【技术实现步骤摘要】
本专利技术涉及电力系统调度故障监测与诊断，特别是一种基于设备故障风险的电力调度故障集智能生成方法。
技术介绍
1、随着社会的进步，近年来电力系统建设日新月异。公众日益增长的用电需求直接导致了电网的扩张。在电力系统的日常运行中，各种故障时有发生，需要电力调度人员及时进行维护和诊断。然而，电力系统故障种类繁多，隐蔽性深，且经常出现重叠现象，给故障诊断和解决带来了巨大挑战。这种情况难以保证故障的准确定位和修复，从而成为电力系统安全、稳定、经济运行的瓶颈，需要进一步研究和改进。目前，电力调度中预测故障集的主要来源是全网n-1故障以及调度员和运行人员根据经验生成的故障集，这些故障集往往与电网的安全特性不匹配，不能全面反映电网的运行状况。
2、因此，研究设计一种基于设备故障风险的电力调度故障集智能生成方法对于克服电力系统调度故障诊断与处理的困难，提高电力系统安全、稳定、经济运行水平具有重要意义。
技术实现思路
1、鉴于上述电力系统的日常运行中存在的问题，提出了本专利技术。
2、因此，本专利技术所要解决的问题在于如何提供一种提了大规模电网在线安全和稳定性评估技术的实用性的方法。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种基于设备故障风险的电力调度故障集智能生成方法，其包括，建立基于电力设备运行状态的风险模型，计算电力设备的故障概率，并形成数据集；利用饱和自动编码器提取数据集的关键特征进行数据预处理
5、作为本专利技术所述基于设备故障风险的电力调度故障集智能生成方法的一种优选方案，其中：所述建立基于电力设备运行状态的风险模型的步骤包括：根据电力设备运行状态中的出力情况和设备额定容量建立电力设备出力与故障概率模型；基于设备容量和负载率建立电力设备的故障严重度模型，描述电力设备对系统造成的影响程度；基于电力设备出力与故障概率模型和故障严重度模型，得到电力设备故障风险模型。
6、作为本专利技术所述基于设备故障风险的电力调度故障集智能生成方法的一种优选方案，其中：所述电力设备出力与故障概率模型的公式为：
7、
8、其中，是电力设备s在tf时间段的故障概率；分别表示电力设备s的初始故障概率、低载时最大故障概率和重载时最大故障概率；表示电力设备在tf时间段的出力；和分别表示电力设备健康运行状态下的最小和最大出力；和分别表示电力设备的最小和最大出力；所述电力设备对系统造成的影响程度的公式为：
9、
10、其中，表示电力设备s在tf时刻发生故障的严重度；表示电力设备s在tf时刻的负载率；cap表示电力设备的额定容量；表示在tf时刻与电力设备s输出能量同类型的负荷值；所述电力设备故障风险模型为：
11、
12、其中，是电力设备s在tf时刻的故障风险值。
13、作为本专利技术所述基于设备故障风险的电力调度故障集智能生成方法的一种优选方案，其中：所述数据集的关键特征的提取由饱和自动编码器进行；所述饱和自动编码器由编码器和解码器组成；通过所述编码器将输入转换为隐含层中的潜在表征的步骤为：选择输入数据x，由n组数据样本组成，每组数据样本由x1、x2,…,xn组成，n为每组数据样本中的样本个数，设隐含层特征向量集合为h，由n组特征向量组成，每组特征向量由h1、h2,…,hm组成，m为每组特征向量中的向量个数，则x与h的编码关系为：
14、h＝sf(wx+b)
15、其中，w为输入层和隐含层之间的权值矩阵；b为输入层与隐含层之间的偏置矩阵；sf为编码器的神经元激活函数，常用sigmoid函数，具有良好的特征辨识度；
16、
17、其中，z为输入向量。
18、作为本专利技术所述基于设备故障风险的电力调度故障集智能生成方法的一种优选方案，其中：通过所述解码器将内部表征转换为输出的步骤包括：设y为输出数据，共有n组n维，则h与y的解码关系为：
19、y＝sg(w'h+b')
20、其中，w'为隐含层与输出层之间的权值矩阵；b'为隐含层与输出层之间的偏置矩阵；sg为解码器的神经元激活函数。
21、作为本专利技术所述基于设备故障风险的电力调度故障集智能生成方法的一种优选方案，其中：所述利用饱和自动编码器提取数据集的关键特征进行数据预处理的步骤包括：对形成的数据集进行归一化处理；将归一化处理后的数据集划分为训练集与验证集，生成训练和测试数据；构建一个饱和自动编码器模型，选择隐含层层数及神经元个数；在损失函数上添加正则项鼓励激活值落在相应激活函数的饱和区域；有监督细化训练，对网络的权重和偏置进行微调，直到迭代次数达到设定值。
22、作为本专利技术所述基于设备故障风险的电力调度故障集智能生成方法的一种优选方案，其中：所述利用attention-bi-lstm和xgboost组合模型对预处理好的数据集进行故障风险预测并生成电力调度故障集包括以下步骤：对sae预处理好的数据集分别使用attention-bi-lstm模型和xgboost模型进行故障风险预测，并根据预测结果为两个模型组合做准备；根据故障风险预测的误差使用误差倒数法获得权重，并对单个模型进行加权，形成attention-bi-lstm和xgboost的组合预测模型，得到最终的故障风险预测值；根据最终的故障风险预测值结果判断设备故障概率，将故障概率超过设定阈值的设备确认为故障设备，结合故障设备的设备参数和故障时间生成电力调度故障集。
23、第二方面，本专利技术为进一步解决电力系统的日常运行中存在的问题，实施例提供了基于设备故障风险的电力调度故障集智能生成系统，其包括：风险评估模块，用于建立基于设备运行状态的风险模型，计算设备故障概率、严重度和风险，并结合故障信息、时间和潮流结果形成数据集；数据预处理模块，用于利用饱和自动编码器提取数据集的关键特征进行数据预处理；风险预测模块，用于利用attention-bi-lstm和xgboost组合模型对预处理后的数据集进行故障风险预测，并生成电力调度故障集。
24、第三方面，本专利技术实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本专利技术第一方面所述的基于设备故障风险的电力调度故障集智能生成方法的任一步骤。
25、第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本专利技术第一方面所述的基于设备故障风险的电力调度故障集智能生成方法的任一步骤。
26、本专利技术有益效果为，本专利技术考虑到了电力系统当前的运行状态，从而产生了更具体的故障集，有助于调度员制定计划和处理事故；本专利技术能够准确计算电力设备故障概率，预测高风险故障组的产生，减少本文档来自技高网...
【技术保护点】
1.一种基于设备故障风险的电力调度故障集智能生成方法，其特征在于：包括：
2.如权利要求1所述的基于设备故障风险的电力调度故障集智能生成方法，其特征在于：所述建立基于电力设备运行状态的风险模型的步骤包括：
3.如权利要求1所述的基于设备故障风险的电力调度故障集智能生成方法，其特征在于：所述电力设备出力与故障概率模型的公式为：
4.如权利要求3所述的基于设备故障风险的电力调度故障集智能生成方法，其特征在于：所述数据集的关键特征的提取由饱和自动编码器进行；
5.如权利要求4所述的基于设备故障风险的电力调度故障集智能生成方法，其特征在于：通过所述解码器将内部表征转换为输出的步骤包括：
6.如权利要求5所述的基于设备故障风险的电力调度故障集智能生成方法，其特征在于：所述利用饱和自动编码器提取数据集的关键特征进行数据预处理的步骤包括：
7.如权利要求6所述的基于设备故障风险的电力调度故障集智能生成方法，其特征在于：所述利用Attention-Bi-LSTM和XGBoost组合模型对预处理好的数据集进行故障风险预测并生成
8.一种基于设备故障风险的电力调度故障集智能生成系统，基于权利要求1～7任一所述的基于设备故障风险的电力调度故障集智能生成方法，其特征在于：包括，
9.一种计算机设备，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权利要求1～7任一所述的基于设备故障风险的电力调度故障集智能生成方法的步骤。
10.一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权利要求1～7任一所述的基于设备故障风险的电力调度故障集智能生成方法的步骤。
...【技术特征摘要】
1.一种基于设备故障风险的电力调度故障集智能生成方法，其特征在于：包括：
2.如权利要求1所述的基于设备故障风险的电力调度故障集智能生成方法，其特征在于：所述建立基于电力设备运行状态的风险模型的步骤包括：
3.如权利要求1所述的基于设备故障风险的电力调度故障集智能生成方法，其特征在于：所述电力设备出力与故障概率模型的公式为：
4.如权利要求3所述的基于设备故障风险的电力调度故障集智能生成方法，其特征在于：所述数据集的关键特征的提取由饱和自动编码器进行；
5.如权利要求4所述的基于设备故障风险的电力调度故障集智能生成方法，其特征在于：通过所述解码器将内部表征转换为输出的步骤包括：
6.如权利要求5所述的基于设备故障风险的电力调度故障集智能生成方法，其特征在于：所述利用饱和自动编码器提取数据集的关键特征进行数据预处理的步...
【专利技术属性】
技术研发人员：崔占飞，闫朝阳，赵玉林，葛亚明，仇晨光，熊浩，张振华，戴上，
申请(专利权)人：国网江苏省电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。