一种电网时空动态特性智能认知算法库引擎的构建方法与流程

1.本发明涉及电网智能分析与计算技术领域，并且更具体地，涉及一种电网时空动态特性智能认知算法库引擎的构建方法。


背景技术：

2.随着我国交直流混联电网规模的不断扩大，电力电子设备和新能源大量接入，导致电网动态特性日趋复杂、安全稳定运行风险日益增加，客观上要求更具时效性的大电网在线安全分析。近年来，大数据、人工智能等先进技术高速发展以及广域测量系统(wi de area measurement system，wams)在电网信息采集与监控的广泛应用，为大电网实时分析提供了技术与数据支撑。
3.电网时空动态特性智能认知算法是实现电网在线安全分析的核心。随着大电网在线安全分析对时效性的要求日益增大以及数据量的激增，亟需海量信息驱动的电网时空动态特性智能认知算法库引擎以支持面向电网实时在线分析的智能认知算法的灵活构建与高效运行。然而，目前静态评估与决策、暂态评估与决策等电网时空动态特性智能认知算法还是基于通用的流式计算框架从零开始构建计算模型。由于通用计算引擎，如spark和f l i nk等，在存储与计算流程上没有针对电网智能认知算法特点进行优化，因此算法的计算性能难以得到保证。此外，目前也尚缺乏针对电网智能认知算法的组态化编程环境，从而加大了算法的研发成本。


技术实现要素：

4.针对现有技术存在的问题，本发明提供一种电网时空动态特性智能认知算法库引擎的构建方法，用于统一管理电网静态评估与决策算法、暂态评估与决策算法以及基础通用算法等电网时空动态特性智能认知算法的高效运行，并为算法构建提供便捷的开发环境，以提升电网实时在线分析的时效性，并降低相关算法的研发成本。
5.根据本发明，提供了一种电网时空动态特性智能认知算法库引擎的构建方法，包括：
6.构建电网智能认知算法库的存储层，其中存储层包括数据存储模块，数据存储模块用于利用分布式存储组件实现pmu数据、scada数据、状态估计结果数据和仿真数据的存储；
7.构建电网智能认知算法库的计算层，其中计算层包括全量数据接口模块、稀疏矩阵存储模块、流式计算模块、算法调度模块以及组态化构件模块；全量数据接口模块用于从电网全设备对象及全信息量角度出发，制定数据接口规范；稀疏矩阵存储模块用于以三元组的形式在内存中存储电网导纳矩阵，供电网智能认知算法运行使用；流式计算模块用于对每个电网智能认知算法采用流式计算的模式进行在线运行，每当新数据到达时，执行预设的处理步骤；算法调度模块用于按照电网智能认知算法的重要程度以及所耗计算资源情况设计运行优先级，实现多重作业优化调度；组态化构件模块用于为电网智能认知算法提
供组态化开发环境，实现参数自定义，从而满足不同应用场景的需求；
8.构建电网智能认知算法库的算法层，其中算法层包括静态评估与决策算法、暂态评估与决策算法以及基础通用算法。
9.优选地，所述利用分布式存储组件实现pmu数据、scada数据、状态估计结果数据和仿真数据的存储，包括：
10.根据pmu数据的使用场景，将当前时刻前五分钟的pmu数据作为在线数据存储到分布式内存数据库中，将其余时刻的pmu数据作为历史数据存储到分布式列式数据库中；
11.根据scada数据的特性，将scada数据分为第一模型数据与第一运行数据，其中第一模型数据存储在关系型数据库中，第一运行数据存储到分布式列式数据库中；
12.根据状态估计结果数据的特性，将状态估计结果数据分为第二模型数据与第二运行数据，其中第二模型数据存储到关系型数据库中，第二运行数据存储到分布式列式数据库中；
13.根据仿真数据的特性，将仿真数据存储到分布式文件系统中。
14.优选地，所述从电网全设备对象及全信息量角度出发，制定数据接口规范，包括：
15.将电网的母线、发电机、线路、负荷的属性分为静态属性与动态属性，其中静态属性通过字符串进行描述，动态属性以动态数组的形式描述，并根据时间进行动态拓展；
16.将静态属性与动态属性以json的格式形成全量数据接口，全量数据接口的通信方式为http。
17.优选地，所述静态属性包括设备名称，设备静态模型参数及厂站名称。
18.优选地，所述动态属性包括电压幅值、相角、有功功率及无功功率。
19.优选地，所述以三元组的形式在内存中存储电网导纳矩阵，包括：
20.从全量数据接口中读取电网支路与节点参数信息；
21.读取电网所有支路信息，将支路信息中的首端节点号作为行信息、末端节点号作为列信息，形成节点稀疏关联矩阵；
22.在节点稀疏关联矩阵上叠加支路电阻与电抗信息，形成电网导纳矩阵；
23.以三元组的形式在内存中存储电网导纳矩阵。
24.优选地，所述对每个电网智能认知算法采用流式计算的模式进行在线运行，每当新数据到达时，执行预设的处理步骤，包括：
25.比较当前时刻新到达数据与上一时刻数据；
26.若数值未发生变化，则输出上一时刻数据的计算结果；
27.若数值发生变化，则将系统中的每个计算任务抽象成一个有向无环图，有向无环图中的节点对应计算任务中的算子；有向边表示算子间的时序关系，有向边尾节点的算子需要等待头节点算子的计算结果，并在头节点算子之后运行；
28.当某一计算任务无需依赖其他任务的计算结果时，则将该任务与其它任务并行执行；
29.当某一计算任务依赖其他任务的计算结果时，则该任务需等待其他任务执行完成后再执行；
30.在执行每一个计算任务时，如果在有向无环图中，算子间没有时序关系，则可并行执行；否则，根据有向边所描述的时序关系，顺序执行各算子。
31.优选地，所述按照电网智能认知算法的重要程度以及所耗计算资源情况设计运行优先级，包括：
32.根据电网智能认知算法的重要程度设计初始优先级，依据优先级确定任务分发和运行的顺序；
33.根据电网智能认知算法的计算资源大小进行优先级的动态调整，消耗计算资源较少的电网智能认知算法拥有较高的优先级，对应的任务将优先被分发和运行；
34.将优先级高的电网智能认知算法进行特殊标记，当优先级高的电网智能认知算法执行完毕，则释放其所占有的计算资源给其它低优先级任务；当优先级高的电网智能认知算法有新的任务提交时，资源管理器默认等待一段时间后，抢占其它低优先级任务的计算资源，从而保障优先级高的算法稳定运行。
35.优选地，所述为电网智能认知算法提供组态化开发环境，实现参数自定义，包括：
36.制定每个电网智能认知算法的模板，模板中包括数据获取组件、核心处理组件以及计算结果存储组件，包括参数自定义、公式编辑、算法核心公式计算和计算结果存储；
37.数据获取组件通过全量数据接口读取电网支路、负荷、发电机与节点参数信息，为静态评估与决策算法、动态评估与决策算法以及基础通用算法在线运行提供数据输入；
38.核心处理组件支持电网智能认知算法参数的自定义配置与核心公式的在线编辑；
39.计算结果存储组件将各指标计算结果存储到分布式数据库中进行保存；
40.对于每一个电网智能认知算法，通过组件库进行数据获取组件、核心处理组件以及计算结果存储组件的组装，算法引擎自动生成相关代码。
41.优选地，所述核心处理组件支持电网智能认知算法参数的自定义配置与核心公式的在线编辑，包括：
42.针对电网智能认知算法库中的静态评估与决策算法、动态评估与决策算法以及基础通用算法，提取能够配置的电网智能认知算法的参数信息，并通过界面获取电网智能认知算法的参数配置信息；
43.利用公式编辑器自定义输入核心公式，进行指标的计算。
44.本发明采用全量接口形式进行分布式多源异构数据源的集成，对算法的输入、输出的数据格式进行统一，并采用流式计算模式与多级任务优化调度算法实现静态评估与决策算法、暂态评估与决策算法以及基础通用算法的统一管理与高效运行，提高算法执行效率，支撑大电网秒级智能态势评估与决策响应。此外，利用组态开发技术，通过将电网智能认知算法分解为数据获取、核心处理、结果保存等组件，使用组件库组装算法，算法引擎自动生成相关代码，实现了智能认知算法核心代码的灵活配置与自动生成，降低算法开发难度，提高了开发效率。
附图说明
45.通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
46.图1是本发明一示例性实施例提供的电网时空动态特性智能认知算法库引擎的构建方法的流程示意图；
47.图2是本发明一示例性实施例提供的电网智能认知算法库引擎的软件架构图；
48.图3是本发明一示例性实施例提供的全量数据接口数据结构示意图；
49.图4是本发明一示例性实施例提供的基于流式计算的静态等效辨识执行流程图；
50.图5是本发明一示例性实施例提供的组态化开发架构图；
51.图6是本发明一示例性实施例提供的组态化操作界面图。
具体实施方式
52.下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
53.应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
54.本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
55.还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
56.还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
57.另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
58.还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
59.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
60.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
61.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
62.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
63.本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
64.终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计
算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
65.在本发明实施例中，提出了一种海量信息驱动的电网时空动态特性智能认知算法库引擎构建方法，采用全量接口形式进行分布式多源异构数据源的集成，对算法的输入、输出的数据格式进行统一，并采用流式计算模式与多级任务优化调度算法实现静态评估与决策算法、暂态评估与决策算法以及基础通用算法的统一运行管理。此外，将算法分解为数据获取、公式编辑、结果保存等组件，可直接通过组件库组装算法并自动生成相关代码，支持算法组态化构建，降低研发成本。
66.图1是本发明一示例性实施例提供的电网时空动态特性智能认知算法库引擎的构建方法的示意图。如图1所示，电网时空动态特性智能认知算法库引擎的构建方法包括：
67.步骤s1：构建电网智能认知算法库的存储层，其中存储层包括数据存储模块，数据存储模块用于利用分布式存储组件实现pmu数据、scada数据、状态估计结果数据和仿真数据的存储；
68.在本发明实施例中，如图2所示，面向电网在线运行与分析需求，构建涵盖存储层、计算层与算法层的三层电网智能认知算法库软件架构。存储层主要包括pmu数据、scada数据、状态估计结果数据和仿真数据等海量电网时空数据存储。
69.优选地，所述利用分布式存储组件实现pmu数据、scada数据、状态估计结果数据和仿真数据的存储，包括：根据pmu数据的使用场景，将当前时刻前五分钟的pmu数据作为在线数据存储到分布式内存数据库中，将其余时刻的pmu数据作为历史数据存储到分布式列式数据库中；根据scada数据的特性，将scada数据分为第一模型数据与第一运行数据，其中第一模型数据存储在关系型数据库中，第一运行数据存储到分布式列式数据库中；根据状态估计结果数据的特性，将状态估计结果数据分为第二模型数据与第二运行数据，其中第二模型数据存储到关系型数据库中，第二运行数据存储到分布式列式数据库中；根据仿真数据的特性，将仿真数据存储到分布式文件系统中。
70.在本发明实施例中，数据存储模块利用分布式存储组件实现pmu数据、scada数据、状态估计结果数据和仿真数据的存储，具体步骤如下：
71.1)根据pmu数据特性与业务需求制定分布式存储策略，将pmu数据分为在线数据与历史数据；在线数据存储在分布式内存数据库中，便于提高数据查询速度；历史数据存储在分布式列式数据库中，进行数据压缩。如表1所示，在线pmu数据采用键值对的形式进行存储，其中键由pmu时标、pmu测点地址以及每秒数据帧数组成，值由n帧pmu量测值组合而成。
72.表1在线pmu数据存储格式
[0073][0074]
如表2所示，历史pmu数据以行列式进行存储，其中行键由pmu测点地址与pmu时标组成，frame表示每秒数据帧数，value列为pmu每一帧数据。
[0075]
表2历史pmu数据存储格式
[0076][0077]
2)根据scada数据特性制定分布式存储策略，将scada数据分为电网模型数据与电网运行数据；电网模型数据主要包括设备拓扑、静态参数等信息，更新周期长，存储在关系型数据库中，便于关联查询；电网运行数据包括设备遥信信息、遥测信息，更新周期短，将当前一小时的scada运行数据作为实时数据，存储在分布式内存数据库中，将其他时刻数据作为历史数据存储在分布式列式数据库中，便于海量数据存储管理。如表3所示，电网模型数据以设备类型进行划分以表格的形式存储在关系型数据库中。
[0078]
表3模型数据存储格式
[0079]
idnamevol_typest_idrun_state设备id设备名称电压等级厂站id运行状态
[0080]
如表4所示，电网实时运行数据以键值对的形式存储在分布式内存数据库中，其中key值由scadaid与时标组成。
[0081]
表4实时运行数据存储格式
[0082]
key(键)value(值)scadaid_时间量测值
[0083]
如表5所示，电网历史运行数据以行列式进行存储，其中行键由scadaid与时标组成，每一列为scada量测值。
[0084]
表5历史运行数据存储格式
[0085][0086]
3)根据状态估计数据特性制定分布式存储策略，将状态估计数据分为电网模型数据与电网运行数据；电网模型数据主要包括设备拓扑、静态参数等信息，更新周期长，存储在关系型数据库中，便于关联查询；电网运行数据更新周期短，将当前最新断面的状态估计运行数据作为实时数据，存储在分布式内存数据库中，将其他时刻数据作为历史数据存储在分布式列式数据库中，便于海量数据存储管理。如表6所示，电网模型数据以设备类型进行划分以表格的形式存储在关系型数据库中。
[0087]
表6模型数据存储格式
[0088]
idnamevol_typest_idrun_state设备id设备名称电压等级厂站id运行状态
[0089]
如表7所示，电网实时运行数据以键值对的形式存储在分布式内存数据库中，其中key值由seid与时标组成。
[0090]
表7实时运行数据存储格式
[0091]
key(键)value(值)
seid_时间量测值
[0092]
如表8所示，电网历史运行数据以行列式进行存储，其中行键由seid与时标组成，每一列为状态估计量测值。
[0093]
表8历史运行数据存储格式
[0094][0095]
4)根据文件数据特性，采用分布式文件系统存储仿真文件数据，具体功能如下：
[0096]
①
分布式文件存储，支持文件多副本，分块存储；
[0097]
②
按照时间断面创建文件树，具有时间层次文件组织结构特性；
[0098]
③
根据数据使用频率进行冷热数据分区，结合ssd、hdd等存储媒体最大化加快数据访问速度。
[0099]
步骤s2：构建电网智能认知算法库的计算层，其中计算层包括全量数据接口模块、稀疏矩阵存储模块、流式计算模块、算法调度模块以及组态化构件模块；全量数据接口模块用于从电网全设备对象及全信息量角度出发，制定数据接口规范；稀疏矩阵存储模块用于以三元组的形式在内存中存储电网导纳矩阵，供电网智能认知算法运行使用；流式计算模块用于对每个电网智能认知算法采用流式计算的模式进行在线运行，每当新数据到达时，执行预设的处理步骤；算法调度模块用于按照电网智能认知算法的重要程度以及所耗计算资源情况设计运行优先级，实现多重作业优化调度；组态化构件模块用于为电网智能认知算法提供组态化开发环境，实现参数自定义，从而满足不同应用场景的需求；
[0100]
在本发明实施例中，如图2所示，计算层主要包括全量数据接口模块、稀疏矩阵存储模块、流式计算模块、算法调度模块以及组态化构件模块。
[0101]
其中
[0102]
1)全量数据接口模块从电网全设备对象，全信息量角度出发，制定数据接口规范，满足多种算法数据访问需求，具有规范性与可拓展性；
[0103]
2)稀疏矩阵存储模块以三元组(row,col,data)的形式存储矩阵中非零元素的信息，通过行列索引，可直接定位到相关元素；
[0104]
3)流式计算模块将智能认知算法库中各类算法，采用流式计算的模式进行在线运行；
[0105]
4)算法调度模块按照算法的重要程度以及所耗计算资源情况设计运行优先级，实现多重作业优化调度；
[0106]
5)组态化构件模块面向电网实时在线分析的高性能智能认知算法需求，提供组态化开发环境，支持参数自定义。
[0107]
优选地，所述从电网全设备对象及全信息量角度出发，制定数据接口规范，包括：将电网的母线、发电机、线路、负荷的属性分为静态属性与动态属性，其中静态属性通过字符串进行描述，动态属性以动态数组的形式描述，并根据时间进行动态拓展；将静态属性与动态属性以json的格式形成全量数据接口，全量数据接口的通信方式为http。
[0108]
优选地，所述静态属性包括设备名称，设备静态模型参数及厂站名称。
[0109]
优选地，所述动态属性包括电压幅值、相角、有功功率及无功功率。
[0110]
在本发明实施例中，全量数据接口数据结构如图3所示，具体步骤如下：
[0111]
1)针对多种算法数据需求，建立一种全量数据接口规范，将电网的母线、发电机、线路、负荷等四大对象的属性分为静态属性与动态属性；
[0112]
2)静态属性通过字符串进行描述，动态属性以动态数组的形式描述，并根据时间进行动态拓展，例如，ieee39节点标准算例中的节点母线信息，其中母线名称、母线编号等属于静态属性，电压幅值、相角等属于动态属性，其全量数据接口描述如下：
[0113][0114][0115]
3)将分布式环境中的多源异构数据源进行集成，统一数据输入、输出格式，将算法的输入、输出的数据格式进行统一，使全量数据接口具有规范性与可扩展性。
[0116]
优选地，所述以三元组的形式在内存中存储电网导纳矩阵，包括：从全量数据接口中读取电网支路与节点参数信息；读取电网所有支路信息，将支路信息中的首端节点号作为行信息、末端节点号作为列信息，形成节点稀疏关联矩阵；在节点稀疏关联矩阵上叠加支路电阻与电抗信息，形成电网导纳矩阵；以三元组的形式在内存中存储电网导纳矩阵。
[0117]
在本发明实施例中，通过稀疏矩阵存储模块可将电网导纳阵以稀疏矩阵的形式存储，具体步骤如下：
[0118]
1)从全量数据接口中读取电网支路与节点参数信息；
[0119]
2)读取电网所有支路信息，其中首端节点号作为行信息、末端节点号最为列信息，形成节点稀疏关联矩阵；
[0120]
3)在节点稀疏关联矩阵上叠加支路电阻与电抗信息，形成节点稀疏导纳矩阵。
[0121]
优选地，所述对每个电网智能认知算法采用流式计算的模式进行在线运行，每当新数据到达时，执行预设的处理步骤，包括：比较当前时刻新到达数据与上一时刻数据；若数值未发生变化，则输出上一时刻数据的计算结果；若数值发生变化，则将系统中的每个计算任务抽象成一个有向无环图，有向无环图中的节点对应计算任务中的算子；有向边表示算子间的时序关系，有向边尾节点的算子需要等待头节点算子的计算结果，并在头节点算
子之后运行；当某一计算任务无需依赖其他任务的计算结果时，则将该任务与其它任务并行执行；当某一计算任务依赖其他任务的计算结果时，则该任务需等待其他任务执行完成后再执行；在执行每一个计算任务时，如果在有向无环图中，算子间没有时序关系，则可并行执行；否则，根据有向边所描述的时序关系，顺序执行各算子。
[0122]
在本发明实施例中，以静态评估与决策中的等效参数辨识算法为例，通过流式计算模块实现等效参数辨识流式计算，执行流程如图4所示，具体步骤如下：
[0123]
1)静态等效参数辨识算法涉及到的执行算子有：groupby、filter、cache以及reduce；
[0124]
2)其中groupby、filter依赖于其他任务的计算结果，而reduce、cache不依赖其他任务的执行结果。
[0125]
3)根据此特性，可生成流式计算的执行有向无环图(dag图)，从而实现等效参数辨识流式计算。
[0126]
优选地，所述按照电网智能认知算法的重要程度以及所耗计算资源情况设计运行优先级，包括：根据电网智能认知算法的重要程度设计初始优先级，依据优先级确定任务分发和运行的顺序；根据电网智能认知算法的计算资源大小进行优先级的动态调整，消耗计算资源较少的电网智能认知算法拥有较高的优先级，对应的任务将优先被分发和运行；将优先级高的电网智能认知算法进行特殊标记，当优先级高的电网智能认知算法执行完毕，则释放其所占有的计算资源给其它低优先级任务；当优先级高的电网智能认知算法有新的任务提交时，资源管理器默认等待一段时间后，抢占其它低优先级任务的计算资源，从而保障优先级高的算法稳定运行。
[0127]
在本发明实施例中，算法调度模块具体流程如下：
[0128]
步骤1)根据智能算法的优先级设计初始优先级，计算引擎依据优先级确定任务分发和运行的顺序，具体优先级如表9所示；
[0129]
表9算法初始执行优先级
[0130]
序号算法名称优先级1静态等效参数辨识12静态态势评估指标23静态优化控制策略34暂态等效参数辨识15暂态态势评估指标26暂态优化控制策略37轨迹聚类分析48轨迹相似性分析49轨迹相关性分析410趋势预测算法4
[0131]
步骤2)然后再根据智能算法的计算资源(cpu占有与内存消耗)大小进行优先级的动态调整，消耗计算资源较少的智能算法将拥有较高的优先级，具体优先级如表10所示。
[0132]
表10算法动态调整后优先级
[0133]
序号算法名称cpu占有率内存占有率优先级
1静态等效参数辨识30.23％2.6％32静态态势评估指标1.12％0.7％13静态优化控制策略0.7％0.7％14暂态等效参数辨识25.27％1.23％35暂态态势评估指标0.92％0.32％16暂态优化控制策略1.32％0.32％17轨迹聚类分析10.47％1.22％38轨迹相似性分析0.23％1.13％29轨迹相关性分析0.23％1.13％210趋势预测算法50.88％20.27％4
[0134]
优选地，所述为电网智能认知算法提供组态化开发环境，实现参数自定义，包括：制定每个电网智能认知算法的模板，模板中包括数据获取组件、核心处理组件以及计算结果存储组件，包括参数自定义、公式编辑、算法核心公式计算和计算结果存储；数据获取组件通过全量数据接口读取电网支路、负荷、发电机与节点参数信息，为静态评估与决策算法、动态评估与决策算法以及基础通用算法在线运行提供数据输入；核心处理组件支持电网智能认知算法参数的自定义配置与核心公式的在线编辑；计算结果存储组件将各指标计算结果存储到分布式数据库中进行保存；对于每一个电网智能认知算法，通过组件库进行数据获取组件、核心处理组件以及计算结果存储组件的组装，算法引擎自动生成相关代码。
[0135]
优选地，所述核心处理组件支持电网智能认知算法参数的自定义配置与核心公式的在线编辑，包括：针对电网智能认知算法库中的静态评估与决策算法、动态评估与决策算法以及基础通用算法，提取能够配置的电网智能认知算法的参数信息，并通过界面获取电网智能认知算法的参数配置信息；利用公式编辑器自定义输入核心公式，进行指标的计算。
[0136]
在本发明实施例中，组态化构件模块的开发架构如图5所示，具体步骤如下：
[0137]
1)制定每个算法的模板，该模板中包含数据获取、参数自定义、算法核心公式计算和计算结果存储；
[0138]
2)通过全量数据接口读取电网支路、负荷、发电机与节点参数信息；
[0139]
3)组态化操作界面如图6所示，通过界面设置的算法参数，并支持核心公式在线编辑，结合算法模板，进行自动化生成代码文件；
[0140]
4)用户可以直接通过组件库组装所需算法，算法引擎将会自动生成相关代码。
[0141]
步骤s3：构建电网智能认知算法库的算法层，其中算法层包括静态评估与决策算法、暂态评估与决策算法以及基础通用算法。
[0142]
在本发明实施例中，如图2所示，算法层主要包括等效参数辨识、静态稳定指标、稳定域等静态评估与决策算法，机组分群与参数辨识、暂态稳定态势评估、暂态稳定优化决策等暂态评估与决策算法，轨迹聚类分析、轨迹相似性分析以及轨迹相关性分析等基础通用算法。
[0143]
本发明利用分布式数据存储、全量数据接口、稀疏矩阵存储技术、流式计算和算法调度等关键技术，实现了电网静态评估与决策、暂态评估与决策以及聚类、相似性、相关性等基础通用算法的可靠集成与高效运行，支撑大电网秒级在线评估与决策。此外，利用组件技术将算法分解成组件，并通过组件库组装算法，算法引擎自动生成相关代码，实现了智能
认知算法核心代码的灵活配置与自动生成，支持算法组态化构建，降低算法开发难度，提高了开发效率。
[0144]
从而，本发明提出的电网时空动态特性智能认知算法库引擎的构建方法，采用全量接口形式进行分布式多源异构数据源的集成，对算法的输入、输出的数据格式进行统一，并采用流式计算模式与多级任务优化调度算法实现静态评估与决策算法、暂态评估与决策算法以及基础通用算法的统一管理与高效运行，提高算法执行效率，支撑大电网秒级智能态势评估与决策响应。此外，利用组态开发技术，通过将电网智能认知算法分解为数据获取、核心处理、结果保存等组件，使用组件库组装算法，算法引擎自动生成相关代码，实现了智能认知算法核心代码的灵活配置与自动生成，降低算法开发难度，提高了开发效率。
[0145]
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
[0146]
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0147]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种电网时空动态特性智能认知算法库引擎的构建方法，其特征在于，包括：构建电网智能认知算法库的存储层，其中存储层包括数据存储模块，数据存储模块用于利用分布式存储组件实现pmu数据、scada数据、状态估计结果数据和仿真数据的存储；构建电网智能认知算法库的计算层，其中计算层包括全量数据接口模块、稀疏矩阵存储模块、流式计算模块、算法调度模块以及组态化构件模块；全量数据接口模块用于从电网全设备对象及全信息量角度出发，制定数据接口规范；稀疏矩阵存储模块用于以三元组的形式在内存中存储电网导纳矩阵，供电网智能认知算法运行使用；流式计算模块用于对每个电网智能认知算法采用流式计算的模式进行在线运行，每当新数据到达时，执行预设的处理步骤；算法调度模块用于按照电网智能认知算法的重要程度以及所耗计算资源情况设计运行优先级，实现多重作业优化调度；组态化构件模块用于为电网智能认知算法提供组态化开发环境，实现参数自定义，从而满足不同应用场景的需求；构建电网智能认知算法库的算法层，其中算法层包括静态评估与决策算法、暂态评估与决策算法以及基础通用算法。2.根据权利要求1所述的构建方法，其特征在于，所述利用分布式存储组件实现pmu数据、scada数据、状态估计结果数据和仿真数据的存储，包括：根据pmu数据的使用场景，将当前时刻前五分钟的pmu数据作为在线数据存储到分布式内存数据库中，将其余时刻的pmu数据作为历史数据存储到分布式列式数据库中；根据scada数据的特性，将scada数据分为第一模型数据与第一运行数据，其中第一模型数据存储在关系型数据库中，第一运行数据存储到分布式列式数据库中；根据状态估计结果数据的特性，将状态估计结果数据分为第二模型数据与第二运行数据，其中第二模型数据存储到关系型数据库中，第二运行数据存储到分布式列式数据库中；根据仿真数据的特性，将仿真数据存储到分布式文件系统中。3.根据权利要求1所述的构建方法，其特征在于，所述从电网全设备对象及全信息量角度出发，制定数据接口规范，包括：将电网的母线、发电机、线路、负荷的属性分为静态属性与动态属性，其中静态属性通过字符串进行描述，动态属性以动态数组的形式描述，并根据时间进行动态拓展；将静态属性与动态属性以json的格式形成全量数据接口，全量数据接口的通信方式为http。4.根据权利要求3所述的构建方法，其特征在于，所述静态属性包括设备名称，设备静态模型参数及厂站名称。5.根据权利要求3所述的构建方法，其特征在于，所述动态属性包括电压幅值、相角、有功功率及无功功率。6.根据权利要求3所述的构建方法，其特征在于，所述以三元组的形式在内存中存储电网导纳矩阵，包括：从全量数据接口中读取电网支路与节点参数信息；读取电网所有支路信息，将支路信息中的首端节点号作为行信息、末端节点号作为列信息，形成节点稀疏关联矩阵；在节点稀疏关联矩阵上叠加支路电阻与电抗信息，形成电网导纳矩阵；以三元组的形式在内存中存储电网导纳矩阵。
7.根据权利要求1所述的构建方法，其特征在于，所述对每个电网智能认知算法采用流式计算的模式进行在线运行，每当新数据到达时，执行预设的处理步骤，包括：比较当前时刻新到达数据与上一时刻数据；若数值未发生变化，则输出上一时刻数据的计算结果；若数值发生变化，则将系统中的每个计算任务抽象成一个有向无环图，有向无环图中的节点对应计算任务中的算子；有向边表示算子间的时序关系，有向边尾节点的算子需要等待头节点算子的计算结果，并在头节点算子之后运行；当某一计算任务无需依赖其他任务的计算结果时，则将该任务与其它任务并行执行；当某一计算任务依赖其他任务的计算结果时，则该任务需等待其他任务执行完成后再执行；在执行每一个计算任务时，如果在有向无环图中，算子间没有时序关系，则可并行执行；否则，根据有向边所描述的时序关系，顺序执行各算子。8.根据权利要求1所述的构建方法，其特征在于，所述按照电网智能认知算法的重要程度以及所耗计算资源情况设计运行优先级，包括：根据电网智能认知算法的重要程度设计初始优先级，依据优先级确定任务分发和运行的顺序；根据电网智能认知算法的计算资源大小进行优先级的动态调整，消耗计算资源较少的电网智能认知算法拥有较高的优先级，对应的任务将优先被分发和运行；将优先级高的电网智能认知算法进行特殊标记，当优先级高的电网智能认知算法执行完毕，则释放其所占有的计算资源给其它低优先级任务；当优先级高的电网智能认知算法有新的任务提交时，资源管理器默认等待一段时间后，抢占其它低优先级任务的计算资源，从而保障优先级高的算法稳定运行。9.根据权利要求3所述的构建方法，其特征在于，所述为电网智能认知算法提供组态化开发环境，实现参数自定义，包括：制定每个电网智能认知算法的模板，模板中包括数据获取组件、核心处理组件以及计算结果存储组件，包括参数自定义、公式编辑、算法核心公式计算和计算结果存储；数据获取组件通过全量数据接口读取电网支路、负荷、发电机与节点参数信息，为静态评估与决策算法、动态评估与决策算法以及基础通用算法在线运行提供数据输入；核心处理组件支持电网智能认知算法参数的自定义配置与核心公式的在线编辑；计算结果存储组件将各指标计算结果存储到分布式数据库中进行保存；对于每一个电网智能认知算法，通过组件库进行数据获取组件、核心处理组件以及计算结果存储组件的组装，算法引擎自动生成相关代码。10.根据权利要求9所述的构建方法，其特征在于，所述核心处理组件支持电网智能认知算法参数的自定义配置与核心公式的在线编辑，包括：针对电网智能认知算法库中的静态评估与决策算法、动态评估与决策算法以及基础通用算法，提取能够配置的电网智能认知算法的参数信息，并通过界面获取电网智能认知算法的参数配置信息；利用公式编辑器自定义输入核心公式，进行指标的计算。

技术总结
本发明公开了一种电网时空动态特性智能认知算法库引擎的构建方法，采用全量接口形式进行分布式多源异构数据源的集成，对算法的输入、输出的数据格式进行统一，并采用流式计算模式与多级任务优化调度算法实现静态评估与决策算法、暂态评估与决策算法以及基础通用算法的统一管理与高效运行，提高算法执行效率，支撑大电网秒级智能态势评估与决策响应。此外，利用组态开发技术，通过将电网智能认知算法分解为数据获取、核心处理、结果保存等组件，使用组件库组装算法，算法引擎自动生成相关代码，实现了智能认知算法核心代码的灵活配置与自动生成，降低算法开发难度，提高了开发效率。提高了开发效率。提高了开发效率。


技术研发人员：刘道伟 赵高尚 李柏青 杨红英 宋墩文 杨学涛 杜三恩 陈勇 许鹏飞 刘开欣 封一贤 冯静 谢家正 肖项涛
受保护的技术使用者：中国电力科学研究院有限公司
技术研发日：2023.02.08
技术公布日：2023/9/11