[发明专利]一种电网扰动预测方法及装置

权利要求书

1.一种电网扰动预测方法，其特征在于，包括：

获取电网中节点的监测数据，所述节点为所述电网中的一个或多个通过输电线路连接或间接连接的输配电站点或变电站点，所述监测数据至少包括所述节点的母线电压值或电流值；

根据所述监测数据，判断所述节点是否发生扰动；

当所述节点中一个或多个节点发生扰动时，将所述节点当前时刻的扰动状态值作为LSTM-RTRBM深度学习模型的输入，所述扰动状态值为表示所述节点是否发生扰动的标识，所述LSTM-RTRBM深度学习模型为LSTM神经网络模型与RTRBM深度学习模型组合构成的深度学习模型；

通过所述LSTM-RTRBM深度学习模型，预测在所述当前时刻后的一个或多个时间步长内所述节点的扰动状态值；

根据所述当前时刻后的一个或多个时间步长内所述节点的扰动状态值，在所述一个或多个节点发生扰动后，且所述一个或多个节点发生的扰动没有传播之前，预测出所述扰动在所述节点之间随所述一个或多个时间步长传播的情况。

2.根据权利要求1所述的方法，其特征在于，所述获取电网中节点的监测数据，包括：

获取并预处理所述电网中节点的监测数据，所述预处理至少包括对所述监测数据进行无效性验证或平滑处理，所述无效性验证用于剔除无效数据，所述平滑处理用于过滤数据传输中的噪声。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述监测数据，判断所述节点是否发生扰动，包括：

当所述监测数据中的一个或多个节点的母线电压值大于或等于第一预设阈值时，则所述一个或多个节点发生扰动；

或者，当所述监测数据中的一个或多个节点的母线电压值小于或等于第二预设阈值时，则所述一个或多个节点发生扰动；

当所述监测数据中的一个或多个节点的母线电压值小于所述第一预设阈值并大于所述第二预设阈值时，则所述一个或多个节点不存在扰动，所述第一预设阈值大于所述第二预设阈值。

4.根据权利要求1所述的方法，其特征在于，所述当所述节点中一个或多个节点发生扰动时，将所述节点当前时刻的扰动状态值作为LSTM-RTRBM深度学习模型的输入，包括：

在所述LSTM-RTRBM深度学习模型中，建立所述节点的扰动状态值，随多个时间步长变化的二维矩阵，所述节点的扰动状态值作为所述二维矩阵的元素；

当所述节点中一个或多个节点发生扰动时，将当前时刻所述节点的扰动状态值输入至所述二维矩阵，作为所述节点初始时刻的扰动状态值，其中发生扰动的所述一个或多个节点的扰动状态值为第一常数，其余所述节点中未发生扰动的节点的扰动状态值为第二常数，所述第一常数和所述第二常数为不同值，所述节点初始时刻的扰动状态值为所述二维矩阵第一行或第一列的元素值；

所述通过所述LSTM-RTRBM深度学习模型，预测在所述当前时刻后的一个或多个时间步长内所述节点的扰动状态值，包括：

通过所述LSTM-RTRBM深度学习模型，根据所述二维矩阵中，所述节点初始时刻的扰动状态值，预测所述二维矩阵中对应的，初始时刻之后的T个时间步长内所述节点的扰动状态值，其中T为大于0的自然数。

5.根据权利要求1所述的方法，其特征在于，在获取电网中节点的监测数据之前，所述方法还包括：

对所述LSTM-RTRBM深度学习模型进行训练，所述训练包括所述LSTM-RTRBM深度学习模型根据训练集进行深度学习，所述训练集包括已知的多个时间步长内节点的扰动状态值的变化情况的数据。

6.根据权利要求5所述的方法，其特征在于，所述对所述LSTM-RTRBM深度学习模型进行训练，包括：

将训练集划分为多个小样本集，采用并行梯度下降算法对所述LSTM-RTRBM深度学习模型进行训练。

7.根据权利要求1所述的方法，其特征在于，所述预测出所述扰动在所述节点之间随时间传播的情况之后，所述方法还包括：

将提前预测出的所述节点之间随时间传播的情况进行可视化处理，并进行显示；

或者，根据提前预测出的所述节点之间随时间传播的情况，在扰动还未到达相应节点时，执行相应的继电保护策略，阻断扰动的传播。