【技术实现步骤摘要】
本申请涉及电力系统监测领域，具体而言，涉及一种基于大数据的电力系统风险预警方法。
技术介绍
1、电力系统中，风电场是电力系统中重要的组成部分之一。风电场通过风力发电机将风能转换为电能，并将所产生的电能输送至电力系统中。这样，风电场为电力系统提供了清洁的、可再生的电能来源。而风电场的发电量受到风速的影响，随着风速的变化，风电场的发电量也会波动。电力系统需要进行合理的能源调度，以确保系统的稳定运行和电能供需平衡。风电场作为清洁能源的代表，可以有效减少对传统化石能源的依赖，降低温室气体排放，从而减少环境污染，实现节能减排的目标。风电场的接入对电力系统的运行和规划提出了新的挑战和机遇。
2、风电场作为利用风能的重要设施之一，其规模和数量也在不断增长。随着风电场的扩张，对其运行和维护提出了更高的要求，而有效的风险预警系统成为确保风电场可靠性和安全性的关键。同时，风电场运营面临多种潜在的风险，包括设备故障、气象变化、运营管理不当等。这些风险可能导致设备损坏、能源损失甚至事故发生，直接影响风电场的经济性和可持续性。因此，采取及时、准确的风险预警措施，成为保障风电场正常运营的必要手段。
3、在风电场运营中，监测和数据采集起到了至关重要的作用，而数据采集与监视控制（supervisory control and data acquisition，scada）系统作为监测和控制的核心组成部分，为获取风电场运行状态提供了丰富的实时数据。
4、scada系统通过监测涉及风机、传感器、变流器等各种设备的运行数据，能够实
5、现有的风电场运行风险，主要包括了设备故障的识别与分析、气象条件对风电场运行的影响、运营管理策略的优化等方面。然而，随着风电场规模的扩大和运营环境的复杂化，对于风险预警系统的需求也在不断提高。此外，现代数据分析技术和机器学习算法的不断进步，为基于scada数据的风电场风险预警提供了更为丰富和灵活的工具。通过引入数据挖掘技术和先进的预测模型，可以更准确地识别风险信号并提前采取措施，从而最大程度地降低潜在风险对风电场运营的不利影响。
6、因此，基于scada数据实现风电场风险预警，是当前风电场运营和电力系统管理中亟待解决的问题。
技术实现思路
1、本申请实施例的目的在于提供一种基于大数据的电力系统风险预警方法，以实现风电场的风险预警。
2、为了实现上述目的，本申请的实施例通过如下方式实现：
3、第一方面，本申请实施例提供一种基于大数据的电力系统风险预警方法，用于对风电场进行风险预警，包括：获取待监测风电场中各节点的实时监测数据，其中，实时监测数据至少包含风速、温度、湿度、电流、电压、功率、风能利用率、开机运行比率；对实时监测数据进行处理，形成输入向量；将输入向量输入至构建好的风电场风险监测模型中，通过风电场风险监测模型基于输入向量对风电场进行风险监测，得到风险监测结果，在风险监测结果表示存在风险时，进行风险预警。
4、结合第一方面，在第一方面的第一种可能的实现方式中，风电场风险监测模型的构建过程包括：获取风电场中各节点的历史监测数据集，其中，历史监测数据集包含多条历史监测数据，每条历史监测数据至少包含风速、温度、湿度、电流、电压、功率、风能利用率、开机运行比率和用于揭示对应节点是否正常的状态标签；对历史监测数据集中的每条历史监测数据进行预处理后，基于状态标签对历史监测数据进行分类，得到第一数据集和第二数据集；对第一数据集和第二数据集采用样本平衡策略进行处理，形成包含n个样本的样本集；对样本集中的样本进行聚类，形成m个聚类中心，并基于每个样本与m个聚类中心，生成每个样本对应的特征向量，其中，每个特征向量附带状态标签；将n个特征向量划分为训练集和测试集；构建神经网络模型，并利用训练集和测试集对神经网络模型进行训练和测试，得到训练好的风电场风险监测模型。
5、结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，对历史监测数据集中的每条历史监测数据进行预处理后，基于状态标签对历史监测数据进行分类，得到第一数据集和第二数据集，包括：对历史监测数据集中的每条历史监测数据进行数据清洗；对数据清洗后的每条历史监测数据进行特征衍生，确定出各节点的偏航误差、功率梯度、时间尺度特征、参数统计特征；基于每条历史监测数据对应的状态标签，对特征衍生后的历史监测数据进行分类，确定出第一数据集和第二数据集，其中，第一数据集中每条特征衍生后的历史监测数据的状态标签为正常状态，第二数据集中每条特征衍生后的历史监测数据的状态标签为异常状态。
6、结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，对第一数据集和第二数据集采用样本平衡策略进行处理，形成包含n个样本的样本集，包括：针对第一数据集：进行样本抽样；针对第二数据集：采用生成对抗网络对第二数据集进行样本扩充；将抽样后的第一数据集与扩充后的第二数据集合并，形成包含n个样本的样本集。
7、结合第一方面的第一种可能的实现方式，在第一方面的第四种可能的实现方式中，对样本集中的样本进行聚类，形成m个聚类中心，包括：对于样本集，计算每两个样本的相似度，确定出相似度矩阵；构建吸引度矩阵和隶属度矩阵；对吸引度矩阵和隶属度矩阵进行迭代更新，每次迭代更新当前迭代次数的聚类中心，直到满足终止条件时完成聚类，共计得到个聚类中心，其中，终止条件为达到设定的迭代次数，或者当前迭代得到的聚类中心与第上次迭代得到的聚类中心相同。
8、结合第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，计算每两个样本的相似度，确定出相似度矩阵，包括：时，采用以下公式计算每两个样本之间的相似度，其中，，，均为样本编号：
9、,
10、,
11、其中，为样本对样本的相似度，为样本集中每个样本的维度总数，为样本中第个维度对应的权重，为样本中的风速，为样本中的风速，为样本中第个维度的参数，为样本中第个维度的参数，为样本中第个维度在风速时的参考值，为取大值，为取小值；时，,表示样本对样本的相似度；相似度矩阵为：,
12、其中，为相似度矩阵。
13、结合第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，对吸引度矩阵和隶属度矩阵进行迭代更新，包括：采用以下公式更新吸引度矩阵和隶属度矩阵：
14、，
15、，
16、其中，为第次迭代的吸引度矩阵中，样本作为样本的聚类中心的适合程本文档来自技高网...
【技术保护点】
1.一种基于大数据的电力系统风险预警方法，其特征在于，用于对风电场进行风险预警，包括：
2.根据权利要求1所述的基于大数据的电力系统风险预警方法，其特征在于，对历史监测数据集中的每条历史监测数据进行预处理后，基于状态标签对历史监测数据进行分类，得到第一数据集和第二数据集，包括：
3.根据权利要求1所述的基于大数据的电力系统风险预警方法，其特征在于，对样本集中的样本进行聚类，形成M个聚类中心，包括：
4.根据权利要求3所述的基于大数据的电力系统风险预警方法，其特征在于，计算每两个样本的相似度，确定出相似度矩阵，包括：
5.根据权利要求4所述的基于大数据的电力系统风险预警方法，其特征在于，对吸引度矩阵和隶属度矩阵进行迭代更新，包括：
6.根据权利要求5所述的基于大数据的电力系统风险预警方法，其特征在于，基于每个样本与M个聚类中心，生成每个样本对应的特征向量，包括：
7.根据权利要求1所述的基于大数据的电力系统风险预警方法，其特征在于，将N个特征向量划分为训练集和测试集，包括：
8.根据权利要求1所述的
...【技术特征摘要】
1.一种基于大数据的电力系统风险预警方法，其特征在于，用于对风电场进行风险预警，包括：
2.根据权利要求1所述的基于大数据的电力系统风险预警方法，其特征在于，对历史监测数据集中的每条历史监测数据进行预处理后，基于状态标签对历史监测数据进行分类，得到第一数据集和第二数据集，包括：
3.根据权利要求1所述的基于大数据的电力系统风险预警方法，其特征在于，对样本集中的样本进行聚类，形成m个聚类中心，包括：
4.根据权利要求3所述的基于大数据的电力系统风险预警方法，其特征在于，计算每两个样本的相似度，确定出相似度...
【专利技术属性】
技术研发人员：高喜辰，林付章，李兴友，李梅容，
申请(专利权)人：中智福建科技有限公司，
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。