(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202010364427.5
(22)申请日 2020.04.30
(71)申请人 中国电力科学研究院有限公司
地址 100192 北京市海淀区清河小营东路
15号
申请人 国网福建省电力有限公司
(72)发明人 林静怀 范士雄 范海威 徐郑崎
冯长有 刘幸蔚 韩晔 李泽科
皮俊波 王晶 董根源 沈晓东
(74)专利代理机构 北京宝护知识产权代理有限
公司 11703
代理人 王霞
(51)Int.Cl.
G06Q 10/04(2012.01)
G06Q 10/06(2012.01)G06Q 50/06(2012.01)G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)
(54)发明名称模型驱动和数据驱动融合的电网运行态势感知方法及系统(57)摘要本发明公开一种模型驱 动和数据驱动融合的电网运行态势感知方法及系统，包括关键要素挖掘：利用基于模型驱动的主成分分析法剔除运行指标信息过度重叠的因素，构建电网运行态势评价体系，用来表征电网的运行轨迹；态势理解：利用基于模型驱动的模糊层次分析法评估当前运行状态；态势预测：利用基于数据驱动的LSTM -注意力机制，通过样本数据训练学习，完成对电网安全态势的感知；其通过样本数据训练学习，完成对电网安全态势的感知；结果证明，本发明的模型驱动和数据驱动融合的电网运行态势感知方法，其作为科学、合理、全面的电网调控态势感知体系，能够精确地适用于感知电力系统当前 的运行状态。权利要求书4页 说明书11页 附图3页CN 111582571 A 2020.08.25
C N 111582571
A
1.模型驱动和数据驱动融合的电网运行态势感知方法，其特征在于，包括以下步骤，
第一步，建立电网运行态势评估基本框架，将电网态势感知分为：关键要素挖掘、态势理解阶段和态势预测阶段三个阶段；
第二步，在关键要素挖掘阶段，利用基于模型驱动的主成分分析法剔除运行指标信息过度重叠的因素，构建电网运行态势评价体系，用来表征电网的运行轨迹；
第三步，在态势理解阶段，利用基于模型驱动的模糊层次分析法评估当前运行状态；
第四步，在态势预测阶段，利用基于数据驱动的LSTM-注意力机制，通过样本数据训练学习，完成对电网安全态势的感知。
2.如权利要求1所述的模型驱动和数据驱动融合的电网运行态势感知方法，其特征在于，第二步，在关键要素挖掘阶段，首先利用主成分分析法剔除运行指标信息过度重叠的因素，挖掘能反映电网态势运行轨迹的关键要素。
3.如权利要求2所述的模型驱动和数据驱动融合的电网运行态势感知方法，其特征在于，第二步，在关键要素挖掘阶段，利用主成分分析法剔除运行指标信息过度重叠的因素，挖掘能反映电网态势运行轨迹的关键要素，具体步骤如下：
步骤一，设指标体系共有n个属性指标，采用m个样本来评价，则构成指标矩阵B如式(1)：
步骤二，对指标矩阵B进行预处理：由于所选择指标类型不尽相同，含有正向型指标和负向型指标，需要统一指标类型；如要将指标类型统一为负向型指标，对正向型指标取其倒数计算；对指标数据采用式(2)进行标准化：
式中：z ij为标准化之后的指标数据，分别为第j个指标值得均值和均方差；标准化之后的所有指标数据构成矩阵为Z＝(z ij)m×n；
步骤三，通过式(3)建立Z＝(z ij)m×n的相关系数矩阵R＝(rij)m×n，矩阵中的元素r ij反映指标Z i与Z j的相关程度，
式(3)中：cov(Z i,Z j)为Z i与Z j的协方差；D(Z i)、D(Z j)分别为Z i与Z j的方差；
步骤四，根据式(4)求解相关矩阵R的q个特征根：
λ1≥λ2≥λ3≥…≥λq≥0 (4)
其对应特征向量如式(5)：
e j＝(l1j,l2j,…,l nj),j＝1,…q (5)
步骤五，计算方差贡献率并对w j按降序排列，若前l个主成分的累计方差
贡献率时，则认为这l个主成分综合体现n个指标；l≤q；
步骤六，通过式(6)计算m个样本的主成分：
Z i,j＝Z m,n×[e1e2…e q]′ (6)
步骤七，选取前l个主成分，通过式(7)计算得到指标：
4.如权利要求3所述的模型驱动和数据驱动融合的电网运行态势感知方法，其特征在于，步骤七中，通过主成分分析，从电网结构、电网设备和系统状态三个方面，构建了电网运行态势评价指标体系；其中电网结构方面包括网架结构完整度和功率传输效率；电网设备方面包括线路负载率、变压器负载率、电压裕度、断面潮流裕度和负荷变化率五个指标；系统状态包括频率安全偏差率、有功备用、网损率和n-1通过率四个指标。
5.如权利要求1所述的模型驱动和数据驱动融合的电网运行态势感知方法，其特征在于，第三步，在态势理解阶段，选取由EMS和WMAS提供的原始信息，或基于这些信息经加工、计算间接获取的状态作为电网运行轨迹指标体系；
通过模糊层次分析法消除指标权重分配中的不确定性；
设模糊互补矩阵F＝(f ij)n×n，f ij∈[0,1]，其中：n为指标准则数，一般取n＝6，f ij取0.1～0.9数量标度；
各指标权重如式(8):
式中：u Zi，u Zj分别表示专家Z对指标i和j的权重决策结果，满足f ij＝logαu Zi-logαu Zj+ 0.5；α为决策者的分辨能力。
6.如权利要求5所述的模型驱动和数据驱动融合的电网运行态势感知方法，其特征在于，第三步，在态势理解阶段，通过k均值算法对专家决策向量进行聚类分析，其算法流程包括以下步骤:
步骤一，假定各指标权重由N个专家完成，输入N个11维待分类的专家决策权重向量{U1, U2,…,U Z,…U N}，其中U Z＝(u Z1,u Z2,…,u Z11)表示专家Z对11个指标的权重分配结果，待分类的簇数为k；
步骤二，随机选择k个专家对指标权重分配的决策向量作为初始聚类中心{p1,p2,…, p i,…p k}，其中p i＝(p i1,p i2,…,p i11)表示第i个聚类中心的权重决策向量；选择聚类最大迭代次数V；确定迭代结束的最大收敛系数M；
步骤三，计算每个决策向量到各簇的欧氏距离，将各决策向量分到具有最小距离的簇中，欧氏距离的计算公式为式(9):
步骤四，重新计算k个聚类的中心值{p1,p2,…,p i,…p k}，其中p il如式(10):
其中：表示U Z为归入类p i的决策向量；L为归入该类的决策向量数目；
步骤五，检验聚类操作是否结束：若迭代次数等于P，则结束聚类；否则计算该次迭代每个聚类的收敛距离，若收敛距离都小于给定的参数M则结束，否则继续迭代；第m次迭代收敛距离计算公式如式(11):
步骤六，如果类别p l包括n l个排序向量，得该类专家决策向量的权重如式(12):
由此得到指标层的最终权重向量如式(13):
7.如权利要求1所述的模型驱动和数据驱动融合的电网运行态势感知方法，其特征在于，第四步，在态势
预测阶段，通过学习框架完成对电网态势的预测，包括：步骤一，通过LSTM单元根据t-1时刻记忆单元状态值c t-1、隐藏层t-1时刻输出值h t-1和t 时刻输入值x t，计算t时刻隐藏层输出值h t；根据信号的流向，具体计算规则如式(14)-(19)：
f t＝σ(W fx x t+W fh h t-1+b f) (14)
i t＝σ(W ix x t+W ih h t-1+b i) (15)
c t＝c t-1⊙f t+g t⊙i t (17)
o t＝σ(W ox x t+W oh h t-1+b o) (18)
式(14)-(19)中：W为t时刻权值矩阵，b为偏置量，σ为sigmoid激活函数，为tanh激活函数，⊙表示同或乘法运算；
步骤二，采用注意力机制，用s ki表示第i个序列点对第k个序列点的影响，计算公式如式(20)：
s ki＝U k-1tanh(V1h k+V2h i+b) (20)
其中，U k-1是Attention隐藏层更新所保存的向量，V1、V2为矩阵系数，b为偏置系数；
再将各个s ki输入softma层进行归一化得到概率分布s ki，这样影响越大的序列点所对应的概率越大，以抑制一些无效信息或噪音，计算公式如式(21)：
再将各个αki加权求和得到第k个序列点的注意力系数C，最后综合求出attention层的输出值U k并更新隐藏层保存值，公式如式(22)和式(23)：
U k＝tanh(C,h k) (23)
attention层输出u k作为下一个dense全连接层的输入，经过sigmoid激活函数作用输出预测值公式如式(24)：
步骤三，将注意力机制与LSTM网络结合起来构造一个预测基模型。
8.如权利要求7所述的模型驱动和数据驱动融合的电网运行态势感知方法，其特征在于，步骤三中，两个LSTM层的神经元个数分别为32和64。
9.模型驱动和数据驱动融合的电网运行态势感知系统，其特征在于，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述权利要求1至8中任一项所述的模型驱动和数据驱动融合的电网运行态势感知方法的方法步骤。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议