CN110417005B - 结合深度学习和仿真计算的暂态稳定严重故障筛选方法 - Google Patents
结合深度学习和仿真计算的暂态稳定严重故障筛选方法 Download PDFInfo
- Publication number
- CN110417005B CN110417005B CN201910665732.5A CN201910665732A CN110417005B CN 110417005 B CN110417005 B CN 110417005B CN 201910665732 A CN201910665732 A CN 201910665732A CN 110417005 B CN110417005 B CN 110417005B
- Authority
- CN
- China
- Prior art keywords
- fault
- transient stability
- power system
- preset
- 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
Images
Classifications
-
- 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
Abstract
本发明涉及一种结合深度学习和仿真计算的暂态稳定严重故障筛选方法,属于电力系统稳定分析技术领域。首先采集电力系统在故障发生前和故障切除后数据,得到训练集和验证集;利用深度置信网络训练算法对故障发生前和故障切除后数据分别训练,得到两种暂态稳定评估模型;利用验证集对不同阈值下模型的判定准确率进行计算,得到两种模型输出结果的可信任阈值;结合两个深度置信网络模型和仿真计算,实现暂态稳定严重故障的逐层筛选,得到最终的严重故障列表。本方法结合深度学习模型和仿真计算,利用深度学习模型筛选出一部分暂态稳定严重故障,对于可信任阈值以外的结果,采用仿真计算保证准确性,从而兼顾暂态稳定严重故障筛选的快速性和准确性。
Description
技术领域
本发明涉及一种结合深度学习和仿真计算的暂态稳定严重故障筛选方法,属于电力系统稳定分析技术领域。
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,如何快速准确判断电力系统的暂态稳定性是电力系统安全防控要考虑的重要问题之一。暂态稳定评估可以在不同的时机进行,主要包括离线分析、在线预决策和实时计算三类应用场景,其中,在线暂态稳定评估模式是采用短期周期性刷新的方式,每一刷新周期内将根据系统当前运行工况和预设故障进行评估,由于该方案使费时的优化搜索在扰动发生前就完成,其适时性是实时计算无法比拟的。因此,不断加强在线暂态稳定分析功能仍具有重要的现实意义。
近年来,诸如支持向量机、极限学习机等数据驱动方法凭借其学习能力强、计算速度快、能挖掘数据潜在有用信息等特点,受到国内外学者的广泛关注,已经被用于分析预设故障下的电力系统暂态稳定性,进而筛选出导致电力系统失去暂态稳定的严重故障。然而,由于预设故障下的暂态稳定分析存在机理复杂、计算量大的问题,单一的仿真分析或数据驱动方法难以兼顾计算的快速性和准确性。
发明内容
本发明的目的是提出一种结合深度学习和仿真计算的暂态稳定严重故障筛选方法,针对单一的仿真计算和机器学习方法难以兼顾暂态稳定计算快速性和准确性的问题,本发明通过仿真计算与两个深度学习模型的结合,对暂态稳定预设故障集进行逐层筛选,得到最终的严重故障列表,以兼顾深度学习和仿真计算各自的优势,提高暂态稳定评估严重故障筛选的快速性和准确性。
本发明提出的结合深度学习和仿真计算的暂态稳定严重故障筛选方法,包括以下步骤:
(1)从电力系统的海量仿真数据中采集故障发生前、故障切除后的数据,得到原始数据集O1:
(1-1)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和规划情况设置s种运行工况和f种预设故障,其中f种预设故障构成初始预设故障集F0,对所有运行工况和预设故障分别编号,得到s种运行工况编号和f种预设故障编号,利用数值计算方法对s种运行工况下的f种预设故障分别进行电力系统暂态稳定的仿真计算,得到s×f种运行场景;
(1-2)依次采集步骤(1-1)得到的第k种运行场景中故障发生前所有发电机的有功功率PGi k(0-)、故障发生前所有发电机母线的电压幅值VGi k(0-)、故障清除后所有发电机的有功功率PGi k(t)、故障清除后所有发电机的转子角度δi k(t)、故障清除后所有发电机的转子角速度ωi k(t)、故障清除后所有发电机母线的电压幅值VGi k(t)、故障清除后所有发电机母线的电压相角θGi k(t)、运行工况编号mk、预设故障编号nk和暂态稳定性标签yk,构成原始数据集O1:
O1={PGi k(0-),VGi k(0-),PGi k(t),δi k(t),ωi k(t),VGi k(t),θGi k(t),mk,nk,yk}
其中,上标k表示运行场景编号,代表O1中的第k种运行场景,k=1,2,…,s×f,下标i表示第i台发电机,i=1,…,N,暂态稳定性标签yk是二维向量,若电力系统在第k种运行场景下失去暂态稳定,则记暂态稳定性标签yk=(1,0),若电力系统在第k种运行场景下能够保持暂态稳定,则记暂态稳定性标签yk=(0,1),t表示故障清除后第t次采样,t=1,…,g,g为设定的采样次数,采样频率设定为电力系统的额定频率;
(2)根据独热编码和最大最小归一化方法对步骤(1-2)的原始数据集O1进行数据预处理,从中随机选择数据得到训练集和验证集,具体步骤如下:
(2-1)根据独热编码方法,对步骤(1-2)的原始数据集O1中的预设故障编号进行处理,得到f维预设故障编码向量,其中,第k种运行场景下的预设故障编码向量为vk;
(2-2)根据最大最小归一化方法,分别对步骤(1-2)的原始数据集O1中的PGi k(0-)、VGi k(0-)、PGi k(t)、δi k(t)、ωi k(t)、VGi k(t)、θGi k(t)进行归一化处理,得到归一化后的故障发生前所有发电机的有功功率归一化后的故障发生前所有发电机母线的电压幅值归一化后的故障清除后所有发电机有功功率归一化后的故障清除后所有发电机转子角归一化后的故障清除后所有发电机转子角速度归一化后的故障清除后所有发电机母线的电压幅值归一化后的故障清除后所有发电机母线的电压相角归一化的公式为:
(3)利用深度置信网络训练方法,根据步骤(2-4)中训练集S0的故障发生前数据和预设故障编码向量,得到暂态稳定评估模型M1,暂态稳定评估模型M1的结构如下:
(3-1)M1的输入层:
M1的输入层共有2×N+f个神经元,包括:步骤(2-4)得到的S0中归一化后的故障发生前所有发电机有功功率、归一化后的故障发生前所有发电机母线电压幅值和f维预设故障编码向量;
(3-2)M1的r1个隐含层:
M1包含r1个隐含层,r1个隐含层中,M1的第1个隐含层h1 1的输入为步骤(3-1)中M1的输入层,第c个隐含层hc 1的输入为第c-1个隐含层hc-1 1的输出,c=2,…,r1,隐含层的个数r1以及每一层隐含层的神经元数目根据人工经验或计算精度要求反复试探来确定;
(3-3)M1的输出层:
M1的输出层包含2个神经元,输出层采用Softmax函数为激活函数,当输入S0的第a种运行场景对应的和va时,暂态稳定评估模型M1的输出结果为其中表示电力系统在第ma种运行工况下发生第na个预设故障后能够保持暂态稳定的概率,表示电力系统在第ma种运行工况下发生第na个预设故障后失去暂态稳定的概率;
(4)利用深度置信网络训练方法,根据步骤(2-4)中训练集S0的故障切除后的数据,得到暂态稳定评估模型M2,暂态稳定评估模型M2的结构如下:
(4-1)M2的输入层:
M2的输入层共5×N×g个神经元,包括:步骤(2-4)得到的S0中归一化后的故障清除后g个采样点的所有发电机有功功率、归一化后的故障清除后g个采样点的所有发电机转子角度、归一化后的故障清除后g个采样点的所有发电机转子角速度、归一化后的故障清除后g个采样点的所有发电机母线电压幅值、归一化后的故障清除后g个采样点的所有发电机母线电压相角;
(4-2)M2的r2个隐含层:
M2包含r2个隐含层,r2个隐含层中,M2的第1个隐含层h1 2的输入为步骤(4-1)输入层,第u个隐含层hu 2的输入为第u-1个隐含层hu-1 2的输出,u=2,…,r2,隐含层的个数r2以及每一层隐含层的神经元数目根据人工经验或计算精度要求反复试探来确定;
(4-3)M2的输出层:
M2的输出层包含2个神经元,输出层采用Softmax函数为激活函数,当输入S0的第a种运行场景对应的和时,M2的输出结果为其中表示电力系统在第ma种运行工况下发生第na个预设故障后能够保持暂态稳定的概率,表示电力系统在第ma种运行工况下发生第na个预设故障后失去暂态稳定的概率;
(5)根据步骤(2-5)的验证集S1、步骤(3)的暂态稳定评估模型M1和步骤(4)的暂态稳定评估模型M2,分别计算得到不同阈值下M1和M2对S1中所有稳定运行场景和失稳运行场景的判定准确率,得到M1和M2输出结果的可信任阈值,具体步骤如下:
(5-1)设定迭代次数j=1,第j次迭代中暂态稳定评估模型M1和暂态稳定评估模型M2输出结果的阈值为J(j),设迭代步长d=0.0001,J(1)=d=0.0001;
(5-2)将迭代次数j的值与1/d-1进行比较,若j≥1/d-1,则转入步骤(5-6),若j<1/d-1,则进入步骤(5-3);
(5-3)依次将步骤(2-5)中验证集S1的所有组验证数据的 和vb输入至暂态稳定评估模型M1中,得到M1对验证集S1中所有运行场景的输出结果,其中M1对S1中第b个运行场景的输出结果为将的值与阈值J(j)相比较,若则判定与S1中第b个运行场景相对应的电力系统能够保持暂态稳定,记阈值为J(j)时模型M1对S1中第b个运行场景的判定结果若则判定与S1中第b个运行场景相对应的电力系统失稳,记阈值为J(j)时模型M1对S1中第b个运行场景的判定结果并将上述所有判定结果分别与步骤(2-5)的验证集S1的所有暂态稳定性标签yb依次进行对比,得到当阈值设定为J(j)时模型M1对稳定场景的判定准确率A1(j)和对失稳场景的判定准确率B1(j);
(5-4)依次将步骤(2-5)中验证集S1的所有组验证数据的 和输入至暂态稳定评估模型M2中,得到M2对所有运行场景的输出结果,其中模型M2对S1中第b个运行场景的输出结果为将的值与阈值J(j)相比较,若则判定与第b个运行场景相对应的电力系统能够保持暂态稳定,记阈值为J(j)时模型M2对S1中第b个运行场景的判定结果若则判定与第b个运行场景相对应的电力系统失稳,记阈值为J(j)时模型M2对S1中第b个运行场景的判定结果并将上述所有判定结果分别与步骤(2-5)的验证集S1的所有暂态稳定性标签yb依次进行对比,得到当阈值为J(j)时模型M2对稳定样本的判定准确率A2(j)和对失稳样本的判断准确率B2(j);
(5-5)令j:=j+1,J(j)=j×d,返回步骤(5-2);
(5-6)根据步骤(5-3)得到的当阈值为J(l)时暂态稳定评估模型M1对稳定样本的判定准确率A1(l)和对失稳样本的判断准确率B1(l),其中l=1,…,1/d-1,计算暂态稳定评估模型M1的稳定结果可信任阈值E1,1和失稳结果可信任阈值E1,2,E1,1和E1,2的计算公式如下:
(5-7)根据步骤(5-4)得到的当阈值设定为J(l)时暂态稳定评估模型M2对稳定样本的判定准确率A2(l)和对失稳样本的判断准确率B2(l),其中l=1,…,1/d-1,计算暂态稳定评估模型M2的稳定结果可信任阈值E2,1和失稳结果可信任阈值E2,2,E2,1和E2,2的计算公式如下:
(6)根据电力系统实际运行情况,得到电力系统当前潮流计算数据和预设故障集F1,利用暂态稳定评估模型M1、暂态稳定评估模型M2和仿真计算相结合的方式,依次对电力系统发生F1中第e个预设故障后的暂态稳定性进行判定,筛选出预设故障集F1中使电力系统失稳的严重故障,具体步骤如下:
(6-1)根据电力系统实际运行情况,得到电力系统当前潮流计算数据和预设故障集F1,其中,F1中共有w个预设故障;
(6-2)将预设故障编号初始化为e=1;
(6-3)判断预设故障集F1中第e个预设故障是否属于步骤(1-1)中的初始预设故障集F0:
若F1中第e个预设故障属于F0,则根据步骤(2-1)的独热编码方法得到第e个预设故障的编码向量ve,2,并转入步骤(6-4),若F1中第e个预设故障不属于F0,则转入步骤(6-6);
(6-4)采集电力系统潮流计算数据得到的所有发电机的有功功率PGi(0-)、发电机母线的电压幅值VGi(0-),并根据步骤(2-2)的最大最小归一化方法,对所有发电机的有功功率、发电机母线的电压幅值进行归一化处理,得到归一化后的发电机有功功率和归一化后的发电机母线的电压幅值将该和步骤(6-3)的编码向量ve,2输入到步骤(3)的暂态稳定评估模型M1中,得到输出结果将该输出结果与步骤(5-6)的E1,1和E1,2相比较,若则将当前预设故障判断为严重故障,并将第e个预设故障放入严重故障列表中,若则将当前预设故障判断为无关故障,转入步骤(6-7),若则转入步骤(6-5);
(6-5)利用数值计算方法,对电力系统在当前潮流下的发生第e个预设故障并切除后g个采样周期内的过程进行暂态稳定仿真计算,得到故障切除后g个采样点的所有发电机有功功率PGi e,2(t)、所有发电机转子角度δi e,2(t)、所有发电机转子角速度ωi e,2(t)、所有发电机母线的电压幅值VGi e,2(t)、所有发电机母线的电压相角θGi e,2(t),其中i=1,…,N,t=1,…,g,并采用步骤(2-2)的最大最小归一化方法,分别对PGi e,2(t)、δi e,2(t)、ωi e,2(t)、VGi e,2(t)、θGi e,2(t),进行归一化处理,得到归一化后的数据和将 和输入到步骤(4)的暂态稳定评估模型M2中,得到输出结果将该输出结果与步骤(5-7)的E2,1和E2,2相比较,若则将当前预设故障判断为严重故障,并将第e个预设故障放入严重故障列表中,若则将当前预设故障判断为无关故障,转入步骤(6-7),若则转入步骤(6-6);
(6-6)利用数值计算方法,对电力系统在当前潮流下的发生第e个预设故障后的动态过程进行暂态稳定仿真计算,根据仿真计算结果判断电力系统的暂态稳定性,若电力系统失去暂态稳定,则将第e个预设故障放入严重故障列表中,若电力系统能够保持暂态稳定,则该故障为无关故障,转入步骤(6-7);
(6-7)对e与w的值进行比较,若e<w,则令e:=e+1,并转入步骤(6-1),若e≥w,则停止迭代,当前步骤得到的严重故障列表中的所有故障即为筛选得到的所有暂态稳定严重故障,实现了电力系统暂态稳定严重故障筛选。
本发明提出的结合深度学习和仿真计算的暂态稳定严重故障筛选方法,其优点是:
本发明方法采集电力系统在故障发生前和故障切除后数据,对数据进行预处理并从中随机选择数据得到训练集和验证集,利用深度置信网络训练算法对故障发生前数据和故障切除后数据的训练集分别训练,得到两种暂态稳定评估模型,利用验证集对暂态稳定评估模型的性能进行测试,确定模型输出结果的可信任阈值,最后,通过两个深度置信网络模型和仿真计算相结合的方法实现暂态稳定严重故障的逐层筛选,得到最终的严重故障列表。通过两个基于深度学习的暂态稳定评估模型和仿真计算的结合,能够利用深度学习模型快速筛选出一部分暂态稳定严重故障,对于可信任阈值以外的判定结果,进一步采用仿真计算保证准确性,从而兼顾暂态稳定严重故障筛选的快速性和准确性。
附图说明
图1是本发明方法的流程框图。
图2是本发明方法步骤(6)的流程框图。
具体实施方式
本发明提出的结合深度学习和仿真计算的暂态稳定严重故障筛选方法,其流程框图如图1所示,包括以下步骤:
(1)从电力系统的海量仿真数据中采集故障发生前、故障切除后的数据,得到原始数据集O1:
(1-1)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和规划情况设置s种运行工况和f种预设故障,其中f种预设故障构成初始预设故障集F0,对所有运行工况和预设故障分别编号,得到s种运行工况编号和f种预设故障编号,利用数值计算方法对s种运行工况下的f种预设故障分别进行电力系统暂态稳定的仿真计算,得到s×f种运行场景,在本发明的实施例中,以新英格兰10机39节点系统为例,发电机台数N=10,s=5000,f=34;
(1-2)依次采集步骤(1-1)得到的第k种运行场景中故障发生前所有发电机的有功功率PGi k(0-)、故障发生前所有发电机母线的电压幅值VGi k(0-)、故障清除后所有发电机的有功功率PGi k(t)、故障清除后所有发电机的转子角度δi k(t)、故障清除后所有发电机的转子角速度ωi k(t)、故障清除后所有发电机母线的电压幅值VGi k(t)、故障清除后所有发电机母线的电压相角θGi k(t)、运行工况编号mk、预设故障编号nk和暂态稳定性标签yk,构成原始数据集O1:
O1={PGi k(0-),VGi k(0-),PGi k(t),δi k(t),ωi k(t),VGi k(t),θGi k(t),mk,nk,yk}
其中,上标k表示运行场景编号,代表O1中的第k种运行场景,k=1,2,…,s×f,下标i表示第i台发电机,i=1,…,N,暂态稳定性标签yk是二维向量,若电力系统在第k种运行场景下失去暂态稳定,则记暂态稳定性标签yk=(1,0),若电力系统在第k种运行场景下能够保持暂态稳定,则记暂态稳定性标签yk=(0,1),t表示故障清除后第t次采样,t=1,…,g,g为设定的采样次数,采样频率设定为电力系统的额定频率;对额定频率为50Hz的电力系统,采样频率为50Hz,设g=5,对额定频率为60Hz的电力系统,采样频率为60Hz,设g=6,在本发明的实施例中,新英格兰10机39节点系统的采样频率为60Hz,因此g=6;
(2)根据独热编码和最大最小归一化方法对步骤(1-2)的原始数据集O1进行数据预处理,从中随机选择数据得到训练集和验证集,具体步骤如下:
(2-1)根据独热编码方法,对步骤(1-2)的原始数据集O1中的预设故障编号进行处理,得到f维预设故障编码向量,其中,第k种运行场景下的预设故障编码向量为vk;
(2-2)根据最大最小归一化方法,分别对步骤(1-2)的原始数据集O1中的PGi k(0-)、VGi k(0-)、PGi k(t)、δi k(t)、ωi k(t)、VGi k(t)、θGi k(t)进行归一化处理,得到归一化后的故障发生前所有发电机的有功功率归一化后的故障发生前所有发电机母线的电压幅值归一化后的故障清除后所有发电机有功功率归一化后的故障清除后所有发电机转子角归一化后的故障清除后所有发电机转子角速度归一化后的故障清除后所有发电机母线的电压幅值归一化后的故障清除后所有发电机母线的电压相角归一化的公式为:
(3)利用深度置信网络训练方法,根据步骤(2-4)中训练集S0的故障发生前数据和预设故障编码向量,得到暂态稳定评估模型M1,暂态稳定评估模型M1的结构如下:
(3-1)M1的输入层:
M1的输入层共有2×N+f个神经元,包括:步骤(2-4)得到的S0中归一化后的故障发生前所有发电机有功功率、归一化后的故障发生前所有发电机母线电压幅值和f维预设故障编码向量;
(3-2)M1的r1个隐含层:
M1包含r1个隐含层,r1个隐含层中,M1的第1个隐含层h1 1的输入为步骤(3-1)中M1的输入层,第c个隐含层hc 1的输入为第c-1个隐含层hc-1 1的输出,c=2,…,r1,隐含层的个数r1以及每一层隐含层的神经元数目根据人工经验或计算精度要求反复试探来确定,在本发明的实施例中,设隐含层数目r1为4,每层的神经元数目分别为50,100,50,20;
(3-3)M1的输出层:
M1的输出层包含2个神经元,输出层采用Softmax函数为激活函数,当输入S0的第a种运行场景对应的和va时,暂态稳定评估模型M1的输出结果为其中表示电力系统在第ma种运行工况下发生第na个预设故障后能够保持暂态稳定的概率,表示电力系统在第ma种运行工况下发生第na个预设故障后失去暂态稳定的概率;
(4)利用深度置信网络训练方法,根据步骤(2-4)中训练集S0的故障切除后的数据,得到暂态稳定评估模型M2,暂态稳定评估模型M2的结构如下:
(4-1)M2的输入层:
M2的输入层共5×N×g个神经元,包括:步骤(2-4)得到的S0中归一化后的故障清除后g个采样点的所有发电机有功功率、归一化后的故障清除后g个采样点的所有发电机转子角度、归一化后的故障清除后g个采样点的所有发电机转子角速度、归一化后的故障清除后g个采样点的所有发电机母线电压幅值、归一化后的故障清除后g个采样点的所有发电机母线电压相角,在本发明的实施例中,发电机台数为10,采样点数为6,因此输入特征共300维;
(4-2)M2的r2个隐含层:
M2包含r2个隐含层,r2个隐含层中,M2的第1个隐含层h1 2的输入为步骤(4-1)输入层,第u个隐含层hu 2的输入为第u-1个隐含层hu-1 2的输出,u=2,…,r2,隐含层的个数r2以及每一层隐含层的神经元数目根据人工经验或计算精度要求反复试探来确定,在本发明的实施例中,设隐含层数目r2为4,每层的神经元数目分别为250,150,50,20;
(4-3)M2的输出层:
M2的输出层包含2个神经元,输出层采用Softmax函数为激活函数,当输入S0的第a种运行场景对应的和时,M2的输出结果为其中表示电力系统在第ma种运行工况下发生第na个预设故障后能够保持暂态稳定的概率,表示电力系统在第ma种运行工况下发生第na个预设故障后失去暂态稳定的概率;
(5)根据步骤(2-5)的验证集S1、步骤(3)的暂态稳定评估模型M1和步骤(4)的暂态稳定评估模型M2,分别计算得到不同阈值下M1和M2对S1中所有稳定运行场景和失稳运行场景的判定准确率,得到M1和M2输出结果的可信任阈值,具体步骤如下:
(5-1)设定迭代次数j=1,第j次迭代中暂态稳定评估模型M1和暂态稳定评估模型M2输出结果的阈值为J(j),设迭代步长d=0.0001,J(1)=d=0.0001;
(5-2)将迭代次数j的值与1/d-1进行比较,若j≥1/d-1,则转入步骤(5-6),若j<1/d-1,则进入步骤(5-3);
(5-3)依次将步骤(2-5)中验证集S1的所有组验证数据的 和vb输入至暂态稳定评估模型M1中,得到M1对验证集S1中所有运行场景的输出结果,其中M1对S1中第b个运行场景的输出结果为将的值与阈值J(j)相比较,若则判定与S1中第b个运行场景相对应的电力系统能够保持暂态稳定,记阈值为J(j)时模型M1对S1中第b个运行场景的判定结果若则判定与S1中第b个运行场景相对应的电力系统失稳,记阈值为J(j)时模型M1对S1中第b个运行场景的判定结果并将上述所有判定结果分别与步骤(2-5)的验证集S1的所有暂态稳定性标签yb依次进行对比,得到当阈值设定为J(j)时模型M1对稳定场景的判定准确率A1(j)和对失稳场景的判定准确率B1(j);
(5-4)依次将步骤(2-5)中验证集S1的所有组验证数据的 和输入至暂态稳定评估模型M2中,得到M2对所有运行场景的输出结果,其中模型M2对S1中第b个运行场景的输出结果为将的值与阈值J(j)相比较,若则判定与第b个运行场景相对应的电力系统能够保持暂态稳定,记阈值为J(j)时模型M2对S1中第b个运行场景的判定结果若则判定与第b个运行场景相对应的电力系统失稳,记阈值为J(j)时模型M2对S1中第b个运行场景的判定结果并将上述所有判定结果分别与步骤(2-5)的验证集S1的所有暂态稳定性标签yb依次进行对比,得到当阈值为J(j)时模型M2对稳定样本的判定准确率A2(j)和对失稳样本的判断准确率B2(j);
(5-5)令j:=j+1,J(j)=j×d,返回步骤(5-2);
(5-6)根据步骤(5-3)得到的当阈值为J(l)时暂态稳定评估模型M1对稳定样本的判定准确率A1(l)和对失稳样本的判断准确率B1(l),其中l=1,…,1/d-1,计算暂态稳定评估模型M1的稳定结果可信任阈值E1,1和失稳结果可信任阈值E1,2,E1,1和E1,2的计算公式如下:
(5-7)根据步骤(5-4)得到的当阈值设定为J(l)时暂态稳定评估模型M2对稳定样本的判定准确率A2(l)和对失稳样本的判断准确率B2(l),其中l=1,…,1/d-1,计算暂态稳定评估模型M2的稳定结果可信任阈值E2,1和失稳结果可信任阈值E2,2,E2,1和E2,2的计算公式如下:
(6)根据电力系统实际运行情况,得到电力系统当前潮流计算数据和预设故障集F1,利用暂态稳定评估模型M1、暂态稳定评估模型M2和仿真计算相结合的方式,依次对电力系统发生F1中第e个预设故障后的暂态稳定性进行判定,筛选出预设故障集F1中使电力系统失稳的严重故障,具体步骤如图2所示,包括:
(6-1)根据电力系统实际运行情况,得到电力系统当前潮流计算数据和预设故障集F1,其中,F1中共有w个预设故障;
(6-2)将预设故障编号初始化为e=1;
(6-3)判断预设故障集F1中第e个预设故障是否属于步骤(1-1)中的初始预设故障集F0:
若F1中第e个预设故障属于F0,则根据步骤(2-1)的独热编码方法得到第e个预设故障的编码向量ve,2,并转入步骤(6-4),若F1中第e个预设故障不属于F0,则转入步骤(6-6);
(6-4)采集电力系统潮流计算数据得到的所有发电机的有功功率PGi(0-)、发电机母线的电压幅值VGi(0-),并根据步骤(2-2)的最大最小归一化方法,对所有发电机的有功功率、发电机母线的电压幅值进行归一化处理,得到归一化后的发电机有功功率和归一化后的发电机母线的电压幅值将该和步骤(6-3)的编码向量ve,2输入到步骤(3)的暂态稳定评估模型M1中,得到输出结果将该输出结果与步骤(5-6)的E1,1和E1,2相比较,若则将当前预设故障判断为严重故障,并将第e个预设故障放入严重故障列表中,若则将当前预设故障判断为无关故障,转入步骤(6-7),若则转入步骤(6-5);
(6-5)利用数值计算方法,对电力系统在当前潮流下的发生第e个预设故障并切除后g个采样周期内的过程进行暂态稳定仿真计算,得到故障切除后g个采样点的所有发电机有功功率PGi e,2(t)、所有发电机转子角度δi e,2(t)、所有发电机转子角速度ωi e,2(t)、所有发电机母线的电压幅值VGi e,2(t)、所有发电机母线的电压相角θGi e,2(t),其中i=1,…,N,t=1,…,g,并采用步骤(2-2)的最大最小归一化方法,分别对PGi e,2(t)、δi e,2(t)、ωi e,2(t)、VGi e ,2(t)、θGi e,2(t),进行归一化处理,得到归一化后的数据和将 和输入到步骤(4)的暂态稳定评估模型M2中,得到输出结果将该输出结果与步骤(5-7)的E2,1和E2,2相比较,若则将当前预设故障判断为严重故障,并将第e个预设故障放入严重故障列表中,若则将当前预设故障判断为无关故障,转入步骤(6-7),若则转入步骤(6-6);
(6-6)利用数值计算方法,对电力系统在当前潮流下的发生第e个预设故障后的动态过程进行暂态稳定仿真计算,根据仿真计算结果判断电力系统的暂态稳定性,若电力系统失去暂态稳定,则将第e个预设故障放入严重故障列表中,若电力系统能够保持暂态稳定,则该故障为无关故障,转入步骤(6-7);
(6-7)对e与w的值进行比较,若e<w,则令e:=e+1,并转入步骤(6-3),若e≥w,则停止迭代,当前步骤得到的严重故障列表中的所有故障即为筛选得到的所有暂态稳定严重故障,实现了电力系统暂态稳定严重故障筛选。
Claims (1)
1.一种结合深度学习和仿真计算的暂态稳定严重故障筛选方法,其特征在于该方法包括以下步骤:
(1)从电力系统的海量仿真数据中采集故障发生前、故障切除后的数据,得到原始数据集O1:
(1-1)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和规划情况设置s种运行工况和f种预设故障,其中f种预设故障构成初始预设故障集F0,对所有运行工况和预设故障分别编号,得到s种运行工况编号和f种预设故障编号,利用数值计算方法对s种运行工况下的f种预设故障分别进行电力系统暂态稳定的仿真计算,得到s×f种运行场景;
(1-2)依次采集步骤(1-1)得到的第k种运行场景中故障发生前所有发电机的有功功率PGi k(0-)、故障发生前所有发电机母线的电压幅值VGi k(0-)、故障清除后所有发电机的有功功率PGi k(t)、故障清除后所有发电机的转子角度δi k(t)、故障清除后所有发电机的转子角速度ωi k(t)、故障清除后所有发电机母线的电压幅值VGi k(t)、故障清除后所有发电机母线的电压相角θGi k(t)、运行工况编号mk、预设故障编号nk和暂态稳定性标签yk,构成原始数据集O1:
O1={PGi k(0-),VGi k(0-),PGi k(t),δi k(t),ωi k(t),VGi k(t),θGi k(t),mk,nk,yk}
其中,上标k表示运行场景编号,代表O1中的第k种运行场景,k=1,2,…,s×f,下标i表示第i台发电机,i=1,…,N,暂态稳定性标签yk是二维向量,若电力系统在第k种运行场景下失去暂态稳定,则记暂态稳定性标签yk=(0,1),若电力系统在第k种运行场景下能够保持暂态稳定,则记暂态稳定性标签yk=(1,0),t表示故障清除后第t次采样,t=1,…,g,g为设定的采样次数,采样频率设定为电力系统的额定频率;
(2)根据独热编码和最大最小归一化方法对步骤(1-2)的原始数据集O1进行数据预处理,从中随机选择数据得到训练集和验证集,具体步骤如下:
(2-1)根据独热编码方法,对步骤(1-2)的原始数据集O1中的预设故障编号进行处理,得到f维预设故障编码向量,其中,第k种运行场景下的预设故障编码向量为vk;
(2-2)根据最大最小归一化方法,分别对步骤(1-2)的原始数据集O1中的PGi k(0-)、VGi k(0-)、PGi k(t)、δi k(t)、ωi k(t)、VGi k(t)、θGi k(t)进行归一化处理,得到归一化后的故障发生前所有发电机的有功功率归一化后的故障发生前所有发电机母线的电压幅值归一化后的故障清除后所有发电机有功功率归一化后的故障清除后所有发电机转子角归一化后的故障清除后所有发电机转子角速度归一化后的故障清除后所有发电机母线的电压幅值归一化后的故障清除后所有发电机母线的电压相角归一化的公式为:
(3)利用深度置信网络训练方法,根据步骤(2-4)中训练集S0的故障发生前数据和预设故障编码向量,得到暂态稳定评估模型M1,暂态稳定评估模型M1的结构如下:
(3-1)M1的输入层:
M1的输入层共有2×N+f个神经元,包括:步骤(2-4)得到的S0中归一化后的故障发生前所有发电机有功功率、归一化后的故障发生前所有发电机母线电压幅值和f维预设故障编码向量;
(3-2)M1的r1个隐含层:
M1包含r1个隐含层,r1个隐含层中,M1的第1个隐含层h1 1的输入为步骤(3-1)中M1的输入层,第c个隐含层hc 1的输入为第c-1个隐含层hc-1 1的输出,c=2,…,r1,隐含层的个数r1以及每一层隐含层的神经元数目根据人工经验或计算精度要求反复试探来确定;
(3-3)M1的输出层:
M1的输出层包含2个神经元,输出层采用Softmax函数为激活函数,当输入S0的第a种运行场景对应的和va时,暂态稳定评估模型M1的输出结果为其中表示电力系统在第ma种运行工况下发生第na个预设故障后能够保持暂态稳定的概率,表示电力系统在第ma种运行工况下发生第na个预设故障后失去暂态稳定的概率;
(4)利用深度置信网络训练方法,根据步骤(2-4)中训练集S0的故障切除后的数据,得到暂态稳定评估模型M2,暂态稳定评估模型M2的结构如下:
(4-1)M2的输入层:
M2的输入层共5×N×g个神经元,包括:步骤(2-4)得到的S0中归一化后的故障清除后g个采样点的所有发电机有功功率、归一化后的故障清除后g个采样点的所有发电机转子角度、归一化后的故障清除后g个采样点的所有发电机转子角速度、归一化后的故障清除后g个采样点的所有发电机母线电压幅值、归一化后的故障清除后g个采样点的所有发电机母线电压相角;
(4-2)M2的r2个隐含层:
M2包含r2个隐含层,r2个隐含层中,M2的第1个隐含层h1 2的输入为步骤(4-1)输入层,第u个隐含层hu 2的输入为第u-1个隐含层hu-1 2的输出,u=2,…,r2,隐含层的个数r2以及每一层隐含层的神经元数目根据人工经验或计算精度要求反复试探来确定;
(4-3)M2的输出层:
M2的输出层包含2个神经元,输出层采用Softmax函数为激活函数,当输入S0的第a种运行场景对应的和时,M2的输出结果为其中表示电力系统在第ma种运行工况下发生第na个预设故障后能够保持暂态稳定的概率,表示电力系统在第ma种运行工况下发生第na个预设故障后失去暂态稳定的概率;
(5)根据步骤(2-5)的验证集S1、步骤(3)的暂态稳定评估模型M1和步骤(4)的暂态稳定评估模型M2,分别计算得到不同阈值下M1和M2对S1中所有稳定运行场景和失稳运行场景的判定准确率,得到M1和M2输出结果的可信任阈值,具体步骤如下:
(5-1)设定迭代次数j=1,第j次迭代中暂态稳定评估模型M1和暂态稳定评估模型M2输出结果的阈值为J(j),设迭代步长d=0.0001,J(1)=d=0.0001;
(5-2)将迭代次数j的值与1/d-1进行比较,若j≥1/d-1,则转入步骤(5-6),若j<1/d-1,则进入步骤(5-3);
(5-3)依次将步骤(2-5)中验证集S1的所有组验证数据的 和vb输入至暂态稳定评估模型M1中,得到M1对验证集S1中所有运行场景的输出结果,其中M1对S1中第b个运行场景的输出结果为将的值与阈值J(j)相比较,若则判定与S1中第b个运行场景相对应的电力系统能够保持暂态稳定,记阈值为J(j)时模型M1对S1中第b个运行场景的判定结果若则判定与S1中第b个运行场景相对应的电力系统失稳,记阈值为J(j)时模型M1对S1中第b个运行场景的判定结果并将上述所有判定结果分别与步骤(2-5)的验证集S1的所有暂态稳定性标签yb依次进行对比,得到当阈值设定为J(j)时模型M1对稳定场景的判定准确率A1(j)和对失稳场景的判定准确率B1(j);
(5-4)依次将步骤(2-5)中验证集S1的所有组验证数据的 和输入至暂态稳定评估模型M2中,得到M2对所有运行场景的输出结果,其中模型M2对S1中第b个运行场景的输出结果为将的值与阈值J(j)相比较,若则判定与第b个运行场景相对应的电力系统能够保持暂态稳定,记阈值为J(j)时模型M2对S1中第b个运行场景的判定结果若则判定与第b个运行场景相对应的电力系统失稳,记阈值为J(j)时模型M2对S1中第b个运行场景的判定结果并将上述所有判定结果分别与步骤(2-5)的验证集S1的所有暂态稳定性标签yb依次进行对比,得到当阈值为J(j)时模型M2对稳定样本的判定准确率A2(j)和对失稳样本的判断准确率B2(j);
(5-5)令j:=j+1,J(j)=j×d,返回步骤(5-2);
(5-6)根据步骤(5-3)得到的当阈值为J(l)时暂态稳定评估模型M1对稳定样本的判定准确率A1(l)和对失稳样本的判断准确率B1(l),其中l=1,…,1/d-1,计算暂态稳定评估模型M1的稳定结果可信任阈值E1,1和失稳结果可信任阈值E1,2,E1,1和E1,2的计算公式如下:
(5-7)根据步骤(5-4)得到的当阈值设定为J(l)时暂态稳定评估模型M2对稳定样本的判定准确率A2(l)和对失稳样本的判断准确率B2(l),其中l=1,…,1/d-1,计算暂态稳定评估模型M2的稳定结果可信任阈值E2,1和失稳结果可信任阈值E2,2,E2,1和E2,2的计算公式如下:
(6)根据电力系统实际运行情况,得到电力系统当前潮流计算数据和预设故障集F1,利用暂态稳定评估模型M1、暂态稳定评估模型M2和仿真计算相结合的方式,依次对电力系统发生F1中第e个预设故障后的暂态稳定性进行判定,筛选出预设故障集F1中使电力系统失稳的严重故障,具体步骤如下:
(6-1)根据电力系统实际运行情况,得到电力系统当前潮流计算数据和预设故障集F1,其中,F1中共有w个预设故障;
(6-2)将预设故障编号初始化为e=1;
(6-3)判断预设故障集F1中第e个预设故障是否属于步骤(1-1)中的初始预设故障集F0:
若F1中第e个预设故障属于F0,则根据步骤(2-1)的独热编码方法得到第e个预设故障的编码向量ve,2,并转入步骤(6-4),若F1中第e个预设故障不属于F0,则转入步骤(6-6);
(6-4)采集电力系统潮流计算数据得到的所有发电机的有功功率PGi(0-)、发电机母线的电压幅值VGi(0-),并根据步骤(2-2)的最大最小归一化方法,对所有发电机的有功功率、发电机母线的电压幅值进行归一化处理,得到归一化后的发电机有功功率和归一化后的发电机母线的电压幅值将该和步骤(6-3)的编码向量ve,2输入到步骤(3)的暂态稳定评估模型M1中,得到输出结果将该输出结果与步骤(5-6)的E1,1和E1,2相比较,若则将当前预设故障判断为严重故障,并将第e个预设故障放入严重故障列表中,若则将当前预设故障判断为无关故障,转入步骤(6-7),若则转入步骤(6-5);
(6-5)利用数值计算方法,对电力系统在当前潮流下的发生第e个预设故障并切除后g个采样周期内的过程进行暂态稳定仿真计算,得到故障切除后g个采样点的所有发电机有功功率PGi e,2(t)、所有发电机转子角度δi e,2(t)、所有发电机转子角速度ωi e,2(t)、所有发电机母线的电压幅值VGi e,2(t)、所有发电机母线的电压相角θGi e,2(t),其中i=1,…,N,t=1,…,g,并采用步骤(2-2)的最大最小归一化方法,分别对PGi e,2(t)、δi e,2(t)、ωi e,2(t)、VGi e,2(t)、θGi e,2(t),进行归一化处理,得到归一化后的数据和将 和输入到步骤(4)的暂态稳定评估模型M2中,得到输出结果将该输出结果与步骤(5-7)的E2,1和E2,2相比较,若则将当前预设故障判断为严重故障,并将第e个预设故障放入严重故障列表中,若则将当前预设故障判断为无关故障,转入步骤(6-7),若则转入步骤(6-6);
(6-6)利用数值计算方法,对电力系统在当前潮流下的发生第e个预设故障后的动态过程进行暂态稳定仿真计算,根据仿真计算结果判断电力系统的暂态稳定性,若电力系统失去暂态稳定,则将第e个预设故障放入严重故障列表中,若电力系统能够保持暂态稳定,则该故障为无关故障,转入步骤(6-7);
(6-7)对e与w的值进行比较,若e<w,则令e:=e+1,并转入步骤(6-3),若e≥w,则停止迭代,当前步骤得到的严重故障列表中的所有故障即为筛选得到的所有暂态稳定严重故障,实现了电力系统暂态稳定严重故障筛选。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665732.5A CN110417005B (zh) | 2019-07-23 | 2019-07-23 | 结合深度学习和仿真计算的暂态稳定严重故障筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910665732.5A CN110417005B (zh) | 2019-07-23 | 2019-07-23 | 结合深度学习和仿真计算的暂态稳定严重故障筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110417005A CN110417005A (zh) | 2019-11-05 |
CN110417005B true CN110417005B (zh) | 2020-09-25 |
Family
ID=68362708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910665732.5A Active CN110417005B (zh) | 2019-07-23 | 2019-07-23 | 结合深度学习和仿真计算的暂态稳定严重故障筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110417005B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111244937B (zh) * | 2020-01-09 | 2021-01-05 | 清华大学 | 一种电力系统暂态电压稳定性严重故障筛选方法 |
CN111193260B (zh) * | 2020-01-16 | 2021-01-05 | 清华大学 | 一种自适应扩充数据的电力系统暂态稳定自动评估方法 |
CN111884236A (zh) * | 2020-08-07 | 2020-11-03 | 中国南方电网有限责任公司 | 一种电网智能暂态稳定评估系统 |
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 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336994B (zh) * | 2013-04-16 | 2016-06-22 | 国网电力科学研究院 | 电力系统暂态稳定评估预想故障集快速筛选方法 |
CN103618307B (zh) * | 2013-11-08 | 2015-11-11 | 天津大学 | 一种提高电力系统安全稳定性的紧急控制方法 |
US9699205B2 (en) * | 2015-08-31 | 2017-07-04 | Splunk Inc. | Network security system |
CN107846012A (zh) * | 2017-09-27 | 2018-03-27 | 国网湖北省电力公司 | 一种基于深度学习技术的电力系统暂态稳定评估方法 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
CN109390935B (zh) * | 2018-10-16 | 2021-12-24 | 清华大学 | 一种用于电力系统暂态稳定预测的样本生成方法 |
CN109886604A (zh) * | 2019-03-13 | 2019-06-14 | 华北电力大学 | 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 |
CN109921414A (zh) * | 2019-03-13 | 2019-06-21 | 华北电力大学 | 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 |
-
2019
- 2019-07-23 CN CN201910665732.5A patent/CN110417005B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110417005A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110417005B (zh) | 结合深度学习和仿真计算的暂态稳定严重故障筛选方法 | |
Zhang et al. | The multiclass fault diagnosis of wind turbine bearing based on multisource signal fusion and deep learning generative model | |
CN105973594B (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
Alrifaey et al. | Hybrid deep learning model for fault detection and classification of grid-connected photovoltaic system | |
CN111695521B (zh) | 一种基于Attention-LSTM的滚动轴承性能衰退预测方法 | |
CN111628501A (zh) | 一种交直流大电网暂态电压稳定评估方法及系统 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
Zheng et al. | Real-time transient stability assessment based on deep recurrent neural network | |
CN104899608B (zh) | 滚动轴承剩余寿命预测的加权融合相关向量机模型 | |
CN112564107A (zh) | 一种电力系统暂态稳定评估方法 | |
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 | |
Lu et al. | Unbalanced bearing fault diagnosis under various speeds based on spectrum alignment and deep transfer convolution neural network | |
Cai et al. | EMD and GNN-AdaBoost fault diagnosis for urban rail train rolling bearings | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
Shahriyari et al. | A Deep Learning-Based Approach for Comprehensive Rotor Angle Stability Assessment | |
Gong et al. | Transient stability assessment of electric power system based on voltage phasor and cnn-lstm | |
CN117349614A (zh) | 基于自注意力机制和时空图卷积网络的频率稳定预测方法 | |
CN105426665A (zh) | 基于状态监测的动态可靠度确定方法 | |
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 | |
CN115271070A (zh) | 基于改进Relief-F算法的电压稳定裕度评估方法、设备及介质 | |
CN114707423A (zh) | 一种igbt剩余寿命预测的方法 | |
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 | |
Peng et al. | Fault prediction method for on-board equipment of CTCS based on Seq2Seq model using LSTM | |
Qian et al. | A diagnosis method for diesel engine wear fault based on grey rough set and SOM neural network | |
Maliyaem | The Amount of Solid Waste Forecasting using Time Series ANFIS |
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 |