技术领域
[0001] 本发明涉及电力电网技术领域，特别涉及基于人工智能的电力电网调度业务校核方法。
相关背景技术
[0002] 在电力电网调度业务中，OMS(Outage Management System，停电管理系统)系统扮演着至关重要的角色，负责管理和协调电网中的故障和停电事件，其中，断面数据的交互以及断面转移系数的智能校核是其关键功能之一。
[0003] OMS系统需要与其他系统(如SCADA系统、EMS系统等)进行数据交互，以获取实时的电网运行状态信息，包括供电区域、线路负载情况、设备状态等。断面数据指的是电网中的分段，通过这些断面可以更好地理解电网的拓扑结构和运行情况，OMS系统需要与其他系统协调，确保断面数据的准确性和实时性，以便有效地进行停电管理和故障处理。断面转移系数是指在电网中发生故障或停电时，影响到其他部分的程度，智能校核这些系数是为了确保在故障事件发生时，OMS系统能够准确地评估其影响范围，并采取适当的措施。断面数据的准确性和及时性是至关重要的，因为任何误差都可能导致电网运行不稳定甚至出现故障，因此，OMS系统的断面数据交互和断面转移系数的智能校核都是电力电网调度业务中不可或缺的重要环节。
具体实施方式
[0039] 下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
[0040] 如图1所示的，本发明公开了一种基于人工智能的电力电网调度业务校核方法，包括如下步骤：
[0041] 步骤1：收集OMS系统的断面数据，并进行预处理；
[0042] 步骤2：从收集到的断面数据中提取特征数据，计算特征之间的相关性系数；
[0043] 步骤3：以特征数据作为训练集，建立预测模型；
[0044] 步骤4：使用历史故障频率数据进行模型训练，并通过交叉验证进行优化；
[0045] 步骤5：将训练好的模型应用于实际数据，并进行故障预测和断面转移系数的智能校核；
[0046] 步骤6：将训练好的模型与OMS系统进行集成，实现与OMS系统断面数据的交互。
[0047] 具体的，步骤1包括：
[0048] 在步骤1中，数据收集与预处理是基于人工智能的电力电网调度业务校核方法的关键一步，以下是详细的执行步骤：
[0049] 从OMS系统中获取断面数据，数据包括地理信息特征、线路负载情况特征以及设备状态特征等。
[0050] 对收集到的数据进行清洗，去除重复数据、错误数据和异常数据。对于断面数据，缺失值可能涉及到线路故障信息、设备状态等，需要针对性地进行处理。
[0051] 还需要收集历史故障数据和运行状态数据作为训练数据，这些数据用于建立预测模型，历史故障频率特征的收集应包括足够长的时间跨度，以充分反映电网的运行情况和故障事件。
[0052] 通过以上步骤，可以确保从OMS系统获取的断面数据具有高质量和可用性，为后续建立预测模型和进行智能校核打下坚实的数据基础。
[0053] 具体的，步骤2包括：
[0054] 从收集到的断面数据中提取特征数据包括：
[0055] a.地理信息特征提取：利用地理信息系统(GIS)等工具，从供电区域数据中提取地理位置信息，例如经度、纬度、海拔高度等，这些信息可能影响电网的负载情况和故障发生率。
[0056] 对于地理信息特征，在本实施例中可以将其表示为一个向量geo＝[longitude,latitude]，其中longitude表示经度，latitude表示纬度，假设有m个供电区域的地理信息样本，则地理信息特征矩阵Xgeo的维度为m×2。
[0057] 在本发明的预测模型中，地理信息特征可能会影响模型的超平面的法向量w，具体地，不同地理位置的电网可能受到不同的环境因素和地形地貌的影响，从而导致其故障发生概率不同，模型通过学习地理信息特征与故障发生概率之间的关系，可以调整超平面的法向量，以更好地区分不同地理位置的故障情况。
[0058] 因此，地理信息特征与模型表达式的结合可以通过影响超平面的法向量w来体现，从而在模型中捕捉不同地理位置对电网故障发生概率的影响。
[0059] b.线路负载情况特征提取：根据收集到的线路数据，计算每条线路的负载情况，包括电流、电压、功率等参数，作为特征。这些特征可以反映线路的运行状态和潜在的过载风险。
[0060] 对于线路负载情况特征，在本实施例中可以将其表示为一个向量load＝[I,V,P]，其中I表示电流，V表示电压，P表示功率，假设有m条线路的负载情况样本，则线路负载情况特征矩阵Xload的维度为m×3。
[0061] 在本发明的预测模型中，线路负载情况特征可能会影响模型的超平面的截距b，具体地，电网的稳定性受到线路负载情况的影响，例如电流和功率的过载可能会导致电网的不稳定性。模型通过学习线路负载情况特征与故障发生概率之间的关系，可以调整超平面的截距b，以更好地区分不同线路负载情况下的故障情况。
[0062] 因此，线路负载情况特征与模型表达式的结合可以通过影响超平面的截距b来体现，从而在模型中捕捉线路负载情况对电网稳定性的影响。
[0063] c.设备状态特征提取：将设备状态数据转换为特征，例如转换为二元变量表示设备是否正常运行，或者利用设备运行时间、维护记录等信息提取更高级别的特征。
[0064] 设备状态特征可以表示为一个向量tatus＝[s1,s2,...,sn]，其中si表示第i个设备的状态信息，这些状态信息可以是二元变量，表示设备是否正常运行，也可以是更高级别的特征，如设备的运行时间、维护记录等，假设有m个设备的状态样本，则设备状态特征矩阵Xstatus的维度为m×n。
[0065] 在本发明的预测模型中，设备状态特征可能会影响模型中的松弛变量ξ，具体来说，设备状态的不同可能会导致不同的松弛变量值，因为不同状态的设备可能会对电网的稳定性和故障概率产生不同程度的影响，例如，运行时间长且维护记录良好的设备可能比运行时间短或维护记录不良的设备更少地产生故障。
[0066] 因此，设备状态特征与模型表达式的结合可以通过影响松弛变量ξ来体现，从而在模型中考虑设备状态对电网稳定性和故障概率的影响。
[0067] d.历史故障频率特征提取：统计历史故障数据，计算供电区域或线路的故障频率，作为特征之一，可以帮助模型理解不同区域或线路的故障风险。
[0068] 历史故障频率特征可以表示为一个向量frequency＝[f1,f2,...,fm]，其中fi表示第i个区域或线路的故障发生频率，假设有m个区域或线路的历史故障频率样本，则历史故障频率特征矩阵Xfrequency的维度为m×1。
[0069] 在本发明的预测模型中，历史故障频率特征可能会影响模型中的惩罚参数C，具体来说，历史故障频率较高的区域或线路可能对模型的预测产生更大的影响，因此需要更高的惩罚参数来确保模型对这些区域或线路的预测准确性。
[0070] 因此，历史故障频率特征与模型表达式的结合可以通过影响惩罚参数C来体现，从而在模型中考虑历史故障频率对电网故障预测的影响。
[0071] 计算特征之间的相关性系数，包括筛选出与目标变量(故障发生与否)相关性较高的特征，具体为：
[0072] 假设有两个特征变量X和变量Y，变量X和变量Y相关系数定义为：
[0073]
[0074] 其中，n是样本数量，Xi和Yi是第i个样本点的特征值， 和 是特征值的均值，相关系数rXY的取值范围为[‑1,1]，其中：
[0075] 当rXY＝1时，表示X和Y之间存在完全正相关关系；
[0076] 当rXY＝‑1时，表示X和Y之间存在完全负相关关系；
[0077] 当rXY＝0时，表示X和Y之间不存在线性关系。
[0078] 在进行特征选择时，可以计算目标变量(故障发生与否)与各个特征变量之间的相关系数，筛选出与目标变量相关性较高的特征，通常，绝对值大于某个阈值(比如0.5或0.6)的相关系数被认为是相关性较高的特征。
[0079] 具体的，步骤3包括：
[0080] 使用步骤1和步骤2中准备好的特征数据作为训练集，将目标变量(故障发生与否)进行编码，以便多分类支持向量机进行训练。
[0081] 将特征数据X和目标变量G作为预测模型的输入，预测模型的表达式如下：
[0082]
[0083] 其中，w是超平面的法向量，b是超平面的截距，ξ是样板的松弛变量，C是惩罚参数，K是类别的数量。
[0084] 假设从步骤2中提取了n个特征，对于m个样本，则特征矩阵X的维度为m×n。同时，目标变量G的维度为m×1，包含了每个样本的类别标签。
[0085] 将特征矩阵X和目标变量G与本发明的预测模型的表达式结合起来，即为上式。
[0086] 在应用中，将特征矩阵X和目标变量G提供给模型，模型会根据这些特征学习到一T个决策边界，以区分不同类别的样本，决策边界可以用超平面wx+b＝0来表示，其中，w是超平面的法向量，b是截距，因此，步骤2中提取的特征会作为模型的输入，与模型的表达式相结合，用于训练和预测。
[0087] 具体的，步骤4包括：
[0088] 在步骤4中，使用历史故障频率特征进行模型训练，并通过交叉验证等技术进行模型的优化，以提高模型的预测精度和泛化能力，以下是具体实现方法：
[0089] 使用步骤1和步骤2中准备好的历史故障频率特征作为训练数据集，将数据集分为训练集和验证集，通常采用交叉验证的方式进行数据集划分。
[0090] 使用训练集对步骤3中预测模型进行训练，在训练过程中，利用历史故障频率特征和已有的特征进行模型参数的学习。
[0091] 通过网格搜索对模型的超参数进行调优，以提高模型的性能和泛化能力，假设要优化的参数为C和γ，则网格搜索会尝试所有C和γ组合，选择在验证集上表现最好的参数组合。
[0092] 采用K折交叉验证的方式对模型进行评估，确保模型的泛化能力和稳定性，K折交叉验证将训练集分成K个子集，依次将其中一个子集作为验证集，其余K‑1个子集作为训练集，进行K次训练和验证。
[0093] 通过以上步骤，可以通过历史故障频率特征对模型进行训练和优化，以提高其在预测电力电网故障发生情况方面的性能和泛化能力。
[0094] 具体的，步骤5包括：
[0095] 在步骤5中，将训练好的模型应用于实际数据，并进行故障预测和断面转移系数的智能校核，以下是具体实现方法：
[0096] 使用步骤1中收集到的实时数据作为模型的输入，将实时数据输入到训练好的预测模型中进行预测。
[0097] 将实时数据输入到训练好的预测模型中进行预测，得到故障预测结果，根据预测结果，确定故障事件对电网其他部分的影响程度，具体为：
[0098] 将步骤1和步骤2中从OMS系统获取的特征数据转换为模型可用的形式，例如特征矩阵，将特征矩阵输入到训练好的预测模型中进行预测，得到各个类别的预测概率。
[0099] 设\P(yi|x)表示样本x属于类别yi的概率，则预测结果可以表示为(P(y|x)＝[P(y1|x),P(y2|x),...,P(yk|x)]，其中k是类别的数量。
[0100] 根据预测的故障发生概率，确定故障事件对电网其他部分的影响程度，在本实施例中可以采用预测概率的大小来评估故障的严重程度，概率较高的故障可能会对电网其他部分产生较大影响。
[0101] 断面转移系数智能校核具体包括：
[0102] 将预测结果与实际发生的故障事件进行比对，评估模型预测的准确性，根据预测结果的准确性，对断面转移系数进行智能校核。在本实施例中，根据预测结果的敏感度分析，评估故障影响范围，进而调整断面转移系数：
[0103] 首先，需要选择要进行敏感度分析的输入变量，在这种情况下，可以选择与断面转移系数相关的特征作为输入变量，比如地理信息特征、线路负载情况特征等。
[0104] 接下来，需要确定用来衡量敏感度的指标，在电网调度业务中，一个常见的指标是故障影响范围的变化情况，即故障发生后对周围区域的影响程度。针对每个选定的输入变量，引入一个小的扰动，例如在原始值的基础上加上一个小的增量或减去一个小的量，这样可以模拟输入变量的变化对模型输出的影响。
[0105] 对于每个扰动后的输入变量组合，重新运行模型，得到相应的输出结果。可以使用相同的预测模型，但是输入变量的值进行了微小的变化，根据模型输出的变化情况，计算敏感度指标，在本实施例中使用输出结果的变化量与输入变量扰动量的比率来表示敏感度。
[0106] 具体来说，敏感度Si通过以下公式计算：
[0107]
[0108] 其中：Si是输入变量xi的敏感度；ΔO是模型输出结果的变化量；Δxi是输入变量xi的扰动量。
[0109] 通过这种方式，可以评估每个输入变量对模型输出的影响程度，从而识别出对断面转移系数影响较大的特征，并根据需要调整这些特征的权重或系数，以优化模型的性能。
[0110] 通过以上步骤，可以将模型应用于实时数据进行故障预测，并根据预测结果智能校核断面转移系数，以支持电网运行的安全和稳定。
[0111] 基于预测结果，对断面转移系数进行智能校核，在本实施例中可以通过将预测结果与实际发生的故障事件进行比对，评估模型预测的准确性，并根据需要调整断面转移系数。
[0112] 具体的，步骤6包括：
[0113] 在步骤6中，将开发好的人工智能模型与OMS系统进行集成，实现与OMS系统断面数据的交互，以下是具体实现方法：
[0114] 将训练好的预测模型部署到与OMS系统相连的服务器上，以确保模型可以在需要时随时进行调用和使用，设计并开发与OMS系统进行数据交互的接口，包括数据输入接口和结果输出接口，数据输入接口负责从OMS系统获取实时断面数据，并将数据传输给人工智能模型进行预测，结果输出接口负责将预测结果反馈给OMS系统，以支持电网运行的决策和调度。
[0115] 在数据输入接口中，实现与OMS系统的实时数据交互，确保模型可以及时获取最新的断面数据，在结果输出接口中，将模型预测的故障情况和断面转移系数智能校核结果反馈给OMS系统，确保反馈的结果格式符合OMS系统的要求，并能够被系统正确解析和处理。
[0116] 通过以上步骤，可以将开发好的人工智能模型与OMS系统进行集成，实现与OMS系统断面数据的交互，这样，模型可以及时获取实时数据，并将预测结果反馈给OMS系统，支持电网运行的决策和调度。
[0117] 最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明权利要求保护的范围之内。
