【技术实现步骤摘要】
本专利技术属于电力，具体涉及一种低频振荡态势感知预测方法及设备。
技术介绍
1、随着电网规模日益增大，新能源接入后电网运行方式与结构越来越复杂，大大增加新型电力系统安全稳定控制难度，低频振荡已经成为影响新型电力系统稳定运行的重要问题。为了保障电网安全稳定运行，避免低频振荡现象发生，研究新型电力系统低频振荡预测问题迫在眉睫，提前对可能发生低频振荡时刻进行预测，并及时采取手段进行防控，对提高新型电力系统稳定性，提升电网监控能力，保障电网安全运行，优化电网调度和管理具有重大意义。
2、目前，对于新型电力系统低频振荡态势感知的电网系统普遍存在态势感知模型考虑因素过少，对端点效应现象改进不大，数据集与实际环境存在差异，研究不完善，有些关键方面还处于初级阶段，以及不能对综合指标进行态势感知。为解决上述问题，采用采用机器学习模型如随机森林方法、bp神经网络方法对综合指标数据集进行多次预测。
3、然而，采用上述方法对综合指标数据集多次预测时，出现模型精度变化现象，得到的预测结果存在精度不高及精度不稳定的缺陷。
技术实现思路
1、本专利技术提供一种低频振荡态势感知预测方法及设备，用以解决上述问题。
2、本专利技术提供一种低频振荡态势感知预测方法，包括：
3、获取待预测的低频振荡指标数据；
4、将所述低频振荡指标数据输入低频振荡态势感知预测模型中，得到所述低频振荡态势感知预测模型输出的预测结果；
5、其中，所述低频振荡态势感知预测
6、所述低频振荡态势感知预测模型用于基于改进的动量梯度下降法对logistic回归算法中的权重参数进行优化，将logistic回归算法按照优化后的权重参数进行更新，基于权重参数更新后的logistic回归算法对待预测的低频振荡指标数据进行预测。
7、根据本专利技术提供的低频振荡态势感知预测方法，所述样本低频振荡指标数据通过以下步骤获取：
8、获取多个维度的低频振荡单一指标数据，基于各维度所述低频振荡单一指标数据得到低频振荡综合指标数据；
9、根据预设的各维度所述单一指标数据的阈值，得到综合指标数据阈值；
10、基于所述综合指标数据阈值，对所述低频振荡综合指标数据进行标签标注，以得到样本低频振荡指标数据。
11、根据本专利技术提供的低频振荡态势感知预测方法，所述基于各维度所述低频振荡单一指标数据得到低频振荡综合指标数据，包括：
12、根据实际任务需求，预先设定各维度所述低频振荡单一指标数据的权重，构建权重集；
13、基于各维度所述低频振荡单一指标数据，得到与各维度所述低频振荡单一指标数据相关联的模糊评价矩阵；
14、基于所述权重集及所述模糊评价矩阵，得到各维度所述低频振荡单一指标数据的隶属度；
15、基于所述各维度所述低频振荡单一指标数据的隶属度，利用指数加权算法，得到低频振荡综合指标数据。
16、根据本专利技术提供的低频振荡态势感知预测方法，所述根据预设的各维度所述单一指标数据的阈值，得到综合指标数据阈值，包括：
17、根据实际任务需求，预先设定各维度所述单一指标数据对应的单一指标阈值；
18、当所述单一指标数据小于对应的单一指标阈值时，标记为安全，否则，标记为危险；
19、响应于所述综合指标数据对应的单一指标数据的标记全部为安全，确定所述综合指标数据的标记为安全，在标记为安全的所述综合指标数据中得到综合指标数据的最小值，即为综合指标数据阈值。
20、根据本专利技术提供的低频振荡态势感知预测方法，所述基于所述综合指标数据阈值，对所述低频振荡综合指标数据进行标签标注，以得到样本低频振荡指标数据，包括：
21、将所述低频振荡综合指标数据与所述综合指标数据阈值进行对比，在所述低频振荡综合指标数据小于所述综合指标数据阈值的情况下，标注标签为0，反之，标注标签为1，将标签标注后的低频振荡综合指标数据作为样本低频振荡指标数据。
22、根据本专利技术提供的低频振荡态势感知预测方法，在得到所述样本低频振荡指标数据之后，还包括：
23、对所述样本低频振荡指标数据进行归一化处理，得到归一化处理后的样本低频振荡指标数据。
24、根据本专利技术提供的低频振荡态势感知预测方法，所述基于改进的动量梯度下降法对logistic回归算法中的权重参数进行优化，具体包括：
25、对归一化处理后的样本低频振荡指标数据进行l2正则化处理，得到l2正则化项的梯度值；
26、将所述l2正则化项的梯度值加入所述logistic回归算法的损失函数的梯度中，利用改进的动量梯度下降法，对所述损失函数的梯度进行优化，得到优化后的梯度方向及logistic回归参数；
27、其中，所述改进的动量梯度下降法通过在梯度下降法中加入动态学习率和动量更新量得到；所述动量更新量用于将当前梯度下降速度与前一步梯度下降速度相关联，以减缓梯度下降速度；所述动态学习率用于根据历史梯度信息和当前迭代次数动态调整所述logistic回归算法的学习率；
28、将优化后的所述logistic回归参数代入所述logistic回归算法中，对所述样本低频振荡指标数据进行预测，得到所述样本低频振荡指标数据的预测结果；
29、基于所述样本低频振荡指标数据的预测结果与所述样本低频振荡指标数据对应的真实感知结果，对所述logistic回归算法中的权重参数进行优化，其中，所述样本低频振荡指标数据对应的真实感知结果为所述样本低频振荡指标数据的标签标注的结果。
30、根据本专利技术提供的低频振荡态势感知预测方法，所述动量更新量为：
31、
32、其中，v是动量更新量，γ是动量因子，θ是待更新参数，α是学习率，j(θ)为损失函数，是损失函数j(θ)对θ的梯度；
33、所述动态学习率为：
34、
35、其中，α为初始学习率，t为迭代次数，β是一个正常数，用来控制学习率下降速度。
36、本专利技术还提供了一种低频振荡态势感知预测装置，包括：
37、获取模块，用于获取待预测的低频振荡指标数据；
38、预测模块，用于将所述低频振荡指标数据输入低频振荡态势感知预测模型中，得到所述低频振荡态势感知预测模型输出的预测结果；
39、其中，所述低频振荡态势感知预测模型采用logistic回归算法，基于样本低频振荡指标数据、所述样本低频振荡指标数据对应的低频振荡态势感知预测结果以及所述样本低频振荡指标数据对应的真实感知结果，对所述logistic回归算法中的权重参数进行训练得到的；本文档来自技高网...
【技术保护点】
1.一种低频振荡态势感知预测方法，其特征在于，包括：
2.根据权利要求1所述的低频振荡态势感知预测方法，其特征在于，所述样本低频振荡指标数据通过以下步骤获取：
3.根据权利要求2所述的低频振荡态势感知预测方法，其特征在于，所述基于各维度所述低频振荡单一指标数据得到低频振荡综合指标数据，包括：
4.根据权利要求2所述的低频振荡态势感知预测方法，其特征在于，所述根据预设的各维度所述单一指标数据的阈值，得到综合指标数据阈值，包括：
5.根据权利要求2所述的低频振荡态势感知预测方法，其特征在于，所述基于所述综合指标数据阈值，对所述低频振荡综合指标数据进行标签标注，以得到样本低频振荡指标数据，包括：
6.根据权利要求1或2所述的低频振荡态势感知预测方法，其特征在于，在得到所述样本低频振荡指标数据之后，还包括：
7.根据权利要求6所述的低频振荡态势感知预测方法，其特征在于，所述基于改进的动量梯度下降法对Logistic回归算法中的权重参数进行优化，具体包括：
8.根据权利要求7所述的低频振荡态势感知预测方法，
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述低频振荡态势感知预测方法。
10.一种非暂态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如权利要求1至8任一项所述低频振荡态势感知预测方法。
...【技术特征摘要】
1.一种低频振荡态势感知预测方法，其特征在于，包括：
2.根据权利要求1所述的低频振荡态势感知预测方法，其特征在于，所述样本低频振荡指标数据通过以下步骤获取：
3.根据权利要求2所述的低频振荡态势感知预测方法，其特征在于，所述基于各维度所述低频振荡单一指标数据得到低频振荡综合指标数据，包括：
4.根据权利要求2所述的低频振荡态势感知预测方法，其特征在于，所述根据预设的各维度所述单一指标数据的阈值，得到综合指标数据阈值，包括：
5.根据权利要求2所述的低频振荡态势感知预测方法，其特征在于，所述基于所述综合指标数据阈值，对所述低频振荡综合指标数据进行标签标注，以得到样本低频振荡指标数据，包括：
6.根据权利要求1或2所述的低频振荡态...
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。