CN109376939B - 一种基于自适应神经网络的电网稳定性实时预测方法 - Google Patents
一种基于自适应神经网络的电网稳定性实时预测方法 Download PDFInfo
- Publication number
- CN109376939B CN109376939B CN201811297096.7A CN201811297096A CN109376939B CN 109376939 B CN109376939 B CN 109376939B CN 201811297096 A CN201811297096 A CN 201811297096A CN 109376939 B CN109376939 B CN 109376939B
- Authority
- CN
- China
- Prior art keywords
- output
- layer
- neural network
- stability
- input
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000010355 oscillation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 210000004205 output neuron Anatomy 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001052 transient effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- IOYNQIMAUDJVEI-BMVIKAAMSA-N Tepraloxydim Chemical compound C1C(=O)C(C(=N/OC\C=C\Cl)/CC)=C(O)CC1C1CCOCC1 IOYNQIMAUDJVEI-BMVIKAAMSA-N 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于自适应人工神经网络的发电机转子角预测方法,包括以下步骤:采用数据自动生成算法生成数据并存储在数据库中;将数据库中数据进行规范化;通过反向传播算法训练数据;最后通过对发电机转子角的稳定性预测来实现电网实时预测。本发明为电力系统发生故障时实时预测电网稳定性提供了决策支持,对提高大规模电网中长期电压稳定裕度,改善电网运行的经济性与质量,均有着重大意义。
Description
技术领域
本发明属于电力系统安全分析评估领域,具体涉及一种基于自适应神经网络的电网稳定性实时预测方法。
背景技术
暂态稳定性是指系统在不失去稳定性的情况下,能够承受从发电到负载的最大潮流转移的能力。此外,当网络条件发生突然变化时,如故障或负载突然增加时,就会出现这种现象,在这种情况下,系统受到发电机转子角的较大偏移,并不受非线性功率角关系的影响。影响系统稳定性的最重要参数是初始运行状态和故障的严重程度,而扰动前的稳态与扰动后的稳态不同,因此需要通过转子角度的变化进行动态分析来检查其稳定性。
发电机作为电力系统中的重要组成部分,其故障会给电力系统带来严重危害,有必要早期预警以防止事故的发生或进一步扩大。尤其是同步发电机的转子绕组由许多串联线圈组成,而转子具有较大的转动惯量,由于离心力的作用,在运行中线匝绝缘的移动,转子绕组端部的热变形,线匝端部垫块松动或护环绝缘衬垫老化,小的导电粒子或碎物进入转子线匝端部和转子通风沟导致转子绕组匝间短路发生。
在线动态安全评估仍然是大多数电网关注的主要问题,因为负载过重的发电机在长传输互连链路上运行,导致负阻尼、振荡和失去同步。在这样的系统中,需要进行长期的模型分析来检测这些意外事件的影响,而对发电机转子角的稳定性预测存在很多局限性,且准确度不理想。因此应用神经网络解决电力系统动态安全评价问题具有很大意义,现有方法主要存在以下缺陷:①作为神经网络的训练样本,都应用暂态能量函数进行稳定分析的结果,而这种分析方法受系统数学模型详细程度和计算结果准确度的限制,使训练样本本身就不够准确,从而影响神经网络的训练结果;②在进行动态安全评价时,通常的已知量为系统在故障前的运行参数,它们来自状态估计或在线潮流的计算结果,而要获得故障发生后的暂态量,将需要大量的附加计算,从而使它们不便于在线应用;③传统神经网络算法每次迭代的步长效率较低,从而导致算法收敛速度较慢,神经网络的灵敏度也相对不高,从而会影响神经网络应用程序的性能。
发明内容
针对上述问题与不足,本发明提供一种基于自适应神经网络的电网稳定性实时预测方法,该方法利用自动数据生成与自适应神经网络算法,训练出规范化数据并计算其输出输入的误差,从而对电力系统稳定高效的在线动态安全评估,并预测出发电机转子角的稳定性,从而达到对电网稳定性实时预测的作用。该方法有效的处理在电力系统安全评估以及预测转子角稳定性中所遇到的问题,有利于解决电网中许多安全问题,提高了电网安全运行的水平。
为了实现上述发明目的,本发明采取如下技术方案:
一种基于自适应神经网络的电网稳定性实时预测方法,包括以下步骤:
步骤1:采用动态安全评估(Dynamic Security Assessment,DSA)数据生成算法选择各发电机的初始条件、负载需求和故障编号作为神经网络预测系统的输入参数,将这些数据存储在数据库中;
步骤2:将数据库里的数据转换成神经函数可以处理的形式,需要在自适应人工神经网络(Adaptive Artificial Neural Network,AANN)开始时进行规范化处理;
步骤3:将规范化的数据进行训练,通过反向传播算法,计算出各个数据输出值,并估计误差,达到训练目的;
步骤4:在神经网络完成了训练过程并达到目标后,进行发电机转子角的稳定性预测。
进一步地,在步骤1中,提出一种数据自动生成的算法,根据发电机之间的差异,采用自动数据生成模型确定了系统中所有电机的转子角稳定性。如果角差达到峰值,然后减小,系统就处于稳定状态。如果任何角度的差异无限增加,会导致至少一台机器失去同步,系统就会在一个不稳定的条件下工作。
在此基础上,必须为稳定和不稳定条件选择目标,当系统在扰动后稳定时,输出值设置为0,当系统不稳定时,输出值设置为1。重复此过程,直到系统发生故障前达到最大负载水平,就可以将数据进行存储。
进一步地,在所述步骤2中具体包含以下步骤:
步骤2-1:对输入的矢量数据进行归一化,以便将所有数据xi都放在-1到1之间,以防止网络权重的任何波动,归一化的过程基于:
r=xi(max)-xi(min) (2)
其中:xi为输入的数据,xi(max)、xi(min)为输入值的最大值和最小值,r是输入值的取值范围,r0是所有输入值的中点值。
步骤2-2:提出了一种优化方法来处理由于隐藏层中没有指定数目的神经元这一问题。
通过讨论输入与输出的电导率,可以得出输入层的神经元数目与输入的神经元数目相同,输出层的神经元数目与输出的神经元数目相同。此外,影响人工神经网络(Artificial Neural Network,ANN)输出的另外两个因素是:一是学习率系数,它改变了权重调整的大小;二是动量项,添加动量项可以提高收敛速度,当xi为常数时,输出值被认为是零。
进一步地,在所述步骤3中包括如下步骤:
步骤3-1:网络体系结构第一层中,输入被应用到它们的输出目标上,并通过网络层传播来计算误差之和Esum,通过使用均方根误差(Root Mean Square Errors,RMSE)来计算该误差之和,均方根误差定义如下所示:
其中:N为事故的总数,tO为目标值,OO为AANN输出值,P=(1,2,...,N)。
步骤3-2:网络体系结构第二层中,有两个停止时刻的标准:第一个时刻是当一个阈值误差达到一个性能目标值时会停止,第二个时刻是当训练达到一定的迭代次数,网络不能达到阈值误差值时会停止。第二层的网络输出计算定义为:
netk=∑wkiOi+bk (5)
其中:i为输入节点,k为隐藏节点,O为输出节点,Oi为第一层的输出,wki和wok是输入层和隐藏层之间,以及隐藏层和输出层之间的权重矩阵。将bk设为1,加快收敛过程。
步骤3-3:网络体系结构第三层,网络输出的计算由以下定义:
netO=∑wokOk (6)
其中:wok是隐藏层和输出层之间的权重矩阵,Ok为隐藏层的输出。
进一步地,在所述步骤3-3中隐藏神经元和输出神经元采用的激活函数是双曲正切函数,激活函数由以下定义:
其中:f(netk)为隐藏神经元的激活函数,f(netO)为输出神经元的激活函数。
误差的计算定义为:
E=tO-OO (9)
两个网络必须根据两个错误信号进行更新,通过两个错误信号更新,以获得更好的收敛性。
第一个错误信号δO在输出(O)和隐藏层(k)之间,δO定义为:
δO=E×OO(1-OO) (10)
第二个错误信号δk在隐藏层(k)和输入层(i)之间,δk定义为:
δk=Ok(1-Ok)∑δOwOk (11)
进一步地,在所述步骤4中,一般情况下,扰动后的暂态稳定现象持续时间为3-5秒,对于具有主要振荡的区域间模态的大系统,扰动持续时间可延长至10秒,这个时间足以确定转子的振荡是否稳定。
系统中所有机器的转子角都是根据发电机之间的差异来确定的,转子角定义为:
Δδ(gi,gk)=δgi-δgk (12)
其中:Δδ为转子角,gi、gk是发电机数量,i=1,2,...(n-1);k=1,2,...n,n为监测的发电机总数。
当扰动后转子的振荡稳定时,输出值为0;不稳定时输出值为1,此时将发电机记入不稳定列表中。
当输出为1,不稳定列表中出现发电机时,系统显示出不稳定状态,此时计算信号NS:
当AANN处于训练时,新的操作条件遵循以下定义:
f(x)-S=0 (14)
其中:x为输入参数,f(x)为用于适应新操作条件的静态训练,S为每个情况选择的安全状态。
独立动力系统具有一般的非线性微分关系,该微分关系定义为:
f'(x,Δ)=f'(x)-Δ×S' (15)
其中:S’为转子角的预测安全状态,在AANN训练完成后,神经网络会跟随该式进行系统的模拟,并得出预测结果。
与现有技术比,本发明一种基于自适应神经网络的电网稳定性实时预测方法,有益效果在于:
①、传统方法讨论了用时间步长预测方法预测系统行为的神经网络应用,然而该方法不依赖于集成时间步长进行安全预测,并且新的操作条件自动地适合于所训练的网络。
②、本发明采用了一种DSA自动数据生成方法,能快速的自动生成所需数据。DSA模型能够根据转子角度、负载水平和扰动类型的初始条件对发电机的稳定状态进行分类和预测,该方法的响应速度快,可以对系统的每个序列进行稳定性评估,该方法十分便于在线应用。
③、本发明在利用传播算法的同时还增加了RMSE方程的应用,RMSE方程在误差达到最小且迭代次数更少的情况下,还能提高神经网络的灵敏度,这些因素增强了神经网络应用程序的性能,使其比标准的反向传播方法更稳定。
附图说明
图1是本发明系统流程图;
图2是本发明DSA数据自动生成算法框图;
图3是本发明实例中不稳定发电机总数对分类误差的影响情况的散点图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明提供一种基于自适应神经网络的电网稳定性实时预测方法,所述方法包括以下步骤:
图1中步骤1:采用动态安全评估DSA数据生成算法选择各发电机的初始条件、负载需求和故障编号作为神经网络预测系统的输入参数,将这些数据存储在数据库中。
在该步骤中提出一种数据自动生成的算法,根据发电机之间的差异,采用自动数据生成模型确定了系统中所有电机的转子角稳定性。如果角差达到峰值,然后减小,系统就处于稳定状态。如果任何角度的差异无限增加,会导致至少一台机器失去同步,系统就会在一个不稳定的条件下工作。
其中,该数据自动生成算法如图2所示。
图1中步骤2:将数据库里的数据转换成神经函数可以处理的形式,需要在AANN开始时进行规范化处理。
所述步骤2包括以下步骤:
步骤2-1:对输入的矢量数据进行归一化,以便将所有数据xi都放在-1到1之间,以防止网络权重的任何波动,归一化的过程基于:
r=xi(max)-xi(min) (2)
其中:xi为输入的数据,xi(max)、xi(min)为输入值的最大值和最小值,r是输入值的取值范围,r0是所有输入值的中点值。
步骤2-2:提出了一种优化方法来处理由于隐藏层中没有指定数目的神经元这一问题。
通过讨论输入与输出的电导率,可以得出输入层的神经元数目与输入的神经元数目相同,输出层的神经元数目与输出的神经元数目相同。此外,影响ANN输出的另外两个因素是:一是学习率系数,它改变了权重调整的大小;二是动量项,添加动量项可以提高收敛速度,当xi为常数时,输出值被认为是零。
图1中步骤3:将规范化的数据进行训练,通过反向传播算法,计算出各个数据输出值,并估计误差,达到训练目的。
所述步骤3包括以下步骤:
步骤3-1:网络体系结构第一层中,输入被应用到它们的输出目标上,并通过网络层传播来计算误差之和Esum,通过使用均方根误差(RMSE)来计算该误差之和,均方根误差定义如下所示:
其中:N为事故的总数,tO为目标值,OO为AANN输出值,P=(1,2,...,N)。
步骤3-2:网络体系结构第二层中,有两个停止时刻的标准:第一个时刻是当一个阈值误差达到一个性能目标值时会停止,第二个时刻是当训练达到一定的迭代次数,网络不能达到阈值误差值时会停止。第二层的网络输出计算定义为:
netk=∑wkiOi+bk (5)
其中:i为输入节点,k为隐藏节点,O为输出节点,Oi为第一层的输出,wki和wok是输入层和隐藏层之间,以及隐藏层和输出层之间的权重矩阵。将bk设为1,加快收敛过程。
步骤3-3:网络体系结构第三层,网络输出的计算由以下定义:
netO=∑wokOk (6)
其中:wok是隐藏层和输出层之间的权重矩阵,Ok为隐藏层的输出。
在所述步骤3-3中隐藏神经元和输出神经元采用的激活函数是双曲正切函数,激活函数由以下定义:
其中:f(netk)为隐藏神经元的激活函数,f(netO)为输出神经元的激活函数。
误差的计算定义为:
E=tO-OO (9)
两个网络必须根据两个错误信号进行更新,通过两个错误信号更新,以获得更好的收敛性。
第一个错误信号δO在输出(O)和隐藏层(k)之间,δO定义为:
δO=E×OO(1-OO) (10)
第二个错误信号δk在隐藏层(k)和输入层(i)之间,δk定义为:
δk=Ok(1-Ok)∑δOwOk (11)
图1中步骤4:在神经网络完成了训练过程并达到目标后,进行发电机转子角的稳定性预测。
在所述步骤4中,一般情况下,扰动后的暂态稳定现象持续时间为3-5秒,对于具有主要振荡的区域间模态的大系统,扰动持续时间可延长至10秒,这个时间足以确定转子的振荡是否稳定。
系统中所有机器的转子角都是根据发电机之间的差异来确定的,转子角定义为:
Δδ(gi,gk)=δgi-δgk (12)
其中:Δδ为转子角,gi、gk是发电机数量,i=1,2,...(n-1);k=1,2,...n,n为监测的发电机总数。
当扰动后转子的振荡稳定时,输出值为0;不稳定时输出值为1,此时将发电机记入不稳定列表中。
当输出为1,不稳定列表中出现发电机时,系统显示出不稳定状态,此时计算信号NS:
当AANN处于训练时,新的操作条件遵循以下定义:
f(x)-S=0 (14)
其中:x为输入参数,f(x)为用于适应新操作条件的静态训练,S为每个情况选择的安全状态。
独立动力系统具有一般的非线性微分关系,该微分关系定义为:
f'(x,Δ)=f'(x)-Δ×S' (15)
其中:S’为转子角的预测安全状态,在AANN训练完成后,神经网络会跟随该式进行系统的模拟,并得出预测结果。
实施例:
本发明提出的方法在一个87节点算例系统中进行了测试,该系统分为四个区域,即北部、东部、中部和南部。该系统包含171条传输线及23台同步发电机。
对该系统采用基于此发明的发电机转子角稳定性预测方法,为了检验使用自适应神经网络应用工具进行动态安全评估的能力,对神经网络进行了不同负载水平下的测试针对不同的负载水平生成了三组测试数据集,以检验AANN的精度和性能,得出此方法AANN的精度和性能比传统方法高的多。
图3验证了不稳定发电机总数对误差分类错误率的影响,可以看出发电机不稳定数量和分类误差率的上升比例趋于稳定,并且在有近50台不稳定发电机的情况下错误率也能维持在百分之五以下。
此外,当许多发电机不稳定时,分类误差会增加;因此不稳定的发电机应该分成一组,其余的发电机应该分成另一组,以保持安全的运行状态。
通过对训练后的神经网络进行RMSE检验,验证了该方法的有效性。见如下表1:
表1
区域 | 事故数量 | 均方根误差(%) | T1 | T2 |
北部 | 63 | 2.370 | 0.140 | 6.599 |
东部 | 27 | 0.463 | 0.022 | 0.554 |
中部 | 53 | 0.021 | 0.061 | 3.213 |
南部 | 47 | 0.635 | 0.074 | 3.478 |
T1:每个事故的平均训练时间(秒);T2:所有事故的训练时间(秒)。
可以看出,AANN可以在6.6秒内预测最大区域的稳定性状态,说明本发明的AANN工具通过转子角稳定性模拟能够在极短的时间内准确地预测系统的状态。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (9)
1.一种基于自适应神经网络的电网稳定性实时预测方法,其特征在于包括以下步骤:
步骤1:采用动态安全评估数据生成算法,选择各发电机的初始条件、负载需求和故障标识作为神经网络预测系统的输入数据,将这些数据存储在数据库中;
动态安全评估数据生成算法根据发电机之间的差异,采用自动数据生成模型确定了系统中所有电机的转子角稳定性;如果角差达到峰值,然后减小,系统就处于稳定状态; 如果任何角度的差异无限增加,会导致至少一台机器失去同步,系统就会在一个不稳定的条件下工作;
步骤2:将数据库里的数据转换成神经函数可以处理的形式,需要在自适应人工神经网络开始时进行规范化处理;
步骤3:将规范化的数据进行训练,通过反向传播算法,计算出各个数据输出值,并估计误差,达到训练目的;
步骤4:在神经网络完成了训练过程并达到目标后,进行发电机转子角的稳定性预测。
2.根据权利要求1所述一种基于自适应神经网络的电网稳定性实时预测方法,其特征在于:在所述步骤1中,为稳定和不稳定条件选择目标;当系统在扰动后稳定时,输出值设置为0,当系统不稳定时,输出值设置为1;重复此过程,直到系统发生故障前达到最大负载水平,就将数据进行存储。
3.根据权利要求1所述一种基于自适应神经网络的电网稳定性实时预测方法,其特征在于:在所述步骤2中具体包含以下步骤:
步骤2-1:对输入的矢量数据进行归一化,以便将所有数据xi都放在-1到1之间,以防止网络权重的任何波动,归一化的过程基于:
r=xi(max)-xi(min) (2)
其中:xi为输入的数据,xi(max)、xi(min)为输入值的最大值和最小值,r是输入值的取值范围,r0是所有输入值的中点值;
步骤2-2:提出了一种优化方法来处理由于隐藏层中没有指定数目的神经元这一问题;
通过讨论输入与输出的电导率,可以得出输入层的神经元数目与输入的神经元数目相同,输出层的神经元数目与输出的神经元数目相同;此外,影响人工神经网络输出的另外两个因素是:一是学习率系数,它改变了权重调整的大小;二是动量项,添加动量项可以提高收敛速度,当xi为常数时,输出值被认为是零。
4.根据权利要求1所述一种基于自适应神经网络的电网稳定性实时预测方法,其特征在于:在所述步骤3中,在训练过程中采用反向传播算法,反向传播算法与感知器网络算法相似,有多个层组成;该算法中网络体系结构由三层组成:第一层与输入连接;第二层包含激活函数;第三层是网络的输出。
5.根据权利要求1所述一种基于自适应神经网络的电网稳定性实时预测方法,其特征在于:在所述步骤3中具体包含以下步骤:
步骤3-1:网络体系结构第一层,输入被应用到它们的输出目标上,并通过网络层传播来计算误差之和Esum,通过使用均方根误差RMSE来计算该误差之和,均方根误差定义如下所示:
其中:N为事故的总数,tO为目标值,OO为AANN输出值,P=(1,2,...,N);
步骤3-2:网络体系结构第二层,有两个停止时刻:第一个时刻是当一个阈值误差达到性能目标值时;第二个时刻是当训练达到一定的迭代次数,网络不能达到阈值误差值时;第二层的网络输出计算定义为:
netk=∑wkiOi+bk (5)
其中:i为输入节点,k为隐藏节点,O为输出节点,Oi为第一层的输出,wki是输入层和隐藏层之间的权重矩阵;将bk设为1,加快收敛过程;
步骤3-3:网络体系结构第三层,网络输出的计算由以下定义:
netO=∑wokOk (6)
其中:wok是隐藏层和输出层之间的权重矩阵,Ok为隐藏层的输出。
7.根据权利要求5所述的基于自适应神经网络的电网稳定性实时预测方法,其特征在于:在所述步骤3-3中误差的计算,即输出值与目标值进行比较,该误差计算定义为:
E=tO-OO (9)。
8.根据权利要求7所述的基于自适应神经网络的电网稳定性实时预测方法,其特征在于:在所述步骤3-3中两个网络必须根据两个错误信号进行更新,通过两个错误信号更新,以获得更好的收敛性;
第一个错误信号δO在输出(O)和隐藏层(k)之间,δO定义为:
δO=E×OO(1-OO) (10)
第二个错误信号δk在隐藏层(k)和输入层(i)之间,δk定义为:
δk=Ok(1-Ok)∑δOwOk (11)。
9.根据权利要求1所述的基于自适应神经网络的电网稳定性实时预测方法,其特征在于:在所述步骤4中,一般情况下,扰动后的暂态稳定现象持续时间为3-5秒,对于具有主要振荡的区域间模态的大系统,扰动持续时间可延长至10秒,这个时间足以确定转子的振荡是否稳定;
系统中所有机器的转子角都是根据发电机之间的差异来确定的,转子角定义为:
Δδ(gi,gk)=δgi-δgk (12)
其中:Δδ为转子角,gi、gk是发电机数量,i=1,2,...(n-1);k=1,2,...n,n为监测的发电机总数;
当扰动后转子的振荡稳定时,输出值为0;不稳定时输出值为1,此时将发电机记入不稳定列表中;
当输出为1,不稳定列表中出现发电机时,系统显示出不稳定状态,此时计算信号NS:
当AANN处于训练时,新的操作条件遵循以下定义:
f(x)-S=0 (14)
其中:x为输入参数,f(x)为用于适应新操作条件的静态训练,S为每个情况选择的安全状态;
独立动力系统具有一般的非线性微分关系,该微分关系定义为:
f'(x,Δ)=f'(x)-Δ×S' (15)
其中:S’为转子角的预测安全状态,在AANN训练完成后,神经网络会跟随该式进行系统的模拟,并得出预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811297096.7A CN109376939B (zh) | 2018-11-01 | 2018-11-01 | 一种基于自适应神经网络的电网稳定性实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811297096.7A CN109376939B (zh) | 2018-11-01 | 2018-11-01 | 一种基于自适应神经网络的电网稳定性实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376939A CN109376939A (zh) | 2019-02-22 |
CN109376939B true CN109376939B (zh) | 2021-08-10 |
Family
ID=65391376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811297096.7A Active CN109376939B (zh) | 2018-11-01 | 2018-11-01 | 一种基于自适应神经网络的电网稳定性实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376939B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378799B (zh) | 2019-07-16 | 2022-07-12 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
CN111628531B (zh) * | 2020-05-19 | 2022-04-08 | 三峡大学 | 一种针对电力系统静态电压稳定评估的数据驱动方法 |
CN113361769B (zh) * | 2021-06-04 | 2023-01-03 | 南方电网科学研究有限责任公司 | 基于prmse和crmse评价指标的稳定裕度值预测方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102841965B (zh) * | 2012-08-23 | 2015-10-28 | 山东电力集团公司电力科学研究院 | 受端电网安全域最优潮流模型的建模方法 |
CN103105246A (zh) * | 2012-12-31 | 2013-05-15 | 北京京鹏环球科技股份有限公司 | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 |
CN103050970A (zh) * | 2013-01-15 | 2013-04-17 | 华北电力大学 | 一种适用于特高压电网分层分区的稳定性分析及优化方法 |
CN104463358A (zh) * | 2014-11-28 | 2015-03-25 | 大连理工大学 | 一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法 |
CN106295857A (zh) * | 2016-07-29 | 2017-01-04 | 电子科技大学 | 一种风电功率超短期预测方法 |
CN107993012B (zh) * | 2017-12-04 | 2022-09-30 | 国网湖南省电力有限公司娄底供电分公司 | 一种时间自适应的电力系统在线暂态稳定评估方法 |
CN108320016B (zh) * | 2018-03-08 | 2023-09-19 | 南京工业大学 | 一种建筑能耗短期预测方法 |
-
2018
- 2018-11-01 CN CN201811297096.7A patent/CN109376939B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109376939A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN109376939B (zh) | 一种基于自适应神经网络的电网稳定性实时预测方法 | |
Amraee et al. | Transient instability prediction using decision tree technique | |
CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN110266039B (zh) | 考虑电力系统有功干扰下一次调频的调速器参数优化方法 | |
CN108090615B (zh) | 基于交叉熵集成学习的电力系统故障后最低频率预测方法 | |
CN110880062B (zh) | 一种配电设备状态检修时间的确定方法 | |
CN112821424A (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
CN103915839A (zh) | 一种用于分析含风电电力系统随机稳定性的方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN109802440B (zh) | 基于尾流效应因子的海上风电场等值方法、系统和装置 | |
Li et al. | Artificial neural network classifier of transient stability based on time-domain simulation | |
Chen et al. | Prediction of critical clearing time for transient stability based on ensemble extreme learning machine regression model | |
Xiao et al. | Deep learning for predicting the operation of under-frequency load shedding systems | |
CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
Zhao et al. | A fast and accurate transient stability assessment method based on deep learning: Wecc case study | |
Wang et al. | Model-Data Integration Driven Based Power System Frequency Response Model | |
Karady | Improving transient stability using generator tripping based on tracking rotor-angle | |
CN113537821A (zh) | 一种电力系统状态的快速评估方法及系统 | |
Yin et al. | Reduced-dimensional skip-inception feature-aggregated classified proportional-integral-derivative for suppression of mixed-mode oscillations in hydropower units | |
CN112651628A (zh) | 一种基于胶囊神经网络的电力系统暂态稳定评估方法 | |
Shivakumar et al. | Power system stability enhancement using bio inspired genetic and PSO algorithm implementation | |
CN113054653A (zh) | 基于VGGNet-SVM的电力系统暂态稳定评估方法 | |
Duraipandy et al. | Development of extreme learning machine for online voltage stability assessment incorporating wind energy conversion system | |
Zhang et al. | Mining transient stability database for rule-based preventive control of power systems |
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 |