本發明涉及電力系統安全裕度在線監測，具體涉及多層級脆弱性評估的電網安全裕度在線監測方法及系統。

背景技術：

1、在電力系統安全監測領域，相關技術已取得顯著進展，特別是在電網拓撲結構建模、安全裕度評估和在線監測方法等方面。傳統的電網安全評估方法多依賴于靜態分析，通過模擬各種運行場景來評估電網的穩定性。然而，這些方法往往忽略了電網的動態特性和長期運行數據中的潛在信息，導致評估結果可能不夠準確和全面。

2、傳統的電網安全裕度評估方法多基于單一層級，缺乏對不同電壓等級設備之間相互影響的考慮；且現有評估方法主要依賴靜態指標，難以反映電網動態特性；傳統方法未能有效構建多層級電網拓撲結構模型，從而無法精確計算節點重要度和層級間耦合度，這在復雜電網系統中尤為重要。

3、現有的安全裕度評估體系往往缺乏對動態響應特性的考量，無法全面反映電網在面臨突發情況時的脆弱性。

4、此外，盡管深度學習技術在許多領域得到了應用，但在電網安全裕度監測方面的應用尚不充分，尤其是在利用lstm模型捕捉電網運行數據中的長期依賴關系方面。因此，現有的技術難以實現對電網安全裕度的實時、精準監測和預警，這在一定程度上限制了電網的安全運行和風險管理。

技術實現思路

1、鑒于上述現有存在的問題，本發明旨在通過構建多層級電網拓撲結構模型，設計靜態和動態相結合的評估指標體系，利用深度學習算法實現安全裕度實時評估，并建立多層級協同的分級預警機制，提高電網安全運行水平。

2、為解決上述技術問題，提出了多層級脆弱性評估的電網安全裕度在線監測方法，包括，

3、基于110kv、35kv變電站和線路斷面構建多層級電網拓撲結構模型，計算節點重要度和層級間耦合度；設計靜態安全裕度和動態響應特性指標，構建綜合脆弱性評估體系；基于歷史運行數據訓練lstm深度學習模型；實時采集電網運行數據，進行標準化處理；利用訓練好的lstm深度學習模型評估當前安全裕度；根據預警分級機制判斷是否需要觸發預警，輸出評估結果和預警信息。

4、作為本發明所述的多層級脆弱性評估的電網安全裕度在線監測方法的一種優選方案，其中：所述構建多層級電網拓撲結構模型包括，考慮不同電壓等級的電網層級及電網層級間的相互作用，構建多層級電網拓撲結構模型包括狀態空間和動作空間；

5、所述狀態空間包括新能源出力、負荷需求、儲能狀態和電壓水平，具體如下：

6、st＝[pre(t),pl(t),e(t),v(t)]

7、其中，st為t時刻的系統狀態，pre(t)為t時刻的新能源出力，pl(t)為t時刻的負荷需求，e(t)為t時刻的儲能剩余容量，v(t)為t時刻的電壓水平；

8、所述動作空間包括常規機組的出力和儲能系統的充放電功率，具體如下：

9、at＝[pg(t),ps(t)]

10、其中，at為t時刻的控制動作，pg(t)為t時刻的常規機組出力，ps(t)為t時刻的儲能出力。

11、作為本發明所述的多層級脆弱性評估的電網安全裕度在線監測方法的一種優選方案，其中：所述計算節點重要度和層級間耦合度包括，通過節點的高度、介數中心度和聚類系數綜合評估節點重要度指標，基于構建的多層級電網拓撲結構模型，設定電網g＝(v,e)，其中，v為節點集合，e為邊集合；

12、定義層級集合l＝{l1,l2,l3}，分別對應110kv、35kv和關鍵斷面層級，節點重要度指標具體為：

13、iv＝w1dv+w2bv+w3cv

14、其中，iv為節點v的重要度指標，dv為節點度，表示與節點v直接相連的邊的數量；bv為介數中心度，表示節點在網絡中作為剩余節點之間最短路徑的中介的頻率；cv為聚類系數，表示節點的鄰居節點之間相互連接的程度；w1、w2、w3為權重系數，用于調整不同指標在重要度評估中的影響程度；

15、通過計算不同層級節點之間的關聯強度得到層級間耦合度：

16、

17、其中，cij為層級i和j之間的耦合度，vi、vj分別為層級i和j的節點集合，αkl為節點k和l之間的關聯強度，表示兩個節點之間的相互影響程度。

18、作為本發明所述的多層級脆弱性評估的電網安全裕度在線監測方法的一種優選方案，其中：所述綜合脆弱性評估體系包括靜態安全裕度指標和動態響應特性指標；

19、所述靜態安全裕度指標包括評估系統在不同設備和節點上的安全裕度，具體為：

20、

21、其中，ss為靜態安全裕度，pmax為設備額定容量，p為實際負載；

22、所述動態響應特性指標包括響應時間、穩定時間和可靠性，具體為：

23、sd＝w1tresp+w2tstab+w3trel

24、其中，sd為動態響應特性指標，tresp為響應時間，即系統檢測到擾動并開始響應所需的時間；tstab為穩定時間，即系統在擾動后恢復到穩定狀態所需的時間；trel為可靠性指標，反映系統在面對擾動時保持正常運行的能力；

25、將靜態安全裕度指標和動態響應特性指標結合得到綜合脆弱性指標，全面評估電力系統的脆弱性，具體為：

26、v＝λss+(1-λ)sd

27、其中，v為綜合脆弱性指標，λ為權重系數，用于平衡靜態安全裕度和動態響應特性在綜合脆弱性評估中的重要性。

28、作為本發明所述的多層級脆弱性評估的電網安全裕度在線監測方法的一種優選方案，其中：所述lstm深度學習模型包括，通過lstm深度學習模型捕捉電力系統運行數據中的長期依賴關系，分別進行更新隱層狀態、記憶單元狀態和輸出：

29、ht＝σ(wh*[ht-1,xt]+bh)

30、ct＝ft⊙ct-1+it⊙gt

31、yt＝ot⊙tanh(ct)

32、其中，ht為時間t的隱層狀態包含時間t之前所有的信息，ct為時間t的記憶單元狀態，允許lstm網絡記住長期的依賴關系；xt為時間t的輸入序列包含時間t的電網運行數據，wh為權重矩陣，用于決定隱層狀態和輸入數據如何影響新的隱層狀態和記憶單元狀態；bh為偏置項，提供隱層狀態和記憶單元狀態的更新的基準，ft、it、ot分別為遺忘門、輸入門和輸出門，控制記憶單元內容的更新和輸出的生成；⊙表示按元素相乘，允許模型在更新記憶單元狀態時考慮不同信息的重要性。

33、作為本發明所述的多層級脆弱性評估的電網安全裕度在線監測方法的一種優選方案，其中：所述評估當前安全裕度包括，通過在線監測系統實時采集電網運行數據包括電壓、電流、有功功率、無功功率，對電網運行數據進行標準化處理：

34、

35、其中，x′為標準化后數據，μ為均值，σ為標準差；

36、基于訓練好的lstm深度學習模型，對標準化處理后的電網運行數據評估電網的安全裕度：

37、m＝flstm(x')

38、其中，m為安全裕度評估結果，flstm為訓練好的lstm深度學習模型。

39、作為本發明所述的多層級脆弱性評估的電網安全裕度在線監測方法的一種優選方案，其中：所述預警分級機制包括，設置三級預警閾值：

40、w＝{w1,w2,w3|w1＞w2＞w3}

41、其中，w1,w2,w分別為一級、二級、三級預警，閾值確定安全裕度評估結果的嚴重程度，并采取對應的預警措施。

42、本發明的另外一個目的是提供了多層級脆弱性評估的電網安全裕度在線監測系統，本發明實現對電網安全裕度的在線監測，及時發現電網運行中的潛在風險；通過多層級脆弱性評估，全面考慮電網的結構特性和動態響應特性，提高評估的準確性和全面性；利用深度學習技術處理電網運行的復雜數據，提升監測系統的智能水平和預測能力；根據電網的實際運行狀態，動態調整預警級別，為電網的安全穩定運行提供決策支持。

43、作為本發明所述的多層級脆弱性評估的電網安全裕度在線監測系統的一種優選方案，其特征在于，包括電網拓撲結構構建模塊、脆弱性評估體系構建模塊、lstm深度學習模型訓練模塊、數據采集與預處理模塊、安全裕度評估模塊、預警分級機制模塊；

44、所述電網拓撲結構構建模塊，構建基于110kv、35kv變電站和線路斷面的多層級電網拓撲結構模型，并計算節點重要度和層級間耦合度，為后續的脆弱性評估提供電網結構的基礎數據和層級間的相互關系；

45、所述脆弱性評估體系構建模塊，設計靜態安全裕度和動態響應特性指標，構建綜合脆弱性評估體系，為lstm深度學習模型提供訓練目標和評估標準；

46、所述lstm深度學習模型訓練模塊，基于歷史運行數據訓練lstm深度學習模型，捕捉電網運行數據中的長期依賴關系，輸出訓練好的模型，供預警分級機制模塊使用；

47、所述數據采集與預處理模塊，實時采集電網運行數據并進行標準化處理，為lstm模型提供實時數據輸入；

48、所述安全裕度評估模塊，接收預處理后的數據，利用訓練好的lstm模型評估當前電網的安全裕度，輸出安全裕度評估結果；

49、所述預警分級機制模塊，接收安全裕度評估結果，根據預警分級閾值判斷是否觸發預警，并輸出評估結果和預警信息并執行預警措施。

50、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現所述的多層級脆弱性評估的電網安全裕度在線監測方法的步驟。

51、一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現所述的多層級脆弱性評估的電網安全裕度在線監測方法的步驟。

52、本發明的有益效果：本發明通過構建多層級電網拓撲結構模型并計算節點重要度與層級間耦合度，本發明實現了對電網關鍵節點和層級間相互依賴關系的詳細描述與量化評估，這不僅有助于識別電網中的薄弱環節，還能提前采取預防措施，提高電網的整體安全性和可靠性。同時，設計靜態安全裕度和動態響應特性指標，并結合lstm深度學習模型對電網運行數據進行分析，本發明實現了對電網安全裕度的實時監測和精準預測，從而為電網調度和運維提供了科學依據。這些方法的綜合運用，確保了電網在面對各種運行條件時能夠及時響應，有效預防潛在風險，保障了電網的穩定運行和供電安全。

53、進一步地，本發明通過實時采集電網運行數據并進行標準化處理，利用訓練好的lstm模型評估當前安全裕度，并根據預警分級機制輸出評估結果和預警信息，實現了對電網安全狀態的分級監控和預警。這一機制不僅提高了對電網安全事件的響應速度，還使得電網管理人員能夠根據風險嚴重程度采取相應的預警措施，從而顯著提升了電網的風險管理水平，確保了電網在面臨緊急情況時能夠迅速有效地采取措施，維護了電網的穩定性和供電連續性。