相似类型时间断面的确定方法、装置以及电子设备与流程

本申请涉及电力系统技术领域，尤其是涉及一种相似类型时间断面的确定方法、装置以及电子设备。

背景技术：

在电力系统领域中，电力系统的时间断面指的是电力系统在某一个时刻时电网的整体运行状态，其中包括有这一时刻电网运行的发电机发电量、电气状态、母线电压和设备状态等各项数据信息。电网在实际运行中会每隔5分钟至15分钟保存一次电力系统的时间断面。

在电力系统的实际调度工作中，电力系统的运行决策安排过程需要考虑很多因素，而时间断面是对电网运行方式安排、运行决策、静态安全分析、潮流优化、稳定性计算等诸多工作的重要依据。在实际应用中，若在历史时间段内存在与当前的时间断面极为相似的某一历史时间断面，便能够直接根据该历史时间断面下的电力系统运行决策安排，来进行当前时刻的运行决策安排，以节省人力、提高效率，而且避免人工的主观判断影响运行决策效果。

一般在电力系统中，一个时间断面中包括的电网运行状态的数据量很多，现有的相似类型时间断面的确定过程会考虑到这些大量的电网运行状态量，从而导致相似类型时间断面的确定过程的效率较低。

技术实现要素：

本申请的目的在于提供一种相似类型时间断面的确定方法、装置以及电子设备，以解决相似类型时间断面的确定过程的效率较低的技术问题。

第一方面，本申请实施例提供了一种相似类型时间断面的确定方法，包括：

从电力系统的时间断面的状态特征量中选取出目标参量，所述目标参量用于表示所述状态特征量中的数值不随时间而变化的特征量；

基于所述目标参量确定目标时间断面，并根据用户输入对所述目标时间断面添加标签，其中，所述目标时间断面中的状态特征量包括所述目标参量，所述标签为多个所述目标时间断面之间的相似性分类结果；

将带有所述标签的目标时间断面作为所述初始卷积神经网络模型的训练样本，将多个所述训练样本输入至所述初始卷积神经网络模型，以对所述初始卷积神经网络模型进行训练，得到目标卷积神经网络模型。

第二方面，本申请实施例还提供一种相似类型时间断面的确定装置，包括：

选取模块，用于从电力系统的时间断面的状态特征量中选取出目标参量，所述目标参量用于表示所述状态特征量中的数值不随时间而变化的特征量；

确定模块，用于基于所述目标参量确定目标时间断面，所述目标时间断面中的状态特征量包括所述目标参量；

标签模块，用于根据用户输入对所述目标时间断面添加标签，其中，所述标签为多个所述目标时间断面之间的相似性分类结果；

训练模块，用于将带有所述标签的目标时间断面作为所述初始卷积神经网络模型的训练样本，将多个所述训练样本输入至所述初始卷积神经网络模型，以对所述初始卷积神经网络模型进行训练，得到目标卷积神经网络模型。

第三方面，本申请实施例还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述如第一方面所述的方法的步骤。

第四方面，本申请实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行如第一方面所述的方法。

本方案中，由于先从电力系统时间断面的状态特征量中选取出数值不随时间而变化的目标参量，再使目标时间断面中的状态特征量为这些目标参量，因此，在利用目标时间断面对初始卷积神经网络模型进行训练的过程中，仅需计算目标时间断面的静态物理量，即数值不随时间而变化的目标参量，使需要计算的数据量大大减少，进而更加快速且效率的得到能够对相似时间断面进行准确分类的目标卷积神经网络模型，以便快速的利用该目标卷积神经网络模型进行相似类型时间断面的确定，从而提高相似类型时间断面的确定过程的效率。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，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示出了本申请实施例所提供的相似类型时间断面的确定方法的流程图；

图2示出了本申请实施例所提供的初始卷积神经网络的基本结构示意图；

图3示出了本申请实施例所提供的卷积运算过程的流程图；

图4示出了本申请实施例所提供的匹配准确率随迭代次数而变化的示意图；

图5示出了本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中，提出了许多具体细节，以便提供对本发明的全面理解。但是，对于本领域技术人员来说很明显的是，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明的更好的理解。本发明决不限于下面所提出的任何具体配置和算法，而是在不脱离本发明的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中，没有示出公知的结构和技术，以便避免对本发明造成不必要的模糊。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

此外，本发明的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

电网运行多年来，保存了大量历史运行的时间断面数据和对应的工作票信息，这些历史信息形成了以电网风险管控为中心，汇聚了运行方式安排、安控措施、检修票批答、事故处理预案、电网时间断面数据等大量的运行管理信息。

目前，在电力系统中，一个时间断面中包括的电网运行状态的数据量很多，现有的相似类型时间断面的确定过程会考虑到这些大量的电网运行状态量，从而导致相似类型时间断面的确定过程的效率较低。

基于此，本申请实施例提供的一种相似类型时间断面的确定方法、装置以及电子设备，可以解决现有技术中存在的相似类型时间断面的确定过程的效率较低的技术问题。

为便于对本实施例进行理解，首先对本申请实施例所公开的一种相似类型时间断面的确定方法、装置以及电子设备进行详细介绍。

本申请实施例提供的一种相似类型时间断面的确定方法，如图1所示，该方法包括：

s11：从电力系统的时间断面的状态特征量中选取出目标参量，目标参量用于表示状态特征量中的数值不随时间而变化的特征量。

需要说明的是，状态特征量用于表示电力系统在一个时刻的电网运行状态，时间断面是由一组状态特征量定义。本步骤中，是在这个一组状态特征量中，选取出固定不变的特征量，便为目标参量。尤为一个优选方案，目标参量可以为静态物理量，以达到数值不随时间而变化的特征量。

例如，本步骤中，根据已有电力系统的特性选取能够表征电网各部分信息的状态特征量，并构建特征量库和统计量库，以建立能够全面表征电网空间各部分信息的特征量库和统计量库。其中，建特征量库可以为运行断面特征化提供上千个特征量。

在建立特征量库之后，还需再进一步根据规则筛选最合适的特征量集合，以从筛选出数值不随时间而变化的静态特征量。因此，本步骤具体可以包括以下步骤：首先，对电网存储的多源异构时空信息进行清理、整合和排列；然后，根据已有电力系统知识选取能够表征电网各部分信息的特征量，并构建特征量库；之后，对特征量库中的特征量进行筛选或改进，使其更加适应算法的需求；最后，根据已有条件，选取合适的机器学习或深度学习算法展开数据挖掘工作。因此，基于这一技术路线，本实施例首先建立了能够表征运行断面信息的特征量库，为避免复杂的暂态稳定计算，在筛选特征量集合的过程中所选取的特征量以静态物理量为主，从而除去了特征量库中的很多因时间变化而变化的不稳定的状态量，使后续的分类过程中复杂的暂态稳定计算的过程得到减少。

s12：基于目标参量确定目标时间断面，目标时间断面中的状态特征量包括目标参量。

本步骤中，确定出的目标时间断面中的状态特征量为目标参量，以实现目标时间断面是通过目标参量所定义。因此，目标时间断面便是由部分状态特征量所定义，而该部分状态特征量便是目标参量。因此，实现了对目标时间断面中的状态特征量进行有效的信息浓缩，以提高后续的数据计算处理过程的效率。

s13：根据用户输入对目标时间断面添加标签，其中，标签为多个目标时间断面之间的相似性分类结果。

步骤s12中的目标时间断面便为训练样本，为了便于后续的训练过程，本步骤中，对步骤s12中的目标时间断面添加上表示多个目标时间断面之间的相似性分类结果的标签。

s14：将带有标签的目标时间断面作为初始卷积神经网络模型的训练样本，将多个训练样本输入至初始卷积神经网络模型，以对初始卷积神经网络模型进行训练，得到目标卷积神经网络模型。

通过步骤s11至s13，构造了监督学习所需的训练样本。本步骤中，利用带标签的训练样本，进行监督学习，训练优化深度卷积神经网络的各项参数，以实现通过数据驱动的方式，从原始数据中提取由低层到高层、由具体到抽象的特征。

本实施例中，利用了带有标签的样本数据，进行监督学习，训练优化深度卷积神经网络的各项参数。训练后目标卷积神经网络模型能够充分利用深层构架挖掘样本数据与相似性结果之间的潜在映射关系，进而快速的得到准确率较高的相似性匹配结果。

为了便于后续训练过程的有效进行，上述基于目标参量确定目标时间断面的步骤(即步骤s12)，可以包括以下步骤：

将目标参量转换为矩阵的形式；利用矩阵形式的目标参量表示目标时间断面，以使目标时间断面中的状态特征量为矩阵形式的目标参量。因此，本步骤中，根据后续训练过程中的算法需要，将目标时间断面整理成特定的格式，以便于后续卷积神经网络训练过程的有序进行，提升训练过程的效率。

其中，目标参量可以包括：电网运行的线路潮流数据、节点电压、负荷量、网架结构中的至少一种。以实现每一训练样本尽量将时间断面的潮流、负荷、节点电压和网架结构等有效信息全部包含在内，最大程度上减少关键特征的缺失，从而达到更高的相似度匹配精度。

对于训练样本集的构建过程，以电力系统中的ieee39节点系统为例进行说明。考虑发电机出力在基础潮流数据情况下在±40％范围内随机波动，各负荷节点的负荷数据在基础潮流数据基础上在±20％范围内随机波动，且为了保证各母线电压维持在0.95p.u.-1.05p.u.的合理范围内，共构建10000个带有相似性标签的样本，从而为深度学习算法分类器的参数训练过程提供数据支持。

为了对初始卷积神经网络模型进行有效使用，在将多个训练样本输入至初始卷积神经网络模型的步骤(步骤s14中的过程)之前，还可以包括以下步骤：

(1)构建卷积神经网络的网络结构，在普通神经网络的基础上，增加一个由卷积层和采样层构成的特征抽取器。

(2)对采样层和卷积层进行卷积运算。

需要说明的是，一般情况下，卷积运算是对两个突变函数的一种数学运算。设x()，w()是r上的两个可积函数，做积分：s(t)＝∫x(a)w(t-a)da，可以证明，关于几乎所有的实数t，上述积分是存在的。这样，随着t的不同取值，这个积分就定义了一个新的函数s(t)，称为函数x和w的卷积，记为s(t)＝(x*w)(t)。

(3)对采样层进行采样运算。

采样层又称池化层，主要用于对特征数据进行降采样，降低输入矩阵的大小，以便降低其空间冗余度和网络计算成本。在卷积神经网络中，采样层一般位于每一次卷积之后，采样层对输入的每一个卷积层产生的特征进行独立的降采样。卷积和采样大大简化了模型复杂度，减少了模型参数。

例如，如图2所示，卷积神经网络的输入层是一个28*28的矩阵，设定卷积层1包含6个特征数据，通过一种类似卷积的运算后，每一个特征数据是一个24*24的矩阵；通过采样运算得到采样层1，共6个特征数据，每一特征数据为一个12*12的矩阵，且采样层和卷积层的特征数据一一对应；重复卷积和采样的运算，直到输入矩阵以向量的形式被输出。

如图3所示，通过核函数的卷积运算，类似于普通神经网络中的权值。由于输入层只有一个特征数据，因而卷积层1中有6个特征数据，对应1*6个卷积核，至卷积层2中有12个特征数据，所以两层之间共有6*12个卷积核，这一层中的每个特征数据就是采样层1中的每一特征数据与相应卷积核作卷积运算，然后累加求和，再加上偏置，再带入激励函数s型生长曲线(sigmoidfunction，简称sigmoid函数)。卷积核通常为一个非常稀疏的矩阵，这是由于卷积核的大小通常要远小于输入图像的大小。这样能够更加高效地处理大数据的情景。

为了卷积神经网络模型的训练过程的有效进行，在将多个训练样本输入至初始卷积神经网络模型，以对初始卷积神经网络模型进行训练，得到目标卷积神经网络模型的步骤(步骤s14中的过程)，可以包括以下步骤：

以本实施例构建的带有相似性标签的训练样本为基础，在载入训练集训练模型之前，需要预先设置卷积神经网络的基本参数规格，如卷积、降采样层的数量、卷积核的大小，降采样的幅度等；然后调用训练样本，开始训练，计算并传递神经网络的错误率，进而对模型参数进行校正。

作为本实施例的另一种实施方式，本实施例中提供的方法还可以包括对目标卷积神经网络模型的测试过程，以通过测试过程对目标卷积神经网络模型的有效性进行验证。例如，在进行训练样本的确定过程中同时构建测试样本。

具体的，先构建测试和训练样本集，以ieee39节点系统为例进行说明。考虑发电机出力在基础潮流数据情况下在±40％范围内随机波动，各负荷节点的负荷数据在基础潮流数据基础上在±20％范围内随机波动，且保证各母线电压维持在0.95p.u.-1.05p.u.的合理范围内，共构建了10000个带有相似性标签的样本，在模型训练时随机分成两组，其中一组是包含9000个样本的训练样本集，另一组是包含1000个样本的测试样本集，从而为深度学习算法分类器的参数训练和模型测试提供数据支持。

因此，应用深度卷积神经网络进行运行断面的相似性匹配工作，实际是类比卷积神经网络算法应用于图像分类和人脸识别的分类或匹配模式。图像的本质是一个由像素点组成的矩阵，而卷积神经网络以其局部权值共享的特殊结构在这一情境下的特征提取有着独特的优越性。考虑到电力系统各方面信息的数学表达形式也通常为矩阵形式，可尝试将每一运行断面看作是相应电力系统的一张“图片”。在此基础上对运行断面特征化，选取适当的特征量集合，从而以运行断面的绝大部分信息为基础，构建矩阵形式的运行断面样本，且对每一特征量都进行标准化处理。因此，每一运行断面样本最终都以一组n*m的矩阵形式呈现(其中，n为特征量数，m为特征向量的维度，通常为节点数)，作为卷积神经网络模型的输入量，相似性分类结果作为输出量，利用多层卷积和采样对分类器进行训练。

然后，以实施例构建的10000个带有相似性标签的样本为基础，载入训练集和测试集后，需要预先设置卷积神经网络的基本参数规格，如卷积、降采样层的数量、卷积核的大小、降采样的幅度等。然后调用训练样本，开始训练，计算并传递神经网络的错误率，进而对模型参数进行校正。最后基于训练后的模型和测试样本集，计算该模型的匹配准确度。

本实施例可以设置“6c-2s-12c-2s”形式的卷积神经网络。然后调用训练样本，开始训练，计算并传递神经网络的错误率，进而对模型参数进行校正。最后基于训练后的模型和测试样本集，计算该模型的匹配准确度。在实际仿真中，每次迭代大概需要40秒左右，迭代50次时在准确率较低，只有56％，迭代100次时，准确率能达到77％，随着迭代次数的不断增加，匹配准确率也不断提高，在迭代300次时，准确率已经达到99％。根据多次仿真的结果可得匹配准确率随迭代次数变化的趋势如图4所示，匹配的准确性随迭代次数的增加不断提高，分类器的参数优化不断完善，在迭代300次以上时，准确率已接近100％，当然，匹配的准确性与样本的构建和标签的添加有很大关系，实际应用时可能略有差别，但本实施例表明，深度卷积神经网络在电网运行断面相似性匹配领域有着优越的性能和应用价值。

本实施例中，在得到目标卷积神经网络模型之后，还可以包括以下步骤：

将电力系统的待检测时间断面和多个历史时间断面输入至目标卷积神经网络模型，得到多个历史时间中与待检测时间断面属于相似类型的时间断面，其中，历史时间断面包括电力系统在多个历史时刻的时间断面。

本实施例中，训练后的目标卷积神经网络模型能够充分利用深层构架挖掘样本数据与相似性结果之间的潜在映射关系，因此，利用训练好的目标卷积神经网络模型能够准确且高效的确定出相似类型时间断面。

本申请实施例提供的一种相似类型时间断面的确定装置，包括：

选取模块，用于从电力系统的时间断面的状态特征量中选取出目标参量，所述目标参量用于表示所述状态特征量中的数值不随时间而变化的特征量，其中，状态特征量用于表示电力系统在一个时刻的电网运行状态，目标参量用于表示状态特征量中的数值不随时间而变化的特征量。

确定模块，用于基于目标参量确定目标时间断面，目标时间断面中的状态特征量包括目标参量。

标签模块，用于根据用户输入对目标时间断面添加标签，其中，标签为多个目标时间断面之间的相似性分类结果。

训练模块，用于将带有标签的目标时间断面作为初始卷积神经网络模型的训练样本，将多个训练样本输入至初始卷积神经网络模型，以对初始卷积神经网络模型进行训练，得到目标卷积神经网络模型。

确定模块具体用于：将目标参量转换为矩阵的形式；利用矩阵形式的目标参量表示目标时间断面，以使目标时间断面中的状态特征量为矩阵形式的目标参量。

目标参量包括：电网运行的线路潮流数据、节点电压、负荷量、网架结构中的至少一种。

装置还包括：输入模块，用于将电力系统的待检测时间断面和多个历史时间断面输入至目标卷积神经网络模型，得到多个历史时间中与待检测时间断面属于相似类型的时间断面，其中，历史时间断面包括电力系统在多个历史时刻的时间断面。

本申请实施例提供的相似类型时间断面的确定装置，与上述实施例提供的相似类型时间断面的确定方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本申请实施例提供的一种电子设备，如图5所示，电子设备4包括存储器41、处理器42，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例提供的方法的步骤。

参见图5，电子设备还包括：总线43和通信接口44，处理器42、通信接口44和存储器41通过总线43连接；处理器42用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(ram，randomaccessmemory)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口44(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线43可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序，所述处理器42在接收到执行指令后，执行所述程序，前述本申请任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器42中，或者由处理器42实现。

处理器42可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现成可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器42读取存储器41中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述实施例提供的方法。

本申请实施例提供的具有处理器可执行的非易失的程序代码的计算机可读介质，与上述实施例提供的相似类型时间断面的确定方法、装置以及电子设备具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。