CN110336270B - 一种电力系统暂态稳定预测模型的更新方法 - Google Patents

Abstract

本发明涉及一种电力系统暂态稳定预测模型的更新方法，属于电力系统稳定控制技术领域。首先对初始训练场景集考虑的运行工况和预想故障进行统计，根据未来场景的预测情况，将其与已训练场景的运行工况和预想故障进行对比，根据对比结果判断是否启动暂态稳定预测模型的更新过程。本发明将未来场景集分为未计算暂态稳定性的训练样本和已计算暂态稳定性的测试样本；通过计算训练样本的不确定指标，选择不确定指标高的训练样本进行完整时域仿真，计得到暂态稳定性结果。本发明方法减少了时域仿真的计算时间，减少了模型再训练时间，从而减少了暂态稳定预测模型的在线更新时间，更新得到的暂态稳定预测模型仍能保证较高的准确率，具有重要的实用价值。

Description

一种电力系统暂态稳定预测模型的更新方法

技术领域

本发明涉及一种电力系统暂态稳定预测模型的更新方法，属于电力系统稳定控制技术领域。

背景技术

暂态稳定性破坏是电力系统发生大规模停电事故的重要原因，如何快速准确判断系统的暂态稳定性是电力系统安全防控要考虑的主要问题之一。近年来，智能电网建设的不断深入，使得电力系统中采集的运行数据日益丰富和完善，使得基于数据驱动的暂态稳定预测方法受到国内外学者的广泛关注。

由于电网网架结构、运行方式不断变化，若用彼时的数据得到的模型来预测此时电力系统的暂态稳定性，预测模型可能存在准确率降低甚至失效的情况，因此，基于人工智能的暂态稳定预测模型需要根据电网实际运行工况进行更新。在模型更新时，首先要根据运行工况和预想故障生成用于更新暂态稳定预测模型的新样本，然后，基于新样本重新训练暂态稳定评估模型。然而，生成海量数据、暂态稳定评估模型的更新都需要较多时间，将影响深度神经网络模型的在线应用。如何快速地更新暂态稳定预测模型，提高深度神经网络模型更新时的计算效率是亟需解决的问题。

发明内容

本发明的目的是提出一种电力系统暂态稳定预测模型的快速更新方法，采用深度神经网络构建电力系统暂态稳定预测模型，当电力系统运行工况、拓扑发生变化时，只通过时域仿真生成少量标记样本，利用少数标记样本对已生成的深度神经网络模型进行微调，进而降低暂态稳定预测模型的在线更新的计算时间，提高深度神经网络模型在暂态稳定预测方面的实用性。

本发明提出的电力系统暂态稳定预测模型的更新方法，包括以下步骤：

(1)对一个具有N台发电机的电力系统，根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S₀，根据S₀和深度神经网络模型的构建方法，得到用于在线暂态稳定预测的初始深度神经网络模型C，统计初始场景集S₀中各场景的运行工况和预想故障情况，具体包括以下步骤：

(1-1)判断当前初始场景集S₀是否为空集，如果S₀不是空集，则转入步骤(1-2)，如果S₀是空集，则根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S₀：

其中，O^k表示电力系统在场景k中线路和负荷的接入情况，F^k表示场景k中考虑的预想故障，通常包括故障位置、故障类型和故障切除时间，P_Gi表示电力系统中第i台发电机的有功功率，V_Gi表示第i台发电机的机端电压幅值，P_Loadj表示电力系统中第j个负荷节点的有功负荷，Q_Loadj表示第j个负荷节点的无功负荷，X^k＝(x_k,1,x_k,2,…,x_k,f)表示场景k中采集的f个输入特征，y^k＝(y₁ ^k,y₂ ^k)表示场景k的暂态稳定性，设定y^k＝(0,1)表示场景k中电力系统能够保持暂态稳定，y^k＝(1,0)表示场景k中电力系统将暂态失稳；

(1-2)判断深度神经网络模型C是否存在，如果C存在，则转入步骤(1-3)，如果C不存在，则利用深度神经网络构建步骤(1-1)中初始场景集S₀的输入特征X^k与y^k的映射关系，得到用于在线暂态稳定预测的初始深度神经网络模型C，其中深度神经网络模型可以使用深度卷积神经网络、深度置信神经网络、深度残差网络等，每一层的参数由人为设定，最终模型C的输出向量为

且满足P(y₁ ^k＝1|X^k)+P(y₂ ^k＝1|X^k)＝1，其中，P(y₁ ^k＝1|X^k)表示当输入为X^k而输出为y₁ ^k＝1的概率，P(y₂ ^k＝1|X^k)表示当输入为X^k而输出为y₂ ^k＝1的概率，对两个概率的大小进行比较，若P(y₁ ^k＝1|X^k)≥P(y₂ ^k＝1|X^k)，则判断场景k中电力系统将失稳，若P(y₁ ^k＝1|X^k)<P(y₂ ^k＝1|X^k)，则判断场景k中电力系统能够保持稳定；

(1-3)对步骤(1-1)得到的初始场景集S₀中的O^k、F^k、P_Gi、V_Gi、P_Loadj和Q_Loadj进行统计，得到O^k、F^k、P_Gi、V_Gi、P_Loadj和Q_Loadj的分布情况，具体包括以下步骤：

(1-3-1)对S₀中所有场景中线路和负荷的接入情况进行两两比较，若两个场景中所有线路和负荷的接入情况完全相同，则认为是同一种线路和负荷接入方式，否则认为是两种线路和负荷接入方式，最终，得到包含u种线路和负荷接入方式的集合o_set＝{o(1),o(2),…,o(u)}，其中，o(a)表示集合o_set中的第a种线路和负荷接入方式，a＝1,…,u；

(1-3-2)对S₀中采用第a种线路和负荷接入情况o(a)涵盖的所有场景下的预想故障进行两两比较，若两种场景对应的预想故障类型、故障位置和故障切除时间完全相同，则认为是同一种预想故障，若两种场景对应的预想故障类型、故障位置和故障切除时间不完全相同，则认为是两种不同的预想故障，最终，第a种线路和负荷接入情况o(a)对应的所有场景共包含n(a)种预想故障，得到由n(a)种预想故障构成的集合f_set＝{f(a,1),f(a,2),…,f(a,n(a))}，其中，f(a,b)表示第a种线路和负荷接入情况o(a)对应的第b种预想故障,b＝1,…,n(a)；

(1-3-3)对步骤(1-3-2)中第a种线路和负荷接入情况o(a)对应第b种预想故障f(a,b),b＝1,…,n(a)，分别统计得到f(a,b)涵盖的所有场景中第i台发电机的有功功率P_Gi和机端电压幅值V_Gi的上限值和下限值和第j个负荷节点的有功负荷P_Loadj和无功负荷Q_Loadj的上限值和下限值：

其中，M(a)为电力系统在第a种线路和负荷接入情况下的负荷节点数，P _Gi(a,b)为f(a,b)涵盖的所有场景中第i台发电机有功功率的下限值，

为f(a,b)涵盖的所有场景中第i台发电机有功功率的上限值，V _Gi(a,b)为f(a,b)涵盖的所有场景中第i台发电机机端电压幅值的下限值，

为f(a,b)涵盖的所有场景中第i台发电机机端电压幅值的上限值，P _Loadj(a,b)为f(a,b)涵盖的所有场景中第j个负荷节点有功负荷的下限值，

为场景f(a,b)中第j个负荷节点有功负荷的上限值，Q _Loadj(a,b)为f(a,b)涵盖的所有场景中第j个负荷节点无功负荷的下限值，

为f(a,b)涵盖的所有场景中第j个负荷节点无功负荷的上限值；

(2)设定暂态稳定预测模型的更新周期为T₁，根据电力系统控制中心对未来T₁到2T₁时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算结果，得到未来T₁到2T₁时间内需要考虑的p+q种新场景S₁，其中有p种场景包含在初始场景集S₀中，构成新增场景集N₀，有q种场景未包含在初始场景集S₀中，构成新增场景集N₁，p+q的值由人为设定，具体包括以下步骤：

(2-1)根据当前时间判断下一个更新周期是否到来，如果下一个更新周期已经到来，则进行步骤(2-2)，如果下一个更新周期还未到来，则返回步骤(2-1)；

(2-2)根据电力系统控制中心对未来T₁到2T₁时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算结果，得到电力系统未来T₁到2T₁时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算，得到未来T₁到2T₁时间内需要考虑的p+q种新场景构成的新场景集S₁：

其中，上标new表示与初始场景集S₀相区别的新场景，上标l＝1,…,p+q是新场景编号，表示新场景集S₁中的第l个新场景，p+q的值为新场景集S₁的总场景数，其值由人为设定，O^newl表示电力系统在新场景l中线路和负荷的接入情况，F^newl表示新场景l中考虑的预想故障，P_Gi ^newl表示电力系统在新场景l中第i台发电机的有功功率，V_Gi ^newl表示电力系统在新场景l中第i台发电机的机端电压幅值，P_Loadj ^newl表示电力系统在新场景l中第j个负荷节点的有功负荷，Q_Loadj ^newl表示电力系统在新场景l中第j个负荷节点的无功负荷，X^newl＝[x_newl,1,x_newl,2,…,x_newl,f]表示电力系统在新场景l中采集的f个输入特征，y^newl表示电力系统在新场景l的暂态稳定性，设定y^newk＝(0,1)表示新场景l中电力系统能够保持暂态稳定，y^newl＝(1,0)表示新场景l中电力系统将暂态失稳；

(2-3)将新场景集S₁中各个场景与初始场景集S₀的所有场景进行对比，根据对比结果将S₁中的场景划分到新增场景集N₁和新增场景集N₂，具体包括以下步骤：

(2-3-1)将新场景编号l初始化为1；

(2-3-2)将新场景编号l与p+q的大小进行对比，若l≤p+q，则进行步骤(2-3-3)，若l>p+q，则转到步骤(3)；

(2-3-3)将新场景S₁中第l个新场景对应的线路和负荷接入情况O^newl与步骤(1-3-1)得到的集合o_set进行对比，若O^newl与o_set中第t种线路和负荷接入情况o(t)相同,其中t为1到u之间的整数，则进行步骤(2-3-4)，若O^newl不属于集合o_set，则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-4)将新场景S₁中第l个新场景对应的预想故障F^newl与步骤(1-3-2)中第t种线路和负荷接入情况o(t)对应的所有n(t)种预想故障f(t,1),f(t,2),…,f(t,n(t))一一进行对比，若预想故障F^newl与o(t)对应的第r种预想故障f(t,r)相同，r为1到n(t)之间的整数，则进行步骤(2-3-5)，若预想故障F^newl与o(t)对应的所有n(t)种预想故障都不相同，则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-5)将新场景S₁中的第l个新场景对应的第i台发电机的有功功率P_Gi ^newl与P _Gi(t,r)和

的大小进行比较，其中P _Gi(t,r)为f(t,r)涵盖的所有场景中第i台发电机有功功率的下限值，

为f(t,r)涵盖的所有场景中第i台发电机有功功率的上限值，若满足：

则进行步骤(2-3-6)，若不满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-6)将新场景S₁中的第l个新场景对应的第i台发电机的机端电压幅值V_Gi ^newl与V _Gi(t,r)和

的大小进行比较，其中V _Gi(t,r)为f(t,r)涵盖的所有场景中第i台发电机机端电压幅值的下限值，

为f(t,r)涵盖的所有场景中第i台发电机机端电压幅值的上限值，若满足：

则进行步骤(2-3-7)，若不满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-7)将新场景S₁中的第l个新场景对应的第j个负荷节点的有功负荷P_Loadj ^newl与P _Loadj(t,r)和

的大小进行比较，其中P _Loadj(t,r)为f(t,r)涵盖的所有场景中第j个负荷节点的有功负荷的下限值，

为f(t,r)涵盖的所有场景中第j个负荷节点的有功负荷的上限值，若满足：

则进行步骤(2-3-8)，若不满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-8)将新场景S₁中的第l个新场景对应的第j个负荷节点的无功负荷Q_Loadj ^newl与Q _Loadj(t,r)和

的大小进行比较，其中Q _Loadj(t,r)为f(t,r)涵盖的所有场景中第j个负荷节点的无功负荷的下限值，

为f(t,r)涵盖的所有场景中第j个负荷节点的无功负荷的上限值，若满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₀，，并转到步骤(2-3-9)，若不满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁中，并转到步骤(2-3-9)；

(2-3-9)令l:＝l+1，返回步骤(2-3-2)；

(3)根据新增场景集N₀、N₁和初始深度神经网络模型C，进行时域仿真计算和模型微调，更新得到最终的暂态稳定预测模型，具体包括以下步骤：

(3-1)对新增场景集N₁包含的新场景数q进行判断，若q＝0，则无需对模型C更新，返回步骤(2)；若q≠0，从N₀和N₁中分别随机抽取h个样本作为测试样本集Test，剩余p+q-2h个样本构成样本集D₁，利用数值计算方法对Test中的所有场景进行时域仿真，得到Test中所有场景的暂态稳定标签；

(3-2)利用深度神经网络模型C对Test集合中h个测试样本进行预测，根据预测结果迭代进行时域仿真计算和模型训练，更新得到最终的暂态稳定预测模型，具体包括以下步骤：

(3-2-1)设定迭代次数o初始化为0，样本集D₂初始化为空集，设定每次抽取u个新样本，设定预测准确率阈值A_set，迭代终止次数o_set＝[0.5×(p+q-2h)/u]；

(3-2-2)利用深度神经网络模型C对测试集Test中h个测试样本进行预测，得到预测准确率A_pred，将A_pred的值与A_set进行比较，若A_pred≥A_set，则当前的深度神经网络模型C就作为更新后的电力系统暂态稳定预测模型，并将样本集D₂与S₀的所有场景取并集，作为新的初始场景集S₀，若A_pred<A_set，则转入步骤(3-2-3)；

(3-2-3)将o的值与o_set进行比较，若o≥o_set，则当前的深度神经网络模型C就作为更新后的电力系统暂态稳定预测模型，并将样本集D₂与S₀的所有场景取并集，作为新的初始场景集S₀，若o<o_set，则转入步骤(3-2-4)。

(3-2-4)令o:＝o+1，将样本集D₁中所有样本的输入特征X^newg作为模型C的输入，得到D₁中所有样本X^newg在模型C的输出

P(y₂ ^newg＝1|X^newg))，其中g＝1,…,p+q-2h-(u×o)，P(y₁ ^newg＝1|X^newg)表示当输入为X^newg而输出y₁ ^newg＝1的概率，P(y₂ ^newg＝1|X^newg)表示当输入为X^newg而输出y₂ ^newg＝1的概率，然后计算D₁中所有样本的不确定性指标e^newg

e^newg＝min{P(y₁ ^newg＝1|X^newg),P(y₂ ^newg＝1|X^newg)}

其中min{·}表示取最小值；

(3-2-5)将D₁中所有样本的不确定性指标e^newg从大到小排列，取e^newg的值排在前u的样本，利用数值计算方法对u个样本进行时域仿真，得到u个样本的暂态稳定类别标签y^newg；

(3-2-6)将步骤(3-2-5)中的u个样本加入至训练集D₂，并从D₁中移除已经标记的u个样本，利用Adam算法和D₂中的样本对深度神经网络模型C进行微调，迭代m次，得到新的深度神经网络模型C，其中，m的值由人为设定；

(3-2-7)转入步骤(3-2-2)。

本发明提出的一种电力系统暂态稳定预测模型的更新方法，其特点和效果是：

本发明方法首先对初始训练场景集考虑的运行工况和预想故障进行统计，然后，根据未来场景的预测情况，将未来场景与已训练场景的运行工况和预想故障进行对比，根据对比结果判断是否启动暂态稳定预测模型的更新过程。本发明方法在利用未来场景数据更新模型的过程中，将未来场景集分为未计算暂态稳定性的训练样本和已计算暂态稳定性的测试样本；对于训练样本，通过计算训练样本的不确定指标，选择不确定指标高的训练样本进行完整时域仿真，计算得到其暂态稳定性结果。本发明方法大大减少了时域仿真的计算时间。同时，本发明方法采用微调技术对深度神经网络进行微调，减少了模型再训练时间，从而减少了暂态稳定预测模型的在线更新时间。而且本发明方法更新得到的暂态稳定预测模型仍能保证较高的准确率，具有重要的实用价值。

附图说明

图1是本发明提出的电力系统暂态稳定预测模型的更新方法的流程框图。

图2是本发明方法中步骤(1-3)的说明图。

图3是本发明方法中步骤(2)的流程图。

图4是本发明方法中步骤(3)的流程图。

具体实施方式：

本发明提出的电力系统暂态稳定预测模型的更新方法，其流程框图如图1所示，包括以下步骤：

(1)对一个具有N台发电机的电力系统，根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S₀，根据S₀和深度神经网络模型的构建方法，得到用于在线暂态稳定预测的初始深度神经网络模型C，统计初始场景集S₀中各场景的运行工况和预想故障情况，具体包括以下步骤：

(1-1)判断当前初始场景集S₀是否为空集，如果S₀不是空集，则转入步骤(1-2)，如果S₀是空集，则根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S₀：

其中，O^k表示电力系统在场景k中线路和负荷的接入情况，F^k表示场景k中考虑的预想故障，通常包括故障位置、故障类型和故障切除时间，P_Gi表示电力系统中第i台发电机的有功功率，V_Gi表示第i台发电机的机端电压幅值，P_Loadj表示电力系统中第j个负荷节点的有功负荷，Q_Loadj表示第j个负荷节点的无功负荷，X^k＝(x_k,1,x_k,2,…,x_k,f)表示场景k中采集的f个输入特征，y^k＝(y₁ ^k,y₂ ^k)表示场景k的暂态稳定性，且满足y₁ ^k+y₂ ^k＝1，设定y^k＝(0,1)表示场景k中电力系统能够保持暂态稳定，y^k＝(1,0)表示场景k中电力系统将暂态失稳；

(1-2)判断深度神经网络模型C是否存在，如果C存在，则转入步骤(1-3)，如果C不存在，则利用深度神经网络构建步骤(1-1)中初始场景集S₀的输入特征X^k与y^k的映射关系，得到用于在线暂态稳定预测的初始深度神经网络模型C，其中深度神经网络模型可以使用深度卷积神经网络、深度置信神经网络、深度残差网络等，每一层的参数由人为设定，在本发明的一个示例中采用了深度卷积神经网络，深度卷积神经网络的结构如下：第一层为卷积层，卷积核大小为3×3，卷积核数量为32，步长为1，用0填充，第二层为池化层，池化窗口的大小为2×2，步长为2，用0填充，第三层为卷积层，卷积核大小为3×3，卷积核数量为64，步长为1，用0填充，第四层为池化层，池化大小为2×2，步长为2，用0填充，第五层为全连接层，输出大小为120×1，第六层为全连接层，输出大小为60×1，第七层为全连接层，输出大小为2×1，激活函数为softmax函数，采用Adam算法得到模型C的各个参数，最终模型C的输出向量为

且满足P(y₁ ^k＝1|X^k)+P(y₂ ^k＝1|X^k)＝1，其中，P(y₁ ^k＝1|X^k)表示当输入为X^k而输出为y₁ ^k＝1的概率，P(y₂ ^k＝1|X^k)表示当输入为X^k而输出为y₂ ^k＝1的概率，对两个概率的大小进行比较，若P(y₁ ^k＝1|X^k)≥P(y₂ ^k＝1|X^k)，则判断场景k中电力系统将失稳，若P(y₁ ^k＝1|X^k)<P(y₂ ^k＝1|X^k)，则判断场景k中电力系统能够保持稳定；

(1-3)对步骤(1-1)得到的初始场景集S₀中的O^k、F^k、P_Gi、V_Gi、P_Loadj和Q_Loadj进行统计，得到O^k、F^k、P_Gi、V_Gi、P_Loadj和Q_Loadj的分布情况，如图2所示，具体包括以下步骤：

(1-3-1)对S₀中所有场景中线路和负荷的接入情况进行两两比较，若两个场景中所有线路和负荷的接入情况完全相同，则认为是同一种线路和负荷接入方式，否则认为是两种线路和负荷接入方式，最终，得到包含u种线路和负荷接入方式的集合o_set＝{o(1),o(2),…,o(u)}，其中，o(a)表示集合o_set中的第a种线路和负荷接入方式，a＝1,…,u；

(1-3-2)对S₀中采用第a种线路和负荷接入情况o(a)涵盖的所有场景下的预想故障进行两两比较，若两种场景对应的预想故障类型、故障位置和故障切除时间完全相同，则认为是同一种预想故障，若两种场景对应的预想故障类型、故障位置和故障切除时间不完全相同，则认为是两种不同的预想故障，最终，第a种线路和负荷接入情况o(a)对应的所有场景共包含n(a)种预想故障，得到由n(a)种预想故障构成的集合f_set＝{f(a,1),f(a,2),…,f(a,n(a))}，其中，f(a,b)表示第a种线路和负荷接入情况o(a)对应的第b种预想故障,b＝1,…,n(a)；

(1-3-3)对步骤(1-3-2)中第a种线路和负荷接入情况o(a)对应第b种预想故障f(a,b),b＝1,…,n(a)，分别统计得到f(a,b)涵盖的所有场景中第i台发电机的有功功率P_Gi和机端电压幅值V_Gi的上限值和下限值和第j个负荷节点的有功负荷P_Loadj和无功负荷Q_Loadj的上限值和下限值：

其中，M(a)为电力系统在第a种线路和负荷接入情况下的负荷节点数，P _Gi(a,b)为f(a,b)涵盖的所有场景中第i台发电机有功功率的下限值，

为f(a,b)涵盖的所有场景中第i台发电机有功功率的上限值，V _Gi(a,b)为f(a,b)涵盖的所有场景中第i台发电机机端电压幅值的下限值，

为f(a,b)涵盖的所有场景中第i台发电机机端电压幅值的上限值，P _Loadj(a,b)为f(a,b)涵盖的所有场景中第j个负荷节点有功负荷的下限值，

为场景f(a,b)中第j个负荷节点有功负荷的上限值，Q _Loadj(a,b)为f(a,b)涵盖的所有场景中第j个负荷节点无功负荷的下限值，

为f(a,b)涵盖的所有场景中第j个负荷节点无功负荷的上限值；

(2)设定暂态稳定预测模型的更新周期为T₁，T₁的取值应该大于暂态稳定预测模型更新所需的时间，根据电力系统控制中心对未来T₁到2T₁时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算结果，得到未来T₁到2T₁时间内需要考虑的p+q种新场景S₁，其中有p种场景包含在初始场景集S₀中，构成新增场景集N₀，有q种场景未包含在初始场景集S₀中，构成新增场景集N₁，p+q的值由人为设定，如图3所示，具体包括以下步骤：

(2-1)根据当前时间判断下一个更新周期是否到来，如果下一个更新周期已经到来，则进行步骤(2-2)，如果下一个更新周期还未到来，则返回步骤(2-1)继续等待；

(2-2)根据电力系统控制中心对未来T₁到2T₁时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算结果，得到电力系统未来T₁到2T₁时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算，得到未来T₁到2T₁时间内需要考虑的p+q种新场景构成的新场景集S₁：

其中，上标new表示与初始场景集S₀相区别的新场景，上标l＝1,…,p+q是新场景编号，表示新场景集S₁中的第l个新场景，p+q的值为新场景集S₁的总场景数，其值由人为设定，O^newl表示电力系统在新场景l中线路和负荷的接入情况，F^newl表示新场景l中考虑的预想故障，P_Gi ^newl表示电力系统在新场景l中第i台发电机的有功功率，V_Gi ^newl表示电力系统在新场景l中第i台发电机的机端电压幅值，P_Loadj ^newl表示电力系统在新场景l中第j个负荷节点的有功负荷，Q_Loadj ^newl表示电力系统在新场景l中第j个负荷节点的无功负荷，X^newl＝[x_newl,1,x_newl,2,…,x_newl,f]表示电力系统在新场景l中采集的f个输入特征，y^newl表示电力系统在新场景l的暂态稳定性，设定y^newk＝(0,1)表示新场景l中电力系统能够保持暂态稳定，y^newl＝(1,0)表示新场景l中电力系统将暂态失稳；

(2-3)将新场景集S₁中各个场景与初始场景集S₀的所有场景进行对比，根据对比结果将S₁中的场景划分到新增场景集N₁和新增场景集N₂，具体包括以下步骤：

(2-3-1)将新场景编号l初始化为1；

(2-3-2)将新场景编号l与p+q的大小进行对比，若l≤p+q，则进行步骤(2-3-3)，若l>p+q，则转到步骤(3)；

(2-3-3)将新场景S₁中第l个新场景对应的线路和负荷接入情况O^newl与步骤(1-3-1)得到的集合o_set进行对比，若O^newl与o_set中第t种线路和负荷接入情况o(t)相同,其中t为1到u之间的整数，则进行步骤(2-3-4)，若O^newl不属于集合o_set，则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-4)将新场景S₁中第l个新场景对应的预想故障F^newl与步骤(1-3-2)中第t种线路和负荷接入情况o(t)对应的所有n(t)种预想故障f(t,1),f(t,2),…,f(t,n(t))一一进行对比，若预想故障F^newl与o(t)对应的第r种预想故障f(t,r)相同，r为1到n(t)之间的整数，则进行步骤(2-3-5)，若预想故障F^newl与o(t)对应的所有n(t)种预想故障都不相同，则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-5)将新场景S₁中的第l个新场景对应的第i台发电机的有功功率P_Gi ^newl与P _Gi(t,r)和

的大小进行比较，其中P _Gi(t,r)为f(t,r)涵盖的所有场景中第i台发电机有功功率的下限值，

为f(t,r)涵盖的所有场景中第i台发电机有功功率的上限值，若满足：

则进行步骤(2-3-6)，若不满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-6)将新场景S₁中的第l个新场景对应的第i台发电机的机端电压幅值V_Gi ^newl与V _Gi(t,r)和

的大小进行比较，其中V _Gi(t,r)为f(t,r)涵盖的所有场景中第i台发电机机端电压幅值的下限值，

为f(t,r)涵盖的所有场景中第i台发电机机端电压幅值的上限值，若满足：

则进行步骤(2-3-7)，若不满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-7)将新场景S₁中的第l个新场景对应的第j个负荷节点的有功负荷P_Loadj ^newl与P _Loadj(t,r)和

的大小进行比较，其中P _Loadj(t,r)为f(t,r)涵盖的所有场景中第j个负荷节点的有功负荷的下限值，

为f(t,r)涵盖的所有场景中第j个负荷节点的有功负荷的上限值，若满足：

则进行步骤(2-3-8)，若不满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-8)将新场景S₁中的第l个新场景对应的第j个负荷节点的无功负荷Q_Loadj ^newl与Q _Loadj(t,r)和

的大小进行比较，其中Q _Loadj(t,r)为f(t,r)涵盖的所有场景中第j个负荷节点的无功负荷的下限值，

为f(t,r)涵盖的所有场景中第j个负荷节点的无功负荷的上限值，若满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₀，，并转到步骤(2-3-9)，若不满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁中，并转到步骤(2-3-9)；

(2-3-9)令l:＝l+1，返回步骤(2-3-2)；

(3)根据新增场景集N₀、N₁和初始深度神经网络模型C，进行时域仿真计算和模型微调，更新得到最终的暂态稳定预测模型，其流程框图如图4所示，具体包括以下步骤：

(3-1)对新增场景集N₁包含的新场景数q进行判断，若q＝0，则无需对模型C更新，返回步骤(2)；若q≠0，从N₀和N₁中分别随机抽取h个样本作为测试样本集Test，剩余p+q-2h个样本构成样本集D₁，利用数值计算方法对Test中的所有场景进行时域仿真，得到Test中所有场景的暂态稳定标签；

(3-2)利用深度神经网络模型C对Test集合中h个测试样本进行预测，根据预测结果迭代进行时域仿真计算和模型训练，更新得到最终的暂态稳定预测模型，具体包括以下步骤：

(3-2-1)设定迭代次数o初始化为0，样本集D₂初始化为空集，设定每次抽取u个新样本，设定预测准确率阈值A_set，迭代终止次数

在本专利的一个实例中u＝500，A_set＝97％；

(3-2-2)利用深度神经网络模型C对测试集Test中h个测试样本进行预测，得到预测准确率A_pred，将A_pred的值与A_set进行比较，若A_pred≥A_set，则当前的深度神经网络模型C就作为更新后的电力系统暂态稳定预测模型，并将样本集D₂与S₀的所有场景取并集，作为新的初始场景集S₀，若A_pred<A_set，则转入步骤(3-2-3)；

(3-2-3)将o的值与o_set进行比较，若o≥o_set，则当前的深度神经网络模型C就作为更新后的电力系统暂态稳定预测模型，并将样本集D₂与S₀的所有场景取并集，作为新的初始场景集S₀，若o<o_set，则转入步骤(3-2-4)。

(3-2-4)令o:＝o+1，将样本集D₁中所有样本的输入特征X^newg作为模型C的输入，得到D₁中所有样本X^newg在模型C的输出

P(y₂ ^newg＝1|X^newg))，其中g＝1,…,p+q-2h-(u×o)，P(y₁ ^newg＝1|X^newg)表示当输入为X^newg而输出y₁ ^newg＝1的概率，P(y₂ ^newg＝1|X^newg)表示当输入为X^newg而输出y₂ ^newg＝1的概率，然后计算D₁中所有样本的不确定性指标e^newg

e^newg＝min{P(y₁ ^newg＝1|X^newg),P(y₂ ^newg＝1|X^newg)}

其中min{·}表示取最小值；

(3-2-5)将D₁中所有样本的不确定性指标e^newg从大到小排列，取e^newg的值排在前u的样本，利用数值计算方法对u个样本进行时域仿真，得到u个样本的暂态稳定类别标签y^newg；

(3-2-6)将步骤(3-2-5)中的u个样本加入至训练集D₂，并从D₁中移除已经标记的u个样本，利用Adam算法和D₂中的样本对深度神经网络模型C进行微调，迭代m次，得到新的深度神经网络模型C，其中，m的值由人为设定，在本发明的一个实例中，m取值为10；

(3-2-7)转入步骤(3-2-2)。

Claims (1)

1.一种电力系统暂态稳定预测模型的更新方法，其特征在于该方法包括以下步骤：

(1)对一个具有N台发电机的电力系统，根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S₀，根据S₀和深度神经网络模型的构建方法，得到用于在线暂态稳定预测的初始深度神经网络模型C，统计初始场景集S₀中各场景的运行工况和预想故障情况，具体包括以下步骤：

(1-1)判断当前初始场景集S₀是否为空集，如果S₀不是空集，则转入步骤(1-2)，如果S₀是空集，则根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S₀：

其中，O^k表示电力系统在场景k中线路和负荷的接入情况，F^k表示场景k中考虑的预想故障，通常包括故障位置、故障类型和故障切除时间，

表示电力系统中第i台发电机的有功功率，

表示第i台发电机的机端电压幅值，

表示电力系统中第j个负荷节点的有功负荷，

表示第j个负荷节点的无功负荷，X^k＝(x_k,1,x_k,2,…,x_k,f)表示场景k中采集的f个输入特征，y^k＝(y₁ ^k,y₂ ^k)表示场景k的暂态稳定性，设定y^k＝(0,1)表示场景k中电力系统能够保持暂态稳定，y^k＝(1,0)表示场景k中电力系统将暂态失稳；

(1-2)判断深度神经网络模型C是否存在，如果C存在，则转入步骤(1-3)，如果C不存在，则利用深度神经网络构建步骤(1-1)中初始场景集S₀的输入特征X^k与y^k的映射关系，得到用于在线暂态稳定预测的初始深度神经网络模型C，其中深度神经网络模型可以使用深度卷积神经网络、深度置信神经网络、深度残差网络，每一层的参数由人为设定，最终模型C的输出向量为

且满足P(y₁ ^k＝1|X^k)+P(y₂ ^k＝1|X^k)＝1，其中，P(y₁ ^k＝1|X^k)表示当输入为X^k而输出为y₁ ^k＝1的概率，P(y₂ ^k＝1|X^k)表示当输入为X^k而输出为y₂ ^k＝1的概率，对两个概率的大小进行比较，若P(y₁ ^k＝1|X^k)≥P(y₂ ^k＝1|X^k)，则判断场景k中电力系统将失稳，若P(y₁ ^k＝1|X^k)<P(y₂ ^k＝1|X^k)，则判断场景k中电力系统能够保持稳定；

(1-3)对步骤(1-1)得到的初始场景集S₀中的O^k、F^k、P^k _Gi、V^k _Gi、P^k _Loadj和Q^k _Loadj进行统计，得到O^k、F^k、P^k _Gi、V^k _Gi、P^k _Loadj和Q^k _Loadj的分布情况，具体包括以下步骤：

(1-3-1)对S₀中所有场景中线路和负荷的接入情况进行两两比较，若两个场景中所有线路和负荷的接入情况完全相同，则认为是同一种线路和负荷接入情况，否则认为是两种线路和负荷接入情况，最终，得到包含u种线路和负荷接入情况的集合o_set＝{o(1),o(2),…,o(u)}，其中，o(a)表示集合o_set中的第a种线路和负荷接入情况，a＝1,…,u；

(1-3-2)对S₀中采用第a种线路和负荷接入情况o(a)涵盖的所有场景下的预想故障进行两两比较，若两种场景对应的预想故障类型、故障位置和故障切除时间完全相同，则认为是同一种预想故障，若两种场景对应的预想故障类型、故障位置和故障切除时间不完全相同，则认为是两种不同的预想故障，最终，第a种线路和负荷接入情况o(a)对应的所有场景共包含n(a)种预想故障，得到由n(a)种预想故障构成的集合f_set＝{f(a,1),f(a,2),…,f(a,n(a))}，其中，f(a,b)表示第a种线路和负荷接入情况o(a)对应的第b种预想故障,b＝1,…,n(a)；

(1-3-3)对步骤(1-3-2)中第a种线路和负荷接入情况o(a)对应第b种预想故障f(a,b),b＝1,…,n(a)，分别统计得到f(a,b)涵盖的所有场景中第i台发电机的有功功率P_Gi和机端电压幅值V_Gi的上限值和下限值和第j个负荷节点的有功负荷P_Loadj和无功负荷Q_Loadj的上限值和下限值：

其中，M(a)为电力系统在第a种线路和负荷接入情况下的负荷节点数，P _Gi(a,b)为f(a,b)涵盖的所有场景中第i台发电机有功功率的下限值，

为f(a,b)涵盖的所有场景中第i台发电机有功功率的上限值，V _Gi(a,b)为f(a,b)涵盖的所有场景中第i台发电机机端电压幅值的下限值，

为f(a,b)涵盖的所有场景中第i台发电机机端电压幅值的上限值，P _Loadj(a,b)为f(a,b)涵盖的所有场景中第j个负荷节点有功负荷的下限值，

为场景f(a,b)中第j个负荷节点有功负荷的上限值，Q _Loadj(a,b)为f(a,b)涵盖的所有场景中第j个负荷节点无功负荷的下限值，

为f(a,b)涵盖的所有场景中第j个负荷节点无功负荷的上限值；

(2)设定暂态稳定预测模型的更新周期为T₁，根据电力系统控制中心对未来T₁到2T₁时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算结果，得到未来T₁到2T₁时间内需要考虑的p+q种新场景S₁，其中有p种场景包含在初始场景集S₀中，构成新增场景集N₀，有q种场景未包含在初始场景集S₀中，构成新增场景集N₁，p+q的值由人为设定，具体包括以下步骤：

(2-1)根据当前时间判断下一个更新周期是否到来，如果下一个更新周期已经到来，则进行步骤(2-2)，如果下一个更新周期还未到来，则返回步骤(2-1)；

(2-2)根据电力系统控制中心对未来T₁到2T₁时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算结果，得到电力系统未来T₁到2T₁时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算，得到未来T₁到2T₁时间内需要考虑的p+q种新场景构成的新场景集S₁：

其中，上标new表示与初始场景集S₀相区别的新场景，上标l＝1,…,p+q是新场景编号，表示新场景集S₁中的第l个新场景，p+q的值为新场景集S₁的总场景数，其值由人为设定，O^newl表示电力系统在新场景l中线路和负荷的接入情况，F^newl表示新场景l中考虑的预想故障，

表示电力系统在新场景l中第i台发电机的有功功率，

表示电力系统在新场景l中第i台发电机的机端电压幅值，

表示电力系统在新场景l中第j个负荷节点的有功负荷，

表示电力系统在新场景l中第j个负荷节点的无功负荷，X^newl＝[x_newl,1,x_newl,2,…,x_newl,f]表示电力系统在新场景l中采集的f个输入特征，y^newl表示电力系统在新场景l的暂态稳定性，设定y^newl＝(0,1)表示新场景l中电力系统能够保持暂态稳定，y^newl＝(1,0)表示新场景l中电力系统将暂态失稳；

(2-3)将新场景集S₁中各个场景与初始场景集S₀的所有场景进行对比，根据对比结果将S₁中的场景划分到新增场景集N₁和新增场景集N₂，具体包括以下步骤：

(2-3-1)将新场景编号l初始化为1；

(2-3-2)将新场景编号l与p+q的大小进行对比，若l≤p+q，则进行步骤(2-3-3)，若l>p+q，则转到步骤(3)；

(2-3-3)将新场景S₁中第l个新场景对应的线路和负荷接入情况O^newl与步骤(1-3-1)得到的集合o_set进行对比，若O^newl与o_set中第t种线路和负荷接入情况o(t)相同,其中t为1到u之间的整数，则进行步骤(2-3-4)，若O^newl不属于集合o_set，则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-4)将新场景S₁中第l个新场景对应的预想故障F^newl与步骤(1-3-2)中第t种线路和负荷接入情况o(t)对应的所有n(t)种预想故障f(t,1),f(t,2),…,f(t,n(t))一一进行对比，若预想故障F^newl与o(t)对应的第r种预想故障f(t,r)相同，r为1到n(t)之间的整数，则进行步骤(2-3-5)，若预想故障F^newl与o(t)对应的所有n(t)种预想故障都不相同，则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-5)将新场景S₁中的第l个新场景对应的第i台发电机的有功功率P_Gi ^newl与P_Gi(t,r)和

的大小进行比较，其中P_Gi(t,r)为f(t,r)涵盖的所有场景中第i台发电机有功功率的下限值，

为f(t,r)涵盖的所有场景中第i台发电机有功功率的上限值，若满足：

则进行步骤(2-3-6)，若不满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-6)将新场景S₁中的第l个新场景对应的第i台发电机的机端电压幅值V_Gi ^newl与V _Gi(t,r)和

的大小进行比较，其中V _Gi(t,r)为f(t,r)涵盖的所有场景中第i台发电机机端电压幅值的下限值，

为f(t,r)涵盖的所有场景中第i台发电机机端电压幅值的上限值，若满足：

则进行步骤(2-3-7)，若不满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-7)将新场景S₁中的第l个新场景对应的第j个负荷节点的有功负荷P_Loadj ^newl与P _Loadj(t,r)和

的大小进行比较，其中P _Loadj(t,r)为f(t,r)涵盖的所有场景中第j个负荷节点的有功负荷的下限值，

为f(t,r)涵盖的所有场景中第j个负荷节点的有功负荷的上限值，若满足：

则进行步骤(2-3-8)，若不满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-8)将新场景S₁中的第l个新场景对应的第j个负荷节点的无功负荷Q_Loadj ^newl与Q _Loadj(t,r)和

的大小进行比较，其中Q _Loadj(t,r)为f(t,r)涵盖的所有场景中第j个负荷节点的无功负荷的下限值，

为f(t,r)涵盖的所有场景中第j个负荷节点的无功负荷的上限值，若满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₀，并转到步骤(2-3-9)，若不满足：

则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi ^newl、第i台发电机的机端电压幅值V_Gi ^newl、第j个负荷节点的有功负荷P_Loadj ^newl、第j个负荷节点的无功负荷Q_Loadj ^newl和输入特征X^newl放入新增场景集N₁中，并转到步骤(2-3-9)；

(2-3-9)令l:＝l+1，返回步骤(2-3-2)；

(3)根据新增场景集N₀、N₁和初始深度神经网络模型C，进行时域仿真计算和模型微调，更新得到最终的暂态稳定预测模型，具体包括以下步骤：

(3-1)对新增场景集N₁包含的新场景数q进行判断，若q＝0，则无需对模型C更新，返回步骤(2)；若q≠0，从N₀和N₁中分别随机抽取h个样本作为测试样本集Test，剩余p+q-2h个样本构成样本集D₁，利用数值计算方法对Test中的所有场景进行时域仿真，得到Test中所有场景的暂态稳定标签；

(3-2)利用深度神经网络模型C对Test集合中h个测试样本进行预测，根据预测结果迭代进行时域仿真计算和模型训练，更新得到最终的暂态稳定预测模型，具体包括以下步骤：

(3-2-1)设定迭代次数o初始化为0，样本集D₂初始化为空集，设定每次抽取u个新样本，设定预测准确率阈值A_set，迭代终止次数

表示向上取整；

(3-2-2)利用深度神经网络模型C对测试集Test中h个测试样本进行预测，得到预测准确率A_pred，将A_pred的值与A_set进行比较，若A_pred≥A_set，则当前的深度神经网络模型C就作为更新后的电力系统暂态稳定预测模型，并将样本集D₂与S₀的所有场景取并集，作为新的初始场景集S₀，若A_pred<A_set，则转入步骤(3-2-3)；

(3-2-3)将o的值与o_set进行比较，若o≥o_set，则当前的深度神经网络模型C就作为更新后的电力系统暂态稳定预测模型，并将样本集D₂与S₀的所有场景取并集，作为新的初始场景集S₀，若o<o_set，则转入步骤(3-2-4)；

(3-2-4)令o:＝o+1，将样本集D₁中所有样本的输入特征X^newg作为模型C的输入，得到D₁中所有样本X^newg在模型C的输出

P(y₂ ^newg＝1|X^newg))，其中g＝1,…,p+q-2h-(u×o)，P(y₁ ^newg＝1|X^newg)表示当输入为X^newg而输出y₁ ^newg＝1的概率，P(y₂ ^newg＝1|X^newg)表示当输入为X^newg而输出y₂ ^newg＝1的概率，然后计算D₁中所有样本的不确定性指标e^newg

e^newg＝min{P(y₁ ^newg＝1|X^newg),P(y₂ ^newg＝1|X^newg)}

其中min{·}表示取最小值；

(3-2-5)将D₁中所有样本的不确定性指标e^newg从大到小排列，取e^newg的值排在前u的样本，利用数值计算方法对u个样本进行时域仿真，得到u个样本的暂态稳定类别标签y^newg；

(3-2-6)将步骤(3-2-5)中的u个样本加入至训练集D₂，并从D₁中移除已经标记的u个样本，利用Adam算法和D₂中的样本对深度神经网络模型C进行微调，迭代m次，得到新的深度神经网络模型C，其中，m的值由人为设定；

(3-2-7)转入步骤(3-2-2)。

Images