一种电力系统节点重要度预测方法与流程

1.本发明属于电力系统控制领域，具体涉及一种基于卷积长短期记忆网络预测电力系统节点的重要度的方法


背景技术：

2.随着电力系统的广泛互联，在提高输电效率的同时也对电力系统安全稳定运行提出了新的挑战。近年来，世界范围内出现的大停电事故造成了巨大的经济损失，甚至影响了社会稳定。然而，这些停电事故通常是由一些节点退出运行并逐渐蔓延以影响整个电力系统造成的，这可以被定义为连锁故障。其中，这些节点被定义为重要节点，为了防止连锁故障，对电力系统节点的重要度进行评估并找出重要节点是至关重要的。
3.geng,j.q等人提出了一种基于eb
‑
slasa算法计算电力系统节点重要度的方法(详见文献[
‘
method for finding the important nodes of an electrical power system based on weighted
‑
salsa algorithm’,iet gener.transm.distrib.,2019,13,(21),pp.4933
–
4941])，该方法基于图论中评估节点重要程度的点度指标，依据电力系统记录的各个节点(即电力系统的各条线路)的潮流数据满足有功功率平衡和无功功率平衡的基本条件，求得各个节点在二分图中的权威值和枢纽值的初始值，再通过各个节点在电力系统全局拓扑中的入度和出度迭代运算从而求得各个节点权威值和枢纽值的最终值，最后相加得到各节点的重要度。
[0004]
然而，该方法只能用于实时计算，同时考虑到数据采集和程序计算需要时间，故其计算结果必然存在滞后，不具备提供为电网提供保护信号的预警能力。而且随着电力系统规模的扩大以及分布式电源渗透率的提高，未来电力系统运行方式变化将更加频繁，变化幅度也将更加剧烈，故电力系统中各节点的重要度也会频繁变化。所以，对电力系统中节点的重要度进行预测是非常必需的，采用合理的预测模型对节点重要度进行预测之后，便可以根据预测结果为电网公司调度机构模拟电力系统运行的未来态、避免事故发生提供数据指导。
[0005]
电网是一个包含有众多节点且每个节点都连接着相邻的若干节点的复杂网络，随着分布式电源的接入或者是切换负荷，各节点负荷情况、线路潮流及电网空间拓扑结构随之改变，电网某个节点的重要度必然会随着其他节点负荷的切换、分布式电源的接入等因素变化而变化。各个节点之间的重要度存在相关关系，故在预测电力系统节点重要度时就必须要将电力系统的空间特征考虑在内。
[0006]
电力系统中的节点重要度具有非线性的特征。调度机构每隔15分钟对电力系统潮流进行一次采样，随着时间发展，调度机构会积累了大量节点重要度数据，形成庞大的时空序列数据集。人工智能和大数据技术的发展使得具有非线性特征的数据有了新的处理方法—机器学习，它可以通过自适应学习不断调整自身参数来获取更精确的计算效果。近年来，神经网络迅速发展，凭借优秀的处理非线性数据能力、自适应能力、泛化性和简便性而成为主流预测模型。
[0007]
对时间序列数据的学习，目前比较成熟的学习算法有递归神经网络(recurrent neural network,rnn)和长短期记忆网络(long short
‑
term memory，lstm)等算法。lstm网络基于rnn，通过改进自身网络结构，有效解决了梯度消失和爆炸问题。目前lstm网络在图像识别、声音识别等诸多前沿领域已有广泛研究并取得了一定的成果和应用。lstm模型擅长刻画长短时记忆，能够很好处理数据的时间序列关系，但不擅长提取局部空间特征。
[0008]
卷积长短期记忆网络(convolutional lstm，convlstm)的出现为解决上述问题提供了新的思路。convlstm网络模型在lstm网络模型基础上引入卷积计算，使得模型不仅能够得到时序关系，还能像卷积层一样提取空间特征。这样就可以得到时空序列特征，从而使得convlstm网络可以解决时空序列预测问题。然而，目前尚未出现使用卷积长短期记忆网络convlstm进行电力系统节点重要度预测的研究。


技术实现要素：

[0009]
为了克服上述现有技术的不足，本技术提供一种基于卷积长短期记忆网络的电力系统节点重要度预测方法，能够基于电力系统网络节点的历史潮流数据，快速、准确地预测电力系统节点的重要度，从而为提前预防连锁故障、避免故障发生提供数据指导。
[0010]
本技术的实施例可以通过以下技术方案实现：
[0011]
一种电力系统节点重要度预测方法，基于卷积长短期记忆网络预测电力系统节点的重要度，包括训练集构造过程，模型训练过程和重要度预测过程；所述训练集构造过程基于电力系统节点的历史潮流数据构造训练集，所述模型训练过程使用所述训练集对预测模型进行训练，得到完成训练的预测模型，所述重要度预测过程使用所述完成训练的预测模型进行所述电力系统节点的重要度预测；
[0012]
所述训练集构造过程包括以下步骤：
[0013]
s11.基于电力系统的n个节点的历史潮流数据计算得到所述n个节点的重要度数据集x
i
,i＝1...m，其中n为所述电力系统节点的数量，m为选取的历史时间点的数量，x
i
包括在第i个历史时间点计算得到的所述n个节点的重要度；
[0014]
s12.对所述重要度数据集x
i
进行归一化处理；
[0015]
s13.对所述归一化的重要度数据集x
i
进行重塑以构造训练集；
[0016]
所述模型训练过程包括以下步骤：
[0017]
s21.构造预测模型，其中，所述预测模型为多层卷积长短期记忆网络convlstm，所述预测模型的输出为预测得到的l个未来时间点的重要度预测值数据集y
j
，j＝1...l，其中l为进行预测的未来时间点的数量，y
j
包括在第j个未来时间点的所述n个节点的重要度预测值；
[0018]
s22.使用所述训练集中的样本对所述预测模型进行迭代训练，当损失函数小于预设的阈值或所述迭代训练的次数达到最大迭代次数后结束训练，得到完成训练的预测模型；
[0019]
所述重要度预测过程包括以下步骤：
[0020]
s31.获取当前时间点及当前时间点之前l
‑
1个时间点的电力系统节点的重要度集合；
[0021]
s32.将所述当前时间点及当前时间点之前l
‑
1个时间点的电力系统节点的重要度
集合输入所述完成训练的预测模型，预测得到l个未来时间点的电力系统节点的重要度集合。
[0022]
进一步地，所述重要度数据集x
i
中每个节点的重要度由所述每个节点在第i个历史时间点的权威值和枢纽值相加得到，其中所述权威值的初始值为每个节点在二分图中权威图的点度数值，基于所述每个节点在所述电力系统全局拓扑中的入度，通过迭代运算得到所述权威值的最终值，所述枢纽值的初始值为每个节点在二分图中枢纽图的点度数值，基于所述每个节点在所述电力系统全局拓扑中的出度，通过迭代运算得到所述枢纽值的最终值。
[0023]
进一步地，所述训练集构造过程中对所述归一化的重要度数据集xi进行重塑以构造训练集，具体为：将所述归一化的重要度数据集x
i
，i＝1...m转换为数据结构为([sample，timesteps，rows，cots，channels])的训练集，其中，sample为所述训练集的样本数量，且sample＜＝m，timesteps为时间步长，每个训练样本包含多个通道的rows
×
cols的二维矩阵，所述二维矩阵的元素值为电力系统节点的重要度，channels为所述多个通道的通道数量。
[0024]
进一步地，所述训练集的数据结构具体为([sample，1，1，l，n])。
[0025]
优选地，所述l的值为10。
[0026]
优选地，所述多层卷积长短期记忆网络convlstm的总层数为11层，包括5层convlstm层，一层池化层，一层flatten层和4层全连接层；
[0027]
所述conlstm层用于进行卷积运算，所述池化层用于在保留主要特征的同时缩小模型大小，所述flatten层用于进行卷积层到全连接层的过渡，所述全连接层用于增强模型的非线性表达能力，并将输出转换为对l个未来时间点的电力系统节点的重要度集合的预测。
[0028]
进一步地，所述convlstm层按照如下方式构造：
[0029][0030][0031][0032][0033][0034]
其中，*表示卷积运算，表示矩阵乘法，x
t
为t时刻神经元的输入；h
t
‑1为t
‑
1时刻神经元的输出；w
xi
，w
xf
，w
xc
，w
xo
分别为不同卷积运算中x
t
的权重；w
hi
，w
hf
，w
hc
，w
ho
为h
t
‑1的权重；b
i
，b
f
，b
c
，b
o
为卷积运算的偏置值；σ为sigmoid函数，tanh为双曲正切函数；i
t
为输入门，它利用sigmoid函数对输入的新数据及上以神经元的输出进行选择，决定该神经元的输入信息；f
t
为遗忘门，输入参数同输入门，按比例遗忘上一神经元的输出，即控制保留上一神经元多少信息进入该神经元；c为t时刻神经元的细胞状态，它结合上一神经元的细胞状态及t时刻输入的新数据，形成新的细胞状态；o
t
为输出门；h
t
为t时刻的预测输出，通过门控设置，将本次细胞状态按比例输出，即为本次输出的h
t
。
[0035]
进一步地，所述模型训练过程中使用所述训练集中的样本对所述预测模型进行迭代训练具体包括以下步骤：
[0036]
s221.将所述训练集中的样本输入所述预测模型，得到所述预测模型的输出y
j
，j＝1...l；
[0037]
s222.基于y’j
，j＝1，...l与y
j
，j＝1...l计算损失函数，其中y’j
，j＝1...l为l个未来时间点的重要度真实值数据集，y’j
包括在第j个未来时间点的所述n个节点的重要度真实值；
[0038]
s223.反向计算求得每一个神经元的误差项，所述反向计算包括沿着时间方向反向传播以及将误差项向上一层传播；
[0039]
s224.根据所述误差项，计算所述预测模型每一个权重的梯度并更新所述预测模型的每一个权重；
[0040]
s225.重复执行步骤s221至s224，直到损失函数小于预设的阈值或训练的次数达到最大迭代次数，将此时的预测模型保存为完成训练的预测模型。
[0041]
优选地，所述训练集构造过程还包括以下步骤：
[0042]
s14.从所述训练集中提取一定数量的样本作为测试集，用于评估所述训练完成的预测模型。与现有技术相比，本技术提供的一种电力系统节点重要度预测方法至少具有以下有益效果：
[0043]
(1)根据电网节点重要度随着负荷切换、分布式电源的接入或者其他因素造成的系统拓扑结构变化而改变的特点，采用卷积长短期记忆网络convlstm构造预测模型，并将电力系统空间节点的重要度数据按照时间维度进行重塑，使得预测模型能够同时考虑电力系统节点重要度的时间与空间特性，相对于基于lstm网络的预测模型增加了预测的准确性；
[0044]
(2)针对电力系统中节点数目众多，各节点重要度同步变化的特点，在convlstm网络基础上，设计了总层数为11层的深度convlstm网络预测模型。考虑到电力系统运行方式变化较快，时间间隔过长的节点重要度数据对预测未来某时刻节点重要度失去参考价值，故未采用过大的节点重要度数据集，将convlstm层数设置为5层。从而实现在历史潮流数据较少的情况下对数据特征的准确学习。
[0045]
(3)随着电力系统规模的扩大以及分布式电源渗透率的提高，未来电力系统运行方式变化将更加频繁，变化幅度也将更加剧烈，电力系统中各节点的重要度也会频繁变化，因此预测过长时间跨度之后的节点重要度不再有实际意义；而预测时间跨度过短，则不利于对所预测的电力系统节点故障采取预警措施。基于电力系统的上述实际运行特征，将预测电力系统节点重要度的未来时间点的个数设置为10个，将时间步长设置为1，既保证了调度机构及时发现潜在故障并采取相应预防措施，又不会因步长设置过大而错过因电力系统潮流及运行方式的改变而导致的节点重要度的变化。
附图说明
[0046]
图1为本技术实施例的一种电力系统节点重要度预测方法的流程图；
[0047]
图2为本技术实施例的训练集构造过程的流程图；
[0048]
图3为本技术实施例的一个具体实施方式的电力系统的拓扑结构图；
[0049]
图4为本技术实施例的电力系统节点重要度的计算过程；
[0050]
图5为本技术实施例的模型训练过程的流程图；
[0051]
图6为本技术实施例的优选的实施方式的预测模型结构；
[0052]
图7为本技术实施例的使用训练集中的样本对预测模型进行迭代训练的流程图；
[0053]
图8为本技术实施例的重要度预测过程的流程图；
[0054]
图9为对本技术实施例的一种电力系统节点重要度预测方法进行评价的结果。
具体实施方式
[0055]
以下，基于优选的实施方式并参照附图对本技术进行进一步说明，其中包括本技术实施例的各种细节以助于理解本技术的技术方案，应当将它们认为仅仅是示范性的而不是对本技术的限制。本领域的普通技术人员应当认识到，可以对具体实施方式中描述的实施例做各种修改和改变，而不会背离本技术的范围和精神。
[0056]
本技术的实施例可以通过以下技术方案实现：
[0057]
一种电力系统节点重要度预测方法，基于卷积长短期记忆网络预测电力系统节点的重要度，包括训练集构造过程，模型训练过程和重要度预测过程；所述训练集构造过程基于电力系统节点的历史潮流数据构造训练集，所述模型训练过程使用所述训练集对预测模型进行训练，得到完成训练的预测模型，所述重要度预测过程使用所述完成训练的预测模型进行所述电力系统节点的重要度预测。图1示出本技术实施例提供的一种电力系统节点重要度预测方法的流程图。
[0058]
以下结合图2至图4详细介绍训练集构造过程，其中，图2为本技术实施例的训练集构造过程的流程图，图3为本技术实施例的一个具体实施方式的电力系统的拓扑结构图，图4为本技术实施例的电力系统节点重要度的计算过程。
[0059]
如图2所示，训练集构造过程包括以下步骤：
[0060]
s11.基于电力系统的n个节点的历史潮流数据计算得到所述n个节点的重要度数据集x
i
,i＝1...m，其中n为所述电力系统节点的数量，m为选取的历史时间点的数量，x
i
包括在第i个历史时间点计算得到的所述n个节点的重要度；
[0061]
s12.对所述重要度数据集x
i
进行归一化处理；
[0062]
s13.对所述归一化的重要度数据集x
i
进行重塑以构造训练集；
[0063]
优选地，训练集构造过程还包括以下步骤：
[0064]
s14.从所述训练集中提取一定数量的样本作为测试集，用于评估所述训练完成的预测模型。
[0065]
图3示出本技术实施例的优选的实施方式中，电力系统的拓扑结构图，具体地，该实施方式的电力系统为ieee118母线系统，包括118条母线(图中以黑色带箭头实心圆圈表示)和186条传输线路，其中，118条母线代表该电力系统的节点，即该电力系统的n＝118，以每15分钟为一个时间点记录该电力系统各个节点的数据并计算各个节点的重要度，供选取1500个历史时间点，即m＝1500，从而生成该电力系统的重要度数据集x
i
,i＝1...1500，其中x
i
为118维向量，包括在第i个历史时间点计算得到的118个节点的重要度。
[0066]
在本技术的实施例中，如图4所示，重要度数据集x
i
中每个节点的重要度由每个节点在第i个历史时间点的权威值和枢纽值相加得到，具体步骤为：
[0067]
首先通过图3所示的电力系统拓扑结构得到原始有向图；然后根据电力系统记录的各个节点(即电力系统的各条线路)的潮流数据满足有功功率平衡和无功功率平衡的基
本条件，增补发电、负荷节点得到全系统完整邻接矩阵；基于上述全系统完整邻接矩阵得到每个节点的权威值和枢纽值的初始值，其中权威值的初始值为每个节点在二分图中权威图的点度数值，枢纽值的初始值为每个节点在二分图中枢纽图的点度数值；最后基于每个节点在电力系统全局拓扑中的入度，通过迭代运算得到权威值的最终值，以及基于每个节点在电力系统全局拓扑中的出度，通过迭代运算得到枢纽值的最终值，将上述权威值的最终值和上述枢纽值的最终值相加得到每个节点的重要度。
[0068]
进一步地，对重要度数据集x
i
进行归一化处理，将重要度数据集x
i
中的各个节点的重要度减去其中的最小值，并除以其中最大值与最小值之差，从而将重要度数据集x
i
的各个节点的重要度的范围映射到[0,1]区间以得到归一化的重要度数据集x
i
。
[0069]
进一步地，对归一化的重要度数据集x
i
进行重塑以构造训练集，具体为：将所述归一化的重要度数据集x
i
，i＝1...m转换为数据结构为([sample，timesteps，rows，cols，channels])的训练集，其中，sample为所述训练集的样本数量，且sample<＝m，timesteps为时间步长，每个训练样本包含多个通道的rows
×
cols的二维矩阵，所述二维矩阵的元素值为电力系统节点的重要度，channels为所述多个通道的通道数量。
[0070]
以下结合本技术实施例的优选的实施方式，具体说明训练集的构造过程。
[0071]
具体地，在本技术实施例的优选的实施方式中，使用reshape函数对归一化的重要度数据集x
i
，i＝1...1500进行重塑，将其构造为包含1265个样本的训练数据，其中，相邻训练样本的时间间隔为15分钟，即：sample＝1265，timesteps＝1(每一个时间点生成一个训练样本)；每个训练样本包含118个通道(对应ieee118母线系统的118个节点)的1
×
l矩阵(即channels＝n＝118，rows＝1，cols＝l)，其中，每个通道的1
×
l矩阵的元素值为该通道所对应的电力系统节点在l个时间点的重要度；在这里，l的大小决定了预测电力系统节点重要度的未来时间点的个数，优选地，l＝10，即预测未来10个时间点，共两个半小时的电力系统节点重要度。
[0072]
在本技术实施例的优选的实施方式中，还包括生成测试集的步骤，测试集可以从生成的数据集中选取一定比例的样本来生成，也可以利用电力系统其他历史时间点的节点数据，按照s11至s13的步骤生成。
[0073]
以下，结合图5至图7，详细介绍模型训练过程，其中，图5为本技术实施例的模型训练过程的流程图，6为本技术实施例的优选的实施方式的预测模型结构，图7为本技术实施例的使用训练集中的样本对预测模型进行迭代训练的流程图。
[0074]
如图5所示，模型训练过程包括以下步骤：
[0075]
s21.构造预测模型，其中，所述预测模型为多层卷积长短期记忆网络convlstm，所述预测模型的输出为预测得到的l个未来时间点的重要度预测值数据集y
j
，j＝1...l，其中l为进行预测的未来时间点的数量，y
j
包括在第j个未来时间点的所述n个节点的重要度预测值；
[0076]
s22.使用所述训练集中的样本对所述预测模型进行迭代训练，当损失函数小于预设的阈值或所述迭代训练的次数达到最大迭代次数后结束训练，得到完成训练的预测模型。
[0077]
在本技术实施例的优选的实施方式中，如图6所示，多层卷积长短期记忆网络convlstm按照如下方式构造：
[0078]
多层卷积长短期记忆网络convlstm的总层数为11层，包括5层convlstm层，一层池化层，一层flatten层和4层全连接层；其中conlstm层用于进行卷积运算，池化层用于在保留主要特征的同时缩小模型大小，flatten层用于进行卷积层到全连接层的过渡，全连接层用于增强模型的非线性表达能力，并将输出转换为对10个未来时间点(即未来两个半小时)的电力系统节点的重要度集合的预测。
[0079]
具体地，convlstm层按照如下方式构造：
[0080][0081][0082][0083][0084][0085]
其中，*表示卷积运算，表示矩阵乘法，x
t
为t时刻神经元的输入；h
t
‑1为t
‑
1时刻神经元的输出；w
xi
，w
xf
，w
xc
，w
xo
分别为不同卷积运算中x
t
的权重；w
hi
，w
hf
，w
hc
，w
ho
为h
t
‑1的权重；b
i
，b
f
，b
c
，b
o
为卷积运算的偏置值；σ为sigmoid函数，tanh为双曲正切函数；i
t
为输入门，它利用sigmoid函数对输入的新数据及上以神经元的输出进行选择，决定该神经元的输入信息；f
t
为遗忘门，输入参数同输入门，按比例遗忘上一神经元的输出，即控制保留上一神经元多少信息进入该神经元；c
t
为t时刻神经元的细胞状态，它结合上一神经元的细胞状态及t时刻输入的新数据，形成新的细胞状态；o
t
为输出门；h
t
为t时刻的预测输出，通过门控设置，将本次细胞状态按比例输出，即为本次输出的h
t
。
[0086]
在本技术的实施例中，构造完成预测模型后，如图7所示，使用训练集中的样本对预测模型进行迭代训练，当损失函数小于预设的阈值或迭代训练的次数达到最大迭代次数后结束训练，得到完成训练的预测模型，具体步骤为：
[0087]
s221.将所述训练集中的样本输入所述预测模型，得到所述预测模型的输出y
j
，j＝1...l；
[0088]
s222.基于y’j
，j＝1，...l与y
j
，j＝1...l计算损失函数，其中y’j
，j＝1...l为l个未来时间点的重要度真实值数据集，y’j
包括在第j个未来时间点的所述n个节点的重要度真实值；
[0089]
s223.反向计算求得每一个神经元的误差项，所述反向计算包括沿着时间方向反向传播以及将误差项向上一层传播；
[0090]
s224.根据所述误差项，计算所述预测模型每一个权重的梯度并更新所述预测模型的每一个权重；
[0091]
s225.重复执行步骤s221至s224，直到损失函数小于预设的阈值或训练的次数达到最大迭代次数，将此时的预测模型保存为完成训练的预测模型。
[0092]
具体地，在本技术实施例的优选的实施方式中，每次训练时，将经过重塑的某一时刻(例如t时刻)的训练样本输入预测模型，其中训练样本为包含118个通道的1
×
l矩阵，每个矩阵的元素值为该通道对应的电力系统节点在t
‑
9时刻到t时刻共10个时间点(即两个半小时)的重要度；将上述训练样本输入预测模型，得到t 1时刻到t 10时刻共10个时间点(即两个半小时)的重要度预测值数据集y
j
，j＝1...10；然后利用电力系统在t 1时刻到t 10时
刻共10个时间点(即两个半小时)的重要度真实值数据集y’j
，j＝1，...10与y
j
，j＝1...10计算损失函数，在这里，y’j
即为x
j
，损失函数可以是深度学习网络常用的交叉熵损失(cross entropy loss)或均方误差(mse)等；利用损失函数进行反向传播并更新预测模型的权重后，输入新的样本进行迭代训练，直到损失函数小于预设的阈值或训练的次数达到最大迭代次数，将此时的预测模型保存为完成训练的预测模型，以用于后续的电力系统节点重要度预测过程。
[0093]
以下，结合图8、图9详细介绍重要度预测过程，其中，图8为本技术实施例的重要度预测过程的流程图，图9为对本技术实施例的一种电力系统节点重要度预测方法进行评价的结果。
[0094]
如图8所示，重要度预测过程包括：
[0095]
s31.获取当前时间点及当前时间点之前l
‑
1个时间点的电力系统节点的重要度集合；
[0096]
s32.将所述当前时间点及当前时间点之前l
‑
1个时间点的电力系统节点的重要度集合输入所述完成训练的预测模型，预测得到l个未来时间点的电力系统节点的重要度集合。
[0097]
具体地，在本技术实施例的优选的实施方式中，利用步骤s11至s13对ieee118母线系统在当前时间点及当前时间点之前9个时间点(共10个，即两个半小时)的节点重要度集合进行重塑，将其输入完成训练的预测模型，得到10个未来时间点(即两个半小时)的电力系统节点的重要度集合。
[0098]
为了对完成训练的预测模型的性能进行评价，在本技术实施例的一种优选的实施方式中，使用步骤s14生成的测试集对完成训练的预测模型进行测试，将预测结果分别与真实值和利用基于lstm网络的预测模型进行预测的结果进行比较，比较结果如图9所示。从图9可以看出，convlstm与lstm相比，前者与真实值的吻合度更高。
[0099]
进一步地，计算得到本技术实施例的预测值与真实值的平均绝对误差(mae)、方均根误差(rmse)、平均绝对百分比误差(mape)三个指标，并与基于lstm网络的预测模型的相同指标进行了对比，对比结果如表1所示：
[0100]
表1本技术实施例的预测模型与基于lstm的预测模型性能对比
[0101][0102]
通过表1可以看出，本技术实施例的预测模型，在mae、rmse、mape三个指标方面的性能均优于基于lstm网络的预测模型。
[0103]
以上对本技术的具体实施方式作了详细介绍，对于本技术领域的技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也属于本发明权利要求的保护范围。