电网运行状态的预警方法及系统与流程

1.本技术涉及电力系统技术领域，具体涉及一种电网运行状态的预警方法及系统。


背景技术：

2.电力系统是现代社会不可或缺的基础设施，其主要负责输送和分配电能，用以保障人们的日常生活和各行各业的正常运转。然而，电力系统存在着各种潜在的故障和风险，如电力设备的故障、电网的过载和短路等，这些问题可能导致电力系统的不稳定和安全隐患。
3.传统的电力系统监测方法主要依赖于人工巡检和离线分析，无法实时地对电力系统进行监测和预警。同时，电力系统的数据量庞大且复杂，传统的数据处理方法往往无法有效地提取和利用其中的有用信息。
4.近年来，深度学习技术的快速发展为电力系统监测和预警提供了新的可能性，深度学习技术能够通过建立复杂的神经网络模型，从大规模的数据中学习和提取特征，并进行准确的预测和诊断。然而，传统的深度学习模型在处理电力系统数据时面临着一些挑战，如数据的高维和复杂性、数据的时序关系等问题。


技术实现要素：

5.本技术提供一种电网运行状态的预警方法及系统，以解决传统的深度学习模型在处理电力系统数据时存在数据的高维和复杂性、数据的时序关系的技术问题。
6.本技术提供一种电网运行状态的预警方法，包括：基于电网系统的初始数据建立数据库，初始数据包括电流、电压、功率以及频率中的至少一个；基于数据库获取初始特征以及始特征图，并输入注意力机制模块，注意力机制模块包括时间注意力机制模块以及特征注意力机制模块；利用特征注意力机制模块对初始特征图进行处理，并得到第一输出特征；利用时间注意力机制模块对当前层的初始特征进行处理，并得到第二输出特征；将第一输出特征与第二输出特征输入至多特征融合模块进行加权融合，并输出。
7.可选的，所述利用特征注意力机制模块对初始特征图进行处理，并得到第一输出特征的步骤，包括以下步骤：利用卷积对初始特征图进行降维处理，并对其进行线性变换；计算每个位置的特征权重；将每个位置的特征向量乘以对应的特征权重，并求和得到输出第一输出特征；其中，输入特征和输出特征的关系可以表示为：
8.，为输入的特征，，是线性变换矩阵，z表示输出特征值，i，j是特征的索引，表示特征的数量，c(x)是特征间的相似度，f（，）表示矩阵运算。
9.可选的，所述计算每个位置的特征权重的步骤，包括如下步骤：针对每一个位置，计算其与其他位置之间的相似性，并获得一相似性矩阵；针对相似性矩阵进行归一化处理，获得一归一化的相似性矩阵；针对归一化的相似性矩阵进行指数化和归一化处理，并获得每一个位置的特征权重。
10.可选的，所述利用时间注意力机制模块对当前层的初始特征进行处理，并得到第二输出特征的步骤，包括以下步骤：利用卷积对当前层的初始特征进行变换，以获取输入特征与输出特征之间的残差信息；
11.其中，x表示t时刻的输入特征，表示t+1时刻的特征，表示特征变换；将特征变换的输出与当前层的特征相加，获取当前层与下一层之间的特征融合结果；利用激活函数运算特征融合结果，并获取激活融合后的第二输出特征；其中，当前层与下一层的变换关系可以表示为:
12.表示特征变换，r为残差函数，relu为激活函数，表示残差函数中的第k个权重和偏置参数。
13.可选的，所述将第一输出特征与第二输出特征输入至多特征融合模块进行加权融合，并输出的步骤，包括以下步骤：将第一输出特征与第二输出特征输入至多特征融合模块进行加权融合；将融合后的特征展平成一维向量，并输入至全连接层进行特征学习，并输出。
14.可选的，所述基于电网系统的初始数据建立数据库的步骤，包括如下步骤：基于电网系统采集初始数据，初始数据包括电流、电压、功率以及频率中的至少一个；针对初始数据进行归一化处理；填补初始数据中的缺失值；对填补后的数据进行规范化处理；构建数据库。
15.可选的，所述针对初始数据进行归一化处理的步骤，包括以下步骤：计算初始数据的均值和标准差；针对每个初始数据进行标准化处理：x' = (x
ꢀ‑ꢀ
μ) / σ；使得标准化后的初始数据x'将具有均值为0和标准差为1的标准正态分布。
16.可选的，所述填补初始数据中的缺失值的步骤，包括以下步骤：检查初始数据集中的缺失值情况，确定缺失值的类型和分布；
计算所有初始数据x的均值x'填补缺失值位置：x' = mean(x)；填补初始数据中的缺失值。
17.相应的，本技术还提供一种电子设备，其包括存储器以及处理器，存储器用于存储可执行程序代码；处理器连接至所述存储器，通过读取所述可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以执行前述电网运行状态的预警方法的步骤。
18.相应的，本技术还提供一种电网运行状态的预警系统，其包括电子设备，所述电子设备为上述的电子设备。
19.本技术提供一种电网运行状态的预警方法及系统，通过时间特征注意力机制模块和特征注意力机制模块，系统可以知道哪些部分对电网的安全和稳定性具有更高的风险或重要性，从而能够更加集中地关注这些部分，提高预警和分析的准确性。由于采用了反馈机制，系统可以实时监测电网的状态和变化，并根据反馈信息调整关注度。这样可以使系统能够及时响应电网的变化，实时进行预警和分析，提高对电网问题的敏感度和响应速度。
20.多特征融合可以更全面地描述电网的状态和行为，提高仿真分析的准确性。减少特征依赖，通过多特征融合，系统可以减少模型对某个特征的依赖，增加对其他特征的利用。这样可以减少模型的过度依赖，降低过拟合的风险，提高系统的鲁棒性和可靠性。多特征融合可以使系统更好地理解电网的状态和行为，提高预测的精度和准确性。通过综合利用多个特征，系统可以更全面地分析电网的情况，减少误判和漏判的可能性。
附图说明
21.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1是本技术提供的电网运行状态的预警方法的流程示意图；图2是本技术提供的电网运行状态的预警方法中步骤s100的流程示意图；图3是本技术提供的电网运行状态的预警方法中步骤s300的流程示意图；图4是本技术提供的电网运行状态的预警方法中步骤s320的流程示意图；图5是本技术提供的电网运行状态的预警方法中步骤s400的流程示意图。
具体实施方式
23.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。此外，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本技术，并不用于限制本技术。在本技术中，在未作相反说明的情况下，使用的方位词如“上”、“下”、“左”、“右”通常是指装置实际使用或工作状态下的上、下、左和右，具体为附图中的图面方向。
24.本技术提供一种电网运行状态的预警方法及系统，以下分别进行详细说明。需要说明的是，以下实施例的描述顺序不作为对本技术实施例优选顺序的限定。且在以下实施
例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
25.请参阅图1，本技术提供一种电网运行状态的预警方法，其可以利用深度学习技术中的特征注意力模块与时间注意力模块进行多特征融合以实现对电网系统的实时数据进行分析和预测，提高电网系统的监测和预警能力。
26.请参阅图1-图5，一种电网运行状态的预警方法，具体包括以下步骤：s100、基于电网系统的初始数据建立数据库，初始数据包括电流、电压、功率以及频率中的至少一个；电网系统是现代社会不可或缺的基础设施，负责输送和分配电能，保障人们的日常生活和各行各业的正常运转。电网系统的数据量庞大且复杂，电网运行状态的预警方法通过提取电流、电压、功率以及频率等信息可以监测和预警电网系统存在的各种潜在的故障和风险，如电力设备的故障、电网的过载和短路等安全隐患。
27.上述步骤s100具体包括以下步骤：s110、基于电网系统采集初始数据，初始数据包括电流、电压、功率以及频率中的至少一个；s120、针对初始数据进行归一化处理；步骤s120具体包括以下步骤：s121、计算初始数据的均值和标准差；s122、针对每个初始数据进行标准化处理：x' = (x
ꢀ‑ꢀ
μ) / σ；使得标准化后的初始数据x'将具有均值为0和标准差为1的标准正态分布；s130、填补初始数据中的缺失值；步骤s130具体包括以下步骤：s131、检查初始数据集中的缺失值情况，确定缺失值的类型和分布；s132、计算所有初始数据x的均值x'填补缺失值位置：x' = mean(x)；s133、填补初始数据中的缺失值；s140、对填补后的数据进行规范化处理；s150、构建数据库；s200、基于数据库获取初始特征以及始特征图，并输入注意力机制模块，注意力机制模块包括时间注意力机制模块以及特征注意力机制模块；对初始特征进行卷积操作提取电网数据的初始特征图，并将初始特征以及始特征图输入注意力机制模块。注意力机制模块包括时间注意力机制模块以及特征注意力机制模块，由于采用了不同注意力机制模块，系统可以实时监测电网的状态和变化，并根据反馈信息调整关注度。这样可以使系统能够及时响应电网的变化，实时进行预警和分析，提高对电网问题的敏感度和响应速度。
28.s300、利用特征注意力机制模块对初始特征图进行处理，并得到第一输出特征；步骤s300具体包括以下步骤：s310、利用卷积对初始特征图进行降维处理，并对其进行线性变换；假设输入的初始特征图的矩阵大小为h
×w×
c，其中h为高度，w为宽度，c为通道数。首先通过3个1x1卷积将特征降维，之后通过reshape做线性转换，通过一个线性转换矩
阵对输入特征图进行线性变换。这个线性变换可以理解为将特征图中的每个位置的特征向量映射到一个新的特征向量空间。
29.s320、计算每个位置的特征权重；对于每个位置i，特征权重可以通过使用softmax函数计算所得，步骤s320具体包括以下步骤：s321、针对每一个位置，计算其与其他位置之间的相似性，并获得一相似性矩阵；对于每个位置i，计算其与其他位置之间的相似性，得到一个相似性矩阵s，其中s(i, j)表示位置i与位置j之间的相似性。
30.s322、针对相似性矩阵进行归一化处理，获得一归一化的相似性矩阵；对相似性矩阵s的每一行进行归一化，得到归一化的相似性矩阵s'。归一化的相似性矩阵可以通过以下公式计算： s'(i, j) = s(i, j) / sum(s(i, k))，其中sum表示对每一行的相似性进行求和。
31.s323、针对归一化的相似性矩阵进行指数化和归一化处理，并获得每一个位置的特征权重；对于每个位置i，计算其特征权重。特征权重可以通过对归一化的相似性矩阵进行指数化和归一化得到，常见的方式是使用softmax函数。特征权重的计算公式为： w(i) = exp(s'(i, j)) / sum(exp(s'(i, j)))，其中sum表示对每一行的特征权重进行求和。
32.s330、将每个位置的特征向量乘以对应的特征权重，并求和得到输出第一输出特征；对于特征注意力机制（fam）模块，输入特征和输出特征的关系可以表示为：
33.其中，，为输入的特征，，是线性变换矩阵，z表示输出特征值，i，j是特征的索引，表示特征的数量，c(x)是特征间的相似度，f（，）表示矩阵运算。
34.s400、利用时间注意力机制模块对当前层的初始特征进行处理，并得到第二输出特征；步骤s400具体包括以下步骤：s410、利用卷积对当前层的初始特征进行变换，以获取输入特征与输出特征之间的残差信息；对于时间注意力机制（tam）模块给定当前时刻t的输入特征x，对当前层的特征进行卷积变换，用于学习输入特征与输出特征之间的残差信息。
35.s420、将特征变换的输出与当前层的特征相加，获取当前层与下一层之间的特征融合结果；s430、利用激活函数运算特征融合结果，并获取激活融合后的第二输出特征；得到当前层与下一层之间的输出特征，作为下一层的输入特征。这样可以在时间维度上逐步学习和适应特征的变化，提高模型对时间序列数据的建模能力。
36.对于时间注意力机制模块，假设输入特征t时刻输入特征x与t+1时建立联系为：
37.那么：当前层与下一层的变换关系可以表示为:
38.其中，r为残差函数，relu为激活函数，表示残差函数中的第k个权重和偏置参数。
39.电网运行状态的预警方法可以根据电网的状态和变化，动态调整对不同部分的关注度。通过时间注意力机制模块和特征注意力机制模块，电网运行状态的预警方法可以知道哪些部分对电网的安全和稳定性具有更高的风险或重要性，从而能够更加集中地关注这些部分，提高预警和分析的准确性。由于采用了反馈机制，系统可以实时监测电网的状态和变化，并根据反馈信息调整关注度。这样可以使系统能够及时响应电网的变化，实时进行预警和分析，提高对电网问题的敏感度和响应速度。
40.s500、将第一输出特征与第二输出特征输入至多特征融合模块进行加权融合，并输出；为了充分利用不同特征的信息，我们提出了多特征融合技术，将经过时间注意力机制模块和特征注意力机制模块加权后的特征进行融合，融合技术可以采用加权平均、特征融合网络或其他合适的方法来实现。通过融合不同特征，能够更好地发现电网系统中的相关模式和规律，提高仿真分析和预警的准确性和鲁棒性。
41.步骤s500具体包括以下步骤：s510、将第一输出特征与第二输出特征输入至多特征融合模块进行加权融合；s520、将融合后的特征展平成一维向量，并输入至全连接层进行特征学习，并输出；在对电网进行实时仿真分析与预警时，使用融合后的特征作为输入，并根据训练数据的标签信息进行训练。通过优化系统的参数和损失函数，我们使预警系统能够准确地进行仿真分析和预警，通过持续的训练和更新，系统可以提高自身的准确度和鲁棒性，逐渐适应不同场景和变化条件下的实时仿真分析和预警需求。
42.多特征融合可以更全面地描述电网的状态和行为，提高仿真分析的准确性。同时系统可以减少模型对某个特征的依赖，增加对其他特征的利用，从而减少模型的过度依赖，降低过拟合的风险，提高系统的鲁棒性和可靠性。多特征融合可以使系统更好地理解电网的状态和行为，提高预测的精度和准确性。通过综合利用多个特征，系统可以更全面地分析电网的情况，减少误判和漏判的可能性。
43.基于实时仿真分析结果，系统可以自动识别电网中的异常情况和潜在风险，并提供相应的决策支持，这包括建立智能预警模型和决策规则库，提供针对不同问题的实时预警和应对建议。
44.本技术还提供一种电网运行状态的预警系统，其包括电子设备，上述电子设备包括存储器以及处理器，存储器用于存储可执行程序代码；处理器连接至所述存储器，通过读取所述可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以执行前述电网运行状态的预警方法的步骤。
45.电网运行状态的预警系统利用深度学习技术中的特征注意力模块与时间注意力模块进行多特征融合以实现对电力系统的实时数据进行分析和预测，提高电力系统的监测和预警能力。与传统的电力系统监测方法相比，本技术引入了不同注意力机制，通过动态调整特征的权重，可以更好地捕捉特征之间的关系和重要性，提高模型的表达能力和预测准确性。同时，本技术还利用多特征融合的方法，将不同的特征进行有效地融合，以得到更全面和综合的电力系统状态表示。
46.在实际应用中，电网运行状态的预警系统可以实时地对电力系统的运行状态进行预测和预警，及时发现潜在风险，并提供相应的预警信息。通过及时的预警信息，相关人员可以迅速采取措施，避免电网事故的发生，提高电网供电质量和可靠性。从而能够有效地提高电力系统的监测和预警能力，增强电网的稳定性和安全性，提高电网供电质量和可靠性。
47.以上对本技术提供一种电网运行状态的预警方法及系统进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。

技术特征：
1.电网运行状态的预警方法，其特征在于，包括：基于电网系统的初始数据建立数据库，初始数据包括电流、电压、功率以及频率中的至少一个；基于数据库获取初始特征以及始特征图，并输入注意力机制模块，注意力机制模块包括时间注意力机制模块以及特征注意力机制模块；利用特征注意力机制模块对初始特征图进行处理，并得到第一输出特征；利用时间注意力机制模块对当前层的初始特征进行处理，并得到第二输出特征；将第一输出特征与第二输出特征输入至多特征融合模块进行加权融合，并输出。2.根据权利要求1所述的电网运行状态的预警方法，其特征在于，所述利用特征注意力机制模块对初始特征图进行处理，并得到第一输出特征的步骤，包括以下步骤：利用卷积对初始特征图进行降维处理，并对其进行线性变换；计算每个位置的特征权重；将每个位置的特征向量乘以对应的特征权重，并求和得到输出第一输出特征；其中，输入特征和输出特征的关系可以表示为：；，为输入的特征，，是线性变换矩阵，z表示输出特征值，i，j是特征的索引，表示特征的数量，c(x)是特征间的相似度，f（，）表示矩阵运算。3.根据权利要求2所述的电网运行状态的预警方法，其特征在于，所述计算每个位置的特征权重的步骤，包括如下步骤：针对每一个位置，计算其与其他位置之间的相似性，并获得一相似性矩阵；针对相似性矩阵进行归一化处理，获得一归一化的相似性矩阵；针对归一化的相似性矩阵进行指数化和归一化处理，并获得每一个位置的特征权重。4.根据权利要求1所述的电网运行状态的预警方法，其特征在于，所述利用时间注意力机制模块对当前层的初始特征进行处理，并得到第二输出特征的步骤，包括以下步骤：利用卷积对当前层的初始特征进行变换，以获取输入特征与输出特征之间的残差信息；；其中，x表示t时刻的输入特征，表示t+1时刻的特征，表示特征变换；将特征变换的输出与当前层的特征相加，获取当前层与下一层之间的特征融合结果；利用激活函数运算特征融合结果，并获取激活融合后的第二输出特征；其中，当前层与下一层的变换关系可以表示为:；表示特征变换，r为残差函数，relu为激活函数，表示残差函数中的第k个权重和偏置参数。5.根据权利要求1所述的电网运行状态的预警方法，其特征在于，所述将第一输出特征
与第二输出特征输入至多特征融合模块进行加权融合，并输出的步骤，包括以下步骤：将第一输出特征与第二输出特征输入至多特征融合模块进行加权融合；将融合后的特征展平成一维向量，并输入至全连接层进行特征学习，并输出。6.根据权利要求1所述的电网运行状态的预警方法，其特征在于，所述基于电网系统的初始数据建立数据库的步骤，包括如下步骤：基于电网系统采集初始数据，初始数据包括电流、电压、功率以及频率中的至少一个；针对初始数据进行归一化处理；填补初始数据中的缺失值；对填补后的数据进行规范化处理；构建数据库。7.根据权利要求6所述的电网运行状态的预警方法，其特征在于，所述针对初始数据进行归一化处理的步骤，包括以下步骤：计算初始数据的均值和标准差；针对每个初始数据进行标准化处理：x' = (x
ꢀ‑ꢀ
μ) / σ；使得标准化后的初始数据x'将具有均值为0和标准差为1的标准正态分布。8.根据权利要求6所述的电网运行状态的预警方法，其特征在于，所述填补初始数据中的缺失值的步骤，包括以下步骤：检查初始数据集中的缺失值情况，确定缺失值的类型和分布；计算所有初始数据x的均值x'填补缺失值位置：x' = mean(x)；填补初始数据中的缺失值。9.一种电子设备，其特征在于，包括：存储器，用于存储可执行程序代码；以及处理器，连接至所述存储器，通过读取所述可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以执行如权利要求1-8中任一项所述的电网运行状态的预警方法的步骤。10.一种电网运行状态的预警系统，其特征在于，包括权利要求9所述的电子设备。

技术总结
本申请提供了电网运行状态的预警方法及系统，电网运行状态的预警方法，包括：基于电网系统的初始数据建立数据库，初始数据包括电流、电压、功率以及频率中的至少一个；基于数据库获取初始特征以及始特征图，并输入注意力机制模块，注意力机制模块包括时间注意力机制模块以及特征注意力机制模块；利用特征注意力机制模块对初始特征图进行处理，并得到第一输出特征；利用时间注意力机制模块对当前层的初始特征进行处理，并得到第二输出特征；将第一输出特征与第二输出特征输入至多特征融合模块进行加权融合，并输出。电网运行状态的预警方法用以解决传统的深度学习模型在处理电力系统数据时存在数据的高维和复杂性、数据的时序关系的技术问题。关系的技术问题。关系的技术问题。


技术研发人员：贠飞然
受保护的技术使用者：北京新亚盛创电气技术有限公司
技术研发日：2023.09.06
技术公布日：2023/10/15