一种电网扰动预测方法及装置制造方法及图纸

本发明专利技术实施例提供了一种电网扰动预测方法及装置，通过获取电网中节点的监测数据；根据监测数据，判断节点的是否发生扰动；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；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；根据当前时刻后的多个时间步长内节点的扰动状态值，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，从而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。

Method and device for predicting power grid disturbance

The embodiment of the invention provides a power disturbance prediction method and device, through the monitoring data acquisition node in the power grid; according to the monitoring data, determine the node is disturbed; when one or more nodes in the disturbance, the node current disturbed state values as LSTM RTRBM deep learning model input; learning model by LSTM RTRBM depth, forecast perturbation in current state after one or more time step node value; according to the disturbance state of multiple time step current within the node value, predict the disturbance between the nodes with one or more of the time step of communication thus, without the need for actual operation according to various physical parameters in power grid, using LSTM RTRBM deep learning model through the complete data driver can predict the disturbance in the air The propagation of two dimensions over time and in time improves the efficiency and accuracy of prediction of disturbance propagation.

【技术实现步骤摘要】
一种电网扰动预测方法及装置
本专利技术涉及电力系统运行与控制
，特别是涉及一种电网扰动预测方法及装置。
技术介绍
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。
技术实现思路
本专利技术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：本专利技术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。本专利技术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，本文档来自技高网...

【技术保护点】
一种电网扰动预测方法，其特征在于，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。

【技术特征摘要】
1.一种电网扰动预测方法，其特征在于，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。2.根据权利要求1所述的方法，其特征在于，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。3.根据权利要求1或2所述的方法，其特征在于，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。4.根据权利要求1所述的方法，其特征在于，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。5.根据权利要求1所述的方法，其特征在于，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...

【专利技术属性】
技术研发人员：李书芳，杨延东，吴博，郭志民，张小斐，耿俊成，万迪明，
申请(专利权)人：国网河南省电力公司电力科学研究院，北京邮电大学，国家电网公司，
类型：发明
国别省市：河南,41