CN108879732A - 电力系统暂态稳定评估方法及装置 - Google Patents
电力系统暂态稳定评估方法及装置 Download PDFInfo
- Publication number
- CN108879732A CN108879732A CN201810871987.2A CN201810871987A CN108879732A CN 108879732 A CN108879732 A CN 108879732A CN 201810871987 A CN201810871987 A CN 201810871987A CN 108879732 A CN108879732 A CN 108879732A
- Authority
- CN
- China
- Prior art keywords
- transient stability
- model
- stability evaluation
- operating condition
- evaluation model
- 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
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种电力系统暂态稳定评估方法及装置,其中,该方法包括:获取待测试的电力系统运行工况数据;将待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果;其中,目标暂态稳定评估模型是根据运行工况数据从暂态稳定评估模型集合中选取的,暂态稳定评估模型集合包含至少两个暂态稳定评估模型,暂态稳定评估模型集合是对多个预训练暂态稳定评估模型进行规整后得到的,多个预训练暂态稳定评估模型各自对应一种工况类型。本发明实施例提供的方法,可以克服不同运行工况类型下电力系统的暂态特性的差异的问题,从而使目标暂态稳定评估模型的评估结果更准确,进而提高评估结果正确率。
Description
技术领域
本发明涉及电力系统自动化领域,尤其涉及一种电力系统暂态稳定评估方法及装置。
背景技术
随着经济的快速发展,大规模电网之间的互联使得电网间的联系越来越紧密,互联电网间呈现出更加复杂的动态特性,同时高渗透率新能源的接入增加了电力系统的复杂度,使得电力系统控制变得更加复杂。一旦发生电力系统故障,将会造成大区域停电事故,因此电力系统暂态稳定评估是一个极为重要的课题。
目前基于机器学习的电力系统暂态稳定评估算法,一般包括离线训练、在线评估、滚动更新几个步骤。离线训练一般使用目标电力系统的仿真数据,从在线测量得到多个实际的运行工况,将这些运行工况作为仿真的初始条件,并设置运行工况对应的预想故障参数进行仿真,仿真得出大量的仿真结果,仿真结果包含系统状态变量、代数变量的时间序列,同时还有系统经受预想故障扰动之后的状态。通过利用这些离线仿真的数据,对设计的暂态稳定评估模型进行训练。在线应用中,暂态稳定评估模型利用电力系统测量系统收集的数据,对电力系统一段时间之后的状态进行评估,给出评估结果。
然而,由于电力系统的运行状态在不断地改变,电力系统的暂态特性也会发生变化。目前研究大多将电力系统所有的运行工况对应的暂态仿真结果用于训练单一的暂态稳定评估模型,忽略了不同运行工况下电力系统的暂态特性的差异,这会使得暂态稳定评估模型的评估结果不准确,使得暂态稳定评估模型的评估性能降低。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种电力系统暂态稳定评估方法及装置。
第一方面,本发明实施例提供一种电力系统暂态稳定评估方法,包括:
获取待测试的电力系统运行工况数据;
将待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果;其中,目标暂态稳定评估模型是根据运行工况数据从暂态稳定评估模型集合中选取的,暂态稳定评估模型集合包含至少两个暂态稳定评估模型,暂态稳定评估模型集合是对多个预训练暂态稳定评估模型进行规整后得到的,多个预训练暂态稳定评估模型各自对应一种工况类型。
第二方面,本发明实施例提供一种电力系统暂态稳定评估装置,包括:
获取模块,用于获取待测试的电力系统运行工况数据;
处理模块,用于将待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果;
其中,目标暂态稳定评估模型是根据运行工况数据从暂态稳定评估模型集合中选取的,暂态稳定评估模型集合包含至少两个暂态稳定评估模型,暂态稳定评估模型集合是对多个预训练暂态稳定评估模型进行规整后得到的,多个预训练暂态稳定评估模型各自对应一种工况类型。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,处理器执行程序时实现如本发明第一方面实施例提供的电力系统暂态稳定评估方法的步骤。
第四方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现本发明第一方面实施例提供的电力系统暂态稳定评估方法的步骤。
本发明实施例提供的方法,通过获取待测试的电力系统运行工况数据,将获取的待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果。由于目标暂态稳定评估模型是根据待测试的电力系统运行工况数据从暂态稳定评估模型集合中选取的,暂态稳定评估模型集合中每一暂态稳定评估模型各自对应一种工况类型,由此,通过根据待测试的电力系统运行工况数据,从暂态稳定评估模型集合中选取合适的工况类型对应的模型作为目标暂态稳定评估模型,可以克服不同运行工况类型下电力系统的暂态特性的差异的问题,从而使目标暂态稳定评估模型的评估结果更准确,进而提高评估结果正确率。
附图说明
图1为本发明实施例提供的电力系统暂态稳定评估方法的流程示意图;
图2为RNN网络的结构示意图;
图3为LSTM单元的结构示意图;
图4为本发明实施例提供的电力系统暂态稳定评估装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前研究大多将电力系统所有的运行工况对应的暂态仿真结果用于训练单一的暂态稳定评估模型,然而,由于电力系统的运行状态在不断地改变,电力系统的暂态特性也会发生变化,训练单一的暂态稳定评估模型忽略了不同运行工况下电力系统的暂态特性的差异,从而使得训练的单一的暂态稳定评估模型的评估结果不准确,进而使得暂态稳定评估模型的评估性能降低。为了解决上述问题,本发明实施例提供一种电力系统暂态稳定评估方法,该方法可以用于电力系统暂态稳定评估场景,也可以用于其它评估场景,本发明对此不作具体限定。图1为本发明实施例提供的电力系统暂态稳定评估方法的流程示意图,如图1所示,该方法包括:
步骤101、获取待测试的电力系统运行工况数据。
具体地,待测试的电力系统运行工况数据可以是某时刻的待测试的电力系统的潮流断面,使用潮流断面来描述电力系统在该时刻的运行工况。在本发明实施例中,将潮流断面用一个潮流向量的形式来进行描述。
步骤102、将待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果;其中,目标暂态稳定评估模型是根据运行工况数据从暂态稳定评估模型集合中选取的,暂态稳定评估模型集合包含至少两个暂态稳定评估模型,暂态稳定评估模型集合是对多个预训练暂态稳定评估模型进行规整后得到的,多个预训练暂态稳定评估模型各自对应一种工况类型。
在步骤102中,将获取的待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果,评估结果包括稳定和不稳定两种。
需要说明的是,暂态稳定评估模型集合包含多个暂态稳定评估模型,一般地,至少包含两个暂态稳定评估模型。暂态稳定评估模型集合是对多个预训练暂态稳定评估模型进行规整后得到的,多个预训练暂态稳定评估模型各自对应一种工况类型,相应的,暂态稳定评估模型集合中多个暂态稳定评估模型中每一暂态稳定评估模型对应一种工况类型。
预训练暂态稳定评估模型是基于聚类后的电力系统运行工况数据集合和对应的聚类后的预想故障暂态仿真结果集合训练得到的。通过对多个预训练暂态稳定评估模型进行训练,对多个预训练暂态稳定评估模型中每一模型对应的工况类型进行再次聚类,对再次聚类后的运行工况数据再次训练,选取测试合格的多个预训练暂态稳定评估模型确定为暂态稳定评估模型集合。
目标暂态稳定评估模型可以是从暂态稳定评估模型集合中选取的任一暂态稳定评估模型,相应的,目标暂态稳定评估模型对应一种工况类型。
在上述情形中,目标暂态稳定评估模型是根据待测试的电力系统的运行工况数据从暂态稳定评估模型集合中选取的。在实际应用中,可以根据待测试的电力系统运行工况数据与暂态稳定评估模型集合中每一暂态稳定评估模型各自对应的工况类型之间的相似度,将相似度最大的对应的暂态稳定评估模型确定为目标暂态稳定评估模型。
本发明实施例提供的方法,通过获取待测试的电力系统运行工况数据,将获取的待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果。由于目标暂态稳定评估模型是根据待测试的电力系统运行工况数据从暂态稳定评估模型集合中选取的,暂态稳定评估模型集合中每一暂态稳定评估模型各自对应一种工况类型。由此,通过根据待测试的电力系统运行工况数据,从暂态稳定评估模型集合中选取合适的工况类型对应的模型作为目标暂态稳定评估模型,可以克服不同运行工况类型下电力系统的暂态特性的差异的问题,从而使目标暂态稳定评估模型的评估结果更准确,进而提高评估结果正确率。
基于上述实施例的内容,作为一种可选实施例,本发明实施例不对将待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果之前的内容作具体限定,包括但不限于:
将多个预训练暂态稳定评估模型作为迭代模型集合,从迭代模型集合中选取满足预设条件的模型对,将模型对中一个模型对应的工况类型与另一个模型的工况类型作为新的工况类型,并基于一个模型对应的样本训练数据及另一个模型对应的样本训练数据对初始暂态稳定评估模型进行训练,得到新的工况类型对应的模型,从迭代模型集合中剔除模型对,将新的工况类型对应的模型添加至迭代模型集合中,并记录迭代模型集合,重复执行上述从迭代模型集合选取模型对、更新迭代模型集合以及记录迭代模型集合的过程,直至迭代模型集合中模型的数量只剩下一个;其中,样本训练数据包括样本工况数据及样本工况数据对应的仿真结果数据。
需要说明的是,预训练暂态稳定评估模型是基于初始暂态稳定评估模型训练的。初始暂态稳定评估模型是根据电力系统运行工况数据集合和对应的预想故障暂态仿真结果集合训练得到的,其中仿真结果是以对应的运行工况为边界条件进行的一组预想故障分析得到的暂态仿真结果。本发明实施例不对根据电力系统运行工况数据集合和预想故障暂态仿真结果集合训练初始暂态稳定评估模型的方法作具体限定,包括但不限于:基于循环神经网络中的长短时记忆单元(Long short-term memory,LSTM)训练初始暂态稳定评估模型。
其次,通过获取聚类后的电力系统运行工况数据和对应的聚类后的预想故障暂态仿真结果数据;将聚类后运行工况数据中每一组运行工况类型和对应的仿真结果,输入初始暂态稳定评估模型,训练得到迭代模型集合,迭代模型集合中包含多个预训练暂态稳定评估模型。其中,预训练暂态稳定评估模型集合中每一模型都有一对训练参数;
在上述情形中,预训练暂态稳定评估模型是基于聚类后的电力系统运行工况数据集合和对应的聚类后的预想故障暂态仿真结果数据集合训练的,本发明实施例不对训练预训练暂态稳定评估模型的方法作具体限定,包括但不限于:基于循环神经网络中的LSTM训练初始暂态稳定评估模型。
需要说明的是,长短时记忆单元是一种对循环神经网络(Recurrent NeuralNetwork,RNN)的改进。RNN是一种特殊的神经网络。在处理序列数据的时候,比如文本、语音、视频等,这些数据存在序列上的前后关联。例如,在文本中,一个词和它前面的词是有关联的;在气象预测中,一天的天气情况和前一段时间的天气是有关联的。传统神经网络包括卷积神经网络的输入数据和输出数据的尺寸都是固定的,而且模型对于从输入到输出的映射运算的步骤也是固定的,与神经网络的结构有关。RNN则是针对序列型数据专门设计的神经网络,它能接受长度可变的输入序列,输出也是一个长度可变的序列。
除了输入结构输出结构之外,RNN的另一个特点是它能学习输入数据在序列上的相关性。人类在分析序列型数据的时候,在接受t0时刻的数据输入之后,会将分析结果存在大脑中,然后在接收到下一个时刻t1的数据输入之后,会结合这个输入和之前时刻的分析结果,得出新的分析结果,并且在大脑中进行更新,RNN的结构设计正是参考了这一个分析的过程。
图2为RNN网络的结构示意图,如图2所示,在RNN的网络结构中,隐藏层神经元具备指向自己的循环连接,将它按照时间序列展开,即可得到右边的示意图。
尽管RNN在结构上具有其他神经网络不具备的优点,但同样也带来了训练上的困难,也就是隐藏层参数的传播问题。误差在展开的RNN上进行传播的时候,无论在前向传播过程还是在反向传播过程中隐藏层参数会被乘上很多次,这就导致可能会出现梯度消失、梯度爆炸这两个问题。与其他神经网络相比,RNN由于结构的原因更容易出现上述的两种问题。因此导致了RNN的训练相对比较困难。梯度爆炸的问题可以使用截断的方式来有效避免。而梯度消失则是制约RNN学习长序列中数据的前后关联性的关键。LSTM就是研究者为了克服这个问题而设计的RNN的改进。从本质上讲,LSTM相当于把RNN中隐藏层节点的神经元进行了修改,将单个隐藏层神经元替换成了单个具有记忆功能的长短时记忆单元(LSTMcell)。
图3为LSTM单元的结构示意图,如图3所示,LSTM包含三种门单元:输入门(inputgate)、遗忘门(forget gate)和输出门(output gate)。三种门与一个记忆单元(图中的Cell)共同维护LSTM单元的状态。由于LSTM的简单性和有效性,大量基于LSTM的应用被开发了出来,比如语音识别、文本翻译、时间序列预测等。
在实际训练模型的过程中,考虑到训练样本的特性,训练模型还可以基于卷积神经网络和递归神经网络等。
具体地,可先选择多个预训练暂态稳定评估模型作为迭代模型集合,并从迭代模型集合中选取满足预设条件的模型对,将模型对中一个模型对应的工况类型与另一个模型的工况类型作为新的工况类型,基于一个模型对应的样本训练数据和另一个模型对应的样本训练数据对初始暂态稳定评估模型进行训练。具体地,基于新的工况类型以及对应的新的仿真结果对初始暂态稳定评估模型进行训练时,将新的工况类型和对应的新的仿真结果输入初始暂态稳定评估模型,可得到新的工况类型对应的模型。其中,初始暂态稳定评估模型是根据电力系统运行工况数据集合和对应的预想故障暂态仿真结果集合训练得到的。
从迭代模型集合中剔除模型对,将新的工况类型对应的模型添加至迭代模型集合中,并记录更新的迭代模型集合,重复执行上述从迭代模型集合选取模型对、更新迭代模型集合以及记录迭代模型集合的过程,直至迭代模型集合中模型的数量只剩下一个;其中,样本训练数据包括样本工况数据及样本工况数据对应的仿真结果数据。上述迭代过程中,不同的迭代的次数对应的迭代模型集合不同。
本发明实施例提供的方法,通过从迭代模型集合选取模型对,更新迭代模型集合以及记录迭代模型集合的过程,直至迭代模型集合中模型的数量只剩下一个,可以记录迭代模型集合随迭代次数变化的变化过程,从而使得后续的统计结果更加准确。
基于上述实施例的内容,作为一种可选实施例,本发明实施例不对从迭代模型集合中选取满足预设条件的模型对的方法作具体限定,包括但不限于:
对于迭代模型集合中的每一模型,分别计算每一模型的训练参数向量与其它模型中每一模型的训练参数向量之间的相似度;
选取最大相似度对应的一组模型作为满足预设条件的模型对。
在上述情形中,迭代模型集合中包含多个模型,每一模型对应各自的训练参数向量,分别计算每一模型的训练参数向量与其它模型中每一模型的训练参数向量之间的相似度,也即迭代模型集合中任意两个模型各自对应的训练参数向量之间均进行一次相似度的计算。
需要说明的是,确定每一模型的训练参数向量与其它模型中每一模型的训练参数向量之间的相似度的方法,包括但不限于:计算向量之间的欧氏距离,利用欧氏距离的大小衡量不同的模型对应的训练参数的相似性大小。选取欧氏距离最小的数值对应相似度最高,将最大相似度对应的一组模型作为满足预设条件的模型对。
在实际过程中,根据参数的特性,计算距离的方法,还可以采用最小距离法、最长距离法、类平均距离法、离差平方和法、密度估值法、重心法等。
本发明实施例提供的方法,通过对于迭代模型集合中的每一模型,分别计算每一模型的训练参数向量与其它模型中每一模型的训练参数向量之间的相似度,选取最大相似度对应的一组模型作为满足预设条件的模型对,可以更为准确的确定出满足条件的模型对。
基于上述实施例的内容,作为一种可选实施例,本发明实施例不对训练参数的内容作具体限定,包括但不限于:两项参数,两项参数分别为权重项和偏置项。
具体地,权重项W和偏置项b为表征模型的参数,在分别计算每一模型的训练参数向量与其它模型中每一模型的训练参数向量之间的相似度时,不考虑模型中其余的参数,训练参数仅为权重项W和偏置项b。在算法中,我们可以将每一模型中的W和b参数合并成一个向量,使用欧式距离衡量迭代模型集合中任意每一组模型对之间训练参数的相似性。
本发明实施例提供的方法,训练参数为权重项和偏置项,相应的,对于迭代模型集合中的每一模型,通过分别计算每一模型的权重项和偏置项的参数向量与其它模型中每一模型的权重项和偏置项的参数向量之间的相似度,选取最大相似度对应的一组模型作为满足预设条件的模型对,可以更为准确的确定出满足条件的模型对。
基于上述实施例的内容,作为一种可选实施例,本发明实施例不对将待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果之前的内容作具体限定,包括但不限于:
根据每次记录的迭代模型集合对应的迭代次数、每次记录的迭代模型集合对应的评估结果正确率及多个预训练暂态稳定评估模型对应的评估结果正确率,获取迭代次数与评估结果正确率之间的关系曲线,并根据关系曲线,确定暂态稳定评估模型集合。
在上述迭代过程中,不同的迭代的次数对应的迭代模型集合不同,不同的迭代模型集合的评估结果正确率各不相同。其中,迭代次数为零时,迭代模型集合为多个预训练暂态稳定评估模型对应的模型集合,预训练暂态稳定评估模型是将聚类后的每一类型的工况数据及对应的仿真结果输入初始暂态稳定评估模型后训练得到的,多个类型的工况数据及对应的多类仿真结果对应的每组样本训练得到多个预训练暂态稳定评估模型,初始暂态稳定评估模型是根据电力系统运行工况数据集合和对应的预想故障暂态仿真结果集合训练得到的一个模型。
在多次迭代对应的多个不同的迭代模型集合中确定一个模型集合作为暂态稳定评估模型集合的方法,可以是通过获取迭代次数与评估结果正确率之间的关系曲线,根据关系曲线,确定暂态稳定评估模型集合。
本发明实施例提供的方法,通过根据每次记录的迭代模型集合对应的迭代次数、每次记录的迭代模型集合对应的评估结果正确率及多个预训练暂态稳定评估模型对应的评估结果正确率,获取迭代次数与评估结果正确率之间的关系曲线,并根据关系曲线,确定暂态稳定评估模型集合,可以更高效的确定暂态稳定评估模型集合,从而帮助更准确地确定目标暂态稳定评估模型。
基于上述实施例的内容,作为一种可选实施例,本发明实施例不对将待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果之前的内容作具体限定,包括但不限于:
计算待测试的电力系统运行工况数据与暂态稳定评估模型集合中每一暂态稳定评估模型对应的工况类型之间的相似度,选取最大相似度对应的暂态稳定评估模型作为目标暂态稳定评估模型。
暂态稳定评估模型集合中每一暂态稳定评估模型对应一种工况类型,通过计算待测试的电力系统运行工况数据与暂态稳定评估模型集合中每一暂态稳定评估模型对应的工况类型之间的相似度,选取最大相似度对应的暂态稳定评估模型作为目标暂态稳定评估模型,从而确定出与待测试的电力系统运行工况数据最相似的目标暂态稳定评估模型,进而可以克服不同运行工况类型下电力系统的暂态特性的差异的问题,从而使目标暂态稳定评估模型的评估结果更准确,进而提高评估结果正确率。
基于上述实施例的内容,作为一种可选实施例,本发明实施例不对目标暂态稳定评估模型的结构作具体限定,包括但不限于:目标暂态稳定评估模型的结构包括输入层、双LSTM层、全连接层、Softmax函数层和输出层。
为了充分挖掘输入数据中的时间相关性,目标暂态稳定评估模型的结构采用双层LSTM网络的结构。使用全连接层连接在双LSTM层后面,将双LSTM层的输出作为全连接层的输入来进行特征提取。具体地,全连接层激活函数可以选择ReLU函数,并通过Softmax函数层对全连接层的特征向量进行分类,可以选择交叉熵损失函数作为整个模型的损失函数,梯度下降算法选择小批量梯度下降(Mini batch Gradient Desent,以下简称MGD),MGD是将整个数据集分割成多个批次,按批次进行训练。通常一个批次的大小为100到1000个数据样本左右,这组数据共同决定本次梯度的方向,减少了梯度过程中的随机性,同时也不会使得计算量太大。
本发明实施例提供的方法,通过设置目标暂态稳定评估模型的结构包括输入层、双LSTM层、全连接层、Softmax函数层和输出层,使得该模型可以更好的帮助进行电力系统暂态稳定评估。
图4为本发明实施例提供的电力系统暂态稳定评估装置的结构示意图,如图4所示,包括获取模块41和处理模块42。其中,获取模块41用于获取待测试的电力系统运行工况数据;处理模块42用于将待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果;其中,目标暂态稳定评估模型是根据运行工况数据从暂态稳定评估模型集合中选取的,暂态稳定评估模型集合包含至少两个暂态稳定评估模型,暂态稳定评估模型集合是对多个预训练暂态稳定评估模型进行规整后得到的,多个预训练暂态稳定评估模型各自对应一种工况类型。
具体地,待测试的电力系统运行工况数据可以是某时刻的待测试的电力系统的潮流断面,使用潮流断面来描述电力系统在该时刻的运行工况。在本发明实施例中,将潮流断面用一个潮流向量的形式来进行描述。
获取模块41获取待测试的电力系统运行工况数据后,处理模块42将待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果;评估结果包括稳定和不稳定两种。
需要说明的是,暂态稳定评估模型集合包含多个暂态稳定评估模型,一般地,至少包含两个暂态稳定评估模型。暂态稳定评估模型集合是对多个预训练暂态稳定评估模型进行规整后得到的,多个预训练暂态稳定评估模型各自对应一种工况类型,相应的,暂态稳定评估模型集合中多个暂态稳定评估模型中每一暂态稳定评估模型对应一种工况类型。
预训练暂态稳定评估模型是基于聚类后的电力系统运行工况数据集合和对应的聚类后的预想故障暂态仿真结果集合训练的。通过对多个预训练暂态稳定评估模型进行训练,对多个预训练暂态稳定评估模型中每一模型对应的工况类型进行再次聚类,对再次聚类后的运行工况数据再次训练,选取测试合格的多个预训练暂态稳定评估模型确定为暂态稳定评估模型集合。
目标暂态稳定评估模型可以是从暂态稳定评估模型集合中选取的任一暂态稳定评估模型,相应地,目标暂态稳定评估模型对应一种工况类型。
在上述情形中,目标暂态稳定评估模型是根据待测试的电力系统的运行工况数据从暂态稳定评估模型集合中选取的。在实际应用中,可以根据待测试的电力系统运行工况数据与暂态稳定评估模型集合中每一暂态稳定评估模型各自对应的工况类型之间的相似度,将相似度最大的对应的暂态稳定评估模型确定为目标暂态稳定评估模型。
本发明实施例提供的装置,通过获取模块获取待测试的电力系统运行工况数据,处理模块将获取的待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果。由于目标暂态稳定评估模型是根据待测试的电力系统运行工况数据从暂态稳定评估模型集合中选取的,暂态稳定评估模型集合中每一暂态稳定评估模型各自对应一种工况类型。由此,通过根据待测试的电力系统运行工况数据,从暂态稳定评估模型集合中选取合适的工况类型对应的模型作为目标暂态稳定评估模型,可以克服不同运行工况类型下电力系统的暂态特性的差异的问题,从而使目标暂态稳定评估模型的评估结果更准确,进而提高评估结果正确率。
图5为本发明实施例提供的一种电子设备的结构示意图,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现电力系统暂态稳定评估方法的步骤。
具体地,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和总线540,其中,处理器510,通信接口520,存储器530通过总线540完成相互间的通信。通信接口540可以用于电子设备之间的信息传输。处理器510可以调用存储器530中的逻辑指令,以执行如下方法:
获取待测试的电力系统运行工况数据;将待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果;其中,目标暂态稳定评估模型是根据运行工况数据从暂态稳定评估模型集合中选取的,暂态稳定评估模型集合包含至少两个暂态稳定评估模型,暂态稳定评估模型集合是对多个预训练暂态稳定评估模型进行规整后得到的,多个预训练暂态稳定评估模型各自对应一种工况类型。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现电力系统暂态稳定评估方法的步骤。例如包括:获取待测试的电力系统运行工况数据;将待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果;其中,目标暂态稳定评估模型是根据运行工况数据从暂态稳定评估模型集合中选取的,暂态稳定评估模型集合包含至少两个暂态稳定评估模型,暂态稳定评估模型集合是对多个预训练暂态稳定评估模型进行规整后得到的,多个预训练暂态稳定评估模型各自对应一种工况类型。
本发明电子设备实施例和非暂态计算机可读存储介质实施例是用于执行电力系统暂态稳定评估方法实施例的,具体的流程和详细的内容,请参照上述电力系统暂态稳定评估方法实施例,此处不再赘述。
另外,本领域内的技术人员应当理解的是,在本发明的申请文件中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中,说明了大量具体细节。然而应当理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电力系统暂态稳定评估方法,其特征在于,包括:
获取待测试的电力系统运行工况数据;
将所述待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果;其中,所述目标暂态稳定评估模型是根据所述运行工况数据从暂态稳定评估模型集合中选取的,所述暂态稳定评估模型集合包含至少两个暂态稳定评估模型,所述暂态稳定评估模型集合是对多个预训练暂态稳定评估模型进行规整后得到的,所述多个预训练暂态稳定评估模型各自对应一种工况类型。
2.根据权利要求1所述的方法,其特征在于,所述将所述待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果之前,还包括:
将所述多个预训练暂态稳定评估模型作为迭代模型集合,从所述迭代模型集合中选取满足预设条件的模型对,将所述模型对中一个模型对应的工况类型与另一个模型的工况类型作为新的工况类型,并基于所述一个模型对应的样本训练数据及所述另一个模型对应的样本训练数据对初始暂态稳定评估模型进行训练,得到所述新的工况类型对应的模型,从所述迭代模型集合中剔除所述模型对,将所述新的工况类型对应的模型添加至所述迭代模型集合中,并记录所述迭代模型集合,重复执行上述从所述迭代模型集合选取模型对、更新所述迭代模型集合以及记录所述迭代模型集合的过程,直至所述迭代模型集合中模型的数量只剩下一个;其中,所述样本训练数据包括样本工况数据及所述样本工况数据对应的仿真结果数据。
3.根据权利要求2所述的方法,其特征在于,所述从所述迭代模型集合中选取满足预设条件的模型对,包括:
对于所述迭代模型集合中的每一模型,分别计算每一模型的训练参数向量与其它模型中每一模型的训练参数向量之间的相似度;
选取最大相似度对应的一组模型作为满足所述预设条件的模型对。
4.根据权利要求3所述的方法,其特征在于,所述训练参数向量包括两项参数,所述两项参数分别为权重项和偏置项。
5.根据权利要求2所述的方法,其特征在于,所述将所述待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果之前,还包括:
根据每次记录的迭代模型集合对应的迭代次数、每次记录的迭代模型集合对应的评估结果正确率及所述多个预训练暂态稳定评估模型对应的评估结果正确率,获取迭代次数与评估结果正确率之间的关系曲线,并根据所述关系曲线,确定所述暂态稳定评估模型集合。
6.根据权利要求2所述的方法,其特征在于,所述将所述待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果之前,还包括:
计算所述待测试的电力系统运行工况数据与所述暂态稳定评估模型集合中每一暂态稳定评估模型对应的工况类型之间的相似度,选取最大相似度对应的暂态稳定评估模型作为所述目标暂态稳定评估模型。
7.根据权利要求1所述的方法,其特征在于,所述目标暂态稳定评估模型结构为:输入层、双LSTM层、全连接层、Softmax函数层和输出层。
8.一种电力系统暂态稳定评估装置,其特征在于,包括:
获取模块,用于获取待测试的电力系统运行工况数据;
处理模块,用于将所述待测试的电力系统运行工况数据输入至目标暂态稳定评估模型,输出评估结果;
其中,所述目标暂态稳定评估模型是根据所述运行工况数据从暂态稳定评估模型集合中选取的,所述暂态稳定评估模型集合包含至少两个暂态稳定评估模型,所述暂态稳定评估模型集合是对多个预训练暂态稳定评估模型进行规整后得到的,所述多个预训练暂态稳定评估模型各自对应一种工况类型。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述电力系统暂态稳定评估方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述电力系统暂态稳定评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810871987.2A CN108879732B (zh) | 2018-08-02 | 2018-08-02 | 电力系统暂态稳定评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810871987.2A CN108879732B (zh) | 2018-08-02 | 2018-08-02 | 电力系统暂态稳定评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108879732A true CN108879732A (zh) | 2018-11-23 |
CN108879732B CN108879732B (zh) | 2020-07-07 |
Family
ID=64307458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810871987.2A Active CN108879732B (zh) | 2018-08-02 | 2018-08-02 | 电力系统暂态稳定评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108879732B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109494726A (zh) * | 2018-11-27 | 2019-03-19 | 国网安徽省电力有限公司安庆供电公司 | 基于dlrnn神经网络的电力系统稳定性在线评估方法 |
CN110163540A (zh) * | 2019-06-28 | 2019-08-23 | 清华大学 | 电力系统暂态稳定预防控制方法及系统 |
CN110309873A (zh) * | 2019-06-28 | 2019-10-08 | 清华大学 | 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统 |
CN110310033A (zh) * | 2019-06-28 | 2019-10-08 | 清华大学 | 基于潮流向量闵可夫斯基距离的暂态稳定评估方法及系统 |
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
CN113435113A (zh) * | 2021-06-22 | 2021-09-24 | 清华大学 | 一种电力系统暂态稳定评估方法及装置 |
CN113435113B (zh) * | 2021-06-22 | 2024-06-11 | 清华大学 | 一种电力系统暂态稳定评估方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678827A (zh) * | 2013-12-30 | 2014-03-26 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种用于逆变器的电磁暂态建模方法 |
CN104881741A (zh) * | 2015-05-25 | 2015-09-02 | 清华大学 | 基于支持向量机的电力系统暂态稳定判断方法 |
CN107274105A (zh) * | 2017-06-28 | 2017-10-20 | 山东大学 | 基于线性判别分析的多属性决策树电网稳定裕度评估方法 |
CN107482621A (zh) * | 2017-08-02 | 2017-12-15 | 清华大学 | 一种基于电压时序轨迹的电力系统暂态电压稳定评估方法 |
-
2018
- 2018-08-02 CN CN201810871987.2A patent/CN108879732B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678827A (zh) * | 2013-12-30 | 2014-03-26 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种用于逆变器的电磁暂态建模方法 |
CN104881741A (zh) * | 2015-05-25 | 2015-09-02 | 清华大学 | 基于支持向量机的电力系统暂态稳定判断方法 |
CN107274105A (zh) * | 2017-06-28 | 2017-10-20 | 山东大学 | 基于线性判别分析的多属性决策树电网稳定裕度评估方法 |
CN107482621A (zh) * | 2017-08-02 | 2017-12-15 | 清华大学 | 一种基于电压时序轨迹的电力系统暂态电压稳定评估方法 |
Non-Patent Citations (2)
Title |
---|
LE ZHENG ET AL.: "Real-time transient stability assessment based on deep recurrent neural network", 《2017 IEEE INNOVATIVE SMART GRID TECHNOLOGIES - ASIA (ISGT-ASIA)》 * |
顾雪平等: "基于神经网络暂态稳定评估方法的一种新思路", 《中国电机工程学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109494726A (zh) * | 2018-11-27 | 2019-03-19 | 国网安徽省电力有限公司安庆供电公司 | 基于dlrnn神经网络的电力系统稳定性在线评估方法 |
CN110163540A (zh) * | 2019-06-28 | 2019-08-23 | 清华大学 | 电力系统暂态稳定预防控制方法及系统 |
CN110309873A (zh) * | 2019-06-28 | 2019-10-08 | 清华大学 | 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统 |
CN110310033A (zh) * | 2019-06-28 | 2019-10-08 | 清华大学 | 基于潮流向量闵可夫斯基距离的暂态稳定评估方法及系统 |
CN110309873B (zh) * | 2019-06-28 | 2021-05-14 | 清华大学 | 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统 |
CN110310033B (zh) * | 2019-06-28 | 2021-10-15 | 清华大学 | 基于潮流向量闵可夫斯基距离的暂态稳定评估方法及系统 |
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
CN113435113A (zh) * | 2021-06-22 | 2021-09-24 | 清华大学 | 一种电力系统暂态稳定评估方法及装置 |
CN113435113B (zh) * | 2021-06-22 | 2024-06-11 | 清华大学 | 一种电力系统暂态稳定评估方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108879732B (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108879732A (zh) | 电力系统暂态稳定评估方法及装置 | |
CN105975573B (zh) | 一种基于knn的文本分类方法 | |
CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN112116090B (zh) | 神经网络结构搜索方法、装置、计算机设备及存储介质 | |
CN108051660A (zh) | 一种变压器故障组合诊断模型建立方法及诊断方法 | |
CN110162785A (zh) | 数据处理方法和代词消解神经网络训练方法 | |
CN113190688B (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及系统 | |
CN110096711A (zh) | 序列全局关注和局部动态关注的自然语言语义匹配方法 | |
CN109992773A (zh) | 基于多任务学习的词向量训练方法、系统、设备及介质 | |
CN108763376A (zh) | 融合关系路径、类型、实体描述信息的知识表示学习方法 | |
CN109947931A (zh) | 基于无监督学习的文本自动摘要方法、系统、设备及介质 | |
CN110147745A (zh) | 一种视频关键帧检测方法及装置 | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN113297174B (zh) | 基于深度学习的土地利用变化模拟方法 | |
CN109462578B (zh) | 基于统计学习的威胁情报利用与繁殖方法 | |
CN111586728A (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
CN108805419B (zh) | 基于网络嵌入与支持向量回归的电网节点重要度计算方法 | |
CN112529415B (zh) | 基于组合多感受野图神经网络的物品评分方法 | |
CN109117352B (zh) | 服务器性能预测方法和装置 | |
CN116029618A (zh) | 一种电力系统动态安全分区评估方法及系统 | |
Wang | Design of Chinese teaching evaluation system for international students under the background of data mining | |
CN109977194A (zh) | 基于无监督学习的文本相似度计算方法、系统、设备及介质 | |
CN112766503B (zh) | 基于关键层回滚机制的卷积神经网络模型容错方法 | |
CN115797041A (zh) | 基于深度图半监督学习的金融信用评估方法 | |
CN114139482A (zh) | 一种基于深度度量学习的eda电路失效分析方法 |
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 |