CN110609477B - 一种基于深度学习的电力系统暂态稳定性判别系统及方法 - Google Patents
一种基于深度学习的电力系统暂态稳定性判别系统及方法 Download PDFInfo
- Publication number
- CN110609477B CN110609477B CN201910922923.5A CN201910922923A CN110609477B CN 110609477 B CN110609477 B CN 110609477B CN 201910922923 A CN201910922923 A CN 201910922923A CN 110609477 B CN110609477 B CN 110609477B
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- layer
- network
- self
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于深度学习的电力系统暂态稳定性判别系统及方法，属于电力系统动态安全评估技术领域，本发明的系统包括样本获取、特征提取、样本扩展和稳定性判别四个模块，同时公开了系统实现的方法，采用深度自编码器提取电力系统样本数据的特征数据降低样本的维度，可以有效的节省计算力及计算时间；采用对抗生成网络生成伪样本数据，扩展样本集规模，使稳定性判别模块可以更好的判断电力系统的暂态稳定性，提高稳定性判断的准确率；采用深度卷积神经网络构建电力系统暂态稳定性判别模块，可以更为实时、准确的判断电力系统的暂态稳定性。
Description
技术领域
本发明涉及电力系统动态安全评估技术领域，尤其涉及一种基于深度学习的电力系统暂态稳定性判别系统及方法。
背景技术
目前，我国的电力系统规模不断扩大，维持电力系统的安全稳定运行成为了重中之重，而电力系统的暂态稳定性对安全稳定运行具有至关重要的作用。暂态稳定控制是电力系统稳定运行的第一道防线，具有特别重要的研究价值，所以如何精确、快速的判断电力系统的暂态稳定性对于电网的实际运行非常重要。
已有的电力系统暂态稳定评估方法中，以计算精度为优点的时域仿真法在速度上存在不足，而计算速度和精度较好的基于能量函数的直接法无法应用在复杂系统中。近年来，机器学习法被应用到暂态稳定问题中，例如人工神经网络、支持向量机等方法，取得了较大的进展，但是它们由于特征学习能力弱的特性，误分类概率高，可靠性难以保证。深度学习方法也被引入到该领域，例如深度置信网络和堆叠自动编码器等，但是在对于样本的处理和深度学习网络的精确应用还存在着不足。
发明内容
针对上述现有技术的不足，本发明提供一种基于深度学习的电力系统暂态稳定性判别系统及方法。
为解决上述技术问题，本发明所采取的技术方案是：一种基于深度学习的电力系统暂态稳定性判别系统，其结构示意如图1所示，包括：样本获取模块、特征提取模块、样本扩展模块和稳定性判别模块；
所述样本获取模块，用于获取训练网络所需的特征数据样本集，包括：
实际数据采集单元，用于采集电网的实际运行数据；
仿真模拟单元，用于仿真模拟生成电网运行数据，与电网实际运行数据共同输入特征提取模块。
所述特征提取模块，用于提取样本生成模块获取的样本集中的重要特征，包括：
数据归一化单元，用于归一化样本生成模块获取的特征数据，减小每个样本内数值差距带来的影响；
深度自编码器特征提取单元，用于提取归一化后的样本中的重要特征数据。
所述样本扩展模块，用于扩展样本集的样本数量，包括：
网络输入生成单元，用于生成对抗生成网络的输入数据；
对抗生成网络样本生成单元，用于模拟特征提取模块输出的样本数据特征生成样本，并扩展样本集规模。
所述稳定性判别模块，用于最终判断电力系统的暂态稳定与否，包括：
深度卷积神经网络训练单元，用于训练深度卷积神经网络对电力系统暂态稳定性的判别能力；
判别器性能测试单元，用于测试训练后的深度卷积神经网络对稳定性的判别能力；
稳定性判别单元，用于判断电力系统的暂态稳定性。
为解决上述技术问题，本发明所采取的技术方案是：一种基于深度学习的电力系统暂态稳定性判别方法，该方法的流程如图2所示，包括如下步骤：
步骤1：将采集的电网实际运行特征数据同仿真模拟电网运行特征数据一并作为样本集，所述运行特征数据包括：母线电压、母线电压相角、线路有功功率、线路无功功率和发电机无功功率，其中每个样本的维数为a；
步骤2：归一化处理样本集中的特征数据值；
其中，k表示每个样本中的初始特征数据值，|kmax|表示每个样本中绝对值最大的特征数据值，k′表示归一化后的特征数据值；
步骤3：采用深度自编码器提取归一化处理后的特征数据中的重要特征数据；
步骤3.1：构建第一个自编码器，输入节点数为输入特征维数a，隐含层节点数为
表示向上取整，输出层节点数与隐含层节点数相同，输入权利要求6所述归一化后的特征数据进行训练，并根据编码后的特征用于判断暂态稳定性的准确率，从而评估所述深度自编码器的性能；
步骤3.2：构建第二个自编码器，输入步骤3.1所述自编码器的输出进行训练，输入节点数为
隐含层节点数为
输出节点数与隐含层节点数相同，训练完成后根据编码后的特征用于判断暂态稳定性的准确率，从而评估所述深度自编码器的性能；
步骤3.3：构建下一个自编码器，并以此类推；
步骤3.4：在训练第l+1自编码器后，如果评估准确率没有再增加或者准确率缩小，则自编码器数量固定为l，此时，所述深度自编码器的性能最好，将l个自编码器按顺序连接，构成深度自编码网络；
步骤3.5：采用梯度下降法训练深度自编码网络，并对网络的参数进行微调，进一步提高网络的特征提取能力；
步骤3.6：使用深度自编码网络输出的特征维度为
的样本集更新原样本集，作为后续样本扩展模块的输入，称为真实样本集。
步骤4：采用对抗生成网络生成样本数据，扩展提取后的样本集规模；
步骤4.1：构建随机数据集：
以随机数为样本数据，随机数的取值公式如下：
其中，μ为数学期望，σ为标准差，rand为(-1,1)间的随机数，x为(-3,3)间的随机数，F为最终生成的随机数；
其维度与权利要求7得到的真实样本集中样本数据维度相同，并随机构建类别标签；
所述类别标签设置为0和1，其中1代表稳定样本，0代表不稳定样本；
步骤4.2：构建一个生成器，隐含层为三个全连接层和三个反卷积层，反卷积层过滤器尺寸为4×4，输入为步骤4.1生成的随机数据集，输出为维度相同的伪样本集；
步骤4.3：构建一个判别器，隐含层为三个卷积层和三个全连接层，卷积层过滤器尺寸为4×4，将步骤4.2输出的伪样本集与权利要求7得到的真实样本集共同作为输入，输出层采用Softmax分类器，用来判别输入的每个样本是属于生成器生成的伪样本还是真实样本；
步骤4.4：依据判别器的输出，采用梯度下降法调整生成器中的参数，使生成器生成的伪样本与真实样本具有相同的分布概型；
步骤4.5：采用梯度下降法反复训练优化生成器和判别器，直至生成器生成的样本判别器的正确判别几率尽可能接近50％，即判别器难以判断生成器生成的样本是真实样本还是生成的伪样本；
步骤4.6：使用生成器生成的伪样本集与真实样本集共同作为后续稳定性判别模块的输入。
步骤5：采用深度卷积神经网络判别电力系统的暂态稳定与否。
步骤5.1：构建一个隐含层为三个卷积层和四个池化层的深度卷积神经网络，其结构如下所述：
第一个卷积层的过滤器尺寸为8×8，步长为1×1，输入为权利要求8得到的样本扩展后的输出；
第一个卷积层后连接第一个池化层，过滤器尺寸为2×2，步长为2×2；
第一个池化层后连接第二个卷积层的过滤器尺寸为5×5，步长为1×1；
第二个卷积层后连接第二个池化层，过滤器尺寸为2×2，步长为2×2；
第二个池化层后连接第三个卷积层，过滤器尺寸为3×3，步长为1×1；
第三个卷积层后连接第三个池化层，过滤器尺寸为2×2，步长为2×2；
第三个池化层后连接第四个池化层为全局平均池化层，步长与过滤器尺寸与第三个池化层的输出尺寸相同；
步骤5.2：在每一个卷积层后面使用Batch Normalization算法对数据进行处理，防止过拟合，增加收敛速度；
步骤5.2.1：设G为m×n个特征数据组成的一个样本，G表示为：
其中，gij表示样本G中的一个特征数据；
步骤5.2.2：计算所有特征数据的平均值μG：
步骤5.2.3：计算所有特征数据的方差
步骤5.2.4：归一化所有特征数据：
其中，ε是一个常数，
为归一化后的数据；
步骤5.2.5：缩放平移归一化值：
其中，hij为平移后的新特征数据，γ是缩放系数，β是平移系数。
步骤5.3：使用梯度下降法训练深度卷积神经网络，直至损失函数值低于给定的阈值s或者训练轮数达到最大迭代次数tmax次；
步骤5.4：使用训练后的深度卷积神经网络判别电力系统的暂态稳定性。
采用上述技术方案所产生的有益效果在于：
(1)针对于实际电网中单个数据样本规模庞大的问题，采用深度自编码器进行数据特征降维，可以有效的节省计算力及计算时间；
(2)针对于实际电网中样本数量较少且仿真得到的数据中不稳定样本较少的问题，样本扩展模块可以有效的补充样本数据的规模，使稳定性判别模块可以更好的判断电力系统的暂态稳定性，提高稳定性判断的准确率；
(3)依据深度卷积神经网络的结构特性及其在电力系统暂态稳定问题中的适用性，构建稳定性判别模块，相比于其他判别方法，本方法可以更为实时、准确的判断电力系统的暂态稳定性。
附图说明
图1为本发明一种基于深度学习的电力系统暂态稳定性判别系统的结构示意图；
图2为本发明一种基于深度学习的电力系统暂态稳定性判别方法的流程图；
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本实施例的系统结构如下所述。
一种基于深度学习的电力系统暂态稳定性判别系统包括：样本获取模块、特征提取模块、样本扩展模块和稳定性判别模块；
所述样本获取模块，用于获取训练网络所需的特征数据样本集，包括：
实际数据采集单元，用于采集电网的实际运行数据；
仿真模拟单元，用于仿真模拟生成电网运行数据，与电网实际运行数据共同输入特征提取模块。
所述特征提取模块，用于提取样本生成模块获取的样本集中的重要特征，包括：
数据归一化单元，用于归一化样本生成模块获取的特征数据，减小每个样本内数值差距带来的影响；
深度自编码器特征提取单元，用于提取归一化后的样本中的重要特征数据。
所述样本扩展模块，用于扩展样本集的样本数量，包括：
网络输入生成单元，用于生成对抗生成网络的输入数据；
对抗生成网络样本生成单元，用于模拟特征提取模块输出的样本数据特征生成样本，并扩展样本集规模。
所述稳定性判别模块，用于最终判断电力系统的暂态稳定与否，包括：
深度卷积神经网络训练单元，用于训练深度卷积神经网络对电力系统暂态稳定性的判别能力；
判别器性能测试单元，用于测试训练后的深度卷积神经网络对稳定性的判别能力；
稳定性判别单元，用于判断电力系统的暂态稳定性。
采用上述系统进行电力系统暂态稳定性判别的方法，该方法的流程如图2所示，包括如下步骤：
步骤1：将采集的电网实际运行特征数据同仿真模拟电网运行特征数据一并作为样本集，所述运行特征数据包括：母线电压、母线电压相角、线路有功功率、线路无功功率和发电机无功功率，其中每个样本的维数为a；
步骤2：归一化处理样本集中的特征数据值；
其中，k表示每个样本中的初始特征数据值，|kmax|表示每个样本中绝对值最大的特征数据值，k′表示归一化后的特征数据值；
步骤3：采用深度自编码器提取归一化处理后的特征数据中的重要特征数据；
步骤3.1：构建第一个自编码器，输入节点数为输入特征维数a，隐含层节点数为
表示向上取整，输出层节点数与隐含层节点数相同，输入权利要求6所述归一化后的特征数据进行训练，并根据编码后的特征用于判断暂态稳定性的准确率，从而评估所述深度自编码器的性能；
步骤3.2：构建第二个自编码器，输入步骤3.1所述自编码器的输出进行训练，输入节点数为
隐含层节点数为
输出节点数与隐含层节点数相同，训练完成后根据编码后的特征用于判断暂态稳定性的准确率，从而评估所述深度自编码器的性能；
步骤3.3：构建下一个自编码器，并以此类推；
步骤3.4：在训练第l+1自编码器后，如果评估准确率没有再增加或者准确率缩小，则自编码器数量固定为l，此时，所述深度自编码器的性能最好，将l个自编码器按顺序连接，构成深度自编码网络；
步骤3.5：采用梯度下降法训练深度自编码网络，并对网络的参数进行微调，进一步提高网络的特征提取能力；
步骤3.6：使用深度自编码网络输出的特征维度为
的样本集更新原样本集，作为后续样本扩展模块的输入，称为真实样本集。
步骤4：采用对抗生成网络生成样本数据，扩展提取后的样本集规模；
步骤4.1：构建随机数据集：
以随机数为样本数据，随机数的取值公式如下：
其中，μ为数学期望，σ为标准差，rand为(-1,1)间的随机数，x为(-3,3)间的随机数，F为最终生成的随机数；
其维度与权利要求7得到的真实样本集中样本数据维度相同，并随机构建类别标签；
所述类别标签设置为0和1，其中1代表稳定样本，0代表不稳定样本；
步骤4.2：构建一个生成器，隐含层为三个全连接层和三个反卷积层，反卷积层过滤器尺寸为4×4，输入为步骤4.1生成的随机数据集，输出为维度相同的伪样本集；
步骤4.3：构建一个判别器，隐含层为三个卷积层和三个全连接层，卷积层过滤器尺寸为4×4，将步骤4.2输出的伪样本集与权利要求7得到的真实样本集共同作为输入，输出层采用Softmax分类器，用来判别输入的每个样本是属于生成器生成的伪样本还是真实样本；
步骤4.4：依据判别器的输出，采用梯度下降法调整生成器中的参数，使生成器生成的伪样本与真实样本具有相同的分布概型；
步骤4.5：采用梯度下降法反复训练优化生成器和判别器，直至生成器生成的样本判别器的正确判别几率尽可能接近50％，即判别器难以判断生成器生成的样本是真实样本还是生成的伪样本；
步骤4.6：使用生成器生成的伪样本集与真实样本集共同作为后续稳定性判别模块的输入。
步骤5：采用深度卷积神经网络判别电力系统的暂态稳定与否。
步骤5.1：构建一个隐含层为三个卷积层和四个池化层的深度卷积神经网络，其结构如下所述：
第一个卷积层的过滤器尺寸为8×8，步长为1×1，输入为权利要求8得到的样本扩展后的输出；
第一个卷积层后连接第一个池化层，过滤器尺寸为2×2，步长为2×2；
第一个池化层后连接第二个卷积层的过滤器尺寸为5×5，步长为1×1；
第二个卷积层后连接第二个池化层，过滤器尺寸为2×2，步长为2×2；
第二个池化层后连接第三个卷积层，过滤器尺寸为3×3，步长为1×1；
第三个卷积层后连接第三个池化层，过滤器尺寸为2×2，步长为2×2；
第三个池化层后连接第四个池化层为全局平均池化层，步长与过滤器尺寸与第三个池化层的输出尺寸相同；
步骤5.2：在每一个卷积层后面使用Batch Normalization算法对数据进行处理，防止过拟合，增加收敛速度；
步骤5.2.1：设G为m×n个特征数据组成的一个样本，G表示为：
其中，gij表示样本G中的一个特征数据；
步骤5.2.2：计算所有特征数据的平均值μG：
步骤5.2.3：计算所有特征数据的方差
步骤5.2.4：归一化所有特征数据：
其中，ε是一个常数，
为归一化后的数据；
步骤5.2.5：缩放平移归一化值：
其中，hij为平移后的新特征数据，γ是缩放系数，β是平移系数。
步骤5.3：使用梯度下降法训练深度卷积神经网络，直至损失函数值低于给定的阈值s或者训练轮数达到最大迭代次数tmax次；
步骤5.4：使用训练后的深度卷积神经网络判别电力系统的暂态稳定性。
Claims (7)
1.一种基于深度学习的电力系统暂态稳定性判别系统，其特征在于包括：
样本获取模块，用于获取训练网络所需的特征数据样本集；
特征提取模块：用于提取样本生成模块获取的样本集中的重要特征；
所述特征提取模块包括：
数据归一化单元，用于归一化样本生成模块获取的特征数据，减小每个样本内数值差距带来的影响；所述特征数据包括：母线电压、母线电压相角、线路有功功率、线路无功功率和发电机无功功率；
所述归一化单元对特征数据的处理方法为：
其中，k表示每个样本中的初始特征数据值，|kmax|表示每个样本中绝对值最大的特征数据值，k′表示归一化后的特征数据值；
深度自编码器特征提取单元，用于提取归一化后的样本中的重要特征数据；所述深度自编码器采用梯度下降法进行训练，对网络的参数进行微调；
样本扩展模块：用于扩展样本集的样本数量；
所述样本扩展模块包括：
网络输入生成单元，用于生成对抗生成网络的输入数据；
对抗生成网络样本生成单元，用于模拟所述特征提取模块输出的样本数据特征生成样本，并扩展样本集规模；
稳定性判别模块：用于最终判断电力系统的暂态稳定与否；
所述稳定性判别模块包括：
深度卷积神经网络训练单元，用于训练深度卷积神经网络对电力系统暂态稳定性的判别能力；所述深度卷积神经网络在每一个卷积层后面使用Batch Normalization算法对数据进行处理，防止过拟合，增加收敛速度；
判别器性能测试单元，用于测试训练后的深度卷积神经网络对稳定性的判别能力；
稳定性判别单元，用于判断电力系统的暂态稳定性。
2.根据权利要求1所述的一种基于深度学习的电力系统暂态稳定性判别系统，其特征在于所述样本获取模块包括：
实际数据采集单元，用于采集电网的实际运行数据；
仿真模拟单元，用于仿真模拟生成电网运行数据，与电网实际运行数据共同输入所述特征提取模块。
3.一种基于深度学习的电力系统暂态稳定性判别方法，其特征在于，包括以下步骤：
步骤1：将采集的电网实际运行特征数据同仿真模拟电网运行特征数据一并作为样本集，所述运行特征数据包括：母线电压、母线电压相角、线路有功功率、线路无功功率和发电机无功功率，其中每个样本的维数为a；
步骤2：归一化处理样本集中的特征数据值；
其中，k表示每个样本中的初始特征数据值，|kmax|表示每个样本中绝对值最大的特征数据值，k′表示归一化后的特征数据值；
步骤3：采用深度自编码器提取归一化处理后的特征数据中的重要特征数据；
所述深度自编码器采用梯度下降法进行训练，对网络的参数进行微调；
步骤4：采用对抗生成网络生成样本数据，扩展提取后的样本集规模；
步骤5：采用深度卷积神经网络判别电力系统的暂态稳定与否；
所述深度卷积神经网络在每一个卷积层后面使用Batch Normalization算法对数据进行处理，防止过拟合，增加收敛速度。
4.根据权利要求3所述一种基于深度学习的电力系统暂态稳定性判别方法，其特征在于所述步骤3的过程如下：
步骤3.1：构建第一个自编码器，输入节点数为输入特征维数a，隐含层节点数为
表示向上取整，输出层节点数与隐含层节点数相同，输入所述归一化后的特征数据进行训练，并根据编码后的特征用于判断暂态稳定性的准确率，从而评估所述深度自编码器的性能；
步骤3.2：构建第二个自编码器，输入步骤3.1所述自编码器的输出进行训练，输入节点数为
隐含层节点数为
输出节点数与隐含层节点数相同，训练完成后根据编码后的特征用于判断暂态稳定性的准确率，从而评估所述深度自编码器的性能；
步骤3.3：构建下一个自编码器，并以此类推；
步骤3.4：在训练第l+1自编码器后，如果评估准确率没有再增加或者准确率缩小，则自编码器数量固定为l，此时，所述深度自编码器的性能最好，将l个自编码器按顺序连接，构成深度自编码网络；
步骤3.5：采用梯度下降法训练深度自编码网络，并对网络的参数进行微调，进一步提高网络的特征提取能力；
步骤3.6：使用深度自编码网络输出的特征维度为
的样本集更新原样本集，作为后续样本扩展模块的输入，称为真实样本集。
5.根据权利 要求4所述一种基于深度学习的电力系统暂态稳定性判别方法，其特征在于所述步骤4的过程如下：
步骤4.1：构建随机数据集：
以随机数为样本数据，随机数的取值公式如下：
其中，μ为数学期望，σ为标准差，rand为(-1,1)间的随机数，x为(-3,3)间的随机数，F为最终生成的随机数；
其维度与所述真实样本集中样本数据维度相同，并随机构建类别标签；
所述类别标签设置为0和1，其中1代表稳定样本，0代表不稳定样本；
步骤4.2：构建一个生成器，隐含层为三个全连接层和三个反卷积层，反卷积层过滤器尺寸为4×4，输入为步骤4.1生成的随机数据集，输出为维度相同的伪样本集；
步骤4.3：构建一个判别器，隐含层为三个卷积层和三个全连接层，卷积层过滤器尺寸为4×4，将步骤4.2输出的伪样本集与所述真实样本集共同作为输入，输出层采用Softmax分类器，用来判别输入的每个样本是属于生成器生成的伪样本还是真实样本；
步骤4.4：依据判别器的输出，采用梯度下降法调整生成器中的参数，使生成器生成的伪样本与真实样本具有相同的分布概型；
步骤4.5：采用梯度下降法反复训练优化生成器和判别器，直至生成器生成的样本判别器的正确判别几率为50％，即判别器难以判断生成器生成的样本是真实样本还是生成的伪样本；
步骤4.6：使用生成器生成的伪样本集与真实样本集共同作为后续稳定性判别模块的输入。
6.根据权利要求5所述一种基于深度学习的电力系统暂态稳定性判别方法，其特征在于所述步骤5的过程如下：
步骤5.1：构建一个隐含层为三个卷积层和四个池化层的深度卷积神经网络，其结构如下所述：
第一个卷积层的过滤器尺寸为8×8，步长为1×1，输入为权利要求5得到的样本扩展后的输出；
第一个卷积层后连接第一个池化层，过滤器尺寸为2×2，步长为2×2；
第一个池化层后连接第二个卷积层的过滤器尺寸为5×5，步长为1×1；
第二个卷积层后连接第二个池化层，过滤器尺寸为2×2，步长为2×2；
第二个池化层后连接第三个卷积层，过滤器尺寸为3×3，步长为1×1；
第三个卷积层后连接第三个池化层，过滤器尺寸为2×2，步长为2×2；
第三个池化层后连接第四个池化层为全局平均池化层，步长与过滤器尺寸与第三个池化层的输出尺寸相同；
步骤5.2：在每一个卷积层后面使用Batch Normalization算法对数据进行处理，防止过拟合，增加收敛速度；
步骤5.3：使用梯度下降法训练深度卷积神经网络，直至损失函数值低于给定的阈值s或者训练轮数达到最大迭代次数tmax次；
步骤5.4：使用训练后的深度卷积神经网络判别电力系统的暂态稳定性。
7.根据权利要求6所述一种基于深度学习的电力系统暂态稳定性判别方法，其特征在于步骤5.2中所述Batch Normalization算法的过程如下：
步骤5.2.1：设G为m×n个特征数据组成的一个样本，G表示为：
其中，gij表示样本G中的一个特征数据；
步骤5.2.2：计算所有特征数据的平均值μG：
步骤5.2.3：计算所有特征数据的方差
步骤5.2.4：归一化所有特征数据：
其中，ε是一个常数，
为归一化后的数据；
步骤5.2.5：缩放平移归一化值：
其中，hij为平移后的新特征数据，γ是缩放系数，β是平移系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910922923.5A CN110609477B (zh) | 2019-09-27 | 2019-09-27 | 一种基于深度学习的电力系统暂态稳定性判别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910922923.5A CN110609477B (zh) | 2019-09-27 | 2019-09-27 | 一种基于深度学习的电力系统暂态稳定性判别系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110609477A CN110609477A (zh) | 2019-12-24 |
| CN110609477B true CN110609477B (zh) | 2021-06-29 |
Family
ID=68893683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910922923.5A Active CN110609477B (zh) | 2019-09-27 | 2019-09-27 | 一种基于深度学习的电力系统暂态稳定性判别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110609477B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111595247B (zh) * | 2020-03-24 | 2021-11-02 | 自然资源部第一海洋研究所 | 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法 |
| CN111597925A (zh) * | 2020-04-29 | 2020-08-28 | 山东卓文信息科技有限公司 | 一种基于dcnn的电力系统暂态信号分析方法 |
| CN112861439B (zh) * | 2021-02-25 | 2022-12-09 | 清华大学 | 一种基于深度学习的电力系统仿真样本生成方法 |
| CN113642229A (zh) * | 2021-07-08 | 2021-11-12 | 广西电网有限责任公司电力科学研究院 | 适应于暂态电压稳定评估的样本生成方法及装置 |
| CN116911201B (zh) * | 2023-09-06 | 2023-11-21 | 江苏省特种设备安全监督检验研究院 | 一种基于深度生成对抗网络算法的模拟电机能效检测系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014179883A1 (en) * | 2013-05-06 | 2014-11-13 | University Of Saskatchewan | Methods and apparatus for detection of transient instability and out-of-step conditions by state deviation |
| US9612292B1 (en) * | 2014-05-06 | 2017-04-04 | The Florida State University Research Foundation, Inc. | Method for small-signal stability assessment of power systems using source side and load side perturbations and unit circle criterion |
| 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 |
| CN108182452A (zh) * | 2017-12-29 | 2018-06-19 | 哈尔滨工业大学（威海） | 基于分组卷积自编码器的航空发动机故障检测方法及系统 |
| CN108509869A (zh) * | 2018-03-14 | 2018-09-07 | 中南大学 | 基于OpenBCI的特征集优化在线训练方法 |
| CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
| CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法 |
| CN109272061A (zh) * | 2018-09-27 | 2019-01-25 | 安徽理工大学 | 一种包含两个cnn的深度学习模型的构建方法 |
| CN109543745A (zh) * | 2018-11-20 | 2019-03-29 | 江南大学 | 基于条件对抗自编码网络的特征学习方法及图像识别方法 |
| CN109612708A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 基于改进卷积神经网络的电力变压器在线检测系统及方法 |
| CN109766835A (zh) * | 2019-01-11 | 2019-05-17 | 西安电子科技大学 | 基于多参数优化生成对抗网络的sar目标识别方法 |
| CN109783997A (zh) * | 2019-03-12 | 2019-05-21 | 华北电力大学 | 一种基于深度神经网络的电力系统暂态稳定评估方法 |
| CN109960860A (zh) * | 2019-03-13 | 2019-07-02 | 华北电力大学 | 基于差分进化极限学习机的电力系统暂态稳定评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101467249B1 (ko) * | 2014-03-11 | 2014-12-02 | 성균관대학교산학협력단 | 과도 안정성에 기초한 적응적 재폐로 제어 장치 및 방법 |
-
2019
- 2019-09-27 CN CN201910922923.5A patent/CN110609477B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014179883A1 (en) * | 2013-05-06 | 2014-11-13 | University Of Saskatchewan | Methods and apparatus for detection of transient instability and out-of-step conditions by state deviation |
| US9612292B1 (en) * | 2014-05-06 | 2017-04-04 | The Florida State University Research Foundation, Inc. | Method for small-signal stability assessment of power systems using source side and load side perturbations and unit circle criterion |
| 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 |
| CN108182452A (zh) * | 2017-12-29 | 2018-06-19 | 哈尔滨工业大学（威海） | 基于分组卷积自编码器的航空发动机故障检测方法及系统 |
| CN108509869A (zh) * | 2018-03-14 | 2018-09-07 | 中南大学 | 基于OpenBCI的特征集优化在线训练方法 |
| CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
| CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法 |
| CN109272061A (zh) * | 2018-09-27 | 2019-01-25 | 安徽理工大学 | 一种包含两个cnn的深度学习模型的构建方法 |
| CN109543745A (zh) * | 2018-11-20 | 2019-03-29 | 江南大学 | 基于条件对抗自编码网络的特征学习方法及图像识别方法 |
| CN109612708A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 基于改进卷积神经网络的电力变压器在线检测系统及方法 |
| CN109766835A (zh) * | 2019-01-11 | 2019-05-17 | 西安电子科技大学 | 基于多参数优化生成对抗网络的sar目标识别方法 |
| CN109783997A (zh) * | 2019-03-12 | 2019-05-21 | 华北电力大学 | 一种基于深度神经网络的电力系统暂态稳定评估方法 |
| CN109960860A (zh) * | 2019-03-13 | 2019-07-02 | 华北电力大学 | 基于差分进化极限学习机的电力系统暂态稳定评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的电力系统故障后暂态稳定评估研究;胡伟等;《电网技术》;20171031;第41卷(第10期);第3140-3146页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110609477A (zh) | 2019-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110609477B (zh) | 一种基于深度学习的电力系统暂态稳定性判别系统及方法 | |
| CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
| CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
| CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
| CN112200694B (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
| CN109670553B (zh) | 基于自适应神经模糊推理系统的光伏阵列故障诊断方法 | |
| CN111426950A (zh) | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 | |
| CN111859283B (zh) | 一种考虑多能源荷时序性、相关性的场景生成方法 | |
| CN114781435B (zh) | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 | |
| CN111313403B (zh) | 一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法 | |
| CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
| CN110726898A (zh) | 一种配电网故障类型识别方法 | |
| Peng et al. | A very short term wind power prediction approach based on Multilayer Restricted Boltzmann Machine | |
| CN112633315A (zh) | 一种电力系统扰动分类方法 | |
| CN112818912A (zh) | 基于集成经验模态分解和极端梯度提升的雷电预警方法 | |
| Yan et al. | Deep learning based total transfer capability calculation model | |
| CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
| CN112036718B (zh) | 一种考虑新能源不确定性的电力系统安全风险评估方法 | |
| CN112507881A (zh) | 一种基于时间卷积神经网络的sEMG信号分类方法及系统 | |
| CN116561692A (zh) | 一种动态更新的实时量测数据检测方法 | |
| CN117424201A (zh) | 电力系统暂态稳定可解释评估方法、系统、设备及存储介质 | |
| CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
| CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
| CN107784015B (zh) | 一种基于电力系统在线历史数据的数据约简方法 | |
| He et al. | Partial discharge pattern recognition algorithm based on sparse self-coding and extreme learning machine |
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 |