基于大數(shù)據(jù)的能源互聯(lián)網(wǎng)能量管理系統(tǒng)
隨著電網(wǎng)數(shù)據(jù)規(guī)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(fā)了基于機器學習方法的能源互聯(lián)網(wǎng)能量管理系統(tǒng),主要功能為對電網(wǎng)的穩(wěn)定性進行預測和可視化。系 統(tǒng)分為訓練部分和預測部分。訓練部分通過歷史數(shù)據(jù)進行機器學習,建立一個電壓穩(wěn)定性的 分類器。分類器訓練完成后,再對新增的未知數(shù)據(jù)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(shù)據(jù)啟動階段和預測輸出 階段。本系統(tǒng)提出利用機器學習方法對電網(wǎng)電壓穩(wěn)定性進行預測,進一步綜合多個節(jié)點給出 電網(wǎng)態(tài)勢感知的評估結(jié)果。在訓練每一個節(jié)點分類器的時候,本系統(tǒng)將特征選取的時段和預 測時間節(jié)點拉開,形成一種延時的預測方法,本發(fā)明對復雜系統(tǒng)有著更好的還原效果。2 應用說明本系統(tǒng)實施電壓穩(wěn)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(wǎng)實時數(shù)據(jù),所述 實時數(shù)據(jù)包含電網(wǎng)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(shù) 據(jù)降維與壓縮;根據(jù)特定時刻電壓 U 是否恢 復到標準值的 0.8 倍來區(qū)分每組樣本組是否 穩(wěn)定,用 0 標記穩(wěn)定,用 1 標記不穩(wěn)定;步驟 3:選擇分類器,建立一個電壓穩(wěn) 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(shù)儲存起來;步驟 5:進入預測部分的數(shù)據(jù)啟動階段, 填充特征矩陣,沒有輸出;步驟 6:把多個節(jié)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(jù)分類器給出的預測結(jié)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(xù)給出預測結(jié)果;步驟 7:每隔一定時間間隔 ,要把新收集來的數(shù)據(jù)與以前的數(shù)據(jù)一起,重新回到步驟 4 訓練分類器,更新參數(shù)。在具體系統(tǒng)搭建過程中,我們充分利用現(xiàn)有機器學習平臺。其中 Hadoop 的文件管理系統(tǒng) HDFS 負責數(shù)據(jù)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(shù)。
清華大學
2021-04-11