一种多维风电爬坡事件智能检测方法技术

本发明专利技术公开了一种多维风电爬坡事件智能检测方法。本发明专利技术首先基于不同定义下风电爬坡事件的人工标注，融合不同定义下爬坡事件的多维属性特征，利用Alexnet神经网络模型充分学习多维风电爬坡事件特征，进行风电爬坡事件的智能检测；然后基于置信度设计了爬坡事件智能检测结果的不确定性可视设计方案，帮助用户从不同维度分析和判断爬坡事件的检测结果，增加爬坡事件智能检测结果的可解释性分析。本发明专利技术结合人机交互设计了模型动态优化方法，支持用户交互式探索检测结果的准确性，进而交互式迭代更新样本，实现智能监测模型的动态优化。本发明专利技术增加风电爬坡事件检测结果的可解释性方案，帮助用户交互式探索风电爬坡事件检测结果的不确定性。的不确定性。的不确定性。

【技术实现步骤摘要】
一种多维风电爬坡事件智能检测方法


[0001]本专利技术属于信息
，具体涉及一种基于Alexnet神经网络模型的多维风电爬坡事件智能检测方法。

技术介绍

[0002]风能是一种清洁可再生资源，具有明显的环境效益优势，被广泛纳入电力系统进行风力发电。风力发电可有效缓解空气污染、水污染和全球变暖等环境污染，为经济增长提供稳定的电力供应。然而，风能的间歇性和可变性也威胁着电力系统的安全运行，风电短时间内的大幅波动，如显著增加或减少，会导致风电爬坡事件的产生，会造成大规模停电等事故，影响电力系统的可靠性、安全性和经济性，对电力电网运行造成重大安全风险或严重经济损失。爬坡事件的定在不同的研究和电网中有所不同。风电爬坡事件的准确检测是研究爬坡事件的重要前提，基于爬坡定义的检测方法被广泛应用于爬坡事件的研究。例如，Haiyang等通过时间区间内风电功率的差值与区间的比值是否大于阈值来定义爬坡事件。Kamath等还根据特定时间间隔内的范围风电功率波动的幅值来判断风力爬坡事件。不同的爬坡事件定义有各自的优缺点和适用范围，因此，综合考虑不同定义下风电爬坡事件的多种特征设计多维风电爬坡事件智能检测方法有利于风电爬坡事件的准确识别。
[0003]可视分析技术可以充分利用人类视觉感知系统，直观地呈现风电爬坡事件的检测结果。然而由于风电爬坡事件检测模型只能获得爬坡或非爬坡的结果，并且不能提供检测结果的解释分析，不利于爬坡事件的进一步探索。经过与领域专家的密切讨论，他们提出直观呈现风电爬坡事件检测结果的不确定性和可解释性，能够协助用户及时感知爬坡事件检测结果的误差，进而交互式迭代优化检测结果，有利于风电爬坡事件的进一步检测。因此，设计风电爬坡事件检测模型，并进行检测结果可解释性的可视化对风电爬坡事件检测及模型优化十分重要。
[0004]然而在实现领域专家的想法仍存在三个技术问题：(1)如何综合考虑风电爬坡事件的多种复杂特征，基于机器学习方法设计风电爬坡事件的检测模型；(2)如何设计可视化方法提供风电爬坡事件检测结果的可解释性，允许用户从不同维度感知风电爬坡事件的不确定性。(3)如何基于具有较高不确定性的风电爬坡事件检测结果，进行模型地迭代优化以提高检测模型的准确性。

技术实现思路

[0005]本专利技术的目的就是提供一种基于Alexnet神经网络模型的多维风电爬坡事件智能检测方法。
[0006]为实现上述目的，本专利技术所采取的技术方案是：
[0007]步骤(1).基于多种定义下进行风电爬坡事件数据标签的人工标注，融合不同定义下风电爬坡事件的多维属性特征，利用Alexnet神经网络模型进行多维风电爬坡事件特征学习，进而构建多维风电爬坡事件的智能检测模型，以全面检测不同场景的风电爬坡事件。
[0008]步骤(2).基于智能检测结果，设计日历热力图和功率曲线图呈现风电爬坡事件的检测结果。基于置信度设计联动交互的柱状图和棒棒糖图，可视化风电爬坡事件检测结果的不确定性，增加检测结果的可解释性。
[0009]步骤(3).将可视化与人机交互相结合，设计散点图、平行坐标图以及具有相似功率趋势的事件折线图，辅助用户交互式判断所选事件检测结果的准确性。针对检测错误的事件，控制面板支持样本标签批量式迭代更新，进而实现风电爬坡事件智能模型的动态优化。
[0010]进一步地，步骤(1)中，按以下方法进行风电爬坡事件智能检测：
[0011](1
‑
1)由用户设置时间间隔作为一个事件，结合以下五个定义下的风电爬坡事件特征进行数据集的人工标注，获得有标签的训练集；
[0012]用户预先设定五个阈值参数λ1、λ2、λ3、λ4和λ5；
[0013]定义1.如果|P(t+ΔT)
‑
P(t)|＞λ1，则发生爬坡事件，否则未发生爬坡事件；ΔT为设置的时间间隔，P(t)为t时刻的风电功率，P(t+ΔT)为t+ΔT时刻的风电功率；
[0014]定义2.如果max(P[t,t+ΔT])
‑
min(P[t,t+ΔT])＞λ2，则发生爬坡事件，否则未发生爬坡事件；P[t,t+ΔT]为t时刻到t+ΔT时刻内风电功率序列；
[0015]定义3.如果则发生爬坡事件，否则未发生爬坡事件；
[0016]定义4.如果则发生爬坡事件，否则未发生爬坡事件；t时刻的风电功率滤波信号H表示时间窗的最大取值，P
t+h
为t+h时刻的风电功率，P
t+h
‑
H
为t+h
‑
H时刻的风电功率；
[0017]定义5.如果则发生爬坡事件，否则未发生爬坡事件；风电功率序列内第n个样本的风电功率的变化量N为设定时间间隔内风电功率序列中的样本个数，t
n
表示第n个样本所在时间，P(t
n+1
)表示风电功率序列内第n+1个样本的风电功率，P(t
n
‑1)表示风电功率序列内第n
‑
1个样本的风电功率。
[0018](1
‑
2)基于Alexnet神经网络模型构建多维风电爬坡事件智能检测模型，将训练集的事件的风电功率及其种类标签作为初始AlexNet网络模型的输入项，采用小批量随机梯度下降算法，对初始AlexNet网络模型进行训练直至满足预设条件，获取目标AlexNet网络模型，以充分学习不同定义下的多维风电爬坡事件特征，全面检测不同场景下的风电爬坡事件；
[0019](1
‑
3)将测试集数据事件的多个功率值作为输入值，输入多维风电爬坡事件智能检测模型，根据模型已经学习到的爬坡事件多维属性特征进行多维风电爬坡事件的特征识别，获得类别的概率输出及是否爬坡的智能检测结果。
[0020](1
‑
4)爬坡事件智能检测结果存在四种情况：爬坡事件实际发生，模型检测结果也为发生爬坡；爬坡事件实际发生，但模型检测结果为未发生爬坡；爬坡事件实际并未发生，但模型检测结果为发生爬坡事件；爬坡事件实际并未发生，模型检测结果也为未发生爬坡；四种情况的发生的事件个数依次为N
TP
、N
FN
、N
FP
、N
TN
。
[0021]计算检测模型性能的指标准确性(accuracy)召回率(recall)精度(precision)漏报率(missing report rate)和误报率(false alarm rate)对基于Alexnet神经网络的风电爬坡事件智能检测模型和基于其他机器学习的检测模型进行评估。
[0022]进一步，步骤(2)中，按照以下方法进行风电爬坡事件的检测结果可视化：
[0023](2
‑
1)基于智能检测结果，设计日历热力图和功率曲线图可视化风电爬坡事件的检测结果；所述的日历热力图以日历格式呈现每一天的风电爬坡事件数量，颜色映射爬坡事件数量多少；所述的功率曲线图展示某一天的不同时刻的功本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多维风电爬坡事件智能检测方法，其特征在于：步骤(1).基于多种定义下进行风电爬坡事件数据标签的人工标注，融合不同定义下风电爬坡事件的多维属性特征，利用Alexnet神经网络模型进行多维风电爬坡事件特征学习，进而构建多维风电爬坡事件的智能检测模型；步骤(2).基于智能检测结果，设计日历热力图和功率曲线图呈现风电爬坡事件的检测结果；基于置信度设计联动交互的柱状图和棒棒糖图，可视化风电爬坡事件检测结果的不确定性，增加检测结果的可解释性；步骤(3).将可视化与人机交互相结合，设计散点图、平行坐标图以及具有相似功率趋势的事件折线图，辅助用户交互式判断所选事件检测结果的准确性；针对检测错误的事件，控制面板支持样本标签批量式迭代更新，进而实现风电爬坡事件智能模型的动态优化。2.如权利要求1所述的一种多维风电爬坡事件智能检测方法，其特征在于：步骤(1)中，按以下方法进行风电爬坡事件智能检测：(1
‑
1)由用户设置时间间隔作为一个事件，结合以下五个定义下的风电爬坡事件特征进行数据集的人工标注，获得有标签的训练集；用户预先设定五个阈值参数λ1、λ2、λ3、λ4和λ5；定义1.如果|P(t+ΔT)
‑
P(t)|＞λ1，则发生爬坡事件，否则未发生爬坡事件；ΔT为设置的时间间隔，P(t)为t时刻的风电功率，P(t+ΔT)为t+ΔT时刻的风电功率；定义2.如果max(P[t,t+ΔT])
‑
min(P[t,t+ΔT])＞λ2，则发生爬坡事件，否则未发生爬坡事件；P[t,t+ΔT]为t时刻到t+ΔT时刻内风电功率序列；定义3.如果则发生爬坡事件，否则未发生爬坡事件；定义4.如果则发生爬坡事件，否则未发生爬坡事件；t时刻的风电功率滤波信号H表示时间窗的最大取值，P
t+h
为t+h时刻的风电功率，P
t+h
‑
H
为t+h
‑
H时刻的风电功率；定义5.如果则发生爬坡事件，否则未发生爬坡事件；风电功率序列内第n个样本的风电功率的变化量N为设定时间间隔内风电功率序列中的样本个数，t
n
表示第n个样本所在时间，P(t
n+1
)表示风电功率序列内第n+1个样本的风电功率，P(t
n
‑1)表示风电功率序列内第n
‑
1个样本的风电功率；(1
‑
2)基于Alexnet神经网络模型构建多维风电爬坡事件智能检测模型，将训练集的事件的风电功率及其种类标签作为初始AlexNet网络模型的输入项，采用小批量随机梯度下降算法，对初始AlexNet网络模型进行训练直至满足预设条件，获取目标AlexNet网络模型；(1
‑
3)将测试集数据事件的多个功率值作为输入值，输入多维风电爬坡事件智能检测模型，根据模型已经学习到的爬坡事件多维属性特征进行多维风电爬坡事件的特征识别，获得类别的概率输出及是否爬坡的智能检测结果；(1
‑
4)爬坡事件智能检测结果存在四种情况：爬坡事件实际发生，模型检测结果也为发
生爬坡；爬坡事件实际发生，但模型检测结果为未发生爬坡；爬坡事件实际并未发生，但模型检测结果为发生爬坡事件；爬坡事件实际并未发生，模型检...

【专利技术属性】
技术研发人员：张翔，倪瑜那，赵坚，傅俊伟，周志光，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：