，表示为，
其中，Q、K、V分别代表查询、键和值，这三者都是输入数据的线性变换，softmax函数保证了所有的权重之和为1，测量了Q和K之间的相似性。
更进一步的，所述图神经网络模型包括，电网的分析和运行优化，一个重要的特点是电网的拓扑结构，自然的表示形式是图；
GNN模型采用图卷积的方式，在图中的每个节点上应用滤波器，以在空间域进行信号处理，图卷积定义的数学公式为，
其中，A代表图的邻接矩阵，D是一个对角矩阵，对角线元素为A的每一行之和，H(l)代表l层的节点特征，W(l)是l层的可学习参数，σ表示激活函数，上述公式描述了一种基于邻接矩阵的图卷积操作，其中节点的新特征是邻居特征的加权和，权重由邻接矩阵和学习参数决定，对于电网数据，各个电网设备刀闸、变压器、电力线路为图中的节点，设备之间的物理连接和电气关系则形成图的边。
更进一步的，所述非结构化文本特征提取包括，采用Transformer的编码器，通过预训练与微调，对文本数据进行深层次的理解。
应说明的是，在电网海量多模态数据中，存在大量的非结构化文本数据，包括设备维护记录、运行日志、故障报告等。这些数据具有高度的复杂性和无规律性，但其内含的信息对于理解电网的运行状况、设备健康状况以及可能的故障模式具有重要意义。因此，对这些非结构化文本数据进行有效的特征提取并利用其进行决策分析成为一项重要任务。
为了有效地解决这个问题，采用了一种基于深度学习的自然语言处理模型--BERT(Bidirectional Encoder Representations from Transformers)。BERT模型采用了Transformer的编码器，并且通过预训练与微调两个阶段，使其能够对文本数据进行深层次的理解。
预训练阶段，模型在大量的文本数据上进行训练，学习到通用的语言理解能力。这一过程涉及两种任务：Masked Language Model(MLM)和Next SentencePrediction(NSP)。通过这两种任务，BERT模型能够学习到词语之间的深层次关系以及句子之间的联系。
微调阶段，模型在特定任务的数据上进行训练，使其能够适应特定任务的需求。这一过程涉及的任务可以是分类、标注、排序等各种形式。
这种预训练与微调的模式，体现了迁移学习的思想。预训练阶段所学习到的通用的语言理解能力可以迁移到微调阶段的特定任务中，从而提高模型在特定任务上的性能。同时，通过微调，模型也可以更好地适应新的任务。
通过使用BERT模型，非结构化的文本数据可以被转化为高维的向量表示，即文本的语义信息可以被有效地提取并用于后续的分析。这为电网运行的优化策略提供了更全面的数据支持。
更进一步的，结构化数据，在电网数据分析中，占据了相当大的比重。这类数据通常包括各类设备档案数据、各种运行状态、事件记录以及新能源接入记录数据等。结构化数据具有格式统一，易于存储和查询的特性，但同样需要转化为响应维度的特征向量。
选择使用特征工程方法对结构化数据进行处理。特征工程是一种传统的数据处理方法，其目标是通过对原始数据的转换或者编码，生成能够更好地代表预测模型的问题的特征。特征工程可以包括数据预处理、特征选择、特征构造等步骤。
数据预处理通常包括去除异常值、处理缺失值、数据标准化等步骤，这些步骤可以减少数据的噪声，提高模型的稳定性。特征选择是指从原始特征中选择出对预测目标有贡献的特征，这可以减少模型的复杂性，提高模型的可解释性。特征构造则是基于对问题的理解，创造新的特征，这可以帮助模型捕捉到更复杂的关系。
对于电网数据，其中一些参数之间存在物理上的相关性，这些相关性可以用来构造新的特征。例如，电压和电流的乘积就是电网的功率，这就是一个新的特征。通过特征工程，可以从原始的结构化数据中提取出这些更有代表性的特征并进行向量化表示，从而提高模型的预测性能。
S3：根据多模态模型进行特征提取并对电网薄弱环节进行识别预测。
应说明的是，所述多模态建模包括，
xi＝fidatai
其中，使用模型fi处理第i类的数据datai，并提取特征xi，datai为不同类型的数据，fi为针对不同类型的数据设计的模型；
将不同数据类型中提取的特征合并，得到的综合特征x表示为，
x＝[x1,x2,…,xn]
其中，n为样本总数；
根据综合特征理解与优化网络g进行模型学习和优化，得到电网薄弱环节的预测结果y，
y＝g(x)。
应说明的是，所述综合特征理解与优化网络包括，通过分析设备历史运行数据和维修记录，预测设备故障率，提前安排维修计划，用过分析历史电力负荷数据和气象数据，预测未来电力负荷变化趋势，制定调度计划，分析不同运行策略下电网对大规模新能源接入的适应性，优化调度策略，提高电网运行的经济性和可靠性，通过分析设备历史运行数据，找出设备的节能潜力和优化运行效率的方法；
当处理设备故障率预测和设备运行效率预测的回归问题时，使用多层残差结构，当处理电网运行策略的分类问题和电力负荷变化的多分类预测问题时，采用卷积神经网络或长短其记忆网络，当发生时间序列问题时，使用具有记忆能力解决时序依赖的网络结构。
实施例2
为本发明的一个实施例，提供了面向大规模新能源接入电网薄弱环节识别预测方法，为了验证本发明的有益效果，通过实验进行科学论证。
如表1所示，通过比较两种方法在预测准确率，运行时间，及处理薄弱环节的效果等方面进行对比。
表1
根据表1可知，我方发明相对比传统发明，在预测准确率运行时间及处理薄弱环节的效果上均有显著提升，避免电网频率不稳定、电压波动等问题，提高电力系统的稳定性和可靠性，降低电网的运行成本。
应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，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案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
实施例3
本发明第三个实施例，其不同于前两个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
实施例4
参考图2，为本发明的第四个实施例，该实施例提供了基面向大规模新能源接入电网薄弱环节识别预测方法的系统，其特征在于：包括，数据采集与处理模块，深度特征提取模块，模型训练与优化模块，结果预测与展示模块；
数据采集与处理模块，采集电网海量多模态数据，包括时序数据、网状结构数据、结构化数据、以及非结构化数据。
深度特征提取模块，系统针对不同类型的数据应用不同的深度学习技术，从而实现深度特征提取。
模型训练与优化模块，在特征提取的基础上，系统利用综合特征理解与优化网络对特征进行进一步处理和学习。
结果预测与展示模块，在模型训练和优化的基础上，系统进行未来电网薄弱环节的预测，预测结果通过可视化展示，方便用户理解和使用。
应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，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案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.面向大规模新能源接入电网薄弱环节识别预测方法，其特征在于：包括，
收集电网海量多模态数据，对采集的数据进行预处理；
根据电网海量多模态数据类型及任务需求，使用人工智能技术进行多模态建模；
根据多模态模型进行特征提取并对电网薄弱环节进行识别预测。
2.如权利要求1所述的面向大规模新能源接入电网薄弱环节识别预测方法，其特征在于：所述电网海量多模态数据包括，时序数据、网状结构数据、结构化数据、非结构化数据。
3.如权利要求2所述的面向大规模新能源接入电网薄弱环节识别预测方法，其特征在于：所述人工智能技术包括，Transformer网络模型、图神经网络模型、自然语言处理。
4.如权利要求3所述的面向大规模新能源接入电网薄弱环节识别预测方法，其特征在于：所述Transformer网络模型包括，处理时序数据，通过自注意力机制，捕获这种时间相关性，并从中提取出有价值的特征，表示为，
其中，Q、K、V分别代表查询、键和值，这三者都是输入数据的线性变换，softmax函数保证了所有的权重之和为1，测量了Q和K之间的相似性。
5.如权利要求4所述的面向大规模新能源接入电网薄弱环节识别预测方法，其特征在于：所述图神经网络模型包括，电网的分析和运行优化，一个重要的特点是电网的拓扑结构，自然的表示形式是图；
GNN模型采用图卷积的方式，在图中的每个节点上应用滤波器，以在空间域进行信号处理，图卷积定义的数学公式为，
其中，A代表图的邻接矩阵，D是一个对角矩阵，对角线元素为A的每一行之和，H(l)代表l层的节点特征，W(l)是l层的可学习参数，σ表示激活函数，上述公式描述了一种基于邻接矩阵的图卷积操作，其中节点的新特征是邻居特征的加权和，权重由邻接矩阵和学习参数决定，对于电网数据，各个电网设备刀闸、变压器、电力线路为图中的节点，设备之间的物理连接和电气关系则形成图的边。
6.如权利要求5所述的面向大规模新能源接入电网薄弱环节识别预测方法，其特征在于：所述多模态建模包括，
xi＝fidatai
其中，使用模型fi处理第i类的数据datai，并提取特征xi，datai为不同类型的数据，fi为针对不同类型的数据设计的模型；
将不同数据类型中提取的特征合并，得到的综合特征x表示为，
x＝[x1,x2,…,xn]
其中，n为样本总数；
根据综合特征理解与优化网络g进行模型学习和优化，得到电网薄弱环节的预测结果y，
y＝g(x)。
7.如权利要求6所述的面向大规模新能源接入电网薄弱环节识别预测方法，其特征在于：所述综合特征理解与优化网络包括，通过分析设备历史运行数据和维修记录，预测设备故障率，提前安排维修计划，用过分析历史电力负荷数据和气象数据，预测未来电力负荷变化趋势，制定调度计划，分析不同运行策略下电网对大规模新能源接入的适应性，优化调度策略，提高电网运行的经济性和可靠性，通过分析设备历史运行数据，找出设备的节能潜力和优化运行效率的方法；
当处理设备故障率预测和设备运行效率预测的回归问题时，使用多层残差结构，当处理电网运行策略的分类问题和电力负荷变化的多分类预测问题时，采用卷积神经网络或长短其记忆网络，当发生时间序列问题时，使用具有记忆能力解决时序依赖的网络结构。
8.一种基于权利要求1-7任一所述的基面向大规模新能源接入电网薄弱环节识别预测方法的系统，其特征在于：包括，数据采集与处理模块、深度特征提取模块、模型训练与优化模块及结果预测与展示模块；
数据采集与处理模块，采集电网海量多模态数据，包括时序数据、网状结构数据、结构化数据、以及非结构化数据；
深度特征提取模块，系统针对不同类型的数据应用不同的深度学习技术，从而实现深度特征提取；
模型训练与优化模块，在特征提取的基础上，系统利用综合特征理解与优化网络对特征进行进一步处理和学习；
结果预测与展示模块，在模型训练和优化的基础上，系统进行未来电网薄弱环节的预测，预测结果通过可视化展示，方便用户理解和使用。
9.一种计算机设备，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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310811960.5A CN116780530A (zh) | 2023-07-04 | 2023-07-04 | 面向大规模新能源接入电网薄弱环节识别预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310811960.5A CN116780530A (zh) | 2023-07-04 | 2023-07-04 | 面向大规模新能源接入电网薄弱环节识别预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116780530A true CN116780530A (zh) | 2023-09-19 |
Family
ID=88011364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310811960.5A Pending CN116780530A (zh) | 2023-07-04 | 2023-07-04 | 面向大规模新能源接入电网薄弱环节识别预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116780530A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436351A (zh) * | 2023-12-19 | 2024-01-23 | 国网浙江省电力有限公司金华供电公司 | 复杂气象下基于知识图谱的电网设备故障预测方法及系统 |
-
2023
- 2023-07-04 CN CN202310811960.5A patent/CN116780530A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436351A (zh) * | 2023-12-19 | 2024-01-23 | 国网浙江省电力有限公司金华供电公司 | 复杂气象下基于知识图谱的电网设备故障预测方法及系统 |
| CN117436351B (zh) * | 2023-12-19 | 2024-03-29 | 国网浙江省电力有限公司金华供电公司 | 复杂气象下基于知识图谱的电网设备故障预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117494292B (zh) | 一种基于bim和ai大模型的工程进度管理方法及系统 | |
| Celikmih et al. | Failure prediction of aircraft equipment using machine learning with a hybrid data preparation method | |
| WO2021257128A2 (en) | Quantum computing based deep learning for detection, diagnosis and other applications | |
| Deng et al. | Integrating feature optimization using a dynamic convolutional neural network for chemical process supervised fault classification | |
| CN112163420A (zh) | 一种基于nlp技术的rpa流程自动生成方法 | |
| CN113283602B (zh) | 基于离线知识学习和在线动态修正电网系统故障诊断方法 | |
| Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
| CN116780530A (zh) | 面向大规模新能源接入电网薄弱环节识别预测方法及系统 | |
| CN115238197B (zh) | 一种基于专家思维模型的领域业务辅助分析方法 | |
| CN117391742A (zh) | 一种市场运营经济性分析的方法 | |
| CN117675691B (zh) | 路由器的远程故障监控方法、装置、设备及存储介质 | |
| CN118041744A (zh) | 基于知识图谱推理的电力骨干通信网故障诊断方法 | |
| CN118194487A (zh) | 一种电路与用电设备自动化布置方法、介质及系统 | |
| Liu et al. | Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method | |
| CN117743933A (zh) | 无效告警信息的确定方法、装置、存储介质和电子装置 | |
| CN116611813B (zh) | 一种基于知识图谱的智能运维管理方法及系统 | |
| CN116911442A (zh) | 基于改进Transformer模型的风力发电量预测方法 | |
| Dahesh et al. | A hybrid machine learning model based on ensemble methods for devices fault prediction in the wood industry | |
| CN115129875A (zh) | 基于图神经网络的建筑事故报告分类系统及其方法 | |
| Ebel et al. | Knowledge-based data identification for machine learning use cases | |
| CN118261749B (zh) | 一种基于实时动态模型的桥梁道路预测维护系统及方法 | |
| Bai | A Semantic Partitioning Method for Large-Scale Training of Knowledge Graph Embeddings | |
| CN117667606B (zh) | 基于用户行为的高性能计算集群能耗预测方法及系统 | |
| Chen | Construction of a carbon neutral enterprise environmental performance assessment model based on transformer-GRU | |
| Huang et al. | Electricity Anomaly Detection with Self-Supervised Time Convolutional Networks |
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 |