基于大數據的能源互聯網能量管理系統
隨著電網數據規模越來越大,所蘊含的價值也越來越多。清華大學信研院研發了基于機器學習方法的能源互聯網能量管理系統,主要功能為對電網的穩定性進行預測和可視化。系 統分為訓練部分和預測部分。訓練部分通過歷史數據進行機器學習,建立一個電壓穩定性的 分類器。分類器訓練完成后,再對新增的未知數據進行預測。訓練部分主要分為特征提取、 類別標記、特征壓縮、分類器類型選擇。預測部分主要分為分類器數據啟動階段和預測輸出 階段。本系統提出利用機器學習方法對電網電壓穩定性進行預測,進一步綜合多個節點給出 電網態勢感知的評估結果。在訓練每一個節點分類器的時候,本系統將特征選取的時段和預 測時間節點拉開,形成一種延時的預測方法,本發明對復雜系統有著更好的還原效果。2 應用說明本系統實施電壓穩定性預測的具體步驟為:步驟 1:通過部署在關鍵測點的同步相角測量單元 PMU 采集電網實時數據,所述 實時數據包含電網中每個關鍵測點的電壓 U、 有功 P、無功 Q、電流 I;分別計算 U 的衍 生量 dU/dt,Q 的衍生量 dQ/dt,電壓的變化 量比上無功的變化量的衍生量 dU/dQ,用這 些衍生量作為特征,來表征量的時間變化速 率;步驟 2:對步驟 1 中提取的特征進行數 據降維與壓縮;根據特定時刻電壓 U 是否恢 復到標準值的 0.8 倍來區分每組樣本組是否 穩定,用 0 標記穩定,用 1 標記不穩定;步驟 3:選擇分類器,建立一個電壓穩 定性的分類器;步驟 4:訓練分類器;當分類器訓練完 成后,將訓練好的參數儲存起來;步驟 5:進入預測部分的數據啟動階段, 填充特征矩陣,沒有輸出;步驟 6:把多個節點的特征按照順序排列,形成特征矩陣;特征矩陣填充完成后, 根據分類器給出的預測結果;特征時段向前滑動,最初的特征被拋棄,新特征補充在隊尾, 分類器持續給出預測結果;步驟 7:每隔一定時間間隔 ,要把新收集來的數據與以前的數據一起,重新回到步驟 4 訓練分類器,更新參數。在具體系統搭建過程中,我們充分利用現有機器學習平臺。其中 Hadoop 的文件管理系統 HDFS 負責數據存儲;Spark 負責模型訓練;Storm 負責在線預測;Kafka 負責在 Storm 和Hadoop 之間傳遞更新后的模型參數。
清華大學
2021-04-11