一种基于深度学习的电网在线时空预测方法技术

本发明专利技术公开了电力系统人工智能及预测技术领域的一种基于深度学习的电网在线时空预测方法，包括如下步骤：先设计图卷积网络捕捉电网的空间拓扑特征和参数，建立空间预测学习模型；然后设计神经网络单元捕捉历史采样数据的时间特征，建立时间预测学习模型；接着设计DCRNN网络具体结构、相关参数，实现复杂电网中给定历史输入和电网信息的时空建模；最后运用DCRNN网络建立在线预测机制，对电网实现暂态分析与预测。本发明专利技术方法通过将电网进行图神经网络建模，利用DCRNN模型提出的框架实现复杂电网中给定历史输入和电网信息的典型节点特征，既能有效跟踪趋势又能较为准确预测数值，并且区别于电力系统网络数值计算方法，具有更快的计算速度。快的计算速度。快的计算速度。

【技术实现步骤摘要】
一种基于深度学习的电网在线时空预测方法


[0001]本专利技术属于电力系统人工智能及预测
，具体涉及一种基于深度学习的电网在线时空预测方法。

技术介绍

[0002]随着大量可再生能源和新型负荷接入电网，功率波动加剧，给电力系统的安全稳定运行带来了巨大的挑战。促进风电等可再生能源的大规模消纳、实现节能减排、提高资源的使用效率已经成为电力领域的共识。一方面，风电、光伏发电等间歇性新能源大规模接入电网，极大增加了电力网络潮流的不确定性，对系统安全稳定运行造成了极大的威胁，对电网自动调节能力提出了更高要求。另一方面，虽然全国用电量增长趋缓，但国内目前在电力供需方面仍有可能出现局部性、阶段性的紧张状态。新能源具有随机性、波动性、间歇性特点，且新能源大规模并网后系统呈现高度电力电子化特征，与传统电力系统相比，新型电力系统在持续可靠供电、电网安全稳定和生产经营等方面将面临重大挑战。在数字化转型的新形势下，如何借助于数字技术，实现基于数据驱动的新型电力系统运行与控制，将成为新型电力系统建设中的关键问题。传统电力系统时空预测方法主要有回归分析、趋势外推和时问序列等，这些方法基于线性建模，然而短期电力预测受到多种因素影响。

技术实现思路

[0003]针对现有技术的不足，本专利技术的目的在于提供一种基于深度学习的电网在线时空预测方法，以解决上述
技术介绍
中提出的问题。
[0004]本专利技术的目的可以通过以下技术方案实现：
[0005]一种基于深度学习的电网在线时空预测方法，包括如下步骤：
[0006]步骤1、先设计图卷积网络捕捉电网的空间拓扑特征和参数，建立空间预测学习模型；
[0007]步骤2、然后设计神经网络单元捕捉历史采样数据的时间特征，建立时间预测学习模型；
[0008]步骤3、接着设计DCRNN网络具体结构、相关参数，实现复杂电网中给定历史输入和电网信息的时空建模；
[0009]步骤4、最后运用步骤3设计的DCRNN网络建立在线预测机制，对电网实现暂态分析与预测，实现了对典型节点特征的预测，包括有功功率注入、电压和频率。
[0010]优选地，所述步骤1中先将传输线间阻抗定义为网络距离，计算出每个节点之间的连接距离dist(v
i
,v
j
)，构建加权邻接矩阵，在每个时间步，图G都有一个观察到的节点特征矩阵X
(t)
∈R
N
×
D
，其中，D是每个节点的特征数；
[0011]通过学习函数f(
·
)来预测下一个T步图信号，如下式：
[0012][0013]输入图信号X∈R
N
×
D
的扩散卷积运算作为：
[0014][0015]式中，
★
G
表示扩散卷积运算，K代表最大扩散步数，k代表扩散步数，θ
O
和θ
I
是过滤器的可学习参数，和表示转换矩阵和反向矩阵，D
O
和D
I
分别是出度和入度对角矩阵，θ0和θ
I
是过滤器的可学习参数；
[0016]训练扩散卷积层将D维节点特征输入矩阵X
(t)
∈R
N
×
D
映射到Q维输出H∈R
N
×
Q
，如下式：
[0017][0018]式中，Θ∈R
Q*D*K*2
是滤波器参数的可学习张量；α是激活函数。
[0019]优选地，所述步骤2中使用计算速度较快的GRU单元根据历史采样的输入数据进行建模，提取时间依赖性特征。
[0020]优选地，所述GRU单元结构如下：
[0021]r
(t)
＝σ(Θ
r
★
G
[X
(t)
,H
(t
‑
1)
]+b
r
)
[0022]u
(t)
＝σ(Θ
u
★
G
[X
(t)
,H
(t
‑
1)
]+b
u
)
[0023]C
(t)
＝tanh(Θ
C
★
G
[X
(t)
,(r
(t)
⊙
H
(t
‑
1)
)]+b
c
)
[0024]H
(t)
＝u
(t)
⊙
H
(t
‑
1)
+(1
‑
u
(t)
)
⊙
C
(t)
。
[0025]优选地，所述步骤3中DCRNN架构是一种Sequence
‑
to
‑
Sequence深度学习架构，由两层组成，每层有4个DCGRU单元，第一层充当编码器，第二层充当解码器。
[0026]优选地，所述步骤4中建立在神经网络架构上的在线预测机制过程为先实时更新电力通信网络状态，收集停电、中断和异常延时事件；然后电网控制中心根据状态信息实时更新系统图输入信号矩阵[X
(t
‑
T
′
+1)
,
…
,X
(t)
]的电力通信网络；最后通过迭代预测，根据历史在线输入流计算整个轨迹。
[0027]本专利技术的有益效果：
[0028]1、本专利技术方法通过将电网进行图神经网络建模，利用DCRNN模型提出的框架实现复杂电网中给定历史输入和电网信息的典型节点特征，即时间步长T+n的功率注入、电压、频率的预测，既能有效跟踪趋势又能较为准确预测数值，并且区别于电力系统网络数值计算方法，具有更快的计算速度。
附图说明
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0030]图1是本专利技术实施例中方法的流程图；
[0031]图2是本专利技术实施例中的DCRNN结构示意图；
[0032]图3是本专利技术实施例中故障排除后的时间可视化预测结果示意图一；
[0033]图4是本专利技术实施例中故障排除后的时间可视化预测结果示意图二；
[0034]图5是本专利技术实施例中故障排除后的时间可视化预测结果示意图三；
[0035]图6是本专利技术实施例中故障排除后的时间可视化预测结果示意图四；
[0036]图7是本专利技术实施例中故障排除后的时间可视化预测结果示意图五。
具体实施方式
[0037]下面将结合本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电网在线时空预测方法，其特征在于，包括如下步骤：步骤1、先设计图卷积网络捕捉电网的空间拓扑特征和参数，建立空间预测学习模型；步骤2、然后设计神经网络单元捕捉历史采样数据的时间特征，建立时间预测学习模型；步骤3、接着设计DCRNN网络具体结构、相关参数，实现复杂电网中给定历史输入和电网信息的时空建模；步骤4、最后运用步骤3设计的DCRNN网络建立在线预测机制，对电网实现暂态分析与预测，实现了对典型节点特征的预测，包括有功功率注入、电压和频率。2.根据权利要求1所述的一种基于深度学习的电网在线时空预测方法，其特征在于，所述步骤1中先将传输线间阻抗定义为网络距离，计算出每个节点之间的连接距离dist(v
i
，v
j
)，构建加权邻接矩阵，在每个时间步，图G都有一个观察到的节点特征矩阵X
(t)
∈R
N
×
D
，其中，D是每个节点的特征数；通过学习函数f(
·
)来预测下一个T步图信号，如下式：输入图信号X∈R
N
×
D
的扩散卷积运算作为：式中，
★
G
表示扩散卷积运算，K代表最大扩散步数，k代表扩散步数，θ
O
和θ
I
是过滤器的可学习参数，和表示转换矩阵和反向矩阵，D
O
和D
I
分别是出度和入度对角矩阵，θ0和θ
I
是过滤器的可学习参数；训练扩散卷积层将D维节点特征输入矩阵X
(t)
∈R
N
×
D
映射到Q维输出H∈R
N
×
Q
，如下式：式中，Θ∈R
Q*D*K*2
是滤波器参数的可学习张量；α是激活函数。3.根据权利要求1所述的一种基于深度学习的电网在线时空预测方法，其特征在于，所述步骤2中使用计算速度较快的GRU单元根据历史采样的输入数据进行建模，提取时间依赖性特征。4.根据权利要求3所述的一种基于深度学习的电网在线时空预测方法，其特征在于，所述GRU单元结构如下：r
(t)
＝σ(Θ
r
★
G
[X
(t)
，H
(t
‑
1)
]+b
r
)u
(t)
＝σ(Θ
u
...

【专利技术属性】
技术研发人员：徐青山，戴蔚莺，
申请(专利权)人：东南大学，
类型：发明
国别省市：