应用于电网的输电断面功率预测方法、装置、设备和介质与流程

本发明涉及电力系统，尤其涉及一种应用于电网的输电断面功率预测方法、装置、设备和介质。

背景技术：

1、输电断面潮流是指在变电站测量的电网中关键输电通道传输的功率。对于电网运营商来说，它们是电网计算的重要输入，可以监视电网拥塞情况，从而使运营商能够启动对策，从而维持电网稳定。为了更好地规划和更早识别可能的电网拥塞，需要对输电断面潮流进行预测。

技术实现思路

1、针对如何对输电断面潮流进行预测的问题，本发明提供了一种应用于电网的输电断面功率预测方法、装置、设备和介质。

2、第一方面，本发明提供了一种应用于电网的输电断面功率预测方法，所述方法包括：

3、获取待测电网的电网实时数据，并根据所述电网实时数据得到所述待测电网的实时电流分布特征矩阵；

4、将所述实时电流分布特征矩阵输入至输电断面功率预测模型进行时空特征提取，得到所述待测电网的输电断面功率特征矩阵，所述输电断面功率特征矩阵中的各输电断面功率数据序列对应所述待测电网中各节点的输电断面功率数据。

5、基于上述技术方案，进一步地，所述获取待测电网的电网实时数据，并根据所述电网实时数据得到所述待测电网的实时电流分布特征矩阵，具体包括：

6、获取所述待测电网的电网实时数据，并提取所述电网实时数据中每一条支路的实时特征数据，第i条支路的实时特征数据如下：

7、xi＝(pmi，pni，qmi，qni，umi，uni，yi)

8、其中，pmi是所述待测电网中第i条支路中首端的有功功率，pni是所述待测电网中第i条支路中末端的有功功率，qmi是所述待测电网中第i条支路中首端的无功功率，qni是所述待测电网中第i条支路中末端的无功功率，umi是所述待测电网中第i条支路中首端的电压值，uni是所述待测电网中第i条支路中末端的电压值，yi是所述待测电网中第i条支路对地电纳参数；

9、将所有所述支路的实时特征数据进行组合，得到所述待测电网的实时电流分布特征矩阵x＝[x1,x2,…,xn]，其中n是所述支路的数量。

10、基于上述技术方案，进一步地，所述输电断面功率预测模型包括图神经网络以及长短时记忆神经网络；

11、所述输电断面功率特征矩阵包括电网空间特征以及电网时序特征；

12、所述将所述实时电流分布特征矩阵输入至输电断面功率预测模型进行时空特征提取，得到所述待测电网的输电断面功率特征矩阵，具体包括：

13、将所述实时电流分布特征矩阵输入至图神经网络进行特征提取，得到电网空间特征，并通过长短时记忆神经网络从所述电网空间特征提取电网时序特征。

14、基于上述技术方案，进一步地，所述将所述实时电流分布特征矩阵输入至图神经网络进行特征提取，得到电网空间特征，具体包括：

15、将所述实时电流分布特征矩阵输入到图神经网络中进行多层次特征提取，得到电网空间特征，计算公式如下：

16、

17、其中，a表示所述第i条支路所对应的邻接矩阵，表示a加上对角阵后的自循环矩阵，为的度矩阵，w为权重矩阵，σ表示非线性激活函数。

18、基于上述技术方案，进一步地，所述通过长短时记忆神经网络从所述电网空间特征提取电网时序特征，具体包括：

19、通过长短时记忆神经网络从所述电网空间特征提取电网时序特征，计算公式如下：

20、it＝δ(wihht-1+wixxt+bi)

21、ft＝δ(wfhht-1+wfxxt+bf)

22、ot＝δ(wohht-1+woxxt+bo)

23、gt＝tanh(wghht-1+wgxxt+bg)

24、ct＝ft☉tanh(ct-1)+it☉gt

25、ht＝ot☉tanh(ct)

26、其中it代表输入门，ft代表遗忘门，ot代表输出门，gt代表输入调制门，ct代表内存单元，xt表示在t时刻所述实时电流分布特征矩阵，ht为t时刻对应的长短时记忆神经网络输出，δ表示sigmoid激活函数，tanh是双曲正切函数，wih和wix是输入门权重矩阵，wfh和wfx是遗忘门权重矩阵，woh和wox是输出门权重矩阵，wgh和wgx是输入调制门权重矩阵，δ表示sigmoid激活函数。

27、第二方面，本发明还提供了一种应用于电网的输电断面功率预测装置，所述装置包括：

28、计算模块，用于获取待测电网的电网实时数据，并根据所述电网实时数据得到所述待测电网的实时电流分布特征矩阵；

29、预测模块，用于将所述实时电流分布特征矩阵输入至输电断面功率预测模型进行时空特征提取，得到所述待测电网的输电断面功率特征矩阵，所述输电断面功率特征矩阵中的各输电断面功率数据序列对应所述待测电网中各节点的输电断面功率数据。

30、所述计算模块，具体用于获取所述待测电网的电网实时数据，并提取所述电网实时数据中每一条支路的实时特征数据，第i条支路的实时特征数据如下：

31、xi＝(pmi，pni，qmi，qni，umi，uni，yi)

32、其中，pmi是所述待测电网中第i条支路中首端的有功功率，pni是所述待测电网中第i条支路中末端的有功功率，qmi是所述待测电网中第i条支路中首端的无功功率，qni是所述待测电网中第i条支路中末端的无功功率，umi是所述待测电网中第i条支路中首端的电压值，uni是所述待测电网中第i条支路中末端的电压值，yi是所述待测电网中第i条支路对地电纳参数；

33、将所有所述支路的实时特征数据进行组合，得到所述待测电网的实时电流分布特征矩阵x＝[x1,x2,…,xn]，其中n是所述支路的数量。

34、基于上述技术方案，进一步地，所述输电断面功率预测模型包括图神经网络以及长短时记忆神经网络；

35、所述输电断面功率特征矩阵包括电网空间特征以及电网时序特征；

36、计算模块，具体用于将所述实时电流分布特征矩阵输入至图神经网络进行特征提取，得到电网空间特征，并通过长短时记忆神经网络从所述电网空间特征提取电网时序特征。

37、基于上述技术方案，进一步地，计算模块，具体用于将所述实时电流分布特征矩阵输入到图神经网络中进行多层次特征提取，得到电网空间特征，计算公式如下：

38、

39、其中，a表示所述第i条支路所对应的邻接矩阵，表示a加上对角阵后的自循环矩阵，为的度矩阵，w为权重矩阵，σ表示非线性激活函数。

40、基于上述技术方案，进一步地，计算模块，具体用于：

41、通过长短时记忆神经网络从所述电网空间特征提取电网时序特征，计算公式如下：

42、it＝δ(wihht-1+wixxt+bi)

43、ft＝δ(wfhht-1+wfxxt+bf)

44、ot＝δ(wohht-1+woxxt+bo)

45、gt＝tanh(wghht-1+wgxxt+bg)

46、ct＝ft☉tanh(ct-1)+it☉gt

47、ht＝ot☉tanh(ct)

48、其中it代表输入门，ft代表遗忘门，ot代表输出门，gt代表输入调制门，ct代表内存单元，xt表示在t时刻所述实时电流分布特征矩阵，ht为t时刻对应的长短时记忆神经网络输出，δ表示sigmoid激活函数，tanh是双曲正切函数，wih和wix是输入门权重矩阵，wfh和wfx是遗忘门权重矩阵，woh和wox是输出门权重矩阵，wgh和wgx是输入调制门权重矩阵，δ表示sigmoid激活函数。

49、第三方面，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项所述的一种应用于电网的输电断面功率预测方法。

50、第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的一种应用于电网的输电断面功率预测方法。

51、本发明提供的一种应用于电网的输电断面功率预测方法，包括获取待测电网的电网实时数据，并根据所述电网实时数据得到所述待测电网的实时电流分布特征矩阵；将所述实时电流分布特征矩阵输入至输电断面功率预测模型进行时空特征提取，得到所述待测电网的输电断面功率特征矩阵，所述输电断面功率特征矩阵中的各输电断面功率数据序列对应所述待测电网中各节点的输电断面功率数据。本发明实现了对输电断面潮流进行预测，更好地规划和更早识别可能的电网拥塞。