一种基于大数据分析的电力系统稳定评估方法及系统

摘要

本发明涉及一种大数据的技术领域，揭露了一种基于大数据分析的电力系统稳定评估方法，包括：获取电力系统状态数据，并将电力系统状态数据转换为电力系统状态数据矩阵；并利用基于网络模型曲率半径的聚类方法进行每个负荷节点电压数据的聚类；利用基于椭球的数据降维算法对电力系统状态数据矩阵进行降维处理，得到电力系统状态数据矩阵的正定矩阵和中心位置向量；计算椭球各物理属性数值，并将椭球的物理属性数值以及薄弱负荷节点作为电力系统特征向量；利用神经网络模型实现电力系统的稳定评估。本发明还提供了一种基于大数据分析的电力系统稳定评估系统。本发明实现了电力系统的稳定评估。

说明书

技术领域

本发明涉及大数据的技术领域，尤其涉及一种基于大数据分析的电力系统稳定评估方法及系统。

背景技术

近年来，随着非工空调、微网、用户侧储能、可中断负荷等柔性负荷的大规模接入，特高压交直流互联规模的不断扩大，导致电网结构与运行方式愈加复杂，对于电力系统的安全稳定运行是一个巨大的挑战。

电力系统故障诊断和稳定评估是电网安全风险态势感知和安全运行的重要保障，但是由于电力系统时常受到扰动甚至发生故障，传统电网保护方法因精确度与准确率的不足可能引起保护误动或拒动，同时目前安全稳定分析方法也无法满足系统稳定的在线快速评估。

鉴于此，随着大数据时代的来临，如何基于大数据分析实现更为快速、准确地电力系统稳定评估，成为本领域技术人员亟待解决的问题。

发明内容

本发明提出一种基于大数据分析的电力系统稳定评估方法，通过沿时间轨迹获取不同时间的电力系统状态数据，并利用基于椭球的数据降维算法对电力系统状态数据进行降维处理，从而利用基于电压轨迹特征的电力系统薄弱环节识别算法识别当前电力系统中的薄弱环节，同时利用神经网络模型获取当前电力系统的稳定信息，实现电力系统的稳定评估。

为实现上述目的，本发明提供的一种基于大数据分析的电力系统稳定评估方法，包括：

获取电力系统状态数据，并将电力系统状态数据转换为电力系统状态数据矩阵；

将电力系统状态数据矩阵转换为电力系统运行状态网络模型，并利用基于网络模型曲率半径的聚类方法进行每个负荷节点电压数据的聚类，聚类后曲率半径较小的负荷节点即为电力系统中的薄弱负荷节点；

利用基于椭球的数据降维算法对电力系统状态数据矩阵进行降维处理，得到电力系统状态数据矩阵的正定矩阵和中心位置向量；

根据电力系统状态数据的正定矩阵和中心位置向量，计算椭球各物理属性数值，并将椭球的物理属性数值以及薄弱负荷节点作为电力系统特征向量；

根据电力系统特征向量，利用神经网络模型实现电力系统的稳定评估。

可选地，所述将电力系统状态数据转换为电力系统状态数据矩阵，包括：

所述电力系统状态数据包括电力系统中每个负荷节点的电压幅值、相角、线路潮流、发电机出力数据：

X

其中：

X

V

θ

P

P

通过将所有负荷节点单独作用产生的连续电力数据集组合起来，构建一个连续的电力系统状态数据矩阵X：

X＝[X

其中：

i为负荷节点编号。

可选地，所述将电力系统状态数据矩阵转换为电力系统运行状态网络模型的过程为：

将电力系统状态数据矩阵转换为电力系统运行状态网络模型，对于各负荷节点电压幅值与相角样本序列组成的集合Z＝{(v

通过确定n个负荷节点的关联性组成的测度矩阵为D，将集合Z作为网络节点，并将测度矩阵D作为加权边，从而将电力系统状态数据矩阵转换为电力系统运行状态网络模型G＝(Z，D)。

可选地，所述利用基于网络模型曲率半径的聚类方法进行每个负荷节点电压数据的聚类，包括：

计算电力系统运行状态网络模型中各个负荷节点的曲率半径，所述曲率半径的计算公式为：

其中：

v

θ

r

所述基于网络模型曲率半径的聚类方法流程为：

(1)将负荷节点曲率半径集合作为聚类输入数据，通过设置聚类数k，从集合中随机选取k个曲率半径作为聚类中心m

(2)计算负荷节点曲率半径r

(3)计算新的聚类中心

(4)若两次迭代聚类中心m

(5)迭代聚类完成后，曲率半径较小的负荷节点即为电力系统中的薄弱负荷节点。

可选地，所述利用基于椭球的数据降维算法对电力系统状态数据矩阵进行降维处理，包括：

1)将电力系统状态数据矩阵X代入椭球定义式中：

E＝{(X

其中：

X

c＝(c

Q为对称正定矩阵，表示椭球的形态与体积；

2)对于所述电力系统状态数据矩阵X＝[X

X′

将X′确定的椭球定义式中Q与c的计算过程转化为凸优化问题：

min-log(det M)，s.t.(X′

其中：

M为i+1阶的对称正定矩阵；

确定椭球定义式中的正定矩阵Q以及列向量c的数值：

c＝Xu

其中：

u

X为电力系统状态矩阵。

可选地，所述根据电力系统状态数据的正定矩阵和中心位置向量，计算椭球各物理属性数值，包括：

所述椭球各物理属性数值包括椭球体积及椭球离心率；

所述椭球体积的计算公式为：

其中：

ρ

详细地，椭球的体积是发电机参数信息的直观体现，构建椭球所用的发电机特定参数数值在暂态过程中激增，系统压力持续增加，直接引起椭球体积的增大，体积越大，代表系统承受的压力越大，振荡现象越严重，系统趋向于失稳；体积越小，代表系统越平稳，系统趋向于稳定状态；

所述椭球偏心率的计算公式为：

其中：

r

r

详细地，在系统正常稳定运行状态下，发电机各类参数保持在正常水平范围内，系统所承受压力保持均衡，特征椭球呈球形，偏心率较小；当系统发生故障时，各台发电机数据信息产生较大波动，各项数据严重失衡，包含发电机参数的椭球形态亦随之变化，偏心率逐渐增大，椭球偏离球形。

可选地，所述利用神经网络模型实现电力系统的稳定评估，包括：

将电力系统特征向量作为神经网络模型的输入，利用多层感知机神经网络模型进行电力系统的稳定评估，将概率最高的稳定评估结果y作为多层感知机的输出，所述稳定评估结果包括电力系统稳定、电力系统较不稳定、电力系统存在风险、无法评估，其具体过程为：

P(y|(a，b))＝σ(MLP(c))

其中：

c为电力系统特征向量；

y为稳定评估结果；

b为偏置向量；

a为权值，本发明将其初始化为0.5；

σ为sigmoid函数；

MLP是一个包含两层线性变换和一个非线性ReLu激活函数的感知机。

此外，为实现上述目的，本发明还提供一种基于大数据分析的电力系统稳定评估系统，所述系统包括：

电力数据获取装置，用于获取电力系统状态数据，并将电力系统状态数据转换为电力系统状态数据矩阵；

电力数据处理器，用于将电力系统状态数据矩阵转换为电力系统运行状态网络模型，并利用基于网络模型曲率半径的聚类方法进行每个负荷节点电压数据的聚类，聚类后曲率半径较小的负荷节点即为电力系统中的薄弱负荷节点；同时利用基于椭球的数据降维算法对电力系统状态数据矩阵进行降维处理，得到电力系统状态数据矩阵的正定矩阵和中心位置向量，并根据电力系统状态数据的正定矩阵和中心位置向量，计算椭球各物理属性数值，并将椭球的物理属性数值以及薄弱负荷节点作为电力系统特征向量；

电力系统稳定评估装置，用于根据电力系统特征向量，利用神经网络模型实现电力系统的稳定评估。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有电力系统稳定评估程序指令，所述电力系统稳定评估程序指令可被一个或者多个处理器执行，以实现如上所述的基于大数据分析的电力系统稳定评估的实现方法的步骤。

相对于现有技术，本发明提出一种基于大数据分析的电力系统稳定评估方法，该技术具有以下优势：

首先，传统的电力系统薄弱节点识别方法主要是基于电网物理模型局部信息或灵敏度计算等方法，但面向新一代能源互联网这种更加复杂、多源、互联、开放的巨型能源网络，传统基于物理建模的方法难免具有时效性等问题，而电力系统的薄弱指当系统发生扰动或者在重负载的情况下，系统无法正常维持状态量在某一范围内正常变化的能力，这种薄弱的表现等价为电力系统状态数据的剧烈波动，因此本发明提出利用曲率半径来对电力系统的平衡性状态进行表述，通过利用基于网络模型曲率半径的聚类方法进行每个负荷节点电压数据的聚类，聚类后曲率半径较小的负荷节点即为电力系统中的薄弱负荷节点；首先本发明将电力系统视为加权网络，对于各负荷节点电压幅值与相角样本序列组成的集合Z＝{(v

同时本发明提出一种基于椭球的数据降维算法对电力系统状态数据矩阵进行降维处理，通过将电力系统状态数据矩阵X代入椭球定义式中：

E＝{(X

其中X

min-log(detM)，s.t.(X′

其中M为i+1阶的对称正定矩阵；确定椭球定义式中的正定矩阵Q以及列向量c的数值：

c＝Xu

其中u

通过利用电力系统状态数据矩阵，确定出表示椭球形态和体积的对称正定矩阵Q以及表示椭球中心位置的列向量c，从而将具有多个电力系统数据指标的高维电力数据时序信息转换为低维的椭球，椭球的物理属性特征即表示电力系统的特征，如椭球的体积表示电力系统承受的压力，所述将为算法不仅减轻数据传输压力，提高评估的效率，还能为分类器模型提供系统真实准确的运行状态，便于模型对系统运行数据进行有效分析。

附图说明

图1为本发明一实施例提供的一种基于大数据分析的电力系统稳定评估方法的流程示意图；

图2为本发明一实施例提供的一种基于大数据分析的电力系统稳定评估系统的结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

通过沿时间轨迹获取不同时间的电力系统状态数据，并利用基于椭球的数据降维算法对电力系统状态数据进行降维处理，从而利用基于电压轨迹特征的电力系统薄弱环节识别算法识别当前电力系统中的薄弱环节，同时利用神经网络模型获取当前电力系统的稳定信息，实现电力系统的稳定评估。参照图1所示，为本发明一实施例提供的基于大数据分析的电力系统稳定评估方法示意图。

在本实施例中，基于大数据分析的电力系统稳定评估方法包括：

S1、获取电力系统状态数据，并将电力系统状态数据转换为电力系统状态数据矩阵。

首先，本发明获取电力系统状态数据，所述电力系统状态数据包括电力系统中每个负荷节点的电压幅值、相角、线路潮流、发电机出力数据：

X

其中：

X

V

θ

P

P

通过将所有负荷节点单独作用产生的连续电力数据集组合起来，构建一个连续的电力系统状态数据矩阵X：

X＝[X

其中：

i为负荷节点编号。

S2、将电力系统状态数据矩阵转换为电力系统运行状态网络模型，并利用基于网络模型曲率半径的聚类方法进行每个负荷节点电压数据的聚类，聚类后曲率半径较小负荷节点即为电力系统中的薄弱负荷节点。

进一步地，本发明将电力系统状态数据矩阵转换为电力系统运行状态网络模型，对于各负荷节点电压幅值与相角样本序列组成的集合Z＝{(v

因此本发明确定n个负荷节点的关联性组成的测度矩阵为D，将集合Z作为网络节点，并将测度矩阵D作为加权边，本发明将电力系统状态数据矩阵转换为电力系统运行状态网络模型G＝(Z，D)。

进一步地，本发明计算电力系统运行状态网络模型中各个负荷节点的曲率半径，所述曲率半径的计算公式为：

其中：

v

θ

r

进一步地，本发明利用基于网络模型曲率半径的聚类方法进行每个负荷节点电压数据的聚类，聚类后曲率半径较小的负荷节点即为电力系统中的薄弱负荷节点；所述基于网络模型曲率半径的聚类方法流程为：

(1)将负荷节点曲率半径集合作为聚类输入数据，通过设置聚类数k，从集合中随机选取k个曲率半径作为聚类中心m

(2)计算负荷节点曲率半径r

(3)计算新的聚类中心

(4)若两次迭代聚类中心m

(5)迭代聚类完成后，聚类后曲率半径较小的负荷节点，即为电力系统中的薄弱负荷节点。

S3、利用基于椭球的数据降维算法对电力系统状态数据矩阵进行降维处理，得到电力系统状态数据矩阵的正定矩阵和中心位置向量。

进一步地，本发明利用基于椭球的数据降维算法对电力系统状态数据进行降维处理，所述基于椭球的数据降维算法流程为：

1)将电力系统状态数据矩阵X代入椭球定义式中：

E＝{(X

其中：

X

c＝(c

Q为对称正定矩阵，表示椭球的形态与体积；

2)对于所述电力系统状态数据矩阵X＝[X

X′

将X′确定的椭球定义式中Q与c的计算过程转化为凸优化问题：

min-log(det M)，s.t.(X′

其中：

M为i+1阶的对称正定矩阵；

确定椭球定义式中的正定矩阵Q以及列向量c的数值：

c＝Xu

其中：

u

X为电力系统状态矩阵。

S4、根据电力系统状态数据的正定矩阵和中心位置向量，计算椭球各物理属性数值，并将椭球的物理属性数值以及薄弱负荷节点作为电力系统特征向量。

进一步地，本发明根据正定矩阵Q以及列向量c，计算椭球各物理属性数值，包括椭球体积及椭球离心率，并将椭球的物理属性数值作为电力系统特征向量；

所述椭球体积的计算公式为：

其中：

ρ

椭球的体积是发电机参数信息的直观体现，构建椭球所用的发电机特定参数数值在暂态过程中激增，系统压力持续增加，直接引起椭球体积的增大，体积越大，代表系统承受的压力越大，振荡现象越严重，系统趋向于失稳；体积越小，代表系统越平稳，系统趋向于稳定状态；

所述椭球偏心率的计算公式为：

其中：

r

r

在系统正常稳定运行状态下，发电机各类参数保持在正常水平范围内，系统所承受压力保持均衡，特征椭球呈球形，偏心率较小。当系统发生故障时，各台发电机数据信息产生较大波动，各项数据严重失衡，包含发电机参数的椭球形态亦随之变化，偏心率逐渐增大，椭球偏离球形。综上，若椭球在受扰动后偏心率减小，系统将趋于稳定；反之，若椭球的偏心率在系统受扰动后呈增大趋势，则表示发电机参数将持续畸变，系统趋于失控状态。

进一步地，本发明将椭球的物理属性数值以及薄弱负荷节点作为电力系统特征向量，所述电力系统特征向量为：

F＝[X

其中：

X

V为椭球的体积；

e为椭球的偏心率。

S5、根据电力系统特征向量，利用神经网络模型实现电力系统的稳定评估。

进一步地，本发明将电力系统特征向量作为神经网络模型的输入，从而利用神经网络模型进行电力系统的稳定评估；所述利用神经网络模型进行电力系统稳定评估的流程为：

将电力系统特征向量作为神经网络模型的输入，利用多层感知机神经网络模型进行电力系统的稳定评估，将概率最高的稳定评估结果y作为多层感知机的输出，所述稳定评估结果包括电力系统稳定、电力系统较不稳定、电力系统存在风险、无法评估，其具体过程为：

P(y|(a，b))＝σ(MLP(c))

其中：

c为电力系统特征向量；

y为稳定评估结果；

b为偏置向量；

a为权值，本发明将其初始化为0.5；

σ为sigmoid函数；

MLP是一个包含两层线性变换和一个非线性ReLu激活函数的感知机。

下面通过一个算法实验来说明本发明的具体实施方式，并对发明的处理方法进行测试。本发明算法的硬件测试环境为：实验的开发环境为Intel(R)Core(TM)i5-3470S CPU@2.90GHz 2.89GHz和8GB内存的PC机上，系统为windows10系统，实验软件为matlab2018a。对比方法为基于随机森林的电力系统稳定评估方法、基于SVM的电力系统稳定评估方法以及基于KNN的电力系统稳定评估方法。

在本发明所述算法实验中，本实验通过搜集100个电力系统状态数据，分别使用本发明所述方法以及对比方法进行电力系统稳定评估，将电力系统稳定评估的准确率作为电力系统稳定评估方法的评价指标。

根据实验结果，基于随机森林的电力系统稳定评估方法的评估准确率为76.32％，基于SVM的电力系统稳定评估方法的评估准确率为81.63％，基于KNN的电力系统稳定评估方法的评估准确率为78.81％，本发明所述方法的评估准确率为84.97％，相较于对比算法，本发明所提出的基于大数据分析的电力系统稳定评估方法能更为准确地进行电力系统稳定评估。

发明还提供一种基于大数据分析的电力系统稳定评估系统。参照图2所示，为本发明一实施例提供的基于大数据分析的电力系统稳定评估系统的内部结构示意图。

在本实施例中，所述基于大数据分析的电力系统稳定评估系统1至少包括电力数据获取装置11、电力数据处理器12、电力系统稳定评估装置13，通信总线14，以及网络接口15。

其中，电力数据获取装置11可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。

电力数据处理器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。电力数据处理器12在一些实施例中可以是基于大数据分析的电力系统稳定评估系统1的内部存储单元，例如该基于大数据分析的电力系统稳定评估系统1的硬盘。电力数据处理器12在另一些实施例中也可以是基于大数据分析的电力系统稳定评估系统1的外部存储设备，例如基于大数据分析的电力系统稳定评估系统1上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，电力数据处理器12还可以既包括基于大数据分析的电力系统稳定评估系统1的内部存储单元也包括外部存储设备。电力数据处理器12不仅可以用于存储安装于基于大数据分析的电力系统稳定评估系统1的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。

电力系统稳定评估装置13在一些实施例中可以是一中央处理器(CentralProcessing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行电力数据处理器12中存储的程序代码或处理数据，例如电力系统稳定评估程序指令等。

通信总线14用于实现这些组件之间的连接通信。

网络接口15可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该系统1与其他电子设备之间建立通信连接。

可选地，该系统1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在基于大数据分析的电力系统稳定评估系统1中处理的信息以及用于显示可视化的用户界面。

图2仅示出了具有组件11-15以及基于大数据分析的电力系统稳定评估系统1，本领域技术人员可以理解的是，图1示出的结构并不构成对基于大数据分析的电力系统稳定评估系统1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

在图2所示的装置1实施例中，电力数据处理器12中存储有电力系统稳定评估程序指令；电力系统稳定评估装置13执行电力数据处理器12中存储的电力系统稳定评估程序指令的步骤，与基于大数据分析的电力系统稳定评估方法的实现方法相同，在此不作类述。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有电力系统稳定评估程序指令，所述电力系统稳定评估程序指令可被一个或多个处理器执行，以实现如下操作：

获取电力系统状态数据，并将电力系统状态数据转换为电力系统状态数据矩阵；

将电力系统状态数据矩阵转换为电力系统运行状态网络模型，并利用基于网络模型曲率半径的聚类方法进行每个负荷节点电压数据的聚类，聚类后曲率半径较小的负荷节点即为电力系统中的薄弱负荷节点；

利用基于椭球的数据降维算法对电力系统状态数据矩阵进行降维处理，得到电力系统状态数据矩阵的正定矩阵和中心位置向量；

根据电力系统状态数据的正定矩阵和中心位置向量，计算椭球各物理属性数值，并将椭球的物理属性数值以及薄弱负荷节点作为电力系统特征向量；

根据电力系统特征向量，利用神经网络模型实现电力系统的稳定评估。

需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。