一种电网扰动预测方法及装置与流程

本发明涉及电力系统运行与控制技术领域，特别是涉及一种电网扰动预测方法及装置。

背景技术：

随着我国电网的高速发展，电力网络之间的联系日益紧密，电网中的扰动在电网中各个节点之间的传播现象越来越常见。电网中一旦产生扰动，可能会导致连锁性事件如传输线过载、发电机振荡、电力网络中的孤岛效应甚至大停电事件。这些事件都反映了电力传输系统间连接的脆弱性和有效故障防护措施的缺失。因此，及时诊断电力故障并且研究电网间的扰动传播特性可以准确定位出脆弱的节点并且采取有前瞻性的对应措施来避免更大的损失。

目前，传统电网扰动传播的研究方法都是基于机电波理论或者复杂网络理论，这些理论研究都是在理想情况下进行的，当电网出现了扰动，需要预测扰动在各个节点之间的传播情况时，需要预先知道电网的拓扑结构和导纳数据等参数，进行电力网络安全态势评估。由于电网结构日益复杂，从而使得计算越来越复杂，效率过低，无法及时得到有效结果，从而难以运用到实际的电力网络安全态势评估中。

技术实现要素：

本发明实施例的目的在于提供一种电网扰动预测方法及装置，通过深度学习模型，不需要预先得到电网的具体物理参数，当出现扰动时，可以及时预测出扰动在各个节点之间的传播情况，提高了计算效率，从而可以及时的根据预测结果，在实际的电力网络中及时评估安全态势，并做出相应处置。具体技术方案如下：

本发明实施列提供了一种电网扰动预测方法，包括：

获取电网中节点的监测数据，所述节点为所述电网中的一个或多个通过输电线路连接或间接连接的输配电站点或变电站点，所述监测数据至少包括所述节点的母线电压值或电流值；

根据所述监测数据，判断所述节点是否发生扰动；

当所述节点中一个或多个节点发生扰动时，将所述节点当前时刻的扰动状态值作为LSTM-RTRBM深度学习模型的输入，所述扰动状态值为表示所述节点是否发生扰动的标识，所述LSTM-RTRBM深度学习模型为LSTM神经网络模型与RTRBM深度学习模型组合构成的深度学习模型；

通过所述LSTM-RTRBM深度学习模型，预测在所述当前时刻后的一个或多个时间步长内所述节点的扰动状态值；

根据所述当前时刻后的一个或多个时间步长内所述节点的扰动状态值，在所述一个或多个节点发生扰动后，且所述一个或多个节点发生的扰动没有传播之前，预测出所述扰动在所述节点之间随所述一个或多个时间步长传播的情况。

可选的，所述获取电网中节点的监测数据，包括：

获取并预处理所述电网中节点的监测数据，所述预处理至少包括对所述监测数据进行无效性验证或平滑处理，所述无效性验证用于剔除无效数据，所述平滑处理用于过滤数据传输中的噪声。

可选的，所述根据所述监测数据，判断所述节点是否发生扰动，包括：

当所述监测数据中的一个或多个节点的母线电压值大于或等于第一预设阈值时，则所述一个或多个节点发生扰动；

或者，当所述监测数据中的一个或多个节点的母线电压值小于或等于第二预设阈值时，则所述一个或多个节点发生扰动；

当所述监测数据中的一个或多个节点的母线电压值小于所述第一预设阈值并大于所述第二预设阈值时，则所述一个或多个节点不存在扰动，所述第一预设阈值大于所述第二预设阈值。

可选的，所述当所述节点中一个或多个节点发生扰动时，将所述节点当前时刻的扰动状态值作为LSTM-RTRBM深度学习模型的输入，包括：

在所述LSTM-RTRBM深度学习模型中，建立所述节点的扰动状态值，随多个时间步长变化的二维矩阵，所述节点的扰动状态值作为所述二维矩阵的元素；

当所述节点中一个或多个节点发生扰动时，将当前时刻所述节点的扰动状态值输入至所述二维矩阵，作为所述节点初始时刻的扰动状态值，其中发生扰动的所述一个或多个节点的扰动状态值为第一常数，其余所述节点中未发生扰动的节点的扰动状态值为第二常数，所述第一常数和所述第二常数为不同值，所述节点初始时刻的扰动状态值为所述二维矩阵第一行或第一列的元素值；

所述通过所述LSTM-RTRBM深度学习模型，预测在所述当前时刻后的一个或多个时间步长内所述节点的扰动状态值，包括：

通过所述LSTM-RTRBM深度学习模型，根据所述二维矩阵中，所述节点初始时刻的扰动状态值，预测所述二维矩阵中对应的，初始时刻之后的T个时间步长内所述节点的扰动状态值，其中T为大于0的自然数。

可选的，在获取电网中节点的监测数据之前，所述方法还包括：

对所述LSTM-RTRBM深度学习模型进行训练，所述训练包括所述LSTM-RTRBM深度学习模型根据训练集进行深度学习，所述训练集包括已知的多个时间步长内节点的扰动状态值的变化情况的数据。

可选的，所述对所述LSTM-RTRBM深度学习模型进行训练，包括：

将训练集划分为多个小样本集，采用并行梯度下降算法对所述LSTM-RTRBM深度学习模型进行训练。

可选的，所述预测出所述扰动在所述节点之间随时间传播的情况之后，所述方法还包括：

将提前预测出的所述节点之间随时间传播的情况进行可视化处理，并进行显示；

或者，根据提前预测出的所述节点之间随时间传播的情况，在扰动还未到达相应节点时，执行相应的继电保护策略，阻断扰动的传播。

本发明实施列还提供了一种电网扰动预测装置，包括：

获取模块，用于获取电网中节点的监测数据，所述节点为所述电网中的一个或多个通过输电线路连接或间接连接的输配电站点或变电站点，所述监测数据至少包括所述节点的母线电压值或电流值；

判断模块，用于根据所述监测数据，判断所述节点是否发生扰动；

输入模块，用于当所述节点中一个或多个节点发生扰动时，将所述节点当前时刻的扰动状态值作为LSTM-RTRBM深度学习模型的输入，所述扰动状态值为表示所述节点是否发生扰动的标识，所述LSTM-RTRBM深度学习模型为LSTM神经网络模型与RTRBM深度学习模型组合构成的深度学习模型；

计算模块，用于通过所述LSTM-RTRBM深度学习模型，预测在所述当前时刻后的一个或多个时间步长内所述节点的扰动状态值；

预测模块，用于根据所述当前时刻后的一个或多个时间步长内所述节点的扰动状态值，在所述一个或多个节点发生扰动后，且所述一个或多个节点发生的扰动没有传播之前，预测出所述扰动在所述节点之间随所述一个或多个时间步长传播的情况。

可选的，所述获取模块，具体用于：

获取并预处理所述电网中节点的监测数据，所述预处理至少包括对所述监测数据进行无效性验证或平滑处理，所述无效性验证用于剔除无效数据，所述平滑处理用于过滤数据传输中的噪声。

可选的，所述输入模块，具体用于：

在所述LSTM-RTRBM深度学习模型中，建立所述节点的扰动状态值，随多个时间步长变化的二维矩阵，所述节点的扰动状态值作为所述二维矩阵的元素；

当所述节点中一个或多个节点发生扰动时，将当前时刻所述节点的扰动状态值输入至所述二维矩阵，作为所述节点初始时刻的扰动状态值，其中发生扰动的所述一个或多个节点的扰动状态值为第一常数，其余所述节点中未发生扰动的节点的扰动状态值为第二常数，所述第一常数和所述第二常数为不同值，所述节点初始时刻的扰动状态值为所述二维矩阵第一行或第一列的元素值；

所述计算模块，具体用于：

在所述二维矩阵中，将所述节点当前时刻的扰动状态值，作为所述节点初始时刻的扰动状态值；

通过所述LSTM-RTRBM深度学习模型，根据所述二维矩阵中，所述节点初始时刻的扰动状态值，预测所述二维矩阵中对应的，初始时刻之后的T个时间步长内所述节点的扰动状态值，其中T为大于0的自然数。

本发明实施例提供的一种电网扰动预测方法及装置，在不需要提前预先得到电网的具体物理参数的前提下，通过深度学习模型，在电网出现扰动时，及时的根据当前时刻节点扰动的情况，预测出多个时间步长后，扰动在节点之间的传播情况。可以在时间和空间两个维度上预测出节点的扰动传播情况，并且不依赖电网的实际物理参数，完全的数据驱动，从而计算过程十分迅速，在扰动实际传播之前，就可以预测出多个时间步长后的传播情况，大大提高了扰动传播预测的效率和准确性，在此基础上，电网可以进行及时的安全态势评估和处置。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

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为本发明实施例提供的一种电网扰动预测方法的流程图；

图2为本发明实施例提供的LSTM神经网络模型记忆块结构示意图；

图3为本发明实施列提供的RTRBM深度学习模型的结构示意图；

图4为本发明实施列提供的LSTM-RTRBM深度学习模型的结构示意图；

图5为本发明实施例提供的另一种电网扰动预测方法的流程图；

图6为本发明实施例提供的再一种电网扰动预测方法的流程图；

图7为本发明实施例提供的一种电网扰动预测装置的结构图。

具体实施方式

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，所描述的实施例仅仅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，本领域普通技术人员在没有做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。

参见图1，图1为本发明实施例提供的一种电网扰动预测方法的流程图，包括

步骤101，获取电网中节点的监测数据，节点为电网中的一个或多个通过输电线路连接或间接连接的输配电站点或变电站点，监测数据至少包括节点的母线电压值或电流值。

电网是在电力系统中，联系发电和用电的设施和设备的统称。属于输送和分配电能的中间环节，它主要由联结成网的送电线路、变电站、配电站，换流站和配电线路等组成。其中，变电站、配电站、换流站等都可以作为电网中的节点，并且通过电网连接的发电站点或大型的用电设备等也可以作为节点。这些节点通过输电线路或配电线路进行连接，以实现电能的传输和利用。

对电网中的各种节点需要进行实时的监测，以保证在发生故障或者其他特殊情况时，通过相应的措施对节点的进行及时的保护和控制。

对于节点的监测可以有很多方法，例如通过电流互感器及电压互感器对变电站、配电站，换流站中的母线电压及电流等进行监测等。

监测数据为监测到的母线电压及电流等电力参数的具体数据。

本发明实施列中，可以通过PMU(phasor measurement unit，相量测量单元)来进行节点的监测，PMU可以安装在发电站点，变电站、配电站、换流站，重要负荷联结点、无功补偿系统等各个节点。PMU可以监测这些节点的母线电压、母线电流等各种电力参数的实时数据。能够实现对这些节点实时的监测，及时得到各种电力参数作为监测数据，为后续的步骤提供数据支持。

可以在多个节点上均安装PMU，从而实现同时对多个节点进行监测。

步骤102，根据监测数据，判断节点的是否发生扰动。

节点的扰动是指节点中的电力负载处于异常的情况，例如电压过高、电压过低或者电流过大、电流过小等等。产生节点扰动的可能原因有很多种，例如：发电机故障切除、变压器等元件故障并切除、大负荷的投入或切除、雷电对设备的冲击以及各种线路故障，如短路故障等等。

在上述的情况下，相应的节点就会发生扰动，通过在该节点处安装的监测设备，可以在节点发生扰动时，实时的监测到这些节点的各种电力参数，并将这些电力参数作为监测数据，例如：母线电压或母线电流等。

根据所获得的监测数据，可以判断出该节点是否发生了扰动。例如，母线电压值超出了正常范围，则可以认为该节点发生了扰动。

在所有进行监测的节点中，可能有一个或多个节点同时发生扰动，则同时根据监测到的一个或多个节点的监测数据判断出该一个或多个节点是否发生了扰动。

步骤103，当节点中一个或多个节点发生扰动时，将节点当前时刻的扰动状态值作为LSTM-RTRBM深度学习模型的输入，扰动状态值为表示节点是否发生扰动的标识，LSTM-RTRBM深度学习模型为LSTM神经网络模型与RTRBM深度学习模型组合构成的深度学习模型。

由于LSTM-RTRBM深度学习模型作为一种计算机深度学习模型，其输入与输出均为具体的参数，所以需要将节点是否发生扰动这一状态，用参数化的方式来体现后，再输入至LSTM-RTRBM深度学习模型。节点是否发生扰动可以用节点的扰动状态值来表示。

节点的扰动状态值可以为任何数字或者符号，用来标识出节点的扰动状态。节点的扰动状态只有两种，即发生了扰动和没有发生扰动。从需要两个不同的数字或者符号来表示节点的扰动状态。例如可以使用0来表示节点没有发生扰动，用1来表示节点发生了扰动，同样的，也可以使用a来表示节点没有发生扰动，用b来表示节点发生了扰动等等。

当节点中的一个或多个节点发生扰动时，监测设备实时的得到一个或多个节点的监测数据，并判断出该一个或多个节点发生了扰动。则可以将一个或多个节点发生了扰动的时刻作为当前时刻，将当前时刻所有节点的扰动状态值输入至LSTM-RTRBM深度学习模型，所有节点包括发生了扰动的一个或多个节点和与发生扰动的节点连接或间接连接的节点。

当然，目前很难将整个电网中所有节点的当前时刻的扰动状态值都输入至LSTM-RTRBM深度学习模型，所以，上述将当前时刻所有节点的扰动状态值输入至LSTM-RTRBM深度学习模型是指，在LSTM-RTRBM深度学习模型的运行能力范围内，将发生了扰动的一个或多个节点和尽可能多的或需要重点关注的与发生扰动的节点连接或间接连接的节点的扰动状态值输入至LSTM-RTRBM深度学习模型。

例如：使用0来表示节点没有发生扰动，用1来表示节点发生了扰动，LSTM-RTRBM深度学习模型的运算上限为5个节点，且该5个节点之间直接或间接连接。第一时刻时，第三节点发生了扰动。则第一时刻即为当前时刻，5个节点在当前时刻的扰动状态值为(0,0,1,0,0)，将(0,0,1,0,0)输入至LSTM-RTRBM深度学习模型，并根据所输入的扰动状态值，进行下一步多个时间步长内扰动状态值的预测。

LSTM-RTRBM深度学习模型为LSTM(Long Short-Term Memory,长短时记忆神经网络)神经网络模型与RTRBM(Recurrent Temporal Restricted Boltzmann Machine，时域迭代受限玻尔兹曼机)深度学习模型组合构成的深度学习模型。

LSTM神经网络模型是迭代神经网络中的一种，能够对具有时间序列，且在时间序列中存在长期依赖关系的行为或事件进行建模。从而能够根据时间序列中的长期依赖关系，对时间序列中的行为或事件进行预测。例如进行语音识别、手迹辨识和机器翻译等。

LSTM神经网络模型由一系列迭代连接的称作记忆块的子网络组成。

参见图2，图2为本发明实施例提供的LSTM神经网络模型记忆块结构示意图。

记忆块202包含一个或多个的存储单元210和三个乘性单元。其中，

三个乘性单元分别为：输入门211、输出门212和遗忘门213。三个乘性单元能够模拟神经细胞间的输入、读取和复位操作。从而能够使存储单元210具有长时间的存取信息的能力。

g221表示一个logistic sigmoid(逻辑斯蒂S形函数)函数，可以用于将输入时间序列限定到范围为[-2,2]之间，h222表示另一个logistic sigmoid函数，可以用于将存储单元的输出序列限定到范围为[-1,1]之间，通过g222和h222这两个logistic sigmoid函数，使得数据在传递过程中不容易发散。

输入层201向记忆块202输入一个或多个输入向量x_i,经过记忆块202的运算得到一个或多个输出向量y_i,向输出层203输出，同时记忆块202会在储存单元210中保存有关特征数据。

具体的，LSTM神经网络模型中记忆块的运算方法和数据处理方式，均属于现有技术，不再赘述。

RTRBM深度学习模型是一种基于能量函数的无向二分图模型，由一系列依赖于时间和历史输入序列的RBMs(Conditional Restricted Boltzmann Machine，条件受限玻尔兹曼机)组成。

参见图3，图3为本发明实施列提供的RTRBM深度学习模型的结构示意图。

图中，h^(t)表示t时刻隐藏层节点，代表输入数据的内在表达。v^(t)表示t时刻可视层节点，代表数据的输入和输出。W表示连接可视层节点和隐藏层节点的权重矩阵，W′表示连接上一时刻的隐藏层节点和下一时刻的隐藏层节点的权重矩阵，W″表示连接上一时刻的隐藏层节点和下一时刻的可视层节点的权重矩阵。表示t时刻可视层的偏置向量，表示t时刻隐藏层的偏置向量。

根据上一时刻的隐藏层状态，通过计算，能够获得下一时刻的隐藏层节点状态和下一时刻的可视层节点状态。具体的，运算过程和方法属于现有技术，此处不再赘述。

尽管LSTM神经网络模型和RTRBM深度学习模型在不同类型的数据建模中有优势，但是它们不能满足所有时域序列建模的要求。从而可以将LSTM神经网络模型和RTRBM深度学习模型组合在一起，构成LSTM-RTRBM深度学习模型。

RTRBM深度学习模型的隐藏层节点和LSTM神经网络模型的记忆块之间通过旁路连接堆叠在一起，采用LSTM神经网络模型的记忆块来存储RTRBM深度学习模型的隐藏层节点状态，就能够构成LSTM-RTRBM深度学习模型。

参见图4，图4为本发明实施列提供的LSTM-RTRBM深度学习模型的结构示意图。

同样的，h^(t)表示t时刻RTRBM深度学习模型的第一隐藏层节点，代表输入数据的内在表达。v^(t)表示t时刻可视层节点，代表数据的输入和输出。表示t时刻由LSTM神经网络模型的记忆块构成的第二隐藏层节点。

W表示连接可视层节点和第一隐藏层的权重矩阵，W′表示连接上一时刻的第二隐藏层节点和下一时刻的第一隐藏层节点的权重矩阵，W″表示连接上一时刻的第二隐藏层节点和下一时刻的可视层节点的权重矩阵，W₂表示连接同一时刻可视层节点和第二隐藏层节点的权重矩阵，W₃表示连接上一时刻的第二隐藏层节点和下一时刻的第二隐藏层节点的权重矩阵。

表示t时刻可视层的偏置向量，表示t时刻第一隐藏层的偏置向量。

LSTM-RTRBM深度学习模型可以用于预测具有时间序列的行为或事件，在不同时刻的发展状态。

通过运算可以根据上一时刻可视层节点状态、第一隐藏层节点状态和第二隐藏层节点状态预测出下一时刻的可视层节点状态、第一隐藏层节点状态和第二隐藏层节点状态，其中，第一隐藏层节点和第二隐藏层节点的状态表示待预测的具有时间序列的行为或事件不同时刻之间的内在特征关系，可视层节点状态表示具体时刻的行为或事件的状态。具体的方法，属于现有技术，此处不再赘述。

在本发明实施例中，电网中观测节点的扰动状态值就是模型的可视层节点输出值，可以依据模型预测多个时间步长内的节点的扰动状态值。

当然，图4所提供的LSTM-RTRBM深度学习模型的示意图，仅仅用来简单描述LSTM-RTRBM深度学习模型的构成方式，只能够用来表示一个节点在多个时间步长内的扰动状态值的预测，即t时刻的可视层节点v^(t)的状态，表示一个节点在T个时间步长时的扰动状态值。但在实际应用中，LSTM-RTRBM深度学习模型更为复杂，需要在图4所提供的LSTM-RTRBM深度学习模型的基础上依据监测节点的个数进行相应的叠加或扩展，从而可以同时对多个节点在多个时间步长内的扰动状态值进行预测。具体的，如何以图4所提供的LSTM-RTRBM深度学习模型为基础进行叠加或扩展，属于机器学习领域现有技术，此处不再赘述。

步骤104，通过LSTM-RTRBM深度学习模型，预测在当前时刻后的一个或多个时间步长内节点的扰动状态值。

由于节点之间通过输电线路或配电线路等相互连接或间接连接，所以当一个或多个节点发生扰动时，扰动会沿着与发生扰动的一个或多个节点连接的线路向其他节点进行传播，并会随着时间的增加向更大的范围扩散，从而对电网或电力设备造成严重影响。

上一步骤中，已经将发生扰动的当前时刻所有节点的扰动状态值输入到了LSTM-RTRBM深度学习模型中，LSTM-RTRBM深度学习模型针对节点扰动的传播模式进行过深度的学习。所以，可以根据发生扰动的当前时刻所有节点的扰动状态值预测出，一个或多个时间步长之内所有节点的扰动状态值。其中，时间步长可以是人为设定的，例如可以10ms为一个时间步长，或者20ms为一个时间步长等，只要满足需要可以人为的进行调整。

例如，发生扰动的当前时刻所有节点的扰动状态值为(0,0,1,0,0)，其中5个节点中的第三节点发生了扰动。时间步长为10ms。通过LSTM-RTRBM深度学习模型的预测，预测出1个时间步长后，节点的扰动状态值为(0,1,1,0,0)；2个时间步长后，节点的扰动状态值为(0,1,1,1,0)；3个时间步长后，节点的扰动状态值为(1,1,0,1,1)。

步骤105，根据当前时刻后的一个或多个时间步长内节点的扰动状态值，在一个或多个节点发生扰动后，且一个或多个节点发生的扰动没有传播之前，预测出扰动在节点之间随时间一个或多个时间步长传播的情况。

获得一个或多个时间步长之内所有节点的扰动状态值后，就可以根据一个或多个时间步长内所有节点的扰动值，预测出扰动在节点之间随一个或多个时间步长传播的情况。

节点在多个时间步长内的扰动状态值，反映出节点随在每一个时间步长的时间后是否发生了扰动，即扰动在每一个时间步长的时间后是否传播到了该节点。

例如，时间步长为10ms，扰动发生时的当前时刻所有节点的扰动状态值为(0,0,1,0,0)，通过LSTM-RTRBM深度学习模型的预测，预测出1个时间步长后，节点的扰动状态值为(0,1,1,0,0)；2个时间步长后，节点的扰动状态值为(0,1,1,1,0)；3个时间步长后，节点的扰动状态值为(1,1,0,1,1)。

根据以上的扰动状态值，能够预测第三节点发生扰动10ms后，扰动传播到了第二节点，20ms后，扰动传播到第四节点，30ms后，扰动传播到了第一节点和第五节点，并且第三节点扰动已经停止。

由于在计算机或其他可以LSTM-RTRBM深度学习模型运行设备中，对于节点在多个时间步长内的扰动状态值的预测属于纯数字的运算，并且可以实现分布式的计算，所以预测过程十分的迅速，可以在扰动传播之前，或者扰动传播范围较小的时候，就可以得到预测的结果，从而可以根据预测结果采取相应的措施，阻断扰动的传播或保护相应的电力设备。

在本发明实施例中，通过实时对节点的监测，在节点发生扰动时，及时得到节点的监测数据，判断出扰动状态，并将扰动状态转化成扰动状态值输入至LSTM-RTRBM深度学习模型，通过LSTM-RTRBM深度学习模型预测出多个时间步长内，所有节点的扰动状态值，从而预测出扰动随时间在节点之间的传播情况，在整个预测过程中，不需要根据电网中的各种实际物理参数进行运算，利用LSTM-RTRBM深度学习模型通过完全的数据驱动就可以预测出扰动在空间上和时间上两个维度的传播情况，提高了扰动传播预测的效率和准确性。在扰动传播到重要节点之前，提前预测出扰动的传播情况，为进行相应的保护措施争取了时间，从而保证了电网运行的安全性和稳定性。

可选的，获取电网中节点的监测数据，包括：

获取并预处理电网中节点的监测数据，预处理至少包括对监测数据进行无效性验证或平滑处理，无效性验证用于剔除无效数据，平滑处理用于过滤数据传输中的噪声。

各种监测设备，例如电流互感器、电压互感器或者PMU等设备，在对各个节点进行监测时，由于干扰等原因，可能使得监测到的监测数据存在噪声或者无效数据等。噪声或者无效数据都会对监测数据的使用造成不良的影响，容易在根据监测数据判断节点是否发生扰动时，造成误判，从而影响整个预测过程。

所以，当获得监测数据之后，可以对监测数据进行预处理，预处理可以包括对监测数据进行无效性验证或平滑处理，也可以包括现有的其他数据处理方法。预处理的过程即用来剔除所获得的监测数据中的各种噪声或无效数据等干扰因素，任何现有的处理数据以剔除干扰因素的方法，都可以在预处理过程中加以运用，都属于本发明的保护范围。

其中，通过无效性验证可以剔除所获得的监测数据中的无效数据，平滑处理可以剔除所获得的监测数据中的噪声。具体的，无效性验证和平滑处理的具体方法属于现有技术，此处不再赘述。

在本发明实施例中，在获得了监测数据后，对监测数据进行预处理，从而剔除了监测数据中的噪声或无效数据等干扰因素，使得监测数据更加准确可靠，根据监测数据进行判断扰动状态时，能够更加准确，避免误判。

可选的，根据监测数据，判断节点是否发生扰动，包括：

当监测数据中的一个或多个节点的母线电压值大于或等于第一预设阈值时，则一个或多个节点发生扰动。

或者，当监测数据中的一个或多个节点的母线电压值小于或等于第二预设阈值时，则一个或多个节点发生扰动。

监测数据中，最为重要的数据为节点中母线电压值，多数的扰动都可以根据节点的母线电压值的变化进行判断，母线电压值的超过正常范围或低于正常范围时，都可以认为该节点发生了扰动。

可以通过第一预设阈值和第二预设阈值来衡量节点的母线电压值是否超出了正常范围，第一预设阈值为母线电压值正常范围的上限，第二预设阈值为母线电压值正常范围的下限，具体的数值可以根据需要及节点的实际电力负载进行设定。

当节点的监测数据中母线电压值大于第一预设阈值或者小于第二预设阈值时，则表示母线电压值已经不处于正常范围内，从而可以认为该节点发生了扰动。

当监测数据中的一个或多个节点的母线电压值小于第一预设阈值并大于第二预设阈值时，则一个或多个节点不存在扰动，其中，第一预设阈值大于第二预设阈值。

容易理解的是，当节点的监测数据中母线电压值没有超过或低于正常范围，也就是母线电压值小于第一预设阈值并大于第二预设阈值时。可以认为该节点没有发生扰动。

在本发明实施例中，通过监测节点的母线电压值，根据母线电压值是否超过或低于母线电压值的正常范围来判断节点是否存在扰动，其中母线电压的正常范围通过第一预设阈值和第二预设阈值来体现，从而可以根据需要对第一预设阈值和第二预设阈值进行灵活的设定，使得对于是否发生扰动的判断，更加准确并且可以根据需要进行调整。

可选的，当节点中一个或多个节点发生扰动时，将节点当前时刻的扰动状态值作为LSTM-RTRBM深度学习模型的输入，包括：

第一步，在LSTM-RTRBM深度学习模型中，建立节点的扰动状态值，随多个时间步长变化的二维矩阵，节点的扰动状态值作为二维矩阵的元素。

考虑一个典型的电网，全网范围内的扰动传播扩散模式可以等效为一个按照时间和空间展开的二维矩阵，扰动传播扩散预测的关键就是挖掘矩阵元素的时空变化规律。

在LSTM-RTRBM深度学习模型的运行能力范围内，可以预测出N个节点的在T个时间步长内的扰动状态值，则可以预先在LSTM-RTRBM深度学习模型中建立起一个N×(T+1)或(T+1)×N的二维矩阵，用来表示N个节点之间，扰动随时间传播的情况。

第二步，当节点中一个或多个节点发生扰动时，将当前时刻节点的扰动状态值输入至二维矩阵，作为节点初始时刻的扰动状态值，其中发生扰动的一个或多个节点的扰动状态值为第一常数，其余节点中未发生扰动的节点的扰动状态值为第二常数，第一常数和第二常数为不同值，节点初始时刻的扰动状态值为二维矩阵第一行或第一列的元素值。

如果没有节点发生扰动，也就不需要进行扰动传播的预测，所以节点发生扰动，可以作为进行扰动传播预测的触发条件，进而开始进行预测。

当所有N个节点中的一个或多个节点发生扰动时，将发生扰动的当前时刻的所有N个节点的扰动状态值，输入至LSTM-RTRBM深度学习模型中预先建立的二维矩阵，即将当前时刻的所有N个节点的扰动状态值作为二维矩阵第一行或第一列的数值。

其中，扰动状态值可以为第一常数或第二常数，第一常数表示节点发生了扰动，第二常数表示节点没有发生扰动，第一常数和第二常数可以为任意两个不同的数字或符号，只要LSTM-RTRBM深度学习模型能够识别，并有利于计算，则都可以作为第一常数和第二常数。

节点发生扰动的当前时刻，就可以作为二维矩阵中的初始时刻。二维矩阵中第一行或第一列表示初始时刻。第二行或第二列为第一个时间步长后的时刻，以此类推。

当前时刻的节点的扰动状态值，即作为二维矩阵中初始的第一行或第一列中的数值。

例如，可以预测5个节点在2个时间步长内的扰动状态值，建立起的二维矩阵为3×5的矩阵，当前时刻第三节点发生了扰动，则将当前5个节点的扰动状态输入至二维矩阵，此时二维矩阵可以为：其中X表示待预测的扰动状态值，0表示没有发生扰动，1表示发生了扰动。该矩阵中，第一行为初始时刻，第二行为待预测的第一个时间步长后的扰动状态值，第三行为待预测的第二个时间步长后的扰动状态值。当然，建立起的二维矩阵为5×3的矩阵时，则将上述二维矩阵行和列调整位置即可。

通过LSTM-RTRBM深度学习模型，预测在当前时刻后的一个或多个时间步长内节点的扰动状态值，包括：

通过LSTM-RTRBM深度学习模型，根据二维矩阵中，节点初始时刻的扰动状态值，预测二维矩阵中对应的，初始时刻之后的T个时间步长内节点的扰动状态值，其中T为大于0的自然数。LSTM-RTRBM深度学习模型，根据二维矩阵中第一行或第一列中的扰动状态值，预测出第二行或第二列中的扰动状态值。再根据第一行和第二行，或第一列和第二列的扰动状态值预测出第三行或第三列的扰动状态值，以此类推。预测出第T+1行或第T+1列的扰动状态值，从而预测出T个时间步长内，二维矩阵中节点的扰动状态值。

在本发明实施例中，通过在LSTM-RTRBM深度学习模型中建立所有节点的扰动状态值随时间变化的二维矩阵，并根据初始的扰动状态值，预测出二维矩阵中，T个时间步长内的所有节点的扰动状态值。使得对扰动传播的预测更加直观，并且通过建立二维矩阵，使得预测过程在LSTM-RTRBM深度学习模型更容易运行，更易于得到预测结果，提高了预测效率。

可选的，在获取电网中节点的监测数据之前，方法还包括：

对LSTM-RTRBM深度学习模型进行训练，训练包括LSTM-RTRBM深度学习模型根据训练集进行深度学习，训练集包括已知的多个时间步长内节点的扰动状态值的变化情况的数据。

在使用LSTM-RTRBM深度学习模型进行预测之前，首先需要对LSTM-RTRBM深度学习模型进行训练，训练是指LSTM-RTRBM深度学习模型根据现有已知的多个时间步长内节点的扰动状态值的变化情况的数据构成的训练集进行深度学习，例如可以采用现有的BPTT(Back propagation Through Time，随时间反向传播)算法进行训练，从而使得LSTM-RTRBM深度学习模型具有预测节点在多个时间步长内扰动状态值变化的能力。

训练集可以含有现有已知的多个时间步长内节点的扰动状态值的变化情况的数据。例如，可以含有节点的扰动状态值在多个时间步长内的变化情况的案例。扰动状态值的变化情况可以是通过实际电网运行中出现过的真实的扰动传播情况得到的；也可以是利用计算机模拟出的扰动传播情况来得到。训练集中可以包含节点的扰动状态值随时间步长变化情况的多个案例的数据。

LSTM-RTRBM深度学习模型通过对训练集的深度学习，可以得到扰动状态值在多个时间步长内变化的特征关系，通过该特征关系，能够预测出一个或多个节点发生扰动后，各个节点的扰动状态值在多个时间步长内的变化情况。

具体的，LSTM-RTRBM深度学习模型通过深度学习，得到扰动状态值在多个时间步长内变化的特征关系的过程，属于机器深度学习领域的现有技术，此处不再赘述。

可选的，对LSTM-RTRBM深度学习模型进行训练，包括：

将训练集划分为多个小样本集，采用并行梯度下降算法对进行LSTM-RTRBM深度学习模型训练。

训练集中一般含有节点的扰动状态值随时间步长变化的大量数据。如果将该样本集直接用于LSTM-RTRBM深度学习模型进行训练，则会使得LSTM-RTRBM深度学习模型需要花费很长时间才能够完成对状态集的深度学习，得到扰动状态值在多个时间步长内变化的特征关系，进而能够实现对扰动状态值在多个时间步长内变化情况的预测。

为了提高LSTM-RTRBM深度学习模型的训练效率，可以将训练集进行分解，将其分解为多个小样本集。每一个小样本集中都可以含有节点的扰动状态值随时间步长变化的少量数据，通过并行梯度下降算法进行训练。

并行梯度下降算法为现有的一种机器深度学习及神经网络技术领域本的计算方法，通过该方法可以实现根据多个样本集并行进行LSTM-RTRBM深度学习模型的训练，从而提高了LSTM-RTRBM深度学习模型的训练效率。

可选的，预测出扰动在节点之间随时间传播的情况之后，方法还包括：

将提前预测出的节点之间随时间传播的情况进行可视化处理，并进行显示。

或者，根据提前预测出的节点之间随时间传播的情况，在扰动还未到达相应节点时，执行相应的继电保护策略，阻断扰动的传播。

预测出扰动在节点之间随时间传播的情况之后，可以通过图像处理技术，将预测出的结果进行可视化处理，从而使得有关人员能够直观的了解预测出的扰动传播的情况，并采取相应的措施。例如，可以采用动画的形式，将扰动随时间传播的情况进行呈现。

预测出扰动在节点之间随时间传播的情况之后，此时，实际的扰动还没有开始传播或还没有传播至较大范围。从而可以提前对预测出的，将会发生扰动的节点进行保护，采取相应的继电保护措施，从而避免扰动传播至该节点对该节点造成的不良影响或直接阻断扰动的传播。由于扰动的传播速度很快，所以电网中相应的继电保护措施可以根据预测出的扰动传播情况，自动的触发。当然，也可以由有关的操作人员进行触发。

具体的，实现扰动传播情况可视化处理的图像处理技术，在现有技术中很多可以实现的方式，可以根据需要进行选择并加以运用。同样，通过相应的继电保护措施，来避免扰动对节点的影响以及阻断扰动的传播，在现有技术中也有许多方法和成熟的技术能够实现。在此不再赘述。

在本发明实施列中，通过对扰动传播情况进行可视化处理，可以使得有关人员更加清楚的了解扰动传播的情况，有利于有关人员对节点扰动传播进行研究和分析。通过在扰动传播到达节点之前，对该节点采取相应的继电保护措施，从而避免了扰动对该节点的不良影响，并且可以及时的阻断扰动的传播，或将扰动的传播控制在较小的范围。

参见图5，图5为本发明实施例提供的另一种电网扰动预测方法的流程图，包括：

步骤501，获取PMU监测数据。

通过安装在节点处的PMU来监测节点的各种电力参数及运行状态，监测数据中可以包括节点母线电压值和母线电流值等数据。

步骤502，预处理监测数据。

对获得的PMU监测数据进行预处理，例如可以进行无效性验证或平滑处理，从而剔除监测数据中的噪声和无效数据等干扰因素。

步骤503，根据监测数据，通过预设阈值确定扰动状态值。

预设阈值可以包括多种阈值，例如可以包括母线电压的上限值和下限值，或者母线电流的上限值或下限值。当监测数据中的母线电压值或母线电流值，不在预设阈值限定的正常范围内时，则表示该节点发生了扰动，并用相应的扰动状态值来表示该节点发生了扰动。

步骤504，训练LSTM-RTRBM深度学习模型。

通过包含已知的多个时间步长内节点的扰动状态值的变化情况数据的训练集，对LSTM-RTRBM深度学习模型进行训练。从而使得LSTM-RTRBM深度学习模型能够实现对扰动状态值在多个时间步长内变化情况的预测。

步骤505，预测扰动传播情况。

节点发生扰动时，将当前时刻所有需要进行预测的节点的扰动状态值，输入至LSTM-RTRBM深度学习模型。

通过LSTM-RTRBM深度学习模型，预测出多个时间步长内，所有需要进行预测的节点的扰动状态值的变化情况。

根据需要进行预测的节点扰动状态值的变化情况，直接反映出需要进行预测的节点在多个时间步长内，扰动随时间的增加在节点之间传播的情况。

步骤506，对扰动传播情况进行可视化处理。

获得需要进行预测的节点在多个时间步长内，扰动随时间的增加在节点之间传播的情况之后，就可以通过图像处理技术，将预测出的结果进行可视化处理，从而使得有关人员能够直观的了解预测出的扰动传播的情况。

参见图6，图6为本发明实施例提供的再一种电网扰动预测方法的流程图，包括

步骤601，获取PMU监测数据。

每一个需要进行预测的节点处，都通过PMU对节点进行实时的监测。所有监测的节点数据可以汇总至控制中心，控制中心可以对所有节点的监测数据进行实时的监控和分析。

步骤602，预处理监测数据。

对获得的PMU监测数据进行预处理，从而剔除监测数据中的噪声和无效数据等干扰因素。

步骤603，确定扰动源。

扰动源是指最先发生扰动的一个或多个节点。

通过得到的监测数据，当一个或多个节点的监测数据不在正常范围内时，则认为该一个或多个节点发生了扰动，并将该一个或多个节点作为扰动源，其他监测数据处于正常范围的节点，则认为没有发生扰动。

步骤604，通过LSTM-RTRBM深度学习模型进行扰动传播范围的预测。

确定所有需要进行预测的节点的扰动状态并确定扰动源后，将扰动源发生扰动的当前时刻，将所有需要进行预测的节点的扰动状态用扰动状态值进行表示，并输入至已经进行过训练的LSTM-RTRBM深度学习模型。

通过LSTM-RTRBM深度学习模型，根据当前时刻所有需要进行预测的节点的扰动状态值，预测出多个时间步长内，所有需要进行预测的节点的扰动状态值的变化情况。通过该变化情况，可以反映出多个时间步长内，扰动从扰动源传播到了哪些节点，从而预测出多个时间步长内，扰动的传播范围。

步骤605，通过LSTM-RTRBM深度学习模型进行扰动传播时间的预测。

与步骤604同步，当LSTM-RTRBM深度学习模型预测出多个时间步长内，所有需要进行预测的节点的扰动状态值的变化情况时，可以根据该变化情况，反映出扰动从扰动源传播至其他节点的传播时间。例如，扰动源发生扰动后的2个时间步长时，第一节点发生了扰动，则表示从扰动源发生扰动的当前时刻开始，经过2个时间步长的时间后，扰动传播到了第一节点。2个时间步长的时间就是扰动传播到第一节点的扰动传播时间。

步骤606，采取相应的保护措施。

根据步骤604和步骤605预测出的扰动传播范围和扰动传播时间，在扰动还没有传播到除扰动源以外的其他节点或者传播的范围很小时，可以及时的采取相应的保护措施，对其他节点进行保护或者及时的阻断扰动的传播。

相应的保护措施可以通过预测出的扰动传播范围和扰动传播时间自动触发并执行，也可以通过有关操作人员进行触发。

具体的，相应的保护措施，以及如何触发并执行保护措施，属于电力行业现有的成熟技术，可以通过多种方式实现，在此不再赘述。

参见图7，图7为本发明实施例提供的一种电网扰动预测装置的结构图，包括：

获取模块701，用于获取电网中节点的监测数据，所述节点为所述电网中的一个或多个通过输电线路连接或间接连接的输配电站点或变电站点，所述监测数据至少包括所述节点的母线电压值或电流值；

判断模块702，用于根据所述监测数据，判断所述节点是否发生扰动；

输入模块703，用于当所述节点中一个或多个节点发生扰动时，将所述节点当前时刻的扰动状态值作为LSTM-RTRBM深度学习模型的输入，所述扰动状态值为表示所述节点是否发生扰动的标识，所述LSTM-RTRBM深度学习模型为LSTM神经网络模型与RTRBM深度学习模型组合构成的深度学习模型；

计算模块704，用于通过所述LSTM-RTRBM深度学习模型，预测在所述当前时刻后的一个或多个时间步长内所述节点的扰动状态值；

预测模块705，用于根据所述当前时刻后的一个或多个时间步长内所述节点的扰动状态值，在所述一个或多个节点发生扰动后，且所述一个或多个节点发生的扰动没有传播之前，预测出所述扰动在所述节点之间随一个或多个时间步长传播的情况。

在本发明实施例中，通过实时对节点的监测，在节点发生扰动时，及时得到节点的监测数据，判断出扰动状态，并将扰动状态转化成扰动状态值输入至LSTM-RTRBM深度学习模型，通过LSTM-RTRBM深度学习模型预测出多个时间步长内，所有节点的扰动状态值，从而预测出扰动随时间在节点之间的传播情况，在整个预测过程中，不需要根据电网中的各种实际物理参数进行运算，利用LSTM-RTRBM深度学习模型通过完全的数据驱动就可以预测出扰动在空间上和时间上两个维度的传播情况，提高了扰动传播预测的效率和准确性。在扰动传播到重要节点之前，提前预测出扰动的传播情况，为进行相应的保护措施争取了时间，从而保证了电网运行的安全性和稳定性。

本发明实施例的装置是应用上述电网扰动预测方法的装置，则上述电网扰动预测方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。

可选的，所述获取模块701，具体用于：

获取并预处理所述电网中节点的监测数据，所述预处理至少包括对所述监测数据进行无效性验证或平滑处理，所述无效性验证用于剔除无效数据，所述平滑处理用于过滤数据传输中的噪声。

可选的，所述判断模块702，具体用于：

当所述监测数据中的一个或多个节点的母线电压值大于或等于第一预设阈值时，则所述一个或多个节点发生扰动；

或者，当所述监测数据中的一个或多个节点的母线电压值小于或等于第二预设阈值时，则所述一个或多个节点发生扰动；

当所述监测数据中的一个或多个节点的母线电压值小于所述第一预设阈值并大于所述第二预设阈值时，则所述一个或多个节点不存在扰动，所述第一预设阈值大于所述第二预设阈值。

可选的，所述输入模块703，具体用于：

在所述LSTM-RTRBM深度学习模型中，建立所述节点的扰动状态值，随多个时间步长变化的二维矩阵，所述节点的扰动状态值作为所述二维矩阵的元素；

当所述节点中一个或多个节点发生扰动时，将当前时刻所述节点的扰动状态值输入至所述二维矩阵，作为所述节点初始时刻的扰动状态值，其中发生扰动的所述一个或多个节点的扰动状态值为第一常数，其余所述节点中未发生扰动的节点的扰动状态值为第二常数，所述第一常数和所述第二常数为不同值，所述节点初始时刻的扰动状态值为所述二维矩阵第一行或第一列的元素值；

所述计算模块704，具体用于：

通过所述LSTM-RTRBM深度学习模型，根据所述二维矩阵中，所述节点初始时刻的扰动状态值，预测所述二维矩阵中对应的，初始时刻之后的T个时间步长内所述节点的扰动状态值，其中T为大于0的自然数。

可选的，所述装置还包括：

训练模块，用于对所述LSTM-RTRBM深度学习模型进行训练，所述训练包括所述LSTM-RTRBM深度学习模型根据训练集进行深度学习，所述训练集包括已知的多个时间步长内节点的扰动状态值的变化情况的数据。

可选的，所述训练模块，具体用于：

将训练集划分为多个小样本集，采用并行梯度下降算法对所述LSTM-RTRBM深度学习模型进行训练。

可选的，所述装置还包括：

后处理模块，用于将提前预测出的所述节点之间随时间传播的情况进行可视化处理，并进行显示；

或者，根据提前预测出的所述节点之间随时间传播的情况，在扰动还未到达相应节点时，执行相应的继电保护策略，阻断扰动的传播。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。