面向智慧能源场站的AI预测及主动预警系统的制作方法
本发明涉及电力系统智能运维,更具体地涉及面向智慧能源场站的ai预测及主动预警系统。
背景技术:
1、随着新型电力系统建设的加速推进,智慧电力预警技术迎来了快速发展期。我国在电力故障监测领域已取得显著成果,例如建成了首个全电压等级雷击故障定位体系,部分企业与科研机构研发的系统通过ai深度学习算法,实现了电气隐患的精准识别,预警准确率可达98%以上,在配网行波故障定位、设备极早期预警等领域有效缩短了故障处置时间。
2、然而,尽管现有技术在单一维度的监测与预警上已有突破,但在面向“源网荷储”一体化的智慧能源场站应用中,仍存在明显的技术短板:
3、现有的预警系统大多针对单一设备或单一类型数据(如仅监测电压或温度)进行独立分析,缺乏对发电侧、电网侧、负荷侧、设备侧及环境侧等多模态数据之间的因果关联特性进行有效挖掘。不同模态间的数据往往孤立处理,难以构建跨模态的正常关联矩阵,导致系统无法精准识别出运行参数间的一致性异常,极易在新能源出力波动或复杂环境下产生误报或漏报。
4、现有的预警机制多为基于阈值的被动报警,即故障发生或指标越限后才触发告警。系统缺乏基于历史时序数据的状态演化轨迹推演能力,无法提前预判状态偏离分量的未来走势。同时,预警信息往往仅停留在“报警”层面,缺乏基于策略库的干预推演机制,无法为运维人员提供包含最优干预路径的主动决策支持,难以形成“监测-分析-预警-处置”的全流程闭环。
技术实现思路
1、为了克服现有技术的上述缺陷,本发明提供了面向智慧能源场站的ai预测及主动预警系统,以解决上述背景技术中存在的问题。
2、本发明提供如下技术方案:面向智慧能源场站的ai预测及主动预警系统,包括:
3、数据采集模块:采集智慧能源场站的多源异构运行监测数据,并进行预处理,所述多源异构运行监测数据包括多维度实时运行数据及历史运行基准数据;
4、多模态分析模块:基于数据类型将实时运行数据划分为不同模态,利用各模态对应的历史运行基准数据构建独立分析模型,并结合同步采集的遥信数据对输出进行校正,输出连续状态偏离向量;
5、因果权重模块:基于历史运行基准数据对各模态间进行因果关联分析,得到各模态间的因果影响系数,根据因果影响系数确定各模态的动态权重,对连续状态偏离向量进行加权处理,得到加权状态偏离向量;
6、一致性判定模块:基于历史运行基准数据构建模态间的正常关联矩阵,计算加权状态偏离向量与正常关联矩阵的一致性得分,判定模态间运行一致性是否异常;
7、状态轨迹预测模块:根据模态间运行一致性的判定结果,基于历史运行基准数据构建状态轨迹预测模型,利用状态轨迹预测模型对加权状态偏离向量进行时序推演,得到未来时段的状态演化轨迹;
8、干预决策与预警模块:基于干预策略库,利用状态轨迹预测模型对状态演化轨迹进行干预推演,得到最优干预路径,并输出主动预警信息。
9、优选的,所述数据采集模块采集智慧能源场站的多源异构运行监测数据,并进行预处理包括:
10、通过部署于场站的物联网传感器、智能电表及scada系统,采用iec104或modbus通信协议,实时采集发电侧数据、电网侧数据、负荷侧数据、设备状态数据及环境气象数据;所述发电侧数据包括实时发电功率、累计发电量、光伏组件温度、辐照度及储能系统荷电状态;所述负荷侧数据包括实时负荷功率;所述电网侧数据包括电压、频率、有功功率、无功功率、电流、三相电压及三相电流;所述设备状态数据包括机组温度、变压器温度、断路器温度、储能电池温度、设备运行状态及断路器状态;所述环境气象数据包括温度、湿度和辐照度;所述scada系统通过iec104协议同步采集遥测数据及遥信数据,所述遥信数据包括断路器状态和保护动作信号;
11、同步从历史数据库中提取与实时运行数据对应时段的历史运行基准数据;
12、对实时运行数据进行去噪处理和归一化处理,对历史运行基准数据进行缺失值填补和时间对齐处理。
13、优选的,所述多模态分析模块基于数据类型将实时运行数据划分为不同模态,利用各模态对应的历史运行基准数据构建独立分析模型,输出连续状态偏离向量,具体包括:
14、依据数据来源及业务属性,将发电侧数据、电网侧数据、负荷侧数据、设备状态数据及环境气象数据分别对应划分为发电模态、电网模态、负荷模态、设备模态及环境模态;
15、利用各模态对应的历史运行基准数据,分别构建基于时间序列的基准预测模型,作为独立分析模型;其中,电网模态模型预测电压及频率的正常基准轨迹,设备模态模型预测机组温度的正常基准轨迹,负荷模态模型预测实时负荷功率的正常基准轨迹,发电模态模型预测机组出力的正常基准轨迹,环境模态模型预测环境参数的正常基准轨迹;
16、分别计算发电侧数据、电网侧数据、负荷侧数据、设备状态数据及环境气象数据与各自对应的正常基准轨迹之间的实时偏离度;
17、同步获取遥信数据中的断路器变位时刻,将实时偏离度的突变时刻与断路器变位时刻进行时序比对;若突变时刻与断路器变位时刻时序同步,则判定为正常操作响应并滤除;若时序不同步,则将该偏离度波动作为异常偏离信号予以保留;对滤除及保留后的偏离度数据进行整合,得到有效状态偏离数据;
18、将有效状态偏离数据按各模态维度进行编码,构建包含电压偏离分量、频率偏离分量、温度偏离分量、负荷偏离分量及环境偏离分量的连续状态偏离向量。
19、优选的,所述因果权重模块基于历史运行基准数据对各模态间进行因果关联分析,得到各模态间的因果影响系数,具体包括:
20、基于各模态对应的历史运行基准数据,以各模态为节点、以模态间的因果影响路径为边,构建跨域耦合关联图谱;其中,利用环境气象数据与设备状态数据的历史时序序列计算热传导相关度,利用发电侧数据与电网侧数据的历史时序序列计算功率-频率响应相关度,利用负荷侧数据与电网侧数据的历史时序序列计算电压-负荷敏感度,并进一步计算发电侧数据与负荷侧数据之间的供需平衡相关度、环境气象数据与发电侧数据之间的出力响应相关度;将上述计算所得的各项关联指标经归一化处理后作为各模态对之间的因果影响系数,填入跨域耦合关联图谱的对应边权中;
21、所述根据因果影响系数确定各模态的动态权重,对连续状态偏离向量进行加权处理,得到加权状态偏离向量,具体包括:
22、针对每个模态,以该模态与其余各模态之间的因果影响系数之和作为该模态的综合影响强度,对各模态的综合影响强度进行归一化处理,生成各模态在预警判定中的动态权重向量;并以动态权重向量为对角元素构建动态权重矩阵;
23、将连续状态偏离向量中各模态对应的偏离分量与动态权重矩阵进行加权求和融合计算,输出加权状态偏离向量。
24、优选的,所述一致性判定模块基于历史运行基准数据构建模态间的正常关联矩阵,计算加权状态偏离向量与正常关联矩阵的一致性得分,判定模态间运行一致性是否异常,具体包括:
25、基于各模态对应的历史运行基准数据,分别提取发电模态与电网模态之间的功率-频率响应特性、电网模态与负荷模态之间的电压-负荷敏感度特性、发电模态与设备模态之间的温度-功率关联特性、环境模态与设备模态之间的热传导响应特性、环境模态与发电模态之间的出力响应特性,构建5×5的正常关联矩阵;其中,利用历史时序序列的统计均值与协方差表征各模态对的关联特性,矩阵对角线元素为各模态自身的运行稳定度指标,非对角线元素为模态对之间的关联强度指标;
26、基于正常关联矩阵的协方差矩阵,采用马氏距离算法计算加权状态偏离向量与正常基准分布中心之间的一致性距离,并通过指数衰减函数将一致性距离映射为0至1区间的一致性得分,其中一致性得分越接近1表示运行一致性越高;
27、将一致性得分与预设的一致性判定阈值进行比对,若一致性得分低于预设的一致性判定阈值,则判定模态间运行一致性异常并触发预警信息提示,所述预警信息提示为基于一致性判定结果生成的ai预测预警信息;若一致性得分不低于预设的一致性判定阈值,则判定模态间运行一致性正常。
28、优选的,所述状态轨迹预测模块基于历史运行基准数据构建状态轨迹预测模型,具体包括:
29、基于一致性判定模块输出的一致性得分,选择状态轨迹预测模型的类型:
30、当一致性得分低于预设的一致性判定阈值时,构建基于长短期记忆网络的非线性轨迹预测模型;当一致性得分不低于预设的一致性判定阈值时,构建基于线性回归的线性轨迹预测模型;
31、利用历史运行基准数据中各模态的历史时序序列作为训练样本,采用时序分解算法对历史时序序列进行处理,分离出周期性分量、趋势性分量及残差分量,将周期性分量、趋势性分量及残差分量输入状态轨迹预测模型进行训练,得到训练后的状态轨迹预测模型;
32、所述利用状态轨迹预测模型对加权状态偏离向量进行时序推演,得到未来时段的状态演化轨迹,具体包括:
33、将加权状态偏离向量作为状态轨迹预测模型的当前时刻输入状态,按照预设的时间步长逐时段向前进行迭代预测,得到初始预测轨迹序列;
34、调用正常关联矩阵的协方差矩阵,利用协方差矩阵计算初始预测轨迹序列中各时刻预测向量相对于正常基准中心的马氏距离,得到当前时刻的预测偏离度;将预测偏离度与预设的偏离判定阈值进行比较;
35、若预测偏离度超过预设的偏离判定阈值,则依据正常关联矩阵的特征向量对预测向量进行投影修正,将修正后的向量作为下一时段的迭代输入;若预测偏离度未超过预设的偏离判定阈值,则直接将预测向量作为下一时段的迭代输入;
36、迭代结束后,输出未来多时段的状态演化轨迹;所述状态演化轨迹为各模态在未来各时段的状态偏离数值序列,将状态偏离数值序列中超过预设安全边界的数值点标记为异常预警标识。
37、优选的,所述干预决策与预警模块基于干预策略库对状态演化轨迹进行干预推演,得到最优干预路径,并输出主动预警信息,具体包括:
38、捕捉状态演化轨迹中偏离分量超过预设安全边界的异常时段及对应的目标模态,依据预设的异常-策略映射关系,从干预策略库中调用与目标模态匹配的若干候选干预策略;其中,所述干预策略库包含针对频率模态异常的功率调节指令、针对电压模态异常的无功补偿指令及针对设备模态温度异常的负荷转移指令;
39、构建干预效果评估函数,将候选干预策略作为输入变量代入状态轨迹预测模型进行仿真推演,计算各候选干预策略执行后状态演化轨迹回归至安全边界的预计调节时长及所需的调节幅度;
40、采用多目标优化算法,以调节时长最小化及调节幅度最小化为优化目标,对候选干预策略进行综合评分,选取得分最高的策略作为最优干预路径;
41、根据最优干预路径生成包含目标设备标识、调节方向及调节量值的主动预警信息,推送至场站监控界面。
42、本发明的技术效果和优点:
43、(1)通过因果权重模块对各模态间进行因果关联分析得到因果影响系数并确定动态权重,结合一致性判定模块构建模态间的正常关联矩阵计算一致性得分, 打破了多源异构数据孤岛,实现了对发电侧、电网侧、负荷侧等多模态数据深层关联特性的有效挖掘,能够精准识别运行参数间的一致性异常,有效解决了新能源出力波动或复杂环境下单一维度分析导致的误报与漏报问题,显著提高了预警系统的准确性与鲁棒性。
44、(2)通过状态轨迹预测模块根据一致性判定结果构建状态轨迹预测模型,对加权状态偏离向量进行时序推演得到未来时段的状态演化轨迹, 改变了传统基于阈值被动报警的模式,实现了对状态偏离分量未来走势的超前预判,能够在故障发生或指标越限前提前发现隐患,为运维人员争取了宝贵的故障处置时间,显著提升了预警的主动性与时效性。
45、(3)通过干预决策与预警模块基于干预策略库利用状态轨迹预测模型进行干预推演得到最优干预路径,突破了传统预警仅停留在“报警”层面的局限,能够为运维人员提供包含具体调节幅度与响应时效的主动决策支持,实现了“监测-分析-预警-处置”的全流程闭环管理,有效缩短了故障处置时间并降低了运维成本。
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