面向大规模新能源接入电网薄弱环节识别预测方法及系统与流程

本发明涉及电网薄弱环节识别预测，尤其涉及面向大规模新能源接入电网薄弱环节识别预测方法及系统。

背景技术：

1、当前，随着新能源的快速发展和大规模接入，电力系统日益复杂，提出了严峻的挑战。首先，新能源发电的波动性和间此性对电网运行稳定性和安全性造成了影响；其次，在电网多年信息化实施过程中，积累了大量的多元异构数据，包括负荷数据、气象数据等时序数据，电网拓补结构等网状结构数据，设备信息、新能源接入情况等结构或非结构化数据，传统分析方法以规则和专家经验为主，这些方法只能针对少数结构化数据进行分析，对异常数据极为敏感，且难以避免人的主观性、片面性带来的影响；另一方面，大规模新能源的接入使得电网运行策略和方式需要进行相应的调整，以提高电网的适应性。因此，一种能够综合大量的多元异构的电网海量多模态数据，对大规模新能源接入对电网运行策略和运行方式的影响进行深入的理解和分析显得尤为重要。

2、为了深入理解和分析大规模新能源接入对电网运行策略和运行方式的影响，面对海量电网海量多模态数据的挑战，本专利综合运用了多种先进的人工智能技术。根据不同的数据类型和任务需求，这些技术被用于特征提取和数据分析。具体来说，时序数据、网状结构数据、非结构化数据以及结构化数据等不同类型的数据通过特定的网络模型如transformer网络模型、图神经网络模型、自然语言处理等技术进行特征提取，提取出的特征再进行融合后，输入到深度网络模型中。通过选择合适的网络结构，根据不同的分析挖掘目标，有针对性的进行模型学习和优化。接下来的内容将详细介绍这些网络模型的设计和使用。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有存在的问题，提出了本发明。

3、因此，本发明提供了面向大规模新能源接入电网薄弱环节识别预测方法，能够解决传统的新能源发电具有波动性、间歇性和不确定性等特点，难以预测和调度控制，可能导致电网频率不稳定、电压波动、谐波污染等问题。

4、为解决上述技术问题，本发明提供如下技术方案，面向大规模新能源接入电网薄弱环节识别预测方法，包括：

5、收集电网海量多模态数据，对采集的数据进行预处理；根据电网海量多模态数据类型及任务需求，使用人工智能技术进行特征提取；整合不同数据源的特征提取结果，根据不同的学习目标，有针对性的进行模型结果和优化学习。

6、作为本发明所述的面向大规模新能源接入电网薄弱环节识别预测方法的一种优选方案，其中：所述电网海量多模态数据包括，时序数据、网状结构数据、结构化数据、非结构化数据。

7、作为本发明所述的面向大规模新能源接入电网薄弱环节识别预测方法的一种优选方案，其中：所述人工智能技术包括，transformer网络模型、图神经网络模型、自然语言处理。

8、作为本发明所述的面向大规模新能源接入电网薄弱环节识别预测方法的一种优选方案，其中：所述transformer网络模型包括，处理时序数据，通过自注意力机制，捕获这种时间相关性，并从中提取出有价值的特征，表示为，

9、

10、其中，q、k、v分别代表查询、键和值，这三者都是输入数据的线性变换，softmax函数保证了所有的权重之和为1，测量了q和k之间的相似性。

11、作为本发明所述的面向大规模新能源接入电网薄弱环节识别预测方法的一种优选方案，其中：所述图神经网络模型包括，电网的分析和运行优化，一个重要的特点是电网的拓扑结构，自然的表示形式是图；

12、gnn模型采用图卷积的方式，在图中的每个节点上应用滤波器，以在空间域进行信号处理，图卷积定义的数学公式为，

13、

14、其中，a代表图的邻接矩阵，d是一个对角矩阵，对角线元素为a的每一行之和，h(l)代表l层的节点特征，w(l)是l层的可学习参数，σ表示激活函数，上述公式描述了一种基于邻接矩阵的图卷积操作，其中节点的新特征是邻居特征的加权和，权重由邻接矩阵和学习参数决定，对于电网数据，各个电网设备刀闸、变压器、电力线路为图中的节点，设备之间的物理连接和电气关系则形成图的边。

15、作为本发明所述的面向大规模新能源接入电网薄弱环节识别预测方法的一种优选方案，其中：所述多模态建模包括，

16、xi＝fidatai

17、其中，使用模型fi处理第i类的数据datai，并提取特征xi，datai为不同类型的数据，fi为针对不同类型的数据设计的模型；

18、将不同数据类型中提取的特征合并，得到的综合特征x表示为，

19、x＝[x1,x2,…,xn]

20、其中，n为样本总数；

21、根据综合特征理解与优化网络g进行模型学习和优化，得到电网薄弱环节的预测结果y，

22、y＝g(x)。

23、作为本发明所述的面向大规模新能源接入电网薄弱环节识别预测方法的一种优选方案，其中：所述综合特征理解与优化网络包括，通过分析设备历史运行数据和维修记录，预测设备故障率，提前安排维修计划，用过分析历史电力负荷数据和气象数据，预测未来电力负荷变化趋势，制定调度计划，分析不同运行策略下电网对大规模新能源接入的适应性，优化调度策略，提高电网运行的经济性和可靠性，通过分析设备历史运行数据，找出设备的节能潜力和优化运行效率的方法；

24、当处理设备故障率预测和设备运行效率预测的回归问题时，使用多层残差结构，当处理电网运行策略的分类问题和电力负荷变化的多分类预测问题时，采用卷积神经网络或长短其记忆网络，当发生时间序列问题时，使用具有记忆能力解决时序依赖的网络结构。

25、本发明的另外一个目的是提供面向大规模新能源接入电网薄弱环节识别预测方法的系统，通过对电网的监测和优化，可以更加高效地利用能源，减少资源浪费，从而提高能源利用效率。

26、面向大规模新能源接入电网薄弱环节识别预测方法的系统，其特征在于：包括，数据采集与处理模块，深度特征提取模块，模型训练与优化模块，结果预测与展示模块；

27、数据采集与处理模块，采集电网海量多模态数据，包括时序数据、网状结构数据、结构化数据、以及非结构化数据；深度特征提取模块，系统针对不同类型的数据应用不同的深度学习技术，从而实现深度特征提取；模型训练与优化模块，在特征提取的基础上，系统利用综合特征理解与优化网络对特征进行进一步处理和学习；a结果预测与展示模块，在模型训练和优化的基础上，系统进行未来电网薄弱环节的预测，预测结果通过可视化展示，方便用户理解和使用。

28、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现向大规模新能源接入电网薄弱环节识别预测方法的步骤。

29、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现向大规模新能源接入电网薄弱环节识别预测方法的步骤。

30、本发明的有益效果：本发明方法从多重数据角度对海量电网海量多模态数据进行分析，包括设备信息、电网拓补结构、负荷数据、气象数据、新能源接入情况等，既包括结构化和非结构化数据，也包括时序数据和网状结构数据，信息更加全面。基于深度学习的特性，该系统能够高效地处理和分析海量数据，从而快速、准确地识别在大规模新能源接入背景下的电网薄弱环节，优化电网运行策略。利用数据驱动和人工智能技术，系统在识别和预测电网运行状态上展现出更高的准确性。它通过深度特征提取和优化网络学习海量数据中的关键特征和潜在规律，提高预测的准确性和可靠性。