本發(fā)明涉及智能電網(wǎng)領(lǐng)域，具體而言，涉及一種基于神經(jīng)網(wǎng)絡(luò)的運行狀態(tài)評估方法及裝置、電子設(shè)備。

背景技術(shù)：

1、隨著光伏發(fā)電技術(shù)的快速發(fā)展和應(yīng)用，分布式光伏并網(wǎng)發(fā)電已經(jīng)成為一種重要的發(fā)電方式，分布式光伏并網(wǎng)系統(tǒng)具有多個光伏發(fā)電單元分布在不同位置，并通過并網(wǎng)方式運行，具有靈活性高、可靠性強(qiáng)、環(huán)保等優(yōu)點。然而，分布式光伏并網(wǎng)系統(tǒng)的運行特性受到多種因素的影響，如天氣變化、光伏組件質(zhì)量、系統(tǒng)配置等，因此需要對其運行特性進(jìn)行評估研究。分布式光伏并網(wǎng)后，向配電系統(tǒng)注入電能會改變其潮流分布，導(dǎo)致線路負(fù)荷節(jié)點電壓升高，造成電壓偏差。由于分布式光伏還會受外部環(huán)境和調(diào)度需求的影響，其功率輸出不穩(wěn)定，可能導(dǎo)致節(jié)點電壓波動、電壓瞬時下降、電壓閃變、諧波畸變和三相不平衡等問題。分布式光伏并網(wǎng)系統(tǒng)的運行特性評估研究可以幫助優(yōu)化系統(tǒng)設(shè)計、提高系統(tǒng)效率、降低系統(tǒng)成本，從而促進(jìn)分布式光伏并網(wǎng)技術(shù)的發(fā)展和應(yīng)用。

2、相關(guān)技術(shù)中，對于基于神經(jīng)網(wǎng)絡(luò)的運行狀態(tài)評估常常采用數(shù)學(xué)方法，數(shù)學(xué)方法包括模糊評價法、逼近理想解排序法、灰色關(guān)聯(lián)分析法以及秩和比法等，其中，模糊狀態(tài)評價方法是一種基于隸屬度理論的評價方法，該方法利用隸屬度函數(shù)對運行狀態(tài)進(jìn)行量化處理，考慮了隸屬度的不確定性并對其進(jìn)行精確化處理，但卻忽略了隨機(jī)性因素的影響。逼近理想解排序法通過函數(shù)曲線的方式來展示待評價狀態(tài)與理想狀態(tài)之間的整體相似度，然而，該方法無法很好地反映各指標(biāo)變化趨勢與整體狀態(tài)之間的關(guān)聯(lián)?；疑P(guān)聯(lián)分析法通過對比系統(tǒng)各指標(biāo)與理想系統(tǒng)發(fā)展趨勢的關(guān)聯(lián)度來判斷系統(tǒng)的運行狀態(tài)，可以改善由于信息不對稱產(chǎn)生的誤差，很好地說明各指標(biāo)變化趨勢與整體狀態(tài)之間的聯(lián)系，然而，由于最優(yōu)值的主觀性較強(qiáng)，在系統(tǒng)方案的整體評判上存在一定缺陷；秩和比法將參數(shù)和非參數(shù)評價方法結(jié)合在一起，無論是針對相對指標(biāo)還是絕對指標(biāo)，計算出的秩和比都在0到1的范圍內(nèi)，簡單易操作且結(jié)果清晰明了，該方法不受指標(biāo)數(shù)據(jù)分布特性的限制，通過比較秩和比的大小來評估光伏電站的綜合性能。數(shù)學(xué)方法使用清晰的語言描述推理過程，不需要大量歷史數(shù)據(jù)，但過于依賴運維專家的主觀經(jīng)驗來評估，導(dǎo)致評估結(jié)果準(zhǔn)確率較低。

3、針對上述的問題，目前尚未提出有效的解決方案。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供了一種基于神經(jīng)網(wǎng)絡(luò)的運行狀態(tài)評估方法及裝置、電子設(shè)備，以至少解決相關(guān)技術(shù)中，基于數(shù)學(xué)方法對光伏系統(tǒng)的運行狀態(tài)進(jìn)行評估的方式，評估結(jié)果的準(zhǔn)確率較低的技術(shù)問題。

2、根據(jù)本發(fā)明實施例的一個方面，提供了一種基于神經(jīng)網(wǎng)絡(luò)的運行狀態(tài)評估方法，包括：基于預(yù)設(shè)的并網(wǎng)安全運行指標(biāo)體系從分布式光伏并網(wǎng)系統(tǒng)采集狀態(tài)指標(biāo)數(shù)據(jù)集合；對所述狀態(tài)指標(biāo)數(shù)據(jù)集合中的狀態(tài)指標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的狀態(tài)指標(biāo)數(shù)據(jù)集合；基于預(yù)處理后的所述狀態(tài)指標(biāo)數(shù)據(jù)集合構(gòu)建狀態(tài)指標(biāo)向量，并獲取狀態(tài)指標(biāo)的權(quán)重向量；將所述狀態(tài)指標(biāo)向量和所述權(quán)重向量輸入至神經(jīng)網(wǎng)絡(luò)模型，輸出所述分布式光伏并網(wǎng)系統(tǒng)的風(fēng)險等級，其中，所述神經(jīng)網(wǎng)絡(luò)模型為預(yù)先訓(xùn)練得到的用于對分布式光伏并網(wǎng)系統(tǒng)的運行風(fēng)險進(jìn)行評估的模型，所述神經(jīng)網(wǎng)絡(luò)模型至少由自注意力網(wǎng)絡(luò)、時域卷積網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)構(gòu)成；基于所述風(fēng)險等級生成所述分布式光伏并網(wǎng)系統(tǒng)的運行狀態(tài)評估結(jié)果。

3、可選地，將所述狀態(tài)指標(biāo)向量和所述權(quán)重向量輸入至神經(jīng)網(wǎng)絡(luò)模型，輸出所述分布式光伏并網(wǎng)系統(tǒng)的風(fēng)險等級的步驟包括：基于所述神經(jīng)網(wǎng)絡(luò)模型的輸入層將所述狀態(tài)指標(biāo)向量和所述權(quán)重向量輸入至所述神經(jīng)網(wǎng)絡(luò)模型；基于所述神經(jīng)網(wǎng)絡(luò)模型的自注意力網(wǎng)絡(luò)輸出權(quán)重特征向量；將所述權(quán)重特征向量作為所述神經(jīng)網(wǎng)絡(luò)模型的時域卷積網(wǎng)絡(luò)的輸入數(shù)據(jù)，基于所述時域卷積網(wǎng)絡(luò)輸出時序特征向量；將所述時序特征向量作為所述神經(jīng)網(wǎng)絡(luò)模型的長短期記憶網(wǎng)絡(luò)的輸入數(shù)據(jù)，基于所述長短期記憶網(wǎng)絡(luò)輸出所述分布式光伏并網(wǎng)系統(tǒng)的風(fēng)險等級。

4、可選地，在基于預(yù)設(shè)的并網(wǎng)安全運行指標(biāo)體系從分布式光伏并網(wǎng)系統(tǒng)采集狀態(tài)指標(biāo)數(shù)據(jù)集合之前，還包括：為所述并網(wǎng)安全運行指標(biāo)體系中的狀態(tài)指標(biāo)進(jìn)行重要度賦值，得到每兩個狀態(tài)指標(biāo)之間的相對重要值；基于所述相對重要值構(gòu)建判斷矩陣；計算所述判斷矩陣的特征值和特征向量；基于所述特征值進(jìn)行一致性校驗，得到校驗結(jié)果，在所述校驗結(jié)果指示所述判斷矩陣通過校驗的情況下，將所述特征向量作為所述狀態(tài)指標(biāo)的權(quán)重向量。

5、可選地，在基于預(yù)設(shè)的并網(wǎng)安全運行指標(biāo)體系從分布式光伏并網(wǎng)系統(tǒng)采集狀態(tài)指標(biāo)數(shù)據(jù)集合之前，還包括：選取用于評估所述分布式光伏并網(wǎng)系統(tǒng)運行狀態(tài)的電能質(zhì)量指標(biāo)，其中，所述電能質(zhì)量指標(biāo)包括下述至少之一：電壓偏差、電壓閃變、電壓波動、三相不平衡度、頻率偏差、諧波含量；選取用于評估所述分布式光伏并網(wǎng)系統(tǒng)運行狀態(tài)的電能指標(biāo)，其中，所述電能指標(biāo)包括下述至少之一：功率因數(shù)、發(fā)電效率、有功功率變化率；選取用于評估所述分布式光伏并網(wǎng)系統(tǒng)運行狀態(tài)的環(huán)境指標(biāo)，其中，所述環(huán)境指標(biāo)包括下述至少之一：環(huán)境溫度、光照強(qiáng)度；基于所述電能質(zhì)量指標(biāo)、所述電能指標(biāo)和所述環(huán)境指標(biāo)構(gòu)建所述并網(wǎng)安全運行指標(biāo)體系。

6、可選地，對所述狀態(tài)指標(biāo)數(shù)據(jù)集合中的狀態(tài)指標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理的步驟包括：遍歷所述狀態(tài)指標(biāo)數(shù)據(jù)，對所述狀態(tài)指標(biāo)數(shù)據(jù)中的異常值進(jìn)行刪除；建立插值函數(shù)，對所述狀態(tài)指標(biāo)數(shù)據(jù)中的缺失值進(jìn)行補(bǔ)全。

7、可選地，所述神經(jīng)網(wǎng)絡(luò)模型是預(yù)先訓(xùn)練得到的，訓(xùn)練所述神經(jīng)網(wǎng)絡(luò)模型的步驟包括：基于分布式光伏并網(wǎng)系統(tǒng)仿真模型采集n個仿真狀態(tài)指標(biāo)數(shù)據(jù)集合，其中，n為正整數(shù)；為每個所述仿真狀態(tài)指標(biāo)數(shù)據(jù)集合配置運行狀態(tài)標(biāo)簽；基于所述仿真狀態(tài)指標(biāo)數(shù)據(jù)集合和所述運行狀態(tài)標(biāo)簽構(gòu)建樣本集，并基于預(yù)設(shè)的劃分比例對所述樣本集進(jìn)行劃分，得到訓(xùn)練集和測試集；搭建初始的神經(jīng)網(wǎng)絡(luò)模型；基于所述訓(xùn)練集對所述初始的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型；基于所述測試集對訓(xùn)練后的所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試，得到測試結(jié)果，在所述測試結(jié)果指示所述神經(jīng)網(wǎng)絡(luò)模型通過測試的情況下，得到訓(xùn)練完成的所述神經(jīng)網(wǎng)絡(luò)模型。

8、可選地，基于分布式光伏并網(wǎng)系統(tǒng)仿真模型采集n個仿真狀態(tài)指標(biāo)數(shù)據(jù)集合的步驟包括：搭建所述分布式光伏并網(wǎng)系統(tǒng)仿真模型；基于所述并網(wǎng)安全運行指標(biāo)體系中的狀態(tài)指標(biāo)在所述分布式光伏并網(wǎng)系統(tǒng)仿真模型中模擬m個運行狀態(tài)，其中，m為正整數(shù)；采集各種運行狀態(tài)下所述分布式光伏并網(wǎng)系統(tǒng)仿真模型的多個所述仿真狀態(tài)指標(biāo)數(shù)據(jù)集合，得到n個所述仿真狀態(tài)指標(biāo)數(shù)據(jù)集合。

9、根據(jù)本發(fā)明實施例的另一方面，還提供了一種基于神經(jīng)網(wǎng)絡(luò)的運行狀態(tài)評估裝置，包括：采集單元，用于基于預(yù)設(shè)的并網(wǎng)安全運行指標(biāo)體系從分布式光伏并網(wǎng)系統(tǒng)采集狀態(tài)指標(biāo)數(shù)據(jù)集合；處理單元，用于對所述狀態(tài)指標(biāo)數(shù)據(jù)集合中的狀態(tài)指標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的狀態(tài)指標(biāo)數(shù)據(jù)集合；構(gòu)建單元，用于基于預(yù)處理后的所述狀態(tài)指標(biāo)數(shù)據(jù)集合構(gòu)建狀態(tài)指標(biāo)向量，并獲取狀態(tài)指標(biāo)的權(quán)重向量；輸出單元，用于將所述狀態(tài)指標(biāo)向量和所述權(quán)重向量輸入至神經(jīng)網(wǎng)絡(luò)模型，輸出所述分布式光伏并網(wǎng)系統(tǒng)的風(fēng)險等級，其中，所述神經(jīng)網(wǎng)絡(luò)模型為預(yù)先訓(xùn)練得到的用于對分布式光伏并網(wǎng)系統(tǒng)的運行風(fēng)險進(jìn)行評估的模型，所述神經(jīng)網(wǎng)絡(luò)模型至少由自注意力網(wǎng)絡(luò)、時域卷積網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)構(gòu)成；生成單元，用于基于所述風(fēng)險等級生成所述分布式光伏并網(wǎng)系統(tǒng)的運行狀態(tài)評估結(jié)果。

10、可選地，所述輸出單元包括：第一輸入模塊，用于基于所述神經(jīng)網(wǎng)絡(luò)模型的輸入層將所述狀態(tài)指標(biāo)向量和所述權(quán)重向量輸入至所述神經(jīng)網(wǎng)絡(luò)模型；第一輸出模塊，用于基于所述神經(jīng)網(wǎng)絡(luò)模型的自注意力網(wǎng)絡(luò)輸出權(quán)重特征向量；第二輸出模塊，用于將所述權(quán)重特征向量作為所述神經(jīng)網(wǎng)絡(luò)模型的時域卷積網(wǎng)絡(luò)的輸入數(shù)據(jù)，基于所述時域卷積網(wǎng)絡(luò)輸出時序特征向量；第三輸出模塊，用于將所述時序特征向量作為所述神經(jīng)網(wǎng)絡(luò)模型的長短期記憶網(wǎng)絡(luò)的輸入數(shù)據(jù)，基于所述長短期記憶網(wǎng)絡(luò)輸出所述分布式光伏并網(wǎng)系統(tǒng)的風(fēng)險等級。

11、可選地，所述基于神經(jīng)網(wǎng)絡(luò)的運行狀態(tài)評估裝置還包括：第一賦值模塊，用于為所述并網(wǎng)安全運行指標(biāo)體系中的狀態(tài)指標(biāo)進(jìn)行重要度賦值，得到每兩個狀態(tài)指標(biāo)之間的相對重要值；第一構(gòu)建模塊，用于基于所述相對重要值構(gòu)建判斷矩陣；第一計算模塊，用于計算所述判斷矩陣的特征值和特征向量；第一校驗?zāi)K，用于基于所述特征值進(jìn)行一致性校驗，得到校驗結(jié)果，在所述校驗結(jié)果指示所述判斷矩陣通過校驗的情況下，將所述特征向量作為所述狀態(tài)指標(biāo)的權(quán)重向量。

12、可選地，所述基于神經(jīng)網(wǎng)絡(luò)的運行狀態(tài)評估裝置還包括：第一選取模塊，用于選取用于評估所述分布式光伏并網(wǎng)系統(tǒng)運行狀態(tài)的電能質(zhì)量指標(biāo)，其中，所述電能質(zhì)量指標(biāo)包括下述至少之一：電壓偏差、電壓閃變、電壓波動、三相不平衡度、頻率偏差、諧波含量；第二選取模塊，用于選取用于評估所述分布式光伏并網(wǎng)系統(tǒng)運行狀態(tài)的電能指標(biāo)，其中，所述電能指標(biāo)包括下述至少之一：功率因數(shù)、發(fā)電效率、有功功率變化率；第三選取模塊，用于選取用于評估所述分布式光伏并網(wǎng)系統(tǒng)運行狀態(tài)的環(huán)境指標(biāo)，其中，所述環(huán)境指標(biāo)包括下述至少之一：環(huán)境溫度、光照強(qiáng)度；第二構(gòu)建模塊，用于基于所述電能質(zhì)量指標(biāo)、所述電能指標(biāo)和所述環(huán)境指標(biāo)構(gòu)建所述并網(wǎng)安全運行指標(biāo)體系。

13、可選地，所述處理單元包括：第一刪除模塊，用于遍歷所述狀態(tài)指標(biāo)數(shù)據(jù)，對所述狀態(tài)指標(biāo)數(shù)據(jù)中的異常值進(jìn)行刪除；第一補(bǔ)全模塊，用于建立插值函數(shù)，對所述狀態(tài)指標(biāo)數(shù)據(jù)中的缺失值進(jìn)行補(bǔ)全。

14、可選地，所述基于神經(jīng)網(wǎng)絡(luò)的運行狀態(tài)評估裝置還包括：第一采集模塊，用于基于分布式光伏并網(wǎng)系統(tǒng)仿真模型采集n個仿真狀態(tài)指標(biāo)數(shù)據(jù)集合，其中，n為正整數(shù)；第一配置模塊，用于為每個所述仿真狀態(tài)指標(biāo)數(shù)據(jù)集合配置運行狀態(tài)標(biāo)簽；第三構(gòu)建模塊，用于基于所述仿真狀態(tài)指標(biāo)數(shù)據(jù)集合和所述運行狀態(tài)標(biāo)簽構(gòu)建樣本集，并基于預(yù)設(shè)的劃分比例對所述樣本集進(jìn)行劃分，得到訓(xùn)練集和測試集；第一搭建模塊，用于搭建初始的神經(jīng)網(wǎng)絡(luò)模型；第一訓(xùn)練模塊，用于基于所述訓(xùn)練集對所述初始的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型；第一測試模塊，用于基于所述測試集對訓(xùn)練后的所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試，得到測試結(jié)果，在所述測試結(jié)果指示所述神經(jīng)網(wǎng)絡(luò)模型通過測試的情況下，得到訓(xùn)練完成的所述神經(jīng)網(wǎng)絡(luò)模型。

15、可選地，所述第一采集模塊包括：第一搭建子模塊，用于搭建所述分布式光伏并網(wǎng)系統(tǒng)仿真模型；第一模擬子模塊，用于基于所述并網(wǎng)安全運行指標(biāo)體系中的狀態(tài)指標(biāo)在所述分布式光伏并網(wǎng)系統(tǒng)仿真模型中模擬m個運行狀態(tài)，其中，m為正整數(shù)；第一采集子模塊，用于采集各種運行狀態(tài)下所述分布式光伏并網(wǎng)系統(tǒng)仿真模型的多個所述仿真狀態(tài)指標(biāo)數(shù)據(jù)集合，得到n個所述仿真狀態(tài)指標(biāo)數(shù)據(jù)集合。

16、根據(jù)本發(fā)明實施例的另一方面，還提供了一種電子設(shè)備，所述計算機(jī)可讀存儲介質(zhì)包括存儲的計算機(jī)程序，其中，在所述計算機(jī)程序運行時控制所述計算機(jī)可讀存儲介質(zhì)所在設(shè)備執(zhí)行上述任意一項基于神經(jīng)網(wǎng)絡(luò)的運行狀態(tài)評估方法。

17、根據(jù)本發(fā)明實施例的另一方面，還提供了一種計算機(jī)程序產(chǎn)品，包括一個或多個處理器和存儲器，所述存儲器用于存儲一個或多個程序，其中，當(dāng)所述一個或多個程序被所述一個或多個處理器執(zhí)行時，使得所述一個或多個處理器實現(xiàn)上述任意一項所述的基于神經(jīng)網(wǎng)絡(luò)的運行狀態(tài)評估方法。

18、在本技術(shù)中，通過以下步驟：先基于預(yù)設(shè)的并網(wǎng)安全運行指標(biāo)體系從分布式光伏并網(wǎng)系統(tǒng)采集狀態(tài)指標(biāo)數(shù)據(jù)集合，再對狀態(tài)指標(biāo)數(shù)據(jù)集合中的狀態(tài)指標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的狀態(tài)指標(biāo)數(shù)據(jù)集合，然后基于預(yù)處理后的狀態(tài)指標(biāo)數(shù)據(jù)集合構(gòu)建狀態(tài)指標(biāo)向量，并獲取狀態(tài)指標(biāo)的權(quán)重向量，并將狀態(tài)指標(biāo)向量和權(quán)重向量輸入至神經(jīng)網(wǎng)絡(luò)模型，輸出分布式光伏并網(wǎng)系統(tǒng)的風(fēng)險等級，其中，神經(jīng)網(wǎng)絡(luò)模型為預(yù)先訓(xùn)練得到的用于對分布式光伏并網(wǎng)系統(tǒng)的運行風(fēng)險進(jìn)行評估的模型，神經(jīng)網(wǎng)絡(luò)模型至少由自注意力網(wǎng)絡(luò)、時域卷積網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)構(gòu)成，最后基于風(fēng)險等級生成分布式光伏并網(wǎng)系統(tǒng)的運行狀態(tài)評估結(jié)果。

19、在本技術(shù)中，基于并網(wǎng)安全運行指標(biāo)體系從待評估的分布式光伏并網(wǎng)系統(tǒng)中采集多維度的指標(biāo)數(shù)據(jù)，為狀態(tài)分析提供了多維度的評估標(biāo)準(zhǔn)，然后基于指標(biāo)向量和預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型對狀態(tài)指標(biāo)數(shù)據(jù)進(jìn)行分析，獲取分布式光伏并網(wǎng)系統(tǒng)的風(fēng)險等級，進(jìn)而得到分布式光伏并網(wǎng)系統(tǒng)的運行狀態(tài)，基于神經(jīng)網(wǎng)絡(luò)模型中的多層神經(jīng)網(wǎng)絡(luò)的分析，可以深度挖掘數(shù)據(jù)中的特征，并基于為各特征配置的權(quán)重值標(biāo)記各特征的重要程度，從而提升狀態(tài)評估的準(zhǔn)確性，進(jìn)而解決了相關(guān)技術(shù)中，基于數(shù)學(xué)方法對光伏系統(tǒng)的運行狀態(tài)進(jìn)行評估的方式，評估結(jié)果的準(zhǔn)確率較低的技術(shù)問題。