CN109494726A

CN109494726A - 基于dlrnn神经网络的电力系统稳定性在线评估方法

Info

Publication number: CN109494726A
Application number: CN201811423349.0A
Authority: CN
Inventors: 桂前进; 毛峰; 江千军; 罗利荣; 何正欢; 黄燕
Original assignee: NANJING HEHAI ELECTRIC POWER SOFTWARE CO Ltd; Anqing Power Supply Co of State Grid Anhui Electric Power Co Ltd
Current assignee: NANJING HEHAI ELECTRIC POWER SOFTWARE CO Ltd; Anqing Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority date: 2018-11-27
Filing date: 2018-11-27
Publication date: 2019-03-19

Abstract

本发明公开了基于DLRNN神经网络的电力系统稳定性在线评估方法，其步骤是：采集大量电网运行的电压电流数据，并分类为电网稳态数据和电网故障数据；根据电力系统稳定性评估需求，确定DLRNN神经网络模型输入输出节点个数，并利用采集的电网数据离线训练DLRNN神经网络；离线训练后的神经网络，搭建基于DLRNN神经网络的在线评估系统，可以实时监测电网运行状态。采用上述技术方案，利用人工神经网络具有良好的处理复杂未知非线性系统的能力，同时能够很好捕捉电网运行时的动态特性，运用DLRNN神经网络的参数和实时数据来评估电力系统的稳定性。

Description

基于DLRNN神经网络的电力系统稳定性在线评估方法

技术领域

本发明属于大电网稳定与控制技术领域。更具体地，本发明涉及一种基于DLRNN神经网络的电力系统稳定性在线评估方法。

背景技术

随着电网规模的扩大，电力系统稳定性愈加难以掌控。一方面，跨区域电网的互联可以合理利用整体资源，带来巨大的经济效益；但是在另一方面，电网结构改变之后，呈现出更加复杂的非线性特性。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。开展对运行电网的实时在线监测、分析和控制，是各国电力行业的迫切需求。

传统的时域评估方法计算量大、耗时长，不适合电力系统在线稳定性评估。

人工神经网络具有良好的处理复杂未知非线性系统的能力，能够很好地捕捉电力系统的动态特性，当前循环神经网络被广泛地用于非线性系统的处理。但是，关于应用人工神经网络对电力系统稳定性进行评估，还缺乏成熟的技术方案。

发明内容

本发明提供一种基于DLRNN神经网络的电力系统稳定性在线评估方法，用于解决电网结构发生变化时，分析电网稳定性的问题，其目的是提高仿真精度和仿真效率。

为了实现上述目的，本发明采取的技术方案为：

本发明的基于DLRNN神经网络的电力系统稳定性在线评估方法，其步骤如下：

步骤1、采集大量电网运行的电压电流数据，并分类为电网稳态数据和电网故障数据；

步骤2、根据电力系统稳定性评估需求，确定DLRNN神经网络模型输入输出节点个数，并利用步骤1采集的电网数据离线训练DLRNN神经网络；

步骤3、根据步骤2离线训练后的神经网络，搭建基于DLRNN神经网络的在线评估系统，可以实时监测电网运行状态。

所述的DLRNN神经网络的结构分为输入层、隐藏层、输出层；

在所述的步骤2中，参数离线训练步骤如下所示：

1)、计算输入层的节点输出，如公式(1)所示：

在公式(1)中，l表示输入层；o表示输出层；i表示输入层节点序号；b_li表示输入层第i个节点的输出；x_i表示第i个节点的输入；ω_oli表示输出到第i个输入节点的连接权值；Y_out表示单个循环中DLRNN神经网络的最终输出信号；Y_ex表示计算Y_out之前DLRNN神经网络的输出；

2)、计算隐藏层的节点数值，如公式(2)所示：

在隐藏层的计算中，选择高斯函数作为激活函数；

在公式(2)中，h表示隐藏层；j表示隐藏层节点序号；h_j表示隐藏层第j个节点的数值；b_li表示输出层第i个节点的输出；ω_hj表示第j个隐藏层节点的内部反馈权值；h_exj表示最后一个周期中计算的第j个隐藏层节点的数值；c_ij表示第i个输出层信号在第j个隐藏层节点的高斯函数中心；b_ij表示第i个输出层输入信号在第j个隐藏层节点的高斯函数宽度；

3)、计算输出层的输出，如公式(3)所示：

在公式(3)中，Y表示输出层输出；j表示隐藏层节点序号；ω_hoj表示第j个隐藏层节点到输出层的连接权值；h_j表示隐藏层第j个节点的数值；

4)、计算输入层权值修正项，如公式(4)所示：

Δω_oli＝ηδ_eY (4)

在公式(4)中，o表示输出层；l表示输入层；Δω_oli表示输出到第i个输入节点的连接权值修正项；η表示每次迭代调整比例；δ_eY表示误差函数e对的神经网络输出Y的偏导数；

5)、计算隐藏层权值修正项，如公式(5)所示：

Δω_hj＝ηδ_eb (5)

在公式(5)中，h表示隐藏层；Δω_hj表示第j个隐藏层节点的内部反馈权值修正项；η表示每次迭代调整比例；δ_eb表示误差函数e对输入层输出b_li的偏导数。

6)、计算输出层权值修正项，如公式(6)所示：

Δω_hoj＝ηδ_eh (6)

在公式(6)中，h表示隐藏层；o表示输出层；Δω_hoj表示第j个隐藏层节点到输出层的连接权值修正项；η表示每次迭代调整比例；δ_eh表示误差函数e对隐藏层h_j的偏导数。

根据所述的步骤2离线训练后的DLRNN神经网络，搭建基于该DLRNN神经网络的在线评估系统，用于实时监测电网运行状态。

所述的误差函数e为神经网络输出与期望输出之间的误差，即：e＝Y-y，其中Y表示神经网络输出，y表示期望输出。

在所述的公式(4)～(6)中，分别按以下公式进行迭代：

ω_oli＝ω_oli+Δω_oli

ω_hj＝ω_hj+Δω_hj

ω_hoj＝ω_hoj+Δω_hoj

本发明采用上述技术方案，利用人工神经网络具有良好的处理复杂未知非线性系统的能力，同时能够很好捕捉电网运行时的动态特性，运用DLRNN神经网络的参数和实时数据来评估电力系统的稳定性；实施时，只需要采集电网实时运行数据，而不需要掌握电力系统的具体参数和拓扑结构，在基于DLRNN神经网络的在线评估系统完成后，就可以满足电网稳定性在线分析的需求。

附图说明

图1为基于DLRNN神经网络的电力系统稳定性在线评估流程图；

图2为DLRNN神经网络结构图；

图3为基于DLRNN神经网络的电力系统稳定性评估模块图。

具体实施方式

下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

本发明的结构为一种基于DLRNN神经网络的电力系统稳定性在线评估方法。人工神经网络具有良好的处理复杂未知非线性系统的能力，能够很好地捕捉电力系统的动态特性，当前循环神经网络被广泛地用于非线性系统的处理。这种方法的主要优点有：

1、神经网络的结构和参数(非线性函数、权值)决定动态模型的结构和参数，不需要掌握电网系统的具体参数和拓扑结构；

2、一旦经过很好的离线训练和测试，基于DLRNN神经网络的在线评估方法就可以满足电力系统稳定性分析的需求。

为了克服现有技术的缺陷，实现提高仿真精度和仿真效率的发明目的，本发明采取的技术方案为：

如图1所示，本发明的基于DLRNN神经网络的电力系统稳定性在线评估方法，其步骤如下：

本发明包括建立确定DLRNN神经网络结构、离线训练DLRNN神经网络得到在线稳定性评估系统。该评估系统根据电网实时传来的电压电流数据，可以直接判断出电网的运行状态。

其中，稳定性在线评估的结果可以根据稳定性评估需求，分为“稳定”、“故障”，或者更为详细的“稳定”、“三相接地故障”、“短路故障”等。另外，在学习之前可以根据对训练结果的要求采用相应的评估结果。

在线评估电网稳定性从电力系统的动态特性出发，利用DLRNN神经网络结构来拟合电网的未知非线性系统。虽然无法准确得知电力系统网络的具体结构，但是通过研究系统的输入输出关系，可以得到和实际电网类似的系统，可以满足对电网稳定性进行在线评估的要求。

在训练时，用到的数据皆为已知数据，其中，大量电网运行的电压电流数据应当满足体现电网的各个运行状态；在神经网络训练过程中，可以充分完成所有的训练步骤。在数据采集时，数据应当体现属于“电网稳态数据”还是“电网故障数据”。

如图2所示，所述的DLRNN神经网络的结构分为输入层、隐藏层、输出层。

本发明在确定DLRNN神经网络结构时，综合考虑了仿真精度和仿真速率的要求。

如图3所示，实时测得的电压数据和电流数据均包括其实部和虚部。

DLRNN评估模块的输入包括电网实时测量的电压实部和虚部、电流实部和虚部，DLRNN评估模块的输出为当前电网运行状态。

因此，DLRNN神经网络共有输入节点4个，输出节点1个，上述DLRNN神经网络结构节点的选择为常规技术手段。

确定DLRNN神经网络结构后，需要利用大量电网运行的电压电流数据，并分类为电网稳态数据和电网故障数据对评估模块进行离线训练。根据本发明所提出的方法进行离线训练，不需要知道电力系统的相关参数和拓扑结构就可以建立电网稳定性评估模型。在模型训练好后，采集电网实时运行数据即可评估电网稳定性。

在所述的步骤2中，参数离线训练步骤如下所示：

1)、计算输入层的节点输出，如公式(1)所示：

2)、计算隐藏层的节点数值，如公式(2)所示：

在隐藏层的计算中，选择高斯函数作为激活函数；

3)、计算输出层的输出，如公式(3)所示：

4)、计算输入层权值修正项，如公式(4)所示：

Δω_oli＝ηδ_eY (4)

5)、计算隐藏层权值修正项，如公式(5)所示：

Δω_hj＝ηδ_eb (5)

6)、计算输出层权值修正项，如公式(6)所示：

Δω_hoj＝ηδ_eh (6)

公式(4)～(6)几个修正项对公式(1)～(3)公式是通过改变其中的相关权值来影响，即：在所述的公式(4)～(6)中，分别按以下公式进行迭代：

ω_oli＝ω_oli+Δω_oli

ω_hj＝ω_hj+Δω_hj

ω_hoj＝ω_hoj+Δω_hoj

以上结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims

1.基于DLRNN神经网络的电力系统稳定性在线评估方法，其特征在于该方法的步骤是：

2.按照权利要求1所述的基于DLRNN神经网络的电力系统稳定性在线评估方法，其特征在于：所述的DLRNN神经网络的结构分为输入层、隐藏层、输出层；

在所述的步骤2中，参数离线训练步骤如下所示：

1)、计算输入层的节点输出，如公式(1)所示：

2)、计算隐藏层的节点数值，如公式(2)所示：

在隐藏层的计算中，选择高斯函数作为激活函数；

3)、计算输出层的输出，如公式(3)所示：

4)、计算输入层权值修正项，如公式(4)所示：

Δω_oli＝ηδ_eY (4)

5)、计算隐藏层权值修正项，如公式(5)所示：

Δω_hj＝ηδ_eb (5)

6)、计算输出层权值修正项，如公式(6)所示：

Δω_hoj＝ηδ_eh (6)

3.按照权利要求2所述的基于DLRNN神经网络的电力系统稳定性在线评估方法，其特征在于：根据所述的步骤2离线训练后的DLRNN神经网络，搭建基于该DLRNN神经网络的在线评估系统，用于实时监测电网运行状态。

4.按照权利要求2所述的基于DLRNN神经网络的电力系统稳定性在线评估方法，其特征在于：所述的误差函数e为神经网络输出与期望输出之间的误差，即：e＝Y-y，其中Y表示神经网络输出，y表示期望输出。

5.按照权利要求2所述的基于DLRNN神经网络的电力系统稳定性在线评估方法，其特征在于：在所述的公式(4)～(6)中，分别按以下公式进行迭代：

ω_oli＝ω_oli+Δω_oli

ω_hj＝ω_hj+Δω_hj

ω_hoj＝ω_hoj+Δω_hoj。