CN109921414A - 一种基于深度学习融合模型的电力系统暂态稳定评估方法 - Google Patents
一种基于深度学习融合模型的电力系统暂态稳定评估方法 Download PDFInfo
- Publication number
- CN109921414A CN109921414A CN201910187342.1A CN201910187342A CN109921414A CN 109921414 A CN109921414 A CN 109921414A CN 201910187342 A CN201910187342 A CN 201910187342A CN 109921414 A CN109921414 A CN 109921414A
- Authority
- CN
- China
- Prior art keywords
- sample
- model
- failure
- stability evaluation
- transient stability
- 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.)
- Pending
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于深度学习融合模型技术的电力系统暂态稳定评估方法，该方法首先对电力系统典型故障设置仿真，提取重要母线的电压幅值和相角以及部分发电机直连线路的在故障发生前后以及故障切除前后的部分时间序列数据作为原始输入数据，然后再对其进行数据预处理后形成训练集；利用卷积神经网络网络和长短时记忆网络的融合模型建立电力系统暂态稳定评估模型。该模型由卷积层、池化层、长短时记忆网络层和全连接输出层组成。本发明利用卷积神经网络提取长时间序列信息，结合长短期记忆网络进行特征挖掘，最后利用全连接神经网络进行暂态稳定评估。该方法具有较好的评估性能，对于电力系统在线安全稳定评估具有重要意义。
Description
技术领域
本发明涉及电力系统暂态稳定评估，特别是涉及一种基于深度学习融合模型的电力系统暂态稳定评估方法。
技术背景
电力系统的快速发展给安全稳定运行带来严峻考验，电力系统的在线暂态稳定评估需要快速性和精确性，而传统的机器学习方法难以满足在电力系统暂态稳定评估上的应用，本发明在现有研究的基础上，克服传统方法的不足，进一步提高评估的准确性，提出一种基于卷积神经网络和长短时记忆网络的融合模型的暂态稳定评估方法。该方法所需数据容易采集，且具有较好地评估性能。
发明内容
本发明要解决的技术问题是提供一种基于深度学习融合模型的电力系统暂态稳定评估方法，以克服现有技术中存在的问题。
为解决上述技术问题，本发明采用下述技术方案：
基于深度学习融合模型的电力系统暂态稳定评估方法，其特征在于，所述方法的步骤包括：
步骤1：通过时域仿真法或者利用WAMS系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，采集范围包括：故障发生前2 周波至故障发生后3周波以及故障切除前3周波至故障切除后6周波两段序列数据，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入；
步骤2：为了减小不同量纲对模型的影响，对样本集进行数据归一化处理；
步骤3：根据发电机故障后的功角差对样本数据进行标注，稳定样本标注为 01，不稳定样本标注为10；
步骤4：构建基于卷积神经网络和长短时记忆网络融合模型的暂态稳定评估方法，并将步骤3中标注好的数据集按7：3划分为训练集和测试集；
步骤5：利用步骤4中构建的训练集和测试集以评估准确率和召回率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型；
步骤6：利用步骤2和步骤4，对WAMS系统新采集得到的故障数据进行处理，建立评估数据集；
步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。
所述步骤1中，所述步骤1中，通过时域仿真法或者利用WAMS系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，采集范围包括：故障发生前2周波至故障发生后3周波以及故障切除前3周波至故障切除后6周波两段序列数据，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入，因此样本特征数据集x 可表示为：
其中V和θ表示所选用的母线的电压幅值和相角，tf，tk分别表示故障发生时间和故障切除时间，P表示在所选用的与发电机母线直连的线路的有功功率，n 和m表示共选择了哪条母线和m条线路。
所述步骤2中的归一化方法将对样本集进行归一化处理，归一化公式为：
其中表示初始特征第j列时间序列的t时刻的原始特征值，表示归一化后的特征值，和分别表示样本集中所有样本第j列所有特征值的均值和标准差。
所述步骤3中，对于每个样本，依据发电机故障后的功角差来对其进行暂态稳定标注，其计算公式为：
其中Δδmax为发生扰动后4s末任意两台发电机功角差最大值，对于每个样本，如果TSI为正，则系统是稳定的，样本标签标注为1；如果TSI为负，系统是不稳定的，样本标签标注为0。
所述步骤4中，构建的基于深度学习融合模型的电力系统暂态稳定评估模型是一个由两个卷积层CONV1和CONV2、两个池化层POOL1和POOL2、一个长短时记忆网络层LSTM和一个全连接输出层FC组成。
根据权利要求1所述的评估方法，其特征在于：通过各种典型运行方式下的数据集，对步骤4中的暂态稳定评估模型进行参数寻优，保持最佳模型，对步骤 6中的在线预测数据集，利用步骤4中保持好的评估模型，得到稳定评估结果。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明：
图1示出本发明所述的一种基于深度学习融合模型的电力系统暂态稳定评估方法流程图；
图2示出本发明的模型结构图；
图3示出本实例中新英格兰10机39节点系统的拓扑结构图。
具体实施方式
步骤1：通过时域仿真法或者利用WAMS系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，采集范围包括：故障发生前2 周波至故障发生后3周波以及故障切除前3周波至故障切除后6周波两段序列数据，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入；
步骤2：为了减小不同量纲对模型的影响，对样本集进行数据归一化处理；
步骤3：根据发电机故障后的功角差对样本数据进行标注，稳定样本标注为 01，不稳定样本标注为10；
步骤4：构建基于卷积神经网络和长短时记忆网络融合模型的暂态稳定评估方法，并将步骤3中标注好的数据集按7：3划分为训练集和测试集；
步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4 中的暂态稳定评估模型进行寻优，保存最佳精度的模型；
步骤6：利用步骤2和步骤4，对WAMS系统新采集得到的故障数据进行处理，建立评估数据集；
步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。
所述步骤1中，通过时域仿真法或者利用WAMS系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，采集范围包括：故障发生前2周波至故障发生后3周波以及故障切除前3周波至故障切除后6周波两段序列数据，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入，因此样本特征数据集x可表示为：
其中V和θ表示所选用的母线的电压幅值和相角，tf，tk分别表示故障发生时间和故障切除时间，P表示在所选用的与发电机母线直连的线路的有功功率，n 和m表示共选择了哪条母线和m条线路。
所述步骤2中的归一化方法将对样本集进行归一化处理，归一化公式为：
其中表示初始特征第j列时间序列的t时刻的原始特征值，表示归一化后的特征值，和分别表示样本集中所有样本第j列所有特征值的均值和标准差，对于每个样本，依据发电机故障后的功角差来对其进行暂态稳定标注，其计算公式为：
其中Δδmax为发生扰动后4s末任意两台发电机功角差最大值，对于每个样本，如果TSI为正，则系统是稳定的，样本标签标注为1；如果TSI为负，系统是不稳定的，样本标签标注为0。
所述步骤4中，构建的基于深度学习融合模型的电力系统暂态稳定评估模型是一个由两个卷积层CONV1和CONV2、两个池化层POOL1和POOL2、一个长短时记忆网络层LSTM和一个全连接输出层FC组成。
根据权利要求1所述的评估方法，其特征在于：通过各种典型运行方式下的数据集，对步骤4中的暂态稳定评估模型进行参数寻优，保持最佳模型，对步骤 6中的在线预测数据集，利用步骤4中保持好的评估模型，得到稳定评估结果。
本发明的意义在于如下：本发明以深度学习融合模型技术为基础，以易于采集的数据为输入，利用卷积神经网络和长短时记忆网络搭建电力系统暂态稳定评估模型，该方法具有较好的评估准确率，能够胜任现阶段下的暂态稳定评估任务。
下面通过一组实例对本发明进行进一步的说明。
本实例以新英格兰10机39节点系统为例，进行模型性能评估。通过电力系统暂态稳定仿真共得到样本10200条，其中稳定样本7714条，失稳样本2486 条，稳定/失稳样本比例为3:1。根据步骤1至步骤3将系统的测量数据归一化处理后作为模型输入，将标注的稳定与否标签作为输出，通过训练更新模型参数，保持最优模型。将本发明与其他模型进行对比，结果如下表所示。
表1模型的评估结果
Tab.1 Assessmentresultsofmodels
从表中可以看到在本发明算法具有最高的评估性能，准确率和召回率分别为98.33％和96.39％，体现了本发明的应用价值。本文所描述的具体实施例仅作为本发明方法的应用举例说明，不能理解为对本发明的限制，本发明所属技术领域的技术人员可以在本发明的范围内对具体实施例进行替换、变化、补充或修改。
Claims (6)
1.一种基于深度学习融合模型的电力系统暂态稳定评估方法，其特征在于，包括以下步骤：
步骤1：通过时域仿真法或者利用WAMS系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，采集范围包括：故障发生前3周波至故障发生后3周波以及故障切除前3周波至故障切除后6周波两段序列数据，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入；
步骤2：为了减小不同量纲对模型的影响，对样本集进行数据归一化处理；
步骤3：根据发电机故障后的功角差对样本数据进行标注，稳定样本标注为01，不稳定样本标注为10；
步骤4：构建基于卷积神经网络和长短时记忆网络融合模型的暂态稳定评估方法，并将步骤3中标注好的数据集按7：3划分为训练集和测试集；
步骤5：利用步骤4中构建的训练集和测试集以评估准确率和召回率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型；
步骤6：利用步骤2和步骤4，对WAMS系统新采集得到的故障数据进行处理，建立评估数据集；
步骤7：利用步骤5中的所保存好的模型对测评数据集进行评估，得到稳定性结果。
2.根据权利要求1所述的暂态稳定评估方法，其特征在于：所述步骤1中，通过时域仿真法或者利用WAMS系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，采集范围包括：故障发生前2周波至故障发生后3周波以及故障切除前3周波至故障切除后6周波两段序列数据，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入，因此样本特征数据集x可表示为：
其中V和θ表示所选用的母线的电压幅值和相角，tf，tk分别表示故障发生时间和故障切除时间，P表示在所选用的与发电机母线直连的线路的有功功率，n和m表示共选择了哪条母线和m条线路。
3.根据权利要求1所述的评估方法，其特征在于：所述步骤2中的归一化方法将对样本集进行归一化处理，归一化公式为：
其中表示初始特征第j列时间序列的t时刻的原始特征值，表示归一化后的特征值，和分别表示样本集中所有样本第j列所有特征值的均值和标准差。
4.根据权利要求1中所述的评估方法，其特征在于：所述步骤3中，对于每个样本，依据发电机故障后的功角差来对其进行暂态稳定标注，其计算公式为：
其中Δδmax为发生扰动后4s末任意两台发电机功角差最大值，对于每个样本，如果TSI为正，则系统是稳定的，样本标签标注为1；如果TSI为负，系统是不稳定的，样本标签标注为0。
5.根据权利要求1所述的暂态稳定评估方法，其特征在于：所述步骤4中，构建的基于深度学习融合模型的电力系统暂态稳定评估模型是一个由两个卷积层CONV1和CONV2、两个池化层POOL1和POOL2、一个长短时记忆网络层LSTM和一个全连接输出层FC组成。
6.根据权利要求1所述的评估方法，其特征在于：通过各种典型运行方式下的数据集，对步骤4中的暂态稳定评估模型进行参数寻优，保持最佳模型，对步骤6中的在线预测数据集，利用步骤4中保持好的评估模型，得到稳定评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910187342.1A CN109921414A (zh) | 2019-03-13 | 2019-03-13 | 一种基于深度学习融合模型的电力系统暂态稳定评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910187342.1A CN109921414A (zh) | 2019-03-13 | 2019-03-13 | 一种基于深度学习融合模型的电力系统暂态稳定评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109921414A true CN109921414A (zh) | 2019-06-21 |
Family
ID=66964446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910187342.1A Pending CN109921414A (zh) | 2019-03-13 | 2019-03-13 | 一种基于深度学习融合模型的电力系统暂态稳定评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109921414A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110417005A (zh) * | 2019-07-23 | 2019-11-05 | 清华大学 | 结合深度学习和仿真计算的暂态稳定严重故障筛选方法 |
| CN110943453A (zh) * | 2019-12-23 | 2020-03-31 | 北京交通大学 | 面向迁移学习的电力系统故障样本生成和模型构建方法 |
| CN111756034A (zh) * | 2020-06-12 | 2020-10-09 | 清华大学 | 基于图时空网络的电力系统暂态电压稳定评估方法 |
| WO2021017416A1 (zh) * | 2019-07-30 | 2021-02-04 | 重庆邮电大学 | 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 |
| CN112508442A (zh) * | 2020-12-18 | 2021-03-16 | 湖南大学 | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 |
| CN113010389A (zh) * | 2019-12-20 | 2021-06-22 | 阿里巴巴集团控股有限公司 | 一种训练方法、故障预测方法、相关装置及设备 |
| CN113159345A (zh) * | 2021-05-08 | 2021-07-23 | 中国电力科学研究院有限公司 | 一种基于融合神经网络模型的电网故障辨识方法及系统 |
| CN113177357A (zh) * | 2021-04-29 | 2021-07-27 | 清华大学 | 一种电力系统暂态稳定评估方法 |
| CN113379279A (zh) * | 2021-06-23 | 2021-09-10 | 黑龙江大学 | 基于不完整数据的深度强化学习短期电压稳定性评估方法 |
| CN114662651A (zh) * | 2022-01-24 | 2022-06-24 | 贵州大学 | 基于改进卷积残差记忆网络和门控循环单元的两阶段暂态稳定预测方法 |
| CN115221982A (zh) * | 2022-09-21 | 2022-10-21 | 石家庄铁道大学 | 牵引供电运维方法、装置、终端及存储介质 |
-
2019
- 2019-03-13 CN CN201910187342.1A patent/CN109921414A/zh active Pending
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110417005A (zh) * | 2019-07-23 | 2019-11-05 | 清华大学 | 结合深度学习和仿真计算的暂态稳定严重故障筛选方法 |
| WO2021017416A1 (zh) * | 2019-07-30 | 2021-02-04 | 重庆邮电大学 | 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 |
| CN113010389A (zh) * | 2019-12-20 | 2021-06-22 | 阿里巴巴集团控股有限公司 | 一种训练方法、故障预测方法、相关装置及设备 |
| CN113010389B (zh) * | 2019-12-20 | 2024-03-01 | 阿里巴巴集团控股有限公司 | 一种训练方法、故障预测方法、相关装置及设备 |
| CN110943453A (zh) * | 2019-12-23 | 2020-03-31 | 北京交通大学 | 面向迁移学习的电力系统故障样本生成和模型构建方法 |
| CN111756034A (zh) * | 2020-06-12 | 2020-10-09 | 清华大学 | 基于图时空网络的电力系统暂态电压稳定评估方法 |
| CN111756034B (zh) * | 2020-06-12 | 2022-04-08 | 清华大学 | 基于图时空网络的电力系统暂态电压稳定评估方法 |
| CN112508442B (zh) * | 2020-12-18 | 2023-09-22 | 湖南大学 | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 |
| CN112508442A (zh) * | 2020-12-18 | 2021-03-16 | 湖南大学 | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 |
| CN113177357A (zh) * | 2021-04-29 | 2021-07-27 | 清华大学 | 一种电力系统暂态稳定评估方法 |
| CN113177357B (zh) * | 2021-04-29 | 2022-08-09 | 清华大学 | 一种电力系统暂态稳定评估方法 |
| CN113159345A (zh) * | 2021-05-08 | 2021-07-23 | 中国电力科学研究院有限公司 | 一种基于融合神经网络模型的电网故障辨识方法及系统 |
| CN113379279A (zh) * | 2021-06-23 | 2021-09-10 | 黑龙江大学 | 基于不完整数据的深度强化学习短期电压稳定性评估方法 |
| CN114662651A (zh) * | 2022-01-24 | 2022-06-24 | 贵州大学 | 基于改进卷积残差记忆网络和门控循环单元的两阶段暂态稳定预测方法 |
| CN115221982B (zh) * | 2022-09-21 | 2022-12-09 | 石家庄铁道大学 | 牵引供电运维方法、装置、终端及存储介质 |
| CN115221982A (zh) * | 2022-09-21 | 2022-10-21 | 石家庄铁道大学 | 牵引供电运维方法、装置、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109921414A (zh) | 一种基于深度学习融合模型的电力系统暂态稳定评估方法 | |
| CN109886604A (zh) | 一种基于一维卷积神经网络的电力系统暂态稳定评估方法 | |
| Li et al. | A practical equivalent method for DFIG wind farms | |
| CN109783997A (zh) | 一种基于深度神经网络的电力系统暂态稳定评估方法 | |
| CN103887815B (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
| CN108832619A (zh) | 基于卷积神经网络的电力系统暂态稳定评估方法 | |
| CN101252280B (zh) | 一种城市电网最大供电能力在线评估方法 | |
| CN109960860A (zh) | 基于差分进化极限学习机的电力系统暂态稳定评估方法 | |
| CN102769300B (zh) | 基于摄动法的风电场无功功率对电压的灵敏度计算方法 | |
| CN106771846B (zh) | 基于模糊推理脉冲神经膜系统的输电线路故障选相方法 | |
| CN102157938A (zh) | 电力系统电压稳定薄弱节点在线识别方法 | |
| CN105353304A (zh) | 一种风电机组电气模型低电压穿越特性验证方法 | |
| Luo et al. | Multi‐machine equivalent model parameter identification method for double‐fed induction generator (DFIG)‐based wind power plant based on measurement data | |
| CN104820741A (zh) | 兼顾风场分散性与机组差异性的风电场动态等值方法 | |
| CN110635474A (zh) | 一种基于长短期记忆网络的电网动态轨迹趋势预测方法 | |
| Shen et al. | Generalized discrete‐time equivalent model for interfacing the grid‐connected photovoltaic system | |
| CN104268316B (zh) | 基于离线计算和在线匹配的双馈风电场概率等值建模方法 | |
| CN107370180B (zh) | 一种定量分析风电接入对系统暂态稳定性影响的方法 | |
| Sun et al. | A preliminary study on the Thevenin equivalent parameters of DFIG wind farms | |
| CN104167735B (zh) | 一种风电场非机理等效建模方法与装置 | |
| Jiang et al. | Dynamic Equivalent Modeling of Wind Farm Based on Dominant Variable Hierarchical Clustering Algorithm | |
| Latiki et al. | Critical Clearing Time and Angle for Power Systems Postfault Stability Assessment | |
| Tan et al. | PMSG-Based Black-Start Technology and Its Field Tests | |
| CN113642163B (zh) | 一种基于数学机械化的dfig风电场等值建模方法 | |
| CN113131473B (zh) | 一种基于参数灵敏度的输电系统可用传输容量计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190621 |