CN110837683A - 电力***暂态稳定的预测模型的训练及预测方法、装置 - Google Patents
电力***暂态稳定的预测模型的训练及预测方法、装置 Download PDFInfo
- Publication number
- CN110837683A CN110837683A CN201910417446.7A CN201910417446A CN110837683A CN 110837683 A CN110837683 A CN 110837683A CN 201910417446 A CN201910417446 A CN 201910417446A CN 110837683 A CN110837683 A CN 110837683A
- Authority
- CN
- China
- Prior art keywords
- power system
- sample data
- transient stability
- prediction model
- data set
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 110
- 238000012549 training Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000015654 memory Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 3
- 238000011105 stabilization Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力***暂态稳定的预测模型的训练及预测方法、装置,该训练方法包括:获取电力***的历史运行数据,对历史运行数据进行处理得到第一样本数据集;第一样本数据集包括正样本数据及负样本数据,正样本数据用以表征所述电力***处于稳定状态,负样本数据用以表征电力***处于不稳定状态;利用第一样本数据集对神经网络融合模型进行训练,得到电力***暂态稳定预测模型;其中,神经网络融合模型为根据双向长短时记忆网络、卷积神经网络和支持向量机构建的神经网络融合模型,通过实施本发明,利用双向长短时记忆网络和卷积神经网络网络进行提取特征向量,将特征向量输入支持向量机进行稳定预测,提高电力***暂态稳定的预测准确率。
Description
技术领域
本发明涉及电力***技术领域,具体涉及一种电力***暂态稳定的预测模型的训练及预测方法、装置。
背景技术
电力***的稳定运行直接关系到人们的生产生活和社会的正常运转。随着电力***规模不断扩大,交直流混联输电方式的发展,新增设备的不断增多以及新能源技术的应用,电力***的运行状态越来越接近其稳定极限,其安全稳定问题日益严重,电力***出现大面积停电的事件时有发生,迫切需要一种能够快速准确的进行电网暂态稳定评估的方法,目前业界常用机器学习方法来进行电网暂态稳定评估,但是,目前业界常用的机器学习方法很难捕捉到电力***的运行数据中时间维度信息,使得电力***暂态稳定的评估方法准确率不高。
发明内容
有鉴于此,本发明实施例提供了一种电力***暂态稳定的预测模型的训练及预测方法、装置,以解决基于机器学习方法的电力***暂态稳定的评估方法准确率不高的问题。
根据第一方面,本发明实施例提供了一种电力***暂态稳定预测模型的训练方法,包括:获取电力***的历史运行数据,对所述历史运行数据进行处理得到第一样本数据集;所述第一样本数据集包括正样本数据及负样本数据,所述正样本数据用以表征所述电力***处于稳定状态,所述负样本数据用以表征所述电力***处于不稳定状态;利用所述第一样本数据集对神经网络融合模型进行训练,得到电力***暂态稳定预测模型;其中,所述神经网络融合模型为根据双向长短时记忆网络、卷积神经网络和支持向量机构建的神经网络融合模型。
结合第一方面,在第一方面第一实施方式中,所述利用所述第一样本数据集对神经网络融合模型进行训练,得到电力***暂态稳定预测模型,包括:将所述第一样本数据集按照预设的比例划分为训练集、验证集和测试集;利用所述训练集对神经网络融合模型进行训练,得到初始电力***暂态稳定预测模型;利用所述验证集验证所述初始电力***暂态稳定预测模型的预测结果是否准确;如果准确,利用所述测试集确定所述初始电力***暂态稳定预测模型的准确率;判断所述准确率与预设标准值的差值是否小于准确率阈值;如果所述差值小于准确率阈值,则将所述初始电力***暂态稳定预测模型确定为所述电力***暂态稳定预测模型。
结合第一方面第一实施方式,在第一方面第二实施方式中,如果所述初始电力***暂态稳定预测模型的预测结果不准确,根据验证结果调整所述初始电力***暂态稳定预测模型的参数,并返回利用所述验证集验证所述初始电力***暂态稳定预测模型的预测结果是否准确的步骤。
结合第一方面,在第一方面第三实施方式中,对所述历史运行数据进行处理得到第一样本数据集,包括:根据预设的采集范围和时间间隔,利用时域仿真法或广域监测***对所述历史运行数据进行采集,得到第二样本数据集;对所述第二样本数据集进行归一化处理,得到第三样本数据集;对所述第三样本数据集进行标注,得到所述第一样本数据集。
结合第一方面第三实施方式,在第一方面第四实施方式中,通过以下公式对所述第二样本数据集进行归一化处理:其中,表示所述第二样本数据集中每个样本的第j列第t时刻的特征值,表示所述每个样本的第j列第t时刻的特征值进行归一化后的第三特征值,表示第二样本数据集中每个样本的第j列所有特征值的均值;表示所述第二样本数据集中每个样本的第j列所有特征值的标准差。
结合第一方面第三实施方式,在第一方面第五实施方式中,对所述第三样本数据集进行标注,得到所述第一样本数据集,包括:根据所述第三样本数据集计算所述电力***中任意两台发电设备功角差的最大值;根据所述功角差的最大值判断所述电力***受到干扰后所述电力***是否稳定;当所述电力***稳定时,对所述第三样本数据集中的对应第三样本标注为1;当所述电力***不稳定时,对所述第三样本数据集中的对应第三样本标注为0。
结合第一方面第五实施方式,在第一方面第六实施方式中,通过以下公式根据所述功角差的最大值判断所述电力***受到干扰后所述电力***是否稳定:其中,Δδmax表示发生干扰后预设时刻所述电力***中任意两台发电设备功角差的最大值,TSI表示所述电力***的稳定值;若所述TSI的值为正数,判定所述电力***稳定;若所述TSI的值为负数,判定所述电力***不稳定。
根据第二方面,本发明实施例提供了一种电力***暂态稳定的预测方法,包括:获取电力***的实时运行数据,对所述实时运行数据处理后得到待测数据集;将所述待测数据集输入根据第一方面或第一方面任意一个实施方式中所述的电力***暂态稳定预测模型的训练方法得到的电力***暂态稳定预测模型,得到预测结果。
根据第三方面,本发明实施例提供了一种电力***暂态稳定预测模型的训练装置,包括:第一处理模块,用于获取电力***的历史运行数据,对所述历史运行数据进行处理得到第一样本数据集;所述第一样本数据集包括正样本数据及负样本数据,所述正样本数据用以表征所述电力***处于稳定状态,所述负样本数据用以表征所述电力***处于不稳定状态;模型训练模块,用于利用所述第一样本数据集对神经网络融合模型进行训练,得到电力***暂态稳定预测模型;其中,所述神经网络融合模型为根据双向长短时记忆网络、卷积神经网络和支持向量机构建的神经网络融合模型。
根据第四方面,本发明实施例提供了一种电力***暂态稳定的预测装置,包括;第二处理模块,用于获取电力***的实时运行数据,对所述实时运行数据处理后得到待测数据集;预测结果模块,用于将所述待测数据集输入根据第一方面或第一方面任意一个实施方式中所述的电力***暂态稳定预测模型的训练方法得到的电力***暂态稳定预测模型,得到预测结果。
根据第五方面,本发明实施例提供了一种计算机,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或第一方面任意一个实施方式中所述的电力***暂态稳定的预测模型的训练方法和第二方面中所述的电力***暂态稳定的预测方法。
根据第六方面,本发明实施例提供了一种计算机可读存储介质,包括:所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或第一方面任意一个实施方式中所述的电力***暂态稳定的预测模型的训练方法和第二方面中所述的电力***暂态稳定的预测方法。
与现有技术相比,本发明具有以下的有益效果:本发明利用双向长短时神经网络将电力***的运行数据变换为考虑了前后时间顺序的特征数据,再将特征数据输入卷积神经网络中进行进一步的局部特征挖掘,之后通过池化操作得到保持最佳特征的特征向量,最后通过支持向量机进行分类,得到电力***暂态稳定的预测结果,电力***的运行数据不需要人工处理,减少大量的时间,还提高电力***暂态稳定的预测准确率。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明实施例中的电力***暂态稳定预测模型的训练方法的流程框图;
图2示出了本发明实施例中的神经网络融合模型的结构框图;
图3示出了本发明实施例中的电力***暂态稳定的预测方法的流程框图;
图4示出了本发明实施例中的电力***暂态稳定预测模型的训练装置的结构框图;
图5示出了本发明实施例中的电力***暂态稳定的预测装置的结构框图;
图6示出了本发明实施例中的新英格兰10机39节点***的拓扑结构图;
图7示出了本发明实施例中的计算机的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“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”、“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。
在本发明的描述中,需要说明的是,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,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种电力***暂态稳定预测模型的训练方法,如图1所示,该电力***暂态稳定预测模型的训练方法包括以下步骤:
步骤S101:获取电力***的历史运行数据,对历史运行数据进行处理得到第一样本数据集;第一样本数据集包括正样本数据及负样本数据,正样本数据用以表征电力***处于稳定状态,负样本数据用以表征所述电力***处于不稳定状态,在实际应用中,通过利用时域仿真法或广域监测***对电力***的历史运行数据进行采集得到用于训练模型的样本数据,进一步根据电力***的稳定情况对样本数据进行归一化处理和标注,得到正样本数据和负样本数据。
步骤S102:利用第一样本数据集对神经网络融合模型进行训练,得到电力***暂态稳定预测模型;其中,神经网络融合模型为根据双向长短时记忆网络、卷积神经网络和支持向量机构建的神经网络融合模型,如图2所示,该神经网络融合模型是由一个双向长短时记忆网络层(简称BiLSTM)、两个卷积层(简称Conv1和Conv2)、一个池化层(简称Maxpool)、一个全局池化层(简称GlobalMaxpool)和一个支持向量机输出层(简称SVM)构成,基于双向长短时记忆网络和卷积神经网络的模型结构组成该神经网络融合模型的BilSTM-CNN提取器,基于支持向量机的模型结构组成该神经网络模型的SVM分类器,通过第一样本数据对BilSTM-CNN提取器和SVM分类器进行训练,得到电力***暂态稳定预测模型。
通过实施本发明实施例中的电力***暂态稳定的预测模型的训练方法,利用双向长短时记忆网络提取考虑了时间顺序的特征数据,再通过卷积神经网络网络对特征数据进行局部特征挖掘,得到特征向量不仅包括了局部特征还包括时序特征,从而能够让电力***暂态稳定预测模型的预测准确率更高。
可选地,在本发明一些实施例中,上述实施例中的步骤S102利用第一样本数据集对神经网络融合模型进行训练,得到电力***暂态稳定预测模型,包括:将第一样本数据集按照预设的比例划分为训练集、验证集和测试集;利用训练集对神经网络融合模型进行训练,得到初始电力***暂态稳定预测模型;利用验证集验证初始电力***暂态稳定预测模型的预测结果是否准确;如果准确,利用测试集确定初始电力***暂态稳定预测模型的准确率;判断准确率与预设标准值的差值是否小于准确率阈值;如果差值小于准确率阈值,则将初始电力***暂态稳定预测模型确定为电力***暂态稳定预测模型。
在实际应用中,对神经网络模型的训练过程分为三个阶段,即将用于训练用的样本数据根据实际需求按照预设的比例(该比例可以例如是8∶1∶1,但本发明并不以此为限)分为训练集、验证集和测试集,利用训练集对神经网络融合模型进行训练,调整该神经网络模型的参数,得到初始电力***暂态稳定预测模型,再利用验证集验证该初始电力***暂态稳定预测模型的预测结果是否准确,如果预测结果不准确,就通过验证集优化该初始电力***暂态稳定预测模型的模型参数,例如,网络层数、网络节点数、迭代次数、学习率等,从而能够对初始电力***暂态稳定预测模型进行寻优,保存最佳精度的模型,最后再利用测试集计算该初始电力***暂态稳定预测模型的预测准确率预设标准值的差值是否小于准确率阈值(例如,判断该初始电力***暂态稳定预测模型的准确率与百分之百准确率的差值是否小于百分之二),如果该初始电力***暂态稳定预测模型符合要求,该初始电力***暂态稳定预测模型就可以应用于实际预测,得到电力***暂态稳定预测模型。
具体地,如果初始电力***暂态稳定预测模型的预测结果不准确,根据验证结果调整初始电力***暂态稳定预测模型的参数,并返回利用验证集验证初始电力***暂态稳定预测模型的预测结果是否正确的步骤,从而能够得到最优的电力***暂态稳定预测模型,提高电力***暂态稳定的预测准确率。
可选地,在本发明一些实施例中,上述步骤S101中对历史运行数据进行处理得到第一样本数据集,包括:根据预设的采集范围和时间间隔,用时域仿真法或广域监测***对历史运行数据进行采集,得到第二样本数据集;对第二样本数据集进行归一化处理,得到第三样本数据集;对第三样本数据集进行标注,得到第一样本数据集。在实际应用中,通过时域仿真法或广域监测***对电力***的历史数据进行采集,采集范围为:故障发生前3周波至故障发生后3周波以及故障切除前3周波至故障切除后6周波两段序列数据,预设的采样时间间隔为0.0083秒,将该电力***中与发电机连接的母线的电压幅值和相角以及与母线直连线路的有功功率作为样本特征,即该神经网络融合模型的输入,该第二样本数据集x(i)可以用以下函数表示:
其中,tf表示故障发生时间,tk表示故障切除时间,n表示第n条母线,m表示第m条与母线直连的线路,V表示母线的电压幅值,θ表示母线的相角,P表示与母线直连的线路的有功功率,n、m都为正整数。
可选地,在本发明一些实施例中,是通过以下公式对上述实施例中第二样本数据集进行归一化处理:其中,表示第二样本数据集中每个样本的第j列第t时刻的特征值,表示每个样本的第j列第t时刻的特征值进行归一化后的第三特征值,表示第二样本数据集中每个样本的第j列所有特征值的均值;表示第二样本数据集中每个样本的第j列所有特征值的标准差。
可选地,在本发明一些实施例中,对上述实施例中的第三样本数据集进行标注,得到第一样本数据集,包括:根据第三样本数据集计算电力***中任意两台发电设备功角差的最大值;根据功角差的最大值判断所述电力***受到干扰后所述电力***是否稳定;当电力***稳定时,对第三样本数据集中的对应第三样本标注为1;当电力***不稳定时,对第三样本数据集中的对应第三样本标注为0。
具体地,根据功角差的最大值判断电力***受到干扰后电力***是否稳定是通过以下公式进行判断:其中,Δδmax表示发生干扰后预设时刻所述电力***中任意两台发电设备功角差的最大值,TSI表示所述电力***的稳定值;若TSI的值为正数,判定该电力***稳定;若TSI的值为负数,判定该电力***不稳定,在实际应用中,该预设时刻可以是电力***发生干扰4秒末。
本发明实施例还提供一种电力***暂态稳定的预测方法,如图3所示,包括:
步骤S201:获取电力***的实时运行数据,对实时运行数据处理后得到待测数据集,具体地,获取到电力***的实时运行数据后,通过时域仿真法或广域监测***对实时运行数据进行采集,再通过归一化进行处理后,得到待测数据集;
步骤S202:将待测数据集输入通过上述实施例中的电力***暂态稳定预测模型的训练方法得到的电力***暂态稳定预测模型,得到预测结果,在实际应用中,技术人员就可以根据预测结果,采取相应的措施,避免事故的发生。
通过实施本发明实施例中的电力***暂态稳定的预测方法,将电力***的实时运行数据处理后输入电力***暂态稳定的预测模型中,得到预测结果,根据预测结果判断电力***受到干扰后是否会发生故障,并采用相应的措施,从而能够避免后续大规模的事故出现。
本发明实施例还提供一种电力***暂态稳定的预测模型的训练装置,如图4所示,包括:第一处理模块101,用于获取电力***的历史运行数据,对历史运行数据进行处理得到第一样本数据集;第一样本数据集包括正样本数据及负样本数据,正样本数据用以表征电力***处于稳定状态,负样本数据用以表征电力***处于不稳定状态,详细内容参见上述实施例中的步骤S101中的描述;模型训练模块102,用于利用第一样本数据集对神经网络融合模型进行训练,得到电力***暂态稳定预测模型;其中,神经网络融合模型为根据双向长短时记忆网络、卷积神经网络和支持向量机构建的神经网络融合模型,详细内容参见上述实施例中的步骤S102中的描述。
通过实施本发明实施例中的电力***暂态稳定的预测模型的训练装置,利用双向长短时记忆网络提取考虑了时间顺序的特征数据,再通过卷积神经网络网络进行局部特征挖掘,得到特征向量不仅包括了局部特征还包括时序特征,从而能够让电力***暂态稳定预测模型的预测准确率更高。
在本发明实施例还提供一种电力***暂态稳定的预测装置,如图5所示,包括;第二处理模块201,用于获取电力***的实时运行数据,对所述实时运行数据处理后得到待测数据集,详细内容参见上述实施例中的步骤S201中的描述;预测结果模块202,用于将待测数据集输入根据上述实施例中的电力***暂态稳定预测模型的训练方法得到的电力***暂态稳定预测模型,得到预测结果,详细内容参见上述实施例中的步骤S202中的描述。
通过实施本发明实施例中的电力***暂态稳定的预测装置,将电力***的实时运行数据处理后输入电力***暂态稳定的预测模型中,得到预测结果,根据预测结果判断电力***受到干扰后是否会发生故障,并采用相应的措施,从而能够避免后续出现大规模的事故。
为了进一步对本发明的电力***暂态稳定的预测模型的训练方法及预测方法的说明,在本发明另一实施例中:
如图6所示,该电力***可以是新英格兰10机39节点***,对上述实施例中的电力稳定***暂态稳定预测模型的训练方法进行测试,根据上述实施例中的电力稳定***暂态稳定预测模型训练方法,得到样本数据10200条,其中稳定样本(即正样本数据)7714条,失稳样本(即负样本数据)2486条,正样本数据与负样本数据的比例为3∶1,将样本数据进行归一化处理和标注后,对神经网络融合模型进行训练,具体过程参见上述实施例内容,在此不再赘述。得到电力稳定***暂态稳定预测模型的预测准确率和召回率以及与其他模型的对比结果如表1所示:
表1模型的预测结果
本发明实施例还提供了一种计算机,如图7所示,该计算机可以包括处理器61和存储器62,其中处理器61和存储器62可以通过总线或者其他方式连接,图5中以通过总线连接为例。
处理器61可以为中央处理器(Central Processing Unit,CPU)。处理器61还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器62作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的电力***暂态稳定的预测模型的训练及预测方法对应的程序指令/模块(例如,图4和5所示的第一处理模块101、模型训练模块102、第二处理模块201和预测结果模块202)。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的电力***暂态稳定的预测模型的训练及预测方法。
存储器62可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器61所创建的数据等。此外,存储器62可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器62可选包括相对于处理器61远程设置的存储器,这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器62中,当被所述处理器61执行时,执行如图1和3所示实施例中的电力***暂态稳定的预测模型的训练及预测方法。
上述计算机具体细节可以对应参阅图1和图3所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,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计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (12)
1.一种电力***暂态稳定的预测模型的训练方法,其特征在于,包括:
获取电力***的历史运行数据,对所述历史运行数据进行处理得到第一样本数据集;所述第一样本数据集包括正样本数据及负样本数据,所述正样本数据用以表征所述电力***处于稳定状态,所述负样本数据用以表征所述电力***处于不稳定状态;
利用所述第一样本数据集对神经网络融合模型进行训练,得到电力***暂态稳定预测模型;其中,所述神经网络融合模型为根据双向长短时记忆网络、卷积神经网络和支持向量机构建的神经网络融合模型。
2.根据权利要求1所述的电力***暂态稳定的预测模型的训练方法,其特征在于,所述利用所述第一样本数据集对神经网络融合模型进行训练,得到电力***暂态稳定预测模型,包括:
将所述第一样本数据集按照预设的比例划分为训练集、验证集和测试集;
利用所述训练集对神经网络融合模型进行训练,得到初始电力***暂态稳定预测模型;
利用所述验证集验证所述初始电力***暂态稳定预测模型的预测结果是否准确;
如果准确,利用所述测试集确定所述初始电力***暂态稳定预测模型的准确率;
判断所述准确率与预设标准值的差值是否小于准确率阈值;如果所述差值小于准确率阈值,则将所述初始电力***暂态稳定预测模型确定为所述电力***暂态稳定预测模型。
3.根据权利要求2所述的电力***暂态稳定的预测模型的训练方法,其特征在于,如果所述初始电力***暂态稳定预测模型的预测结果不准确,根据验证结果调整所述初始电力***暂态稳定预测模型的参数,并返回利用所述验证集验证所述初始电力***暂态稳定预测模型的预测结果是否准确的步骤。
4.根据权利要求1所述的电力***暂态稳定的预测模型的训练方法,其特征在于,对所述历史运行数据进行处理得到第一样本数据集,包括:
根据预设的采集范围和时间间隔,用时域仿真法或广域监测***对所述历史运行数据进行采集,得到第二样本数据集;
对所述第二样本数据集进行归一化处理,得到第三样本数据集;
对所述第三样本数据集进行标注,得到所述第一样本数据集。
6.根据权利要求4所述的电力***暂态稳定的预测模型的训练方法,其特征在于,对所述第三样本数据集进行标注,得到所述第一样本数据集,包括:
根据所述第三样本数据集计算所述电力***中任意两台发电设备功角差的最大值;
根据所述功角差的最大值判断所述电力***受到干扰后所述电力***是否稳定;
当所述电力***稳定时,对所述第三样本数据集中的对应第三样本标注为1;
当所述电力***不稳定时,对所述第三样本数据集中的对应第三样本标注为0。
8.一种电力***暂态稳定的预测方法,其特征在于,包括:
获取电力***的实时运行数据,对所述实时运行数据处理后得到待测数据集;
将所述待测数据集输入根据权利要求1-7中任一项所述的电力***暂态稳定预测模型的训练方法得到的电力***暂态稳定预测模型,得到预测结果。
9.一种电力***暂态稳定预测模型的训练装置,其特征在于,包括:
第一处理模块,用于获取电力***的历史运行数据,对所述历史运行数据进行处理得到第一样本数据集;所述第一样本数据集包括正样本数据及负样本数据,所述正样本数据用以表征所述电力***处于稳定状态,所述负样本数据用以表征所述电力***处于不稳定状态;
模型训练模块,用于利用所述第一样本数据集对神经网络融合模型进行训练,得到电力***暂态稳定预测模型;其中,所述神经网络融合模型为根据双向长短时记忆网络、卷积神经网络和支持向量机构建的神经网络融合模型。
10.一种电力***暂态稳定的预测装置,其特征在于,包括;
第二处理模块,用于获取电力***的实时运行数据,对所述实时运行数据处理后得到待测数据集;
预测结果模块,用于将所述待测数据集输入根据权利要求1-7中任一项所述的电力***暂态稳定预测模型的训练方法得到的电力***暂态稳定预测模型,得到预测结果。
11.一种计算机,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7任一项所述的电力***暂态稳定的预测模型的训练方法和权利要求8所述的电力***暂态稳定的预测方法。
12.一种计算机可读存储介质,其特征在于,包括:
所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1-7任一项所述的电力***暂态稳定的预测模型的训练方法和权利要求8所述的电力***暂态稳定的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910417446.7A CN110837683A (zh) | 2019-05-20 | 2019-05-20 | 电力***暂态稳定的预测模型的训练及预测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910417446.7A CN110837683A (zh) | 2019-05-20 | 2019-05-20 | 电力***暂态稳定的预测模型的训练及预测方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110837683A true CN110837683A (zh) | 2020-02-25 |
Family
ID=69574500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910417446.7A Pending CN110837683A (zh) | 2019-05-20 | 2019-05-20 | 电力***暂态稳定的预测模型的训练及预测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110837683A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899169A (zh) * | 2020-07-02 | 2020-11-06 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于语义分割的人脸图像的分割网络的方法 |
CN112085541A (zh) * | 2020-09-27 | 2020-12-15 | 中国建设银行股份有限公司 | 基于浏览消费时序数据的用户需求分析方法及装置 |
WO2021212654A1 (zh) * | 2020-04-24 | 2021-10-28 | 平安科技(深圳)有限公司 | 物理机资源分配模型的获取方法、装置和计算机设备 |
CN114205690A (zh) * | 2021-12-15 | 2022-03-18 | 中国电信股份有限公司 | 流量预测、模型训练方法及装置、电子设备、存储介质 |
CN114819248A (zh) * | 2022-01-20 | 2022-07-29 | 山东浪潮科学研究院有限公司 | 一种基于随机森林的风电发电量预测方法及设备 |
CN115289606A (zh) * | 2022-07-13 | 2022-11-04 | 杭州安脉盛智能技术有限公司 | 除湿机在线故障诊断方法、***、服务器及存储介质 |
CN117573420A (zh) * | 2024-01-16 | 2024-02-20 | 武汉麓谷科技有限公司 | 一种zns固态硬盘掉电数据保存方法 |
CN114113896B (zh) * | 2021-11-29 | 2024-05-28 | 郑定坤 | 一种模块化多电平换流器型高压直流输电故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018006499A1 (zh) * | 2016-07-06 | 2018-01-11 | 南方电网科学研究院有限责任公司 | 电力***的主导失稳模式识别方法和*** |
CN108520530A (zh) * | 2018-04-12 | 2018-09-11 | 厦门大学 | 基于长短时记忆网络的目标跟踪方法 |
CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力***暂态稳定评估方法 |
CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力***暂态电压稳定评估方法 |
-
2019
- 2019-05-20 CN CN201910417446.7A patent/CN110837683A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018006499A1 (zh) * | 2016-07-06 | 2018-01-11 | 南方电网科学研究院有限责任公司 | 电力***的主导失稳模式识别方法和*** |
CN108520530A (zh) * | 2018-04-12 | 2018-09-11 | 厦门大学 | 基于长短时记忆网络的目标跟踪方法 |
CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力***暂态稳定评估方法 |
CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力***暂态电压稳定评估方法 |
Non-Patent Citations (1)
Title |
---|
周悦;谭本东;李淼;杨旋;周强明;张振兴;谭敏;杨军;: "基于深度学习的电力***暂态稳定评估方法" * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021212654A1 (zh) * | 2020-04-24 | 2021-10-28 | 平安科技(深圳)有限公司 | 物理机资源分配模型的获取方法、装置和计算机设备 |
CN111899169A (zh) * | 2020-07-02 | 2020-11-06 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于语义分割的人脸图像的分割网络的方法 |
CN111899169B (zh) * | 2020-07-02 | 2024-01-26 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于语义分割的人脸图像的分割网络的方法 |
CN112085541A (zh) * | 2020-09-27 | 2020-12-15 | 中国建设银行股份有限公司 | 基于浏览消费时序数据的用户需求分析方法及装置 |
CN114113896B (zh) * | 2021-11-29 | 2024-05-28 | 郑定坤 | 一种模块化多电平换流器型高压直流输电故障诊断方法 |
CN114205690A (zh) * | 2021-12-15 | 2022-03-18 | 中国电信股份有限公司 | 流量预测、模型训练方法及装置、电子设备、存储介质 |
CN114205690B (zh) * | 2021-12-15 | 2024-06-11 | 中国电信股份有限公司 | 流量预测、模型训练方法及装置、电子设备、存储介质 |
CN114819248A (zh) * | 2022-01-20 | 2022-07-29 | 山东浪潮科学研究院有限公司 | 一种基于随机森林的风电发电量预测方法及设备 |
CN115289606A (zh) * | 2022-07-13 | 2022-11-04 | 杭州安脉盛智能技术有限公司 | 除湿机在线故障诊断方法、***、服务器及存储介质 |
CN117573420A (zh) * | 2024-01-16 | 2024-02-20 | 武汉麓谷科技有限公司 | 一种zns固态硬盘掉电数据保存方法 |
CN117573420B (zh) * | 2024-01-16 | 2024-06-04 | 武汉麓谷科技有限公司 | 一种zns固态硬盘掉电数据保存方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837683A (zh) | 电力***暂态稳定的预测模型的训练及预测方法、装置 | |
CN110838075A (zh) | 电网***暂态稳定的预测模型的训练及预测方法、装置 | |
CN112858919A (zh) | 一种基于聚类分析的电池***在线故障诊断方法和*** | |
JP2020017952A (ja) | 警告するための方法と装置 | |
WO2016195897A1 (en) | System for analytic model development | |
CN115238831B (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
CN104953583A (zh) | 基于变点探测和Prony方法相结合的电力***低频振荡在线监测方法 | |
CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
CN116306798A (zh) | 一种超短时风速预测方法及*** | |
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
CN114464906A (zh) | 动力电池预警方法和装置 | |
CN116169675A (zh) | 考虑运行方式变化的电力***动态稳定性在线评估方法 | |
US20220283242A1 (en) | Method and device for managing battery data | |
CN116701031A (zh) | 一种微服务***中的根因模型训练方法、分析方法及装置 | |
CN117129879B (zh) | 阈值调整方法和电池健康状态预测模型的训练方法 | |
CN116299008A (zh) | 一种电池soh预测方法、装置、电子设备及存储介质 | |
CN113408138B (zh) | 一种基于二次融合的锂电池soh估计方法和*** | |
CN113825165B (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
Chen et al. | Data-driven statistical analysis and diagnosis of networked battery systems | |
Hou et al. | A Federated Learning‐Based Fault Detection Algorithm for Power Terminals | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN116450137A (zh) | 一种***异常的检测方法、装置、存储介质及电子设备 | |
CN115755131A (zh) | 一种卫星定位的方法、装置及介质 | |
CN115598555A (zh) | 基于电池充放电热追踪的热失效快速故障诊断方法及装置 | |
CN113379279A (zh) | 基于不完整数据的深度强化学习短期电压稳定性评估方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200225 |
|
WD01 | Invention patent application deemed withdrawn after publication |