基于负荷预测的电网检修方式辅助生成系统的制作方法

本发明涉及电力系统运行领域，具体是基于负荷预测的电网检修方式辅助生成系统。

背景技术：

电网检修方式是电力系统运行计划中的一项重要内容，直接关系供电系统和用户的利益，对电力系统的可靠性和经济性有很大影响。科学合理的检修方式是电网经济可靠运行和预防事故发生的重要保障。

但是，同一检修工作可能涉及多个运维站，而每个运维站允许检修的时间、可检修工作人员数量可能存在区别，同时在不同时间段检修造成的停电损失是不同的，选择停电损失较小的时间段进行检修，可以实现供电单位多售电，并减少对电力用户的影响。因此，需要一种能够协调不同运维站并提高经济性的电网检修方式生成系统。

技术实现要素：

本发明的目的是解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，基于负荷预测的电网检修方式辅助生成系统，包括数据输入模块、检修方式生成模块、检修方式优化模块、可视化调整模块和数据库。

所述数据输入模块获取气象数据、历史负荷数据和检修申报数据。

所述检修申报数据包括运维站、检修工作项目、每个检修工作项目的申请检修日期、检修时间段、运维站完成每个检修工作项目所需的检修操作人数、运维站的单日允许操作人数上限和运维站单日允许/禁止检修时间段。

检修工作项目包括对运维站一次设备、二次设备的检修。所述一次设备包括发电设备和输变电设备。所述二次设备包括仪表、控制、继电保护和安全自动装置。

所述检修方式生成模块调取数据输入模块的检修申报数据，并生成下一个计划检修周期的初步检修方式，并发送至检修方式优化模块。所述检修方式包括在一个检修周期内，每个运维站承担的所有检修工作项目的检修日期、检修时间段和每个检修日期对应的检修操作人数，根据以上信息，检修方式生成模块生成初步检修计划。

1)所述检修方式优化模块接收检修方式生成模块生成的下一个计划检修周期的初步检修方式；

2)所述检修方式优化模块调取历史负荷数据和气象数据，对下一个计划检修周期每一条线路或待检修设备进行负荷预测。

基于神经网络的负荷预测方法如下：

所述神经网络包括以全连接的方式连接的输入层、多个隐含层和输出层。输入层的输入样本数据x包括预测检修日的气象数据、预测检修日前一天24时刻的电量。

隐含层层与隐含层层之间的数据传递公式如下：

a^l＝s(w^l-1a^l-1+b^l-1)(1)

式中，a^l代表第l层隐含层神经元的输出，w^l-1为连接第l-1层隐含层和第l层隐含层神经元的权值矩阵，b^l-1为第l层隐含层神经元的偏置项。

其中，隐含层激活函数s(x)如下所示：

s(x)＝max(0.01x,x)(2)

式中，x为输入样本数据，包括预测检修日的气象数据、预测检修日前一天24时刻的电量。

输出层激活函数如下所示：

s(x)＝x(3)

神经网络预测检修日供电量的步骤如下：

2.1)获取输入样本数据集x和预测检修日i输入样本数据，并利用z-score函数进行归一化处理，得到：

式中，x^*为归一化后的输入样本数据。x为待归一化的输入样本数据。μ为样本均值，σ为样本标准差。i为预测检修日编号。

2.2)计算预测检修日i输入样本数据和每个输入样本数据之间的欧式距离，并以欧式距离的前m个输入样本数据作为神经网络训练样本数据。

2.3)依次采用无监督预训练和有监督微调对神经网络进行训练，得到训练后的神经网络。

2.4)将归一化后的预测检修日i输入样本数据输入到训练后的神经网络中，得到神经网络输出数据y^*。对神经网络输出数据y^*进行反归一化，得到预测检修日供电量y。

预测检修日供电量y如下所示：

y＝y^*σ+μ(5)

2.5)判断i<n是否成立，若成立，则将预测检修日i的输入样本数据和预测检修日供电量y写入输入样本数据集x中，令i＝i+1，并返回步骤2.1)。若不成立，则输出每个预测检修日的供电量。n为预测检修日总数。

3)根据负荷预测结果，在检修时长不变的前提下，随机选择一项检修工作，并将随机选择的检修工作的检修日期和时间段调整为停电电量损失最小的检修日期和时间段t；

4)针对任一检修对象，在存在n个检修工作的时间段t，按照减少损失电量对检修工作进行降序排列；在安全校核和产能允许范围内，选取前l个检修计划作为所述检修设备在时间段t下的检修计划；l≤n；l、n为正整数；检修对象为馈出线路或者电力设备；

5)确定调整后所述检修对象相较于时间段t增加的损失电量最小的时间段t'；更新t＝t'，n＝n-l，并返回步骤4)，直至下一个检修周期内所有检修工作已安排，或者已耗尽可用检修人力资源或产能。

所述可视化调整模块显示优化后的电网检修方式。

所述可视化调整模块具有可视化的电网检修方式调整模块。使用者通过所述电网检修方式调整模块调整电网检修方式。

所述数据库存储数据输入模块、检修方式生成模块、检修方式优化模块和可视化调整模块的数据。

本发明的技术效果是毋庸置疑的。本发明可以对不同检修工作项目、不同运维站进行协调，在保证在申请日期内完成检修计划的同时，使检修停电损失电量达到最小。

附图说明

图1为预测比对结果1表格；

图2为预测比对结果1曲线图；

图3为预测比对结果2表格；

图4为预测比对结果2曲线图；

图5为经济计划报表统计结果展示；

图6为多层神经网络结构示意图；

图7为电量预测的操作流程；

图8为多日电量预测的操作流程；

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

参见图1至图8，基于负荷预测的电网检修方式辅助生成系统，包括数据输入模块、检修方式生成模块、检修方式优化模块、可视化调整模块和数据库。

所述数据输入模块获取气象数据、历史负荷数据和检修申报数据。

所述检修申报数据包括运维站、检修工作项目、每个检修工作项目的申请检修日期、运维站完成每个检修工作项目所需的检修操作人数、运维站的单日允许操作人数上限和运维站单日允许/禁止检修时间段。

检修工作项目包括对运维站一次设备、二次设备的检修。所述一次设备包括发电设备和输变电设备。所述二次设备包括仪表、控制、继电保护和安全自动装置。

所述检修方式生成模块调取数据输入模块的检修申报数据，并生成下一个计划检修周期的初步检修方式，并发送至检修方式优化模块。所述检修方式包括在一个检修周期内，每个运维站中所有检修工作项目的检修日期和每个检修日期对应的检修操作人数。

所述检修方式生成模块生成电网检修方式的步骤如下：

1)所述检修方式优化模块接收检修方式生成模块生成的下一个计划检修周期的初步检修方式；

2)所述检修方式优化模块调取历史负荷数据和气象数据，对下一个计划检修周期每一条线路或待检修设备进行负荷预测。基于神经网络的负荷预测结果为检修经济性优化的依据。

基于神经网络的负荷预测方法如下：

所述神经网络包括以全连接的方式连接的输入层、多个隐含层和输出层。输入层的输入样本数据x包括预测检修日的气象数据、预测检修日前一天24时刻的电量。

隐含层层与隐含层层之间的数据传递公式如下：

a^l＝s(w^l-1a^l-1+b^l-1)(1)

式中，a^l代表第l层隐含层神经元的输出，w^l-1为连接第l-1层隐含层和第l层隐含层神经元的权值矩阵，b^l-1为第l层隐含层神经元的偏置项。

其中，隐含层激活函数s(x)如下所示：

s(x)＝max(0.01x,x)(2)

式中，x为输入样本数据，包括预测检修日的气象数据、预测检修日前一天24时刻的电量。

输出层激活函数如下所示：

s(x)＝x(3)

神经网络预测检修日供电量的步骤如下：

2.1)获取输入样本数据集x和预测检修日i输入样本数据，并利用z-score函数进行归一化处理，得到：

式中，x^*为归一化后的输入样本数据。x为待归一化的输入样本数据。μ为样本均值，σ为样本标准差。i为预测检修日编号。

2.2)计算预测检修日i输入样本数据和每个输入样本数据之间的欧式距离，并以欧式距离的前m个输入样本数据作为神经网络训练样本数据。

2.3)依次采用无监督预训练和有监督微调对神经网络进行训练，得到训练后的神经网络。

2.4)将归一化后的预测检修日i输入样本数据输入到训练后的神经网络中，得到神经网络输出数据y^*。对神经网络输出数据y^*进行反归一化，得到预测检修日供电量y。

预测检修日供电量y如下所示：

y＝y^*σ+μ(5)

2.5)判断i<n是否成立，若成立，则将预测检修日i的输入样本数据和预测检修日供电量y写入输入样本数据集x中，令i＝i+1，并返回步骤2.1)。若不成立，则输出每个预测检修日的供电量。n为预测检修日总数。

3)根据负荷预测结果，在检修时长不变的前提下，随机选择一项检修工作，并将随机选择的检修工作的检修日期和时间段调整为停电电量损失最小的检修日期和时间段t；

4)针对任一检修对象，在存在n个检修工作的时间段t，按照减少损失电量对检修工作进行降序排列；在安全校核和产能允许范围内，选取前l个检修计划作为所述检修设备在时间段t下的检修计划；l≤n；l、n为正整数；检修对象为馈出线路或者电力设备；

5)确定调整后所述检修对象相较于时间段t增加的损失电量最小的时间段t'；更新t＝t'，n＝n-l，并返回步骤4)，直至下一个检修周期内所有检修工作已安排，或者已耗尽可用检修人力资源或产能所述可视化调整模块显示优化后的电网检修方式。

所述可视化调整模块具有可视化的电网检修方式调整模块。使用者通过所述电网检修方式调整模块调整电网检修方式。

所述数据库存储数据输入模块、检修方式生成模块、检修方式优化模块和可视化调整模块的数据。

实施例2：

参见图1至图8，基于负荷预测的电网检修方式辅助生成系统，包括数据输入模块、检修方式生成模块、检修方式优化模块、可视化调整模块和数据库。

所述数据输入模块获取气象数据、历史负荷数据和检修申报数据。

所述检修申报数据包括运维站、检修工作项目、每个检修工作项目的申请检修日期、运维站完成每个检修工作项目所需的检修操作人数、运维站的单日允许操作人数上限和运维站单日允许/禁止检修时间段。

检修工作项目包括对运维站一次设备、二次设备的检修。所述一次设备包括发电设备和输变电设备。所述二次设备包括仪表、控制、继电保护和安全自动装置。

所述检修方式生成模块调取数据输入模块的检修申报数据，并生成下一个计划检修周期的初步检修方式，并发送至检修方式优化模块。所述检修方式包括在一个检修周期内，每个运维站中所有检修工作项目的检修日期和每个检修日期对应的检修操作人数。

所述检修方式生成模块生成电网检修方式的步骤如下：

1)所述检修方式生成模块调取数据输入模块的检修申报数据，并初步生成下一个计划检修周期的检修方式；

2)所述检修方式优化模块调取历史负荷数据和气象数据，对下一个计划检修周期每一条线路或待检修设备进行负荷预测。基于神经网络的负荷预测结果为检修经济性优化的依据。

基于神经网络的负荷预测方法如下：

所述神经网络包括以全连接的方式连接的输入层、多个隐含层和输出层。输入层的输入样本数据x包括预测检修日的气象数据、预测检修日前一天24时刻的电量。

隐含层层与隐含层层之间的数据传递公式如下：

a^l＝s(w^l-1a^l-1+b^l-1)(1)

式中，a^l代表第l层隐含层神经元的输出，w^l-1为连接第l-1层隐含层和第l层隐含层神经元的权值矩阵，b^l-1为第l层隐含层神经元的偏置项。

其中，隐含层激活函数s(x)如下所示：

s(x)＝max(0.01x,x)(2)

式中，x为输入样本数据，包括预测检修日的气象数据、预测检修日前一天24时刻的电量。

输出层激活函数如下所示：

s(x)＝x(3)

式中，x为输入到输出层的数据。

神经网络预测检修日供电量的步骤如下：

2.1)获取输入样本数据集x和预测检修日i输入样本数据，并利用z-score函数进行归一化处理，得到：

式中，x^*为归一化后的输入样本数据。x为待归一化的输入样本数据。μ为样本均值，σ为样本标准差。i为预测检修日编号。

2.2)计算预测检修日i输入样本数据和每个输入样本数据之间的欧式距离，并以欧式距离的前m个输入样本数据作为神经网络训练样本数据。

2.3)依次采用无监督预训练和有监督微调对神经网络进行训练，得到训练后的神经网络。

2.4)将归一化后的预测检修日i输入样本数据输入到训练后的神经网络中，得到神经网络输出数据y^*。对神经网络输出数据y^*进行反归一化，得到预测检修日供电量y。

预测检修日供电量y如下所示：

y＝y^*σ+μ(5)

2.5)判断i<n是否成立，若成立，则将预测检修日i的输入样本数据和预测检修日供电量y写入输入样本数据集x中，令i＝i+1，并返回步骤2.1)。若不成立，则输出每个预测检修日的供电量。n为预测检修日总数。

3)根据负荷预测结果，在检修时长不变的前提下，将某一项检修工作调整至停电电量损失最小(因而售电收入损失也最小)的日期及时段进行。

4)在各馈出线或设备停电电量损失最小时段集中度较高或重叠较严重的情况下，在安全校核及产能允许范围内，按照调整后减少损失电量由多到少的顺序，调整停电检修方式。对于因检修人员不足，无法安排至损失最小时段进行停电检修的馈出线路或设备，则按照调整后该线路或设备相较于最优时段增加的损失电量由少到多的顺序进行停电时段的次优选择。

5)重复步骤2)至步骤4)，直到下一个检修周期内所有检修工作已安排，或者已安排检修工作已耗尽该检修单位的所有检修人力资源或产能。

所述可视化调整模块显示优化后的电网检修方式。

所述可视化调整模块具有可视化的电网检修方式调整模块。使用者通过所述电网检修方式调整模块调整电网检修方式。

所述数据库存储数据输入模块、检修方式生成模块、检修方式优化模块和可视化调整模块的数据。

实施例3：

使用基于负荷预测的电网检修方式辅助生成系统的方法，主要如下：

1)所述电网检修方式生成模块根据每项检修计划需要的各运维站操作人数(填报计划时人工填入)、各运维站单日能允许的人数上限，通过类似棋盘的图形化界面，将每项计划图形化为一个高度可变(高度为该工作所需运维人数)的积木块，辅助运维车间的检修专责进行计划的图形化初安排，初安排后，定格的日期，应能一键化确认后，自动更新覆盖原计划的申报日期。参见表1至表3，单项检修工作可能涉及两个运维站操作，应联动关联，如下表的检修工作1，同时涉及永川、荣昌运维站，挪动该计划时应同步。

表1永川运维站检修工作

表2荣昌运维站永川运维站检修工作

表3双桥运维站永川运维站检修工作

2)在后续的多检修项目月、周计划优化安排模块，将各运维站单日能允许的人数上限作为边界约束条件，超过边界后，该日不能再继续安排，只能另行选择次优日期或重新计算选择该日可安排的计划，取两者的最优。

3)所述电网检修方式优化模块对电网检修方式的单检修工作项目进行优化：

3.1)根据气象、历史负荷(电量)等数据，利用内嵌的优化算法模型，预测单条线路停电、任意组合的多条线路同停时，下月、下周的每日减供电量，在oms(检修工单管理系统)月度检修计划编制模块以适当界面形式展示出来。

3.2)首先判断是否会造成对外停电(原则上可在页面上设置选项框由人工选择)，如是，应可通过以下方式自动获得，并允许人工对预测对象再次修正：

i)在“停电范围”中填写了单条线路、多条线路名称的，自动取出生成在“待确认预测对象”框，并允许人工核查、修正(避免可能因“停电范围”中填写的设备调度名称不规范，和数据库中该设备标准的调度名称不一致，引起预测对象漏取、错取)，人工核查、修正并点击确认后自动生成在“预测对象”框。

ii)在“停电范围”中填写的是停母线等未明确具体线路名称的，可自动根据所涉及的母线、数据库中该母线供出的所有线路、配网互联互代基本数据库(excel表格导入或单独开发页面录入、常态维护)，自动筛选剔除可互代的线路、可互代的线路的部分线段(按已知的可互代率百分比)后，将本次检修停电实际将造成的对外停电线路生成在“待确认预测对象”框，并允许人工核查、修正，人工核查、修正并点击确认后自动生成在“预测对象”框。

3.3)辅助安排的时间，在优化计算入口，设置本检修工作“白名单”式的允许时间段(如只允许白天6:00-22:00停电)、“黑名单”式的禁止时间段(如禁止周一至周五工作日停电)，优化计算只能在指定的时间段内寻找最优。

4)所述电网检修方式优化模块对电网检修方式的所有检修工作项目进行优化：

4.1)根据“停电范围”(大范围包括小范围、相同范围)，自动标记、关联对应的某几项检修计划，便于后续综合优化或人工调整。

4.2)完成了以上针对单项检修停电的优化计算、待选日期排序后，在给定的约束条件下(如某供电片区单日只能安排**项等)，实现多项(所有录入的将造成对外停电的月计划或周计划)检修停电的综合寻优，并自动完成月或周计划的初安排，显示初安排后的总加减供电量。综合寻优即是在单项计划的待选日期排序列表中，以总加减供电量最小为目标，自动搜寻计算、安排每项计划的推荐进行日期。

4.3)综合寻优结果允许人工再次调整，比如：如果某单项检修停电推荐出了最佳日期，但因为所涉及的某重要客户不同意该日期、保电等不便于用给定约束条件表述的客观原因，导致需人工调整。总加减供电量应根据人工调整后的结果，实时显示、变化，辅助人工调整，选择一个相对合理、次最优的安排。