直流系统状态预测方法、计算机程序产品、存储介质与流程
本发明涉及电力领域，具体而言，涉及一种直流系统状态预测方法、计算机程序产品、存储介质。
背景技术：
1、可靠的输电和配电一直是电力系统研究的关键，电力系统可靠性包括系统的稳定性和系统的安全性。随着电力系统复杂性的增加，越来越多的更新设备，如直流转换器接口等被引入系统中，引起各种电压电流信号中的谐波干扰和噪声影响等。因此，为了保持电力系统的稳定和高效的运行，需要对系统进行状态监控，由于安装和维护测量设备的成本，通常采用状态估计方法来完成。
2、现有技术中，传统的方法更多依靠站内运维人员及厂家专业人员的经验进行判断，取决于操作员对系统及其当前状态的了解，其准确性无法得到保障，只适用于更明显的故障发生。目前，机器学习和深度学习可以用于直流系统状态估计，例如：使用贝叶斯网络算法实现直流系统状态监测和估计，将系统状态估计的原始分量包括在训练过程中，增加监测的准确性；提出一种基于人工神经网络的状态估计模型，利用神经网络来准备和清理测量数据。然而，由于现有技术中训练得到的直流系统状态预测模型过拟合，导致对于直流系统运行状态的预测准确率低，并且现有方法还存在时间成本高、内存消耗大的问题。
3、由上分析可知，针对上述现有的电力系统中直流系统状态预测模型过拟合导致预测精度低的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本发明实施例提供了一种直流系统状态预测方法、计算机程序产品、存储介质，以至少解决现有的电力系统中直流系统状态预测模型过拟合导致预测精度低的技术问题。
2、根据本发明实施例的一个方面，提供了一种直流系统状态预测方法，包括：
3、采集预设时间段内电力系统中直流系统的运行数据集，其中，运行数据集包括第一数据集和第二数据集，第一数据集对应于预设时间段中的第一时间区间，第二数据集对应于预设时间段中的第二时间区间，第一时间区间与第二时间区间在预设时间段中满足预设时序关系；利用第一数据集对初始状态预测模型进行训练，得到目标状态预测模型，其中，初始状态预测模型为长短期记忆网络模型；利用目标状态预测模型对第二时间区间内直流系统的运行数据进行预测，得到预测数据集；根据预测数据集和第二数据集对直流系统进行状态预测，得到预测结果，其中，预测结果至少用于确定直流系统是否存在运行故障。
4、可选地，利用第一数据集对初始状态预测模型进行训练，得到目标状态预测模型包括：对第一数据集进行数据清洗，得到第三数据集；对第三数据集进行数据扩充，得到第四数据集；利用第四数据集对初始状态预测模型进行训练，得到目标状态预测模型。
5、可选地，对第三数据集进行数据扩充，得到第四数据集包括：确定第三数据集中运行数据的概率分布类型；根据概率分布类型确定对应的数据扩充函数；利用数据扩充函数对第三数据集进行数据扩充，得到第四数据集。
6、可选地，初始状态预测模型至少包括：输入层、多层长短期记忆网络、全连接输出层，其中，输入层用于将直流系统的目标运行数据传输至第一层长短期记忆网络，多层长短期记忆网络用于学习目标时间步长内第一运行数据与第二运行数据的依赖关系，全连接输出层用于输出目标预测数据，第一运行数据与第二运行数据在目标时间步长内满足预设时序关系。
7、可选地，利用第四数据集对初始状态预测模型进行训练，得到目标状态预测模型包括：基于目标学习率衰减策略对初始状态预测模型进行模型压缩，以及基于目标学习率调整算法调整模型参数的学习率，得到多个候选状态预测模型；利用第四数据集分别对多个候选状态预测模型进行训练，得到训练结果，其中，训练结果用于评估任意一个候选状态预测模型的预测性能；根据训练结果从多个候选状态预测模型中确定目标状态预测模型。
8、可选地，训练结果包括任意一个候选状态预测模型的误差值和预测时间，误差值用于评估任意一个候选状态预测模型的准确度，预测时间用于评估任意一个候选状态预测模型的预测效率，根据训练结果从多个候选状态预测模型中确定目标状态预测模型包括：对多个候选状态预测模型的误差值进行排序，得到第一排序结果，其中，第一排序结果用于确定误差值最小的第一候选状态预测模型；对多个候选状态预测模型的预测时间进行比较，得到第二排序结果，其中，第二排序结果用于确定预测时间最短的第二候选状态预测模型；将第一候选状态预测模型与第二候选状态预测模型之一确定为目标状态预测模型。
9、可选地，将第一候选状态预测模型与第二候选状态预测模型之一确定为目标状态预测模型包括：响应于第一候选状态预测模型与第二候选状态预测模型为相同的候选状态预测模型，将候选状态预测模型确定为目标状态预测模型；响应于第一候选状态预测模型与第二候选状态预测模型为不同的候选状态预测模型，将第一候选状态预测模型确定为目标状态预测模型。
10、可选地，根据预测数据集和第二数据集对直流系统进行状态预测，得到预测结果包括：将第一数据序列与第二数据序列进行比较，得到比较结果，其中，第一数据序列为预测数据集中预测数据按照时间先后顺序排序得到的数据序列，第二数据序列为第二数据集中运行数据按照时间先后顺序排序得到的数据序列，比较结果用于确定第二数据序列相对于第一数据序列的波动范围与波动频率；根据波动范围和波动频率对直流系统进行状态预测，得到预测结果。
11、可选地，根据波动范围和波动频率对直流系统进行状态预测，得到预测结果包括：对波动范围和波动频率进行分析，得到分析结果，其中，分析结果用于确定波动范围或者波动频率是否异常；响应于波动范围或者波动频率异常，确定直流系统存在运行故障。
12、根据本发明实施例的又一方面，还提供了一种直流系统状态预测装置，包括：
13、采集模块，用于采集预设时间段内电力系统中直流系统的运行数据集，其中，运行数据集包括第一数据集和第二数据集，第一数据集对应于预设时间段中的第一时间区间，第二数据集对应于预设时间段中的第二时间区间，第一时间区间与第二时间区间在预设时间段中满足预设时序关系；训练模块，用于利用第一数据集对初始状态预测模型进行训练，得到目标状态预测模型，其中，初始状态预测模型为长短期记忆网络模型；第一预测模块，用于利用目标状态预测模型对第二时间区间内直流系统的运行数据进行预测，得到预测数据集；第二预测模块，用于根据预测数据集和第二数据集对直流系统进行状态预测，得到预测结果，其中，预测结果至少用于确定直流系统是否存在运行故障。
14、可选地，上述训练模块还用于：对第一数据集进行数据清洗，得到第三数据集；对第三数据集进行数据扩充，得到第四数据集；利用第四数据集对初始状态预测模型进行训练，得到目标状态预测模型。
15、可选地，上述训练模块还用于：确定第三数据集中运行数据的概率分布类型；根据概率分布类型确定对应的数据扩充函数；利用数据扩充函数对第三数据集进行数据扩充，得到第四数据集。
16、可选地，上述直流系统状态预测装置还包括：初始状态预测模型至少包括：输入层、多层长短期记忆网络、全连接输出层，其中，输入层用于将直流系统的目标运行数据传输至第一层长短期记忆网络，多层长短期记忆网络用于学习目标时间步长内第一运行数据与第二运行数据的依赖关系，全连接输出层用于输出目标预测数据，第一运行数据与第二运行数据在目标时间步长内满足预设时序关系。
17、可选地，上述训练模块还用于：基于目标学习率衰减策略对初始状态预测模型进行模型压缩，以及基于目标学习率调整算法调整模型参数的学习率，得到多个候选状态预测模型；利用第四数据集分别对多个候选状态预测模型进行训练，得到训练结果，其中，训练结果用于评估任意一个候选状态预测模型的预测性能；根据训练结果从多个候选状态预测模型中确定目标状态预测模型。
18、可选地，训练结果包括任意一个候选状态预测模型的误差值和预测时间，误差值用于评估任意一个候选状态预测模型的准确度，预测时间用于评估任意一个候选状态预测模型的预测效率，上述训练模块还用于：对多个候选状态预测模型的误差值进行排序，得到第一排序结果，其中，第一排序结果用于确定误差值最小的第一候选状态预测模型；对多个候选状态预测模型的预测时间进行比较，得到第二排序结果，其中，第二排序结果用于确定预测时间最短的第二候选状态预测模型；将第一候选状态预测模型与第二候选状态预测模型之一确定为目标状态预测模型。
19、可选地，上述训练模块还用于：响应于第一候选状态预测模型与第二候选状态预测模型为相同的候选状态预测模型，将候选状态预测模型确定为目标状态预测模型；响应于第一候选状态预测模型与第二候选状态预测模型为不同的候选状态预测模型，将第一候选状态预测模型确定为目标状态预测模型。
20、可选地，上述第二预测模块还用于：将第一数据序列与第二数据序列进行比较，得到比较结果，其中，第一数据序列为预测数据集中预测数据按照时间先后顺序排序得到的数据序列，第二数据序列为第二数据集中运行数据按照时间先后顺序排序得到的数据序列，比较结果用于确定第二数据序列相对于第一数据序列的波动范围与波动频率；根据波动范围和波动频率对直流系统进行状态预测，得到预测结果。
21、可选地，上述第二预测模块还用于：对波动范围和波动频率进行分析，得到分析结果，其中，分析结果用于确定波动范围或者波动频率是否异常；响应于波动范围或者波动频率异常，确定直流系统存在运行故障。
22、根据本发明实施例的又一方面，还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现前述中任意一项的直流系统状态预测方法。
23、根据本发明实施例的又一方面，还提供了种计算机可读存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行前述中任意一项的直流系统状态预测方法。
24、根据本发明实施例的又一方面，还提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为通过计算机程序执行前述中任一项的直流系统状态预测方法。
25、在本发明实施例中，先采集预设时间段内电力系统中直流系统的运行数据集，其中，运行数据集包括第一数据集和第二数据集，第一数据集对应于预设时间段中的第一时间区间，第二数据集对应于预设时间段中的第二时间区间，第一时间区间与第二时间区间在预设时间段中满足预设时序关系，接着，利用第一数据集对初始状态预测模型进行训练，得到目标状态预测模型，其中，初始状态预测模型为长短期记忆网络模型，进一步利用目标状态预测模型对第二时间区间内直流系统的运行数据进行预测，得到预测数据集，最后，根据预测数据集和第二数据集对直流系统进行状态预测，得到预测结果，其中，预测结果至少用于确定直流系统是否存在运行故障。
26、容易理解，本发明上述实施例通过构建基于长短期记忆网络的状态预测模型，再在模型训练之前进行数据扩充并在模型训练过程中对模型进行不同比例的权重修剪、对模型参数的学习率进行自适应调整，达到了避免训练完成的目标状态预测模型过拟合的目的，从而实现了提高目标状态预测模型对于直流系统运行状态的预测精度与预测效率的技术效果，进而解决了现有的电力系统中直流系统状态预测模型过拟合导致预测精度低的技术问题。
技术特征：
1.一种直流系统状态预测方法，其特征在于，包括：
2.根据权利要求1所述的直流系统状态预测方法，其特征在于，利用所述第一数据集对所述初始状态预测模型进行训练，得到所述目标状态预测模型包括：
3.根据权利要求2所述的直流系统状态预测方法，其特征在于，对所述第三数据集进行数据扩充，得到所述第四数据集包括：
4.根据权利要求2所述的直流系统状态预测方法，其特征在于，所述初始状态预测模型至少包括：输入层、多层长短期记忆网络、全连接输出层，其中，所述输入层用于将所述直流系统的目标运行数据传输至第一层长短期记忆网络，所述多层长短期记忆网络用于学习目标时间步长内第一运行数据与第二运行数据的依赖关系，所述全连接输出层用于输出目标预测数据，所述第一运行数据与所述第二运行数据在所述目标时间步长内满足所述预设时序关系。
5.根据权利要求4所述的直流系统状态预测方法，其特征在于，利用所述第四数据集对所述初始状态预测模型进行训练，得到所述目标状态预测模型包括：
6.根据权利要求5所述的直流系统状态预测方法，其特征在于，所述训练结果包括所述任意一个候选状态预测模型的误差值和预测时间，所述误差值用于评估所述任意一个候选状态预测模型的准确度，所述预测时间用于评估所述任意一个候选状态预测模型的预测效率，根据所述训练结果从所述多个候选状态预测模型中确定所述目标状态预测模型包括：
7.根据权利要求6所述的直流系统状态预测方法，其特征在于，将所述第一候选状态预测模型与所述第二候选状态预测模型之一确定为所述目标状态预测模型包括：
8.根据权利要求1所述的直流系统状态预测方法，其特征在于，根据所述预测数据集和所述第二数据集对所述直流系统进行状态预测，得到所述预测结果包括：
9.根据权利要求8所述的直流系统状态预测方法，其特征在于，根据所述波动范围和所述波动频率对所述直流系统进行状态预测，得到所述预测结果包括：
10.一种计算机程序产品，包括计算机程序，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9中任意一项的所述直流系统状态预测方法。
11.一种计算机可读存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至9中任意一项的所述直流系统状态预测方法。
12.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至9中任一项所述的直流系统状态预测方法。
技术总结
本发明公开了一种直流系统状态预测方法、计算机程序产品、存储介质。其中，该方法包括：采集预设时间段内电力系统中直流系统的运行数据集，其中，运行数据集包括第一数据集和第二数据集，第一数据集对应于预设时间段中的第一时间区间，第二数据集对应于预设时间段中的第二时间区间；利用第一数据集对初始状态预测模型进行训练，得到目标状态预测模型，其中，初始状态预测模型为长短期记忆网络模型；利用目标状态预测模型对第二时间区间内直流系统的运行数据进行预测，得到预测数据集；根据预测数据集和第二数据集对直流系统进行状态预测，得到预测结果。本发明解决了现有的电力系统中直流系统状态预测模型过拟合导致预测精度低的技术问题。
技术研发人员：刘经伟,黄嘉文,梁桂新,黄振荣
受保护的技术使用者：广东电网有限责任公司
技术研发日：
技术公布日：2024/9/23