一种电网运行状态预测方法与系统与流程

1.本技术涉及电网运行预测领域，具体而言，涉及一种电网运行状态预测方法与系统。


背景技术：

2.电网是电力系统中各种电压的变电所及输配电线路组成的整体，随着电网的不断建设，电网的安全问题随之产生，对电网运行状态的有效预测可为电网风险预判与优化调控提供数据基础，对保障系统安全运行具有重要意义。
3.目前，在电网相似历史运行断面挖掘领域通常使用决策树来进行断面的特征筛选，用改进k-means算法为系统当前断面匹配相似的历史运行断面；或者，用堆叠自动编码器算法进行深度学习，实现运行断面分类等。但利用电气特征量统计值、相似日等匹配历史相似运行断面过于粗粒化，结果准确度不高；仅依靠单断面间相似性进行历史断面的提取，忽略了前后运行状态在时序上的连续性、空间上分布关联性，判别结果具有偶然性且无法准确反映电网运行趋势。


技术实现要素：

4.本技术实施例的目的在于提供一种电网运行状态预测方法与系统，本方法采用图表示学习算法对电网拓扑及其属性信息进行深层次无监督学习，提取表征运行断面空间特征的属性向量；之后，利用滑动时间窗算法将历史运行断面对应的空间特征向量按照不同时段划分到多个窗口；最后，从微观和宏观两个角度计算不同窗口间对应样本相似性，获取与当前时段内断面最相似的一组连续断面，并将该组历史断面的后续时刻断面作为当前电网运行未来状态的参考。使用本方法对电网运行状态进行预测能对电网的运行状态进行有效预测，能实现对电网运行状态的实时预测与感知，对电网运行进行超前分析。
5.第一方面，本技术实施例提供一种电网运行状态预测方法，该方法包括：获取电网运行的历史运行断面组；其中，历史运行断面组包括多个历史运行断面；根据历史运行断面组获取历史运行断面组中各个历史运行断面的空间属性向量以及空间属性向量的空间特征；其中，空间属性向量的空间特征表征电网运行历史中不同的运行断面；获取电网运行的当前运行断面和当前运行断面前的运行断面，并将其构成待匹配运行断面组；根据待匹配运行断面组中各个待匹配运行断面获取待匹配运行断面组的空间属性向量以及空间属性向量的空间特征；以及在历史运行断面组中，根据待匹配运行断面组中各个待匹配运行断面的空间属性向量的空间特征与历史运行断面组中各个历史运行断面的空间属性向量的空间特征的相似程度选择匹配的历史运行断面组，并将匹配的历史运行断面组之后的历史运行断面确定为当前运行断面的未来运行断面。
6.在上述实现过程中，根据历史运行断面组获取历史运行断面组中各个历史运行断面的空间属性向量以及空间属性向量的空间特征；根据待匹配运行断面组中各个待匹配运行断面获取待匹配运行断面组的空间属性向量以及空间属性向量的空间特征。利用本方法
对电网运行断面进行特征提取能够充分考虑网络拓扑信息，提取特征具有较强的代表性。同时，本方法充分考虑到了运行断面的时间特征与空间特征，可实现对电网未来运行情况的准确预测。
7.可选地，在本技术实施例中，根据历史运行断面组获取历史运行断面组中各个历史运行断面的空间属性向量，包括：步骤s1：对电网拓扑结构中的目标采样层的目标采样节点与目标采样节点的相邻节点进行采样，并获取目标采样节点与相邻节点的属性向量；步骤s2：对目标采样层中的节点的属性向量进行聚合作为目标采样层的后续采样层采样节点的属性向量；从电网拓扑结构的第一采样层依次采样至最高采样层依次重复上述步骤s1和步骤s2，以获得最高采样层各采样节点的属性向量；以及将最高采样层各采样节点的属性向量组成断面的空间属性向量的空间特征；其中，采样节点组成采样层，采样层组成电网拓扑结构。
8.在上述实现过程中，通过对电网拓扑结构中的目标采样层的目标采样节点与目标采样节点的相邻节点进行采样，并获取目标采样节点与相邻节点的属性向量；重复至最高采样层，将最高采样层的各采样节点的属性向量作为断面的空间属性向量；获得综合表征电气特征和拓扑特征的实值的断面属性向量，大大提高运行断面特征的代表性。
9.可选地，在本技术实施例中，在根据历史运行断面组获取历史运行断面组中各个历史运行断面的空间属性向量之后，方法还包括：获取与目标采样节点固定距离的邻居节点的属性向量；随机获取与目标采样节点固定距离以外的非邻居节点的属性向量；根据目标采样节点的属性向量、固定距离的邻居节点的属性向量与固定距离以外的非邻居节点的属性向量计算目标采样节点与邻居节点和非邻居节点的相似性；以及根据相似性优化空间属性向量，得到空间属性向量的空间特征。
10.在上述实现过程中，对目标节点的邻居节点与非邻居节点进行相似度的计算，并对处理后的属性向量进行反向传播优化，此处可以利用sgd(随机梯度下降)优化器对前向传播得到的目标节点的属性向量进行反向传播优化。通过对运行断面空间特征的优化，解决了部分运行断面中可能存在错误数据、空值等现象，影响特征准确表达的问题；进一步提高了断面特征的容错性，可实现对电网运行状态的有效预测。
11.可选地，在本技术实施例中，在根据历史运行断面组获取历史运行断面组中各个历史运行断面的空间属性向量以及空间属性向量的空间特征之后，方法还包括：利用多个时间窗口对历史运行断面组的空间属性向量进行取样；其中，在取样后，时间窗口内包含固定数量的历史运行断面；获取不同时间窗口中历史运行断面的空间属性向量的空间特征；其中，时间窗口包含多个以固定时间序列排序的历史运行断面。
12.在上述实现过程中，将历史运行断面的空间属性向量划分至多个时间窗口，分别提取不同时间窗口中历史运行断面的空间属性向量的空间特征；由于电网运行具有时序特点，通过将其划分至多个时间窗口内对时序样本进行连续采样，进一步实现窗口与窗口间对应断面的相似性计算，解决了单断面间的相似性匹配结果参考价值较低的问题，提高了对电网运行状态预测的准确性。
13.可选地，在本技术实施例中，在历史运行断面组中，根据待匹配运行断面组中各个待匹配运行断面的空间属性向量的空间特征与历史运行断面组中各个历史运行断面的空间属性向量的空间特征的相似程度选择匹配的历史运行断面组，包括：根据待匹配运行断
面组的空间属性向量的空间特征与历史运行断面组的空间属性向量的空间属性向量的空间特征，计算待匹配运行断面组与历史运行断面组的综合相似度；根据综合相似度得到与当前运行断面最相似的历史运行断面，并将最相似的历史运行断面确定为匹配的历史运行断面组。
14.在上述实现过程中，根据待匹配运行断面组的空间属性向量的空间特征与历史运行断面组的空间属性向量的空间属性向量的空间特征，计算待匹配运行断面组与历史运行断面组的综合相似度；根据综合相似度得到与当前运行断面最相似的历史运行断面，并将最相似的历史运行断面确定为匹配的历史运行断面组，从而对运行断面进行了有效匹配。
15.可选地，在本技术实施例中，计算待匹配运行断面组与历史运行断面组的综合相似度，包括：计算当前运行断面的空间属性向量的空间特征与历史运行断面的空间属性向量的空间特征的宏观相似度和微观相似度；其中，宏观相似度以及微观相似度用于对待匹配运行断面组与历史运行断面组的综合相似度进行综合判定。
16.在上述实现过程中，由于运行断面的空间特征由二维矩阵组成，所以既要考虑两个矩阵属性值总体差异度，还要考虑两个矩阵方向一致性。由此分别进行宏观相似度与微观相似度的计算，综合二者对运行断面的相似程度进行判断，从而实现电网运行状态的有效预测，提升了预测的准确性。
17.可选地，在本技术实施例中，计算待匹配运行断面组与历史运行断面组的综合相似度，包括：计算待匹配运行断面组与不同时间窗口中的历史运行断面的综合相似度；根据综合相似度得到与当前运行断面最相似的历史运行断面，包括：对所计算的待匹配运行断面组与不同时间窗口中的历史运行断面的综合相似度进行排名；以及根据排名，筛选综合相似度排名第一的时间窗口，并将该时间窗口中的历史运行断面确定为与当前运行断面最相似的历史运行断面。
18.在上述实现过程中，对所计算的待匹配运行断面组与不同时间窗口中的历史运行断面的综合相似度进行排名，筛选综合相似度排名第一的时间窗口，并将该时间窗口中的历史运行断面确定为与当前运行断面最相似的历史运行断面。将断面的空间特征转换为窗口与窗口之间空间特征的对比，通过计算每个窗口的综合相似度来确定最相似的历史运行断面，实现了运行断面未来断面的准确预测。
19.第二方面，本技术实施例提供一种电网运行状态预测系统，系统包括：获取模块、特征提取模块以及匹配模块；其中，获取模块用于获取电网运行的历史运行断面组；其中，历史运行断面组包括多个历史运行断面；特征提取模块用于根据历史运行断面组获取历史运行断面组中各个历史运行断面的空间属性向量以及空间属性向量的空间特征；其中，空间属性向量的空间特征表征电网运行历史中不同的运行断面；获取模块还用于获取电网运行的当前运行断面和当前运行断面前的运行断面；特征提取模块还用于根据待匹配运行断面组获取待匹配运行断面组中各个待匹配运行断面的空间属性向量以及空间属性向量的空间特征；以及匹配模块用于在历史运行断面组中，根据待匹配运行断面组中各个待匹配运行断面的空间属性向量的空间特征与历史运行断面组中各个历史运行断面的空间属性向量的空间特征的相似程度选择匹配的历史运行断面组，并将匹配的历史运行断面组之后的历史运行断面确定为当前运行断面的未来运行断面。
20.在上述实现过程中，由获取模块获取电网运行的历史运行断面组、电网运行的当
前运行断面和当前运行断面前的运行断面；由特征提取模块获取历史运行断面组中各个历史运行断面的空间属性向量以及空间属性向量的空间特征、获取待匹配运行断面组中各个待匹配运行断面的空间属性向量以及空间属性向量的空间特征；由匹配模块在历史运行断面组中，根据待匹配运行断面组中各个待匹配运行断面的空间属性向量的空间特征与历史运行断面组中各个历史运行断面的空间属性向量的空间特征的相似程度选择匹配的历史运行断面组，并将匹配的历史运行断面组之后的历史运行断面确定为当前运行断面的未来运行断面。避免了由于断面过于粗粒化与判断过程中的偶然性导致的预测结果不准确，无法反映电网运行趋势。
21.第三方面，本技术实施例提供一种电子设备，电子设备包括存储器和处理器，存储器中存储有程序指令，处理器读取并运行程序指令时，执行本技术第一方面提供的电网运行状态预测方法中的步骤。
22.第四方面，本技术实施例还提供一种计算机可读存储介质，可读取存储介质中存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行本技术第一方面提供的电网运行状态预测方法中的步骤。
附图说明
23.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
24.图1为本技术实施例提供的一种电网运行状态预测方法的流程图；
25.图2为本技术实施例提供的空间属性向量提取的流程图；
26.图3为本技术实施例提供的空间属性向量优化的流程图；
27.图4为本技术实施例提供的滑动时间窗采样过程示意图；
28.图5为本技术实施例提供的选择匹配历史运行断面组的流程图；
29.图6为本技术实施例提供的确定最相似的历史运行断面的流程图；
30.图7为本技术实施例提供的电网运行未来态预测过程示意图；
31.图8为本技术实施例提供的一种电网运行状态预测系统模块示意图；
32.图9为本技术实施例提供的电子设备的结构示意图。
具体实施方式
33.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规
定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
34.申请人在研究过程中发现过单断面间特征匹配或相似日提取，实现相似历史运行断面的再利用，但参考价值较低。利用电气特征量统计值、相似日等匹配历史相似运行断面过于粗粒化，结果准确度不高；仅依靠单断面间相似性进行历史断面的提取，忽略了前后运行状态在时序上的连续性、空间上分布关联性，判别结果具有偶然性且无法反映电网运行趋势。
35.因此，申请人综合考虑运行断面空间和时间特征，并从多个角度对当前运行状态与历史运行状态的相似性进行考量，提出了一种电网运行状态预测方法，进而实现对未来态的预测，从而提高预测的准确性。
36.请参看图1，图1为本技术实施例提供的一种电网运行状态预测方法的流程图，该电网运行状态预测方法包括：
37.步骤s100：获取电网运行的历史运行断面组。
38.在上述步骤s100中，从电网运行的历史库中获取电网运行的历史运行断面组。每个断面能表征电网运行的状态，多个断面即可组成断面组。值得说明的是，电网多年运行存储了海量的运行断面数据，若能有效挖掘到与当前、未来断面相似的历史断面信息，不仅可辅助预测电网运行未来状态，亦可参考到对应的历史工作票信息，辅助运行调度人员分析薄弱环节、故障预案等。
39.步骤s101：根据所述历史运行断面组获取所述历史运行断面组中各个历史运行断面的空间属性向量以及所述空间属性向量的空间特征。
40.在上述步骤s101中，根据步骤s100获取的历史运行断面组，对运行断面的空间属性向量与空间属性向量的空间特征进行提取。示例性地，对历史运行断面的空间属性向量与空间属性向量的空间特征进行提取，该空间属性向量可以包含电压幅值、相角、发电有功、发电无功、负荷有功、负荷无功共6个属性量。由此可见，断面的空间属性向量包含了电网的电气特性。
41.步骤s102：获取电网运行的当前运行断面和当前运行断面前的运行断面，并将其构成待匹配运行断面组。
42.在上述步骤s102中，从电网运行数据库中获取电网运行的当前运行断面和当前运行断面前的运行断面，并将其构成待匹配运行断面组；将待匹配断面组作为后续计算、比对的目标，便于找出最相似的历史运行断面组。需要说明的是，由于电网运行具有时序性特点，单断面间的相似性匹配结果参考价值较低，应将当前断面的前几个时刻断面共同作为待匹配项，寻找与该组待匹配断面最相似的一组连续历史断面。
43.步骤s103：根据所述历史运行断面组获取所述历史运行断面组中各个历史运行断面的空间属性向量以及所述空间属性向量的空间特征。
44.在上述步骤s103中，根据步骤s102获取的待匹配运行断面组，对运行断面的空间属性向量与空间属性向量的空间特征进行提取。示例性地，在电网中，各个采样节点构成采样层，各个采样层构成电网拓扑结构，定义电压幅值、相角、发电有功、发电无功、负荷有功、负荷无功共6个属性量为每个节点初始电气特征，表达为1个6维的列向量，如节点i的初始
特征记为x
oi
＝[x
o1i
,x
o2i
,
…
,x
oji
,
…
,x
o6i
]
t
。参考以下式(1)，式(1)中xo可表示运行断面所有节点初始属性信息组成的6
×
m维矩阵，由于各类属性量纲不同，为提高计算效率，需要进行标准化处理，对所有节点属性向量进行标准化后的电网运行断面数据如式(2)所示。
[0045][0046][0047]
步骤s104：在所述历史运行断面组中，根据所述待匹配运行断面组中各个待匹配运行断面的空间属性向量的空间特征与历史运行断面组中各个历史运行断面的空间属性向量的空间特征的相似程度选择匹配的历史运行断面组，并将所述匹配的历史运行断面组之后的历史运行断面确定为所述当前运行断面的未来运行断面。
[0048]
在上述步骤s104中，根据所述待匹配运行断面组中各个待匹配运行断面的空间属性向量的空间特征与历史运行断面组中各个历史运行断面的空间属性向量的空间特征的相似程度选择匹配的历史运行断面组，并将匹配的历史运行断面组之后的历史运行断面确定为当前运行断面的未来运行断面。
[0049]
由此可见，本技术实施例提供的一种电网运行状态预测方法的流程图，从电网运行数据库中获取历史运行断面组与待匹配运行断面组，进一步分别获取历史运行断面的空间属性向量与空间属性向量的空间特征、待匹配运行断面的空间属性向量与空间属性向量的空间特征。对两个空间属性向量的空间特征进行比对，根据相似程度选择出最相似的历史运行断面组，并将其下一运行断面确定为当前运行断面的未来运行断面。既考虑了运行断面的连续性，又考虑了判别结果的偶然性，大大提高了断面未来态预测的准确性。
[0050]
请参看图2，图2为本技术实施例提供的空间属性向量提取的流程图，该预测方法包括：
[0051]
步骤s1：对电网拓扑结构中的目标采样层的目标采样节点与所述目标采样节点的相邻节点进行采样，并获取所述目标采样节点与所述相邻节点的属性向量。
[0052]
在上述步骤s1中，对电网拓扑结构中的目标采样层的目标采样节点与所述目标采样节点的相邻节点进行采样，并获取目标采样节点与相邻节点的属性向量。示例性地，对某时刻系统局部区域的运行断面的节点采样过程如下：设置任一节点为目标节点v，其某相邻节点为u，采样层数k＝2，相邻节点数量s1＝4，s2＝3。当采样层数k＝0时，各节点的特征均为自身初始属性数据；当采样层数k＝1时，目标节点v将采样并聚合周围4个相邻节点的属性信息，同时其他节点，如相邻节点u亦采样并聚合周围相邻节点信息；当采样层数k＝2时，目标节点v采样并聚合周围3个相邻节点信息，此时周围邻居节点信息已包含了自身的一阶
相邻节点信息，故节点v采样到了自身的二阶相邻节点信息。
[0053]
步骤s2：对所述目标采样层中的节点的属性向量进行聚合作为所述目标采样层的后续采样层采样节点的属性向量。
[0054]
在上述步骤s2中，对步骤s1中获取的目标采样层中的节点的属性向量进行聚合作为所述目标采样层的后续采样层采样节点的属性向量，应当说明的是，此处的后续为时间顺序，即后续采样层为目标采样层在时间顺序之后的采样层。
[0055]
步骤s3：从所述电网拓扑结构的第一采样层依次采样至最高采样层依次重复上述步骤s1和步骤s2，以获得所述最高采样层各采样节点的属性向量。
[0056]
在上述步骤s3中，重复上述步骤s1和步骤s2，从第一采样层开始依次对后续采样层进行采样，直至最高采样层。
[0057]
步骤s4：将所述最高采样层各采样节点的属性向量组成所述空间属性向量
[0058]
在上述步骤s4中，层层采样、聚合得到最高采样层的空间属性向量，将最高采样层的属性向量作为此断面的空间属性向量。示例性地，将k层各节点特征聚合得到k 1层各节点属性向量。设为k层节点i的属性向量k＝0时，n＝6，k≥1时，n＝128；sk＝3。随机抽取节点i第k层邻居节点属性向量：对目标节点属性向量与其邻居节点属性向量取均值：将得到的均值向量经权重矩阵进行线性转换，得到向量式中，为第k 1层节点i的权重矩阵。之后，为使人工神经网络的工作过程相似于人脑，利用线性整流函数对进行非线性转换，即得到节点i的第k 1层属性向量，转换过程如下式(3)：
[0059][0060]
式中，f为relu函数；为节点i的第j个属性值；n为属性向量维数。节点信息经层层聚合，得到最高层k层各节点属性向量，之后将该层节点属性向量组成运行断面空间特征进行输出，用于后续断面间相似性匹配。
[0061]
由此可见，本技术实施例提供的空间属性向量提取的流程图，通过对目标采样节点进行采样与聚合，最终得出最高采样层的空间属性向量，最高采样层的空间属性向量即为此断面的空间属性向量。图2中提取断面的空间特征的方法为graphsage算法，再利用无监督深度学习方式将拓扑特征融入到各节点特征，获得综合表征电气特征和拓扑特征的实值的断面属性向量，提高断面特征代表性，并通过向量高维转换、反向优化等措施，实现运行断面空间特征的有效表达，同时改善传统方法的不足。
[0062]
请参见图3，图3为本技术实施例提供的空间属性向量优化的流程图，该预测方法包括：
[0063]
步骤s300：获取与所述目标采样节点固定距离的邻居节点的属性向量。
[0064]
在上述步骤s300中，获取与所述目标采样节点固定距离的邻居节点的属性向量。示例性地，可以通过random walk算法获取任一距离目标节点v固定长度的相邻节点u的属
性向量。
[0065]
步骤s301：随机获取与所述目标采样节点固定距离以外的非邻居节点的属性向量。
[0066]
在上述步骤s301中，随机获取与所述目标采样节点固定距离以外的非邻居节点的属性向量。示例性地，首先，可以通过random walk算法获取任一距离目标节点v固定长度的相邻节点u的属性向量；其次，随机采集固定长度以外的“非相邻节点”属性向量。
[0067]
步骤s302：根据所述目标采样节点的属性向量、所述固定距离的相邻节点的属性向量与固定距离以外的非相邻节点的属性向量计算目标采样节点与相邻节点和非相邻节点的相似性。
[0068]
在上述步骤s302中，经过步骤s300与步骤s301得到目标采样节点的属性向量、所述固定距离的相邻节点的属性向量与固定距离以外的非相邻节点的属性向量；对采集到的属性向量进行损失计算，如式(4)所示。式中，zv、zu分别为目标节点v和其相邻节点的第k层属性向量；表示节点v、u属性向量相似程度，节点间越相似，值越大；un为v的非相邻节点，其中n为采集的非邻居节点的序号，n＝1,2,
…
,q；q为采集的非相邻节点总数；pn为随机生成的非相邻节点概率分布；e为期望，对q次非相邻节点计算结果取均值；g为sigmoid函数，将属性向量相乘的结果控制在(0，1)区间，用于后续对数计算。
[0069][0070]
步骤s303：根据所述相似性优化所述空间属性向量。
[0071]
在上述步骤s303中，利用sgd(随机梯度下降)优化器对步骤s302中得到的前向传播得到的目标节点的属性向量进行反向传播优化，得到最优参数wk。sgd优化过程如式(5)所示。式中，η为学习率；e为迭代次数；k为聚合层数；为代价函数；为对损失函数求权重矩阵wk的偏导；zv为第e次迭代时的节点属性向量；为e次迭代前最小损失函数值对应的节点属性向量。
[0072][0073]
从图3提供的本技术实施例空间属性向量优化的流程图可见，在本技术中将图2得到的属性向量进行反向优化，将最高采样层的各节点属性向量可以构成128
×
m维矩阵输出，作为运行断面的新特征。空间属性向量经过优化解决了部分运行断面中可能存在错误数据、空值等现象，影响特征准确表达，提高了断面特征的容错性。
[0074]
请参见图4，图4为本技术实施例提供的滑动时间窗采样过程示意图，该预测方法包括：
[0075]
在所述根据所述历史运行断面组获取所述历史运行断面组中各个历史运行断面的空间属性向量以及所述空间属性向量的空间特征之后，所述方法还包括：利用多个时间窗口对所述历史运行断面组的空间属性向量进行取样；其中，在取样后，所述时间窗口内包含固定数量的历史运行断面；获取所述不同时间窗口中历史运行断面的空间属性向量的空间特征；其中，所述时间窗口包含多个以固定时间序列排序的历史运行断面。示例性地，设置滑动窗口为4，代表1个小时内电网运行状态，移动步长为1。基于stw(滑动时间窗)算法的历史连续运行断面属性向量采样过程如图4所示。图4中，虚线上方为历史存储断面对应的
空间特征，共n个128
×
m维矩阵，第n个矩阵代表当前断面特征；基于stw算法共生成n-3个滑动窗口，每个窗口包含4个断面空间特征。
[0076]
由此可见，图4为本技术实施例提供的滑动时间窗采样过程示意图通过时间窗对空间属性向量进行采样，由于电网运行具有时序性特点，单断面间的相似性匹配结果参考价值较低，应将当前断面的前几个时刻断面共同作为待匹配项，寻找与该组待匹配断面最相似的一组历史连续断面。stw算法可对时序性样本进行连续采样，将样本按照时间顺序划分到不同窗口。在提取到历史运行断面空间特征的情况下，利用stw算法对断面的空间特征进行移位采样，进一步实现窗口与窗口间对应断面的相似性计算。
[0077]
请参见图5，图5为本技术实施例提供的选择匹配历史运行断面组的流程图，该预测方法包括：
[0078]
步骤s500：根据所述待匹配运行断面组的空间属性向量的空间特征与所述历史运行断面组的空间属性向量的空间属性向量的空间特征，计算所述待匹配运行断面组与所述历史运行断面组的综合相似度。
[0079]
在上述步骤s500中，根据待匹配运行断面组的空间属性向量的空间特征与历史运行断面组的空间属性向量的空间属性向量的空间特征，计算待匹配运行断面组与历史运行断面组的综合相似度。
[0080]
步骤s501：根据所述综合相似度得到与当前运行断面最相似的历史运行断面，并将所述最相似的历史运行断面确定为匹配的历史运行断面组。
[0081]
在上述步骤s501中，根据综合相似度得到与当前运行断面最相似的历史运行断面，并将最相似的历史运行断面确定为匹配的历史运行断面组，从而得出电网运行状态的预测结果。
[0082]
在图5选择匹配历史运行断面组的流程图中，通过对匹配运行断面组的空间属性向量的空间特征于历史运行断面组的空间属性向量的空间属性向量的空间特征进行计算，得出综合相似度，进一步根据综合相似度进行最相似的运行断面的匹配，使用本技术提供的方法对电网预测的准确性高，预测效果好。
[0083]
在一可选地实施例中，计算待匹配运行断面组与历史运行断面组的综合相似度，包括：计算当前运行断面的空间属性向量的空间特征与历史运行断面的空间属性向量的空间特征的宏观相似度和微观相似度；其中，宏观相似度以及微观相似度用于对待匹配运行断面组与历史运行断面组的综合相似度进行综合判定。示例性地，可以利用欧式距离计算断面间各类属性在数值上的绝对差异度，用于“宏观”比较；可以采用余弦相似度计算断面间属性各对应数值成相同比例的程度，用于“微观”分析。宏观相似度可由欧式距离的倒数表示，微观相似度可由余弦值体现。设两个运行断面提取后的特征分别x、y，两者的相似度计算公式分别如式(6)和式(7)所示，式中m为运行断面节点数量；128为特征维数；sim_d、sim_c取值范围均为[0,1]。将当前运行断面所在窗口内的连续断面与历史窗口内连续断面一一对应进行相似度计算，再求和。对窗口内不同位置的相似值赋予权重，如第i个窗口内断面与当前窗口内断面的宏观相似度和微观相似度计算如式(8)所示。(8)式中，di为第i个窗口内断面与当前窗口内断面的宏观综合相似度；ci为第i个窗口内断面与当前窗口内断面的微观综合相似度；di、d
i 1
、d
i 2
、d
i 3
和ci、c
i 1
、c
i 2
、c
i 3
分别为单断面间宏观和微观相似度；w1、w2、w3、w4为窗口内不同位置相似度对应的权重。需要说明的是，权重设置依据：
①
窗
口内权重之和为1，单个权重的取值范围为(0,1)；
②
权重值从左到右依次递增；
③
经加权求和并降序排列后，得到的排序前5的窗口内对应断面间相似度逐渐升高，相似度之间方差较小。可将权重设置为0.1、0.2、0.3、0.4，即可满足要求。
[0084][0085][0086][0087]
在上述实施例中，由于运行断面的时序性特点，窗口内不同位置的样本相似度对窗口间综合相似度的影响具有差异性，即窗口内断面位置越接近尾端，计算结果越重要，因此对窗口内不同位置的相似值设置了权重。运行断面空间特征由二维矩阵组成，而矩阵间相似性计算与向量类似，既考虑了两个矩阵属性值总体差异度，也考虑了两个矩阵方向一致性；从微观与宏观两个方面对相似度进行判定，准确度高，考虑全面。
[0088]
请参看图6，图6为本技术实施例提供的确定最相似的历史运行断面的流程图，该预测方法包括：
[0089]
步骤s601：计算待匹配运行断面组与不同时间窗口中的历史运行断面的综合相似度。
[0090]
在上述步骤s601中，计算待匹配运行断面组与不同时间窗口中的历史运行断面的综合相似度。
[0091]
步骤s602：对所计算的待匹配运行断面组与不同时间窗口中的历史运行断面的综合相似度进行排名。
[0092]
在上述步骤s602中，对所计算的待匹配运行断面组与不同时间窗口中的历史运行断面的综合相似度进行排名。对本技术实施例中得到的窗口的宏观综合相似度排名和微观综合相似度排名取均值，筛选与当前窗口总相似度排序第一的历史窗口，以窗口i总相似度排名计算过程如式(9)，式中为窗口i的微观综合相似度排名，为窗口i的宏观综合相似度排名。
[0093][0094]
步骤s603：根据所述排名，筛选综合相似度排名第一的时间窗口，并将该时间窗口中的历史运行断面确定为与当前运行断面最相似的历史运行断面。
[0095]
在上述步骤s603中，根据步骤s602中得到的排名，筛选综合相似度排名第一的时间窗口，并将该时间窗口中的历史运行断面确定为与当前运行断面最相似的历史运行断
面。需要注意的是，当两个窗口总相似度排名并列时，将微观综合相似度排名靠前的窗口排序在前。
[0096]
由此可见，通过图6为本技术实施例提供的确定最相似的历史运行断面的流程图，将当前运行断面所在窗口内的连续断面与历史窗口内连续断面一一对应进行相似度计算，再求和，最后再进行排名取均值，最后的到最相似的历史断面，避免了判别结果的偶然性。
[0097]
请参看图7，图7为本技术实施例提供的电网运行未来态预测过程示意图，该预测方法包括：首先从电网历史运行断面库中获取历史运行断面组，对运行断面组进行特征提取，可以采用graphsage算法对断面空间特征提取；再对提取到的空间特征进行采样，可以使用stw算法滑动移位采样；从而得到包含时间特征与空间特征的断面属性向量。进一步地，获取当前连续运行断面与当前连续运行断面前的属性向量。之后将当前运行断面特征与历史运行断面特征进行相似性计算，筛选与当前运行断面最相似的历史运行断面；最后，将相似历史运行断面的后续时刻断面，作为当前运行的未来状态参考。需要说明的是，电网运行断面指时间断面，在实际电网运行中每5-15分钟保存一次，由系统内各元件的电气状态量组成，状态量在时间上具有连续性，每个节点属性、每条支路信息、每类拓扑结构为运行断面的特征之一。因此，在进行运行断面特征提取与匹配过程中，应充分考虑断面的时间和空间特点。
[0098]
请参看图8，图8为本技术实施例提供的一种电网运行状态预测系统模块示意图，该系统包括：获取模块801、特征提取模块802、匹配模块803。
[0099]
获取模块801，用于获取电网运行的历史运行断面组；其中，所述历史运行断面组包括多个历史运行断面。
[0100]
特征提取模块802，用于根据获取模块801得到的历史运行断面组获取所述历史运行断面组中各个历史运行断面的空间属性向量以及所述空间属性向量的空间特征；其中，所述空间属性向量的空间特征表征电网运行历史中不同的运行断面；
[0101]
获取模块801，还用于获取电网运行的当前运行断面和当前运行断面前的运行断面。
[0102]
特征提取模块802，还用于根据获取模块801得到的待匹配运行断面组获取所述待匹配运行断面组中各个待匹配运行断面的空间属性向量以及所述空间属性向量的空间特征。
[0103]
匹配模块803，用于在所述历史运行断面组中，根据特征提取模块802得到的所述待匹配运行断面组中各个待匹配运行断面的空间属性向量的空间特征与特征提取模块802得到的历史运行断面组中各个历史运行断面的空间属性向量的空间特征的相似程度选择匹配的历史运行断面组，并将所述匹配的历史运行断面组之后的历史运行断面确定为所述当前运行断面的未来运行断面。
[0104]
在一可选地实施例中，所述特征提取模块802根据所述历史运行断面组获取所述历史运行断面组中各个历史运行断面的空间属性向量，包括：步骤s1：特征提取模块802对电网拓扑结构中的目标采样层的目标采样节点与所述目标采样节点的相邻节点进行采样，并获取所述目标采样节点与所述相邻节点的属性向量；步骤s2：特征提取模块802对所述目标采样层中的节点的属性向量进行聚合作为所述目标采样层的后续采样层采样节点的属性向量；特征提取模块802从所述电网拓扑结构的第一采样层依次采样至最高采样层依次
重复上述步骤s1和步骤s2，以获得所述最高采样层各采样节点的属性向量；以及特征提取模块802将所述最高采样层各采样节点的属性向量组成所述空间属性向量；其中，所述采样节点组成所述采样层，所述采样层组成所述电网拓扑结构。
[0105]
在一可选地实施例中，在所述特征提取模块802根据所述历史运行断面组获取所述历史运行断面组中各个历史运行断面的空间属性向量之后，所述方法还包括：特征提取模块802获取与所述目标采样节点固定距离的邻居节点的属性向量；特征提取模块802随机获取与所述目标采样节点固定距离以外的非邻居节点的属性向量；特征提取模块802根据所述目标采样节点的属性向量、所述固定距离的邻居节点的属性向量与固定距离以外的非邻居节点的属性向量计算目标采样节点与邻居节点和非邻居节点的相似性；以及特征提取模块802根据所述相似性优化所述空间属性向量。
[0106]
在一可选地实施例中，在所述特征提取模块802根据所述历史运行断面组获取所述历史运行断面组中各个历史运行断面的空间属性向量以及所述空间属性向量的空间特征之后，所述方法还包括：匹配模块803利用多个时间窗口对所述历史运行断面组的空间属性向量进行取样；其中，在取样后，所述时间窗口内包含固定数量的历史运行断面；匹配模块803获取所述不同时间窗口中历史运行断面的空间属性向量的空间特征；其中，所述时间窗口包含多个以固定时间序列排序的历史运行断面。
[0107]
在一可选地实施例中，所述匹配模块803在所述历史运行断面组中，根据所述特征提取模块802得到的待匹配运行断面组中各个待匹配运行断面的空间属性向量的空间特征与特征提取模块802得到的历史运行断面组中各个历史运行断面的空间属性向量的空间特征的相似程度选择匹配的历史运行断面组，包括：根据所述特征提取模块802得到的待匹配运行断面组的空间属性向量的空间特征与特征提取模块802得到的所述历史运行断面组的空间属性向量的空间属性向量的空间特征，匹配模块803计算所述待匹配运行断面组与所述历史运行断面组的综合相似度；匹配模块803根据所述综合相似度得到与当前运行断面最相似的历史运行断面组，并将所述最相似的历史运行断面组确定为匹配的历史运行断面组。
[0108]
在一可选地实施例中，所述匹配模块803计算所述待匹配运行断面组与所述历史运行断面组的综合相似度，包括：匹配模块803计算所述当前运行断面的空间属性向量的空间特征与所述历史运行断面的空间属性向量的空间特征的宏观相似度和微观相似度；其中，所述宏观相似度以及所述微观相似度用于对所述待匹配运行断面组与所述历史运行断面组的综合相似度进行综合判定。
[0109]
在一可选地实施例中，所述匹配模块803计算所述待匹配运行断面组与所述历史运行断面组的综合相似度，包括：匹配模块803计算待匹配运行断面组与不同时间窗口中的历史运行断面的综合相似度；所述根据所述综合相似度得到与当前运行断面最相似的历史运行断面，包括：匹配模块803对所计算的待匹配运行断面组与不同时间窗口中的历史运行断面的综合相似度进行排名；以及匹配模块803根据所述排名，筛选综合相似度排名第一的时间窗口，并将该时间窗口中的历史运行断面确定为与当前运行断面最相似的历史运行断面。
[0110]
请参见图9，图9为本技术实施例提供的电子设备的结构示意图。本技术实施例提供的一种电子设备900，包括：处理器901和存储器902，存储器902存储有处理器901可执行
的机器可读指令，机器可读指令被处理器901执行时执行如上的方法。
[0111]
基于同一发明构思，本技术实施例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中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一实现方式中的步骤。
[0112]
所述计算机可读存储介质可以是随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等各种可以存储程序代码的介质。其中，存储介质用于存储程序，所述处理器在接收到执行指令后，执行所述程序，本发明实施例任一实施例揭示的过程定义的电子终端所执行的方法可以应用于处理器中，或者由处理器实现。
[0113]
在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0114]
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0115]
再者，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0116]
可以替换的，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。
[0117]
所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
[0118]
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0119]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。