System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请一般地涉及电力系统预警,尤其涉及一种复杂场景下电力系统的实时预警方法。
技术介绍
1、电力系统中包括无功功率补偿器、逆变器和变压器等多个电气设备,每个用电设备在电力系统中通过输电线路连接在一起。由于电力系统中输电线路错综复杂,不同电气设备的连接关系导致每个用电设备在电力系统中的场景不同,比如,变压器和用电设备相连,而逆变器和发电设备相连,则变压器和逆变器在电力系统所处的场景不同。
2、目前,公开号为cn112949947a的专利申请文件公开了一种基于卷积长短期记忆网络的电力故障预警方法及系统,其中的方法包括:获取目标区域内每种电力设备预处理后的历史电压数据;并将预处理后的历史电压数据输入预设的卷积长短期记忆网络模型中,对预设的卷积长短期记忆网络模型的网络参数进行训练,获得训练后的卷积长短期记忆网络模型;将预处理后的历史电压数据输入训练后的卷积长短期记忆网络模型,得到每种电力设备的预测历史电压数据;分别计算所述每种电力设备的预测历史电压数据的霍特林统计量,并确定每种电力设备电压数据的霍特林统计量的阈值;获取目标区域内每种电力设备的实时电压数据,并对所述实时电压数据进行预处理后输入到训练后的卷积长短期记忆网络模型,获得每种电力设备的预测实时电压数据;分别计算所述每种电力设备的预测实时电压数据的霍特林统计量,并判断所述每种电力设备的预测实时电压数据的霍特林统计量是否小于所述每种电力设备电压数据的霍特林统计量的阈值,若是,则对应电力设备正常,若否,则对应的电力设备异常。
3、然而,上述方法虽然能够依据每种电
技术实现思路
1、为了解决现有技术中的上述技术问题,本申请提供了一种复杂场景下电力系统的实时预警方法,能够提高实时预警的准确性。
2、本专利技术提供了一种复杂场景下电力系统的实时预警方法,所述实时预警方法包括:构建电力系统的拓扑结构图,并利用图嵌入算法获取所述拓扑结构图中每个设备节点的场景特征,所述拓扑结构图包括电力系统中的设备节点以及任意设备节点之间的连接关系;将任意设备节点的历史用电参数序列输入预警分类模型以获取平均分类置信度,基于所述平均分类置信度将所有场景特征划分为复杂场景特征和简单场景特征;对所有复杂场景特征进行聚类操作以获取多种复杂场景子特征,并依据预警分类模型输出的序列特征计算每种复杂场景子特征的非故障标准序列特征;采集目标设备节点的实时用电参数序列,将所述实时用电参数序列输入所述预警分类模型;响应于所述目标设备节点为简单场景特征,基于所述预警分类模型输出的分类结果进行实时预警;响应于所述目标设备节点为复杂场景特征,基于所述预警分类模型输出的序列特征和故障概率、所述目标设备节点的场景特征、多种复杂场景子特征以及每种复杂场景子特征的非故障标准序列特征计算目标分类结果,并基于所述目标分类结果进行实时预警;其中,所述预警分类模型包括时序编码器和分类器,所述时序编码器对输入的用电参数序列进行时序特征提取以获取序列特征,将所述序列特征输入所述分类器以获取故障概率,并依据所述故障概率确定分类结果和分类置信度,所述分类结果包括故障和非故障。
3、在一些实施例中,所述预警分类模型的训练方法包括:采集任意设备节点的用电参数样本序列,并获取所述用电参数样本序列的类别标签,所述类别标签包括故障和非故障;将所述用电参数样本序列输入所述时序编码器以提取时序特征,并将提取到的序列特征输入所述分类器以获取故障概率;基于所述故障概率和所述类别标签计算二分类交叉熵损失,依据所述二分类交叉熵进行反向传播以更新所述时序编码器和所述分类器;迭代地采集任意设备节点的用电参数样本序列以更新所述时序编码器和所述分类器,响应于所述二分类交叉熵损失小于设定损失值时,停止迭代,得到训练完毕的预警分类模型。
4、在一些实施例中,所述分类置信度满足关系式:
5、
6、其中,p为所述预警分类模型输出的故障概率,z为所述分类置信度。
7、在一些实施例中,所述将任意设备节点的历史用电参数序列输入预警分类模型以获取平均分类置信度,基于所述平均分类置信度将所有场景特征划分为复杂场景特征和简单场景特征包括:对于任意一个设备节点,采集多个历史用电参数序列,并依次将多个历史用电参数序列输入所述预警分类模型以获取每个历史用电参数序列的分类置信度;计算所有历史用电参数序列对应分类置信度的均值,作为所述设备节点的平均分类置信度;响应于所述平均分类置信度小于置信度阈值,将所述设备节点的场景特征作为复杂场景特征;响应于所述平均分类置信度不小于所述置信度阈值,将所述设备节点的场景特征作为简单场景特征。
8、在一些实施例中,所述对所有复杂场景特征进行聚类操作以获取多种复杂场景子特征包括:设定初始聚类数,利用kmeans聚类算法对所有复杂场景特进行聚类操作以获取多个初始聚类簇,所述初始聚类簇的数量等于所述初始聚类数,一个初始聚类簇包括至少一个复杂场景特征;在一个初始聚类簇中,计算所有复杂场景特征的平均特征,并计算每个复杂场景特征与所述平均特征之间的欧氏距离,计算所有欧氏距离的方差作为所述初始聚类簇的聚类评价值;响应于所述聚类评价值小于设定评价值,将所述初始聚类簇作为目标聚类簇;响应于所述聚类评价值不小于所述设定评价值,利用kmeans聚类算法对所述初始聚类簇中的复杂场景特进行聚类操作以获取初始聚类数个新增初始聚类簇;迭代地执行聚类操作,直至所有新增初始聚类簇均为目标聚类簇时停止迭代,并将每个目标聚类簇的平均特征作为一种复杂场景子特征。
9、在一些实施例中,所述依据预警分类模型输出的序列特征计算每种复杂场景子特征的非故障标准序列特征包括:对于一种复杂场景子特征,将对应目标聚类簇中所有复杂场景特征对应的设备节点作为参考设备节点;采集任意一个参考设备节点的多个历史用电参数序列,并基于所述预警分类模型获取每个历史用电参数序列的历史序列特征、分类结果和分类置信度;响应于所述分类结果为非故障,储存所述历史序列特征和分类置信度以获取非故障集合;基于所述非故障集合计算每个参考设备节点的非故障序列特征;依据参考设备的设备种类对所有非故障序列特征进行分类以获取每种设备种类的非故障序列特征,并计算每种设备种类非故障序列特征的平均序列以获取每种设备种类的非故障标准序列特征,其中,每种设备种类的非故障标准序列特征对应于所述复杂场景子特征的非故障标准序列特征。
10、在一些实施例中,所述非故障序列特征满足关系式:
11、
12、其中,zi,j为第i个参考设备节点的非故障集合中第j个历史序列特征对应的分类置信度,hi,j为第i个参考设备节点的非故障集合中第j个历史序列特征,ni为第i个参考设备节点的非故障集合中历史序列特征的总数,sum为非故障集合中所有分类置信度的总和,hi本文档来自技高网...
【技术保护点】
1.一种复杂场景下电力系统的实时预警方法,其特征在于,所述实时预警方法包括:
2.如权利要求1所述的一种复杂场景下电力系统的实时预警方法,其特征在于,所述预警分类模型的训练方法包括:
3.如权利要求1所述的一种复杂场景下电力系统的实时预警方法,其特征在于,所述分类置信度满足关系式:
4.如权利要求3所述的一种复杂场景下电力系统的实时预警方法,其特征在于,所述将任意设备节点的历史用电参数序列输入预警分类模型以获取平均分类置信度,基于所述平均分类置信度将所有场景特征划分为复杂场景特征和简单场景特征包括:
5.如权利要求1所述的一种复杂场景下电力系统的实时预警方法,其特征在于,所述对所有复杂场景特征进行聚类操作以获取多种复杂场景子特征包括:
6.如权利要求5所述的一种复杂场景下电力系统的实时预警方法,其特征在于,所述依据预警分类模型输出的序列特征计算每种复杂场景子特征的非故障标准序列特征包括:
7.如权利要求6所述的一种复杂场景下电力系统的实时预警方法,其特征在于,所述非故障序列特征满足关系式:
8.如
9.如权利要求8所述的一种复杂场景下电力系统的实时预警方法,其特征在于,所述故障预测概率满足关系式:
10.如权利要求8所述的一种复杂场景下电力系统的实时预警方法,其特征在于,基于所述故障预测概率和所述预警分类模型输出的故障概率获取目标分类结果包括:
...【技术特征摘要】
1.一种复杂场景下电力系统的实时预警方法,其特征在于,所述实时预警方法包括:
2.如权利要求1所述的一种复杂场景下电力系统的实时预警方法,其特征在于,所述预警分类模型的训练方法包括:
3.如权利要求1所述的一种复杂场景下电力系统的实时预警方法,其特征在于,所述分类置信度满足关系式:
4.如权利要求3所述的一种复杂场景下电力系统的实时预警方法,其特征在于,所述将任意设备节点的历史用电参数序列输入预警分类模型以获取平均分类置信度,基于所述平均分类置信度将所有场景特征划分为复杂场景特征和简单场景特征包括:
5.如权利要求1所述的一种复杂场景下电力系统的实时预警方法,其特征在于,所述对所有复杂场景特征进行聚类操作以获取多种复杂场景子特征包括:
6.如权利要求5所述的一种复杂场景下电力系...
【专利技术属性】
技术研发人员:谷世铭,李强,赵建伟,郑越峰,王勇,潘飚,周萌,王炳辉,孙文阳,程爱粉,温凯,宋磊,蒋海彤,杨慧乔,
申请(专利权)人:国网思极位置服务有限公司,
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。