CN108183481A - 一种基于深度学习电网快速判稳方法和系统 - Google Patents

一种基于深度学习电网快速判稳方法和系统 Download PDF

Info

Publication number
CN108183481A
CN108183481A CN201810082877.8A CN201810082877A CN108183481A CN 108183481 A CN108183481 A CN 108183481A CN 201810082877 A CN201810082877 A CN 201810082877A CN 108183481 A CN108183481 A CN 108183481A
Authority
CN
China
Prior art keywords
layer
node
data
concurrency control
power grid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810082877.8A
Other languages
English (en)
Other versions
CN108183481B (zh
Inventor
史东宇
李刚
胡文强
于之虹
黄彦浩
鲁广明
严剑峰
吕颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN201810082877.8A priority Critical patent/CN108183481B/zh
Publication of CN108183481A publication Critical patent/CN108183481A/zh
Application granted granted Critical
Publication of CN108183481B publication Critical patent/CN108183481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于深度学习电网快速判稳方法和系统,包括:获取电网的厂站输入量数据;将厂站输入量数据输入预先建立的深度置信网模型,得到电网的稳定度判别指标对应的值;根据稳定度判别指标值,判断电网的稳定度;其中,预先建立的深度置信网模型包括:基于电网拓扑结构构建层级网络结构。该方法和系统通过建立深度置信网模型进行电网稳定程度快速判别,实现了电网的稳定度判别指标值的快速计算,提高了电网在线安全稳定分析的实效性。

Description

一种基于深度学习电网快速判稳方法和系统
技术领域
本发明属于大电网稳定与控制技术领域,具体涉及一种基于深度学习电网快速判稳方法和系统。
背景技术
随着电网规模的扩大,电网安全稳定性愈加难以掌控。世界上已经发生的多次电网故障表明,输电电压等级的提高、联网规模扩大以及传输容量的增加,都会增大电网故障带来的危害,故障原因和过程也更为复杂。开展对运行电网全面细致的在线监视、分析和控制,保障电力生产、传输和使用的安全是各国电力行业的迫切需求。
开展电网在线安全稳定分析工作,计算速度是必须保障的核心指标之一,如果失去计算速度,那么在线分析也就失去了时效性,而变得没有意义。现有在线分析系统主要采用时域仿真方法进行分析,计算量较大,难以进一步提升速度;另一方面,在线分析系统积累了大量的历史仿真样本,其中蕴含了宝贵的电网运行规律,同时又贴近实际运行情况,可作为稳定特征识别的依据。以往有学者采用机器学习方法进行快速判稳,取得了一定效果,但也存在一些局限,包括:过于依赖人工经验,所选特征比较局限,不能自动提取电网稳定特征;采用的机器学习模型多为浅层模型,无法充分建立变量间的关联关系,对于复杂电网稳定问题的表现能力有限。
发明内容
为克服上述现有技术的电网稳定性分析不够快速和过于依赖人工经验的问题,本发明提出一种基于深度学习电网快速判稳方法和系统。该方法和系统把大扰动下的三相短路临界切除时间CCT和小扰动下阻尼比作为电网稳定程度指标,利用电力系统在线安全稳定分析系统中产生的历史仿真样本,结合电网结构特点建立深度学习模型,自动发掘电网运行稳态量与稳定程度间的相关性,提取电网稳定的高级特征,实现电网稳定程度的快速判断。
实现上述目的所采用的解决方案为:
一种基于深度学习电网快速判稳的方法,其改进之处在于:
获取电网的厂站输入量数据;
将所述厂站输入量数据输入预先建立的深度置信网模型,得到所述电网的稳定度判别指标对应的值;
根据所述稳定度判别指标值,判断所述电网的稳定度;
所述预先建立的深度置信网模型包括:基于电网拓扑结构构建的层级网络结构。
本发明提供的第一优选技术方案,其改进之处在于,所述深度置信网模型的建立,包括:
根据电网的拓扑关系,建立层级网络模型;
获取所述电网的历史仿真样本;
将稳定度判别指标作为层级网络模型顶级节点,实例化所述层级网络模型,构建深度置信网模型,所述深度置信网模型包括节点的输入数据和对应的输出值;
针对所述深度置信网模型的每个节点,将所述电网的历史仿真样本数据中的所述节点对应的历史厂站输入量数据作为所述节点的输入数据;将所述电网的历史仿真样本数据中与所述顶级节点相应稳定度判别指标值作为顶级节点的输出值;
所述稳定度判别指标包括三相短路临界切除时间和阻尼比。
本发明提供的第二优选技术方案,其改进之处在于,所述根据电网的拓扑关系,建立层级网络模型,包括:
根据电网的拓扑关系,根据电网的第一电压子网建立所述层级网络模型的第一层;
根据所述电网的第二电压子网建立所述层级网络模型的第二层;
根据所述电网建立所述层级网络模型的第三层。
本发明提供的第三优选技术方案,其改进之处在于,所述针对所述深度置信网模型的每个节点,将所述电网的历史仿真样本数据中的所述节点对应的历史厂站输入量数据作为所述节点的输入数据,包括:
针对所述深度置信网模型的第一层节点,将所述第一层节点对应的第一电压厂站在历史仿真样本数据中的厂站输入量数据作为输入数据;
若第一层节点的总的输入数据个数不超过预设的个数阈值时,所述第一层节点直接向第二层汇集数据;否则建立第一层受限波尔兹曼机对应所述深度置信网模型的第一层,以所述深度置信网模型第一层节点的输入数据作为所述第一层受限波尔兹曼机的可视层节点的输入数据,将所述第一层受限波尔兹曼机的隐含层节点的数值向第二层汇集。
本发明提供的第四优选技术方案,其改进之处在于,所述针对所述深度置信网模型的每个节点,将所述电网的历史仿真样本数据中的所述节点对应的历史厂站输入量数据作为所述节点的输入数据,包括:
针对所述深度置信网模型的第二层节点,当所述第二层节点对应第二电压厂站时,以所述第二电压厂站在历史仿真样本数据中的厂站输入量数据为输入数据,否则以第一层节点汇集的数据作为输入数据;
若第二层节点的总的输入数据个数不超过预设的个数阈值时,所述第二层节点直接向第三层汇集数据;否则建立第二层受限波尔兹曼机对应所述深度置信网模型的第二层,以所述深度置信网模型第二层节点的输入数据作为所述第二层受限波尔兹曼机的可视层节点的输入数据,将所述第二层受限波尔兹曼机的隐含层节点的数值向第三层汇集。
本发明提供的第五优选技术方案,其改进之处在于,所述针对所述深度置信网模型的每个节点,将所述电网的历史仿真样本数据中的所述节点对应的历史厂站输入量数据作为所述节点的输入数据,包括:
针对所述深度置信网模型的第三层节点,以第二层节点汇集的数据作为输入数据;
若第三层节点的总的输入数据个数不超过预设的个数阈值时,所述第三层节点直接向顶级节点汇集数据;否则建立第三层受限波尔兹曼机对应所述深度置信网模型的第三层,以所述深度置信网模型第三层节点的输入数据作为所述第三层受限波尔兹曼机的可视层节点的输入数据,将所述第三层受限波尔兹曼机的隐含层节点的数值向顶级节点汇集。
本发明提供的第六优选技术方案,其改进之处在于,还包括优化所述深度置信网模型的参数:
用接近0的随机数初始化所述深度置信网模型中第一层受限波尔兹曼机、第二层受限波尔兹曼机和第三层受限波尔兹曼机的参数,所述参数包括受限波尔兹曼机隐含层与可视层之间的权值矩阵和隐含层节点的偏置;
采用对比散度算法从第一层受限波尔兹曼机到第三层受限波尔兹曼机逐层无监督训练所述深度置信网模型中各层受限波尔兹曼机的参数;
以历史厂站输入量数据作为所述深度置信网模型的输入数据,以所述历史厂站输入量数据对应的稳定度判别指标值作为所述深度置信网模型的输出数据,采用反向传播算法,对所述深度置信网模型中经过无监督训练的各受限玻尔兹曼机的参数进行有监督调优。
本发明提供的第七优选技术方案,其改进之处在于,所述厂站输入量数据包括:
当连接至所述电网的厂站为变电站时,所述厂站输入量数据包括所述变电站的总功率、总负荷和所述变电站到上级相连单元的电气距离;
当连接至所述电网的厂站为发电厂时,所述厂站输入量数据包括所述发电厂内每台机组的投运状态、有功、机端电压和所述发电厂到上级相连单元的电气距离。
本发明提供的第八优选技术方案,其改进之处在于,获取电网的厂站输入量数据,包括:
如下式将所述厂站输入量数据归一化:
V’=(V-Vmin)/(Vmax-Vmin)
其中V表示厂站输入量数据,Vmin表示V的历史最小值,Vmax表示V的历史最大值,V’表示归一化后的V,V的历史值存储在预设的样本库中。
本发明提供的第九优选技术方案,其改进之处在于,所述将所述厂站输入量数据输入预先建立的深度置信网模型,得到所述电网的稳定度判别指标对应的值,包括:
将所述厂站输入量数据,输入到电网的稳定度判别指标对应的深度置信网模型中;
基于所述厂站输入量数据,从第一层到第三层逐层计算所述深度置信网模型各层向更上一层汇集的数据;
根据所述深度置信网模型第三层向顶级节点汇集的数据,得到顶级节点的输出数据,作为所述电网的稳定度判别指标对应的值。
本发明提供的第十优选技术方案,其改进之处在于,所述根据所述稳定度判别指标值,判断所述电网的稳定度,包括:
当所述稳定度判别指标为三相短路临界切除时间时,若三相短路临界切除时间的值小于预设的正常保护动作时间,则判断所述电网不稳,否则判断所述电网稳定;
当所述稳定度判别指标为阻尼比时,若阻尼比的值小于预设阻尼比阈值,则判断所述电网不稳,否则判断所述电网稳定。
一种基于深度学习电网快速判稳系统,其改进之处在于,包括数据采集模块、稳定度判别指标计算模块和判稳模块;
所述数据采集模块用于获取电网的厂站输入量数据;
所述稳定度判别指标计算模块用于将所述厂站输入量数据输入预先建立的深度置信网模型,得到所述电网的稳定度判别指标对应的值;所述预先建立的深度置信网模型包括:基于电网拓扑结构构建的层级网络结构;
所述判稳模块用于根据所述稳定度判别指标值,判断所述电网的稳定度。
本发明提供的第十一优选技术方案,其改进之处在于,所述系统还包括建模模块,所述建模模块包括层级网络单元、历史仿真样本获取单元、深度置信网模型单元和深度置信网模型设置单元;
所述层级网络单元用于根据所述电网的拓扑关系,建立层级网络模型;
所述历史仿真样本获取单元用于获取所述电网的历史仿真样本;
所述深度置信网模型单元用于将稳定度判别指标作为层级网络模型顶级节点,实例化所述层级网络模型,构建深度置信网模型,所述深度置信网模型包括节点的输入数据和对应的输出值;
所述深度置信网模型设置单元用于针对所述深度置信网模型的每个节点,将所述电网的历史仿真样本数据中的所述节点对应的历史厂站输入量数据作为所述节点的输入数据;将所述电网的历史仿真样本数据中与所述顶级节点相应稳定度判别指标值作为顶级节点的输出值;
所述稳定度判别指标包括三相短路临界切除时间和阻尼比。
本发明提供的第十二优选技术方案,其改进之处在于,所述层级网络单元包括第一层建立子单元、第二层建立子单元和第三层建立子单元;
所述第一层建立子单元用于根据电网的拓扑关系,根据电网的第一电压子网建立所述层级网络模型的第一层;
所述第二层建立子单元用于根据所述电网的第二电压子网建立所述层级网络模型的第二层;
所述第三层建立子单元根据所述电网建立所述层级网络模型的第三层。
本发明提供的第十三优选技术方案,其改进之处在于,所述深度置信网模型设置单元包括第一层设置子单元、第二层设置子单元和第三层设置子单元;
所述第一层设置子单元用于针对所述深度置信网模型的第一层节点,将所述第一层节点对应的第一电压厂站在历史仿真样本数据中的厂站输入量数据作为输入数据;若第一层节点的总的输入数据个数不超过预设的个数阈值时,所述第一层节点直接向第二层汇集数据;否则建立第一层受限波尔兹曼机对应所述深度置信网模型的第一层,以所述深度置信网模型第一层节点的输入数据作为所述第一层受限波尔兹曼机的可视层节点的输入数据,将所述第一层受限波尔兹曼机的隐含层节点的数值向第二层汇集;
所述第二层设置子单元用于针对所述深度置信网模型的第二层节点,当所述第二层节点对应第二电压厂站时,以所述第二电压厂站在历史仿真样本数据中的厂站输入量数据为输入数据,否则以第一层节点汇集的数据作为输入数据;若第二层节点的总的输入数据个数不超过预设的个数阈值时,所述第二层节点直接向第三层汇集数据;否则建立第二层受限波尔兹曼机对应所述深度置信网模型的第二层,以所述深度置信网模型第二层节点的输入数据作为所述第二层受限波尔兹曼机的可视层节点的输入数据,将所述第二层受限波尔兹曼机的隐含层节点的数值向第三层汇集;
所述第三层设置子单元用于针对所述深度置信网模型的第三层节点,以第二层节点汇集的数据作为输入数据;若第三层节点的总的输入数据个数不超过预设的个数阈值时,所述第三层节点直接向顶级节点汇集数据;否则建立第三层受限波尔兹曼机对应所述深度置信网模型的第三层,以所述深度置信网模型第三层节点的输入数据作为所述第三层受限波尔兹曼机的可视层节点的输入数据,将所述第三层受限波尔兹曼机的隐含层节点的数值向顶级节点汇集。
本发明提供的第十四优选技术方案,其改进之处在于,所述建模模块还包括用于优化所述深度置信网模型参数的参数优化单元,所述参数优化单元包括:随机初始化子单元、无监督训练子单元和有监督调优子单元;
所述随机初始化子单元用于用接近0的随机数初始化所述深度置信网模型中第一层受限波尔兹曼机、第二层受限波尔兹曼机和第三层受限波尔兹曼机的参数,所述参数包括受限波尔兹曼机隐含层与可视层之间的权值矩阵和隐含层节点的偏置;
所述无监督训练子单元用于采用对比散度算法从第一层受限波尔兹曼机到第三层受限波尔兹曼机逐层无监督训练所述深度置信网模型中各层受限波尔兹曼机的参数;
所述有监督调优子单元用于以历史厂站输入量数据作为所述深度置信网模型的输入数据,以所述历史厂站输入量数据对应的稳定度判别指标值作为所述深度置信网模型的输出数据,采用反向传播算法,对所述深度置信网模型中经过无监督训练的各受限玻尔兹曼机的参数进行有监督调优。
本发明提供的第十五优选技术方案,其改进之处在于,所述数据采集模块包括变电站采集单元和发电厂采集单元;
所述变电站采集单元用于当连接至所述电网的厂站为变电站时,采集所述变电站的总功率、总负荷和所述变电站到上级相连单元的电气距离;
所述发电厂采集单元用于当连接至所述电网的厂站为变电站时,采集所述发电厂内每台机组的投运状态、有功、机端电压和所述发电厂到上级相连单元的电气距离。
本发明提供的第十六优选技术方案,其改进之处在于,所述数据采集模块还包括归一化单元;
所述归一化单元用于如下式将所述厂站输入量数据归一化:
V’=(V-Vmin)/(Vmax-Vmin)
其中V表示厂站输入量数据,Vmin表示V的历史最小值,Vmax表示V的历史最大值,V’表示归一化后的V,V的历史值存储在预设的样本库中。
本发明提供的第十七优选技术方案,其改进之处在于,所述稳定度判别指标计算模块包括数据输入单元、逐层计算单元和稳定度判别指标计算单元;
所述数据输入单元用于将所述厂站输入量数据,输入到电网的稳定度判别指标对应的深度置信网模型中;
所述逐层计算单元用于基于所述厂站输入量数据,从第一层到第三层逐层计算所述深度置信网模型各层向更上一层汇集的数据;
所述稳定度判别指标计算单元用于根据所述深度置信网模型第三层向顶级节点汇集的数据,得到顶级节点的输出数据,作为所述电网的稳定度判别指标对应的值。
本发明提供的第十八优选技术方案,其改进之处在于,所述判稳模块包括三相短路临界切除时间判断单元和阻尼比判断单元;
所述三相短路临界切除时间判断单元用于当所述稳定度判别指标为三相短路临界切除时间时,若三相短路临界切除时间的值小于预设的正常保护动作时间,则判断所述电网不稳,否则判断所述电网稳定;
所述阻尼比判断单元用于当所述稳定度判别指标为阻尼比时,若阻尼比的值小于预设阻尼比阈值,则判断所述电网不稳,否则判断所述电网稳定。
与最接近的现有技术相比,本发明具有的有益效果如下:
1、本发明通过建立深度置信网模型,实现了电网的稳定度判别指标值的快速计算,提高了电网在线安全稳定分析的实效性。
2、本发明利用电力系统在线安全稳定分析系统中产生的历史仿真样本,结合电网结构特点建立深度学习模型,自动发掘电网运行稳态量与稳定程度间的相关性,不依赖人工经验提取电网稳定的高级特征,实现电网稳定程度的快速判断。
附图说明
图1为本发明提供的一种基于深度学习电网快速判稳的方法流程示意图;
图2为受限波尔兹曼机示意图;
图3为深度置信网分类模型示意图;
图4为层级电网模型示意图;
图5为深度置信网模型示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
本发明提供的一种基于深度学习的基于深度学习电网快速判稳的方法流程示意图如图1所示,包括:
获取电网的厂站输入量数据;
将厂站输入量数据输入预先建立的深度置信网模型,得到电网的稳定度判别指标对应的值;
根据稳定度判别指标值,判断电网的稳定度;
其中,预先建立的深度置信网模型包括:基于电网拓扑结构构建的层级网络结构。
下面对本发明的相关概念进行说明。
A暂态稳定:
电力系统暂态稳定是指电力系统受到大干扰(电网故障)后,各同步发电机保持同步运行并过渡到新的或恢复到原来稳态运行方式的能力。电力系统遭受大干扰之后是否能继续保持稳定运行的主要标志:一是各机组之间的相对角摇摆是否逐步衰减;二是局部地区的电压是否崩溃。三相短路故障是电力系统中最典型的故障形式,而三相短路临界切除时间(CCT,critical clearing time)是指电网发生三相短路故障后,保证系统稳定的最大的故障切除时间。临界切除时间代表了系统稳定和不稳定的边界,可用于表征电力系统发生指定故障的稳定程度,临界切除时间越大,表示该短路故障对系统影响越小,系统就越稳定。如果三相短路临界切除时间小于正常的保护动作时间,则说明该故障会造成系统失稳,即系统存在安全隐患。
B小干扰稳定:
电力系统小干扰稳定是指系统受到小干扰后,不发生自发振荡或非周期性失步,自动恢复到起始运行状态的能力。系统小干扰稳定性取决于系统的固有特性,与扰动的大小无关。电力系统小干扰稳定性既包括系统中同步发电机之间因同步力矩不足或电压崩溃造成的非周期失去稳定,即通常所指的“静态稳定”,也包括因系统动态过程阻尼不足造成的周期性发散失去稳定,即通常所指的“动态稳定”。电力系统小干扰稳定重点关注电网固有的主要振荡模式,而阻尼比就是表征小干扰稳定程度的主要指标,阻尼比表示振荡衰减的情况。阻尼比越小,电网越容易不稳。
C受限波尔兹曼机
受限波尔兹曼机是一种随机神经网络的概率图模型,它的目的是对原始特征的概率分布进行建模。受限波尔兹曼机只有两层结构,并不是一种真正的深度学习模型,但是可以用作基本模块来构造自编码器、深度置信网等深度学习模型。
受限波尔兹曼机的第一层称为可视层,第二层称为隐含层,如图2所示。可视层和隐含层内部没有连接,只允许可视层和隐含层之间的节点连接。设可视向量为v=(v1,v2,...,vm),隐含向量为h=(h1,h2,...,hn),在标准的受限波尔兹曼机中,可视节点和隐含节点均为二值向量(0或者1),ai:1≤i≤m为可视节点vi的偏置,bj:1≤j≤n为隐含节点hj的偏置,wij表示可视节点vi与隐含节点hj之间的权值,w为可视层和隐含层之间的权值矩阵。令θ={wij,ai,bj:1≤i≤m,1≤j≤n}表示所有的参数。其中m为可视节点个数,n为隐含节点个数。
受限波尔兹曼机是概率图模型,其隐含节点和可视节点的条件概率分别为:
其中,p(hj=1|v,θ)表示给定v和θ,hj=1的概率,p(vi=1|h,θ)表示给定h和θ,vi=1的概率。
受限波尔兹曼机的学习就是对模型参数集θ进行计算,其基本思想是用梯度上升算法迭代优化θ以最大化总体对数似然函数l(θ):
其中N表示所有用于训练的样本数。直接计算l(θ)对各参数的偏导数效率非常低,通常的方法是使用k步对比散度算法CD-k近似计算其偏导数,其中通常k取为1。其大致的过程如下:
C-1将v的初始值记为v(0),代入式(1)中,求得p(h|v(0),θ),其中θ预先随机初始化,采样得到h(0)
C-2再将h(0)代入式(2)中,求得p(v|h(0),θ),采样得到v(1)
C-3重复上述两步,直到生成v(k)
上述过程会生成一个k步吉布斯链,根据这个吉布斯链,即可近似计算对数似然函数的偏导数:
再根据上述偏导数按照梯度上升算法更新参数集θ即可。
上述讨论的是标准受限波尔兹曼机,其可视层只能是二值,为了将其用于实数数据,可使用其推广模型:高斯受限波尔兹曼机,其可视层可以为任意实数,隐含层仍然只能取0或1。
D深度置信网
深度置信网是一种经典的深度学习模型,对深度学习的创立和发展都起过举足轻重的作用,它可以用来对数据的概率分布进行建模,也可用来对数据进行分类。本发明只讨论其分类模型,对应的模型结构图如图3所示,其中x为可视层,h1,h2,...hr为隐含层,y为分类标签向量。
深度置信网分类模型可以看成多个受限波尔兹曼机的叠加,其学习过程分为两个阶段:先用受限波尔兹曼机进行逐层无监督训练,再用反向传播BP算法进行有监督调优。
无监督预训练过程:
D-1用接近于0的随机数初始化参数(wi,bi),1≤i≤r+1;
D-2使用CD-k算法逐层训练每个受限波尔兹曼机:第1个受限波尔兹曼机可视层为x,隐含层为h1,依此类推,第i个受限波尔兹曼机可视层为hi-1,隐含层为hi,1≤i≤r-1;
D-3最后一个受限波尔兹曼机稍有不同,将hr-1和y一起作为可视层,hr作为隐含层,使用标签CD-k算法进行训练。
有监督调优过程:
D-4根据上述预训练得到的参数(wi,bi),1≤i≤r+1,计算预测的分类标签向量将其与真实的y进行对比生成代价函数,如和y的交叉熵;
D-5使用BP算法最小化代价函数来更新(wi,bi),1≤i≤r+1。
E电网分层特性
电力系统输电网络结构本身存在明显的分层特性,包括:
E-1区域电网间采用直流系统或特高压交流互联,为非同步电网或弱连接的同步电网;
E-2区域内省级电网间大多采用500kV或1000kV的交流互联,省间电气距离通常比省内要大;
E-3省内主要以500kV为主干网络,相互间联系较为紧密,部分省内也可分为内部联系更加紧密的子群;
E-4 220kV网络比较多样,省内一般包含若干个220kV子网,这些子网多则包含几十甚至上百个厂站,少则只有一个厂站,各个子网分别连接至一个或多个500kV厂站
本发明基于电网连接关系的特点,构建层级网络模型,并结合深度置信网的思想进行电网稳定程度快速判别模型搭建和训练,具体步骤包括:
1、建立层级网络模型
根据电力系统在线分析数据特点,以厂站作为最小单元,把电网从下到上分为第一电压子网、第二电压电网和电网三个层次;区域电网可设为省级电网,第一电压可设为200KV,第二电压可设为500KV。通过对电网拓扑分析,建立三个层次网络之间所属关系,例如某省内电网包含下属的全部500kV厂站,某500kV厂站包含下面连接的220kV子网,220kV子网包含子网内的全部220kV厂站。这样形成一个树状的网络模型,称为层级网络模型HierarchyNet Model。如图4所示。
2、构建深度置信网模型
层级网络的最小单元是厂站,厂站可以包含若干属性:如果厂站为变电站,则包含厂站的总功率和总负荷;如果厂站是发电厂,则包含厂内每台机组的投运状态、有功和机端电压;此外,所有厂站包含到上级相连单元的电气距离。这样,第一层(220kV层)的输入数据全部为厂站输入量,第二层(省内500kV层)的输入数据既包括从第一层汇聚上来的数据,又包括厂站输入量(500kV发电厂或变电站),第三层(区域电网)的输入数据全部为从第二层汇聚上来的数据。获取电力系统在线安全稳定分析系统中产生的历史仿真样本用于对本发明的电网稳定程度快速判别模型进行训练,其中,历史仿真样本包括连接至电网的各厂站的历史厂站输入量数据和这些数据对应的稳定度判别指标值,电网稳定程度快速判别模型即为深度置信网模型。
对于每一个厂站输入量数据,应先进行归一化处理,按照该厂站输入量在预设的样本库中的最大值和最小值来映射到[0,1]的区间内,映射关系为公式(7):
V’=(V-Vmin)/(Vmax-Vmin) (7)
其中V表示厂站输入量,Vmin表示V的历史最小值,Vmax表示V的历史最大值,V’表示归一化后的V,V的历史值存储在预设的样本库中。对于某个厂站输入量在样本库中全部为同一数值的情况,由于该厂站输入量对于模型训练没有任何帮助,可以直接去掉。
将稳定度判别指标作为层级网络模型顶级节点,实例化层级网络模型,构建深度置信网模型,深度置信网模型结构如图5所示。其中深度置信网模型包括节点的输入数据和对应的输出值;当选择的稳定度判别指标为三相短路临界切除时间时,深度置信网模型即为用于计算三相短路临界切除时间的模型;当选择的稳定度判别指标为阻尼比时,深度置信网模型即为用于计算阻尼比的模型。
对第一层的每个220kv子网,当该子网对应的输入数据个数大于预设的个数阈值时,建立一个层叠受限波尔兹曼机形成的子网,即第一层受限波尔兹曼机,通常为1-2层即可,用于对输入数据进行降维,受限波尔兹曼机的隐含层数值为该子网向第二层汇集的数据,其中,受限波尔兹曼机的可视层对应为第一层子网;否则直接将输入数据直接向第二层汇集。第二层和第三层也做类似处理:
当第二层节点对应500kv电压厂站时,以500kv厂站在历史仿真样本数据中的厂站输入量数据为输入数据,否则以第一层节点汇集的数据作为输入数据;
若第二层节点的总的输入数据个数不超过预设的个数阈值时,第二层节点直接向第三层汇集数据;否则建立第二层受限波尔兹曼机对应深度置信网模型的第二层,以深度置信网模型第二层节点的输入数据作为第二层受限波尔兹曼机的可视层节点的输入数据,将第二层受限波尔兹曼机的隐含层节点的数值向第三层汇集。
针对深度置信网模型的第三层节点,以第二层节点汇集的数据作为输入数据;
若第三层节点的总的输入数据个数不超过预设的个数阈值时,第三层节点直接向顶级节点汇集数据;否则建立第三层受限波尔兹曼机对应深度置信网模型的第三层,以深度置信网模型第三层节点的输入数据作为第三层受限波尔兹曼机的可视层节点的输入数据,将第三层受限波尔兹曼机的隐含层节点的数值向顶级节点汇集。
一个子网当输入数据个数大于预设的个数阈值时,建立一个层叠受限波尔兹曼机进行降维。个数阈值可设为50。
4、深度置信网模型的初始化
根据厂站输入量数据初始化深度置信网模型的参数,其中,深度置信网模型的参数包括深度置信网模型中受限波尔兹曼机各层之间的权值矩阵w和隐含层节点的偏置b。
首先用接近0的随机数初始化深度置信网模型中第一层受限波尔兹曼机、第二层受限波尔兹曼机和第三层受限波尔兹曼机的w和b;
根据历史厂站输入量数据中220kv厂站的输入量数据输入深度置信网模型的第一层,采用比散度算法CD-k无监督训练第一层受限波尔兹曼机的参数;
根据训练好的第一层中各受限波尔兹曼机的参数和第一层的输入数据,计算第一层向第二层汇集的数据,并结合根据历史厂站输入量数据中500kv厂站的输入量数据,采用CD-k无监督训练第二层受限波尔兹曼机的参数;
根据训练好的第二层中各受限波尔兹曼机的参数和第二层的输入数据,计算第二层汇集的数据输入第三层,采用CD-k无监督训练深度置信网模型第三层受限波尔兹曼机的参数。
以各子网的w和b作为整个深度置信网网络参数的初值。
4、深度置信网模型参数的寻优
以历史厂站输入量数据为输入,以历史厂站输入量数据对应的稳定度判别指标值为输出,采用反向传播BP算法进行有监督调优,优化训练整个深度置信网模型的参数w和b,形成深度置信网模型。
对电网进行快速判稳时,先获取电网实时的厂站输入量数据,将厂站输入量数据输入经过优化的深度置信网模型,得到电网的稳定度判别指标值,最后根据稳定度判别指标值,判断电网的稳定度。具体过程包括:
实时获取厂站输入量数据,并将厂站输入量数据归一化;
将厂站输入量数据输入到电网的稳定度判别指标对应的深度置信网模型中;
基于厂站输入量数据,从第一层到第三层逐层计算深度置信网模型各层向更上一层汇集的数据;
根据深度置信网模型第三层向顶级节点汇集的数据,得到顶级节点的输出数据,作为电网的稳定度判别指标对应的值。
电网的稳定度判别指标为CCT和阻尼比。当稳定度判别指标为CCT时,若CCT小于预设的正常的保护动作时间,则判断电网不稳,否则判断电网稳定;
当稳定度判别指标为阻尼比时,若阻尼比小于预设阈值,则判断电网不稳,否则判断电网稳定。其中,阻尼比的阈值可设为3%。
以国家电网公司某年1-10月在线计算数据为基础,验证本发明方法的有效性。当月华北-华中处于联网运行状态,因此在线数据中包含国调直调以及华北、华中所有220kV以上的电网设备。每个断面的输入量为11992个,如下表所示,去除其中重复数据或坏数据较多的情况,最后剩余8772个输入量;有效样本数(断面数)为23321个。即形成一个23321*8772的输入矩阵。
表1电网状态量和统计量列表
(1)暂态稳定CCT
采用上述模型对葛岗线等10条重要线路的CCT进行快速判别,结果如下表所示。从结果中可以看到,平均误差率都在4%以下;平均单位故障的判别时间都在2毫秒以下,计算精度和速度基本满足在线分析的要求。
表2电网重要线路的CCT误差列表
名称 平均误差(%)
国调.葛岗线 0.9169
国调.峡葛I线 1.1173
国调.渔宜线 1.3115
华北.黄滨一线 1.8625
华中.艾鹤Ⅰ回线 2.3042
华中.昆沙Ⅰ回线 3.6336
华中.牌长Ⅰ回线 2.7452
华中.盘龙I线 1.3433
华中.艳牌Ⅰ回线 2.6735
四川.山桃一线 3.7649
(2)小干扰稳定频率和阻尼比
采用上述深度学习模型对华北-华中振荡模式的阻尼比进行快速判别,结果如下表所示。
表3华北-华中振荡模式的阻尼比误差列表
名称 平均误差(%)
华北-华中振荡阻尼比 1.1807
基于同一发明构思,本发明还提供了一种基于深度学习电网快速判稳系统,由于这些设备解决技术问题的原理与基于深度学习电网快速判稳方法相似,重复之处不再赘述。
该系统包括:
数据采集模块、稳定度判别指标计算模块和判稳模块;
其中,数据采集模块用于获取电网的厂站输入量数据;
稳定度判别指标计算模块用于将厂站输入量数据输入预先建立的深度置信网模型,得到电网的稳定度判别指标对应的值;预先建立的深度置信网模型包括:基于电网拓扑结构构建的层级网络结构;
判稳模块用于根据稳定度判别指标值,判断电网的稳定度。
其中,该系统还包括建模模块,建模模块包括层级网络单元、历史仿真样本获取单元、深度置信网模型单元和深度置信网模型设置单元;
层级网络单元用于根据电网的拓扑关系,建立层级网络模型;
历史仿真样本获取单元用于获取电网的历史仿真样本;
深度置信网模型单元用于将稳定度判别指标作为层级网络模型顶级节点,实例化层级网络模型,构建深度置信网模型,深度置信网模型包括节点的输入数据和对应的输出值;
深度置信网模型设置单元用于针对深度置信网模型的每个节点,将电网的历史仿真样本数据中的节点对应的历史厂站输入量数据作为节点的输入数据;将电网的历史仿真样本数据中与顶级节点相应稳定度判别指标值作为顶级节点的输出值;
稳定度判别指标包括三相短路临界切除时间和阻尼比。
其中,层级网络单元包括第一层建立子单元、第二层建立子单元和第三层建立子单元;
第一层建立子单元用于根据电网的拓扑关系,根据电网的第一电压子网建立层级网络模型的第一层;
第二层建立子单元用于根据电网的第二电压子网建立层级网络模型的第二层;
第三层建立子单元根据电网建立层级网络模型的第三层。
其中,深度置信网模型设置单元包括第一层设置子单元、第二层设置子单元和第三层设置子单元;
第一层设置子单元用于针对深度置信网模型的第一层节点,将第一层节点对应的第一电压厂站在历史仿真样本数据中的厂站输入量数据作为输入数据;若第一层节点的总的输入数据个数不超过预设的个数阈值时,第一层节点直接向第二层汇集数据;否则建立第一层受限波尔兹曼机对应深度置信网模型的第一层,以深度置信网模型第一层节点的输入数据作为第一层受限波尔兹曼机的可视层节点的输入数据,将第一层受限波尔兹曼机的隐含层节点的数值向第二层汇集;
第二层设置子单元用于针对深度置信网模型的第二层节点,当第二层节点对应第二电压厂站时,以第二电压厂站在历史仿真样本数据中的厂站输入量数据为输入数据,否则以第一层节点汇集的数据作为输入数据;若第二层节点的总的输入数据个数不超过预设的个数阈值时,第二层节点直接向第三层汇集数据;否则建立第二层受限波尔兹曼机对应深度置信网模型的第二层,以深度置信网模型第二层节点的输入数据作为第二层受限波尔兹曼机的可视层节点的输入数据,将第二层受限波尔兹曼机的隐含层节点的数值向第三层汇集;
第三层设置子单元用于针对深度置信网模型的第三层节点,以第二层节点汇集的数据作为输入数据;若第三层节点的总的输入数据个数不超过预设的个数阈值时,第三层节点直接向顶级节点汇集数据;否则建立第三层受限波尔兹曼机对应深度置信网模型的第三层,以深度置信网模型第三层节点的输入数据作为第三层受限波尔兹曼机的可视层节点的输入数据,将第三层受限波尔兹曼机的隐含层节点的数值向顶级节点汇集。
其中,建模模块还包括用于优化深度置信网模型参数的参数优化单元,参数优化单元包括:随机初始化子单元、无监督训练子单元和有监督调优子单元;
随机初始化子单元用于用接近0的随机数初始化深度置信网模型中第一层受限波尔兹曼机、第二层受限波尔兹曼机和第三层受限波尔兹曼机的参数,参数包括受限波尔兹曼机隐含层与可视层之间的权值矩阵和隐含层节点的偏置;
无监督训练子单元用于采用对比散度算法从第一层受限波尔兹曼机到第三层受限波尔兹曼机逐层无监督训练深度置信网模型中各层受限波尔兹曼机的参数;
有监督调优子单元用于以历史厂站输入量数据作为深度置信网模型的输入数据,以历史厂站输入量数据对应的稳定度判别指标值作为深度置信网模型的输出数据,采用反向传播算法,对深度置信网模型中经过无监督训练的各受限玻尔兹曼机的参数进行有监督调优。
其中,数据采集模块包括变电站采集单元和发电厂采集单元;
变电站采集单元用于当连接至电网的厂站为变电站时,采集变电站的总功率、总负荷和变电站到上级相连单元的电气距离;
发电厂采集单元用于当连接至电网的厂站为变电站时,采集发电厂内每台机组的投运状态、有功、机端电压和发电厂到上级相连单元的电气距离。
其中,数据采集模块还包括归一化单元;
归一化单元用于如下式将厂站输入量数据归一化:
V’=(V-Vmin)/(Vmax-Vmin)
其中V表示厂站输入量数据,Vmin表示V的历史最小值,Vmax表示V的历史最大值,V’表示归一化后的V,V的历史值存储在预设的样本库中。
其中,稳定度判别指标计算模块包括数据输入单元、逐层计算单元和稳定度判别指标计算单元;
数据输入单元用于将厂站输入量数据,输入到电网的稳定度判别指标对应的深度置信网模型中;
逐层计算单元用于基于厂站输入量数据,从第一层到第三层逐层计算深度置信网模型各层向更上一层汇集的数据;
稳定度判别指标计算单元用于根据深度置信网模型第三层向顶级节点汇集的数据,得到顶级节点的输出数据,作为电网的稳定度判别指标对应的值。
其中,判稳模块包括三相短路临界切除时间判断单元和阻尼比判断单元;
三相短路临界切除时间判断单元用于当稳定度判别指标为三相短路临界切除时间时,若三相短路临界切除时间的值小于预设的正常保护动作时间,则判断电网不稳,否则判断电网稳定;
阻尼比判断单元用于当稳定度判别指标为阻尼比时,若阻尼比的值小于预设阻尼比阈值,则判断电网不稳,否则判断电网稳定。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。

Claims (20)

1.一种基于深度学习电网快速判稳方法,其特征在于:
获取电网的厂站输入量数据;
将所述厂站输入量数据输入预先建立的深度置信网模型,得到所述电网的稳定度判别指标对应的值;
根据所述稳定度判别指标值,判断所述电网的稳定度;
所述预先建立的深度置信网模型包括:基于电网拓扑结构构建的层级网络结构。
2.如权利要求1所述的方法,其特征在于,所述深度置信网模型的建立,包括:
根据电网的拓扑关系,建立层级网络模型;
获取所述电网的历史仿真样本;
将稳定度判别指标作为层级网络模型顶级节点,实例化所述层级网络模型,构建深度置信网模型,所述深度置信网模型包括节点的输入数据和对应的输出值;
针对所述深度置信网模型的每个节点,将所述电网的历史仿真样本数据中的所述节点对应的历史厂站输入量数据作为所述节点的输入数据;将所述电网的历史仿真样本数据中与所述顶级节点相应稳定度判别指标值作为顶级节点的输出值;
所述稳定度判别指标包括三相短路临界切除时间和阻尼比。
3.如权利要求2所述的方法,其特征在于,所述根据电网的拓扑关系,建立层级网络模型,包括:
根据电网的拓扑关系,根据电网的第一电压子网建立所述层级网络模型的第一层;
根据所述电网的第二电压子网建立所述层级网络模型的第二层;
根据所述电网建立所述层级网络模型的第三层。
4.如权利要求3所述的方法,其特征在于,所述针对所述深度置信网模型的每个节点,将所述电网的历史仿真样本数据中的所述节点对应的历史厂站输入量数据作为所述节点的输入数据,包括:
针对所述深度置信网模型的第一层节点,将所述第一层节点对应的第一电压厂站在历史仿真样本数据中的厂站输入量数据作为输入数据;
若第一层节点的总的输入数据个数不超过预设的个数阈值时,所述第一层节点直接向第二层汇集数据;否则建立第一层受限波尔兹曼机对应所述深度置信网模型的第一层,以所述深度置信网模型第一层节点的输入数据作为所述第一层受限波尔兹曼机的可视层节点的输入数据,将所述第一层受限波尔兹曼机的隐含层节点的数值向第二层汇集。
5.如权利要求4所述的方法,其特征在于,所述针对所述深度置信网模型的每个节点,将所述电网的历史仿真样本数据中的所述节点对应的历史厂站输入量数据作为所述节点的输入数据,包括:
针对所述深度置信网模型的第二层节点,当所述第二层节点对应第二电压厂站时,以所述第二电压厂站在历史仿真样本数据中的厂站输入量数据为输入数据,否则以第一层节点汇集的数据作为输入数据;
若第二层节点的总的输入数据个数不超过预设的个数阈值时,所述第二层节点直接向第三层汇集数据;否则建立第二层受限波尔兹曼机对应所述深度置信网模型的第二层,以所述深度置信网模型第二层节点的输入数据作为所述第二层受限波尔兹曼机的可视层节点的输入数据,将所述第二层受限波尔兹曼机的隐含层节点的数值向第三层汇集。
6.如权利要求5所述的方法,其特征在于,所述针对所述深度置信网模型的每个节点,将所述电网的历史仿真样本数据中的所述节点对应的历史厂站输入量数据作为所述节点的输入数据,包括:
针对所述深度置信网模型的第三层节点,以第二层节点汇集的数据作为输入数据;
若第三层节点的总的输入数据个数不超过预设的个数阈值时,所述第三层节点直接向顶级节点汇集数据;否则建立第三层受限波尔兹曼机对应所述深度置信网模型的第三层,以所述深度置信网模型第三层节点的输入数据作为所述第三层受限波尔兹曼机的可视层节点的输入数据,将所述第三层受限波尔兹曼机的隐含层节点的数值向顶级节点汇集。
7.如权利要求2所述的方法,其特征在于,,还包括优化所述深度置信网模型的参数:
用接近0的随机数初始化所述深度置信网模型中第一层受限波尔兹曼机、第二层受限波尔兹曼机和第三层受限波尔兹曼机的参数,所述参数包括受限波尔兹曼机隐含层与可视层之间的权值矩阵和隐含层节点的偏置;
采用对比散度算法从第一层受限波尔兹曼机到第三层受限波尔兹曼机逐层无监督训练所述深度置信网模型中各层受限波尔兹曼机的参数;
以历史厂站输入量数据作为所述深度置信网模型的输入数据,以所述历史厂站输入量数据对应的稳定度判别指标值作为所述深度置信网模型的输出数据,采用反向传播算法,对所述深度置信网模型中经过无监督训练的各受限玻尔兹曼机的参数进行有监督调优。
8.如权利要求2或7所述的方法,其特征在于,所述厂站输入量数据包括:
当连接至所述电网的厂站为变电站时,所述厂站输入量数据包括所述变电站的总功率、总负荷和所述变电站到上级相连单元的电气距离;
当连接至所述电网的厂站为发电厂时,所述厂站输入量数据包括所述发电厂内每台机组的投运状态、有功、机端电压和所述发电厂到上级相连单元的电气距离。
9.如权利要求8所述的方法,其特征在于,获取电网的厂站输入量数据,包括:
如下式将所述厂站输入量数据归一化:
V’=(V-Vmin)/(Vmax-Vmin)
其中V表示厂站输入量数据,Vmin表示V的历史最小值,Vmax表示V的历史最大值,V’表示归一化后的V,V的历史值存储在预设的样本库中。
10.如权利要求9所述的方法,其特征在于,所述将所述厂站输入量数据输入预先建立的深度置信网模型,得到所述电网的稳定度判别指标对应的值,包括:
将所述厂站输入量数据,输入到电网的稳定度判别指标对应的深度置信网模型中;
基于所述厂站输入量数据,从第一层到第三层逐层计算所述深度置信网模型各层向更上一层汇集的数据;
根据所述深度置信网模型第三层向顶级节点汇集的数据,得到顶级节点的输出数据,作为所述电网的稳定度判别指标对应的值。
11.如权利要求2所述的方法,其特征在于,所述根据所述稳定度判别指标值,判断所述电网的稳定度,包括:
当所述稳定度判别指标为三相短路临界切除时间时,若三相短路临界切除时间的值小于预设的正常保护动作时间,则判断所述电网不稳,否则判断所述电网稳定;
当所述稳定度判别指标为阻尼比时,若阻尼比的值小于预设阻尼比阈值,则判断所述电网不稳,否则判断所述电网稳定。
12.一种基于深度学习电网快速判稳系统,其特征在于,包括数据采集模块、稳定度判别指标计算模块和判稳模块;
所述数据采集模块用于获取电网的厂站输入量数据;
所述稳定度判别指标计算模块用于将所述厂站输入量数据输入预先建立的深度置信网模型,得到所述电网的稳定度判别指标对应的值;所述预先建立的深度置信网模型包括:基于电网拓扑结构构建的层级网络结构;
所述判稳模块用于根据所述稳定度判别指标值,判断所述电网的稳定度。
13.如权利要求12所述的系统,其特征在于,所述系统还包括建模模块,所述建模模块包括层级网络单元、历史仿真样本获取单元、深度置信网模型单元和深度置信网模型设置单元;
所述层级网络单元用于根据所述电网的拓扑关系,建立层级网络模型;
所述历史仿真样本获取单元用于获取所述电网的历史仿真样本;
所述深度置信网模型单元用于将稳定度判别指标作为层级网络模型顶级节点,实例化所述层级网络模型,构建深度置信网模型,所述深度置信网模型包括节点的输入数据和对应的输出值;
所述深度置信网模型设置单元用于针对所述深度置信网模型的每个节点,将所述电网的历史仿真样本数据中的所述节点对应的历史厂站输入量数据作为所述节点的输入数据;将所述电网的历史仿真样本数据中与所述顶级节点相应稳定度判别指标值作为顶级节点的输出值;
所述稳定度判别指标包括三相短路临界切除时间和阻尼比。
14.如权利要求13所述的系统,其特征在于,所述层级网络单元包括第一层建立子单元、第二层建立子单元和第三层建立子单元;
所述第一层建立子单元用于根据电网的拓扑关系,根据电网的第一电压子网建立所述层级网络模型的第一层;
所述第二层建立子单元用于根据所述电网的第二电压子网建立所述层级网络模型的第二层;
所述第三层建立子单元根据所述电网建立所述层级网络模型的第三层。
15.如权利要求14所述的系统,其特征在于,所述深度置信网模型设置单元包括第一层设置子单元、第二层设置子单元和第三层设置子单元;
所述第一层设置子单元用于针对所述深度置信网模型的第一层节点,将所述第一层节点对应的第一电压厂站在历史仿真样本数据中的厂站输入量数据作为输入数据;若第一层节点的总的输入数据个数不超过预设的个数阈值时,所述第一层节点直接向第二层汇集数据;否则建立第一层受限波尔兹曼机对应所述深度置信网模型的第一层,以所述深度置信网模型第一层节点的输入数据作为所述第一层受限波尔兹曼机的可视层节点的输入数据,将所述第一层受限波尔兹曼机的隐含层节点的数值向第二层汇集;
所述第二层设置子单元用于针对所述深度置信网模型的第二层节点,当所述第二层节点对应第二电压厂站时,以所述第二电压厂站在历史仿真样本数据中的厂站输入量数据为输入数据,否则以第一层节点汇集的数据作为输入数据;若第二层节点的总的输入数据个数不超过预设的个数阈值时,所述第二层节点直接向第三层汇集数据;否则建立第二层受限波尔兹曼机对应所述深度置信网模型的第二层,以所述深度置信网模型第二层节点的输入数据作为所述第二层受限波尔兹曼机的可视层节点的输入数据,将所述第二层受限波尔兹曼机的隐含层节点的数值向第三层汇集;
所述第三层设置子单元用于针对所述深度置信网模型的第三层节点,以第二层节点汇集的数据作为输入数据;若第三层节点的总的输入数据个数不超过预设的个数阈值时,所述第三层节点直接向顶级节点汇集数据;否则建立第三层受限波尔兹曼机对应所述深度置信网模型的第三层,以所述深度置信网模型第三层节点的输入数据作为所述第三层受限波尔兹曼机的可视层节点的输入数据,将所述第三层受限波尔兹曼机的隐含层节点的数值向顶级节点汇集。
16.如权利要求13所述的系统,其特征在于,所述建模模块还包括用于优化所述深度置信网模型参数的参数优化单元,所述参数优化单元包括:随机初始化子单元、无监督训练子单元和有监督调优子单元;
所述随机初始化子单元用于用接近0的随机数初始化所述深度置信网模型中第一层受限波尔兹曼机、第二层受限波尔兹曼机和第三层受限波尔兹曼机的参数,所述参数包括受限波尔兹曼机隐含层与可视层之间的权值矩阵和隐含层节点的偏置;
所述无监督训练子单元用于采用对比散度算法从第一层受限波尔兹曼机到第三层受限波尔兹曼机逐层无监督训练所述深度置信网模型中各层受限波尔兹曼机的参数;
所述有监督调优子单元用于以历史厂站输入量数据作为所述深度置信网模型的输入数据,以所述历史厂站输入量数据对应的稳定度判别指标值作为所述深度置信网模型的输出数据,采用反向传播算法,对所述深度置信网模型中经过无监督训练的各受限玻尔兹曼机的参数进行有监督调优。
17.如权利要求13或16所述的系统,其特征在于,所述数据采集模块包括变电站采集单元和发电厂采集单元;
所述变电站采集单元用于当连接至所述电网的厂站为变电站时,采集所述变电站的总功率、总负荷和所述变电站到上级相连单元的电气距离;
所述发电厂采集单元用于当连接至所述电网的厂站为变电站时,采集所述发电厂内每台机组的投运状态、有功、机端电压和所述发电厂到上级相连单元的电气距离。
18.如权利要求17所述的系统,其特征在于,所述数据采集模块还包括归一化单元;
所述归一化单元用于如下式将所述厂站输入量数据归一化:
V’=(V-Vmin)/(Vmax-Vmin)
其中V表示厂站输入量数据,Vmin表示V的历史最小值,Vmax表示V的历史最大值,V’表示归一化后的V,V的历史值存储在预设的样本库中。
19.如权利要求18所述的系统,其特征在于,所述稳定度判别指标计算模块包括数据输入单元、逐层计算单元和稳定度判别指标计算单元;
所述数据输入单元用于将所述厂站输入量数据,输入到电网的稳定度判别指标对应的深度置信网模型中;
所述逐层计算单元用于基于所述厂站输入量数据,从第一层到第三层逐层计算所述深度置信网模型各层向更上一层汇集的数据;
所述稳定度判别指标计算单元用于根据所述深度置信网模型第三层向顶级节点汇集的数据,得到顶级节点的输出数据,作为所述电网的稳定度判别指标对应的值。
20.如权利要求13所述的系统,其特征在于,所述判稳模块包括三相短路临界切除时间判断单元和阻尼比判断单元;
所述三相短路临界切除时间判断单元用于当所述稳定度判别指标为三相短路临界切除时间时,若三相短路临界切除时间的值小于预设的正常保护动作时间,则判断所述电网不稳,否则判断所述电网稳定;
所述阻尼比判断单元用于当所述稳定度判别指标为阻尼比时,若阻尼比的值小于预设阻尼比阈值,则判断所述电网不稳,否则判断所述电网稳定。
CN201810082877.8A 2018-01-29 2018-01-29 一种基于深度学习电网快速判稳方法和系统 Active CN108183481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810082877.8A CN108183481B (zh) 2018-01-29 2018-01-29 一种基于深度学习电网快速判稳方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810082877.8A CN108183481B (zh) 2018-01-29 2018-01-29 一种基于深度学习电网快速判稳方法和系统

Publications (2)

Publication Number Publication Date
CN108183481A true CN108183481A (zh) 2018-06-19
CN108183481B CN108183481B (zh) 2022-04-29

Family

ID=62551641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810082877.8A Active CN108183481B (zh) 2018-01-29 2018-01-29 一种基于深度学习电网快速判稳方法和系统

Country Status (1)

Country Link
CN (1) CN108183481B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109638883A (zh) * 2018-12-29 2019-04-16 国网陕西省电力公司 电网电压控制方法、装置、计算机设备和存储介质
CN111612213A (zh) * 2020-04-10 2020-09-01 中国南方电网有限责任公司 基于深度学习的断面约束智能化预警方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102570459A (zh) * 2012-02-15 2012-07-11 中国电力科学研究院 一种电压质量的监控方法
CN104538957A (zh) * 2014-12-31 2015-04-22 江苏省电力公司 用于统计低频低压切负荷容量的电网模型自适应处理方法
CN104794534A (zh) * 2015-04-16 2015-07-22 国网山东省电力公司临沂供电公司 一种基于改进深度学习模型的电网安全态势预测方法
CN105676018A (zh) * 2015-11-23 2016-06-15 江苏省电力公司 一种基于稳态学习机制的电网低频振荡模糊综合预警方法
US9569589B1 (en) * 2015-02-06 2017-02-14 David Laborde System, medical item including RFID chip, data collection engine, server and method for capturing medical data
CN106504116A (zh) * 2016-10-31 2017-03-15 山东大学 基于电网运行与暂态稳定裕度指标关联的稳定评估方法
CN106503800A (zh) * 2016-10-11 2017-03-15 天津大学 基于复杂网络的深度学习模型及在测量信号分析中的应用
US20170117708A1 (en) * 2015-10-23 2017-04-27 Cooper Technologies Company Controller and method of controlling power supplied from a small power source to a power grid
CN106877501A (zh) * 2017-03-03 2017-06-20 上海交通大学 基于控保一体化概念的直流变电站层级运行系统及方法
CN107391852A (zh) * 2017-07-26 2017-11-24 清华大学 基于深度置信网络的暂态稳定性实时评估方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102570459A (zh) * 2012-02-15 2012-07-11 中国电力科学研究院 一种电压质量的监控方法
CN104538957A (zh) * 2014-12-31 2015-04-22 江苏省电力公司 用于统计低频低压切负荷容量的电网模型自适应处理方法
US9569589B1 (en) * 2015-02-06 2017-02-14 David Laborde System, medical item including RFID chip, data collection engine, server and method for capturing medical data
CN104794534A (zh) * 2015-04-16 2015-07-22 国网山东省电力公司临沂供电公司 一种基于改进深度学习模型的电网安全态势预测方法
US20170117708A1 (en) * 2015-10-23 2017-04-27 Cooper Technologies Company Controller and method of controlling power supplied from a small power source to a power grid
CN105676018A (zh) * 2015-11-23 2016-06-15 江苏省电力公司 一种基于稳态学习机制的电网低频振荡模糊综合预警方法
CN106503800A (zh) * 2016-10-11 2017-03-15 天津大学 基于复杂网络的深度学习模型及在测量信号分析中的应用
CN106504116A (zh) * 2016-10-31 2017-03-15 山东大学 基于电网运行与暂态稳定裕度指标关联的稳定评估方法
CN106877501A (zh) * 2017-03-03 2017-06-20 上海交通大学 基于控保一体化概念的直流变电站层级运行系统及方法
CN107391852A (zh) * 2017-07-26 2017-11-24 清华大学 基于深度置信网络的暂态稳定性实时评估方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUE LIU 等: "《The Method of Insulator Recognition Based on Deep Learning》", 《2016 4TH INTERNATIONAL CONFERENCE ON APPLIED ROBOTICS FOR THE POWER INDUSTRY (CARPI)》 *
刘威等: "《基于深度强化学习的电网紧急控制策略研究》", 《中国电机工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109638883A (zh) * 2018-12-29 2019-04-16 国网陕西省电力公司 电网电压控制方法、装置、计算机设备和存储介质
CN109638883B (zh) * 2018-12-29 2020-12-22 国网陕西省电力公司 电网电压控制方法、装置、计算机设备和存储介质
CN111612213A (zh) * 2020-04-10 2020-09-01 中国南方电网有限责任公司 基于深度学习的断面约束智能化预警方法及系统
CN111612213B (zh) * 2020-04-10 2023-10-10 中国南方电网有限责任公司 基于深度学习的断面约束智能化预警方法及系统

Also Published As

Publication number Publication date
CN108183481B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN110311376B (zh) 一种电力系统动态安全评估综合模型及时空可视化方法
CN108551167B (zh) 一种基于XGBoost算法的电力系统暂态稳定判别方法
Amjady et al. Transient stability prediction by a hybrid intelligent system
CN102074955B (zh) 基于知识发现技术的电力系统稳定评估及控制方法
CN108832619A (zh) 基于卷积神经网络的电力系统暂态稳定评估方法
Wang et al. Decision tree based online stability assessment scheme for power systems with renewable generations
CN106786560A (zh) 一种电力系统稳定特征自动提取方法及装置
CN104392056B (zh) 一种直驱风电机组建模方法及装置
CN114006370B (zh) 一种电力系统暂态稳定分析评估方法及系统
CN109086913A (zh) 一种基于深度学习的电力系统暂态稳定评估方法及系统
CN108667005B (zh) 一种计及新能源影响的电网静动态结合脆弱性评估方法
CN108053128A (zh) 一种基于elm和tf的电网暂态稳定快速评估方法
CN110264116A (zh) 一种基于关系探索与回归树的电力系统动态安全评估方法
CN109742788B (zh) 一种新能源电站并网性能评价指标修正方法
CN110994604A (zh) 基于lstm-dnn模型的电力系统暂态稳定评估方法
CN115017787A (zh) 基于智能算法的风电场电压穿越特性等值建模方法及系统
CN105893714B (zh) 基于大电网仿真系统下的自动电压控制系统闭环检测及评估方法
CN108183481A (zh) 一种基于深度学习电网快速判稳方法和系统
CN105701265B (zh) 一种双馈风电机组建模方法及装置
Zhang et al. A data-driven method for power system transient instability mode identification based on knowledge discovery and XGBoost algorithm
CN112103950B (zh) 一种基于改进gn分裂算法的电网分区方法
He et al. Power system frequency situation prediction method based on transfer learning
CN106981872B (zh) 一种电力系统运行可靠性的确定方法及装置
CN111404163A (zh) 一种电磁环网开环方法
CN111293687A (zh) 一种基于三维粒子群算法的分布式电源选址定容的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant