CN118157099A - 一种基于机器学习技术的电力系统潮流预测方法及系统 - Google Patents

一种基于机器学习技术的电力系统潮流预测方法及系统 Download PDF

Info

Publication number
CN118157099A
CN118157099A CN202410122553.8A CN202410122553A CN118157099A CN 118157099 A CN118157099 A CN 118157099A CN 202410122553 A CN202410122553 A CN 202410122553A CN 118157099 A CN118157099 A CN 118157099A
Authority
CN
China
Prior art keywords
power system
power
model
power flow
actual
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
CN202410122553.8A
Other languages
English (en)
Inventor
张磊
李锐
陈梁远
芦宇峰
饶夏锦
潘绍明
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.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi 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 Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202410122553.8A priority Critical patent/CN118157099A/zh
Publication of CN118157099A publication Critical patent/CN118157099A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明公开了一种基于机器学习技术的电力系统潮流预测方法及系统包括，获取电力系统的历史运行数据，并对所述历史数据进行预处理，所述历史运行数据至少包括电力系统的电压、电流、功率参数；根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型；预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。通过机器学习技术对电力系统潮流进行预测，具有较高的预测精度和稳定性。预处理历史运行数据和设定第一阈值范围，有助于提高模型输出的电力系统潮流分布与实际值的误差控制，从而提高预测准确性。

Description

一种基于机器学习技术的电力系统潮流预测方法及系统
技术领域
本发明涉及电力系统潮流预测技术领域，尤其涉及一种基于机器学习技术的电力系统潮流预测方法及系统。
背景技术
随着国内经济水平的快速发展，人民的生活水平不断上升，各类企业的生产规模不断扩大，社会各处对电能的需求量越来越大，电力负荷不断增长；同时，随着新能源的快速发展，可再生能源发电的装机容量不断增加，电力电子装置使系统的惯性下降，都对系统的风险预防与安全调控提出了更高的要求。电力系统的运行与控制需要以系统内部的潮流需要更短的时间窗口和更快的调控的速度。
电力系统动态潮流预测对于确保电网的安全、高效运行至关重要。首先，它有助于监控电网状态，合理调整输电容量，最大限度地利用现有设施。其次，动态潮流预测能够及时发现电力系统可能出现的过载、电压不稳定等问题，从而采取预防措施，确保系统运行的安全性。
现有的动态潮流计算方法主要在系统运行状态发生变化后，采用更新后的系统参数执行传统潮流计算。这种方法的局限性在于，运行状态的改变可能导致传统潮流计算的收敛难度增加、迭代次数提升，进而使得计算过程耗时较长，难以满足电力系统快速调控的需求。
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，本发明提供了一种基于机器学习技术的电力系统潮流预测方法及系统，能够解决背景技术中提到的问题。
为解决上述技术问题，本发明提供如下技术方案，一种基于机器学习技术的电力系统潮流预测方法，包括：
获取电力系统的历史运行数据，并对所述历史数据进行预处理，所述历史运行数据至少包括电力系统的电压、电流、功率参数；
根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型，所述模型的输入为电力系统的运行数据，所述模型的输出为电力系统的潮流分布；
预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。
作为本发明所述的基于机器学习技术的电力系统潮流预测方法的一种优选方案，其中：所述判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系包括：
若模型输出的电力系统的潮流分布与实际值误差小于第一阈值范围，则直接输出训练好的电力系统潮流预测模型；
若模型输出的电力系统的潮流分布与实际值误差不小于第一阈值范围，则优化所述电力系统潮流预测模型的损失函数，直至模型输出的电力系统的潮流分布与实际值误差小于第一阈值范围。
作为本发明所述的基于机器学习技术的电力系统潮流预测方法的一种优选方案，其中：所述电力系统潮流预测模型包括：
其中，y表示电力系统的潮流分布，x1，x2，x3分别表示电压、电流和功率运行数据，β0表示模型的截距项，当模型的全部特征均为零时，模型的预测值为β0，所述特征为电压、电流和功率运行数据特征，β1、β2、β3表示电压、电流和功率运行数据的线性影响，β4、β5、β6表示电压、电流和功率运行数据的二次影响，β7、β8、β9表示电压、电流和功率运行数据之间的交互影响，λ是正则化系数，i表示索引。
作为本发明所述的基于机器学习技术的电力系统潮流预测方法的一种优选方案，其中：所述判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系还包括：
其中，yactual表示电力系统的实际潮流分布，ymodel表示模型预测的电力系统潮流分布，xactual表示电力系统的实际运行状态，xmodel表示模型预测的运行状态，zactual表示电力系统的实际负荷需求，zmodel表示模型预测的负荷需求，E表示误差。
作为本发明所述的基于机器学习技术的电力系统潮流预测方法的一种优选方案，其中：所述第一阈值范围包括：
其中，y{actual,j}表示第j个数据点的实际潮流分布值，y{model,j}表示第j个数据点的模型预测潮流分布值，N表示数据点的数量，Z分数为一个常数，表示所需的置信区间的水平，Dy表示第一阈值范围。
作为本发明所述的基于机器学习技术的电力系统潮流预测方法的一种优选方案，其中：所述优化所述电力系统潮流预测模型的损失函数包括：
优化前的损失函数为：
其中，N是数据点的总数，yactual,j是第j个数据点的实际潮流分布值，ypredicted,j是模型对第j个数据点的预测潮流分布值。
作为本发明所述的基于机器学习技术的电力系统潮流预测方法的一种优选方案，其中：所述优化所述电力系统潮流预测模型的损失函数还包括：
优化后的损失函数为：
其中，factual,j和fpredicted,j分别是第j个数据点的实际和预测潮流向量，包含各个节点的潮流值，||||2表示欧几里得范数，用于计算潮流向量的长度或差异。
一种基于机器学习技术的电力系统潮流预测系统，其特征在于，包括：
数据获取模块，用于获取电力系统的历史运行数据，并对所述历史数据进行预处理，所述历史运行数据至少包括电力系统的电压、电流、功率参数；
模型建立模块，用于根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型，所述模型的输入为电力系统的运行数据，所述模型的输出为电力系统的潮流分布；
预测模块，用于预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。
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如上所述的方法的步骤。
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如上所述的方法的步骤。
本发明的有益效果：本发明提出一种基于机器学习技术的电力系统潮流预测方法及系统，获取电力系统的历史运行数据，并对所述历史数据进行预处理，所述历史运行数据至少包括电力系统的电压、电流、功率参数；根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型，所述模型的输入为电力系统的运行数据，所述模型的输出为电力系统的潮流分布；预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。通过机器学习技术对电力系统潮流进行预测，具有较高的预测精度和稳定性。预处理历史运行数据和设定第一阈值范围，有助于提高模型输出的电力系统潮流分布与实际值的误差控制，从而提高预测准确性。
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一种基于机器学习技术的电力系统潮流预测方法及系统的方法流程图；
图2为本发明一个实施例提供的一种基于机器学习技术的电力系统潮流预测方法及系统的9节点回路结构图；
图3为本发明一个实施例提供的一种基于机器学习技术的电力系统潮流预测方法及系统的训练及测试负荷曲线示意图；
图4为本发明一个实施例提供的一种基于机器学习技术的电力系统潮流预测方法及系统的模型训练过程示意图；
图5为本发明一个实施例提供的一种基于机器学习技术的电力系统潮流预测方法及系统的支路6-7潮流数据对比示意图；
图6为本发明一个实施例提供的一种基于机器学习技术的电力系统潮流预测方法及系统的计算机设备的内部结构图。
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。
实施例1
参照图1-6，为本发明的第一个实施例，该实施例提供了一种基于机器学习技术的电力系统潮流预测方法及系统，包括：
S101：获取电力系统的历史运行数据，并对历史数据进行预处理，历史运行数据至少包括电力系统的电压、电流、功率参数；
其中，获取电力系统的历史运行数据的数据来源可以是调度中心，通常电力系统会有一个或多个调度中心，负责监控和调度电力系统的运行。这些调度中心会收集并存储大量的实时运行数据。还可以是远程终端单元(RTU)，分布在电力系统各个关键节点的远程终端单元可以实时采集电压、电流、功率等参数。还可以是能量管理系统(EMS)，EMS系统会收集、处理和存储电力系统的大量实时数据。
具体的，数据的格式通常这些数据会以时间序列的形式存储，每一条记录包含一个时间戳和一个或多个电力参数值(如电压、电流、功率)。
更进一步的，其中对历史运行数据进行预处理包括数据清洗，去除异常值，由于设备故障、数据传输错误等原因，可能会在数据集中出现一些异常值，这些值需要被识别并处理。还可以包括填充缺失值：对于一些缺失的数据点，可以使用线性插值、多项式插值或其他插值方法进行填充。还可以包括数据转换：还可以包括归一化：将数据转换到同一尺度，使得不同量级的参数可以进行比较和分析。还可以包括标准化：将数据转换为标准正态分布的形式，通常用于机器学习模型的输入。还可以包括去噪：对于由传感器噪声引起的微小波动，可以使用滤波器(如移动平均滤波器、中值滤波器等)进行去噪处理。具体采用何种预处理手段根据最终精度需求进行求解。
更进一步的，等待预处理后，对预处理结果进行整合与分类：根据时间序列数据的特点，将连续的数据点整合为具有一定时间跨度(如5分钟、1小时)的平均值或累计值。
根据参数类型(如电压、电流、功率)和性质(如正常运行时的平均值、峰值等)，对数据进行分类和标签化。
经过预处理后，这些历史数据将被进一步用于状态监测和故障诊断的算法中，以实现电力电缆接头的实时、在线监测。通过这种方式，可以及时发现潜在的问题，确保电力系统的稳定运行。
S102：根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型，模型的输入为电力系统的运行数据，模型的输出为电力系统的潮流分布；
电力系统潮流预测模型包括：
其中，y表示电力系统的潮流分布，x1，x2，x3分别表示电压、电流和功率运行数据，β0表示模型的截距项，当模型的全部特征均为零时，模型的预测值为β0，特征为电压、电流和功率运行数据特征，β1、β2、β3表示电压、电流和功率运行数据的线性影响，β4、β5、β6表示电压、电流和功率运行数据的二次影响，β7、β8、β9表示电压、电流和功率运行数据之间的交互影响，λ是正则化系数，i表示索引。
应说明的是，上述模型在于能够充分考虑电力系统中各种因素对潮流分布的影响，如电压、电流、功率等，通过引入二次影响和交互影响，提高了预测模型的准确性。同时，通过正则化系数λ的引入，可以防止模型过拟合，提高模型的泛化能力。
S103：预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。
判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系包括：
若模型输出的电力系统的潮流分布与实际值误差小于第一阈值范围，则直接输出训练好的电力系统潮流预测模型；
若模型输出的电力系统的潮流分布与实际值误差不小于第一阈值范围，则优化电力系统潮流预测模型的损失函数，直至模型输出的电力系统的潮流分布与实际值误差小于第一阈值范围。
判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系还包括：
其中，yactual表示电力系统的实际潮流分布，ymodel表示模型预测的电力系统潮流分布，xactual表示电力系统的实际运行状态，xmodel表示模型预测的运行状态，zactual表示电力系统的实际负荷需求，zmodel表示模型预测的负荷需求，E表示误差。
应说明的是，对误差的考虑在于能够量化模型预测的电力系统潮流分布与实际值的误差，并通过设定第一阈值范围，对模型进行优化和调整，提高预测精度。同时，通过结合实际运行数据进行电力系统潮流预测，可以有效预警潜在的电力系统问题，确保电力系统的稳定运行。
更进一步的，第一阈值范围包括：
其中，y{actual,j}表示第j个数据点的实际潮流分布值，y{model,j}表示第j个数据点的模型预测潮流分布值，N表示数据点的数量，Z分数为一个常数，表示所需的置信区间的水平，Dy表示第一阈值范围。
更进一步的，优化电力系统潮流预测模型的损失函数包括：
优化前的损失函数为：
其中，N是数据点的总数，yactual,j是第j个数据点的实际潮流分布值，ypredicted,j是模型对第j个数据点的预测潮流分布值。
优化电力系统潮流预测模型的损失函数还包括：
优化后的损失函数为：
其中，factual,j和fpredicted,j分别是第j个数据点的实际和预测潮流向量，包含各个节点的潮流值，||||2表示欧几里得范数，用于计算潮流向量的长度或差异。
应说明的是，优化后的损失函数在于它不仅考虑了电力系统中各种因素对潮流分布的影响，如电压、电流、功率等，而且还通过二次影响和交互影响提高了预测模型的准确性。正则化系数λ的引入，可以防止模型过拟合，提高模型的泛化能力。此外，通过设定第一阈值范围，对模型进行优化和调整，提高预测精度。同时，结合实际运行数据进行电力系统潮流预测，可以有效预警潜在的电力系统问题，确保电力系统的稳定运行。
在一个可选的实施例中，还可以根据优化后的电力系统潮流预测模型，继续预设第二阈值范围，判断模型预测的电力系统潮流分布与实际值误差与第二阈值范围的大小关系。如果模型预测的电力系统潮流分布与实际值误差小于第二阈值范围，则输出预测结果；如果误差不小于第二阈值范围，则继续优化损失函数，直至误差小于第二阈值范围。
更进一步的，还可以结合优化后的电力系统潮流预测模型，实现电力系统的实时监测和故障诊断。通过对比模型预测的潮流分布与实际运行数据，及时发现潜在的问题，如电压、电流、功率等方面的异常，从而确保电力系统的稳定运行。
更进一步的，还可以根据电力系统的运行状况和预测结果，制定相应的维护策略和调度方案。例如，针对预测到的电力系统负荷高峰期，可以提前调整发电机组的运行参数，优化电网运行状态，降低系统损耗。同时，针对潜在的故障风险，可以加强对相关设备和部件的巡检与维护，确保电力系统的安全可靠。
更进一步的，还可以对电力系统潮流预测模型进行定期更新和优化，以适应电力系统运行环境的不断变化。可以通过收集新的运行数据，调整模型参数，提高模型的预测精度和泛化能力。同时，根据实际运行经验，不断完善和调整模型结构，使之更好地满足电力系统的需求。
更进一步的，还可以评估电力系统潮流预测模型的性能，主要包括预测精度、响应速度、泛化能力等方面。通过对比实际运行数据和预测结果，评估模型在解决电力系统实际问题方面的效果，从而为优化模型提供依据。
更进一步的，还可以将优化后的电力系统潮流预测模型应用于实际运行场景，验证其在实际应用中的有效性和可行性。通过实际应用中的反馈，进一步优化模型，提高其在电力系统中的应用价值。
综上，本发明提出一种基于机器学习技术的电力系统潮流预测方法，获取电力系统的历史运行数据，并对历史数据进行预处理，历史运行数据至少包括电力系统的电压、电流、功率参数；根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型，模型的输入为电力系统的运行数据，模型的输出为电力系统的潮流分布；预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。通过机器学习技术对电力系统潮流进行预测，具有较高的预测精度和稳定性。预处理历史运行数据和设定第一阈值范围，有助于提高模型输出的电力系统潮流分布与实际值的误差控制，从而提高预测准确性。
在一个优选的实施例中，一种基于机器学习技术的电力系统潮流预测系统，包括：
数据获取模块，用于获取电力系统的历史运行数据，并对历史数据进行预处理，历史运行数据至少包括电力系统的电压、电流、功率参数；
模型建立模块，用于根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型，模型的输入为电力系统的运行数据，模型的输出为电力系统的潮流分布；
预测模块，用于预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。
上述各单元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6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、运营商网络、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基于机器学习技术的电力系统潮流预测方法。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。
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，计算机程序被处理器执行时实现以下步骤：
获取电力系统的历史运行数据，并对历史数据进行预处理，历史运行数据至少包括电力系统的电压、电流、功率参数；
根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型，模型的输入为电力系统的运行数据，模型的输出为电力系统的潮流分布；
预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。
实施例2
参照图1-6，为本发明的一个实施例，提供了一种基于机器学习技术的电力系统潮流预测方法及系统，为了验证本发明的有益效果，通过实验进行科学论证。
本发明以电力系统中负荷周期波动为例，使用IEEE标准9节点系统，验证本发明的可行性。
IEEE Case 9中，5节点负荷24h波动情况为例，数据集中包含了24小时(0～24h)的负荷及潮流数据，采用某地某日负荷数据作为训练数据对模型进行训练，使用相隔7日后的负荷数据作为测试数据对模型进行测试，对比潮流数据由一般交流潮流计算得到。
由图5可知，该预测方法能够准确预测负荷波动时情况下的动态潮流情况，该预测结果对应的损失函数为0.0014，潮流预测结果准确且误差较小。
应说明的是，以上实施例仅用以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。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于机器学习技术的电力系统潮流预测方法，其特征在于，包括：
获取电力系统的历史运行数据，并对所述历史数据进行预处理，所述历史运行数据至少包括电力系统的电压、电流、功率参数；
根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型，所述模型的输入为电力系统的运行数据，所述模型的输出为电力系统的潮流分布；
预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。
2.如权利要求1所述的基于机器学习技术的电力系统潮流预测方法，其特征在于，所述判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系包括：
若模型输出的电力系统的潮流分布与实际值误差小于第一阈值范围，则直接输出训练好的电力系统潮流预测模型；
若模型输出的电力系统的潮流分布与实际值误差不小于第一阈值范围，则优化所述电力系统潮流预测模型的损失函数，直至模型输出的电力系统的潮流分布与实际值误差小于第一阈值范围。
3.如权利要求2所述的基于机器学习技术的电力系统潮流预测方法，其特征在于，所述电力系统潮流预测模型包括：
其中，y表示电力系统的潮流分布，x1，x2，x3分别表示电压、电流和功率运行数据，β0表示模型的截距项，当模型的全部特征均为零时，模型的预测值为β0，所述特征为电压、电流和功率运行数据特征，β1、β2、β3表示电压、电流和功率运行数据的线性影响，β4、β5、β6表示电压、电流和功率运行数据的二次影响，β7、β8、β9表示电压、电流和功率运行数据之间的交互影响，λ是正则化系数，i表示索引。
4.如权利要求3所述的基于机器学习技术的电力系统潮流预测方法，其特征在于，所述判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系还包括：
其中，yactual表示电力系统的实际潮流分布，ymodel表示模型预测的电力系统潮流分布，xactual表示电力系统的实际运行状态，xmodel表示模型预测的运行状态，zactual表示电力系统的实际负荷需求，zmodel表示模型预测的负荷需求，E表示误差。
5.如权利要求4所述的基于机器学习技术的电力系统潮流预测方法，其特征在于，所述第一阈值范围包括：
其中，y{actual,j}表示第j个数据点的实际潮流分布值，y{model,j}表示第j个数据点的模型预测潮流分布值，N表示数据点的数量，Z分数为一个常数，表示所需的置信区间的水平，Dy表示第一阈值范围。
6.如权利要求5所述的基于机器学习技术的电力系统潮流预测方法，其特征在于，所述优化所述电力系统潮流预测模型的损失函数包括：
优化前的损失函数为：
其中，N是数据点的总数，yactual,j是第j个数据点的实际潮流分布值，ypredicted,j是模型对第j个数据点的预测潮流分布值。
7.如权利要求6所述的基于机器学习技术的电力系统潮流预测方法，其特征在于，所述优化所述电力系统潮流预测模型的损失函数还包括：
优化后的损失函数为：
其中，factual,j和fpredicted,j分别是第j个数据点的实际和预测潮流向量，包含各个节点的潮流值，||||2表示欧几里得范数，用于计算潮流向量的长度或差异。
8.一种基于机器学习技术的电力系统潮流预测系统，其特征在于，包括：
数据获取模块，用于获取电力系统的历史运行数据，并对所述历史数据进行预处理，所述历史运行数据至少包括电力系统的电压、电流、功率参数；
模型建立模块，用于根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型，所述模型的输入为电力系统的运行数据，所述模型的输出为电力系统的潮流分布；
预测模块，用于预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。
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。
CN202410122553.8A 2024-01-29 2024-01-29 一种基于机器学习技术的电力系统潮流预测方法及系统 Pending CN118157099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410122553.8A CN118157099A (zh) 2024-01-29 2024-01-29 一种基于机器学习技术的电力系统潮流预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410122553.8A CN118157099A (zh) 2024-01-29 2024-01-29 一种基于机器学习技术的电力系统潮流预测方法及系统

Publications (1)

Publication Number Publication Date
CN118157099A true CN118157099A (zh) 2024-06-07

Family

ID=91300688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410122553.8A Pending CN118157099A (zh) 2024-01-29 2024-01-29 一种基于机器学习技术的电力系统潮流预测方法及系统

Country Status (1)

Country Link
CN (1) CN118157099A (zh)

Similar Documents

Publication Publication Date Title
Yang et al. Intelligent data-driven decision-making method for dynamic multisequence: An E-seq2seq-based SCUC expert system
Zhang et al. Two-stage robust security-constrained unit commitment model considering time autocorrelation of wind/load prediction error and outage contingency probability of units
CN112104005B (zh) 一种考虑新能源预测不确定性的电网调度方法和系统
CN111799847B (zh) 计及风险的主动配电网两阶段随机模型的预测控制方法
CN112163304B (zh) 一种输电网冗余约束识别方法、存储介质及计算设备
CN104299043A (zh) 极限学习机超短期负荷预测方法
Teng et al. Availability estimation of wind power forecasting and optimization of day-ahead unit commitment
Liu et al. A wavelet-LSTM model for short-term wind power forecasting using wind farm SCADA data
Song et al. Dynamic thermal line rating model of conductor based on prediction of meteorological parameters
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
CN117833468A (zh) 一种运行中配电环网柜断路器单元传控部件检修方法
CN117236380A (zh) 一种电力系统故障预测方法、系统、电子设备和介质
Lei et al. Photovoltaic power missing data filling based on multiple matching and long‐and short‐term memory network
CN105207255B (zh) 一种适用于风电出力的电力系统调峰计算方法
CN118157099A (zh) 一种基于机器学习技术的电力系统潮流预测方法及系统
CN111046633A (zh) 一种基于lstm的电网一次调频数据预测方法及装置
Zhang et al. Distributed Architecture of Power Grid Asset Management and Future Research Directions
CN110212585A (zh) 基于统计分析的风电机组运行可靠性预测方法、装置及风电机组
CN113468729B (zh) 无标定方式的电力厂站计量装置运行误差测算方法及系统
Yan et al. Decentralized Wind Power Forecasting Method Based on Informer
CN112132325B (zh) 考虑天气置信度的输电线路载流量限额评估方法及装置
Huang et al. A simplification method for robust optimization of power system based on LMP
CN117034157B (zh) 一种结合多模态运行数据的水电设备故障识别方法与系统
CN115618752B (zh) 一种基于Autoformer模型的电力负荷控制方法及系统
Guo et al. Short-term Wind Power Interval Prediction Method Based on Empirical Mode Decomposition (EMD) and Non-parametric Estimation Method

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination