具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。图1示出了一个实施例的输电线路空间负荷状态的提取方法的流程图,主要包括如下步骤:
步骤S10:解析输电线路地理接线图中各条输电线路的空间关系,根据所述空间关系获取各条输电线路之间的拓扑连接关系图。
其中,输电线路地理接线图中有变电站点、输电线路路径,以及他们相互联结的信息,能够反应整个电力***的宏观架构;拓扑连接关系图是以变电站点为顶点,站点与站点之间的输电线路为边构建的反应各条输电线路拓扑联结或变化的空间关系图。
在本步骤中,由于输电线路地理接线图中描述各条输电线路的空间关系的信息是采用特殊文件格式,所以需要对输电线路地理接线图中的信息进行解析,解析后,可得到各个变电站点连接形成的各条输电线路之间的空间位置关系;利用输电线路之间的空间关系,以变电站点为顶点,站点与站点之间的输电线路为边,构建各条输电线路之间的拓扑连接关系图。
在一个实施例中,根据所述空间关系获取各条输电线路之间的拓扑连接关系图的步骤包括:对CIM(Common Information Model,公共信息模型)中记录的信息进行解析,实时对各条输电线路的空间关系进行更新,获取更新后的各条输电线路之间拓扑连接关系图。
具体地,在实际电力***运作过程中,由于电力调度、电力事故等影响,输电线路之间的拓扑连接关系会发生改变,相关的改变信息会以特殊文件的格式记载在CIM中,通过对CIM中的数据进行解析,实时对各条输电线路的空间关系进行更新,实时更新各条输电线路之间拓扑连接关系图。通过考虑CIM中的信息,可以获得实时更新的准确的拓扑连接关系图,提高了输电线路空间负荷状态的提取的准确性。
步骤S20:根据电网在线监测数据获取各条输电线路的负荷时序数据。
在本步骤中,实时的电网在线监测数据会形成E格式的文件,对其进行解析,提取出其中记载的各条输电线路的负荷时序数据,存入到负荷数据的数据库中;其中,负荷时序数据既包含各条输电线路的负载信息也隐含着线路之间的空间信息。
步骤S30:根据预先训练的时间序列特征提取模型,对所述负荷时序数据进行特征提取,获取各条输电线路的负荷时序数据对应的特征信息。
在本步骤中,将各条输电线路对应的各组负荷时序数据输入到预先训练的时间序列特征提取模型中,对各组负荷时序数据进行特征提取,获取各组负荷时序数据对应的特征信息。
在一个实施例中,在步骤S30的步骤之前还可以对获取的各条输电线路的负荷时序数据进行预处理,例如,去噪处理,通过噪声去除的处理,可以减少数据中存在的异常或偏差的数据,提高进入提取过程的负荷时序数据的质量,确保特征提取的准确性。
进一步地,还可以将所述负荷时序数据的标签类别进行分离,分离负荷时序数据的标签类别后,提取出进入特征提取过程的负荷时序数据的样本数据,为后续特征提取的过程做准备。通过对负荷时序数据的预处理,获得负荷时序数据的样本数据,数据的质量得到提高,有利于更准确地对各组负荷时序数据的特征信息进行提取。
在一个实施例中,所述对所述负荷时序数据进行特征提取的步骤包括:对所述负荷时序数据的样本数据进行特征提取。将预处理后的负荷时序数据的样本数据进行特征信息的提取,提高了特征提取的效率。
在一个实施例中,根据预先训练的时间序列特征提取模型,对所述负荷时序数据进行特征提取,获取各个负荷时序数据对应的特征信息的步骤包括,基于深度学习理论建立时间序列特征提取模型,并采用输电线路的历史数据对所述时间序列特征提取模型进行训练;利用训练后的时间序列特征提取模型,在预设步长的时间窗口内输入所述负荷时序数据,提取预设步长的时间窗口内各个负荷时序数据对应的特征信息。
如图2所示,图2示出了一个实施例的利用时间序列特征提取模型对负荷时序数据进行特征提取的方法的流程图。
步骤S301:基于深度学习理论构建时间序列特征提取模型,初始化时间序列特征提取模型的结构参数。
具体地,可以根据时间窗口长度以及实验效果对时间序列特征提取模型的结构参数进行初始化设置,包括设置神经网络层数、每层里神经元的个数、学习速率、训练算法、训练批次、训练周期等。
在一个实施例中,设置网络层数共三层,第一层为20个神经元,第二层为40个神经元,第三层为10个神经元;设置学习速率为0.01;设置训练算法为对比散度算法;设置训练批次为24个批次,即共迭代24次,每批次20个输入值;设置训练数据的大小为10天的数据量,校验数据为5天的数据量。
步骤S302:对构建的时间序列特征提取模型进行训练。
首先,需要获取训练数据,训练数据可以是待监测的输电线路的历史负荷时序数据,例如,可以从输电网络的在线监测数据的E格式文件中提取输电线路的历史负荷时序数据。
接着,根据负荷时序数据生成的速度可以设置时间窗口的步长,例如,输电网络的E格式文件为每3分钟生成一次,可以编写代码按照20步长(即1个小时)为时间窗口,获取1个小时内的各条输电线路的负荷时序数据的数据流。
最后,根据设定的步长,将各条输电线路的负荷时序数据的数据流输入到时间序列特征提取模型中,根据设置的训练批次和周期,阶段性对时间序列特征提取模型进行训练,获得预先训练的时间序列特征提取模型。
步骤S303:利用预先训练的时间序列特征提取模型,对预设步长的时间窗口内的负荷时序数据进行特征提取。
具体地,根据预先训练的模型,在预设步长的时间窗口内输入所述负荷时序数据,例如,预先训练的模型采用20步长(即1个小时)的时间窗口对负荷时序数据进行训练,所以在特征提取时,以20步长为时间窗口进行负荷时序数据进行特征提取。
通过预先设置时间窗口的步长,实现了将大量的数据进行阶段划分,由于输电线路的日负荷曲线既长又复杂,进行阶段划分避免了直接对电网的日负荷曲线进行特征提取而导致的提取效果不佳的问题。
步骤S40:根据所述特征信息对所述负荷时序数据进行聚类,获取基于所述特征信息划分的聚类簇。
在本步骤中,以提取的负荷时序数据的特征信息为依据进行聚类簇的划分,其中,同一聚类簇中的数据的特征相似度高,不同聚类簇中的数据的特征相似度较低。
在一个实施例中,根据所述特征信息对所述负荷时序数据进行聚类,获取基于所述特征信息划分的聚类簇的步骤包括:根据所述特征信息,选择初始聚类中心;根据所述初始聚类中心以及时间弯曲曲线对负荷时序数据进行初始聚类簇的划分;根据所述初始聚类簇之间的时间弯曲曲线距离进行聚类簇的合并或分解,获取符合所述特征信息的聚类簇。
如图3所示,图3示出了一个实施例的基于负荷时序数据的特征信息的聚类流程图。
步骤S401:选择初始聚类中心。
具体地,聚类的过程采用k-means算法进行,利用时间序列特征提取模型的特征提取结果,选择K个初始聚类中心,其中,K为自然数。
步骤S402:动态时间弯曲距离计算,确定初始聚类簇。
具体地,每当一批次的负荷时序数据到来时,根据初始聚类中心,利用时间弯曲曲线对负荷时序数据进行聚类簇的划分,得到初始聚类簇。
步骤S403:聚类簇的重新分配。
具体地,根据初始聚类簇之间的时间弯曲曲线距离,判断是否需要进行聚类簇的更新和重新分配,若需要,则对初始聚类簇进行聚类簇的合并或分解,得到新的满足特征信息的聚类簇。
步骤S50:根据所述聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系,获取输电线路的空间负荷状态。
在本步骤中,在设定步长的时间窗口内的负荷时序数据聚类结束后,将聚类簇的划分结果结合各条输电线路之间的拓扑连接关系图,获取输电线路的空间负荷状态。
在一个实施例中,根据所述聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系,获取输电线路的空间负荷状态的步骤包括:利用各聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系,从所述拓扑连接关系图中提取拓扑连接关系的子图,获取与所述子图对应的空间负荷状态。
其中,拓扑连接关系图中节点与节点连线的权重值表示该连线的负荷值,各聚类簇中各个负荷时序数据在拓扑连接关系图中都有对应的连线,即有对应的输电线路。
在一个实施例中,从所述拓扑连接关系图中提取拓扑连接关系的子图,获取与所述子图对应的空间负荷状态的步骤包括:获取同一聚类簇中的负荷时序数据在拓扑连接关系图中对应的输电线路;从所述输电线路中提取存在地理联通关系的输电线路,得到拓扑连接关系的子图;根据所述子图中各个输电线路的空间关系以及各个输电线路对应的负荷值,获取所述子图中各个输电线路对应的空间负荷状态。
上述空间负荷状态,以各条输电线路之间的拓扑连接关系为基础,以聚类簇为判断依据,若同一聚类簇中的负荷时序数据在拓扑连接关系图中对应的输电线路存在地理联通关系,则将具有联通关系的线路进行提取,获取由上述具有联通关系的线路组成的拓扑连接关系的子图,再结合子图中各输电线路的负荷值,得到子图中各个输电线路对应的空间负荷状态。
上述输电线路空间负荷状态的提取方法,通过对实时在线监测的负荷时序数据进行特征提取,并基于时序数据的特征信息进行聚类,最后将聚类结果结合输电线路之间的拓扑连接关系,对输电线路的空间负荷状态进行了快速提取,可以有效反映输电线路负载情况的时间与空间的关联信息,提高了利用在线检测数据检测电网空间负荷状态的效率,有利于对电网架构负载全局信息进行监控。
下面结合应用场景,对一个应用实例中的输电线路空间负荷状态的提取方法进行详细介绍,包括以下步骤:
步骤s1,解析输电线路地理接线图,构建线路之间的拓扑连接关系。
由于输电线路地理接线图中描述各条输电线路的空间关系的信息是采用特殊文件格式,所以需要对输电线路地理接线图中的信息进行解析,并对原文件中的变电站和输电线路的空间关系进行分析处理,得到变电站、输电线路及各条输电线路之间的拓扑关系图。
步骤s2,考虑电力调度、电力事故等影响,线路之间拓扑连接关系会发生改变,相关信息记录在CIM中。通过检查CIM中的数据,判读是否需要通过解析CIM中的数据,实时更新线路拓扑图。
步骤s3,根据电网在线监测数据获取各条输电线路的负荷时序数据,并对数据进行预处理。首先,对各条输电线路的负荷时序数据进行噪声等预处理过程,并将负荷时序数据的标签类别与进入提取过程的负荷时序数据的样本数据进行分离。
步骤s4,根据深度学习理论,建立基于DBN(Deep Belief Network,深度信念网络)的时间序列特征提取模型。
对时间序列特征提取模型进行参数初始化,包括设置网络层数、每层里神经元的个数、学习速率、训练算法、训练周期等。并根据时间序列特征提取模型构建方法,实施模型的设计与代码开发。
本应用实例采用的时间序列特征提取模型,设置网络层数共三层,第一层为20个神经元,第二层为40个神经元,第三层为10个神经元;设置学习速率为0.01;设置训练算法为对比散度算法;设置训练批次为24个批次,即共迭代24次,每批次20个输入值;设置训练数据的大小为10天的数据量,校验数据为5天的数据量步骤1.3.2.1,参数设置(参数可按实际步长即时间窗口长度适时调整),实验过程中以下述为例:网络层数共3层,第一层为20个神经元,第二层为40个神经元,第三层为10个神经元。
从输电网络的在线监测数据的E格式文件中提取输电线路的历史负荷时序数据,编写代码按照20步长(即1个小时)为时间窗口,以20步长的时间窗口内的数据作为输入,进入时间序列特征提取模型的训练阶段。根据训练数据大小,共分为10个阶段,每个阶段即一天的数据量训练过程,经过10天的数据量的训练,得到训练后的时间序列特征提取模型。
步骤s5,利用预先训练的时间序列特征提取模型,对预设步长的时间窗口内的负荷时序数据进行特征提取。
步骤s6,根据所述特征信息对所述负荷时序数据进行空间聚类。
利用时间序列特征提取模型的特征提取结果,选择初始聚类中心,聚类中心的选择方法是随机选择K个中心;当有数据到来时,根据增量数据和初始聚类中心采用时间弯曲曲线进行聚类簇的判断和划分。再根据聚类簇之间的时间弯曲曲线距离判断是否需要进行聚类簇的重新分配,若需要重新分配,则可能产生新类,其中,聚类簇的重新分配包括类的合并或分解。
步骤s7,待设定时间窗口内的数据聚类结束后,结合拓扑连接关系,提取输电网子拓扑连接关系的空间负荷状态。
其中,拓扑连接关系图中节点与节点连线的权重值表示该连线的负荷值,各聚类簇中各个负荷时序数据在拓扑连接关系图中都有对应的连线,即有对应的输电线路。
具体地,以各条输电线路之间的拓扑连接关系为基础,以聚类簇为判断依据,若同一聚类簇中的负荷时序数据在拓扑连接关系图中对应的输电线路存在地理联通关系,则将具有联通关系的线路进行提取,获取由上述具有联通关系的线路组成的拓扑连接关系的子图,再结合子图中各输电线路的负荷值,得到子图中各个输电线路对应的空间负荷状态,得到拓扑连接子关系的空间负荷状态。
步骤s8,根据步骤s1-s7构建的算法流程,以实际需要的空间负荷状态数为根据,进行聚类参数设定,以实际监测的负荷时序数据进行基于深度学习的空间负荷状态提取,得到如图4所示的输电线路的空间负荷状态示例图,最后可以将提取到的空间负荷状态示例图应用到电网状态评价、电力调度等环节中。
下面结合附图对本发明的输电线路空间负荷状态的提取***的具体实施方式作详细描述,图5示出了一个实施例的输电线路空间负荷状态的提取***的结构示意图,主要包括:拓扑建立模块10、数据获取模块20、特征提取模块30、数据聚类模块40,以及状态提取模块50。
拓扑建立模块10,用于解析输电线路地理接线图中各条输电线路的空间关系,根据所述空间关系获取各条输电线路之间的拓扑连接关系图;
数据获取模块20,用于根据电网在线监测数据获取各条输电线路的负荷时序数据;
特征提取模块30,用于根据预先训练的时间序列特征提取模型,对所述负荷时序数据进行特征提取,获取各个负荷时序数据对应的特征信息;
数据聚类模块40,用于根据所述特征信息对所述负荷时序数据进行聚类,获取基于所述特征信息划分的聚类簇;
状态提取模块50,用于根据所述聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系,获取输电线路的空间负荷状态。
在一个实施例中,对于拓扑建立模块10,可以进一步用于对CIM中记录的信息进行解析,实时对各条输电线路的空间关系进行更新,获取更新后的各条输电线路之间拓扑连接关系图。
在一个实施例中,对于特征提取模块30,还可以用于对获取的各条输电线路的负荷时序数据进行去噪处理,并将所述负荷时序数据的标签类别进行分离,得到所述负荷时序数据的样本数据。
在一个实施例中,对于特征提取模块30,可以进一步用于对所述负荷时序数据的样本数据进行特征提取。
在一个实施例中,对于特征提取模块30,可以进一步用于基于深度学习理论建立时间序列特征提取模型,并采用输电线路的历史数据对所述时间序列特征提取模型进行训练;利用训练后的时间序列特征提取模型,在预设步长的时间窗口内输入所述负荷时序数据,提取预设步长的时间窗口内各个负荷时序数据对应的特征信息。
在一个实施例中,对于数据聚类模块40,可以进一步用于根据所述特征信息,选择初始聚类中心;根据所述初始聚类中心以及时间弯曲曲线对负荷时序数据进行初始聚类簇的划分;根据所述初始聚类簇之间的时间弯曲曲线距离进行聚类簇的合并和/或分解,获取符合所述特征信息的聚类簇。
在一个实施例中,对于状态提取模块50,可以进一步用于利用各聚类簇中各个负荷时序数据与所述拓扑连接关系图的对应关系,从所述拓扑连接关系图中提取拓扑连接关系的子图,获取与所述子图对应的空间负荷状态。
在一个实施例中,对于状态提取模块50,可以进一步用于获取同一聚类簇中的负荷时序数据在拓扑连接关系图中对应的输电线路;从所述输电线路中提取存在地理联通关系的输电线路,得到拓扑连接关系的子图;根据所述子图中各个输电线路的空间关系以及各个输电线路对应的负荷值,获取所述子图中各个输电线路对应的空间负荷状态。
上述输电线路空间负荷状态的提取***,通过对实时在线监测的负荷时序数据进行特征提取,并基于时序数据的特征信息进行聚类,最后将聚类结果结合输电线路之间的拓扑连接关系,对输电线路的空间负荷状态进行了快速提取,可以有效反映输电线路负载情况的时间与空间的关联信息,提高了利用在线检测数据检测电网空间负荷状态的效率,有利于对电网架构负载全局信息进行监控。
本发明在一个实施例中还提供一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,上述处理器执行所述计算机程序时实现上述实施例中任意一种输电线路空间负荷状态的提取方法。
该计算机设备,其处理器执行程序时,通过实现如上述各实施例中的任意一种输电线路空间负荷状态的提取方法,从而可以对输电线路空间负荷状态进行快速提取,有效反映了输电线路负载情况时间与空间的关联信息,提高了利用在线检测数据检测电网空间负荷状态的效率,有利于对电网架构负载全局信息进行监控。
此外,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,所述的程序可存储于一非易失性的计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机***的存储介质中,并被该计算机***中的至少一个处理器执行,以实现包括如上述各输电线路空间负荷状态的提取方法的实施例的流程。
在一个实施例中,还提供一种存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述各实施例中的任意一种输电线路空间负荷状态的提取方法。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
该计算机存储介质,其存储的计算机程序,通过实现包括如上述各输电线路空间负荷状态的提取方法的实施例的流程,从而可以对输电线路空间负荷状态进行快速提取,有效反映了输电线路负载情况时间与空间的关联信息,提高了利用在线检测数据检测电网空间负荷状态的效率,有利于对电网架构负载全局信息进行监控
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。