本发明涉及电力,特别是涉及基于软传感器的预测方法、装置、计算机设备和存储介质。
背景技术:
1、随着新型电力系统的发展,新能源接入率逐步提高,新能源发电与负荷的快速变化导致系统运行点离静态电压稳定边界的距离在不断变化,电力系统的不确定性越来越显著,不稳定风险进一步加大。为了保证电力系统中电网的稳定性,对静态电压稳定性进行实时测量分析的需求越来越迫切。
2、目前电力系统静态电压稳定性分析主要以机理分析为主,常用的方法有潮流多解、最大传输功率、连续潮流法和灵敏度分析等。但是,由于电力系统运行工况的多样性,这些方法在系统运行工况改变时不能保持较高的精度。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种基于软传感器的预测方法、装置、计算机设备和存储介质。
2、第一方面,本申请提供了一种基于软传感器的预测方法,应用于电力系统,所述基于软传感器的预测方法包括:
3、获取所述电力系统在目标工况下的目标电参数和电压稳定裕度真值;
4、利用目标高斯混合模型,计算各高斯分量对应的所述电压稳定裕度真值对于所述目标电参数的条件分布;其中,所述目标高斯混合模型包括至少两个所述高斯分量;
5、根据各所述高斯分量对应的所述条件分布,确定所述目标电参数对应的电压稳定裕度预测值。
6、在其中一个实施例中,所述目标高斯混合模型是通过以下方法获取的:
7、获取训练样本;所述训练样本包括所述电力系统在多个样本工况下的样本电参数和样本电压稳定裕度;
8、根据所述训练样本,确定初始高斯混合模型中高斯分量的目标数量;其中,所述初始高斯混合模型用于标识所述样本电参数和所述样本电压稳定裕度的联合概率密度;
9、根据具有所述目标数量的高斯分量,获取所述目标高斯混合模型。
10、在其中一个实施例中,所述根据所述训练样本,确定初始高斯混合模型中高斯分量的目标数量,包括:
11、根据所述训练样本,获取所述初始高斯混合模型的第一参数;其中,所述第一参数包括所述初始高斯混合模型各高斯分量的概率权重、均值和协方差;
12、根据所述第一参数,对所述初始高斯混合模型的高斯分量的初始数量进行更新,以生成候选高斯混合模型,所述候选高斯混合模型的第二参数包括所述候选高斯混合模型各高斯分量的概率权重、均值和协方差;
13、若所述候选高斯混合模型的高斯分量数量小于预设阈值,则根据所述第一参数和所述第二参数,通过绝对递增对数似然准则确定所述目标数量;
14、若所述候选高斯混合模型的高斯分量数量大于或等于所述预设阈值,则根据所述第二参数,对所述候选高斯混合模型的高斯分量数量进行更新,直到获取所述目标数量。
15、在其中一个实施例中,所述根据所述第一参数,对所述初始高斯混合模型的高斯分量的初始数量进行更新,以生成候选高斯混合模型,包括:
16、根据所述第一参数,确定所述初始高斯混合模型中具有最小概率权重的待删除高斯分量;
17、确定与所述待删除高斯分量概率密度函数最接近的待合并高斯分量;
18、将所述待删除高斯分量的概率权重、均值和协方差合并至所述待合并高斯分量,并删除所述待删除高斯分量,以生成候选高斯混合模型。
19、在其中一个实施例中,所述根据所述训练样本,获取所述初始高斯混合模型的第一参数,包括:
20、获取所述初始高斯混合模型的初始参数,所述初始参数用于标识所述初始高斯混合模型各高斯分量的概率权重、均值和协方差;
21、根据所述训练样本和所述初始参数,获取所述初始高斯混合模型各高斯分量对应每个所述训练样本的后验概率;
22、根据所述后验概率,获取所述初始高斯混合模型的第一参数。
23、在其中一个实施例中,所述利用目标高斯混合模型,计算各高斯分量对应的所述电压稳定裕度真值对于所述目标电参数的条件分布,包括:
24、利用目标高斯混合模型,计算各高斯分量对应的所述电压稳定裕度真值对于所述目标电参数的目标均值和目标协方差;
25、根据所述目标均值和所述目标协方差,计算所述目标高斯混合模型各高斯分量对应的所述电压稳定裕度真值对于所述目标电参数的条件分布。
26、在其中一个实施例中,所述方法还包括:
27、获取所述电力系统新增工况的电参数和电压稳定裕度;
28、根据所述新增工况的电参数和电压稳定裕度,计算所述目标高斯混合模型各高斯分量的新均值和新协方差;
29、根据所述目标高斯混合模型各高斯分量的新均值和新协方差,更新所述目标高斯混合模型。
30、第二方面,本申请还提供了一种基于软传感器的预测装置,应用于电力系统,所述基于软传感器的预测装置包括:
31、获取模块,用于获取所述电力系统在目标工况下的电参数和电压稳定裕度真值;
32、计算模块,用于利用目标高斯混合模型,计算各高斯分量对应的所述电压稳定裕度真值对于所述电参数的条件分布;其中,所述目标高斯混合模型包括至少两个所述高斯分量;
33、确定模块,用于根据各所述高斯分量对应的所述条件分布,确定所述电参数对应的电压稳定裕度预测值。
34、第三方面,本申请还提供了一种计算机设备。所述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上述任一实施例所述的基于软传感器的预测方法的步骤。
35、第四方面,本申请还提供了一种计算机可读存储介质。所述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上述任一实施例所述的基于软传感器的预测方法的步骤。
36、第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的基于软传感器的预测方法的步骤。
37、上述实施例提供的基于软传感器的预测方法、装置、计算机设备、存储介质和计算程序产品,应用于电力系统,针对电力系统在目标工况下的目标电参数和电压稳定裕度真值,利用目标高斯混合模型,计算各高斯分量对应的电压稳定裕度真值对于目标电参数的条件分布,从而可以确定出电力系统在目标工况下目标电参数对应的电压稳定裕度预测值。基于此,高斯混合模型能够根据电力系统当前运行工况,选择相应的高斯分量对电力系统静态电压稳定性进行预测,实现对于电力系统整个运行域分而治之,从而在每个运行工况下均能保持良好的预测性能,由此在运行工况发生改变时也能保证较高的预测精度。
1.一种基于软传感器的预测方法,其特征在于,应用于电力系统,所述基于软传感器的预测方法包括:
2.根据权利要求1所述的基于软传感器的预测方法,其特征在于,所述目标高斯混合模型是通过以下方法获取的:
3.根据权利要求2所述的基于软传感器的预测方法,其特征在于,所述根据所述训练样本,确定初始高斯混合模型中高斯分量的目标数量,包括:
4.根据权利要求3所述的基于软传感器的预测方法,其特征在于,所述根据所述第一参数,对所述初始高斯混合模型的高斯分量的初始数量进行更新,以生成候选高斯混合模型,包括:
5.根据权利要求3所述的基于软传感器的预测方法,其特征在于,所述根据所述训练样本,获取所述初始高斯混合模型的第一参数,包括:
6.根据权利要求1所述的基于软传感器的预测方法,其特征在于,所述利用目标高斯混合模型,计算各高斯分量对应的所述电压稳定裕度真值对于所述目标电参数的条件分布,包括:
7.根据权利要求1所述的基于软传感器的预测方法,其特征在于,所述方法还包括:
8.一种基于软传感器的预测装置,其特征在于,应用于电力系统,所述基于软传感器的预测装置包括:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法的步骤。