一种基于机器学习技术的电力系统潮流预测方法及系统与流程

本发明涉及电力系统潮流预测，尤其涉及一种基于机器学习技术的电力系统潮流预测方法及系统。

背景技术：

1、随着国内经济水平的快速发展，人民的生活水平不断上升，各类企业的生产规模不断扩大，社会各处对电能的需求量越来越大，电力负荷不断增长；同时，随着新能源的快速发展，可再生能源发电的装机容量不断增加，电力电子装置使系统的惯性下降，都对系统的风险预防与安全调控提出了更高的要求。电力系统的运行与控制需要以系统内部的潮流需要更短的时间窗口和更快的调控的速度。

2、电力系统动态潮流预测对于确保电网的安全、高效运行至关重要。首先，它有助于监控电网状态，合理调整输电容量，最大限度地利用现有设施。其次，动态潮流预测能够及时发现电力系统可能出现的过载、电压不稳定等问题，从而采取预防措施，确保系统运行的安全性。

3、现有的动态潮流计算方法主要在系统运行状态发生变化后，采用更新后的系统参数执行传统潮流计算。这种方法的局限性在于，运行状态的改变可能导致传统潮流计算的收敛难度增加、迭代次数提升，进而使得计算过程耗时较长，难以满足电力系统快速调控的需求。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有存在的问题，提出了本发明。

3、因此，本发明提供了一种基于机器学习技术的电力系统潮流预测方法及系统，能够解决背景技术中提到的问题。

4、为解决上述技术问题，本发明提供如下技术方案，一种基于机器学习技术的电力系统潮流预测方法，包括：

5、获取电力系统的历史运行数据，并对所述历史数据进行预处理，所述历史运行数据至少包括电力系统的电压、电流、功率参数；

6、根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型，所述模型的输入为电力系统的运行数据，所述模型的输出为电力系统的潮流分布；

7、预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。

8、作为本发明所述的基于机器学习技术的电力系统潮流预测方法的一种优选方案，其中：所述判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系包括：

9、若模型输出的电力系统的潮流分布与实际值误差小于第一阈值范围，则直接输出训练好的电力系统潮流预测模型；

10、若模型输出的电力系统的潮流分布与实际值误差不小于第一阈值范围，则优化所述电力系统潮流预测模型的损失函数，直至模型输出的电力系统的潮流分布与实际值误差小于第一阈值范围。

11、作为本发明所述的基于机器学习技术的电力系统潮流预测方法的一种优选方案，其中：所述电力系统潮流预测模型包括：

12、

13、其中，y表示电力系统的潮流分布，x1，x2，x3分别表示电压、电流和功率运行数据，β0表示模型的截距项，当模型的全部特征均为零时，模型的预测值为β0，所述特征为电压、电流和功率运行数据特征，β1、β2、β3表示电压、电流和功率运行数据的线性影响，β4、β5、β6表示电压、电流和功率运行数据的二次影响，β7、β8、β9表示电压、电流和功率运行数据之间的交互影响，λ是正则化系数，i表示索引。

14、作为本发明所述的基于机器学习技术的电力系统潮流预测方法的一种优选方案，其中：所述判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系还包括：

15、

16、其中，yactual表示电力系统的实际潮流分布，ymodel表示模型预测的电力系统潮流分布，xactual表示电力系统的实际运行状态，xmodel表示模型预测的运行状态，zactual表示电力系统的实际负荷需求，zmodel表示模型预测的负荷需求，e表示误差。

17、作为本发明所述的基于机器学习技术的电力系统潮流预测方法的一种优选方案，其中：所述第一阈值范围包括：

18、

19、其中，y{actual,j}表示第j个数据点的实际潮流分布值，y{model,j}表示第j个数据点的模型预测潮流分布值，n表示数据点的数量，z分数为一个常数，表示所需的置信区间的水平，dy表示第一阈值范围。

20、作为本发明所述的基于机器学习技术的电力系统潮流预测方法的一种优选方案，其中：所述优化所述电力系统潮流预测模型的损失函数包括：

21、优化前的损失函数为：

22、

23、其中，n是数据点的总数，yactual,j是第j个数据点的实际潮流分布值，ypredicted,j是模型对第j个数据点的预测潮流分布值。

24、作为本发明所述的基于机器学习技术的电力系统潮流预测方法的一种优选方案，其中：所述优化所述电力系统潮流预测模型的损失函数还包括：

25、优化后的损失函数为：

26、

27、其中，factual,j和fpredicted,j分别是第j个数据点的实际和预测潮流向量，包含各个节点的潮流值，||||2表示欧几里得范数，用于计算潮流向量的长度或差异。

28、一种基于机器学习技术的电力系统潮流预测系统，其特征在于，包括：

29、数据获取模块，用于获取电力系统的历史运行数据，并对所述历史数据进行预处理，所述历史运行数据至少包括电力系统的电压、电流、功率参数；

30、模型建立模块，用于根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型，所述模型的输入为电力系统的运行数据，所述模型的输出为电力系统的潮流分布；

31、预测模块，用于预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。

32、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，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。

33、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如上所述的方法的步骤。

34、本发明的有益效果：本发明提出一种基于机器学习技术的电力系统潮流预测方法及系统，获取电力系统的历史运行数据，并对所述历史数据进行预处理，所述历史运行数据至少包括电力系统的电压、电流、功率参数；根据预处理后的数据，结合机器学习算法，建立电力系统潮流预测模型，所述模型的输入为电力系统的运行数据，所述模型的输出为电力系统的潮流分布；预设第一阈值范围，判断模型输出的电力系统的潮流分布与实际值误差与第一阈值范围大小关系，根据判断结果输出最终电力系统潮流预测模型，结合实际运行数据进行电力系统潮流预测。通过机器学习技术对电力系统潮流进行预测，具有较高的预测精度和稳定性。预处理历史运行数据和设定第一阈值范围，有助于提高模型输出的电力系统潮流分布与实际值的误差控制，从而提高预测准确性。