本发明属于电力系优化运行技术领域，涉及一种基于lbp和神经网络的电网运行特征感知方法及系统。
背景技术：
随着人类对化石能源枯竭和环境恶化的担忧日益加重，可再生能源代替传统能源将不断提速，可再生能源接入电网将会对电网带来巨大的挑战。如何充分利用电网运行相关数据，准确把握电网态势，提高电网对可再生能源不确定性的应对能力，已经成为电网所关注的重点。
目前对于电网运行数据特征提取与分析方法通常采用单独采用神经网络或者聚类的方法对数据进行处理，例如文献《基于谱聚类的输电线覆冰过程微气象特征提取模型》(《测控技术》，2019年7月，李宣廷，李鹏，苗爱敏等)采用谱聚类的方法对输电线覆冰过程进行了特征提取，实现对电线覆冰全过程的把控。文献《基于vmd和fcm聚类方法的电网负荷分类》(《东北电力技术》，2019年5月,贾志达，姜枫，王海鑫等)提出一种基于vmd和fcm的聚类方法对电网负荷特征进行辨识，实现对电网负荷的分类。但是上述研究仅从电网侧进行分析，未能成分考虑非电网因素，因此，难以保证电网特征提取的准确性。此外，随着可再生能源的接入，非电网运行数据也会对电网的运行产生较大的影响，而以往的特征提取往往忽略了这个因素，单纯的从电网运行数据层面进行特征分析，因此难以全面的对电网运行态势进行预测。
技术实现要素：
本发明目的在于解决当前电网数据特征提取和态势精准获取的问题，提出lbp和神经网络的电网运行数据特征提取与态势获取方法，通过三角模糊数对非电网运行数据进行转换，采用lbp方法对电网数据和非电网数据进行特征提取，并将结果输入bp神经网络中训练，得到电网运行态势模型，最终实现对电网运行态势的准确获取。
本发明采取以下技术方案：
一种基于lbp和神经网络的电网运行特征感知方法及系统，包括以下步骤：
步骤1：采集电网运行历史数据、非电网运行历史数据以及电网态势数据；所述电网运行历史数据包括平均电压、平均输送功率、电网报修率；所述非电网运行历史数据包括对应采集时刻的天气、日照、环境历史数据；所述电网态势数据是指电网故障情况和风险等级；
步骤2：将非电网运行历史数据以及对应历史日的电网态势分别通过语义信息进行表征，并将表征非电网运行历史数据范围和电网态势不同风险等级的语义信息分别转换为对应的一维数组即脆数；
步骤3：将采集到的电网运行数据与通过步骤2转换后的脆数分别进行归一化处理；
步骤4：对通过步骤3归一化后的电网运行数据与脆数进行特征提取得到电网运行的特征数据和非电网运行的特征数据，以数值的形式表达；
步骤5：将步骤4所提取的特征数据输入bp神经网络进行训练，获取电网态势预测模型；
步骤6：采集电网运行数据以及非电网运行历史数据，输入至经步骤5训练后的电网态势预测模型，进行电网态势预测。
本发明进一步包括以下优选方案：
在步骤1中，所采集的电网运行历史数据为日历史数据，所述报修率为电网当日的报修率，基于电网当日的报修率以及电网故障程度确定电网态势；
所述天气历史数据是指天气风速；
所述日照历史数据是指太阳辐射的强度；
所述环境历史数据具体指历史的空气污染指数；
将所述电网态势通过语义信息表征为无风险、低风险、中风险、高风险以及故障态五种情况；
将所述天气历史数据、日照历史数据、环境历史数据通过语义信息分别表征为很高、高、一般、低、很低五种情况。
所述天气历史数据的语义信息具体表征如下：
当v∈[0,3.4)，天气语义信息为“很低”；
当v∈[3.4,8.0)，天气语义信息为“低”；
当v∈[8.0,10.7)，天气语义信息为“一般”；
当v∈[10.8,13.8)，天气语义信息为“高”；
当v≥13.8，天气语义信息为“很高”；
其中，v为当日风速，单位为米/秒；
当r∈[8000,9000)，日照语义信息为“很低”；
当r∈[9000,10000)，日照语义信息为“低”；
当r∈[10000,11000)，日照语义信息为“一般”；
当r∈[11000,12000)，日照语义信息为“高”；
当r∈[12000,13000)，日照语义信息为“很高”；
其中，r为当日日照，单位为kjj/m2；
当k∈[151,300]，环境语义信息为“很低”；
当k∈[131,150]，环境语义信息为“低”；
当k∈[101,130]，环境语义信息为“一般”；
当k∈[51,100]，环境语义信息为“高”；
当k∈[0,50]，环境语义信息为“很高”；
其中，k为空气污染指数；
当电网不发生任何故障的时候定义电网态势为无风险；
当电网发生1处故障的时候且不导致停电，定义电网态势为低风险；
当电网发生1～3处故障的时候且不导致停电，定义电网态势为中风险；
当电网发生3处及以上故障且不导致电网停电，定义电网态势为高风险；
当电网发生3处及以上故障且导致电网停电，定义电网态势为故障态。
所述步骤2中，将天气、日照、环境历史数据对应的语义信息按照以下方式转换为一维数组即脆数：
很低：(0，0.1，0.2)，低：(0，0.3，0.5)，一般(m)：(0.5，0.7，0.9)，高：(0.75，0.85，0.95)，很高：(0.9，0.95，1.00)；
将电网态势的语义信息按照以下方式转换为一维数组即脆数：
电网态势为无风险：(0，0.1，0.2)，电网态势为低风险：(0，0.3，0.5)，电网态势为中风险：(0.5，0.7，0.9)，电网态势为高风险：(0.75，0.85，0.95)，电网态势为故障态：(0.9，0.95，1.00)。
所述步骤2中将转换后的脆数去模糊化，其具体转换方式如下所示：
其中
所述步骤3中需将所述去模糊化后的脆数进行归一化，其具体转换方式如下：
其中fi(t)为所述去模糊化后的脆数，
在所述步骤4中，将电网运行数据和非电网运行数据转化得到的脆数作为两个多维数组，分别通过以下公式对归一化后的数据进行特征提取：
其中，gc表示多维数据中每一层的中心点数据，gi表示围绕多维数据每一层中心点的数据，p表示围绕每一层多维数据中心点的数据总量，
在所述步骤5中，通过bp神经网络对特征数据进行训练，输入层节点的输入量为所述特征数据，通过训练该特征数据以获取电网态势预测模型；对于所用bp神经网络，分为输入层、隐含层与输出层；输入层的数据为步骤4所提取的特征数据；隐含层节点j的值
所述步骤5利用bp神经网络对特征数据进行训练，其已知电网态势与bp神经网络预测的电网态势的误差为er、联结权值的调整变量
其中，dr是已知电网态势，yr是由bp神经网络所预测的电网态势，η是增益因子，取[0,1]区间的一个正数。
所述步骤5利用bp神经网络对特征数据进行训练的迭代次数为20次。
本发明同时公开了一种基于lbp和神经网络的电网运行特征感知系统，包括数据采集模块、数据预处理模块、特征提取模块与电网态势预测模块；
所述数据采集模块采集电网运行历史数据以及非电网运行历史数据；所述电网运行历史数据包括平均电压、平均输送功率、电网报修率；所述非电网运行历史数据包括对应采集时刻的天气、日照、环境历史数据；
所述数据预处理模块将采集到非电网运行数据，包括天气、日照、环境历史数据以及对应历史日的电网态势分别通过语义信息进行表征，并将语义信息通过三角模糊数转换为脆数，并对电网运行数据以及非电网运行数据进行归一化处理；
所述特征提取模块采用lbp方法对归一化后的多维数据进行特征提取；
所述电网态势预测模块通过bp神经网络对特征数据进行训练，输入层节点的输入量为所述特征数据，通过训练该特征数据以获取电网态势预测模型，之后对电网态势进行预测。
本文所提一种基于lbp和神经网络的电网运行特征感知方法及系统，可对电网数据和非电网数据进行精准的特征提取，并利用bp神经网络对特征数据进行训练，获取电网态势，为调度人员感知电网状态提供基础，保障电网的安全可靠运行。
附图说明
图1为基于lbp和神经网络的电网运行特征感知方法及系统流程图；
图2为利用lbp方法对归一化后的数据进行特征提取的过程；
图3为bp神经网络的具体模型构建；
图4为基于lbp和神经网络的电网运行数据特征提取方法的系统图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本发明公开了一种基于lbp(localbinarypatterns)和神经网络的电网运行特征感知方法及系统，包括如下步骤：
步骤1，采集电网运行历史数据，非电网运行历史数据以及电网态势历史信息；电网运行历史数据包括平均电压、平均输送功率、电网报修率；非电网运行历史数据包括对应采集时刻的天气、日照、环境历史数据。
天气历史数据是指对天气风速的评价结果，为了便于计算本发明采用“很高”，“高”，“一般”，“低”，“很低”来分别表述不同天气状况。其中天气历史数据包括天气风速，日照历史数据是指太阳辐射的强度，环境历史数据是指历史的空气污染指数。当v∈[0,3.4)，天气语义信息为“很低”；当v∈[3.4,8.0)，天气语义信息为“低”；当v∈[8.0,10.7)，天气语义信息为“一般”；当v∈[10.8,13.8)，天气语义信息为“高”；当v≥13.8，天气语义信息为“很高”；其中，v为当日风速，单位为米/秒；当r∈[8000,9000)，日照语义信息为“很低”；当r∈[9000,10000)，日照语义信息为“低”；当r∈[10000,11000)，日照语义信息为“一般”；当r∈[11000,12000)，日照语义信息为“高”；当r∈[12000,13000)，日照语义信息为“很高”；其中，r为当日日照，单位为kjj/m2；当k∈[151,300]，环境语义信息为“很低”；当k∈[131,150]，环境语义信息为“低”；当k∈[101,130]，环境语义信息为“一般”；当k∈[51,100]，环境语义信息为“高”；当k∈[0,50]，环境语义信息为“很高”；其中，k为空气污染指数；
电网态势历史信息包括电网故障情况，分为无风险、低风险、中风险、高风险以及故障态五种情况。当电网不发生任何故障的时候定义电网态势为无风险；当电网发生1处故障的时候且不导致停电，定义电网态势为低风险；当电网发生1～3处故障的时候且不导致停电，定义电网态势为中风险；当电网发生3处及以上故障且不导致电网停电，定义电网态势为高风险；当电网发生3处及以上故障且导致电网停电，定义电网态势为故障态。
本发明是将天气、日照、环境这三类非电网运行历史数据通过语义进行表征，该语义信息可以分成多级，级别划分越多，精度越高，神经网络所要训练的成本也越高，本发明的优选实选取了“很高”、“高”、“一般”、“低”、“很低”这5个标准，本领域技术人员可以根据实际需求对语义信息进行划分。
本发明中对非电网运行历史数据划分的数值范围标准仅为一优选实施例，本领域技术人员应以当地气候条件来确定合适的划分范围进行合理划分。
步骤2，按照表1将语义信息通过三角模糊数转换为脆数，并采用以下公式对所转换的三角模糊数去模糊化。
表1三角模糊数转换表
其中
步骤3，利用公式(2)对电网数据和转换后的电网数据进行归一化：
其中
步骤4，利用lbp方法，将电网运行数据和非电网运行数据转化得到的脆数分别作为多维数组通过以下公式对归一化后的数据进行特征提取，具体方法如图2：
其中，gc表示多维数据中每一层的中心点数据，gi表示围绕多维数据每一层中心点的数据，p表示围绕每一层多维数据中心点的数据总量，
步骤5，将获得的特征数据作为输入，电网态势数据作为输出，利用bp神经网络训练电网态势预测模型。其bp神经网络的具体模型构建如图3，其中，i，j分别表示输入层、隐含层、输出层的某个节点，n，m分别表示输入层、隐含层的节点数。输入层节点的输入量为步骤4中所提取的电网特征数据和非电网特征数据。对隐含层节点j有：
其中，hj为隐含层节点的具体的值，作为输出层的输入值，wij为输入层到隐含层的权重，xi为输入层的输入值，n为输入层的节点数；
对于输出节点有：
i，j分别表示输入层、隐含层、输出层的某个节点，vj为隐含层中节点j到输出层的权重，n，m分别表示输入层、隐含层的节点数。
训练过程中已知电网态势与bp神经网络预测的电网态势的误差为er、联结权值的调整变量
其中，dr是已知电网态势，yr是由bp神经网络所预测的电网态势。η是增益因子，一般取[0,1]区间的一个正数。
最终经过20次迭代得到预测模型。
步骤6，采集电网运行数据以及天气、日照、环境数据，输入至经步骤5训练后的电网态势预测模型，进行电网态势预测。
本发明还公开了一种如图4所示的基于lbp和神经网络的电网运行特征感知系统，包括数据采集模块、数据预处理模块、特征提取模块与电网态势预测模块：
数据采集模块采集电网运行历史数据以及非电网运行历史数据；电网运行历史数据包括平均电压、平均输送功率、电网报修率；非电网运行历史数据包括对应采集时刻的天气、日照、环境历史数据；
数据预处理模块将采集到非电网运行数据，包括天气、日照、环境历史数据以及对应历史日的电网态势分别通过语义信息进行表征，并将语义信息通过三角模糊数转换为脆数，并对电网运行数据以及非电网运行数据进行归一化处理；
特征提取模块采用lbp方法对归一化后的多维数据进行特征提取；
电网态势预测模块通过bp神经网络对特征数据进行训练，输入层节点的输入量为特征数据，通过训练该特征数据以获取电网态势预测模型，之后对电网态势进行预测。
下面对江苏省苏州市某地区全年的电网实际运行数据与非电网运行数据进行特征提取，并将数据输入bp神经网络进行训练，获取电网态势预测模型。本文以此进行具体实施方式说明。
表2部分原始数据
根据表1内容，将天气、日照和环境语义信息转换为脆数，部分原始数据转换结果如表3所示：
表3部分原始语义信息转换结果
对数据进行归一化，部分数据归一化后的结果如表4所示：
表4部分原始数据归一化结果
采用lbp方法对归一化后的数据进行特征提取，为了保障特征提取的有效性，将电网运行数据和非电网运行数据分别进行特征提取。最终提取结果如表5所示：
表5数据特征提取结果
之后将所获取的特征数据以输入，以电网态势信息为输出对bp神经网络进行训练，最终经过20次迭代得到最终结果。经验证，所获取的模型准确率可达到90％以上，能够为电网调度人员提供支撑。
本文所提一种基于lbp和神经网络的电网运行特征感知方法及系统，可对电网数据和非电网数据进行精准的特征提取，并利用bp神经网络对特征数据进行训练，获取电网态势，为调度人员感知电网状态提供基础，保障电网的安全可靠运行。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
1.一种基于lbp和神经网络的电网态势感知方法，其特征在于，所述电网运行特征感知方法包括以下步骤：
步骤1：采集电网运行历史数据、非电网运行历史数据以及电网态势数据；所述电网运行历史数据包括平均电压、平均输送功率、电网报修率；所述非电网运行历史数据包括对应采集时刻的天气、日照、环境历史数据；所述电网态势数据是指电网故障情况和风险等级；
步骤2：将非电网运行历史数据以及对应历史日的电网态势分别通过语义信息进行表征，并将表征非电网运行历史数据范围和电网态势不同风险等级的语义信息分别转换为对应的一维数组即脆数；
步骤3：将采集到的电网运行数据与通过步骤2转换后的脆数分别进行归一化处理；
步骤4：对通过步骤3归一化后的电网运行数据与脆数进行特征提取得到电网运行的特征数据和非电网运行的特征数据，以数值的形式表达；
步骤5：将步骤4所提取的特征数据输入bp神经网络进行训练，获取电网态势预测模型；
步骤6：采集电网运行数据以及非电网运行历史数据，输入至经步骤5训练后的电网态势预测模型，进行电网态势预测。
2.根据权利要求1所述基于lbp和神经网络的电网运行特征感知方法，其特征在于：
在步骤1中，所采集的电网运行历史数据为日历史数据，所述报修率为电网当日的报修率，基于电网当日的报修率以及电网故障程度确定电网态势；
所述天气历史数据是指天气风速；
所述日照历史数据是指太阳辐射的强度；
所述环境历史数据具体指历史的空气污染指数；
将所述电网态势通过语义信息表征为无风险、低风险、中风险、高风险以及故障态五种情况；
将所述天气历史数据、日照历史数据、环境历史数据通过语义信息分别表征为很高、高、一般、低、很低五种情况。
3.根据权利要求2所述基于lbp和神经网络的电网运行特征感知方法，其特征在于：
所述天气历史数据的语义信息具体表征如下：
当v∈[0,3.4)，天气语义信息为“很低”；
当v∈[3.4,8.0)，天气语义信息为“低”；
当v∈[8.0,10.7)，天气语义信息为“一般”；
当v∈[10.8,13.8)，天气语义信息为“高”；
当v≥13.8，天气语义信息为“很高”；
其中，v为当日风速，单位为米/秒；
当r∈[8000,9000)，日照语义信息为“很低”；
当r∈[9000,10000)，日照语义信息为“低”；
当r∈[10000,11000)，日照语义信息为“一般”；
当r∈[11000,12000)，日照语义信息为“高”；
当r∈[12000,13000)，日照语义信息为“很高”；
其中，r为当日日照，单位为kjj/m2；
当k∈[151,300]，环境语义信息为“很低”；
当k∈[131,150]，环境语义信息为“低”；
当k∈[101,130]，环境语义信息为“一般”；
当k∈[51,100]，环境语义信息为“高”；
当k∈[0,50]，环境语义信息为“很高”；
其中，k为空气污染指数；
当电网不发生任何故障的时候定义电网态势为无风险；
当电网发生1处故障的时候且不导致停电，定义电网态势为低风险；
当电网发生1～3处故障的时候且不导致停电，定义电网态势为中风险；
当电网发生3处及以上故障且不导致电网停电，定义电网态势为高风险；
当电网发生3处及以上故障且导致电网停电，定义电网态势为故障态。
4.根据权利要求3所述基于lbp和神经网络的电网运行特征感知方法，其特征在于：
所述步骤2中，将天气、日照、环境历史数据对应的语义信息按照以下方式转换为一维数组即脆数：
很低：(0，0.1，0.2)，低：(0，0.3，0.5)，一般(m)：(0.5，0.7，0.9)，高：(0.75，0.85，0.95)，很高：(0.9，0.95，1.00)；
将电网态势的语义信息按照以下方式转换为一维数组即脆数：
电网态势为无风险：(0，0.1，0.2)，电网态势为低风险：(0，0.3，0.5)，电网态势为中风险：(0.5，0.7，0.9)，电网态势为高风险：(0.75，0.85，0.95)，电网态势为故障态：(0.9，0.95，1.00)。
5.根据权利要求2或4所述基于lbp和神经网络的电网运行特征感知方法，其特征在于：
所述步骤2中将转换后的脆数去模糊化，其具体转换方式如下所示：
其中
6.根据权利要求5所述基于lbp和神经网络的电网运行特征感知方法，其特征在于：
所述步骤3中需将所述去模糊化后的脆数进行归一化，其具体转换方式如下：
其中fi(t)为所述去模糊化后的脆数，
7.根据权利要求6所述基于lbp和神经网络的电网运行特征感知方法，其特征在于：
在所述步骤4中，将电网运行数据和非电网运行数据转化得到的脆数作为两个多维数组，分别通过以下公式对归一化后的数据进行特征提取：
其中，gc表示多维数据中每一层的中心点数据，gi表示围绕多维数据每一层中心点的数据，p表示围绕每一层多维数据中心点的数据总量，
8.根据权利要求1或7所述的基于lbp和神经网络的电网运行特征感知方法，其特征在于：
在所述步骤5中，通过bp神经网络对特征数据进行训练，输入层节点的输入量为所述特征数据，通过训练该特征数据以获取电网态势预测模型；对于所用bp神经网络，分为输入层、隐含层与输出层；输入层的数据为步骤4所提取的特征数据；隐含层节点j的值
9.根据权利要求8所述的基于lbp和神经网络的电网运行特征感知方法，其特征在于：
所述步骤5利用bp神经网络对特征数据进行训练，其已知电网态势与bp神经网络预测的电网态势的误差为er、联结权值的调整变量
其中，dr是已知电网态势，yr是由bp神经网络所预测的电网态势，η是增益因子，取[0,1]区间的一个正数。
10.根据权利要求1或9所述的基于lbp和神经网络的电网运行特征感知方法，其特征在于：所述步骤5利用bp神经网络对特征数据进行训练的迭代次数为20次。
11.一种基于lbp和神经网络的电网运行特征感知系统，包括数据采集模块、数据预处理模块、特征提取模块与电网态势预测模块，其特征在于：
所述数据采集模块采集电网运行历史数据以及非电网运行历史数据；所述电网运行历史数据包括平均电压、平均输送功率、电网报修率；所述非电网运行历史数据包括对应采集时刻的天气、日照、环境历史数据；
所述数据预处理模块将采集到非电网运行数据，包括天气、日照、环境历史数据以及对应历史日的电网态势分别通过语义信息进行表征，并将语义信息通过三角模糊数转换为脆数，并对电网运行数据以及非电网运行数据进行归一化处理；
所述特征提取模块采用lbp方法对归一化后的多维数据进行特征提取；
所述电网态势预测模块通过bp神经网络对特征数据进行训练，输入层节点的输入量为所述特征数据，通过训练该特征数据以获取电网态势预测模型，之后对电网态势进行预测。
技术总结