一种训练数据集的构造方法技术

本申请提供一种训练数据集的构造方法，所述训练数据集被用于对电力系统的重要度预测模型进行训练，所述电力系统包括多个节点和多条线路，多个发电单元以及至少1个负荷单元，包括以下步骤：获取时间序列{t

【技术实现步骤摘要】
一种训练数据集的构造方法


[0001]本申请属于电力系统控制
，具体地提供一种电力系统重要度预测模型的训练数据集的构造方法。

技术介绍

[0002]电力系统安全稳定地运行是各行业生产、交通运输及人民日常生活的重要保证。对大量电力系统故障的分析显示，某些重要节点或主干线路的故障、退出运行等往往会蔓延至整个电网，从而造成巨大的经济损失，甚至影响社会的稳定。
[0003]为了尽量降低或消除上述故障的出现概率，除了通过各种技术手段对电力系统的节点和线路进行实时监测外，人们还提出了根据电力系统的潮流数据对节点和线路的重要度进行预测的方案，力求能够为电网提供保护信号的预警能力，例如专利202111054797.X提出了一种电力系统节点重要度预测方法，通过使用电力系统的历史潮流数据，能够对未来一段时间的电力系统节点的重要度进行预测。
[0004]然而在实际的电力系统运行过程中，由于采取了各种实时监控及智能调峰手段以保证电网的安全与稳定，使得所获取的历史潮流数据往往呈现出稳定的轻微波动或规律的周期性潮汐特性，导致预测模型只具有对平稳运行的电力系统的重要度进行预测的能力，而无法对各种突发状况导致系统潮流发生剧烈波动时的电力系统重要度进行准确的预测，从而大大限制了上述预测模型的应用场景及预测精度。

技术实现思路

[0005]为解决上述现有技术中存在的问题，本申请的目的在于对现有的电力系统重要度预测模型的训练数据集及其构造方法进行优化，以改善对电力系统重要度预测模型的训练效果。
[0006]本申请的实施例可以通过以下技术方案实现：
[0007]一种训练数据集的构造方法，所述训练数据集被用于对电力系统的重要度预测模型进行训练，所述电力系统包括多个节点、多条线路，多个发电单元以及至少1个负荷单元，包括以下步骤：
[0008]S1：获取时间序列{t
i
}对应的电力系统的节点及线路的实际采样数据，其中i∈[1,T]；
[0009]S2：基于随机选择的场景模式在{t
i
}的子序列{t
i
′
}对电力系统施加扰动并计算对应的模拟采样数据，使用所述模拟采样数据对所述实际采样数据进行重构，得到电力系统的重构采样数据；
[0010]S3：基于所述重构采样数据构造所述训练数据集。
[0011]进一步地，所述实际采样数据包括各节点、线路、发电单元及负荷单元在各时间点t
i
对应的有功功率和无功功率的实际采样值。
[0012]优选地，所述场景模式包括电源故障模式和线路故障模式。
[0013]进一步地，步骤S2包括以下步骤：
[0014]S21：随机选择至少一种场景模式；
[0015]S22：如果选择的场景模式包括电源故障模式，则进一步随机选择至少一个发电单元并设置其在各时间点t
i
′
对应的有功功率扰动量ΔP
G
(t
i
′
)和无功功率扰动量ΔQ
G
(t
i
′
)，以及，
[0016]如果选择的场景模式包括线路故障模式，则进一步随机选择至少一条线路并设置其在各时间点t
i
′
的通断状态；
[0017]S23：基于所述ΔP
G
(t
i
′
)、ΔQ
G
(t
i
′
)以及通断状态变化确定时间序列{t
i
′
}对应的模拟采样数据，所述模拟采样数据包括节点、线路、发电单元及负荷单元在各时间点t
i
′
对应的有功功率和无功功率的模拟采样值；
[0018]S24：使用所述模拟采样数据对所述实际采样数据进行重构，得到电力系统的重构采样数据。
[0019]进一步地，所述电源故障模式具体为：发生故障的发电单元的有功功率和无功功率较其实际采样值减小。
[0020]进一步地，所述线路故障模式具体为：发生故障的线路的有功功率和无功功率降为0。
[0021]进一步地，所述模拟采样数据的计算满足节点功率平衡限制。
[0022]进一步地，步骤S3包括以下步骤：
[0023]S31：建立所述电力系统的有向有权图；
[0024]S32：基于所述重构采样数据获取时间序列{t
i
}对应的电力系统的潮流数据；
[0025]S33：基于所述潮流数据和有向有权图计算各个节点在各时间点t
i
对应的重要度；
[0026]S34：基于所述潮流数据和有向有权图计算各条线路在各时间点t
i
对应的重要度；
[0027]S35：生成所述训练数据集，所述训练数据集包括各个节点和各条线路在各时间点t
i
对应的重要度。
[0028]优选地，各个节点在各时间点t
i
对应的重要度基于EB
‑
SALSA算法确定。
[0029]优选地，各条线路在各时间点t
i
对应的重要度基于EL
‑
SALSA算法确定。
[0030]本申请的实施例提供的一种训练数据集的构造方法至少具有以下有益效果：
[0031]本申请的技术方案在电力系统真实采样数据的基础上，通过模拟不同的故障场景下系统各部分状态的变化并将其作为扰动叠加到真实采样数据中，使得构造的训练数据集能够反映电力系统在各类故障情况发生时节点及线路重要度的变化情况，使用该方法所构造的训练数据集对电力系统重要度预测模型进行训练，能够有效地增加预测模型识别各种故障场景下电力系统对应的潮流演化趋势的能力，并能够使预测模型在各种突发状况到来时对核心节点及主干线路在未来时间点的重要度进行更加精准的预测。
附图说明
[0032]图1为根据本申请的一个具体实施例的IEEE39母线系统的拓扑结构；
[0033]图2为根据本申请的一个具体实施例的IEEE118母线系统的拓扑结构；
[0034]图3为根据本申请实施例的一种训练数据集的构造方法的流程图；
[0035]图4为根据本申请实施例1的一个具体节点的重要度的变化情况及对比结果；
[0036]图5为根据本申请实施例1的一条具体线路的重要度的变化情况及对比结果；
[0037]图6为根据本申请实施例2的一个具体节点的重要度的变化情况及对比结果；
[0038]图7为根据本申请实施例2的一条具体线路的重要度的变化情况及对比结果。
具体实施方式
[0039]以下，基于优选的实施方式并参照附图对本申请进行进一步说明。
[0040]此外，为了方便理解，放大或者缩小了图纸上的各种构件，但这种做法不是为了限制本申请的保护范围。
[0041]单数形式的词汇也包括复数含义，反之亦然。...

【技术保护点】

【技术特征摘要】
1.一种训练数据集的构造方法，所述训练数据集被用于对电力系统的重要度预测模型进行训练，所述电力系统包括多个节点、多条线路，多个发电单元以及至少1个负荷单元，其特征在于，包括以下步骤：S1：获取时间序列{t
i
}对应的电力系统的实际采样数据，其中i∈[1，T]；S2：基于随机选择的场景模式在{t
i
}的子序列{t
i
′
}对电力系统施加扰动并计算对应的模拟采样数据，使用所述模拟采样数据对所述实际采样数据进行重构，得到电力系统的重构采样数据；S3：基于所述重构采样数据构造所述训练数据集。2.根据权利要求1所述的一种训练数据集的构造方法，其特征在于：所述实际采样数据包括各节点、线路、发电单元及负荷单元在各时间点t
i
对应的有功功率和无功功率的实际采样值。3.根据权利要求1所述的一种训练数据集的构造方法，其特征在于：所述场景模式包括电源故障模式和线路故障模式。4.根据权利要求3所述的一种训练数据集的构造方法，其特征在于，步骤S2进一步包括以下步骤：S21：随机选择至少一种场景模式；S22：如果选择的场景模式包括电源故障模式，则进一步随机选择至少一个发电单元并设置其在各时间点t
i
′
对应的有功功率扰动量ΔP
G
(t
i
′
)和无功功率扰动量ΔQ
G
(t
i
′
)，以及，如果选择的场景模式包括线路故障模式，则进一步随机选择至少一条线路并设置其在各时间点t
i
′
的通断状态；S23：基于所述ΔP
G
(t
i
′
)、ΔQ
G
(t
i
′...

【专利技术属性】
技术研发人员：宋蕙慧，吕文茜，张新，李盈盈，严帅，边卓伟，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：