人工智能驱动的电力系统分析方法及智能软件平台技术方案

本申请涉及一种人工智能驱动的电力系统分析方法及智能软件平台。所述平台包括：多源数据融合模块、模型训练模块以及电力系统分析模块，多源数据融合模块用于对获取的电网数据进行融合处理，模型训练模块用于对融合处理后的电网数据进行多场景仿真，基于仿真得到的暂态样本和稳态样本训练电力系统人工智能模型，电力系统分析模块用于调用已训练的电力系统人工智能模对接收到的融合处理后的电网数据进行暂稳态分析，得到分析结果。所述方法包括：人工智能驱动的电力系统分析方法及框架，包括调用已训练的电力系统分析人工智能模型对融合处理后的电网数据进行暂态分析和稳态分析，得到分析结果。采用上述方案能够得到更为准确的电力分析结果。的电力分析结果。的电力分析结果。

【技术实现步骤摘要】
人工智能驱动的电力系统分析方法及智能软件平台


[0001]本申请涉及人工智能及电力电网
，特别是涉及一种人工智能驱动的电力系统分析方法、装置、计算机设备、存储介质和计算机程序产品，以及一种智能软件平台。

技术介绍

[0002]目前，传统的电力系统中，系统的设计、运行和分析均建立在经典机电理论和数学模型基础上，动作时间常数大，系统稳定措施主要计及发电机组固有的转动惯量，控制保护体系建立在相对“慢速”的系统机电特性上。
[0003]随着新型电力系统的不断发展，一方面，电网的规模越来越大，高比例新能源与交直流混联导致电网的运行方式日趋复杂，并接近稳定运行边界，增加了安全运行分析的难度。另一方面，大量的测量手段和多时空时间尺度数据的积累，对电力系统的运行分析和评估带来新的挑战，导致电力系统的分析结果不够准确。
[0004]由此可见，传统的基于“模型驱动型”的电力系统已难以满足新型电力系统的复杂多变的安全运行要求。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高电力系统分析结果的准确度的人工智能驱动的电力系统分析方法、装置、计算机设备、存储介质和计算机程序产品，以及一种智能软件平台。
[0006]第一方面，本申请提供了一种智能软件平台。所述平台包括：多源数据融合模块、模型训练模块以及电力系统分析模块：多源数据融合模块用于获取电网数据，根据预设的多源数据统一数据模型对电网数据进行融合处理，将融合处理后的电网数据发送给模型训练模块和电力系统分析模块；模型训练模块用于对融合处理后的电网数据进行多场景仿真，得到暂态样本和稳态样本，并基于暂态样本和稳态样本训练电力系统分析人工智能模型，将已训练的电力系统分析人工智能模型传递给电力系统分析模块；电力系统分析模块用于调用已训练的电力系统分析人工智能模型对接收到的融合处理后的电网数据进行暂态分析和稳态分析，得到暂态分析结果和稳态分析结果；其中，多源数据统一数据模型包括基于电力知识图谱的统一数据模型。
[0007]在其中一个实施例中，电网数据包括量测数据，电力系统分析人工智能模型包括基于卷积神经网络的电力系统拓扑辨识子模型；电力系统分析模块还用于采用数据驱动方法和线性回归方法对量测数据进行初始拓扑辨识，得到初始拓扑辨识参数，并对初始拓扑辨识参数进行降噪处理，调用已训练的基于卷积神经网络的电力系统拓扑辨识子模型对量测数据进行拓扑辨识，得到拓扑变化图；其中，基于卷积神经网络的电力系统拓扑辨识子模型基于电网拓扑辨识训练集训
练得到.在其中一个实施例中，电网拓扑辨识训练集基于以下方式得到：采用数据驱动方法和线性回归方法对历史拓扑结构数据和历史线路参数进行初始拓扑辨识，得到历史初始拓扑辨识参数；对历史初始拓扑辨识参数进行降噪处理，得到降噪处理后的历史初始拓扑辨识参数；通过卷积神经网络对历史量测数据进行特征筛选，将筛选出的特征类别与降噪处理后的历史初始拓扑辨识参数进行映射，得到电网拓扑辨识训练集。
[0008]在其中一个实施例中，电网数据包括量测数据，电力系统分析人工智能模型包括基于神经网络的电力系统状态估计子模型；电力系统分析模块还用于调用已训练的基于神经网络的电力系统状态估计子模型对量测数据进行状态估计，得到初始状态估计数据，将初始状态估计数据输入至预设的状态估计器，得到实时状态估计数据；其中，基于神经网络的电力系统状态估计子模型基于历史量测数据和历史状态估计数据训练得到。
[0009]在其中一个实施例中，电网数据包括节点参数，电力系统分析人工智能模型包括基于深度神经网络的电力系统潮流计算子模型；电力系统分析模块还用于调用已训练的基于深度神经网络的电力系统潮流计算子模型对节点参数进行潮流计算，得到电力系统潮流数据；其中，基于深度神经网络的电力系统潮流计算子模型基于历史潮流量测数据或节点仿真参数训练得到。
[0010]在其中一个实施例中，电网数据包括扰动数据和故障数据，电力系统分析人工智能模型包括基于深度神经网络的扰动识别子模型和基于神经网络的短路故障类型识别子模型；电力系统分析模块还用于提取扰动数据的扰动特征，调用已训练的基于深度神经网络的扰动识别子模型对扰动数据进行扰动类型识别，得到扰动类型识别结果；电力系统分析模块还用于提取故障数据的故障特征，调用已训练的基于神经网络的短路故障类型识别子模型对故障特征进行短路故障类型识别，得到短路故障类型识别结果；其中，基于深度神经网络的扰动识别子模型基于历史扰动特征数据集训练得到，基于神经网络的短路故障类型识别子模型基于由故障仿真模型生成的历史故障数据训练得到，故障特征包括电压跌落程度、电压小波能量、电压模极大值、电流能量、零序电流分量以及电流余弦相似度中的至少一种。
[0011]在其中一个实施例中，电网数据包括实时运行数据、历史运行数据以及预测数据，电力系统分析人工智能模型包括基于深度神经网络的电力系统运行状态预测子模型和基于深度神经网络的电力系统静态运行风险评估子模型；电力系统分析模块还用于对历史运行数据、实时运行数据和预测数据进行预处理，调用已训练的基于深度神经网络的电力系统运行状态预测子模型对预处理后的历史运行数据、实时运行数据和预测数据进行运行状态预测处理，得到运行状态预测数据；
电力系统分析模块还用于调用已训练的基于深度神经网络的电力系统静态运行风险评估子模型对运行状态预测数据进行风险评估，得到风险评估结果；其中，基于深度神经网络的电力系统运行状态预测子模型基于电力系统历史运行状态数据和历史预测数据训练得到，基于深度神经网络的电力系统静态运行风险评估子模型基于运行状态预测数据训练得到。
[0012]在其中一个实施例中，电网数据包括PMU量测数据和新能源数据，电力系统分析人工智能模型包括基于深度神经网络的暂态稳定风险预警子模型和基于神经网络的暂态稳定风险预警子模型；电力系统分析模块还用于当检测到系统出现故障时，获取最新的PMU（Phasor Measurement Unit，电力系统同步相量测量装置）量测数据，调用已训练的基于深度神经网络的暂态稳定风险预警子模型提取PMU量测数据中的暂态特征，基于暂态特征进行暂态稳定性预估，得到暂态稳定性评估结果；电力系统分析模块还用于调用已训练的新能源出力动态预测子模型对新能源数据进行出力预测，得到新能源出力预测结果，并基于新能源出力预测结果和预设的动态事件定义数据进行动态事件风险评估，得到动态事件风险评估结果；其中，基于深度神经网络的暂态稳定风险预警子模型基于历史仿真稳态样本数据、历史仿真失稳样本数据以及历史故障数据训练得到，新能源出力动态预测子模型基于历史新能源数据以及历史动态事件数据训练得到。
[0013]在其中一个实施例中，电网数据包括不同故障场景下的故障仿真数据，电力系统分析人工智能模型包括基于卷积神经网络的薄弱环节识别子模型；电力系统分析模块还用于调用已训练的基于卷积神经网络的薄弱环节识别子模型提取故障仿真数据的故障特征，对故障特征进行暂态失稳判别以及薄弱环节识别，得到系统暂态失稳判别结果和振荡本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能软件平台，其特征在于，所述平台包括多源数据融合模块、模型训练模块以及电力系统分析模块：所述多源数据融合模块用于获取电网数据，根据预设的多源数据统一数据模型对所述电网数据进行融合处理，将融合处理后的所述电网数据发送给模型训练模块和所述电力系统分析模块；所述模型训练模块用于对所述融合处理后的所述电网数据进行多场景仿真，得到暂态样本和稳态样本，并基于所述暂态样本和所述稳态样本训练电力系统分析人工智能模型，将已训练的电力系统分析人工智能模型传递给所述电力系统分析模块；所述电力系统分析模块用于调用已训练的电力系统分析人工智能模型对接收到的融合处理后的电网数据进行暂态分析和稳态分析，得到暂态分析结果和稳态分析结果；其中，所述多源数据统一数据模型包括基于电力知识图谱的统一数据模型。2.根据权利要求1所述的智能软件平台，其特征在于，所述电网数据包括量测数据，所述电力系统分析人工智能模型包括基于卷积神经网络的电力系统拓扑辨识子模型；所述电力系统分析模块还用于采用数据驱动方法和线性回归方法对所述量测数据进行初始拓扑辨识，得到初始拓扑辨识参数，并对所述初始拓扑辨识参数进行降噪处理，调用已训练的基于卷积神经网络的电力系统拓扑辨识子模型对所述量测数据进行拓扑辨识，得到拓扑变化图；其中，所述基于卷积神经网络的电力系统拓扑辨识子模型基于电网拓扑辨识训练集训练得到。3.根据权利要求2所述的智能软件平台，其特征在于，所述电网拓扑辨识训练集基于以下方式得到：采用数据驱动方法和线性回归方法对历史拓扑结构数据和历史线路参数进行初始拓扑辨识，得到历史初始拓扑辨识参数；对所述历史初始拓扑辨识参数进行降噪处理，得到降噪处理的历史初始拓扑辨识参数；通过卷积神经网络对历史量测数据进行特征筛选，将筛选出的特征类别与降噪处理后的历史初始拓扑辨识参数进行映射，得到所述电网拓扑辨识训练集。4.根据权利要求1至3任意一项所述的智能软件平台，其特征在于，所述电网数据包括量测数据，所述电力系统分析人工智能模型包括基于神经网络的电力系统状态估计子模型；所述电力系统分析模块还用于调用已训练的基于神经网络的电力系统状态估计子模型对所述量测数据进行状态估计，得到初始状态估计数据，将所述初始状态估计数据输入至预设的状态估计器，得到实时状态估计数据；其中，所述基于神经网络的电力系统状态估计子模型基于历史量测数据和历史状态估计数据训练得到。5.根据权利要求1至3任意一项所述的智能软件平台，其特征在于，所述电网数据包括节点参数，所述电力系统分析人工智能模型包括基于深度神经网络的电力系统潮流计算子模型；所述电力系统分析模块还用于调用已训练的基于深度神经网络的电力系统潮流计算
子模型对所述节点参数进行潮流计算，得到电力系统潮流数据；其中，所述基于深度神经网络的电力系统潮流计算子模型基于历史潮流量测数据、或节点仿真参数训练得到。6.根据权利要求1至3任意一项所述的智能软件平台，其特征在于，所述电网数据包括扰动数据和故障数据，所述电力系统分析人工智能模型包括基于深度神经网络的扰动识别子模型和基于神经网络的短路故障类型识别子模型；所述电力系统分析模块还用于提取所述扰动数据的扰动特征，调用已训练的基于深度神经网络的扰动识别子模型对所述扰动数据进行扰动类型识别，得到扰动类型识别结果；电力系统分析模块还用于提取所述故障数据的故障特征，调用已训练的基于神经网络的短路故障类型识别子模型对所述故障特征进行短路故障类型识别，得到...

【专利技术属性】
技术研发人员：李鹏，马溪原，包涛，李卓环，习伟，杨铎烔，潘世贤，王鹏宇，周长城，许一泽，葛俊，陈炎森，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：