CN117036103A - 基于lstm循环神经网络的电力***运行态势预测方法 - Google Patents
基于lstm循环神经网络的电力***运行态势预测方法 Download PDFInfo
- Publication number
- CN117036103A CN117036103A CN202311057728.3A CN202311057728A CN117036103A CN 117036103 A CN117036103 A CN 117036103A CN 202311057728 A CN202311057728 A CN 202311057728A CN 117036103 A CN117036103 A CN 117036103A
- Authority
- CN
- China
- Prior art keywords
- data
- power system
- lstm
- neural network
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于LSTM循环神经网络的电力***运行态势预测方法，该方法首先对电力线路运行数据组成的初始数据样本进行归一化和异常值处理，并采样生成训练样本。其次搭建电力***态势预测模型，该模型中包含的运行状态识别模块和运行数据趋势预测模块，均由LSTM循环神经网络模型搭建。然后运行状态识别模块与运行数据趋势预测模块使用各自的样本进行训练，并测试。本发明通过对各线路运行状态的识别和运行数据趋势的预测，从而对整个电力***运行状态进行风险评估。
Description
技术领域
本发明涉及电力***态势感知研究领域，具体指一种基于LSTM循环神经网络的电力***运行态势预测方法。
背景技术
随着经济的不断发展和电力需求的不断增长，电力***规模不断扩大，电网运行条件日益复杂。因此，电力建设任务十分艰巨，保证电力***运行的安全性和可靠性至关重要。电力***具有规模大、设备多、覆盖区域广、运行时间长等特点，包含了发电、输电、变电、配电等环节，在整个电力***运行的过程中会产生大量的运行检测数据。随着计算机信息技术和存储技术的快速发展，电网数字化和信息化技术日渐成熟，电力***进入了大数据时代。这使得基于电力***运行数据的深度学习方法成为可能。随着硬件计算能力的提升以神经网络为代表的深度学习技术发展迅速，并广泛应用于电力***运行监测、故障检测、负荷预测等方面。
近年来，电力***问题的研究已经从传统的人工智能方法逐渐转化为基于电力大数据的深度学习的方法。深度学习方法对数据的挖掘能力、非线性表征能力和强鲁棒性能为电力***故障问题带来了新的突破。但是，在现有的基于深度学习的电力***态势感知研究中，存在较大的局限性，首先，对于运行状态识别和运行数据预测主要偏向配电网络，其次，运行数据预测主要针对短期电力负荷或其他单一属性数据。为了提升电力***运行态势预测的准确度，在对每条输电线路运行状态识别的同时，还应尽可能多的对线路中关键数据的运行趋势进行预测。通过对***中各条线路的运行状态和关键属性数据的运行趋势进行分析，精准的对整个***运行状态进行评估和预测。
总的来说，基于数据挖掘的深度学习方法已被广泛应用于电力***的研究中，但在电力***态的势感知上仍存在局限性。为了更加准确的对电力***运行态势进行预测，需要对每条输电线路的运行状态进行识别并且对线路本身关键属性数据的运行趋势进行预测。
发明内容
基于现有电力***态势预测策略的不足，为了解决背景技术中存在的问题，本发明提出一种基于LSTM循环神经网络的电力***运行态势预测方法。
本发明具体是基于输电线路历史运行数据和LSTM循环神经网络模型来构建电力***运行态势预测模型。***态势预测模型主要包含两个模块，一是运行状态识别模块，二是运行数据趋势预测模块，分别用于运行状态的实时识别和关键数据运行趋势的预测。首先在选定线路后，通过对其历史运行数据进行处理生成对应的状态识别样本以及数据趋势预测样本，先由运行状态识别模块对状态识别样本进行分析，判断该线路的运行状态，若处于故障状态，则输出具体的故障类型，若处于正常运行状态，则对线路运行数据趋势进行预测。通过对电力***中各条线路的运行状态和关键属性数据运行趋势的分析，进而准确的对整个***的运行状态进行评估和预测，这不仅可以在一定程度上预防电力***的故障，保证电网的安全可靠运行，还能在***故障后及时做出应对措施，以最快速度恢复供电，最大程度减小损失。
为了解决上述技术问题，本发明的技术方案为：
一种基于LSTM循环神经网络的电力***运行态势预测方法，包括如下步骤：
S1、电力线路运行数据的处理与样本的生成
S1-1、对电力线路运行数据组成的初始数据样本进行归一化处理。
S1-2、对归一化处理后的初始数据样本，进行滑动采样生成最终数据样本。
S1-3、对最终数据样本进行异常值处理。
S2、搭建电力***态势预测模型
S2-1、电力***态势预测模型包含两个模块：运行状态识别模块和运行数据趋势预测模块，均由LSTM循环神经网络模型搭建。
S3、通过S1得到的样本，训练电力***态势预测模型
S3-1、将S1处理好的数据样本随机打乱按照比例划分为训练集、验证集和测试集。
S3-2、运行状态识别模块根据测试集识别准确率，调整滑动时间窗深度与网络结构超参数。
S3-3、运行数据趋势预测模块根据预测值误差大小，调整滑动时间窗与网络结构超参数。
S3-4、运行状态识别模块与运行数据趋势预测模块使用各自的样本进行训练。
S4、测试运行状态识别模块与运行数据趋势预测模块，获取电力***运行态势预测结果。
作为优选，所述步骤S1-1中，对任意一条线路来说，线路两端分别会被标记为I端、J端。具体的，I端有功功率指的是流经I端的有功功率，方向由I端指向J端；J端有功功率指的是流经J端的有功功率，方向由J端指向I端。初始数据样本由电力线路的运行数据组成，主要包含I端有功功率、I端无功功率、J端有功功率、J端无功功率、I端断开标志、J端断开标志等共10种属性数据，采样时间间隔为1小时。
运行状态识别模块使用全部10种属性数据，进行训练、验证和测试；运行数据趋势预测模块使用I端有功功率、I端无功功率、J端有功功率、J端无功功率共4种关键属性数据，进行训练、验证和测试。
作为优选，所述步骤S1-3中，样本的异常值包含成块为零、非数值(NAN值)，对出现异常值的最终数据样本进行筛除。
作为优选，所述步骤S2-1中，运行状态识别模块和运行数据趋势预测模块使用的时间窗深度不同，运行数据趋势预测模块的滑动窗口要远深于运行状态识别模块。
作为优选，所述步骤S2-1中，运行状态识别模块根据运行数据来对当前线路的运行状态进行准确识别。运行数据趋势预测模块根据历史运行数据对未来时刻运行数据进行预测。运行状态识别模块和运行数据趋势预测模块均由LSTM循环神经网络模型构成，运行数据趋势预测模块的结构较运行状态识别模块要更为复杂。
本发明设计一种基于LSTM循环神经网络的电力***运行态势预测方法。主要分为两个模块，第一个模块为运行状态识别模块，通过对线路运行数据进行处理生成状态识别样本，根据生成的状态识别样本，对每条线路的运行状态进行识别和分类。第二个模块为运行数据趋势预测模块，当线路经由运行状态识别模块判别处于正常运行状态后，通过对正常运行线路的运行数据进行处理生成数据趋势预测样本，根据生成的数据趋势预测样本，对每条线路运行数据趋势进行预测。
本发明考虑一种电力***运行态势预测方法。本发明旨在通过电力***历史运行数据和LSTM循环神经网络模型来准确的对电力***运行态势的进行预测。
本发明具有以下的特点和有益效果：
采样上述技术方案，通过对电力***历史运行数据进行处理，生成对应的状态识别训练样本和数据趋势预测训练样本，分别输入搭建的运行状态识别模块和运行数据趋势预测模块进行训练，进而实现对电力***运行态势的预测。本发明一方面基于历史运行数据训练运行状态识别模块，实现由运行数据完成对***各线路运行状态的识别，另一方面基于历史运行数据训练运行数据趋势预测模块，实现由已运行数据完成对***中各线路关键数据运行趋势的预测。通过对各线路运行状态的识别和运行数据趋势的预测，从而可以进一步对整个电力***运行状态进行风险评估，不仅可以在一定程度上预防电力***的故障，保证电网的安全可靠运行，还能在***故障后及时做出应对措施，以最快速度恢复供电，最大程度减小损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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为本发明所述实施例中基于LSTM循环神经网络的电力***运行态势预测方法的流程图；
图2为本发明实施例中LSTM单元的结构示意图；
图3为本发明实施例中LSTM循环神经网络模型的结构示意图；
图4为本发明实施例中电力***线路运行状态识别模块测试的混淆矩阵；
图5为本发明实施例中电力***线路运行数据趋势预测模块对I端有功功率的预测效果图；
图6为本发明实施例中电力***线路运行数据趋势预测模块对I端无功功率的预测效果图；
图7为本发明实施例中电力***线路运行数据趋势预测模块对J端有功功率的预测效果图；
图8为本发明实施例中电力***线路运行数据趋势预测模块对J端无功功率的预测效果图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
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，可以通过具体情况理解上述术语在本发明中的具体含义。
本发明提供一种基于LSTM循环神经网络的电力***运行态势预测方法，如图1所示，包括如下步骤：
S1、数据的处理与样本的生成
S1-1、对电力线路运行数据组成的初始数据样本进行归一化处理。
具体的，所使用的初始数据样本主要包含两种类型一个是正常运行状态的初始样本，另一个是相应故障状态下的初始样本。对任意一条电力线路来说，电力线路两端分别会被标记为I端、J端，两种类型样本主要包含I端有功功率、I端无功功率、J端有功功率、J端无功功率、I端断开标志、J端断开标志、I端计算节点、J端计算节点、I端电气岛、J端电气岛，共十种属性数据。归一化处理时除I端断开标志、J端断开标志外，其余数据均按照各属性列进行归一化处理，
其中，Xnormal为归一化后的数据，X为待归一化的数据，Xmax、Xmin分别为采集的单一属性数据中最大值和最小值。
S1-2、对初始样本进行滑动采样生成最终数据样本。
需要说明的是，对于运行状态识别模块来说，选用滑动窗口深度为5的滑动窗口对初始样本全部十列属性数据进行滑动采样生成训练样本，标签为初始样本对应线路的运行状态，其中标签含有正常运行、单项故障、两向故障、三相故障以及其他故障共5中运行状态标签。对于运行数据趋势预测模块来说，选用滑动窗口深度为168的滑动窗口，对I端有功功率、I端无功功率、J端有功功率、J端无功功率四种属性数据进行滑动采样生成训练样本，对应的预测数据标签为窗口底部下一时刻的四种属性数据值。
S1-3、对最终数据样本进行异常值处理。
需要说明的是，对于滑动采集后生成的训练样本来说，会存在成块为零和含有NAN值的问题，检测存在异常值问题的样本进行剔除。
S2、搭建电力***态势预测模型
S2-1、电力***态势预测模型包含两个模块，运行状态识别模块和运行数据趋势预测模块，均由LSTM循环神经网络模型搭建。
需要说明的是，使用多个LSTM单元构成LSTM层，通过多个LSTM层与全连接层的组合实现LSTM循环神经网络模型的搭建。LSTM网络模型结构示意图如图3所示，主要由LSTM层和全连接层组成。LSTM层主要用于样本数据特征的提取，而全连接层作用是将提取的特征数据映射到样本标记空间，从而实现分类和回归的任务。输入样本经过两个LSTM层进行数据特征信息的提取，随后将提取的特征信息送入全连接网络进行分类或预测。
如图2所示，所述LSTM循环神经网络模型由LSTM层和全连接层组成。LSTM层主要由LSTM单元组成，用于样本数据特征的提取，而全连接层作用是将提取的特征数据映射到样本标记空间。LSTM单元包含细胞态(Ct)、遗忘门(ft)、输入门(it)与输出门(ot)，通过门控状态来控制传输状态，有选择地记忆重要信息，过滤噪声信息，可以有效地对时间序列数据进行学习。其中xt为本时刻的数据，ft为遗忘门，it为输入门，ot为输出门，为当前输入状态，Ct为本次单元状态，Ct-1为上个时刻单元的状态，ht为本时刻单元的输出，ht-1为上一刻单元的输出。每个时刻处理时将xt与ht-1两个矩阵直接拼接在一起作为输入，加上权重ω和偏置b。遗忘门对上次单元状态Ct-1进行选择性遗忘，得到的输出为历史信息的记忆。输入门对当前输入状态/>进行选择性输入，得到的输出为本次输入信息。历史信息的记忆与本次输入的信息求和即是本次单元状态Ct。输出门对本次单元状态进行选择性输出，得到最终的输出ht。
ft＝σ(ωf·[h(t-1)，xt]+bf)
it＝σ(ωi·[h(t-1)，xt]+bi)
ot＝σ(ωo·[h(t-1)，xt]+bo)
ht＝ot·tanh(Ct)
样本经过两个LSTM层进行数据特征信息的提取，随后将提取的特征信息送入全连接网络进行分类或预测。
S3、通过S1得到的样本，训练电力***态势预测模型
S3-1、将S1处理好的数据样本随机打乱按照比例划分为训练集、验证集和测试集。
S3-2、运行状态识别模块根据测试集识别准确率来调整滑动时间窗深度与网络结构超参数。经过调整选取时间窗深度为5，网络模型包含两个LSTM层、两个全连接层，其中LSTM层LSTM单元数分别为第一层128个、第二层256个，全连接层神经元个数分别为第一层128个、第二层5个。
S3-3、运行数据趋势预测模块根据预测值误差大小来调整滑动时间窗与网络结构超参数。经过调整选取时间窗深度为168，网络模型包含两个LSTM层、两个全连接层，其中LSTM层LSTM单元数分别为第一层256个、第二层512个，全连接层神经元个数分别为第一层256个、第二层4个。
S3-4、运行状态识别模块与运行数据趋势预测模块使用各自的样本进行训练。
S4、测试运行状态识别模块与运行数据趋势预测模块性能。
具体的，使用测试集对训练好的模型进行测试，运行状态识别模块测试混淆矩阵如图4所示。从图4中可以看出运行状态识别模块对正常运行、单相故障、两相故障、三相故障和未定类型故障五种状态进行识别测试，准确率分别为100％、94.84％、97.22％、93.08％、95.34％，模型的整体平均准确率为96.58％。运行数据趋势预测模块测试结果如图5、图6、图7和图8所示，分别为I端有功功率预测、I端无功功率预测、J端有功功率预测、J端无功功率预测。为了对模型进行准确的评估，随机挑选100个完整的数据样本进行测试，计算得出I端有功、I端无功、J端有功、J端无功的预测误差分别为5.28％、7.67％、5.47％、8.41％。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式包括部件进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (7)
1.基于LSTM循环神经网络的电力***运行态势预测方法，其特征在于，包括如下步骤：
S1、电力线路运行数据的处理与样本的生成；
S2、搭建电力***态势预测模型，该预测模型包含两个模块：运行状态识别模块和运行数据趋势预测模块，均由LSTM循环神经网络模型搭建；
S3、通过S1得到的样本，训练电力***态势预测模型；
S4、测试运行状态识别模块与运行数据趋势预测模块，获取电力***运行态势预测结果。
2.根据权利要求1所述的基于LSTM循环神经网络的电力***运行态势预测方法，其特征在于，步骤S1具体过程如下：
S1-1、对电力线路运行数据组成的初始数据样本进行归一化处理；
S1-2、对归一化处理后的初始数据样本，进行滑动采样生成最终数据样本；
S1-3、对最终数据样本进行异常值处理。
3.根据权利要求2所述的基于LSTM循环神经网络的电力***运行态势预测方法，其特征在于，在所述步骤S1-1中，对任意一条电力线路，电力线路两端分别会被标记为I端和J端；初始数据样本由电力线路的运行数据组成，包含I端有功功率、I端无功功率、J端有功功率、J端无功功率、I端断开标志、J端断开标志、I端计算节点、J端计算节点、I端电气岛、J端电气岛，共10种属性数据，采样时间间隔为1小时。
4.根据权利要求2所述的基于LSTM循环神经网络的电力***运行态势预测方法，其特征在于，在所述步骤S1-3中，所述异常值包含成块为零和非数值；
所述异常值处理为：对出现异常值的最终数据样本进行筛除。
5.根据权利要求4所述的基于LSTM循环神经网络的电力***运行态势预测方法，其特征在于，在所述步骤S2-1中，运行状态识别模块和运行数据趋势预测模块使用的时间窗深度不同，运行数据趋势预测模块的滑动窗口远深于运行状态识别模块。
6.根据权利要求5所述的基于LSTM循环神经网络的电力***运行态势预测方法，其特征在于，在步骤S3中，运行状态识别模块使用全部10种属性数据，进行训练、验证和测试；
运行数据趋势预测模块使用I端有功功率、I端无功功率、J端有功功率、J端无功功率共4种属性数据，进行训练、验证和测试。
7.根据权利要求6所述的基于LSTM循环神经网络的电力***运行态势预测方法，其特征在于，所述步骤S3具体过程如下：
S3-1、将S1处理好的数据样本随机打乱按照比例划分为训练集、验证集和测试集；
S3-2、运行状态识别模块根据测试集识别准确率，调整滑动时间窗深度与网络结构超参数；
S3-3、运行数据趋势预测模块根据预测值误差大小，调整滑动时间窗深度与网络结构超参数；
S3-4、运行状态识别模块与运行数据趋势预测模块使用各自的数据集样本进行训练和验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311057728.3A CN117036103A (zh) | 2023-08-22 | 2023-08-22 | 基于lstm循环神经网络的电力***运行态势预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311057728.3A CN117036103A (zh) | 2023-08-22 | 2023-08-22 | 基于lstm循环神经网络的电力***运行态势预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117036103A true CN117036103A (zh) | 2023-11-10 |
Family
ID=88642900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311057728.3A Pending CN117036103A (zh) | 2023-08-22 | 2023-08-22 | 基于lstm循环神经网络的电力***运行态势预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036103A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313018A (zh) * | 2023-11-29 | 2023-12-29 | 国网浙江省电力有限公司 | 一种电力输电线路异常状态识别方法及*** |
-
2023
- 2023-08-22 CN CN202311057728.3A patent/CN117036103A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313018A (zh) * | 2023-11-29 | 2023-12-29 | 国网浙江省电力有限公司 | 一种电力输电线路异常状态识别方法及*** |
| CN117313018B (zh) * | 2023-11-29 | 2024-01-30 | 国网浙江省电力有限公司 | 一种电力输电线路异常状态识别方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Capozzoli et al. | Fault detection analysis using data mining techniques for a cluster of smart office buildings | |
| CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
| Liu et al. | Sequence fault diagnosis for PEMFC water management subsystem using deep learning with t-SNE | |
| CN110146817A (zh) | 锂电池故障的诊断方法 | |
| Xu et al. | A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries | |
| Zhang et al. | A novel fault diagnosis method based on stacked LSTM | |
| CN117036103A (zh) | 基于lstm循环神经网络的电力***运行态势预测方法 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN107895212A (zh) | 基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法 | |
| Sun et al. | A novel fault prediction method based on convolutional neural network and long short-term memory with correlation coefficient for lithium-ion battery | |
| CN113011248A (zh) | 一种基于lstm的核动力装置故障诊断方法 | |
| He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
| Kim et al. | Outlier mining-based fault diagnosis for multiceli lithium-ion batteries using a low-priced microcontroller | |
| CN109615273A (zh) | 一种电动汽车充电设施状态评价方法与*** | |
| CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
| Li et al. | Battery safety risk assessment in real-world electric vehicles based on abnormal internal resistance using proposed robust estimation method and hybrid neural networks | |
| CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
| CN110956281A (zh) | 一种基于Log分析的电力设备异常检测报警*** | |
| CN114252716A (zh) | 一种电网故障诊断方法与装置、存储介质 | |
| CN208488118U (zh) | 一种变压器智能集成故障诊断*** | |
| CN115718260A (zh) | 基于cnn-lstm结合相关系数的电池故障预测方法及*** | |
| CN117805616A (zh) | 一种锂离子储能***异常电芯识别方法 | |
| CN110441725A (zh) | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 | |
| CN113949163A (zh) | 一种将大数据应用于智能电网的异常监测*** | |
| Zhao et al. | Reliable Life Prediction and Evaluation Analysis of Lithium-ion Battery Based on Long-Short Term Memory Model |
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 |