[发明专利]基于深度学习的断面约束智能化预警方法及系统

权利要求书

1.一种基于深度学习的断面约束智能化预警方法，其特征在于，包括：

获取待预测电网运行数据和待预测电网运行参数；

从K类典型运行方式中提取与所述待预测电网运行数据相似度最高的电网运行数据，获得第一断面约束数据；

将所述待预测电网运行参数输入到断面约束预测模型，获得第二断面约束数据和所述第二断面约束数据中各约束参数对应的约束生效概率；

从所述第二断面约束数据中提取与所述第一断面约束数据相同的约束参数后，剔除约束生效概率不大于第一预设阈值的约束参数，获得第一预警数据；

从所述第二断面约束数据中提取与所述第一断面约束数据不相同的约束参数后，剔除约束生效概率不大于第二预设阈值约束参数，获得第二预警数据；

根据所述第一预警数据和所述第二预警数据，获得预警结果。

2.如权利要求1所述的基于深度学习的断面约束智能化预警方法，其特征在于，所述待预测电网运行数据包括水电机组运行数据、风电机组运行数据、光伏机组运行数据、线路投运/退运状态数据、主变投运/退运状态数据、分区负荷数据；其中，

所述水电机组运行数据包括水电机组出力值和水电机组的台数；

所述风电机组运行数据包括风电机组出力值和风电机组的台数；

所述光伏机组运行数据包括光伏机组出力值和光伏机组的台数；

所述线路投运/退运状态数据包括线路投运/退运的状态值和主网线路的个数；

所述主变投运/退运状态数据包括主变投运/退运状态值和主变的个数；

所述分区负荷数据包括负荷值和负荷个数。

3.如权利要求2所述的基于深度学习的断面约束智能化预警方法，其特征在于，所述K类典型运行方式由聚类算法获得，具体步骤如下：

基于AP聚类算法或K-means聚类算法，对电网运行数据进行聚类处理，获得K类典型运行方式。

4.如权利要求3所述的基于深度学习的断面约束智能化预警方法，其特征在于，所述从K类典型运行方式中提取与所述待预测电网运行数据相似度最高的电网运行数据，获得第一断面约束数据，具体为：

基于动态时间规整算法或余弦相似度算法或信息熵值法，计算所述待预测电网运行数据的特征向量与K类典型运行方式中每一典型运行方式下的电网运行数据的特征向量的相似度，提取相似度最高的典型运行方式下的电网运行数据，获得待处理的电网运行数据；

从所述待处理的电网运行数据中提取具有断面约束电网运行数据，获得第一断面约束数据。

5.如权利要求4所述的基于深度学习的断面约束智能化预警方法，其特征在于，所述特征向量的计算步骤如下：

其中，W_i为电网运行数据的特征向量，为水电机组运行数据的特征向量，为风电机组运行数据的特征向量，光伏机组运行数据的特征向量，为线路投运/退运状态数据的特征向量，为主变投运/退运状态数据的特征向量，为分区负荷数据的特征向量，P_GH，j,t水电机组j在t时段的出力值，N_W水电机组的台数，P_GW，t全网风电机组在t时段的出力值，P_GS，t全网光伏机组在t时段的出力值，α_L，t线路i的投运/退运的状态值，N_L为主网线路的个数，α_T，t主变i的投运/退运状态值，N_T为主变的个数，P_LD，t分区i内的负荷值，N_LD为负荷个数。

6.如权利要求1所述的基于深度学习的断面约束智能化预警方法，其特征在于，所述待预测电网运行参数包括：风速、光伏机出力值、电厂报价、负荷。

7.如权利要求6所述的基于深度学习的断面约束智能化预警方法，其特征在于，所述断面约束预测模型的构建方法如下：

将电网运行参数和所述电网运行参数对应的断面约束结果作为训练集，输入至机器学习模型中进行训练，以构建训练好的断面约束预测模块。