CN111582571A - 模型驱动和数据驱动融合的电网运行态势感知方法及*** - Google Patents

Abstract

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***，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***当前的运行状态。

Description

模型驱动和数据驱动融合的电网运行态势感知方法及***

技术领域

本发明属于电网调控技术领域，尤其涉及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***。

背景技术

近年来，随着特高压电网和能源互联网的不断发展，电网运行方式时变性和复杂性日益增强，认知电网的难度越来越大。传统的基于机理分析与电网模型的调控方法，依赖调控人员经验分析的决策、执行等环节，在处理大电网非线性、非连续性以及预测不确定性问题时，很难达到预期效果，电网调控领域正面临前所未有的机遇与挑战；且现有电网运行重点在掌控电网实时运行状态，缺乏对未来一个时段电网的全过程连续状态和可能的运行风险的理解。因此亟需构建一套科学、合理、全面的电网调控态势感知体系，感知电力***当前的运行状态以及未来的发展趋势。

电网态势感知的基础是要对电网运行状态有正确的评估。到目前为止，国内外众多专家学者在电力***运行评估方面已经做出众多显著成果。一些现有技术中构造了一套包括电力***安全供电能力、静态电压安全、拓扑结构脆弱性、暂态安全性、风险指标五大类指标来；评估电力***的状态。一些现有技术从宏观战略和微观过程两个方面分别构建智能电网战略指标集和过程指标集，以指标链的形式实现两者的关联，最终完成电力***的状态评估。一些现有技术以智能电网调度技术支持***提供的大量数据为基础，从安全性、经济性、优质性以及清洁性4个角度出发，构造了一套评价电网运行状态的关键指标体系。一些现有技术提出一种基于层次分析法和变权重机制的电网安全指标计算及展示方法，以一种综合性指标表征电网安全。一些现有技术提出一种基于可拓理论和相关性分析的电网调度运行关键绩效指标(KPI)构建方法，评价电力***运行绩效。

随着高比例可再生能源的接入，电网运行状态发展变化情况越来越难以掌控。在此背景下，国内外学者提出了电力***态势感知的概念，尝试借用态势感知理论提高对电力***的理解。一些现有技术基于调度员思维模式，以当前态、发展态、能力态、可控态、评估态五个方面建立电网指标体系，作为运行轨迹的表征量。一些现有技术从电网结构的超常变化、间歇性电源功率的剧烈波动、负荷高峰期的快速攀升和低谷期的快速下降等方面，描述了考察电网运行状态和趋势是否进入异常的着眼点。一些现有技术依据***运行的实时监测信息，提出一种电力***运行状态的趋势辨识模型。通过模糊层次分析法对电网运行状态进行综合评价，实现电网运行状态的综合趋势辨识。一些现有技术为提高对特高压交直流混联大电网的感知和掌控能力，提出全维度多层次电网运行轨迹指标体系。

伴随深度学习等人工智能技术的飞速发展，基于数据驱动方式的人工智能技术在解决电网运行态势感知方面具有潜在的技术优势。近年来，专家学者采用深度学习、强化学习和迁移学习用于负荷预测、电网紧急控制、自动电压控制和自动发电控制等方面的研究取得了一定从成效，在电网运行态势感知方面也做了初步的探索。一些现有技术设计了基于大数据及人工智能的大电网智能调控***框架，旨在实现大电网“即测–即辨–即控”的智能调度，全面提升电网态势感知及协同控制能力。一些现有技术将深度学习与电网的安全态势感知相结合，提出了基于深度学习的电网安全态势感知。一些现有技术提出了一种自底向上和自顶向下相结合的调度自动化***知识图谱构建方法，并以D5000***中遥测数据不刷新故障为例介绍了知识图谱的应用，用于辅助有关人员进行故障定位和问题排查。

发明内容

本发明提供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***，其利用主成分分析法实现关键要素挖掘，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，建立能够正确反映电网轨迹的指标体系。作为可选方案，其可以利用模糊层次分析法，获得各指标的权重系数从而实现对当前态势理解的方法。作为可选方案，其将Attention机制加入LSTM模型中的方法，对未来电网的态势进行预测。

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，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。

在以上方案中优选的是，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，避免过度的计算量。

还可以优选的是，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≥…≥λ_q≥0 (4)

其对应特征向量如式(5)：

e_j＝(l_1j,l_2j,…,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(l≤q)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；

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：

还可以优选的是，步骤七中，通过主成分分析，从电网结构、电网设备和***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；***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。

还可以优选的是，第三步，在态势理解阶段，选取可以由EMS和WMAS提供的原始信息，或基于这些信息经适当加工、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＝log_αu_Zi-log_αu_Zj+0.5；α为决策者的分辨能力，通过增大α的值来提高权重分配方案优劣的分辨率。

还可以优选的是，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(对应3类11个指标)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):

还可以优选的是，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_fxx_t+W_fhh_t-1+b_f) (14)

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (15)

c_t＝c_t-1⊙f_t+g_t⊙i_t (17)

o_t＝σ(W_oxx_t+W_ohh_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α_ki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。

还可以优选的是，步骤三中，两个LSTM层的神经元个数分别为32和64。

模型驱动和数据驱动融合的电网运行态势感知***，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。

本发明的有益效果：

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，其建立了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。其中，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；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，同时为态势预测提供样本；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；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***当前的运行状态，进一步的，其基于Attention机制的LSTM神经网络的态势预测预测模型时，更加具有较高的精确度和适用性。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为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的态势感知流程图。

图2为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的LSTM网络基本单元示意图。

图3为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的注意力机制的Attention模块结构示意图。

图4为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的Attention-LSTM网络模型示意图。

具体实施方式

下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。

实施例1

一种模型驱动和数据驱动融合的电网运行态势感知方法，如图1，包括以下步骤，

第一步，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；

第二步，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；

第三步，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；其中，

第一步，关键要素挖掘，

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，避免过度的计算量；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：

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(属性值越大，能效水平越高)和负向型指标(属性值越小，能效水平越高)，无法判定综合评价函数的取向，因此要统一指标类型。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。另外，为消除由指标量纲和量级的不同造成的对能效水平评价的不一致性，还需对指标值进行标准化处理。对指标数据采用如下公式进行标准化：

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，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，求解相关矩阵R的q个特征根：

λ₁≥λ₂≥λ₃≥…≥λ_q≥0 (4)

其对应特征向量：e_j＝(l_1j,l_2j,…,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(l≤q)个主成分的累计方差贡献率

时，则认为这l个主成分可以综合体现n个指标；

步骤六，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，计算得到指标：

通过主成分分析，从电网结构、电网设备和***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；***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

第二步，态势理解，选取可以由EMS和WMAS提供的原始信息，或基于这些信息经适当加工、计算间接获取的状态作为电网运行轨迹指标体系；但电网运行状态需要一个综合评价，各指标间的相对重要程度并不相同，如何设置指标间权重值是综合评价的关键；

模糊层次分析法是模糊数学与层次分析法相结合的多指标权重分配方法，它克服了层次分析法的判断矩阵一致性难以检验等问题，可消除指标权重分配中的不确定性问题；

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；

各指标权重为:

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＝log_αu_Zi-log_αu_Zj+0.5；α为决策者的分辨能力，可以通过增大α的值来提高权重分配方案优劣的分辨率；

为将多个专家的决策结果提炼出统一决策权重向量，同时降低决策的主观性，本文引入k均值算法对专家决策向量进行聚类分析；算法流程如下:

步骤一，假定各指标权重由N个专家完成，输入N个11维(对应3类11个指标)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:

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为:

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为:

步骤六，如果类别p_l包括n_l个排序向量，则可得该类专家决策向量的权重为:

由此得到指标层的最终权重向量为:

第三步，电网运行趋势预测，由于电网运行态势的随机性与不确定性，态势的结果往往受到多方面因素影响，传统的预测模型难以得出较为精确的态势预测值。本文通过深度学习框架完成对电网态势的预测；

其中，基于注意力机制的长短时记忆网络模型原理，LSTM原理为：LSTM网络是一种改进的时间循环神经网络(RNN)，用于处理时序信号。LSTM基本单元主要由输入门、输出门、遗忘门组成，如图2所示。在基本单元处理信息的过程中，最重要的是单元状态的传递，即图1中上方从c_t-1到c_t的水平线，它将信息从上一个单元传递到下一个单元。

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，具体计算规则如下：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (14)

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (15)

c_t＝c_t-1⊙f_t+g_t⊙i_t (17)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (18)

式中：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。

其中，注意力机制(Attention Mode)机理：Attention Model是一种模拟人脑注意力的机制模型，其目的是使神经网络有选择地关注输入特征，并将学习到的特征权重保存赋值给下一个时间步长的输入向量，利用权值矩阵分配注意力，从而突出关键输入特征对预测的影响。

采用的注意力机制原理如图3所示。图3中所示模型的第二层LSTM节点的输出值{h₁,h₂,…,h_t}表示Attention结构的输入特征序列，也作为Attention第一层隐藏层中的状态值；U_k表示当序列点经过注意力系数加权后的向量，是Attention最后一层隐藏层中所保存的向量，也是Attention层的输出。

图3中s_ki表示第i个序列点对第k个序列点的影响，计算公式如下：

s_ki＝U_k-1tanh(V₁h_k+V₂h_i+b) (20)

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，可以抑制一些无效信息或噪音。计算公式如下：

再将各个α_ki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，公式如下：

U_k＝tanh(C,h_k) (23)

在图3所示的模型中，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

公式如下：

其中，基于LSTM-注意力机制的态势预测：将注意力机制与LSTM网络结合起来构造一个预测基模型，网络结构如图4所示，其中两个LSTM层的神经元个数分别为32和64。

实施例2

本实施例的模型驱动和数据驱动融合的电网运行态势感知方法，在实施例1的基础上，使用东部某地区2018年7月1日至12月31日的电网运行数据作为样本，按照分钟为单位进行采样，每天有1440个断面。数据断面信息包括发电机有功、无功出力，线路潮流，变压器功率，节点电压和负荷的有功和无功；

附图1中步骤一描述的是采集输入样本数据，本方法使用东部某地区2018年7月1日至12月31日的电网运行数据作为样本，按照分钟为单位进行采样，每天有1440个断面。数据断面信息包括发电机有功、无功出力，线路潮流，变压器功率，节点电压和负荷的有功和无功。

附图1中步骤二是对首先利用主成分分析法对现有电网运行的128个指标进行分析，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指标。

附图1中步骤三描述的是在步骤二的基础上，剔除计算复杂，不能通过断面数据直接或者简单运算可获得的指标，得到从电网结构、电网设备和***状态三个方面的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；***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。。

附图1中步骤四4描述的是，利用模糊层次分析法获得各指标权重系数，将各反映电网运行不同方面的指标综合为一个能全面评估当前状态的参数。

附图1中步骤五描述的是，构建LSTM-Attention网络模型，本方法所提模型中LSTM层包含64个神经元，Attention层作为LSTM层的接口，通过合理分配注意力全中庭实现记忆单元求解，最后通过一个全连接Dense层输出预测结果。

附图1中步骤六描述的是，将训练集数据输入LSTM-Attention网络训练模型，本方法设置参数batch_size(一次训练所选取的样本数)为200，epoch为100，并且当模型收敛后可以提前停止训练，从而避免模型过拟合。

附图1中步骤七描述的是，根据训练结果，输入某个断面信息可获得未来电网运行态势的预测。

其中，当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次epoch；即所有训练样本在神经网络中都进行了一次正向传播和一次反向传播，即一个Epoch就是将所有训练样本训练一次的过程。LSTM为长短期记忆网络(Long Short-TermMemory)。

在本发明的又一实施例中，还提供一种模型驱动和数据驱动融合的电网运行态势感知***，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上述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。

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、***、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。

本申请是参照根据本申请实施例的方法、设备(***)、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。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

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≥…≥λ_q≥0 (4)

其对应特征向量如式(5)：

e_j＝(l_1j,l_2j,…,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***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；***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＝log_αu_Zi-log_αu_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_fxx_t+W_fhh_t-1+b_f) (14)

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (15)

c_t＝c_t-1⊙f_t+g_t⊙i_t (17)

o_t＝σ(W_oxx_t+W_ohh_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α_ki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***，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。

Images