CN109376990B - 一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统 - Google Patents
一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统 Download PDFInfo
- Publication number
- CN109376990B CN109376990B CN201811074883.5A CN201811074883A CN109376990B CN 109376990 B CN109376990 B CN 109376990B CN 201811074883 A CN201811074883 A CN 201811074883A CN 109376990 B CN109376990 B CN 109376990B
- Authority
- CN
- China
- Prior art keywords
- sample
- critical
- time
- network model
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000002271 resection Methods 0.000 claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 238000002679 ablation Methods 0.000 claims description 18
- 230000001174 ascending effect Effects 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 10
- 230000001052 transient effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 125000000197 D-threonyl group Chemical group N[C@@H](C(=O)*)[C@H](C)O 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统,包括:利用获取的包括潮流数据和临界切除时间结果的历史样本数据集中的样本确定孪生网络模型;当接收到新的潮流数据时,利用所述孪生网络模型获取当前的潮流数据对应的高级特征;分别计算历史样本数据集中每个样本对应的高级特征和所述当前潮流数据对应的高级特征之间的距离,并确定最接近样本;计算最接近样本的临界切除时间的平均值作为预测的当前的潮流数据对应的临界切除时间。本发明根据暂态稳定性和在线数据的特点确定更适用于电力系统的孪生网络模型,增加了方法的适应性,比仿真快,适用于在线分析,且能够满足在线分析系统的速度和精度要求,特别适用于小样本集。
Description
技术领域
本发明涉及电力系统暂态稳定性技术领域,并且更具体地,涉及一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统。
背景技术
随着特高压技术的发展,中国已经建成了超大规模的交直流混联电网。电力系统的特征正面临着极大的变化,需要对稳定性分析和控制技术进行改进,以满足新的要求。在中国,动态安全评估系统(DSA)已广泛应用于省级以上的调度系统,显着提升了调度员对电力系统运行状态的感知和掌握能力。DSA将每5到15分钟进行一次全面的安全性分析,其中包括1000多个预定义故障的暂态稳定性仿真,这需要极大的计算。然而,计算速度是DSA的主要性能指标之一,因为如果没有及时性,分析结果将变得毫无意义。
由于中国电网发展迅速,新设备和电站不断涌现,使电力系统的特征始终在变化。因此,使用长时间跨度在线数据作为深度学习(DL)模型的训练集是不合适的。在线数据每月有几千种不同的操作模式,但这不足以直接训练深度学习(DL)模型。
由于计算量和速度相互矛盾,需要提出一些快速判断技术,能够以较小的计算成本计算稳定性指标,以及只选择真正危险的故障进行仿真。这样可以节省计算资源,缩短DSA的预警时间。孪生(Siamese)网络是深度学习技术之一,擅长小样本训练,可用于人脸识别,手写识别等多种应用。孪生(Siamese)网络构建了两个具有相同结构和共享参数的子网络;它每次挑选两个样本,将它们放入这两个子网络中;最后,它可以通过比较标签来学习样本对的相似性。样本对的想法可以等效地增加样本数量,使得孪生(Siamese)网络适合小样本集。
因此,需要一种基于Siamese网络模型确定电力系统的临界切除时间的方法。
发明内容
本发明提出一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统,以解决如何确定电力系统的运用于暂态稳定性的临界切除时间的问题。
为了解决上述问题,根据本发明的一个方面,提供了一种基于Siamese网络模型确定电力系统的临界切除时间的方法,其特征在于,所述方法包括:
利用获取的包括潮流数据和临界切除时间结果的历史样本数据集中的样本,根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,确定孪生网络模型;
当接收到新的潮流数据时,利用所述孪生网络模型获取当前的潮流数据对应的高级特征;
分别计算历史样本数据集中每个样本对应的高级特征和所述当前潮流数据对应的高级特征之间的距离,并根据距离升序的方式选取前面的预设数量的样本作为最接近样本;
计算选取的预设数量的最接近样本的临界切除时间的平均值作为预测的当前的潮流数据对应的临界切除时间。
优选地,其中通过动态安全评估系统获取历史样本数据集。
优选地,其中述根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,包括:
引入衰减阈值,并选取样本之间的临界切除时间差异大于所述衰减阈值的样本对,对孪生Siamese网络进行训练学习;其中,利用如下公式计算衰减阈值:
其中,DThr为衰减阈值;CCTmax是历史样本数据集中样本的临界切除时间的最大值;CCTmin是历史样本数据集中样本的临界切除时间的最小值;Nepoch是历史样本数据集中的样本数量。
优选地,其中在确定孪生网络模型时设置对比损失函数:
其中,N为历史样本数据集中的样本数量;如果样本对来自同一类别,则y为1,否则为0;d为计算的样本对的高级特征之间的差异距离,为欧几里德距离;m为满足需求的余量,用于保持损失函数的第二个包含d的公式为差异距离d的递减函数。
优选地,其中所述方法还包括:
通过时域仿真计算当前的潮流数据的实际临界切除时间,并将所述当前的潮流数据的实际临界切除时间和预测的当前的潮流数据对应的临界切除时间进行比对,以对所述孪生网络模型进行验证。
优选地,其中所述方法还包括:
将所述当前的潮流数据和当前的潮流数据对应的实际临界切除时间放入历史样本数据集中,以用于确定下一次的潮流数据对应的临界切除时间。
根据本发明的另一个方面,提供了一种基于Siamese网络模型确定电力系统的临界切除时间的系统,其特征在于,所述系统包括:
孪生网络模型确定单元,用于利用获取的包括潮流数据和临界切除时间结果的历史样本数据集中的样本,根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,确定孪生网络模型;
高级特征获取单元,用于当接收到新的潮流数据时,利用所述孪生网络模型获取当前的潮流数据对应的高级特征;
最接近样本确定单元,用于分别计算历史样本数据集中每个样本对应的高级特征和所述当前潮流数据对应的高级特征之间的距离,并根据距离升序的方式选取前面的预设数量的样本作为最接近样本;
临界切除时间确定单元,用于计算选取的预设数量的最接近样本的临界切除时间的平均值作为预测的当前的潮流数据对应的临界切除时间。
优选地,其中通过动态安全评估系统获取历史样本数据集。
优选地,其中在所述孪生网络模型确定单元,根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,包括:
引入衰减阈值,并选取样本之间的临界切除时间差异大于所述衰减阈值的样本对,对孪生Siamese网络进行训练学习;其中,利用如下公式计算衰减阈值:
其中,DThr为衰减阈值;CCTmax是历史样本数据集中样本的临界切除时间的最大值;CCTmin是历史样本数据集中样本的临界切除时间的最小值;Nepoch是历史样本数据集中的样本数量。
优选地,其中在所述孪生网络模型确定单元,在确定孪生网络模型时设置对比损失函数:
其中,N为历史样本数据集中的样本数量;如果样本对来自同一类别,则y为1,否则为0;d为计算的样本对的高级特征之间的差异距离,为欧几里德距离;m为满足需求的余量,用于保持损失函数的第二个包含d的公式为差异距离d的递减函数。
优选地,其中所述系统还包括:
验证单元,用于通过时域仿真计算当前的潮流数据的实际临界切除时间,并将所述当前的潮流数据的实际临界切除时间和预测的当前的潮流数据对应的临界切除时间进行比对,以对所述孪生网络模型进行验证。
优选地,其中所述系统还包括:
历史样本数据集样本增加单元,用于将所述当前的潮流数据和当前的潮流数据对应的实际临界切除时间放入历史样本数据集中,以用于确定下一次的潮流数据对应的临界切除时间。
本发明提供了一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统,包括:利用获取的包括潮流数据和临界切除时间结果的历史样本数据集中的样本确定孪生网络模型;当接收到新的潮流数据时,利用所述孪生网络模型获取当前的潮流数据对应的高级特征;分别计算历史样本数据集中每个样本对应的高级特征和所述当前潮流数据对应的高级特征之间的距离,并确定最接近样本;计算最接近样本的临界切除时间的平均值作为预测的当前的潮流数据对应的临界切除时间。本发明的方法对现有的孪生网络模型进行改进,根据暂态稳定性和在线数据的特点确定更适用于电力系统的孪生网络模型,增加了方法的适应性,比仿真快,适用于在线分析,通过对电力系统在线数据和不同的关键故障的仿真,验证了该方法的有效性,且能够满足在线分析系统的速度和精度要求,特别适用于小样本集。
附图说明
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:
图1为根据本发明实施方式的基于Siamese网络模型确定电力系统的临界切除时间的方法100的流程图;
图2为根据本发明实施方式的孪生神经网络图;
图3为根据本发明实施方式的基于Siamese网络模型确定电力系统的临界切除时间的系统300的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的基于Siamese网络模型确定电力系统的临界切除时间的方法100的流程图。如图1所示,本发明的实施方式提供的基于Siamese网络模型确定电力系统的临界切除时间的方法对现有的孪生网络模型进行改进,根据暂态稳定性和在线数据的特点确定更适用于电力系统的孪生网络模型,增加了方法的适应性,比仿真快,适用于在线分析,通过对电力系统在线数据和不同的关键故障的仿真,验证了该方法的有效性,且能够满足在线分析系统的速度和精度要求,特别适用于小样本集。本发明的实施方式提供的基于Siamese网络模型确定电力系统的临界切除时间的方法100从步骤101处开始,在步骤101利用获取的包括潮流数据和临界切除时间结果的历史样本数据集中的样本,根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,确定孪生网络模型。
优选地,其中通过动态安全评估系统获取历史样本数据集。
孪生(Siamese)网络是一种相似性测量方法,适用于多类别的、但每个类别中的样本数量较少的分类。该网络包含两个子网络,用于处理同时输入的两个样本。子网络具有相同的结构并共享所有参数W和b,因此该结构称为孪生(Siamese)网络,如图2所示。孪生(Siamese)网络每次输入一个样本对,其主要思想是当两个样本属于同一类别时,两个子网络生成的高级特征之间的差异(图2中的EW)将被最小化;否则,它将被最大化。通过最大化类之间的距离,孪生(Siamese)网络还可以区分训练集中未出现的类别。训练后,一半的孪生(Siamese)模型(子网络)将被运用到获得新样本的高级特征(GW),最终结果将由GW确定。
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。CCT代表了系统稳定的边界,更大的CCT意味着更稳定的电力系统。我们使用CCT作为稳定性指标和预测目标。
CCT计算有两种主要方法:仿真法和直接法。前者用于在线分析系统时是准确可靠的,但也非常耗时;后者恰恰相反。
由于时变特性包括电网的运行状态和连续建设,电力系统的特征一直在变化。通过使用很久以前发生的模拟样本来预测当前的稳定性是不合理的。在机器学习中保持训练集和测试集的相同数据分布非常重要,因此样本越接近越充分,预测结果就越准确。
目前,在线潮流数据每5分钟生成一次,每月近9000个,这对于直接训练深度学习模型是不够的。此外,CCT值的范围有时非常宽,例如0.22到0.62s,因此有41个不同类别和每个类别平均约有220个样本,这使得训练不足并导致不良的预测模型。
孪生(Siamese)网络是一种合适的模型,它可以从同一类别或两个不同类别中选择两个样本作为一对来相应地增加训练集。
在本发明的实施方式中,通过动态安全评估系统获取历史样本数据集。在线数据每5分钟生成一次,包括表1中列出的潮流数据和稳定性指标。稳定性指标通过临界切除时间表示。
表1特性单位
在本发明的实施方式中,我们使用静态值作为模型训练和测试的输入。在实际应用中,我们可以直接使用状态估计或SCADA数据来最大限度地提高效率。
优选地,其中所述根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,包括:
引入衰减阈值,并选取样本之间的临界切除时间差异大于所述衰减阈值的样本对,对孪生Siamese网络进行训练学习;其中,利用如下公式计算衰减阈值:
其中,DThr为衰减阈值;CCTmax是历史样本数据集中样本的临界切除时间的最大值;CCTmin是历史样本数据集中样本的临界切除时间的最小值;Nepoch是历史样本数据集中的样本数量。
优选地,其中在确定孪生网络模型时设置对比损失函数:
其中,N为历史样本数据集中的样本数量;如果样本对来自同一类别,则y为1,否则为0;d为计算的样本对的高级特征之间的差异距离,为欧几里德距离;m为满足需求的余量,用于保持损失函数的第二个包含d的公式为差异距离d的递减函数。
在本发明的实施方式中,在利用获取的包括潮流数据和临界切除时间结果的历史样本数据集中的样本,根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,确定孪生网络模型时,基于标准训练过程进行了一些些改进。
(1)设置样本挑选策略
孪生(Siamese)网络的输入是一个样本对,因此挑选样本的策略是一个重要问题,特别是对于不同类别的样本对。在训练开始时使用相似但不属于同一类别的样本对是不合适的,并且训练最后使用非常不同的样本对也是不合适的,这可能导致训练过程的崩溃。
CCT是有序且离散的值,其还指示样本之间的差异程度。在本发明的实施方式中中引入了衰减阈值,计算公式为:
其中,DThr为衰减阈值;CCTmax和CCTmin是CCT的最大值和最小值;Nepoch是训练样本的数量。如果两个样本的CCT结果之间的差异大于DThr,则可以选择它们作为来自不同类别的样本对。这种策略意味着在开始时采集更多差异的样本对,在结束时采用更少差异的样本对,这可以使训练过程更加稳定。
(2)设置损失函数
损失函数如下述公式所示:
其中,N为历史样本数据集中的样本数量;如果样本对来自同一类别,则y为1,否则为0;d为计算的样本对的高级特征之间的差异距离,为欧几里德距离;m为满足需求的余量,用于保持损失函数的第二个包含d的公式为差异距离d的递减函数。
优选地,在步骤102当接收到新的潮流数据时,利用所述孪生网络模型获取当前的潮流数据对应的高级特征。
优选地,在步骤103分别计算历史样本数据集中每个样本对应的高级特征和所述当前潮流数据对应的高级特征之间的距离,并根据距离升序的方式选取前面的预设数量的样本作为最接近样本。
优选地,在步骤104计算选取的预设数量的最接近样本的临界切除时间的平均值作为预测的当前的潮流数据对应的临界切除时间。
优选地,其中所述方法还包括:
通过时域仿真计算当前的潮流数据的实际临界切除时间,并将所述当前的潮流数据的实际临界切除时间和预测的当前的潮流数据对应的临界切除时间进行比对,以对所述孪生网络模型进行验证。
优选地,其中所述方法还包括:
将所述当前的潮流数据和当前的潮流数据对应的实际临界切除时间放入历史样本数据集中,以用于确定下一次的潮流数据对应的临界切除时间。
在本发明的实施方式中,当接收到新的在线潮流数据时,将开始利用k最近邻k-NN来预测临界切除时间CCT结果。由于k-NN可以高度并行执行,因此该步骤将非常快,总是小于一秒。主要程序如下:1)从孪生(Siamese)模型中获取高级特征(最后隐藏层的输出值);2)分别计算历史样本数据集中的样本和在线潮流数据之间的距离;3)对距离进行升序排序,并挑选出最接近的k个样本作为最接近样本;4)计算k个最接近样本的临界切除时间CCT的平均值作为预测的当前的在线潮流数据对应的临界切除时间。然后,通过时域仿真计算当前的在线潮流数据对应的实际的临界切除时间CCT结果,并将当前的潮流数据的实际临界切除时间和预测的当前的潮流数据对应的临界切除时间进行比对,以对孪生网络模型进行验证。若两个时间差距较大,则需要重新对孪生网络模型进行训练学习。将最新的在线潮流数据和和对应的实际临界切除时间结果放入历史样本集中以用于进行下一次预测。
图3为根据本发明实施方式的基于Siamese网络模型确定电力系统的临界切除时间的系统300的结构示意图。如图3所示,本发明的实施方式提供的基于Siamese网络模型确定电力系统的临界切除时间的系统300,包括:孪生网络模型确定单元301、高级特征获取单元302、最接近样本确定单元303和临界切除时间确定单元304。
优选地,所述孪生网络模型确定单元301,用于利用获取的包括潮流数据和临界切除时间结果的历史样本数据集中的样本,根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,确定孪生网络模型。
优选地,其中通过动态安全评估系统获取历史样本数据集。
优选地,其中在所述孪生网络模型确定单元,根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,包括:
引入衰减阈值,并选取样本之间的临界切除时间差异大于所述衰减阈值的样本对,对孪生Siamese网络进行训练学习;其中,利用如下公式计算衰减阈值:
其中,DThr为衰减阈值;CCTmax是历史样本数据集中样本的临界切除时间的最大值;CCTmin是历史样本数据集中样本的临界切除时间的最小值;Nepoch是历史样本数据集中的样本数量。
优选地,其中在所述孪生网络模型确定单元,在确定孪生网络模型时设置对比损失函数:
其中,N为历史样本数据集中的样本数量;如果样本对来自同一类别,则y为1,否则为0;d为计算的样本对的高级特征之间的差异距离,为欧几里德距离;m为满足需求的余量,用于保持损失函数的第二个包含d的公式为差异距离d的递减函数。
优选地,所述高级特征获取单元302,用于当接收到新的潮流数据时,利用所述孪生网络模型获取当前的潮流数据对应的高级特征。
优选地,所述最接近样本确定单元303,用于分别计算历史样本数据集中每个样本对应的高级特征和所述当前潮流数据对应的高级特征之间的距离,并根据距离升序的方式选取前面的预设数量的样本作为最接近样本。
优选地,所述临界切除时间确定单元304,用于计算选取的预设数量的最接近样本的临界切除时间的平均值作为预测的当前的潮流数据对应的临界切除时间。
优选地,其中所述系统还包括:验证单元,用于通过时域仿真计算当前的潮流数据的实际临界切除时间,并将所述当前的潮流数据的实际临界切除时间和预测的当前的潮流数据对应的临界切除时间进行比对,以对所述孪生网络模型进行验证。
优选地,其中所述系统还包括:历史样本数据集样本增加单元,用于将所述当前的潮流数据和当前的潮流数据对应的实际临界切除时间放入历史样本数据集中,以用于确定下一次的潮流数据对应的临界切除时间。
本发明的实施例的基于Siamese网络模型确定电力系统的临界切除时间的系统300与本发明的另一个实施例的基于Siamese网络模型确定电力系统的临界切除时间的方法100相对应,在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (8)
1.一种基于Siamese网络模型确定电力系统的临界切除时间的方法,其特征在于,所述方法包括:
利用获取的包括潮流数据和临界切除时间结果的历史样本数据集中的样本,根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,确定孪生网络模型;
当接收到新的潮流数据时,利用所述孪生网络模型获取当前的潮流数据对应的高级特征;
分别计算历史样本数据集中每个样本对应的高级特征和所述当前潮流数据对应的高级特征之间的距离,并根据距离升序的方式选取前面的预设数量的样本作为最接近样本;
计算选取的预设数量的最接近样本的临界切除时间的平均值作为预测的当前的潮流数据对应的临界切除时间;
其中,所述根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,包括:
引入衰减阈值,并选取样本之间的临界切除时间差异大于所述衰减阈值的样本对,对孪生Siamese网络进行训练学习;其中,利用如下公式计算衰减阈值:
其中,DThr为衰减阈值;CCTmax是历史样本数据集中样本的临界切除时间的最大值;CCTmin是历史样本数据集中样本的临界切除时间的最小值;Nepoch是历史样本数据集中的样本数量;
在确定孪生网络模型时设置对比损失函数:
其中,N为历史样本数据集中的样本数量;如果样本对来自同一类别,则y为1,否则为0;d为计算的样本对的高级特征之间的差异距离,为欧几里德距离;m为满足需求的余量,用于保持损失函数的第二个包含d的公式为差异距离d的递减函数。
2.根据权利要求1所述的方法,其特征在于,通过动态安全评估系统获取历史样本数据集。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过时域仿真计算当前的潮流数据的实际临界切除时间,并将所述当前的潮流数据的实际临界切除时间和预测的当前的潮流数据对应的临界切除时间进行比对,以对所述孪生网络模型进行验证。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
将所述当前的潮流数据和当前的潮流数据对应的实际临界切除时间放入历史样本数据集中,以用于确定下一次的潮流数据对应的临界切除时间。
5.一种基于Siamese网络模型确定电力系统的临界切除时间的系统,其特征在于,所述系统包括:
孪生网络模型确定单元,用于利用获取的包括潮流数据和临界切除时间结果的历史样本数据集中的样本,根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,确定孪生网络模型;
高级特征获取单元,用于当接收到新的潮流数据时,利用所述孪生网络模型获取当前的潮流数据对应的高级特征;
最接近样本确定单元,用于分别计算历史样本数据集中每个样本对应的高级特征和所述当前潮流数据对应的高级特征之间的距离,并根据距离升序的方式选取前面的预设数量的样本作为最接近样本;
临界切除时间确定单元,用于计算选取的预设数量的最接近样本的临界切除时间的平均值作为预测的当前的潮流数据对应的临界切除时间;
其中,在所述孪生网络模型确定单元,根据样本挑选策略挑选样本对,对孪生Siamese网络进行训练学习,包括:
引入衰减阈值,并选取样本之间的临界切除时间差异大于所述衰减阈值的样本对,对孪生Siamese网络进行训练学习;其中,利用如下公式计算衰减阈值:
其中,DThr为衰减阈值;CCTmax是历史样本数据集中样本的临界切除时间的最大值;CCTmin是历史样本数据集中样本的临界切除时间的最小值;Nepoch是历史样本数据集中的样本数量;
在所述孪生网络模型确定单元,在确定孪生网络模型时设置对比损失函数:
其中,N为历史样本数据集中的样本数量;如果样本对来自同一类别,则y为1,否则为0;d为计算的样本对的高级特征之间的差异距离,为欧几里德距离;m为满足需求的余量,用于保持损失函数的第二个包含d的公式为差异距离d的递减函数。
6.根据权利要求5所述的系统,其特征在于,通过动态安全评估系统获取历史样本数据集。
7.根据权利要求5所述的系统,其特征在于,所述系统还包括:
验证单元,用于通过时域仿真计算当前的潮流数据的实际临界切除时间,并将所述当前的潮流数据的实际临界切除时间和预测的当前的潮流数据对应的临界切除时间进行比对,以对所述孪生网络模型进行验证。
8.根据权利要求7所述的系统,其特征在于,所述系统还包括:
历史样本数据集样本增加单元,用于将所述当前的潮流数据和当前的潮流数据对应的实际临界切除时间放入历史样本数据集中,以用于确定下一次的潮流数据对应的临界切除时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811074883.5A CN109376990B (zh) | 2018-09-14 | 2018-09-14 | 一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811074883.5A CN109376990B (zh) | 2018-09-14 | 2018-09-14 | 一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376990A CN109376990A (zh) | 2019-02-22 |
CN109376990B true CN109376990B (zh) | 2022-03-04 |
Family
ID=65405374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811074883.5A Active CN109376990B (zh) | 2018-09-14 | 2018-09-14 | 一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376990B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308148A (zh) * | 2020-11-02 | 2021-02-02 | 创新奇智(青岛)科技有限公司 | 缺陷类别识别、孪生神经网络训练方法、装置及存储介质 |
CN113655348B (zh) * | 2021-07-28 | 2023-12-08 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544542A (zh) * | 2013-10-16 | 2014-01-29 | 天津大学 | 一种电力系统暂态稳定裕度预测方法 |
CN103778467A (zh) * | 2014-01-16 | 2014-05-07 | 天津大学 | 一种选择电力系统暂态稳定评估输入特征量的方法 |
CN105406476A (zh) * | 2015-12-31 | 2016-03-16 | 国家电网公司 | 基于历史数据的电力系统稳定性快速判断方法 |
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 |
CN107729993A (zh) * | 2017-10-30 | 2018-02-23 | 国家新闻出版广电总局广播科学研究院 | 利用训练样本及折中度量的3d卷积神经网络构建方法 |
-
2018
- 2018-09-14 CN CN201811074883.5A patent/CN109376990B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544542A (zh) * | 2013-10-16 | 2014-01-29 | 天津大学 | 一种电力系统暂态稳定裕度预测方法 |
CN103778467A (zh) * | 2014-01-16 | 2014-05-07 | 天津大学 | 一种选择电力系统暂态稳定评估输入特征量的方法 |
CN105406476A (zh) * | 2015-12-31 | 2016-03-16 | 国家电网公司 | 基于历史数据的电力系统稳定性快速判断方法 |
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 |
CN107729993A (zh) * | 2017-10-30 | 2018-02-23 | 国家新闻出版广电总局广播科学研究院 | 利用训练样本及折中度量的3d卷积神经网络构建方法 |
Non-Patent Citations (2)
Title |
---|
基于卷积神经网络判别特征学习的行人重识别;陈兵等;《光学学报》;20180328(第07期);全文 * |
运用距离灵敏度确定电力系统故障临界清除时间;周鲲鹏等;《武汉大学学报(工学版)》;20031030(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109376990A (zh) | 2019-02-22 |
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 | |
CN104200288B (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
CN110516912B (zh) | 一种配电台区户变关系的识别方法 | |
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 | |
CN109598435A (zh) | 一种配电网电缆运行状态评价方法及系统 | |
CN104578053B (zh) | 基于受扰电压轨迹簇特征的电力系统暂态稳定性预测方法 | |
CN108053128A (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN106548265B (zh) | 一种基于连锁故障事故链搜索的输电网可靠性评估方法 | |
CN109428327B (zh) | 基于响应的电网关键支路与主导稳定模式识别方法及系统 | |
CN109376990B (zh) | 一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统 | |
CN103699668A (zh) | 基于数据断面一致性的配电网电气设备组合状态评估方法 | |
CN110059714A (zh) | 基于多分类支持向量机的变压器故障诊断方法 | |
CN108629491A (zh) | 一种换流变检修质量综合评估方法 | |
CN113922412B (zh) | 一种新能源多场站短路比全景化评估方法、系统、存储介质及计算设备 | |
CN111628494A (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN116956203B (zh) | 一种变压器分接开关动作特性测量方法及系统 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN103364669A (zh) | Gis设备运行状态在线检测方法与系统 | |
CN110969214A (zh) | 一种基于支持向量机综合模型的暂态安全域在线构建方法 | |
CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
CN108599147A (zh) | 基于正态指数平滑法与核密度估计的组合区间预测方法 | |
CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN111950853B (zh) | 一种基于信息物理双侧数据的电力运行状态白名单生成方法 | |
CN113934795A (zh) | 一种基于分布式管理的电网预警系统 |
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 |