新能源集控多场景AI态势预警感知方法及系统与流程
本发明涉及新能源发电监控,尤其涉及新能源集控多场景ai态势预警感知方法及系统。
背景技术:
1、新能源集控中心已从单一风电监控演进为风、光、储、火多能协同管控模式,对多场景态势感知与智能预警提出了迫切需求。而现有技术普遍存在如下缺陷:一、多源异构数据融合深度不足,数据孤岛现象严重;二、现有预警系统多采用静态阈值机制,难以适配多场景动态变化,风电、光伏、储能等场景,导致预警准确率低、虚警漏警率高;三、ai模型泛化能力不足,边缘场景适应性差,模型跨场站迁移时性能衰减严重,且缺乏在线增量学习与自适应更新机制;四、态势觉察与理解不全面,现有系统往往针对单一设备或单一维度进行独立监测,缺乏对设备层、场站层、电网层多层级态势的综合研判,难以支撑集控中心对多个场站的统一精细化运营决策。
2、公开号为cn121388756a的中国发明专利申请,公开了一种基于多源数据融合的故障检测方法及系统,包括:获取待检测变压器套管的健康状态数据;所述健康状态数据包括油温数据、油中溶解浓度数据、三相电气数据和局部放电数据;对所述健康状态数据进行预处理后,利用cnn网络对所述健康状态数据进行空间特征提取和融合,得到融合特征图;将所述融合特征图中的每个像素点确定为一个时间步,并利用双向长短期记忆网络bilstm捕获所述融合特征图中的时序特征,得到时序特征序列;获取所述时序特征序列中每个时间步对应的时序特征的注意力得分,将所述注意力得分进行归一化处理,根据归一化处理得到的注意力权重对所述时序特征进行加权聚合,得到上下文向量,并将上下文向量与所述时序特征序列进行拼接,得到时序拼接数据;将所述时序拼接数据输入至训练好的预测模型,生成与所述待检测变压器套管相关的故障预测信息。上述公开方案通过结合油温数据、油中溶解浓度数据、三相电气数据和局部放电数据等多源健康状态数据,从多个维度反映了变压器套管的运行状况,避免因单一数据源导致的误判或漏判。但上述公开方案并不适用于风、光、储、火多能协同管控模式,也没有解决现有技术中已知的技术问题。
技术实现思路
1、技术目的:为了克服现有技术中存在的不足,本发明提供一种新能源集控多场景ai态势预警感知方法及系统。
2、技术方案:为实现上述目的,本发明公开的一种新能源集控多场景ai态势预警感知方法:基于cnn-bilstm-attention的端到端深度学习架构,包括以下步骤:
3、s1:多场景异构数据融合与时标统一:部署训练优化后的模型,统一接入新能源集控中心管辖下的多源异构数据,并实施融合策略,构建数据矩阵;
4、s2:cnn空间特征提取:将所述数据矩阵输入卷积神经网络,进行滑动卷积操作,提取不同传感器参数间的局部空间耦合关系,得到空间特征向量;
5、s3:bilstm时序特征提取:将cnn模块输出的空间特征向量序列输入双向长短期记忆网络,捕获时间序列的双向时序依赖关系,得到双向时序特征表示;
6、s4:multi-head attention注意力加权:将双向时序特征表示进行多头自注意力加权,使模型聚焦于故障早期的微弱异常信号,并依次经过层归一化和前馈神经网络进行特征精炼;
7、s5:跨场景域适应迁移与场景自适应映射:通过域对抗神经网络对注意力加权后的特征进行对抗训练,使提取的特征同时具备故障判别性和域不变性,并结合场景标签嵌入实现跨场站、跨能源类型的自适应迁移;
8、s6:场景差异化动态阈值计算与预警决策输出:针对风电、光伏、储能场景分别采用独立的ewma动态预警参数组计算动态阈值,将设备状态参数的预测残差与动态阈值比较,输出四级预警结果;
9、s7:多层级协同预警决策:按照设备级、场站级、区域级三层级联的协同预警决策框架,对预警结果进行逐层聚合与关联分析,实现从单设备异常感知到多场站全局态势研判的多层级预警。
10、进一步地,所述s1的数据矩阵为,其中t为时间步长,m为跨场景统一特征维度;所述多源异构数据包括风电场scada系统、光伏电站逆变器监控系统、储能电站bms系统、气象监测站及视频监控系统的数据,所述融合策略包括时间维度对齐、语义维度对齐、缺失值处理;所述时间维度对齐,以最高采样频率为基准时间步长δt,对低频数据源采用线性插值重采样,对高频数据源采用窗口均值降采样,使所有数据源统一到相同的时间网格;所述语义维度对齐,对不同类型传感器的原始数据分别进行z-score标准化处理,消除物理量纲差异;所述缺失值处理,采用k近邻插值法填补缺失数据,近邻数k=5。
11、进一步地,所述s2中的卷积神经网络采用两层一维卷积结构,卷积层后进行降采样,再经展平操作将特征图展平为一维空间特征向量,一维卷积操作定义为:
12、,
13、其中,k为卷积核大小,c为卷积核数量,wc,m,k为卷积权重矩阵,bc为偏置项,为激活函数,xt+k,m为输入特征矩阵中第t+k个时间步、第 m个输入通道上的元素值。
14、进一步地,所述s3中双向长短期记忆网络为双层结构,第二层后接dropout正则化层,每个lstm单元通过遗忘门、输入门、输出门三组门控机制实现对信息的选择性记忆与遗忘,前向lstm与后向lstm的隐藏状态拼接后形成同时编码历史和未来信息的双向时序特征表示。
15、进一步地,所述s4中多头自注意力加权机制采用八个注意力头,以缩放点积形式并行计算多组注意力权重,从不同表示子空间捕捉特征间的复杂依赖关系:
16、单头注意力的计算公式为:
17、,
18、其中,wh、ba与vt为可学习参数;
19、归一化计算公式为:,归一化后的权重满足;其中,ek为第个时刻的注意力得分,其中下标为求和遍历变量,取遍所有时刻;
20、对所有时刻的隐状态进行加权求和,即得到聚合全局信息的上下文向量,上下文向量计算公式为:
21、,
22、其中,为上下文向量,为注意力权重,为第t个位置的隐状态;
23、将加权过程扩展为多头形式,模型并行计算h组注意力,并将各头的输出拼接后通过线性变换融合:
24、,
25、其中,h为注意力头数;
26、每个注意力头采用scaled dot-product attention 形式计算,计算公式为:
27、,
28、其中,分别由输入序列线性映射得到,为每个注意力头的维度;
29、注意力层后接层归一化和前馈神经网络:
30、,
31、其中,w1为第一层线性变换的权重矩阵,w2为第二层线性变换的权重矩阵,b1为第一层线性变换的偏置向量,b2为第二层线性变换的偏置向量。
32、进一步地,所述s5中域对抗神经网络通过梯度反转层实现特征提取器与域分类器的对抗训练:正向传播时,特征提取器生成具有故障判别性的特征表示,域分类器根据特征判断其来自源域还是目标域;反向传播时,梯度反转层将域分类器的梯度取反后回传至特征提取器,迫使特征提取器学习域不变特征,所述场景标签嵌入将场景类型信息编码为低维向量并与特征向量拼接后输入域分类器,使域适应过程能够感知场景差异并做出自适应调整;域分类器损失函数为二元交叉熵损失,其计算公式为:
33、,
34、其中,d为域标签,为域分类器的输出,即域分类器预测输入样本属于目标域的概率,取值范围为[0,1];
35、在域分类器输出端引入场景标签嵌入层,将场景类型编码为ds,ds是场景嵌入向量的维度,即场景标签嵌入层,维低维向量escence,与特征向量拼接后输入域分类器:
36、,并通过评估域适应效果。
37、进一步地,在所述s6中采用ewma计算获得动态阈值,各场景的ewma均值和方差分别独立递推,形成场景专属的动态阈值曲线,并划分预警等级为正常、注意、警告、危险,当预测残差超出对应场景的控制限范围时,触发该场景下相应级别的预警;
38、ewma均值递推公式为:
39、,
40、ewma方差递推公式为:
41、,
42、其中,c∈w为风电,pv为光伏,es为储能,表示场景标识,ac为场景c的平滑因子,rc,t为场景c在t时刻的预测残差;
43、动态阈值由均值与标准差共同确定,并设置上下控制限:
44、,
45、。
46、进一步地,所述s7中的协同预警决策框架包括设备级预警聚合、场站级态势研判、区域级协同决策;
47、所述设备级预警聚合中单台设备的预警等级由s6输出,记为;
48、所述场站级态势研判采用设备重要性加权融合方法计算场站整体态势评估值,当场站整体态势评估值超过动态阈值时,触发场站级预警并联动生成场站级运维调度建议,场站整体态势评估值计算公式为:
49、;
50、其中,sstation为场站级态势研判公式,表示单一场站的态势评估值,n为场站内设备数量,li为第i个指标/对象的态势值或评估得分,wi为第i个设备的重要性权重,权重由以下因素综合确定:
51、;
52、其中,ci为设备容量,di为设备在线运行时长,ai为设备关键度系数,β1、β2、β3为权重系数,cmax为厂站内所有设备容量的最大值,dmax为场站内所有设备在线运行时长的最大值;
53、所述区域级协同决策位于集控中心区域层级,综合考虑各场站的态势评估值和场站间关联关系:
54、;
55、其中,m为区域内场站数量,ωj为第j个场站的权重,nalert为同时处于高等级预警的场站数量,η为协同惩罚系数,sstation,j为区域级协同决策,用于第 j 个场站的态势评估值;
56、区域级协同决策还能通过计算不同场站预警信号之间的时间相关系数,判断多个场站的预警是否由同一事件引发:
57、,
58、其中,为第j个场站与第k个场站预警信号之间的时间相关系数,sstation,j(t)、sstation,k(t)为时间相关系数公式,表示第 j、k个场站的态势评估值时间序列,为关联预警判定阈值,当时,判断为关联预警,区域级系统自动生成协同处置方案。
59、进一步地,所述s1中模型部署前需通过目标函数进行训练优化,所述目标函数计算公式为:
60、,
61、其中,lpred为预测误差损失,lreg为正则化约束,ldomain为场景适配损失,lewc为增量学习正则化约束,λ为正则化系数,ξ为ewc正则化系数,为控制场景适配/域迁移强度;
62、预测误差损失采用均方误差衡量模型预测值与真实值之间的偏差,其计算公式为:
63、,
64、其中,n为样本数量,为模型预测值,为真实值;
65、正则化约束采用l2范数限制模型参数复杂度,其计算公式为:
66、,
67、其中,w为模型全部可训练参数集合,wj为模型全部可训练参数集合中w的第j个参数,下标j为遍历参数集合的索引;
68、场景适配损失采用最大均值差异度量源场站与目标场站特征分布之间的距离并结合域对抗损失,驱动模型学习跨场景通用的特征表示,其计算公式为:
69、,
70、其中,用于显示度量分布距离,ladv为域对抗损失,为源场站样本特征集合,为目标场站样本特征集合;
71、,
72、其中,d为域标签(d=0表示源域,d=1表示目标域),为域分类器预测输出;
73、增量学习正则化约束采用弹性权重巩固方法,其计算公式为:
74、,
75、fi计算公式为:
76、,
77、其中,ξ为ewc正则化系数,为fisher信息矩阵对角元素,θi为模型当前的第i个参数,为旧任务训练完成后的最优参数值。
78、本发明还公开一种基于上述新能源集控多场景ai态势预警感知方法的系统,包括:
79、多场景异构数据融合模块,针对新能源集控中心管辖下的多类数据源,构建维度为t×m的融合数据矩阵;
80、cnn空间特征提取模块,通过两层一维卷积核沿特征维度方向进行滑动卷积操作,提取不同传感器参数之间的局部空间耦合关系;
81、bilstm时序特征提取模块,利用双层双向长短期记忆网络,捕获时间序列的双向时序依赖关系;
82、multi-head attention注意力加权模块,采用多头自注意力机制,通过scaleddot-product形式并行计算多组注意力权重,然后依次经过层归一化和前馈神经网络进行特征精炼;
83、跨场景域适应与在线增量学习模块,引入域对抗神经网络实现跨场站、跨能源类型的知识迁移,通过梯度反转层实现特征提取器与域分类器的对抗训练;同时采用弹性权重巩固方法实现在线增量学习;
84、场景差异化动态阈值与多层级协同预警决策模块,针对风电、光伏、储能三种场景设计独立的ewma动态预警参数组,并进行设备级、场站级、区域级三层级联的协同预警决策。
85、本发明的有益效果是:
86、1、通过多源异构数据的统一接入、时间维度对齐与语义维度对齐,实现了风电、光伏、储能多场景数据的深度融合,打破了数据孤岛,解决了多源数据采样频率、语义层级不一致导致的融合困难问题;
87、2、针对风电、光伏、储能场景在故障模式、信号特征、演变规律上的本质差异设计场景差异化的ewma动态阈值参数组,相比静态阈值机制能够自适应多场景动态变化,有效降低虚警率与漏警率;
88、3、引入域对抗神经网络实现跨场站、跨能源类型的知识迁移,结合弹性权重巩固方法实现在线增量学习,解决了现有模型跨场站迁移性能衰减严重、缺乏自适应更新的问题;
89、4、构建了设备级、场站级、区域级三层级联的协同预警决策框架,实现了多层级态势综合研判,预警f1-score达0.951,预警时间比传统scada固定阈值报警提前2至6小时,可支撑集控中心对多场站运行态势的全面感知与统一决策。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com