一种基于潮流参数的电网未来运行趋势预估方法及系统与流程

本发明涉及电网未来潮流趋势和计算机算法领域，具体涉及一种基于潮流参数的电网未来运行趋势预估方法及系统。

背景技术：

输电断面，也称潮流断面。在实际电力系统中，系统调度人员往往仅根据地理位置，将联络电源中心与负荷中心的若干线路选为一个输电断面。比较规范定义如下：在某一基态潮流下，有功潮流方向相同且电气距离相近的一组输电线路的集合称为输电断面。

影响电网断面潮流的因素很多，通常这些因素和电网的实际潮流数值之间是有规律和规则的，但是我们并不知道这些因素对电网潮流的实际影响有多大，造成对电网未来潮流趋势判断不准确，造成潮流断面事故。

技术实现要素：

为解决上述现有技术中的不足，本发明的目的是提供一种基于潮流参数的电网未来运行趋势预估方法及系统，研究考虑不确定性的电网未来运行趋势潮流参数预估方法，研究综合考虑运行态势不确定性和控制策略的电网运行趋势数据在线形成技术。

本发明的目的是采用下述技术方案实现的：

本发明提供一种基于潮流参数的电网未来运行趋势预估方法，其改进之处在于：

采集当前电网潮流数据以及对所述当前电网具有影响的因素对应的数据；

将采集后的数据输入至预先构建的历史电网潮流和影响因素之间的关系模型中，预估电网未来运行趋势；

所述历史电网潮流和影响因素之间的关系模型包括关键特征所占的历史电网潮流数据权重。

进一步地：所述预先构建的历史电网潮流和影响因素之间关系的模型，包括：

采集电网每个断面的历史电网潮流数据；

对每个断面对应的关键特征采集关键特征对应的数据；所述关键特征包括：新能源发电波动、母线负荷预测误差或调度计划异常；

根据历史电网潮流数据和关键特征计算关键特征所占的历史电网潮流数据权重；

对关键特征所占的历史电网潮流数据权重进行训练，得到优化后的参数权重训练结果；基于所述历史电网潮流数据、关键特征、关键特征所占的历史电网潮流数据权重构建电网潮流和影响因素之间关系的模型。

进一步地：在根据历史电网潮流数据和关键特征计算关键特征所占的历史电网潮流数据权重之前，还包括：对历史电网潮流数据和关键特征进行存储；

所述对历史电网潮流数据和关键特征进行存储包括：

将采集的历史电网潮流数据和关键特征进行数据整合，以断面为单位，将关键特征和历史电网潮流数据整合在一个数据文件中，作为参数训练的输入文件；

将整合后的历史电网潮流数据和关键特征存储到历史数据文件中。

进一步地：所述对关键特征所占的历史电网潮流数据权重进行训练，得到优化后的参数权重训练结果，包括：

从历史数据文件中获取历史电网潮流数据和关键特征；

对历史电网潮流数据和关键特征进行训练，计算关键特征所占的历史电网潮流数据权重，并对所述权重进行优化。

进一步地，所述对所述权重进行优化，包括：计算使得最小化风险函数的权重值，包括：

构建包含关键特征的权重拟合函数；

根据拟合函数构建风险函数，并计算风险函数中拟合函数与目标函数之间的残差的最大的包含关键特征的权重值。

进一步地，所述权重拟合函数的向量表示形式为：

所述风险函数表示为：

最小化风险函数表示为：

对最小化风险函数j(θ)中的每个权重参数θj求其偏导数，得到每个权重参数θj对应的梯度：

按照每个权重参数θj的负梯度方向来更新每一个权重参数θj，表示为：

式中：hθ(xⁱ)为包含关键特征的权重拟合函数的向量表示形式，θ^t＝[θ0,θ1,...,θn]，n为权重分量数，m表示关键特征样本数据，xⁱ表示第i个关键特征样本点，表示第i个关键特征样本点xⁱ的第j权重分量；yi为预设的实际正确性目标函数；α为权重参数方差的步长。

进一步地，还包括对权重进行验证，包括使用部分数据验证上述权重，判断训练结果的历史电网潮流数据和实际电网潮流数据是否一致，得到历史电网潮流数据和关键特征训练后的成功率，直到成功率满足设定阈值。

进一步地：基于所述电网潮流和影响因素之间关系的模型预估电网未来运行趋势，包括：

向所述电网潮流和影响因素之间关系的模型中输入当前的新能源发电波动、母线负荷预测误差、调度计划异常的关键特征，根据成功率满足设定阈值的历史电网潮流数据和关键特征预估电网未来潮流趋势。

本发明提供一种基于潮流参数的电网未来运行趋势预估系统，其改进之处在于：包括：

采集模块，用于采集当前电网潮流数据以及对所述当前电网具有影响的因素对应的数据；

预估模块，用于将采集后的数据输入至预先构建的历史电网潮流和影响因素之间的关系模型中，预估电网未来运行趋势；

所述历史电网潮流和影响因素之间的关系模型包括关键特征所占的历史电网潮流数据权重。

进一步地：还包括构建模块，用于构建历史电网潮流和影响因素之间的关系模型。

进一步地：所述构建模块包括：

采集子模块，用于采集电网每个断面的历史电网潮流数据；对每个断面对应的关键特征采集所述关键特征对应的数据；所述关键特征包括：新能源发电波动、母线负荷预测误差和调度计划异常；

计算子模块，用于根据历史电网潮流数据和关键特征计算关键特征所占的历史电网潮流数据权重；

训练子模块，用于对关键特征所占的历史电网潮流数据权重进行训练，得到优化后的参数权重训练结果；

建立子模块，用于基于所述历史电网潮流数据、关键特征、关键特征所占的历史电网潮流数据权重构建电网潮流和影响因素之间关系的模型。

进一步地：还包括存储模块，用于在根据历史电网潮流数据和关键特征计算满足所有潮流数据下的各个特征所占的权重之前，对历史电网潮流数据和关键特征进行存储；所述存储模块包括：

整合子模块，用于将采集的历史电网潮流数据和关键特征进行数据整合，以断面为单位，将关键特征和历史电网潮流数据整合在一个数据文件中，作为参数训练的输入文件；

保存子模块，用于将整合后的历史电网潮流数据和关键特征存储到历史数据文件中。

进一步地：所述计算子模块，还用于计算使得最小化风险函数的权重值，包括：

第一构建单元，用于构建包含关键特征的权重拟合函数；

第二构建单元根据拟合函数构建风险函数，并计算风险函数中拟合函数与目标函数之间的残差的最大的包含关键特征的权重值。

进一步地：还包括验证单元，用于使用部分数据验证上述权重，判断训练结果的历史电网潮流数据和实际电网潮流数据是否一致，得到历史电网潮流数据和关键特征训练后的成功率，直到成功率满足设定阈值。

进一步地：所述预估模块，还用于向所述电网潮流和影响因素之间关系的模型中输入当前的新能源发电波动、母线负荷预测误差、调度计划异常的关键特征，根据成功率满足设定阈值的历史电网潮流数据和关键特征预估电网未来潮流趋势。

与最接近的现有技术相比，本发明提供的技术方案具有的有益效果是：

本发明首先采集预先设定的影响因素对应的数值；采集当前电网潮流数据以及对所述当前电网具有影响的因素对应的数据；将采集后的数据输入至预先构建的历史电网潮流和影响因素之间的关系模型中，预估电网未来运行趋势，选取的影响因素精确，提高了对电网断面潮流状况预估的准确性。

电网潮流数据和影响因素精确：系统可以通过当前电网实时的数据，进行整合和处理，按照时间单位进行存储，形成有效的训练数据的集合，并可以通过多种不确定影响因素特征，对这些特征的权重进行训练。

对权重的训练准确：系统的数据是实时更新的，对因素特征训练会根据当前时间段的实际情况优化，保证趋势的预估结果更趋近于实际数值，且会提取部分数据对权重参数进行验证，更保证了预估结果的准备性。

附图说明

图1是本发明提供的一种基于潮流参数的电网未来运行趋势预估方法的详细流程图；

图2是本发明提供的一种基于潮流参数的电网未来运行趋势预估系统的结构图；

图3是本发明提供的一种基于潮流参数的电网未来运行趋势预估方法的简要流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。

本发明构建一个电网潮流和多种影响因素之间关系的模型，通过采集的大量的历史数据，对这个模型进行训练，并通过实时更新的数据对模型和参数进行优化，从而达到给定一个时间点的各个影响因素的数值就可以预估这个时间的电网断面潮流状况。本发明一种基于潮流参数的电网未来运行趋势预估方法及系统，分析电网运行态势变化过程中各类不确定因素对安全稳定分析结论的影响，提取新能源发电波动、母线负荷预测误差、调度计划异常等不确定信息的关键特征，研究考虑不确定性的电网未来运行趋势潮流参数预估方法，研究综合考虑运行态势不确定性和控制策略的电网运行趋势数据在线形成技术。包括：对历史电网潮流数据和关键特征的采集和存储；根据历史电网潮流数据和关键特征，对关键特征所占的参数权重进行训练；通过历史数据训练的参数权重结果，对电网未来运行趋势进行预估。

实施例一、

本发明提供一种基于潮流参数的电网未来运行趋势预估方法，其流程图如图1和3所示，包括下述步骤：

1)数据采集模块对历史电网潮流数据和关键特征的采集和存储；

2)参数训练模块根据历史电网潮流数据和关键特征，对关键特征所占的参数权重进行训练；

3)趋势预估模块通过历史数据训练的参数权重结果，对电网未来运行趋势进行预估。

进一步地，所述步骤1)包括下述步骤：

步骤101：数据采集模块取得电网每个断面的潮流；

步骤102：通过外部输入获取每个断面对应的新能源发电波动、母线负荷预测误差、调度计划异常等不确定信息的关键特征；

步骤103：将采集的数据存储到历史数据文件中。

进一步地，所述步骤2)包括下述步骤：

步骤201：从历史数据文件中取得大量的潮流数据和关键特征。

步骤202：对上述大数据进行训练，计算满足所有潮流数据下的各个特征所占的权重，并不断对这些权重进行优化；使用部分数据(如整体数据量的20％)代入上述权重，判断训练结果的潮流数据和实际的潮流数据是否一致，得到数据训练后的成功率，直到验证的成功率满足要求(例如成功率达到90％)。

步骤203：使用部分数据验证上述权重，判断数据训练后的成功率。

步骤204：反复执行步骤202和步骤203，直到验证的成功率满足要求。

算法举例：

以下算法是机器学习线性回归的梯度下降算法，假设特征的值为x，特征的权重为θ，下面这个h(θ)是我们的拟合函数：

也可以用向量的形式进行表示：

hθ(x)＝θ^tx

下面函数是我们需要进行最优化的风险函数，其中的每一项hθ(xⁱ)-yⁱ都表示在已有的训练集上我们的拟合函数与y之间的残差，计算其平方损失函数作为我们构建的风险函数：

m表示样本的数据。

我们的目标就是要最小化风险函数，使得我们的拟合函数能够最大程度的对目标函数y进行拟合，即：

按照传统的思想，我们需要对上述风险函数中的每个θj求其偏导数，得到每个θj对应的梯度：

这里表示第i个样本点xⁱ的第j分量，即h(θ)中的θjxj。

接下来由于我们要最小化风险函数，故按照每个参数θj的负梯度方向来更新每一个

进一步地，所述步骤3)包括下述步骤：

步骤301：输入断面对应的新能源发电波动、母线负荷预测误差、调度计划异常等不确定信息的关键特征数据。

步骤302：取得上述训练结果，计算获得预估后的未来电网运行趋势。

实施例二、

基于同样的发明构思，本发明还提供一种基于潮流参数的电网未来运行趋势预估系统，其结构图如图2所示，包括：

采集模块，用于采集当前电网潮流数据以及对所述当前电网具有影响的因素对应的数据；

预估模块，用于将采集后的数据输入至预先构建的历史电网潮流和影响因素之间的关系模型中，预估电网未来运行趋势；

所述历史电网潮流和影响因素之间的关系模型包括关键特征所占的历史电网潮流数据权重。

进一步地：还包括构建模块，用于构建历史电网潮流和影响因素之间的关系模型。

进一步地：所述构建模块包括：

采集子模块，用于采集电网每个断面的历史电网潮流数据；对每个断面对应的关键特征采集所述关键特征对应的数据；所述关键特征包括：新能源发电波动、母线负荷预测误差和调度计划异常；

计算子模块，用于根据历史电网潮流数据和关键特征计算关键特征所占的历史电网潮流数据权重；

训练子模块，用于对关键特征所占的历史电网潮流数据权重进行训练，得到优化后的参数权重训练结果；

建立子模块，用于基于所述历史电网潮流数据、关键特征、关键特征所占的历史电网潮流数据权重构建电网潮流和影响因素之间关系的模型。

进一步地：还包括存储模块，用于在根据历史电网潮流数据和关键特征计算满足所有潮流数据下的各个特征所占的权重之前，对历史电网潮流数据和关键特征进行存储；所述存储模块包括：

整合子模块，用于将采集的历史电网潮流数据和关键特征进行数据整合，以断面为单位，将关键特征和历史电网潮流数据整合在一个数据文件中，作为参数训练的输入文件；

保存子模块，用于将整合后的历史电网潮流数据和关键特征存储到历史数据文件中。

进一步地：所述计算子模块，还用于计算使得最小化风险函数的权重值，包括：

第一构建单元，用于构建包含关键特征的权重拟合函数；

第二构建单元根据拟合函数构建风险函数，并计算风险函数中拟合函数与目标函数之间的残差的最大的包含关键特征的权重值。

进一步地：所述计算子模块还包括验证单元，用于使用部分数据验证上述权重，判断训练结果的历史电网潮流数据和实际电网潮流数据是否一致，得到历史电网潮流数据和关键特征训练后的成功率，直到成功率满足设定阈值。

进一步地：所述预估模块，还用于向所述电网潮流和影响因素之间关系的模型中输入当前的新能源发电波动、母线负荷预测误差、调度计划异常的关键特征，根据成功率满足设定阈值的历史电网潮流数据和关键特征预估电网未来潮流趋势。

本发明首先采集预先设定的影响因素对应的数值；基于所述采集的数值与预先设定的电网潮流和多种影响因素之间关系的模型，对所述电网断面潮流状况进行预估。其中预先设定的电网潮流和多种影响因素之间关系的模型包括历史电网潮流数据和关键特征，选取的影响因素精确，提高了对电网断面潮流状况预估的准确性。

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、系统、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(系统)、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。

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，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。