一种智慧电网边缘节点状态两级实时监控预测方法技术

本发明专利技术涉及一种智慧电网边缘节点状态两级实时监控预测方法。该方法假定边缘节点状态位于一个具备预定的相空间的动力系统中，通过提取动力系统的基本特征，从观察序列中采用低成本的时间序列预测方法预测边缘节点状态随时间的变化；通过边缘节点所在包括预定时间段、空间位置、业务模型分布参数的输入信息计算得到相空间的基本参数，将预定时间段、空间位置、业务模型分布参数以及这些参数对应的相空间基本参数作为指纹信息存储下来；在需要预测时根据指纹信息直接检索得到相空间基本参数，并利用包括动态模态分解的算法进行预测。本发明专利技术方法可以普遍应用于各类电网边缘节点状态的监控预测需求中。状态的监控预测需求中。状态的监控预测需求中。

【技术实现步骤摘要】
一种智慧电网边缘节点状态两级实时监控预测方法


[0001]本专利技术涉及一种智慧电网边缘节点状态两级实时监控预测方法。

技术介绍

[0002]5G智慧电网组网场景中存在海量的网络边缘节点，这些网络边缘节点在执行较高实时的电网业务、通信计算、电网故障诊断和恢复等各类任务时，需要提供本地的各类环境状态、节点工作状态的监控和预测手段，由于网络边缘节点到网络中心服务器之间存在较大的传输时延，同时由于边缘节点的数量太大，网络带宽资源优先，无法将这些边缘节点的状态信息回传到网络中心，因此边缘节点需要根据本节点的测量状态信息进行实时监控和快速预测，并基于预测信息执行相应的本地资源配置和任务调度。
[0003]由于智慧电网的业务复杂多变，网络环境和节点状态往往呈现非线性变化特征，对这些状态的线性拟合效果不好，如果采用机器学习方法，则需要大量训练样本训练预测模型，同时由于神经网络的可解释性、可迁移性、训练成本高、对设备计算存储能力要求较高，因此也不适合作为较低成本的边缘节点状态预测的理想方案。
[0004]目前的时间序列方法计算成本低，对设备能力要求低，但存在精确度低、无法很好预测非线性状态空间的演变。比如时间序列分析的传统方法如ARMA、ARIMA模型，都要求时间序列具有正态分布、全局平稳、残差互不相关的特点，但实际的时间序列往往是带有非线性的、非平稳、不规则和混沌的特性，这使得传统的统计学方法在时间序列的实际应用中很难准确地进行分析和预测，且这种办法本质上只能捕捉线性关系，不能捕捉非线性关系。
[0005]考虑到大部分电网边缘节点一般是固定的，例如基站等节点，业务模型存在一定的潮汐规律，各类状态的演变规律和边缘节点所处的时间段、空间位置存在密切的关联性。因此我们提出一种基于时空指纹的两级实时监控预测方法，可以普遍应用于各类电网边缘节点状态的监控预测需求中。

技术实现思路

[0006]本专利技术的目的在于提供一种智慧电网边缘节点状态两级实时监控预测方法，该方法可以普遍应用于各类电网边缘节点状态的监控预测需求中。
[0007]为实现上述目的，本专利技术的技术方案是：一种智慧电网边缘节点状态两级实时监控预测方法，该方法假定边缘节点状态位于一个具备预定的相空间的动力系统中，通过提取动力系统的基本特征，从观察序列中采用低成本的时间序列预测方法预测边缘节点状态随时间的变化；通过边缘节点所在时间段、空间位置、业务模型分布参数的输入信息计算得到相空间的基本参数，将时间段、空间位置、业务模型分布参数以及这些参数对应的相空间基本参数作为指纹信息存储下来；在需要预测时根据指纹信息直接检索得到相空间基本参数，并利用包括动态模态分解的算法进行预测。
[0008]在本专利技术一实施例中，该方法实现步骤如下：
[0009]步骤S1、计算边缘节点状态的时间序列的李雅普诺夫指数，判断时间序列是否满
足混沌性质；
[0010]步骤S2、根据实时采集边缘节点的状态信息，计算得到相空间的基本参数：延迟时间、嵌入维数；
[0011]步骤S3、将计算得到的相空间基本参数连同边缘节点的时间段、位置信息、业务模型分布参数作为指纹信息存储；
[0012]步骤S4、在需要进行边缘节点状态预测时，首先检索是否存在指纹信息，若存在则首先根据指纹信息检索直接得到该边缘节点状态的延迟时间、嵌入维数；
[0013]步骤S5、边缘节点根据延迟时间、嵌入维数构造时间序列，并基于DMD方法进行状态预测。
[0014]在本专利技术一实施例中，所述步骤S1具体实现如下：
[0015](1.1)对表示边缘节点状态信息的时间序列{x
i
，i＝1，2，
…
，N}进行FFT变换，计算相空间的延迟时间τ和平均周期P，x为状态采样值，i表示在不同时刻的状态采样数据的顺序编号，i随时间递增，连续采集的N个状态数据构成了边缘节点状态信息的时间序列；
[0016](1.2)计算出关联维数d，再由m≥2d+1确定相空间的嵌入维数m；
[0017](1.3)根据延迟时间τ和嵌入维数m重构相空间{X
j
，j＝1，2，
…
，M}；X
j
代表的是重构相空中的相点，M为相空间中的相点个数；
[0018](1.4)找相空间中每个点X
j
的最近邻点X
k
(X
k
即为相空间中距离X
j
点最近的相邻相点)，并限制短暂分离，即
[0019][0020]d
j
(0)为相空间相点X
j
和它的最近邻点X
k
之间的距离；
[0021](1.5)对相空间中每个点X
j
，计算出其相应邻点对的i个离散时间步后的距离d
j
(i)：
[0022]d
j
(i)＝|X
j+i
‑
X
k+j
|i＝1，2，
…
，min(M
‑
j，M
‑
k)
[0023](1.6)对每个i，求出所有j的lnd
j
(i)的平均y(i)，即：
[0024]其中q是非零d
j
(i)的数目，Δt是指原始时间序列取值的间隔；用最小二乘法作回归直线，该直线的斜率就是最大Lyapunov指数。
[0025]在本专利技术一实施例中，所述步骤S2具体实现如下：
[0026](2.1)采用自相关函数法求相空间的延迟时间
[0027]将自相关函数到达第一个零点对应的时间为延迟时间，对于一维时间序列{x
i
，i＝1，2，
…
，N},自相关函数的计算公式如下：
[0028][0029]式中：r
τ
表示延迟时间为τ时的自相关系数，为序列均值；对于有限长度时间序列，相空间的特征量依赖于τ的选择，选取延迟时间τ时先画出时间序列的自相关函数的图像，找到第一次自相关函数到达零时的时间点作为延迟时间；
[0030](2.2)采用G
‑
P算法求相空间的嵌入维数
[0031]G
‑
P算法即结合Grassberger和Procaccia提出的饱和关联维数法，算法步骤如下：
[0032](2.2.1)利用原始时间序列和用自相关函数求得的延迟时间，给定一个嵌入维数m，重构相空间，得到新的序列{X
j
}；
[0033](2.2.2)给定一个邻域半径r，定义关联积分如下：
[0034][0035]r为邻域半径，M＝N
‑
(m
‑
1)τ为相空间中相点数目，H(r)为Heaviside单位函数：
[0036][0037]C(r)是计算给出两个随机选择的相点在预定距离内的概率，另r
ij...

【技术保护点】

【技术特征摘要】
1.一种智慧电网边缘节点状态两级实时监控预测方法，其特征在于，该方法假定边缘节点状态位于一个具备预定的相空间的动力系统中，通过提取动力系统的基本特征，从观察序列中采用低成本的时间序列预测方法预测边缘节点状态随时间的变化；通过边缘节点所在时间段、空间位置、业务模型分布参数的输入信息计算得到相空间的基本参数，将时间段、空间位置、业务模型分布参数以及这些参数对应的相空间基本参数作为指纹信息存储下来；在需要预测时根据指纹信息直接检索得到相空间基本参数，并利用包括动态模态分解的算法进行预测。2.根据权利要求1所述的一种智慧电网边缘节点状态两级实时监控预测方法，其特征在于，该方法实现步骤如下：步骤S1、计算边缘节点状态的时间序列的李雅普诺夫指数，判断时间序列是否满足混沌性质；步骤S2、根据实时采集边缘节点的状态信息，计算得到相空间的基本参数：延迟时间、嵌入维数；步骤S3、将计算得到的相空间基本参数连同边缘节点的时间段、位置信息、业务模型分布参数作为指纹信息存储；步骤S4、在需要进行边缘节点状态预测时，首先检索是否存在指纹信息，若存在则首先根据指纹信息检索直接得到该边缘节点状态的延迟时间、嵌入维数；步骤S5、边缘节点根据延迟时间、嵌入维数构造时间序列，并基于DMD方法进行状态预测。3.根据权利要求2所述的一种智慧电网边缘节点状态两级实时监控预测方法，其特征在于，所述步骤S1具体实现如下：(1.1)对表示边缘节点状态信息的时间序列{x
i
，i＝1，2，
…
，N}进行FFT变换，计算相空间的延迟时间τ和平均周期P，x为状态采样值，i表示在不同时刻的状态采样数据的顺序编号，i随时间递增，连续采集的N个状态数据构成边缘节点状态信息的时间序列；(1.2)计算出关联维数d，再由m≥2d+1确定相空间的嵌入维数m；(1.3)根据延迟时间τ和嵌入维数m重构相空间{X
j
，j＝1，2，
…
，M}；X
j
代表的是重构相空间中的相点，M为相空间中的相点个数；(1.4)找相空间中每个点X
j
的最近邻点X
k
，X
k
即为相空间中距离X
j
点最近的相邻相点，并限制短暂分离，即d
j
(0)为相空间相点X
j
和它的最近邻点X
k
之间的距离；(1.5)对相空间中每个点X
j
，计算出其相应邻点对的i个离散时间步后的距离d
j
(i)：d
j
(i)＝|X
j+i
‑
X
k+j
| i＝1，2，
…
，min(M
‑
j，M
‑
k)(1.6)对每个i，求出所有j的lnd
j
(i)的平均y(i)，即：其中q是非零d
j
(i)的数目，Δt是指原始时间序列取值的间隔；用最小二乘法作回归直线，该直线的斜率就是最大Lyapunov指数。4.根据权利要求3所述的一种智慧电网边缘节点状态两级实时监控预测方法，其特征
在于，所述步骤S2具体实现如下：(2.1)采用自相关函数法求相空间的延迟时间将自相关函数到达第一个零点对应的时间为延迟时间，对于一维时间序列{x
i
，i＝1，2，
…
，N},自相关函数的计算公式如下：式中：r
τ
表示延迟时间为τ时的自相关系数，为序列均值；对于有限长度时间序列，相空间的特征量依赖于τ的选择，选取延迟时间τ时先画出时间序列的自相关函数的图像，找到第一次自相关函数到达零时的时间点作为延迟时间；(2.2)采用G
‑
P算法求相空间...

【专利技术属性】
技术研发人员：陈锦山，祁琦，林国栋，陈世春，林文彬，孙鑫，林少真，李兆祥，李智诚，胡文旺，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：