CN116611589B - 主网输变电设备停电窗口期预测方法、***、设备及介质 - Google Patents

主网输变电设备停电窗口期预测方法、***、设备及介质 Download PDF

Info

Publication number
CN116611589B
CN116611589B CN202310887224.8A CN202310887224A CN116611589B CN 116611589 B CN116611589 B CN 116611589B CN 202310887224 A CN202310887224 A CN 202310887224A CN 116611589 B CN116611589 B CN 116611589B
Authority
CN
China
Prior art keywords
power
equipment
power grid
characteristic
main
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.)
Active
Application number
CN202310887224.8A
Other languages
English (en)
Other versions
CN116611589A (zh
Inventor
张风彬
孙大雁
李立新
陶洪铸
刘幸蔚
杨军峰
於益军
王超
宋旭日
董时萌
卫泽晨
武力
杨楠
姚伟峰
张加力
李增辉
黄宇鹏
叶瑞丽
齐晓琳
韩昳
邱成建
狄方春
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.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
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 China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202310887224.8A priority Critical patent/CN116611589B/zh
Publication of CN116611589A publication Critical patent/CN116611589A/zh
Application granted granted Critical
Publication of CN116611589B publication Critical patent/CN116611589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种主网输变电设备停电窗口期预测方法、***、设备及介质，属于电力***自动化技术领域，预测方法包括：获取电网区域内与主网输变电设备停电有关的主要特征因素，并将主要特征因素分类为电网运行可靠性、电力电量平衡和清洁能源消纳三个组别；通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征；将设备在关键特征空间下的样本数据作为支持向量机算法的输入量从而求解出停电窗口期预测模型；利用停电窗口期预测模型获得设备的停电窗口期预测结果。本发明实现了主网输变电设备停电窗口期关键特征的自动识别，以及关键特征空间下主网输变电设备可停电窗口期的科学判定，节省时间和人力成本。

Description

主网输变电设备停电窗口期预测方法、***、设备及介质
技术领域
本发明属于电力***自动化技术领域，具体涉及一种主网输变电设备停电窗口期预测方法、***、设备及介质。
背景技术
电网设备可停电窗口期（简称停电窗口期）的目的是为设备提供一个或多个合适的时间段，在该时间段内安排设备停电将对电网整体的运行可靠性、电力电量平衡和清洁能源消纳影响最小。电网设备停电窗口期的评估需综合考虑设备停电时其对电网运行可靠性、电力电量平衡和清洁能源消纳等三类主要因素的影响。在目前实际工程场景中，设备停电窗口期主要是由相关专责根据工作经验人为评估，大致过程是：首先根据历年业务经验选定受设备停电影响最大的主要几个因素，然后逐一查看这些因素的历史数据曲线划定一个阈值，在阈值范围内的时间段就判定为停电窗口期。
公开号为CN111917139A的中国专利申请公开了“一种电网主设备可停电窗口期确定方法及***”，包括根据输变电设备的功用确定输变电设备在电网中功用分类的分类类型；根据所述分类类型确定并采集所述分类类型对应的基础数据；根据所述基础数据确定所述主网输变电设备可停电窗口期的制定原则；输出并显示所述主网输变电设备的可停电窗口期。该方案开创性的用科学、客观的手段划定了主网输变电设备可停电窗口期的一般制定原则，使停电窗口期的制定有了科学依据。但方案所述主网输变电设备所需基础数据的确定过于依赖相关人员的业务经验，逐一确定每一个设备所需基础数据的过程太繁琐；而且根据基础数据确定可停电窗口期的原则太广泛，主观指标多容易受干扰，不够明确与聚焦。目前，随着电网业务的拓展，这种确定基础数据和窗口期的方法还需要进一步的革新。
公开号为CN113590682A的中国专利申请公开了“一种电网停电窗口期生成方法、装置、电子设备和存储介质”，包括将设备的投运与检修状况数据作为参考序列，将对设备停电起到影响作用的关联因素数据形成被比较序列；利用参考序列与比较序列数据，计算各影响因素与停电设备之间的关联系数；再利用关联系数计算各影响因素与停电设备之间的关联度；获得设备停电窗口期的判据指标；利用所述判据指标作为约束条件，通过电网潮流计算对各电网设备的允许停电时间进行校验，生成设备的停电窗口期。该方案提升了电网检修计划编制的有效性与安全性，提高了停电窗口期的编制效率，减轻了停电计划编制人员的工作强度。但该方案所述通过电网潮流计算来校核各电网设备的允许停电时间从而生成停电窗口期的过程未明确，通过潮流计算来仿真模拟的实现路径效率也比较低。因此这种求解设备停电窗口期的方法还需要进一步的改进与完善。
发明内容
本发明的目的在于针对上述现有技术中的问题，提供一种主网输变电设备停电窗口期预测方法、***、设备及介质，实现了主网输变电设备停电窗口期关键特征的自动识别，以及关键特征空间下主网输变电设备可停电窗口期的科学判定，节省时间和人力成本。
为了实现上述目的，本发明有如下的技术方案：
第一方面，提供一种主网输变电设备停电窗口期预测方法，包括：
获取电网区域内与主网输变电设备停电有关的主要特征因素，并将主要特征因素分类为电网运行可靠性、电力电量平衡和清洁能源消纳三个组别；
通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征；
将设备在关键特征空间下的样本数据作为支持向量机算法的输入量从而求解出停电窗口期预测模型；
利用停电窗口期预测模型获得设备的停电窗口期预测结果。
作为一种优选的方案，还包括电网特征数据获取、分类与建模的步骤，所述电网特征数据获取、分类与建模的步骤包括：
确定面向电网年度检修计划的主网输变电设备；
获取主网输变电设备的特征数据，所述特征数据包括历史可停电窗口期、历史潮流数据以及预测数据；
对主网输变电设备的集合以及主网输变电设备的特征数据进行建模，在通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度时，利用待评估设备建模后的数学表达式进行计算。
作为一种优选的方案，在所述获取电网区域内与主网输变电设备停电有关的主要特征因素，并将主要特征因素分类为电网运行可靠性、电力电量平衡和清洁能源消纳三个组别的步骤中，所述电网运行可靠性主要特征因素包括：对主网跨区跨省送电有影响的送端电网关联重载输电断面潮流、对主网跨区跨省送电有影响的送端电网主变上网断面潮流、对主网跨区跨省受电有影响的受端电网关联重载输电断面潮流、对主网跨区跨省受电有影响的受端电网主变下网断面潮流；
所述电网电力电量平衡主要特征因素包括：区域电网调度口径发受电、省级电网调度口径发受电、存在内受电受阻或重点关注的局部电网调度口径发受电；
所述电网清洁能源消纳主要特征因素包括：区域电网调度口径水电发电、区域电网调度口径光伏发电、省级电网调度口径水电发电、省级电网调度口径风电发电、省级电网调度口径光伏发电、存在外送电受阻或重点关注的局部电网调度口径水电发电、存在外送电受阻或重点关注的局部电网调度口径风电发电、存在外送电受阻或重点关注的局部电网调度口径光伏发电、国调直调水电厂调度口径发电、网省调重点关注水电厂调度口径发电。
作为一种优选的方案，还包括获取各组别主要特征因素的历史数据与预测数据，对各组别主要特征因素以及所对应的历史数据与预测数据进行建模，在通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度时，利用各组别内部的每个主要特征因素建模后的数学表达式进行计算。
作为一种优选的方案，在所述通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征的步骤中，求解待评估设备与电网运行可靠性特征因素的关联度包括：
提取所有电网运行可靠性特征因素的历史数据序列：
通过均值化方法，将电网运行可靠性分类下的第k个特征因素的历史数据序列进行无量纲化处理后得到参考序列，计算公式为：
通过灰色关联分析方法，求解电网运行可靠性分类下的每个特征因素与第i个设备之间的关联系数序列，计算公式为：
其中，表示电网运行可靠性分类下第k个特征因素的第j个数据点与第i个设备之间的关联系数；/>表示将j从1枚举到M求取/>的最小值，表示将j从1枚举到M求取/>的最大值；表示将k从1枚举到/>求取/>的最小值，表示将k从1枚举到/>求取/>的最大值；/>表示电网运行可靠性第k个特征因素历史数据序列中的第j个数据点，/>表示第i个设备历史潮流数据序列中的第j个数据点；
通过加权平均求解电网运行可靠性分类下的每个特征因素与第i个设备之间的关联度，计算公式为：
将电网运行可靠性分类下的每个特征因素与第i个设备之间的关联度按照从大到小排名，形成设备Ei与电网运行可靠性所有特征因素之间的关联度序列：
其中，表示电网运行可靠性分类下的第/>个特征因素与设备Ei的关联度排名在第k位。
作为一种优选的方案，在所述通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征的步骤中，求解待评估设备与电网电力电量平衡特征因素的关联度包括：
提取所有电网电力电量平衡特征因素的历史数据序列：
通过均值化方法，将电网电力电量平衡分类下的第k个特征因素的历史数据序列进行无量纲化处理后得到参考序列，计算公式为：
通过灰色关联分析方法，求解电网电力电量平衡分类下的每个特征因素与第i个设备之间的关联系数序列，计算公式为：
其中，/>表示电网电力电量平衡分类下第k个特征因素的第j个数据点与第i个设备之间的关联系数；
通过加权平均求解电网电力电量平衡分类下的每个特征因素与第i个设备之间的关联度，计算公式为：
将电网电力电量平衡分类下的每个特征因素与第i个设备之间的关联度按照从大到小排名，形成设备Ei与电网电力电量平衡所有特征因素之间的关联度序列：
其中，表示电网电力电量平衡分类下的第/>个特征因素与设备Ei的关联度排名在第k位。
作为一种优选的方案，在所述通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征的步骤中，求解待评估设备与电网清洁能源消纳特征因素的关联度包括：
提取所有电网清洁能源消纳特征因素的历史数据序列：
通过均值化方法，将电网清洁能源消纳分类下的第k个特征因素的历史数据序列进行无量纲化处理后得到参考序列，计算公式为：
通过灰色关联分析方法，求解电网清洁能源消纳分类下的每个特征因素与第i个设备之间的关联系数序列，计算公式为：
其中，表示电网清洁能源消纳分类下第k个特征因素的第j个数据点与第i个设备之间的关联系数；
通过加权平均求解电网清洁能源消纳分类下的每个特征因素与第i个设备之间的关联度，计算公式为：
将电网清洁能源消纳分类下的每个特征因素与第i个设备之间的关联度按照从大到小排名，形成设备Ei与电网清洁能源消纳所有特征因素之间的关联度序列：
其中，表示电网清洁能源消纳分类下的第/>个特征因素与设备Ei的关联度排名在第k位。
作为一种优选的方案，在所述通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征的步骤中，确定待评估设备的关键特征包括：
通过加权平均求解电网运行可靠性、电力电量平衡和清洁能源消纳与待评估设备Ei的整体关联度分别为：
定义待评估设备Ei关键特征的空间维度为w维，根据、/>、/>的权重占比计算电网运行可靠性、电力电量平衡、清洁能源消纳各组入选待评估设备Ei关键特征空间的特征个数分别为：
其中，int表示向下取整函数；
由此确定电网运行可靠性、电力电量平衡、清洁能源消纳各组入选待评估设备Ei关键特征空间的特征分别为：
其中，表示待评估设备Ei的关键特征空间，/>表示电网运行可靠性分类下的第/>个特征因素，/>表示电网电力电量平衡分类下的第/>个特征因素，/>表示电网清洁能源消纳分类下的第/>个特征因素。
作为一种优选的方案，所述将设备在关键特征空间下的样本数据作为支持向量机算法的输入量从而求解出停电窗口期预测模型的步骤包括：
将待评估设备Ei关键特征空间中所有特征因素的历史数据序列作为特征数据列/>，将待评估设备Ei的历史可停电窗口期数据序列作为标记数据列/>，构建适用于SVM模型的设备Ei的样本数据标准输入集为：
将设备Ei样本数据标准输入集中的采样数据点划分为训练集/>和测试集/>；
选用高斯函数作为SVM算法的核函数，则待评估设备Ei的停电窗口期SVM预测模型表示为：
其中，为高斯核参数，/>为模型损失系数，/>为设备Ei可停电窗口期预测模型的输出结果；
设置SVM训练的初始迭代参数/>，迭代步长/>；设置初始迭代参数/>，迭代步长/>；
通过SVM模型训练得到各种参数组合下训练结果的准确率为：
其中，表示设备Ei第k次SVM模型训练的结果准确率，L1表示本轮初始模型训练的总次数；
选择初始模型训练结果中准确率最高的高斯核参数和模型损失系数/>组合，分别定义为/>、/>；
以和/>为中心，设置优化/>迭代参数/>，迭代步长/>；设置优化/>迭代参数/>，迭代步长/>；将优化/>和优化/>的参数组合作为模型的输入参数，再次训练得到结果的准确率为：
其中，L2表示本轮优化模型训练的总次数；
获取L2轮优化模型训练结果中准确率最高的高斯核参数和模型损失系数，分别定义为、/>，由此得到待评估设备Ei停电窗口期的最优预测模型为：
。
作为一种优选的方案，利用停电窗口期预测模型获得设备的停电窗口期预测结果的步骤包括：
将待评估设备Ei关键特征空间中所有特征因素的预测数据序列作为特征数据列，构建设备Ei的特征数据集为：
其中，P为待评估数据点的总个数；
将待评估设备Ei的特征数据集作为/>的标准输入，求解得到设备Ei在预测输入数据矩阵/>下的预测结果输出序列为：
其中，表示设备Ei第j个时刻预测数据点对应的结果输出，1表示当前时刻可作为停电窗口，0表示当前时刻不可作为停电窗口；将所有可作为停电窗口的连续时间点组合即形成设备Ei的可停电窗口期，表示为：
其中，表示一个时间段，t表示时间段中的某一个时刻点并且该时刻点对应数据点的预测结果为1，t表示设备Ei停电窗口期的总段数。
第二方面，提供一种主网输变电设备停电窗口期预测***，包括：
主要特征因素获取模块，用于获取电网区域内与主网输变电设备停电有关的主要特征因素，并将主要特征因素分类为电网运行可靠性、电力电量平衡和清洁能源消纳三个组别；
关键特征确定模块，用于通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征；
停电窗口期预测模型求解模块，用于将设备在关键特征空间下的样本数据作为支持向量机算法的输入量从而求解出停电窗口期预测模型；
预测模块，用于利用停电窗口期预测模型获得设备的停电窗口期预测结果。
第三方面，提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现所述的主网输变电设备停电窗口期预测方法。
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现所述的主网输变电设备停电窗口期预测方法。
相较于现有技术，本发明的第一方面至少具有如下的有益效果：
将电网区域内与主网输变电设备停电有关的主要特征因素分类为电网运行可靠性、电力电量平衡和清洁能源消纳三个组别，避免了现有可停电窗口期的制定依据过度概念化，不够明确与聚焦的问题。本发明的待评估设备关键特征的计算流程，通过数学建模准确计算了待评估设备与电网运行可靠性、电力电量平衡和清洁能源消纳的整体关联度，实现了设备关键特征空间的快速求解，解决了当前电网设备停电窗口期关键特征的判定过度依靠业务经验、慢且繁琐的问题。本发明结合了灰色关联度分析（Grey RelationAnalysis，GRA）方法与支持向量机（Support Vector Machines，SVM）分类模型，GRA是一种多因素关联分析的方法，它能够清楚的计算出所关注的某个对象受其他因素影响的相对强弱，从而找到与该对象最相关的影响因素。SVM是一种基于特征空间的二分类模型，它能够根据输入的样本特征数据进行模型训练，利用训练结果就可以将后续输入的、待评估的样本正确地分开。本发明提出了一种电网设备关键特征空间下的可停电窗口期预测模型求解方法，提出的“先粗后细”双模式迭代法搜索最优化模型参数，能够更优的获取设备可停电窗口期优化预测模型，实现设备可停电窗口期的快速判定。
可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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他的附图。
图1 本发明实施例主网输变电设备停电窗口期预测方法流程图；
图2 本发明实施例主网输变电设备停电窗口期预测***结构框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请的实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参阅图1，本发明实施例提出的一种主网输变电设备停电窗口期预测方法，通过分组聚合改进的灰色关联分析方法，实现了主网输变电设备停电窗口期关键特征的自动识别，能够解决专利申请“一种电网主设备可停电窗口期确定方法及***”（公开号为CN111917139A）中电网设备可停电窗口期关键特征或基础数据过度依靠业务经验并且过程过度繁琐的问题；二是通过分类性能优越的支持向量机算法，实现了关键特征空间下主网输变电设备可停电窗口期的科学判定，能够解决专利申请“一种电网停电窗口期生成方法、装置、电子设备和存储介质”（公开号为CN113590682A）中可停电窗口期的制定原则过度概念化，不够聚焦或没有科学制定依据的问题。其次，针对当前工程实践存在的问题：一是相关人员根据累年的业务经验，将与电网设备停电相关的主要因素总结成了电网运行可靠性、电力电量平衡和清洁能源消纳三类，但对于每一类下包含的因素目前并没有相关技术解决方案；二是对三组分类下设备最相关的关键特征，目前实际业务中仍旧过度依靠业务经验，现有技术鲜有针对此问题的详细解决方案（专利申请“一种电网停电窗口期生成方法、装置、电子设备和存储介质”（公开号为CN113590682A）中提及）；三是在关键特征空间下的设备可停电窗口期判定，目前实际业务也是过渡依靠经验根据关键特征的数据曲线逐一划定每个设备可停电窗口期的范围，这一人工过程极具耗时耗力，现有技术也没有针对此问题的科学解决方案。
本发明实施例的主网输变电设备停电窗口期预测方法，主要包括：
S1、获取电网区域内与主网输变电设备停电有关的主要特征因素，并将主要特征因素分类为电网运行可靠性、电力电量平衡和清洁能源消纳三个组别；
S2、通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征；
S3、将设备在关键特征空间下的样本数据作为支持向量机算法的输入量从而求解出停电窗口期预测模型；
S4、利用停电窗口期预测模型获得设备的停电窗口期预测结果。
在一种可能的实施方式中，本实施例的方法还包括电网特征数据获取、分类与建模的步骤，更进一步的，电网特征数据获取、分类与建模的步骤包括：
（1）确定面向电网年度检修计划的主网输变电设备；
主要包括：主网跨区交流线路、主网跨区直流***、主网跨省交流线路、主网跨省直流***、主网220kV及以上电压等级的省内交流线路、主网220kV及以上电压等级的省内直流***、主网220kV及以上电压等级的母线、主网220kV及以上电压等级的变压器、主网220kV及以上电压等级的换流器、主网跨区跨省直流接地***、其它水火核风光分类型电源送出通道设备、其它对主网跨区跨省送电能力有影响的设备等。
（2）获取主网输变电设备的特征数据，所述特征数据包括历史可停电窗口期、历史潮流数据以及预测数据，具体如下：
获取主网输变电设备及其历史可停电窗口期，主要包括：
1）主网跨区交流线路及其历史可停电窗口期；
2）主网跨区直流***及其历史可停电窗口期；
3）主网跨省交流线路及其历史可停电窗口期；
4）主网跨省直流***及其历史可停电窗口期；
5）主网220kV及以上电压等级的省内交流线路及其历史可停电窗口期；
6）主网220kV及以上电压等级的省内直流***及其历史可停电窗口期；
7）主网220kV及以上电压等级的母线及其历史可停电窗口期；
8）主网220kV及以上电压等级的变压器及其历史可停电窗口期；
9）主网220kV及以上电压等级的换流器及其历史可停电窗口期；
10）主网跨区跨省直流接地***及其所属直流***的历史可停电窗口期；
11）其它水火核风光分类型电源送出通道设备及其历史可停电窗口期；
12）其它对主网跨区跨省送电能力有影响的设备及其历史可停电窗口期。
以上，数据采样的时间间隔为1小时，数据采样的时间长度为最近三个完整年。并且如果采样点在设备的可停电窗口期内采样数据定义为1，如果采样点不在设备的可停电窗口期内采样数据定义为0。
获取主网输变电设备及其历史潮流数据，主要包括：
1）主网跨区交流线路及其送端采样有功功率；
2）主网跨区直流***及其送端采样有功功率；
3）主网跨省交流线路及其送端采样有功功率；
4）主网跨省直流***及其送端采样有功功率；
5）主网220kV及以上电压等级的省内交流线路及其送端采样有功功率；
6）主网220kV及以上电压等级的省内直流***及其送端采样有功功率；
7）主网220kV及以上电压等级的母线及其有功功率；
8）主网220kV及以上电压等级的变压器及其高压侧采样有功功率；
9）主网220kV及以上电压等级的换流器及其有功功率；
10）主网跨区跨省直流接地***及其所属直流***的送端采样有功功率；
11）其它水火核风光分类型电源送出通道设备及其送端采样有功功率；
12）其它对主网跨区跨省送电能力有影响的设备及其历史有功功率。
以上，数据采样的统计口径为调度口径或其他统一口径，数据采样的时间间隔为1小时，数据采样的时间长度为最近三个完整年。
获取主网输变电设备及其预测数据，主要包括：
1）主网跨区交流线路及其送端有功功率预测值；
2）主网跨区直流***及其送端有功功率预测值；
3）主网跨省交流线路及其送端有功功率预测值；
4）主网跨省直流***及其送端有功功率预测值；
5）主网220kV及以上电压等级的省内交流线路及其送端有功功率预测值；
6）主网220kV及以上电压等级的省内直流***及其送端有功功率预测值；
7）主网220kV及以上电压等级的母线及其有功功率预测值；
8）主网220kV及以上电压等级的变压器及其高压侧有功功率预测值；
9）主网220kV及以上电压等级的换流器及其有功功率预测值；
10）主网跨区跨省直流接地***及其所属直流***的送端有功功率预测值；
11）其它水火核风光分类型电源送出通道设备及其送端有功功率预测值；
12）其它对主网跨区跨省送电能力有影响的设备及其有功功率预测值。
以上，数据预测的统计口径为调度口径或其他统一口径，数据预测的时间间隔为1小时，数据预测的时间长度为开展停电窗口期评估的时间范围。
（3）对主网输变电设备的集合以及主网输变电设备的特征数据进行建模，在通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度时，利用待评估设备建模后的数学表达式进行计算。
将主网输变电设备的集合定义为：
其中，表示第i个设备；N表示主网输变电设备的总个数。
将主网输变电设备的历史可停电窗口期数据定义为：
其中，N为上述主网输变电设备的总个数，表示第i个设备的历史可停电窗口期数据序列，定义为：
其中，表示第i个设备历史可停电窗口期数据序列中的第j个数据点，并且数据序列中的数据点应按照采样时间从前到后依次排列，M表示历史数据采样点的总个数，N为上述主网输变电设备的总个数。
将主网输变电设备的历史潮流数据定义为：
其中，N为上述主网输变电设备的总个数，表示第i个设备的历史潮流数据序列，定义为：
其中，表示第i个设备历史潮流数据序列中的第j个数据点，并且数据序列中的数据点应按照采样时间从前到后依次排列，M为上述历史数据采样点的总个数，N为上述主网输变电设备的总个数。
将主网输变电设备的预测数据定义为：
其中，N为上述主网输变电设备的总个数，表示第i个设备的预测数据序列，定义为：
其中，第i个设备预测数据序列中的第j个数据点，并且数据序列中的数据点应按照采样时间从前到后依次排列，P表示预测数据采样点的总个数，N为上述主网输变电设备的总个数。
在一种可能的实施方式中，步骤S1在将主要特征因素分类为电网运行可靠性、电力电量平衡和清洁能源消纳三个组别时，所述电网运行可靠性主要特征因素包括：对主网跨区跨省送电有影响的送端电网关联重载输电断面潮流、对主网跨区跨省送电有影响的送端电网主变上网断面潮流、对主网跨区跨省受电有影响的受端电网关联重载输电断面潮流、对主网跨区跨省受电有影响的受端电网主变下网断面潮流；
所述电网电力电量平衡主要特征因素包括：区域电网调度口径发受电、省级电网调度口径发受电、存在内受电受阻或重点关注的局部电网调度口径发受电；
所述电网清洁能源消纳主要特征因素包括：区域电网调度口径水电发电、区域电网调度口径光伏发电、省级电网调度口径水电发电、省级电网调度口径风电发电、省级电网调度口径光伏发电、存在外送电受阻或重点关注的局部电网调度口径水电发电、存在外送电受阻或重点关注的局部电网调度口径风电发电、存在外送电受阻或重点关注的局部电网调度口径光伏发电、国调直调水电厂调度口径发电、网省调重点关注水电厂调度口径发电。
在一种可能的实施方式中，本实施例的方法还包括获取各组别主要特征因素的历史数据与预测数据，对各组别主要特征因素以及所对应的历史数据与预测数据进行建模，在通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度时，利用各组别内部的每个主要特征因素建模后的数学表达式进行计算。
获取电网运行可靠性主要特征因素的历史数据，主要包括：
对主网跨区跨省送电有影响的送端电网通道设备及其送电有功功率，主要考虑送端电网关联重载输电断面、送端电网主变上网断面等通道设备；
对主网跨区跨省受电有影响的受端电网通道设备及其受电有功功率，主要考虑受端电网关联重载输电断面、受端电网主变下网断面等通道设备。
以上，数据采样的统计口径为调度口径或其他统一口径，数据采样的时间间隔为1小时，数据采样的时间长度为最近三个完整年。
获取电网运行可靠性主要特征因素的预测数据，主要包括：
对主网跨区跨省送电有影响的送端电网通道设备及其送电有功功率预测值，主要考虑送端电网关联重载输电断面、送端电网主变上网断面等通道设备；
对主网跨区跨省受电有影响的受端电网通道设备及其受电有功功率预测值，主要考虑受端电网关联重载输电断面、受端电网主变下网断面等通道设备。
以上，数据预测的统计口径为调度口径或其他统一口径，数据预测的时间间隔为1小时，数据预测的时间长度为开展停电窗口期评估的时间范围。
获取电网电力电量平衡主要特征因素的历史数据，主要包括：
区域电网调度口径发受电电力；
省级电网调度口径发受电电力；
存在内受电受阻或重点关注的局部电网调度口径发受电电力。
以上，数据采样的统计口径为调度口径或其他统一口径，数据采样的时间间隔为1小时，数据采样的时间长度为最近三个完整年。
获取电网电力电量平衡主要特征因素的预测数据，主要包括：
区域电网调度口径发受电电力预测值；
省级电网调度口径发受电电力预测值；
存在内受电受阻或重点关注的局部电网调度口径发受电电力预测值。
以上，数据预测的统计口径为调度口径或其他统一口径，数据预测的时间间隔为1小时，数据预测的时间长度为开展停电窗口期评估的时间范围。
获取电网清洁能源消纳主要特征因素的历史数据，主要包括：
区域电网调度口径水电发电出力；
区域电网调度口径风电发电出力；
区域电网调度口径光伏发电出力；
省级电网调度口径水电发电出力；
省级电网调度口径风电发电出力；
省级电网调度口径光伏发电出力；
存在外送电受阻或重点关注的局部电网调度口径水电发电出力；
存在外送电受阻或重点关注的局部电网调度口径风电发电出力；
存在外送电受阻或重点关注的局部电网调度口径光伏发电出力；
国调直调水电厂调度口径发电出力；
网省调重点关注水电厂调度口径发电出力。
以上，数据采样的统计口径为调度口径或其他统一口径，数据采样的时间间隔为1小时，数据采样的时间长度为最近三个完整年。
获取电网清洁能源消纳主要特征因素的预测数据，主要包括：
区域电网调度口径水电发电出力预测值；
区域电网调度口径风电发电出力预测值；
区域电网调度口径光伏发电出力预测值；
省级电网调度口径水电发电出力预测值；
省级电网调度口径风电发电出力预测值；
省级电网调度口径光伏发电出力预测值；
存在外送电受阻或重点关注的局部电网调度口径水电发电出力预测值；
存在外送电受阻或重点关注的局部电网调度口径风电发电出力预测值；
存在外送电受阻或重点关注的局部电网调度口径光伏发电出力预测值；
国调直调水电厂调度口径发电出力预测值；
网省调重点关注水电厂调度口径发电出力预测值。
以上，数据预测的统计口径为调度口径或其他统一口径，数据预测的时间间隔为1小时，数据预测的时间长度为开展停电窗口期评估的时间范围。
按如下方式对电网主要特征因素及其数据建模；
将电网运行可靠性主要特征因素定义为：
其中，表示电网运行可靠性分类下的第k个特征因素；/>表示电网运行可靠性特征因素的总个数。
将电网运行可靠性主要特征因素的历史数据定义为：
其中，为上述电网运行可靠性特征因素的总个数，/>表示电网运行可靠性第k个特征因素的历史数据序列，定义为：
其中，表示电网运行可靠性第k个特征因素历史数据序列中的第j个数据点，并且数据序列中的数据点应按照采样时间从前到后依次排列；M表示历史数据采样点的总个数，/>为上述电网运行可靠性特征因素的总个数。
将电网运行可靠性主要特征因素的预测数据定义为：
其中，为上述电网运行可靠性特征因素的总个数，/>表示电网运行可靠性第k个特征因素的预测数据序列，定义为：/>
其中，表示电网运行可靠性第k个特征因素预测数据序列中的第j个数据点，并且数据序列中的数据点应按照采样时间从前到后依次排列；M表示预测数据采样点的总个数，/>为上述电网运行可靠性特征因素的总个数。
将电网电力电量平衡主要特征因素定义为：
其中，表示电网电力电量平衡分类下的第k个特征因素；/>表示电网电力电量平衡特征因素的总个数。
将电网电力电量平衡主要特征因素的历史数据定义为：
其中，为上述电网电力电量平衡特征因素的总个数，/>表示电网电力电量平衡第k个特征因素的历史数据序列，定义为：
其中，表示电网电力电量平衡第k个特征因素历史数据序列中的第j个数据点，并且数据序列中的数据点应按照采样时间从前到后依次排列；M表示历史数据采样点的总个数，/>为上述电网电力电量平衡特征因素的总个数。
将电网电力电量平衡主要特征因素的预测数据定义为：
其中，为上述电网电力电量平衡特征因素的总个数，/>表示电网电力电量平衡第k个特征因素的预测数据序列，定义为：
其中，表示电网电力电量平衡第k个特征因素预测数据序列中的第j个数据点，并且数据序列中的数据点应按照采样时间从前到后依次排列；M表示预测数据采样点的总个数，/>为上述电网电力电量平衡特征因素的总个数。
将电网清洁能源消纳主要特征因素定义为：
其中，表示电网清洁能源消纳分类下的第k个特征因素；/>表示电网清洁能源消纳特征因素的总个数。
将电网清洁能源消纳主要特征因素的历史数据定义为：
其中，为上述电网清洁能源消纳特征因素的总个数，/>表示电网清洁能源消纳第k个特征因素的历史数据序列，定义为：
其中，表示电网清洁能源消纳第k个特征因素历史数据序列中的第j个数据点，并且数据序列中的数据点应按照采样时间从前到后依次排列；M表示历史数据采样点的总个数，/>为上述电网清洁能源消纳特征因素的总个数。/>
将电网清洁能源消纳主要特征因素的预测数据定义为：
其中，为上述电网清洁能源消纳特征因素的总个数，/>表示电网清洁能源消纳第k个特征因素的预测数据序列，定义为：
其中，表示电网清洁能源消纳第k个特征因素预测数据序列中的第j个数据点，并且数据序列中的数据点应按照采样时间从前到后依次排列；M表示预测数据采样点的总个数，/>为上述电网清洁能源消纳特征因素的总个数。
在一种可能的实施方式中，在步骤S2中，以求解第i个待评估的主网输变电设备的关键特征为例进行说明。
按如下方式求解待评估设备的无量纲化数据序列：
提取第i个设备的历史潮流数据序列，即：
通过均值化方法，将第i个设备的历史潮流数据序列进行无量纲化处理后得到参考序列，计算公式为：
求解待评估设备与电网运行可靠性特征因素的关联度包括：
提取所有电网运行可靠性特征因素的历史数据序列：
通过均值化方法，将电网运行可靠性分类下的第k个特征因素的历史数据序列进行无量纲化处理后得到参考序列，计算公式为：
通过灰色关联分析方法，求解电网运行可靠性分类下的每个特征因素与第i个设备之间的关联系数序列，计算公式为：
其中，/>表示电网运行可靠性分类下第k个特征因素的第j个数据点与第i个设备之间的关联系数；表示将j从1枚举到M求取/>的最小值，/>表示将j从1枚举到M求取/>的最大值；/>表示将k从1枚举到/>求取的最小值，/>表示将k从1枚举到/>求取/>的最大值；/>表示电网运行可靠性第k个特征因素历史数据序列中的第j个数据点，/>表示第i个设备历史潮流数据序列中的第j个数据点；
通过加权平均求解电网运行可靠性分类下的每个特征因素与第i个设备之间的关联度，计算公式为：
将电网运行可靠性分类下的每个特征因素与第i个设备之间的关联度按照从大到小排名，形成设备Ei与电网运行可靠性所有特征因素之间的关联度序列：
其中，表示电网运行可靠性分类下的第/>个特征因素与设备Ei的关联度排名在第k位。
求解待评估设备与电网电力电量平衡特征因素的关联度包括：
提取所有电网电力电量平衡特征因素的历史数据序列：
通过均值化方法，将电网电力电量平衡分类下的第k个特征因素的历史数据序列进行无量纲化处理后得到参考序列，计算公式为：
通过灰色关联分析方法，求解电网电力电量平衡分类下的每个特征因素与第i个设备之间的关联系数序列，计算公式为：
其中，/>表示电网电力电量平衡分类下第k个特征因素的第j个数据点与第i个设备之间的关联系数；
通过加权平均求解电网电力电量平衡分类下的每个特征因素与第i个设备之间的关联度，计算公式为：
将电网电力电量平衡分类下的每个特征因素与第i个设备之间的关联度按照从大到小排名，形成设备Ei与电网电力电量平衡所有特征因素之间的关联度序列：
其中，表示电网电力电量平衡分类下的第/>个特征因素与设备Ei的关联度排名在第k位。
求解待评估设备与电网清洁能源消纳特征因素的关联度包括：
提取所有电网清洁能源消纳特征因素的历史数据序列：/>
通过均值化方法，将电网清洁能源消纳分类下的第k个特征因素的历史数据序列进行无量纲化处理后得到参考序列，计算公式为：
通过灰色关联分析方法，求解电网清洁能源消纳分类下的每个特征因素与第i个设备之间的关联系数序列，计算公式为：
其中，表示电网清洁能源消纳分类下第k个特征因素的第j个数据点与第i个设备之间的关联系数；
通过加权平均求解电网清洁能源消纳分类下的每个特征因素与第i个设备之间的关联度，计算公式为：
将电网清洁能源消纳分类下的每个特征因素与第i个设备之间的关联度按照从大到小排名，形成设备Ei与电网清洁能源消纳所有特征因素之间的关联度序列：
其中，表示电网清洁能源消纳分类下的第/>个特征因素与设备Ei的关联度排名在第k位。
确定待评估设备的关键特征包括：
通过加权平均求解电网运行可靠性、电力电量平衡和清洁能源消纳与待评估设备Ei的整体关联度分别为：
定义待评估设备Ei关键特征的空间维度为w维，根据、/>、/>的权重占比计算电网运行可靠性、电力电量平衡、清洁能源消纳各组入选待评估设备Ei关键特征空间的特征个数分别为：/>
其中，int表示向下取整函数；
由此确定电网运行可靠性、电力电量平衡、清洁能源消纳各组入选待评估设备Ei关键特征空间的特征分别为：
其中，表示待评估设备Ei的关键特征空间，/>表示电网运行可靠性分类下的第/>个特征因素，/>表示电网电力电量平衡分类下的第/>个特征因素，/>表示电网清洁能源消纳分类下的第/>个特征因素。
在一种可能的实施方式中，步骤S3以求解第i个待评估的主网输变电设备的停电窗口期预测模型为例进行说明，步骤S3主要包括：
将待评估设备Ei关键特征空间中所有特征因素的历史数据序列作为特征数据列/>，将待评估设备Ei的历史可停电窗口期数据序列作为标记数据列/>，构建适用于SVM模型的设备Ei的样本数据标准输入集为：
将设备Ei样本数据标准输入集中的采样数据点划分为训练集/>和测试集/>；
选用高斯函数作为SVM算法的核函数，则待评估设备Ei的停电窗口期SVM预测模型表示为：
其中，为高斯核参数，/>为模型损失系数，/>为设备Ei可停电窗口期预测模型的输出结果；
设置SVM训练的初始迭代参数/>，迭代步长/>；设置初始/>迭代参数/>，迭代步长/>；
通过SVM模型训练得到各种参数组合下训练结果的准确率为：
其中，表示设备Ei第k次SVM模型训练的结果准确率，L1表示本轮初始模型训练的总次数；
选择初始模型训练结果中准确率最高的高斯核参数和模型损失系数/>组合，分别定义为/>、/>；
以和/>为中心，设置优化/>迭代参数/>，迭代步长/>；设置优化/>迭代参数/>，迭代步长/>；将优化/>和优化/>的参数组合作为模型的输入参数，再次训练得到结果的准确率为：
其中，L2表示本轮优化模型训练的总次数；
获取L2轮优化模型训练结果中准确率最高的高斯核参数和模型损失系数，分别定义为、/>，由此得到待评估设备Ei停电窗口期的最优预测模型为：
。
在一种可能的实施方式中，步骤S4以求解第i个待评估的主网输变电设备的停电窗口期预测结果为例进行说明，具体包括：
将待评估设备Ei关键特征空间中所有特征因素的预测数据序列作为特征数据列，构建设备Ei的特征数据集为：
其中，P为待评估数据点的总个数；
将待评估设备Ei的特征数据集作为/>的标准输入，求解得到设备Ei在预测输入数据矩阵/>下的预测结果输出序列为：
其中，表示设备Ei第j个时刻预测数据点对应的结果输出，1表示当前时刻可作为停电窗口，0表示当前时刻不可作为停电窗口；将所有可作为停电窗口的连续时间点组合即形成设备Ei的可停电窗口期，表示为：
其中，表示一个时间段，t表示时间段中的某一个时刻点并且该时刻点对应数据点的预测结果为1，t表示设备Ei停电窗口期的总段数。
重复上述步骤S2至步骤S4，即可获取所有设备的停电窗口期预测结果。
本发明另一实施例还提出一种主网输变电设备停电窗口期预测***，包括：
主要特征因素获取模块，用于获取电网区域内与主网输变电设备停电有关的主要特征因素，并将主要特征因素分类为电网运行可靠性、电力电量平衡和清洁能源消纳三个组别；
关键特征确定模块，用于通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征；
停电窗口期预测模型求解模块，用于将设备在关键特征空间下的样本数据作为支持向量机算法的输入量从而求解出停电窗口期预测模型；
预测模块，用于利用停电窗口期预测模型获得设备的停电窗口期预测结果。
本发明的另一实施例还提出一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现所述的主网输变电设备停电窗口期预测方法。
本发明的另一实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现所述的主网输变电设备停电窗口期预测方法。
所述计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。为了便于说明，以上内容仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质是非暂时性的，可以存储在各种电子设备形成的存储装置当中，能够实现本发明实施例方法记载的执行过程。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备（***）和计算机程序产品的流程图和／或方框图来描述的。应理解为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)

1.一种主网输变电设备停电窗口期预测方法，其特征在于，包括：
获取电网区域内与主网输变电设备停电有关的主要特征因素，并将主要特征因素分类为电网运行可靠性、电力电量平衡和清洁能源消纳三个组别；
通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征；
将设备在关键特征空间下的样本数据作为支持向量机算法的输入量从而求解出停电窗口期预测模型；
利用停电窗口期预测模型获得设备的停电窗口期预测结果；
还包括电网特征数据获取、分类与建模的步骤，所述电网特征数据获取、分类与建模的步骤包括：
确定面向电网年度检修计划的主网输变电设备；
获取主网输变电设备的特征数据，所述特征数据包括历史可停电窗口期、历史潮流数据以及预测数据；
对主网输变电设备的集合以及主网输变电设备的特征数据进行建模，在通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度时，利用待评估设备建模后的数学表达式进行计算；
还包括获取各组别主要特征因素的历史数据与预测数据，对各组别主要特征因素以及所对应的历史数据与预测数据进行建模，在通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度时，利用各组别内部的每个主要特征因素建模后的数学表达式进行计算；
在所述通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征的步骤中，确定待评估设备的关键特征包括：
通过加权平均求解电网运行可靠性、电力电量平衡和清洁能源消纳与待评估设备Ei的整体关联度分别为：
定义待评估设备Ei关键特征的空间维度为w维，根据、/>、/>的权重占比计算电网运行可靠性、电力电量平衡、清洁能源消纳各组入选待评估设备Ei关键特征空间的特征个数分别为：
其中，int表示向下取整函数；
由此确定电网运行可靠性、电力电量平衡、清洁能源消纳各组入选待评估设备Ei关键特征空间的特征分别为：
其中，表示待评估设备Ei的关键特征空间，/>表示电网运行可靠性分类下的第个特征因素，/>表示电网电力电量平衡分类下的第/>个特征因素，表示电网清洁能源消纳分类下的第/>个特征因素；
利用停电窗口期预测模型获得设备的停电窗口期预测结果的步骤包括：
将待评估设备Ei关键特征空间中所有特征因素的预测数据序列作为特征数据列，构建设备Ei的特征数据集为：
其中，P为待评估数据点的总个数；
将待评估设备Ei的特征数据集作为/>的标准输入，求解得到设备Ei在预测输入数据矩阵/>下的预测结果输出序列为：
其中，表示设备Ei第j个时刻预测数据点对应的结果输出，1表示当前时刻可作为停电窗口，0表示当前时刻不可作为停电窗口；将所有可作为停电窗口的连续时间点组合即形成设备Ei的可停电窗口期，表示为：
其中，表示一个时间段，t表示时间段中的某一个时刻点并且该时刻点对应数据点的预测结果为1，t表示设备Ei停电窗口期的总段数。
2.根据权利要求1所述的主网输变电设备停电窗口期预测方法，其特征在于，在所述获取电网区域内与主网输变电设备停电有关的主要特征因素，并将主要特征因素分类为电网运行可靠性、电力电量平衡和清洁能源消纳三个组别的步骤中，所述电网运行可靠性主要特征因素包括：对主网跨区跨省送电有影响的送端电网关联重载输电断面潮流、对主网跨区跨省送电有影响的送端电网主变上网断面潮流、对主网跨区跨省受电有影响的受端电网关联重载输电断面潮流、对主网跨区跨省受电有影响的受端电网主变下网断面潮流；
所述电网电力电量平衡主要特征因素包括：区域电网调度口径发受电、省级电网调度口径发受电、存在内受电受阻或重点关注的局部电网调度口径发受电；
所述电网清洁能源消纳主要特征因素包括：区域电网调度口径水电发电、区域电网调度口径光伏发电、省级电网调度口径水电发电、省级电网调度口径风电发电、省级电网调度口径光伏发电、存在外送电受阻或重点关注的局部电网调度口径水电发电、存在外送电受阻或重点关注的局部电网调度口径风电发电、存在外送电受阻或重点关注的局部电网调度口径光伏发电、国调直调水电厂调度口径发电、网省调重点关注水电厂调度口径发电。
3.根据权利要求1所述的主网输变电设备停电窗口期预测方法，其特征在于，在所述通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征的步骤中，求解待评估设备与电网运行可靠性特征因素的关联度包括：
提取所有电网运行可靠性特征因素的历史数据序列：
通过均值化方法，将电网运行可靠性分类下的第k个特征因素的历史数据序列进行无量纲化处理后得到参考序列，计算公式为：
通过灰色关联分析方法，求解电网运行可靠性分类下的每个特征因素与第i个设备之间的关联系数序列，计算公式为：
其中，表示电网运行可靠性分类下第k个特征因素的第j个数据点与第i个设备之间的关联系数；/>表示将j从1枚举到M求取/>的最小值，表示将j从1枚举到M求取/>的最大值；/>表示将k从1枚举到/>求取/>的最小值，/>表示将k从1枚举到求取/>的最大值；/>表示电网运行可靠性第k个特征因素历史数据序列中的第j个数据点，/>表示第i个设备历史潮流数据序列中的第j个数据点；
通过加权平均求解电网运行可靠性分类下的每个特征因素与第i个设备之间的关联度，计算公式为：
将电网运行可靠性分类下的每个特征因素与第i个设备之间的关联度按照从大到小排名，形成设备Ei与电网运行可靠性所有特征因素之间的关联度序列：
其中，表示电网运行可靠性分类下的第/>个特征因素与设备Ei的关联度排名在第k位。
4.根据权利要求1所述的主网输变电设备停电窗口期预测方法，其特征在于，在所述通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征的步骤中，求解待评估设备与电网电力电量平衡特征因素的关联度包括：
提取所有电网电力电量平衡特征因素的历史数据序列：
通过均值化方法，将电网电力电量平衡分类下的第k个特征因素的历史数据序列进行无量纲化处理后得到参考序列，计算公式为：
通过灰色关联分析方法，求解电网电力电量平衡分类下的每个特征因素与第i个设备之间的关联系数序列，计算公式为：
其中，表示电网电力电量平衡分类下第k个特征因素的第j个数据点与第i个设备之间的关联系数；
通过加权平均求解电网电力电量平衡分类下的每个特征因素与第i个设备之间的关联度，计算公式为：
将电网电力电量平衡分类下的每个特征因素与第i个设备之间的关联度按照从大到小排名，形成设备Ei与电网电力电量平衡所有特征因素之间的关联度序列：
其中，表示电网电力电量平衡分类下的第/>个特征因素与设备Ei的关联度排名在第k位。
5.根据权利要求1所述的主网输变电设备停电窗口期预测方法，其特征在于，在所述通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征的步骤中，求解待评估设备与电网清洁能源消纳特征因素的关联度包括：
提取所有电网清洁能源消纳特征因素的历史数据序列：
通过均值化方法，将电网清洁能源消纳分类下的第k个特征因素的历史数据序列进行无量纲化处理后得到参考序列，计算公式为：
通过灰色关联分析方法，求解电网清洁能源消纳分类下的每个特征因素与第i个设备之间的关联系数序列，计算公式为：
其中，表示电网清洁能源消纳分类下第k个特征因素的第j个数据点与第i个设备之间的关联系数；
通过加权平均求解电网清洁能源消纳分类下的每个特征因素与第i个设备之间的关联度，计算公式为：
将电网清洁能源消纳分类下的每个特征因素与第i个设备之间的关联度按照从大到小排名，形成设备Ei与电网清洁能源消纳所有特征因素之间的关联度序列：
其中，表示电网清洁能源消纳分类下的第/>个特征因素与设备Ei的关联度排名在第k位。
6.根据权利要求1所述的主网输变电设备停电窗口期预测方法，其特征在于，所述将设备在关键特征空间下的样本数据作为支持向量机算法的输入量从而求解出停电窗口期预测模型的步骤包括：
将待评估设备Ei关键特征空间中所有特征因素的历史数据序列作为特征数据列，将待评估设备Ei的历史可停电窗口期数据序列作为标记数据列/>，构建适用于SVM模型的设备Ei的样本数据标准输入集为：
将设备Ei样本数据标准输入集中的采样数据点划分为训练集和测试集/>；
选用高斯函数作为SVM算法的核函数，则待评估设备Ei的停电窗口期SVM预测模型表示为：
其中，为高斯核参数，/>为模型损失系数，/>为设备Ei可停电窗口期预测模型的输出结果；
设置SVM训练的初始迭代参数/>，迭代步长/>；设置初始/>迭代参数，迭代步长/>；
通过SVM模型训练得到各种参数组合下训练结果的准确率为：
其中，表示设备Ei第k次SVM模型训练的结果准确率，L1表示本轮初始模型训练的总次数；
选择初始模型训练结果中准确率最高的高斯核参数和模型损失系数/>组合，分别定义为/>、/>；
以和/>为中心，设置优化/>迭代参数/>，迭代步长/>；设置优化迭代参数/>，迭代步长/>；将优化/>和优化/>的参数组合作为模型的输入参数，再次训练得到结果的准确率为：
其中，L2表示本轮优化模型训练的总次数；
获取L2轮优化模型训练结果中准确率最高的高斯核参数和模型损失系数，分别定义为、/>，由此得到待评估设备Ei停电窗口期的最优预测模型为：
。
7.一种主网输变电设备停电窗口期预测***，其特征在于，用于实现权利要求1-6中任意一项所述的主网输变电设备停电窗口期预测方法，包括：
主要特征因素获取模块，用于获取电网区域内与主网输变电设备停电有关的主要特征因素，并将主要特征因素分类为电网运行可靠性、电力电量平衡和清洁能源消纳三个组别；
关键特征确定模块，用于通过灰色关联分析方法计算各组别内部的每个主要特征因素与设备之间的关联度从而确定设备的关键特征；
停电窗口期预测模型求解模块，用于将设备在关键特征空间下的样本数据作为支持向量机算法的输入量从而求解出停电窗口期预测模型；
预测模块，用于利用停电窗口期预测模型获得设备的停电窗口期预测结果。
8.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时实现如权利要求1至6中任意一项所述的主网输变电设备停电窗口期预测方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述的计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的主网输变电设备停电窗口期预测方法。
CN202310887224.8A 2023-07-19 2023-07-19 主网输变电设备停电窗口期预测方法、***、设备及介质 Active CN116611589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310887224.8A CN116611589B (zh) 2023-07-19 2023-07-19 主网输变电设备停电窗口期预测方法、***、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310887224.8A CN116611589B (zh) 2023-07-19 2023-07-19 主网输变电设备停电窗口期预测方法、***、设备及介质

Publications (2)

Publication Number Publication Date
CN116611589A CN116611589A (zh) 2023-08-18
CN116611589B true CN116611589B (zh) 2023-09-29

Family

ID=87676832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310887224.8A Active CN116611589B (zh) 2023-07-19 2023-07-19 主网输变电设备停电窗口期预测方法、***、设备及介质

Country Status (1)

Country Link
CN (1) CN116611589B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118095107A (zh) * 2024-04-23 2024-05-28 广东电网有限责任公司中山供电局 负荷建模方法、***、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN113590682A (zh) * 2021-07-20 2021-11-02 中国电力科学研究院有限公司 电网停电窗口期生成方法、装置、电子设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN113590682A (zh) * 2021-07-20 2021-11-02 中国电力科学研究院有限公司 电网停电窗口期生成方法、装置、电子设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A method for breakdown voltage prediction of short air gaps with atypical electrodes;Zhibin Qiu et al.;《IEEE Transactions on Dielectrics and Electrical Insulation》;第23卷(第05期);全文 *
基于灰色关联分析与随机森林回归模型的短期负荷预测;张冰 等;《水电能源科学》(第04期);全文 *
基于能量预测的光伏微网储能***控制策略;李大中 等;《可再生能源》;第32卷(第12期);第1.3节 *

Also Published As

Publication number Publication date
CN116611589A (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN106909933B (zh) 一种三阶段多视角特征融合的窃电分类预测方法
Wang et al. Decision tree based online stability assessment scheme for power systems with renewable generations
CN113435923B (zh) 用电量的预测方法、装置及电子设备
CN109726865A (zh) 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质
CN109492857A (zh) 一种配电网故障风险等级预测方法和装置
CN116611589B (zh) 主网输变电设备停电窗口期预测方法、***、设备及介质
CN104037943A (zh) 一种提高电网电压质量的电压监测方法及***
KR20200128232A (ko) 전력 수요 예측 장치 및 그 방법
CN113052389A (zh) 基于多任务的分布式光伏电站超短期功率预测方法及***
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
Karaaslan et al. Forecasting of Turkey’s sectoral energy demand by using fuzzy grey regression model
Tavares et al. Comparison of PV power generation forecasting in a residential building using ANN and DNN
Wang et al. A transformer-based multi-entity load forecasting method for integrated energy systems
CN108846529A (zh) 一种发电量预测***
CN108110756A (zh) 考虑不确定性因素的工业园区配电网规划方法
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN105809369A (zh) 考虑新能源功率不确定性分布的日前计划安全校核方法
Shang et al. Short-term Distribution Network Peak Load Forecasting Based on Generalized Linear Model
Liu et al. Advanced evaluation method for regional wind power prediction
Chen et al. Spatial–temporal information model-based load current interval prediction for transmission lines
KR102556093B1 (ko) 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치
CN114372615A (zh) 一种考虑空间相关性的短期光伏功率预测方法及***
Dahal et al. Generation scheduling using genetic algorithm based hybrid techniques
Yanhui et al. Forecasting hourly electricity demand with nonparametric functional data analysis
Wang et al. An alternative method for estimating wind-power capacity credit based on reliability evaluation using intelligent search

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
GR01 Patent grant
GR01 Patent grant