基于LSTM循环神经网络的电力系统运行态势预测方法技术方案

本发明专利技术公开了基于LSTM循环神经网络的电力系统运行态势预测方法，该方法首先对电力线路运行数据组成的初始数据样本进行归一化和异常值处理，并采样生成训练样本。其次搭建电力系统态势预测模型，该模型中包含的运行状态识别模块和运行数据趋势预测模块，均由LSTM循环神经网络模型搭建。然后运行状态识别模块与运行数据趋势预测模块使用各自的样本进行训练，并测试。本发明专利技术通过对各线路运行状态的识别和运行数据趋势的预测，从而对整个电力系统运行状态进行风险评估。运行状态进行风险评估。运行状态进行风险评估。

【技术实现步骤摘要】
基于LSTM循环神经网络的电力系统运行态势预测方法


[0001]本专利技术涉及电力系统态势感知研究领域，具体指一种基于LSTM循环神经网络的电力系统运行态势预测方法。

技术介绍

[0002]随着经济的不断发展和电力需求的不断增长，电力系统规模不断扩大，电网运行条件日益复杂。因此，电力建设任务十分艰巨，保证电力系统运行的安全性和可靠性至关重要。电力系统具有规模大、设备多、覆盖区域广、运行时间长等特点，包含了发电、输电、变电、配电等环节，在整个电力系统运行的过程中会产生大量的运行检测数据。随着计算机信息技术和存储技术的快速发展，电网数字化和信息化技术日渐成熟，电力系统进入了大数据时代。这使得基于电力系统运行数据的深度学习方法成为可能。随着硬件计算能力的提升以神经网络为代表的深度学习技术发展迅速，并广泛应用于电力系统运行监测、故障检测、负荷预测等方面。
[0003]近年来，电力系统问题的研究已经从传统的人工智能方法逐渐转化为基于电力大数据的深度学习的方法。深度学习方法对数据的挖掘能力、非线性表征能力和强鲁棒性能为电力系统故障问题带来了新的突破本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LSTM循环神经网络的电力系统运行态势预测方法，其特征在于，包括如下步骤：S1、电力线路运行数据的处理与样本的生成；S2、搭建电力系统态势预测模型，该预测模型包含两个模块：运行状态识别模块和运行数据趋势预测模块，均由LSTM循环神经网络模型搭建；S3、通过S1得到的样本，训练电力系统态势预测模型；S4、测试运行状态识别模块与运行数据趋势预测模块，获取电力系统运行态势预测结果。2.根据权利要求1所述的基于LSTM循环神经网络的电力系统运行态势预测方法，其特征在于，步骤S1具体过程如下：S1
‑
1、对电力线路运行数据组成的初始数据样本进行归一化处理；S1
‑
2、对归一化处理后的初始数据样本，进行滑动采样生成最终数据样本；S1
‑
3、对最终数据样本进行异常值处理。3.根据权利要求2所述的基于LSTM循环神经网络的电力系统运行态势预测方法，其特征在于，在所述步骤S1
‑
1中，对任意一条电力线路，电力线路两端分别会被标记为I端和J端；初始数据样本由电力线路的运行数据组成，包含I端有功功率、I端无功功率、J端有功功率、J端无功功率、I端断开标志、J端断开标志、I端计算节点、J端计算节点、I端电气岛、J端电气岛，共10种属性数据，采样时间间隔为1小时。4.根据权利要求2所述的基于LSTM循环神经网络的电力系统运行态势预测方法，其特...

【专利技术属性】
技术研发人员：姜洋洋，夏永祥，涂海程，刘春山，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：