CN117134504A - 基于安全防护的智能能源监测方法及系统 - Google Patents
基于安全防护的智能能源监测方法及系统 Download PDFInfo
- Publication number
- CN117134504A CN117134504A CN202311389488.7A CN202311389488A CN117134504A CN 117134504 A CN117134504 A CN 117134504A CN 202311389488 A CN202311389488 A CN 202311389488A CN 117134504 A CN117134504 A CN 117134504A
- Authority
- CN
- China
- Prior art keywords
- sequence
- parameter
- monitoring
- differential
- time
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 241
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000001744 unit root test Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011897 real-time detection Methods 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
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力监测技术领域。更具体地,本发明涉及一种基于安全防护的智能能源监测方法及系统,方法包括:采集监测线路在监测时段内多种参数的平均历史序列以计算监测时段内各参数的差分阶数;获取监测时段的训练完毕的时序预测网络;采集监测线路在监测时段内多种参数的实时序列,并输入训练完毕的时序预测网络,得到未来时刻各参数的预测值;构建每种参数的监测序列,并对监测序列执行多次差分运算,直至监测序列为平稳序列时,对比差分运算次数和差分阶数,得到各参数的初始监测结果,并基于所有初始监测结果获取能源监测结果。根据本发明的方案,解决了能源监测结果滞后性和不准确的问题。
Description
技术领域
本发明一般地涉及电力监测技术领域。更具体地,本发明涉及一种基于安全防护的智能能源监测方法及系统。
背景技术
电力系统是由发电、输电、配电、用电环节组成的复杂系统,其运行安全和效率直接关系到国民经济和社会发展。随着新能源技术的不断发展,电力系统中也逐渐加入了光伏设备、风电设备等各种新能源设备,使得电力系统调峰压力增大,对电力系统的运维管理提出了更高要求,为了保证电力系统的安全运行,需要对电力系统进行能源监测。
目前,公开号为CN116317111A的专利文件公开了一种电力运维状态监控系统,对节点所在的设备箱的运行状况进行实时检测,其中检测内容包括:电压、温湿度、烟气浓度、箱门开合;并将电压信号、温湿度信号、烟气浓度信号、门磁信号与预先设定的标准值进行对比,得到监测结果,从而判断电力系统的安全性。
然而,该方案中,依据实时检测的检测内容得到监测结果,不能及时发现电力系统中的安全问题,监测结果具有滞后性。且由于电力系统中的电压、温湿度为时序数据,时序数据的不平稳性同样会影响监测结果的准确性。
基于此,如何解决目前电力系统中能源监测结果的滞后性和不准确的问题,是目前亟需解决的。
发明内容
为解决上述技术问题,本申请提供了一种基于安全防护的智能能源监测方法及系统,以解决能源监测结果的滞后性和不准确的问题。
在第一方面中,本发明提供了一种基于安全防护的智能能源监测方法,包括:采集监测线路在一个监测时段内多种参数的平均历史序列,并对每种参数的平均历史序列执行多次差分运算,直至所述平均历史序列为平稳序列时,将所述差分运算的次数作为所述监测时段内所述参数的差分阶数,其中所述多种参数至少包括温度、电流和电压;获取所述监测时段对应的训练完毕的时序预测网络,其中所述时序预测网络的输入为所述监测时段内任意时刻采集的所述监测线路上所述多种参数的时间序列,输出为所述时刻之后多个未来时刻每种参数的预测值;采集所述监测线路在所述监测时段内所述多种参数的实时序列,并将其输入所述训练完毕的时序预测网络,得到所述多个未来时刻每种参数的预测值;基于所述多个未来时刻每种参数的预测值和所述实时序列构建每种参数的监测序列;对于一种参数,对所述监测序列执行多次差分运算,直至所述监测序列为平稳序列时,对比所述监测时段内所述参数的差分阶数和所述差分运算的次数以获取所述参数的初始监测结果,并基于所有参数的初始监测结果获取能源监测结果,所述能源监测结果用于反映所述监测线路的安全程度。
在一个实施例中,所述监测时段为每年的特定月份或特定季度,所述采集监测线路在一个监测时段内多种参数的平均历史序列包括:对于一种参数,采集所述监测线路上每年特定月份或特定季度内所述参数的时间序列;依据平均序列算法计算多个时间序列的平均序列,所述平均序列对应于所述参数的平均历史序列;其中,所述平均序列算法为DBA算法。
在一个实施例中,所述对每种参数的平均历史序列执行多次差分运算后,直至所述平均历史序列为平稳序列时,将所述差分运算的次数作为所述监测时段内所述参数的差分阶数,包括:对于一种参数,判断对应的平均历史序列是否为平稳序列;响应于所述平均历史序列为平稳序列,则所述监测时段内所述参数的差分阶数为0;响应于所述平均历史序列不为平稳序列,对所述平均历史序列执行差分运算以获取差分后平均历史序列;响应于所述差分后平均历史序列不为平稳序列,对所述差分后平均历史序列重复执行差分运算,直至差分后平均历史序列为平稳序列,将差分运算的次数作为所述监测时段内所述参数的差分阶数。
在一个实施例中,所述时序预测网络为LSTM网络。
在一个实施例中,所述时序预测网络包括差分卷积模块、LSTM模块和差分还原模块;将所述监测时段内任意时刻采集的所述监测线路上所述多种参数的时间序列输入所述时序预测网络;所述差分卷积模块包括每种参数的差分卷积核,所述差分卷积核用于对对应参数的时间序列执行差分运算以获取每种参数的平稳序列,其中差分卷积核的权重基于对应参数的差分阶数查询预设权重表获取;所述LSTM模块用于对每种参数的平稳序列进行时序预测,输出多个未来时刻每种参数的初始预测值,并将每种参数的初始预测值拼接在所述参数的平稳序列之后,得到每种参数的待还原序列;所述差分还原模块用于对每种参数的待还原序列执行多次差分还原运算,得到每种参数的预测序列,一种参数的预测序列包括所述时刻之后多个未来时刻所述参数的预测值;其中,所述预设权重表包括不同差分阶数对应的差分卷积核的权重。
在一个实施例中,所述对每种参数的待还原序列执行多次差分还原运算,得到每种参数的预测序列包括:在一次差分还原运算中,将一种参数的待还原序列中前个数值的总和作为还原序列中第/>个数值,其中所述还原序列为对所述待还原序列执行一次差分还原运算后的结果;响应于差分还原运算的次数小于所述参数的差分阶数,将所述还原序列作为新的待还原序列后,重复执行差分还原运算,直至所述差分还原运算的次数等于所述参数的差分阶数时,所述还原序列对应于所述参数的预测序列;其中,/>的取值不大于所述待还原序列的长度。
在一个实施例中,所述时序预测网络的训练方法包括:采集所述监测线路上所述监测时段内所述多种参数的时间序列作为一条训练样本;将所述训练样本中任意时刻及所述时刻/>之前的时间序列作为输入样本,将所述时刻/>之后相邻多个时刻的时间序列作为所述输入样本的标签;将所述输入样本输入所述时序预测网络获取输出结果,所述输出结果包括所述时刻/>之后相邻多个时刻内所述多种参数的预测值;基于所述输出结果和所述标签计算损失函数,所述损失函数满足关系式:
其中,为所述多个时刻的数量,/>为所述多种参数的数量,/>为所述输出结果中参数/>在时刻/>的预测值,/>为所述标签中参数/>在时刻/>的取值,/>为所述损失函数的取值;依据梯度下降法更新所述时序预测网络,以降低所述损失函数的取值,完成一次训练过程;迭代地执行所述训练过程,直至所述损失函数的取值小于设定损失时,得到训练完毕的时序预测网络。
在一个实施例中,所述基于所述多个未来时刻每种参数的预测值和所述实时序列构建每种参数的监测序列包括:对于一种参数,对所述实时序列进行异常点检测;响应于异常点数量为0,将所述多个未来时刻所述参数的预测值拼接在所述实时序列末端后得到拼接序列,所述拼接序列对应于所述参数的监测序列;响应于异常点数量不为0,将所述多个未来时刻所述参数的预测值拼接在所述实时序列末端后得到拼接序列,并基于所述实时序列中最后一个异常点截取所述拼接序列得到所述参数的监测序列。
在一个实施例中,所述对比所述监测时段内所述参数的差分阶数和所述差分运算的次数以获取所述参数的初始监测结果,并基于所有参数的初始监测结果获取能源监测结果包括:响应于所述差分运算的次数等于所述监测时段内所述参数的差分阶数,表示所述参数正常,将所述参数的初始监测结果记为0;响应于所述差分运算的次数不等于所述监测时段内所述参数的差分阶数,表示所述参数异常,将所述参数的初始监测结果记为1;将所有参数的初始监测结果的总和作为能源监测结果
在第二方面中,本发明还提供了一种基于安全防护的智能能源监测系统,包括:处理器;以及存储器,其存储有基于安全防护的智能能源监测计算机指令,当所述计算机指令由所述处理器运行时,使得设备执行根据前述一个或多个实施例所述的基于安全防护的智能能源监测方法。
本发明的有益效果在于:通过本申请提供的技术方案,首先根据历史数据获取正常运行时,每个监测时段内各参数的差分阶数,实现各参数的时序序列在监测时段内变化情况的精准量化;进一步地,采集监测时段内各参数的实时序列,并借助训练完毕的时序预测网络预测多个未来时刻各参数的预测值,进而构建每种参数的监测序列;对比监测序列为平稳序列时的差分次数以及对应参数的差分阶数即可判断各参数的变化情况是否正常,进而获取准确的能源监测结果;由于监测序列为依据未来时刻各参数的预测值所构建的,解决了能源监测结果滞后性的问题。
进一步地,时序预测网络包括差分卷积模块、LSTM模块和差分还原模块,在差分卷积模块中依据参数的差分阶数将非平稳的实时序列转换为平稳序列后,再利用LSTM模块进行预测,最后通过差分还原模块将预测结果还原为未来时刻每种参数预测值,提高多个未来时刻各参数预测值的准确性,进而提高能源监测结果的准确性。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是根据本申请实施例的基于安全防护的智能能源监测方法的流程图;
图2是根据本申请实施例的时序预测网络的结构图;
图3是根据本申请实施例的预设权重表的示意图;
图4是根据本申请实施例的时刻对应的输入样本和标签的示意图;
图5是根据本申请实施例的监测序列的示意图;
图6是根据本申请实施例的基于安全防护的智能能源监测系统的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术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,都属于本申请保护的范围。
应当理解,当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
根据本申请的第一方面,本申请提供了一种基于安全防护的智能能源监测方法。图1是根据本申请实施例的基于安全防护的智能能源监测方法的流程图。如图1所示,所述智能能源监测方法100包括步骤S101至S105,以下详细说明。
S101,采集监测线路在一个监测时段内多种参数的平均历史序列,并对每种参数的平均历史序列执行多次差分运算,直至所述平均历史序列为平稳序列时,将所述差分运算的次数作为所述监测时段内所述参数的差分阶数,其中所述多种参数至少包括温度、电流和电压。
在一个实施例中,所述监测电路为电力系统中任意需要进行安全防护的线路,比如,监测电路可为任意用户的送电线路。所述监测时段为每年的特定月份或特定季度,比如,所述监测时段为每年的3月份或每年的第一季度。所述多种参数至少包括温度、电流和电压。可以理解地,若监测时段为每年的特定季度,则共有四个监测时段。
具体地,所述采集监测线路在一个监测时段内多种参数的平均历史序列包括:对于一种参数,采集所述监测线路上每年特定月份或特定季度内所述参数的时间序列;依据平均序列算法计算多个时间序列的平均序列,所述平均序列对应于所述参数的平均历史序列。
其中,所述平均序列算法为DBA算法(DTWBarycenterAveraging算法),该算法由可用于求序列数据集准确的平均序列。
在其他实施例中,所述多种参数还可包括有功功率、频率、功率因数和无功功率等其它反映监测线路运行状况的参数。
在一个实施例中,所述对每种参数的平均历史序列执行多次差分运算后,直至所述平均历史序列为平稳序列时,将所述差分运算的次数作为所述监测时段内所述参数的差分阶数,包括:对于一种参数,判断对应的平均历史序列是否为平稳序列;响应于所述平均历史序列为平稳序列,则所述监测时段内所述参数的差分阶数为0;响应于所述平均历史序列不为平稳序列,对所述平均历史序列执行差分运算以获取差分后平均历史序列;响应于所述差分后平均历史序列不为平稳序列,对所述差分后平均历史序列重复执行差分运算,直至差分后平均历史序列为平稳序列,将差分运算的次数作为所述监测时段内所述参数的差分阶数。
其中,判断对应的平均历史序列是否为平稳序列的过程可通过单位根检验实现。
其中,由于监测线路出现安全隐患时小概率时间,故平均历史序列反映正常运行情况下,监测时段内对应参数的变化情况;差分阶数实现了正常运行情况下,监测时段内参数变化情况的精准量化。且所述单位根检验为检验时间序列是否是平稳序列的现有技术手段。
需要说明的是,由于一个月或一个季度内环境因素和用电习惯较为稳定,故将每年的特定月份或特定季度设为监测时段,以确保能源监测结果的准确性。在其它实施例中,运维人员还可将监测时段作为一个检修周期,即一个月或一个季度结束时对监测线路进行人工检修。
在一个实施例中,所述对所述平均历史序列执行差分运算以获取差分后平均历史序列包括:所述平均历史序列中的初始值为所述差分后平均历史序列中的初始值;所述差分后平均历史序列中第个数值满足关系式:
其中,和/>分别为平均历史序列中第/>个和第/>个数值,/>为差分后平均历史序列中第/>个数值,其中/>。
示例性地,将平均历史序列记为,/>为平均历史序列中的初始值,则对平均历史序列执行一次差分运算后得到差分后平均历史序列为。
如此,基于历史数据获取监测线路在监测时段内每一种参数的差分阶数,该差分阶数用于反映电力系统安全运行时对应参数的时序序列在监测时段的变化情况。
S102,获取所述监测时段对应的训练完毕的时序预测网络,其中所述时序预测网络的输入为所述监测时段内任意时刻采集的所述监测线路上所述多种参数的时间序列,输出为所述时刻之后多个未来时刻每种参数的预测值。
在一个实施例中,一个监测时段对应一个训练完毕的时序预测网络;由于一个监测时段内环境因素和用电习惯较为稳定,一个监测时段对应的训练完毕的时序预测网络可精准预测该监测时段内未来时刻每种参数的预测值,从而确保后续能源监测的准确性。
在一个可选的实施例中,所述时序预测网络为LSTM网络;在所述监测时段内,将任意时刻采集的所述监测线路上所述多种参数的时间序列输入所述LSTM网络,输出所述时刻之后多个未来时刻每种参数的预测值。
其中,所述多个未来时刻为所述时刻之后10个未来时刻。
在另一个可选的实施例中,对于一种参数,在监测时段内的时序序列为非平稳序列,直接用非平稳序列预测未来时刻每种参数的预测值会带来误差,为了减小未来时刻每种参数预测值的误差,在时序预测网络中依据参数的差分阶数将非平稳序列转换为平稳序列后再进行预测,具体描述如下。请参见图2,根据本申请实施例的时序预测网络的结构图。所述时序预测网络包括差分卷积模块、LSTM模块和差分还原模块;将所述监测时段内任意时刻采集的所述监测线路上所述多种参数的时间序列输入所述时序预测网络;所述差分卷积模块包括每种参数的差分卷积核,所述差分卷积核用于对对应参数的时间序列执行差分运算以获取每种参数的平稳序列,其中差分卷积核的权重基于对应参数的差分阶数查询预设权重表获取;所述LSTM模块用于对每种参数的平稳序列进行时序预测,输出多个未来时刻每种参数的初始预测值,并将每种参数的初始预测值拼接在所述参数的平稳序列之后,得到每种参数的待还原序列;所述差分还原模块用于对每种参数的待还原序列执行多次差分还原运算,得到每种参数的预测序列,一种参数的预测序列包括所述时刻之后多个未来时刻所述参数的预测值。其中,所述多个未来时刻为所述时刻之后10个未来时刻。
其中,所述差分卷积核的权重与对应参数的差分阶数有关,所述预设权重表包括不同差分阶数对应的差分卷积核的权重。具体地,若差分阶数为0,表示时间序列无需进行差分运算即为平稳序列,对应的差分卷积核的权重为[1];若差分阶数为1,表示时间序列需进行1次差分运算即可得到平稳序列,1次差分运算对应的差分卷积核的权重为[-1,1];若差分阶数为2,表示时间序列需进行2次差分运算即可得到平稳序列,2次差分运算对应的差分卷积核的权重为[1,-2,1];以此类推,完成预设权重表的构建。请参见图3,根据本申请实施例的预设权重表的示意图,在所述预设权重表中,利用任意差分阶数对应的卷积核对时间序列进行卷积操作,即可实现对时间序列的数次差分运算,其中,所述数次等于所述差分阶数。
需要说明的是,一旦对应参数的差分阶数确定,差分卷积核的权重固定不变,即在时序预测网络的训练过程中,差分卷积核的权重不参与训练,其数值不会被更新。
在一个实施例中,LSTM模块的输出为多个未来时刻每种参数的初始预测值;对于一种参数,将多个未来时刻的初始预测值拼接在所述参数的平稳序列之后,得到所述参数的待还原序列,对待还原序列进行差分还原运算后即可获取预测序列,所述预测序列包括多个未来时刻所述参数的预测值,具体描述如下。所述对每种参数的待还原序列执行多次差分还原运算,得到每种参数的预测序列包括:在一次差分还原运算中,将一种参数的待还原序列中前个数值的总和作为还原序列中第/>个数值,其中所述还原序列为对所述待还原序列执行一次差分还原运算后的结果;响应于差分还原运算的次数小于所述参数的差分阶数,将所述还原序列作为新的待还原序列后,重复执行差分还原运算,直至所述差分还原运算的次数等于所述参数的差分阶数时,所述还原序列对应于所述参数的预测序列。
其中,的取值不大于所述待还原序列的长度。
如此,时序预测网络可输出每种参数的预测序列,一种参数的预测序列包括多个未来时刻所述参数的预测值。
在一个实施例中,所述时序预测网络的训练方法包括:采集所述监测线路上所述监测时段内所述多种参数的时间序列作为一条训练样本;将所述训练样本中任意时刻及所述时刻/>之前的时间序列作为输入样本,将所述时刻/>之后相邻多个时刻的时间序列作为所述输入样本的标签;将所述输入样本输入所述时序预测网络获取输出结果,所述输出结果包括所述时刻/>之后相邻多个时刻内所述多种参数的预测值;基于所述输出结果和所述标签计算损失函数,所述损失函数满足关系式:
其中,为所述多个时刻的数量,/>为所述多种参数的数量,/>为所述输出结果中参数/>在时刻/>的预测值,/>为所述标签中参数/>在时刻/>的取值,/>为所述损失函数的取值;依据梯度下降法更新所述时序预测网络,以降低所述损失函数的取值,完成一次训练过程;迭代地执行所述训练过程,直至所述损失函数的取值小于设定损失时,得到训练完毕的时序预测网络。其中设定损失为0.001。
其中,在一条训练样本中,时刻对应的输入样本和标签的示意图如图4所示。
如此,获取监测时段对应的训练完毕的时序预测网络,其可精准预测该监测时段内未来时刻每种参数的预测值,从而确保后续能源监测的准确性。
S103,在所述监测时段内,采集所述监测线路上所述多种参数的实时序列,并将其输入所述训练完毕的时序预测网络,得到所述多个未来时刻每种参数的预测值。
在一个实施例中,在智能能源监测的过程中,采集所述监测线路在一个监测时段内所述多种参数的实时序列,所述监测时段为智能能源监测的过程中任意一个监测时段;将其输入训练完毕的时序预测网络后,即可输出多个未来时刻每种参数的预测值。其中,训练完毕的时序预测网络于所述监测时段相对应。
S104,基于所述多个未来时刻每种参数的预测值和所述实时序列构建每种参数的监测序列。
在一个实施例中,所述基于所述多个未来时刻每种参数的预测值和所述实时序列构建每种参数的监测序列包括:对于一种参数,对所述实时序列进行异常点检测;响应于异常点数量为0,将所述多个未来时刻所述参数的预测值拼接在所述实时序列末端后得到拼接序列,所述拼接序列对应于所述参数的监测序列;响应于异常点数量不为0,将所述多个未来时刻所述参数的预测值拼接在所述实时序列末端后得到拼接序列,并基于所述实时序列中最后一个异常点截取所述拼接序列得到所述参数的监测序列。
其中,所述对所述实时序列进行异常点检测的过程可通过孤立森林或LOF异常点检测算法实现。
示例性地,请参见图5,是根据本申请实施例的监测序列的示意图。当异常点数量不为0时,获取所述实时序列中最后一个异常点的位置,并将该位置下一个相邻位置作为监测序列的起点,将拼接序列最后一个数值作为监测序列的终点,得到所述参数的监测序列。
S105,对于一种参数,对所述监测序列执行多次差分运算,直至所述监测序列为平稳序列时,对比所述监测时段内所述参数的差分阶数和所述差分运算的次数以获取所述参数的初始监测结果,并基于所有参数的初始监测结果获取能源监测结果,所述能源监测结果用于反映所述监测线路的安全程度。
在一个实施例中,一种参数的差分阶数用于反映电力系统安全运行时对应参数的时序序列在监测时段内的变化情况;对于一种参数,对监测序列为平稳序列时的差分次数后,即可判断该参数是否出现异常,具体描述如下。所述对比所述监测时段内所述参数的差分阶数和所述差分运算的次数以获取所述参数的初始监测结果,并基于所有参数的初始监测结果获取能源监测结果包括:响应于所述差分运算的次数等于所述监测时段内所述参数的差分阶数,表示所述参数正常,将所述参数的初始监测结果记为0;响应于所述差分运算的次数不等于所述监测时段内所述参数的差分阶数,表示所述参数异常,将所述参数的初始监测结果记为1;将所有参数的初始监测结果的总和作为能源监测结果。
其中,所述能源监测结果与所述监测线路的安全程度呈负相关。
在一个实施例中,响应于所述能源监测结果大于设定阈值,发出提醒。
其中,所述能源监测结果越大,表示未来时刻出现异常的参数越多,所述监测线路的安全程度越低,当能源监测结果大于设定阈值时,表示监测线路安全程度较低,发出提醒,运维人员在危险发生前对监测线路进行检修。
以上通过具体实施例介绍了本申请的基于安全防护的智能能源监测方法的技术原理和实施细节。通过本申请提供的技术方案,首先根据历史数据获取正常运行时,每个监测时段内各参数的差分阶数,实现各参数的时序序列在监测时段内变化情况的精准量化;进一步地,采集监测时段内各参数的实时序列,并借助训练完毕的时序预测网络预测多个未来时刻各参数的预测值,进而构建每种参数的监测序列;对比监测序列为平稳序列时的差分次数以及对应参数的差分阶数即可获取准确的能源监测结果;同时,监测序列为依据未来时刻各参数的预测值所构建的,解决了能源监测结果滞后性的问题。
根据本申请的第二方面,本申请还提供了一种基于安全防护的智能能源监测系统。图6是根据本申请实施例的基于安全防护的智能能源监测系统的框图。如图6所示,所述装置50包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的一种基于安全防护的智能能源监测方法。所述装置还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本申请中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本申请描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
以上所述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,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于安全防护的智能能源监测方法,其特征在于,包括:
采集监测线路在一个监测时段内多种参数的平均历史序列,并对每种参数的平均历史序列执行多次差分运算,直至所述平均历史序列为平稳序列时,将所述差分运算的次数作为所述监测时段内所述参数的差分阶数,其中所述多种参数至少包括温度、电流和电压;
获取所述监测时段对应的训练完毕的时序预测网络,其中所述时序预测网络的输入为所述监测时段内任意时刻采集的所述监测线路上所述多种参数的时间序列,输出为所述时刻之后多个未来时刻每种参数的预测值;
采集所述监测线路在所述监测时段内所述多种参数的实时序列,并将其输入所述训练完毕的时序预测网络,得到所述多个未来时刻每种参数的预测值;
基于所述多个未来时刻每种参数的预测值和所述实时序列构建每种参数的监测序列;
对于一种参数,对所述监测序列执行多次差分运算,直至所述监测序列为平稳序列时,对比所述监测时段内所述参数的差分阶数和所述差分运算的次数以获取所述参数的初始监测结果,并基于所有参数的初始监测结果获取能源监测结果,所述能源监测结果用于反映所述监测线路的安全程度。
2.根据权利要求1所述的一种基于安全防护的智能能源监测方法,其特征在于,所述监测时段为每年的特定月份或特定季度,所述采集监测线路在一个监测时段内多种参数的平均历史序列包括:
对于一种参数,采集所述监测线路上每年特定月份或特定季度内所述参数的时间序列;
依据平均序列算法计算多个时间序列的平均序列,所述平均序列对应于所述参数的平均历史序列;
其中,所述平均序列算法为DBA算法。
3.根据权利要求1所述的一种基于安全防护的智能能源监测方法,其特征在于,所述对每种参数的平均历史序列执行多次差分运算后,直至所述平均历史序列为平稳序列时,将所述差分运算的次数作为所述监测时段内所述参数的差分阶数,包括:
对于一种参数,判断对应的平均历史序列是否为平稳序列;
响应于所述平均历史序列为平稳序列,则所述监测时段内所述参数的差分阶数为0;
响应于所述平均历史序列不为平稳序列,对所述平均历史序列执行差分运算以获取差分后平均历史序列;
响应于所述差分后平均历史序列不为平稳序列,对所述差分后平均历史序列重复执行差分运算,直至差分后平均历史序列为平稳序列,将差分运算的次数作为所述监测时段内所述参数的差分阶数。
4.根据权利要求1所述的一种基于安全防护的智能能源监测方法,其特征在于,所述时序预测网络为LSTM网络。
5.根据权利要求1所述的一种基于安全防护的智能能源监测方法,其特征在于,所述时序预测网络包括差分卷积模块、LSTM模块和差分还原模块;
将所述监测时段内任意时刻采集的所述监测线路上所述多种参数的时间序列输入所述时序预测网络;
所述差分卷积模块包括每种参数的差分卷积核,所述差分卷积核用于对对应参数的时间序列执行差分运算以获取每种参数的平稳序列,其中差分卷积核的权重基于对应参数的差分阶数查询预设权重表获取;
所述LSTM模块用于对每种参数的平稳序列进行时序预测,输出多个未来时刻每种参数的初始预测值,并将每种参数的初始预测值拼接在所述参数的平稳序列之后,得到每种参数的待还原序列;
所述差分还原模块用于对每种参数的待还原序列执行多次差分还原运算,得到每种参数的预测序列,一种参数的预测序列包括所述时刻之后多个未来时刻所述参数的预测值;
其中,所述预设权重表包括不同差分阶数对应的差分卷积核的权重。
6.根据权利要求5所述的一种基于安全防护的智能能源监测方法,其特征在于,所述对每种参数的待还原序列执行多次差分还原运算,得到每种参数的预测序列包括:
在一次差分还原运算中,将一种参数的待还原序列中前个数值的总和作为还原序列中第/>个数值,其中所述还原序列为对所述待还原序列执行一次差分还原运算后的结果;
响应于差分还原运算的次数小于所述参数的差分阶数,将所述还原序列作为新的待还原序列后,重复执行差分还原运算,直至所述差分还原运算的次数等于所述参数的差分阶数时,所述还原序列对应于所述参数的预测序列;
其中,的取值不大于所述待还原序列的长度。
7.根据权利要求6所述的一种基于安全防护的智能能源监测方法,其特征在于,所述时序预测网络的训练方法包括:
采集所述监测线路上所述监测时段内所述多种参数的时间序列作为一条训练样本;
将所述训练样本中任意时刻及所述时刻/>之前的时间序列作为输入样本,将所述时刻之后相邻多个时刻的时间序列作为所述输入样本的标签;
将所述输入样本输入所述时序预测网络获取输出结果,所述输出结果包括所述时刻之后相邻多个时刻内所述多种参数的预测值;
基于所述输出结果和所述标签计算损失函数,所述损失函数满足关系式:
其中,为所述多个时刻的数量,/>为所述多种参数的数量,/>为所述输出结果中参数/>在时刻/>的预测值,/>为所述标签中参数/>在时刻/>的取值,/>为所述损失函数的取值;
依据梯度下降法更新所述时序预测网络,以降低所述损失函数的取值,完成一次训练过程;
迭代地执行所述训练过程,直至所述损失函数的取值小于设定损失时,得到训练完毕的时序预测网络。
8.根据权利要求1所述的一种基于安全防护的智能能源监测方法,其特征在于,所述基于所述多个未来时刻每种参数的预测值和所述实时序列构建每种参数的监测序列包括:
对于一种参数,对所述实时序列进行异常点检测;
响应于异常点数量为0,将所述多个未来时刻所述参数的预测值拼接在所述实时序列末端后得到拼接序列,所述拼接序列对应于所述参数的监测序列;
响应于异常点数量不为0,将所述多个未来时刻所述参数的预测值拼接在所述实时序列末端后得到拼接序列,并基于所述实时序列中最后一个异常点截取所述拼接序列得到所述参数的监测序列。
9.根据权利要求1所述的一种基于安全防护的智能能源监测方法,其特征在于,所述对比所述监测时段内所述参数的差分阶数和所述差分运算的次数以获取所述参数的初始监测结果,并基于所有参数的初始监测结果获取能源监测结果包括:
响应于所述差分运算的次数等于所述监测时段内所述参数的差分阶数,表示所述参数正常,将所述参数的初始监测结果记为0;
响应于所述差分运算的次数不等于所述监测时段内所述参数的差分阶数,表示所述参数异常,将所述参数的初始监测结果记为1;
将所有参数的初始监测结果的总和作为能源监测结果。
10. 一种基于安全防护的智能能源监测系统,其特征在于,包括:
处理器;以及
存储器,其存储有基于安全防护的智能能源监测计算机指令,当所述计算机指令由所述处理器运行时,使得设备执行根据权利要求1-9的任意一项所述的基于安全防护的智能能源监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311389488.7A CN117134504B (zh) | 2023-10-25 | 2023-10-25 | 基于安全防护的智能能源监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311389488.7A CN117134504B (zh) | 2023-10-25 | 2023-10-25 | 基于安全防护的智能能源监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117134504A true CN117134504A (zh) | 2023-11-28 |
CN117134504B CN117134504B (zh) | 2024-01-26 |
Family
ID=88854872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311389488.7A Active CN117134504B (zh) | 2023-10-25 | 2023-10-25 | 基于安全防护的智能能源监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117134504B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117873221A (zh) * | 2024-03-12 | 2024-04-12 | 广州中科医疗美容仪器有限公司 | 一种灸疗仓的温度监测控制方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006110554A (ja) * | 2004-10-12 | 2006-04-27 | Dengensha Mfg Co Ltd | 抵抗スポット溶接品質判定方法と監視装置 |
JP2010057329A (ja) * | 2008-08-29 | 2010-03-11 | Kansai Electric Power Co Inc:The | 配電系統監視装置 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
CN110778307A (zh) * | 2019-10-24 | 2020-02-11 | 西南石油大学 | 一种卡钻预警和类型诊断方法 |
CN114528934A (zh) * | 2022-02-18 | 2022-05-24 | 中国平安人寿保险股份有限公司 | 时序数据异常检测方法、装置、设备及介质 |
CN116050665A (zh) * | 2023-03-14 | 2023-05-02 | 淄博热力有限公司 | 供热设备故障预测方法 |
CN116108961A (zh) * | 2022-12-02 | 2023-05-12 | 中国农业科学院农业环境与可持续发展研究所 | 一种基于arima-svm模型的干旱预测方法及系统 |
CN116163807A (zh) * | 2022-12-15 | 2023-05-26 | 上海交通大学 | 一种基于arima模型的隧道健康监测异常数据动态预警方法 |
CN116245261A (zh) * | 2023-05-12 | 2023-06-09 | 北京大学 | 一种基于时序分布适配的风场风速预测方法 |
CN116362428A (zh) * | 2023-06-01 | 2023-06-30 | 国网天津市电力公司城南供电分公司 | 基于vmd-pcf-arima的短期负荷预测方法 |
CN116861354A (zh) * | 2023-07-17 | 2023-10-10 | 国家电网有限公司华北分部 | 电力变压器监测数据的异常识别及模式区分方法及系统 |
CN116894747A (zh) * | 2023-06-21 | 2023-10-17 | 中国地质科学院水文地质环境地质研究所 | 一种用于污染场地地下水环境调查的监测系统 |
CN116937560A (zh) * | 2023-07-21 | 2023-10-24 | 南方电网科学研究院有限责任公司 | 新能源出力预测方法、装置、设备及可读存储介质 |
-
2023
- 2023-10-25 CN CN202311389488.7A patent/CN117134504B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006110554A (ja) * | 2004-10-12 | 2006-04-27 | Dengensha Mfg Co Ltd | 抵抗スポット溶接品質判定方法と監視装置 |
JP2010057329A (ja) * | 2008-08-29 | 2010-03-11 | Kansai Electric Power Co Inc:The | 配電系統監視装置 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
CN110778307A (zh) * | 2019-10-24 | 2020-02-11 | 西南石油大学 | 一种卡钻预警和类型诊断方法 |
CN114528934A (zh) * | 2022-02-18 | 2022-05-24 | 中国平安人寿保险股份有限公司 | 时序数据异常检测方法、装置、设备及介质 |
CN116108961A (zh) * | 2022-12-02 | 2023-05-12 | 中国农业科学院农业环境与可持续发展研究所 | 一种基于arima-svm模型的干旱预测方法及系统 |
CN116163807A (zh) * | 2022-12-15 | 2023-05-26 | 上海交通大学 | 一种基于arima模型的隧道健康监测异常数据动态预警方法 |
CN116050665A (zh) * | 2023-03-14 | 2023-05-02 | 淄博热力有限公司 | 供热设备故障预测方法 |
CN116245261A (zh) * | 2023-05-12 | 2023-06-09 | 北京大学 | 一种基于时序分布适配的风场风速预测方法 |
CN116362428A (zh) * | 2023-06-01 | 2023-06-30 | 国网天津市电力公司城南供电分公司 | 基于vmd-pcf-arima的短期负荷预测方法 |
CN116894747A (zh) * | 2023-06-21 | 2023-10-17 | 中国地质科学院水文地质环境地质研究所 | 一种用于污染场地地下水环境调查的监测系统 |
CN116861354A (zh) * | 2023-07-17 | 2023-10-10 | 国家电网有限公司华北分部 | 电力变压器监测数据的异常识别及模式区分方法及系统 |
CN116937560A (zh) * | 2023-07-21 | 2023-10-24 | 南方电网科学研究院有限责任公司 | 新能源出力预测方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
M.S. KANDIL: "Long-term load forecasting for fast developing utility using a knowledge-based expert system", IEEE * |
李凤利: "白石水库大坝安全监测数据分析与预测", 黑龙江水利科技 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117873221A (zh) * | 2024-03-12 | 2024-04-12 | 广州中科医疗美容仪器有限公司 | 一种灸疗仓的温度监测控制方法及系统 |
CN117873221B (zh) * | 2024-03-12 | 2024-05-28 | 广州中科医疗美容仪器有限公司 | 一种灸疗仓的温度监测控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117134504B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105790441B (zh) | 一种智能变电站继电保护巡检系统 | |
CN117134504B (zh) | 基于安全防护的智能能源监测方法及系统 | |
CN104408667A (zh) | 一种电能质量综合评估的方法和系统 | |
CN103825272A (zh) | 一种基于解析法的含分散风电的配电网可靠性确定方法 | |
Hou et al. | Impact‐increment based decoupled reliability assessment approach for composite generation and transmission systems | |
CN116500385B (zh) | 输电网监测校验方法、装置、设备和介质 | |
Yoon et al. | Deep learning-based method for the robust and efficient fault diagnosis in the electric power system | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
Gao et al. | Real-time long-term voltage stability assessment based on eGBDT for large-scale power system with high renewables penetration | |
CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
CN114784882A (zh) | 机组组合优化处理方法及装置 | |
Wadi et al. | Reliability and sensitivity analysis for closed-ring distribution power systems | |
CN113595246A (zh) | 微电网状态在线监测方法、装置、计算机设备和存储介质 | |
CN111476400A (zh) | 电路故障预测方法、装置、设备及计算机可读介质 | |
Ramesh et al. | Electrical power system state estimation meter placement—a comparative survey report | |
CN115964951A (zh) | 电力系统运行可靠性评估方法、装置及电子设备 | |
CN115275975A (zh) | 一种光储充电站电力数据匹配度的确定方法及装置 | |
CN115085368A (zh) | 变压器健康状态监测方法、装置、计算机设备和存储介质 | |
CN113808071A (zh) | 基于深度学习的非侵入式负荷监测方法和系统 | |
Wang et al. | [Retracted] A Stochastic Rolling Horizon‐Based Approach for Power Generation Expansion Planning | |
Mu et al. | Estimation of State of Charge of Lithium‐Ion Batteries Based on Wide and Deep Neural Network Model | |
Luo et al. | Research on evaluation method of dynamic load capacity of power circuit | |
CN115544276B (zh) | 计量装置知识图谱构建方法和计量装置档案核查方法 | |
Udhaya Shankar et al. | Deep Learning Based Effective Technique for Smart Grid Contingency Analysis Using RNN with LSTM | |
CN116796926B (zh) | 低压侧新能源资源聚合容量评估方法及装置、介质、设备 |
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 |