清华大学科技成果——基于大数据的能源互联网能量管理系统

清华大学科技成果——基于大数据的能源互联网能

量管理系统

成果简介

随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。

应用说明

本系统实施电压稳定性预测的具体步骤为：

步骤1：通过部署在关键测点的同步相角测量单元PMU采集电网实时数据，所述实时数据包含电网中每个关键测点的电压U、有功P、无功Q、电流I；分别计算U的衍生量dU/dt，Q的衍生量dQ/dt，电压的变化量比上无功的变化量的衍生量dU/dQ，用这些衍生量作为特征，来表征量的时间变化速率；

步骤2：对步骤1中提取的特征进行数据降维与压缩；根据特定

时刻电压U是否恢复到标准值的0.8倍来区分每组样本组是否稳定，用0标记稳定，用1标记不稳定；

步骤3：选择分类器，建立一个电压稳定性的分类器；

步骤4：训练分类器；当分类器训练完成后，将训练好的参数储

存起来；

步骤5：进入预测部分的数据启动阶段，填充特征矩阵，没有输出；

步骤6：把多个节点的特征按照顺序排列，形成特征矩阵；特征矩阵填充完成后，根据分类器给出的预测结果；特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾，分类器持续给出预测结果；

步骤7：每隔一定时间间隔，要把新收集来的数据与以前的数据一起，重新回到步骤4训练分类器，更新参数。

在具体系统搭建过程中，我们充分利用现有机器学习平台。其中Hadoop的文件管理系统HDFS负责数据存储；Spark负责模型训练；Storm负责在线预测；Kafka负责在Storm和Hadoop之间传递更新后的模型参数。

效益分析通过对电网稳定性的准确预测，可以实现补偿措施措施的快速投切，减少经济损失。

合作方式技术转让、合作开发。

所属行业领域电子信息领域

本文来源：https://www.bwwdw.com/article/beol.html