CN110829417B - 基于lstm双结构模型的电力系统暂态稳定预测方法 - Google Patents

Abstract

本发明公开了一种基于LSTM双结构模型的电力系统暂态稳定预测方法，先利用开源框架Keras搭建LSTM双结构模型，然后通过迭代循环的方式训练LSTM双结构模型，得到训练好的训练LSTM双结构模型，最后将待检测的电压、电流处理成输入矩阵后输入至训练好的LSTM双结构模型，继而获得故障线路位置信息，然后根据故障线路位置信息，判断发生故障后电力系统的暂态稳定性。

Description

基于LSTM双结构模型的电力系统暂态稳定预测方法

技术领域

本发明属于电力系统暂态稳定性预测技术领域，更为具体地讲，涉及一种基于LSTM双结构模型的电力系统暂态稳定预测方法。

背景技术

近年来，由于电网互联、大规模间歇式能源的并网运行、柔性交流输电系统的投运，使得电力系统的结构、协调控制日趋复杂。当如此大规模的电力系统在运行时，其物理变化过程十分复杂，在此背景下，电力系统的安全稳定运行问题愈加突出。电力系统在给人们带来科学技术的进步和财富的同时，也伴随着灾害事故，并对人类的生命财产构成威胁。当电力系统遭受短路故障等扰动时，若能提前预测出该扰动是否会导致电力系统失稳，以及时采取有效的预防措施，则对电力系统的安全稳定运行具有重大的意义。

由于人工智能方向高速发展，人工智能在各个领域开始崭露头角，在电力系统领域，为建设智能电网提供了很多新思路。由于相量测量单元(PMU)和广域监测系统(WAMS)在电网中的大规模布局，多年来已经采集了海量的电网历史数据，为人工智能应用于暂态稳定分析提供了数据基础。

而传统的机器学习算法在暂态稳定评估中应用单一，主要体现为暂态稳定性的判别，且建模过程中需要人工提取特征，导致特征构建的好坏对预测结果有显著影响。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于LSTM双结构模型的电力系统暂态稳定预测方法，在不需要人工干预的情况下，既实现电力系统的故障线路定位，又实现了电力系统的暂态稳定性预测，从而实现了电力系统的安全稳定运行。

为实现上述发明目的，本发明一种基于LSTM双结构模型的电力系统暂态稳定预测方法，其特征在于，包括以下步骤：

(1)、利用开源框架Keras搭建LSTM双结构模型

以循环神经网络RNN的变体长短期记忆网络LSTM为基础，基于电力系统暂态故障的故障特征，设计双向长短期记忆网络Bi-Lstm，作为LSTM双重结构模型的特征提取模块，其中，Bi-Lstm中的LSTM单元个数设置为n个；

(2)、训练LSTM双结构模型

(2.1)、采集不同故障情况下，电网中发生故障的线路在不同时刻时的电压和电流，记为U_ij、I_ij，其中，i＝1,2,…,t，j＝1,2,…l，t表示采样的总时刻，l为电网中线路的条数；

(2.2)、将采集到的电压和电流值按照采集时间顺序构成输入矩阵；

(2.3)、获取Bi-Lstm网络的输出矩阵

按照时间先后顺序，以输入矩阵的每一行作为输入，正序输入至LSTM双结构模型，那么，每个LSTM单元的输出记为h_ik，k＝1,2…,n，h_ik表示第i个时刻第k个LSTM单元的正向隐层输出；

按照时间先后顺序，以输入矩阵的每一行作为输入，反序输入至LSTM双结构模型，那么，每个LSTM单元的输出记为h'_ik，k＝1,2…,n，h_i'_k表示第i个时刻第k个LSTM单元的反向隐层输出；

将各个LSTM单元的正向、反向隐层输出按照时间先后顺序构成Bi-Lstm网络的输出矩阵；

(2.4)、通过展平模块将Bi-Lstm网络的输出矩阵展平成一维数据，记为h_f；

h_f＝[h₁₁ h₁₂ … h_1n h₂₁ … h_tn h'₁₁ h'₁₂ … h'_1n h'₂₁ … h'_tn]

(2.5)、利用注意力机制模块关注电网中各线路发生故障前后的电压电流；

(2.5.1)、按照时间先后顺序，以Bi-Lstm网络的输出矩阵的每一行作为输入，计算各行输入数据的注意力权重α_i；

其中，变量e_i满足：

或/>

其中，

为待学习的参数，其初值为初始化随机值；

(2.5.2)、关注发生故障线路并输出；

将关注后的所有故障线路的电压电流通过一维数据输出为：

(2.6)、故障线路定位模块定位各线路发送故障的概率；

(2.6.1)、将展平后的维数据h_f输入至前向感知机，利用前向感知机对每条线路进行感知，得到l个感知向量e_j；

(2.6.2)、根据每条线路的感知向量e_j，利用归一化指数函数G(x)计算每条线路发生故障的概率G_j；

(2.6.3)、将每条线路发生故障的概率值构成矩阵，记为G＝[G₁,G₂,…,G_l]；

(2.7)、利用拼接模块将注意力机制模块输出的

展平模块输出的h_f和故障线路定位模块输出的G拼接为矩阵h_c；

(2.8)、将拼接后的矩阵h_c输入至多层感知机，利用多层感知机计算电网中线路发生故障后，电力系统保持稳定的概率；

其中，W^*、W'、b^*、b'为待学习的参数，其初值为初始化随机值；

(2.9)、计算损失函数值；

(2.9.1)、利用多分类交叉熵的优化器计算故障线路定位模块的损失函数值loss_l；

其中，y_j表示第j条线路故障发生的真实概率值，若发生故障则为1，不发生故障则为0；

(2.9.2)、利用二分类交叉熵的优化器计算暂态稳定性判别模块的损失函数值loss_s；

loss_s＝-[y log G(h_c)+(1-y)log(1-G(h_c))]

其中，y表示电力系统是否稳定的真实值，若系统稳定则为0，系统失稳则为1；

(2.10)、判断电力系统的稳定性；

按照步骤(2.1)-(2.9)的方法，计算下一轮迭代后故障线路定位模块的损失函数值loss_l和暂态稳定性判别模块的损失函数值loss_s，然后分别再与前一轮迭代时得到的损失函数直接进行比较，如果前后两轮迭代后的暂态稳定性判别模块的损失函数值loss_s的差值小于预设阈值，则迭代停止，LSTM双重结构模型训练完成；否则，根据损失函数值loss_l、loss_s修改上述待学习的参数，并进行下一轮迭代，直到前后两轮迭代后的损失函数值loss_s的差值小于预设阈值，迭代停止；

(3)、将待检测的电压、电流处理成输入矩阵后输入至训练好的LSTM双结构模型，从而预测出电力系统的暂态稳定性。

本发明的发明目的是这样实现的：

本发明基于LSTM双结构模型的电力系统暂态稳定预测方法，先利用开源框架Keras搭建LSTM双结构模型，然后通过迭代循环的方式训练LSTM双结构模型，得到训练好的训练LSTM双结构模型，最后将待检测的电压、电流处理成输入矩阵后输入至训练好的LSTM双结构模型，继而获得故障线路位置信息，然后根据故障线路位置信息，判断发生故障后电力系统的暂态稳定性。

同时，本发明基于LSTM双结构模型的电力系统暂态稳定预测方法还具有以下有益效果：

(1)、传统的方法依赖于特征提取的方法，这需要大量的先验知识，本发明与此不同，引入了基于LSTM的神经网络来自动提取时间序列上的网格数据特征，考虑了传统方法没有考虑到的时间序列信息。

(2)、在所提出的系统框架中使用双重结构来同时输出故障线路的位置和故障的暂态稳定性。其中，故障线的位置用作辅助故障稳定性判别，并且这种机制可使模型适应更复杂的网络。

(3)、通过应用注意机制，分析故障前后的数据，并捕获不同故障线路的更细微变化。

(4)、该方法在IEEE-39总线系统上进行了测试，并设置了不同的故障类型和故障位置证明了本发明相比于其他模型更具鲁棒性和集成性。

附图说明

图1是本发明基于LSTM双结构模型的电力系统暂态稳定预测方法原理图；

图2是Bi-Lstm网络的结构图；

图3是训练LSTM双结构模型的流程图；

图4是IEEE39节点系统图；

图5是IEEE39节点系统的暂态稳定预测图；

图6是IEEE39节点系统的故障位置准确率统计图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于LSTM双结构模型的电力系统暂态稳定预测方法流程图。

在本实施例中，如图1所示，本发明一种基于LSTM双结构模型的电力系统暂态稳定预测方法，包括以下步骤：

S1、利用开源框架Keras搭建LSTM双结构模型

以循环神经网络RNN的变体长短期记忆网络LSTM为基础，基于电力系统暂态故障的故障特征，设计双向长短期记忆网络Bi-Lstm，作为LSTM双结构模型，其中，Bi-Lstm中的LSTM单元个数设置为n个；

在本实施例中，双向长短期记忆网络Bi-Lstm是由双向RNN(Bi-RNN)发展而来，解决RNN只能获得序列先前的信息而无法获知未来的信息。其中，长短期记忆单元是改进的循环神经网络单元(RNN)，解决了传统RNN在训练过程中出现的梯度消失和梯度爆炸问题。其中，LSTM单元的模型为：

z_t＝σ(W_z·[h_t-1,x_t])

r_t＝σ(W_r·[h_t-1,x_t])

其中，x_t是t时刻的输入，h_t是t时刻的输出，W_z,W_r,W是需要训练的权重，

是中间变量。

如图2所示，Bi-Lstm网络让信号正序、反序同时输入到网络中，让网络同时获得更多的信息，这样不仅可以提升网络判断的准确性，还提升了网络的速度。

S2、如图3所示，训练LSTM双结构模型

S2.1、利用时域仿真法采集不同故障情况下，电网中发生故障的线路在不同时刻时的电压和电流，记为U_ij、I_ij，其中，i＝1,2,…,t，j＝1,2,…l，t表示采样的总时刻，l为电网中线路的条数；

在本实施例中，采集的数据来自电网中的相量测量单元(PMU)，PMU可以监测到所有母线的电压幅值和电流幅值，采用故障前后一段时间的数据，作为样本数据；

为了保证采集数据的准确性，我们可以对采集数据进行如下处理：

异常值剔除：对因电网中的采集设备或者其他原因导致的不能反映真实数据的样本采用拉依达准则进行剔除。首先对于某电网进行各种工况下的大量仿真采集数据，实验数据总体服从正态分布，则异常值的判别与剔除式中，μ和σ分别表示正态总体的数学期望和方差，此时，真实数据中出现大于μ+3σ或小于μ-3σ的样本数据值作为异常值，予以剔除。

缺失值补全：如果采集的样本数据中含有缺失值，若该样本缺失小于30％则采用对正常数据取平均值进行填充，若缺失超过30％，则删除该样本。

归一化：由于深度学习网络对数据比较敏感，故对采集的数据做归一化处理，使数据映射到[0,1]区间内，采用的线性归一化函数如下：

其中，min为样本数据的最大值，max为样本数据的最小值。

S2.2、将采集到的电压和电流值按照采集时间顺序构成输入矩阵；

S2.3、获取Bi-Lstm网络的输出矩阵

按照时间先后顺序，以输入矩阵的每一行作为输入，正序输入至LSTM双结构模型，即图2所示的Bi-Lstm网络，那么，每个LSTM单元的输出记为h_ik，k＝1,2…,n，h_ik表示第i个时刻第k个LSTM单元的正向隐层输出；

按照时间先后顺序，以输入矩阵的每一行作为输入，反序输入至LSTM双结构模型，那么，每个LSTM单元的输出记为h'_ik，k＝1,2…,n，h'_ik表示第i个时刻第k个LSTM单元的反向隐层输出；

将各个LSTM单元的正向、反向隐层输出按照时间先后顺序构成Bi-Lstm网络的输出矩阵；

S2.4、通过展平模块将Bi-Lstm网络的输出矩阵展平成一维数据，记为h_f；

h_f＝[h₁₁ h₁₂ … h_1n h₂₁ … h_tn h'₁₁ h'₁₂ … h'_1n h'₂₁ … h'_tn]

S2.5、利用注意力机制模块关注电网中各线路发生故障前后的电压电流；

注意力是模仿人类观察事物时，会将注意力关注在重要区域的机制。当网络故障发生时，模型判断暂态稳定性需要聚焦在故障发生的时刻，通过分析故障前后一段时间内电压电流信号的变化来判断暂态稳定性，所以设计注意力机制模块，让模型专注故障发生前后一段时间的电压电流信号。

例如：在电网发生故障时，以三相接地故障为例，该线路上的电压电流会立即产生波动变化，0.1秒后断路器工作切断线路。模型需要探究故障前到故障后0.1秒的时间内线路上电压、电流的变化，而故障前的电压、电流无法获知故障后电网的暂态稳定性。所以我们需要模型能够更加专注故障发生后电压、电流的变化。因此引入注意力机制，为的就是让模型更加专注电压、电流的时间序列上有用的信息。

下面我们通过注意力机制关注电网中各线路发生故障前后的电压、电流的变化，具体过程为：

S2.5.1、按照时间先后顺序，以输入矩阵的每一行作为输入，计算各行输入数据的注意力权重α_i；

其中，变量e_i满足：

或/>

其中，

为待学习的参数，初值随机给取；

S2.5.2、关注发生故障线路并输出；

将关注后的所有故障线路的电压电流通过一维数据输出为：

/>

S2.6、故障线路定位模块定位各线路发生故障的概率；

S2.6.1、将展平后的维数据h_f输入至前向感知机，利用前向感知机对每条线路进行感知，得到l个感知向量e_j；

S2.6.2、根据每条线路的感知向量e_j，利用归一化指数函数G(x)计算每条线路发生故障的概率G_j；

S2.6.3、将每条线路发生故障的概率值构成矩阵，记为G＝(G₁,G₂,…,G_l)；

S2.7、利用拼接模块将注意力机制模块输出的

展平模块输出的h_f和故障线路定位模块输出的G拼接为矩阵h_c；

S2.8、将拼接后的矩阵h_c输入至多层感知机，利用多层感知机计算电网中线路发生故障后，电力系统保持稳定的概率；

其中，W*、W'、b*、b'为待学习的参数，初值随机给取；

S2.9、计算损失函数值；

S2.9.1、利用多分类交叉熵的优化器计算故障线路定位模块的损失函数值loss_l；

其中，y_j表示第j条线路故障发生的真实概率值，若发生故障则为1，不发生故障则为0；

S2.9.2、利用二分类交叉熵的优化器计算暂态稳定性判别模块的损失函数值loss_s；

loss_s＝-[y log G(h_c)+(1-y)log(1-G(h_c))]

其中，y表示电力系统是否稳定的真实值，若系统稳定则为0，系统失稳则为1；

S2.10、判断电力系统的暂态稳定性；

按照步骤S2.1-S2.9的方法，计算下一轮迭代后故障线路定位模块的损失函数值loss_l和暂态稳定性判别模块的损失函数值loss_s，然后分别再与前一轮迭代时得到的损失函数直接进行比较，如果前后两轮迭代后的暂态稳定性判别模块的损失函数值loss_s的差值小于预设阈值，则迭代停止，LSTM双重结构模型训练完成；否则，根据损失函数值loss_l、loss_s修改上述待学习的参数，并进行下一轮迭代，直到前后两轮迭代后的损失函数值loss_s的差值小于预设阈值，迭代停止；

S3、将待检测的电压、电流处理成输入矩阵后输入至训练好的LSTM双重结构模型，从而预测出电力系统的暂态稳定性。

实例

使用电力系统仿真软件对IEEE39节点系统进行仿真，如图4所示，IEEE-39节点系统共包括10台发电机和39个节点；标准负荷水平下，在34条线路的20％，40％，60％，80％位置分别设置故障，故障类型包括单相短路、两相短路、两相短路接地、三相短路、三相短路接地、单相断路。故障切除时间为故障发生后的0.1s和0.8s。因此样本数量为34(故障线路数量)×4(每条线路位置数量)×6(故障类型)×2(故障切除时间)＝1632，共采集得到1632组样本，数据采样周期T＝0.01s。采集的数据母线电压、电流等，以任意两台发电机的相对功角差是否大于360度来判断系统的暂态稳定性。

暂态稳定性预测：使用39母线的故障前0.1s到故障后0.2s的母线电压幅值作为输入；

故障定位：以34条母线两侧的电流作为输入，其输入共有68组数据，故障定位模型中设置输入的时间跨度为1.0s到1.1s，由于采样时间为0.01s，因此时间步长为11，即输入的矩阵大小为11×68。

设置模型的隐藏神经元个数都为128，其中多对一结构用于暂态稳定性判别，全连接层有1个神经元，而多对多结构用于故障位置定位预测，全连接层有34个神经元。

然后将以上数据集分为了训练集和测试集，按照本发明提供方法进行仿真验证，如图5所示，得到IEEE-39节点系统进行暂态稳定预测结果，其中，横坐标表示在故障切除后何时进行预测，纵坐标表示预测结果的AUC值。AUC(Area under Curve)：ROC曲线下的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y＝x这条直线的上方，所以AUC的取值范围一般在0.5和1之间，AUC作为数值可以直观的评价分类器的好坏，值越大越好。可以看出，故障后时间越长，采用的故障后数据量越多，预测结果越准确，在故障切除后0.1s到1s中，预测结果的AUC值在0.97以上。

如图6所示，得到IEEE-39节点系统的故障位置预测结果，其中，横坐标表示迭代次数，纵坐标表示预测故障位置的准确率。一共有34条线路可能会发生故障，图6中给出随着迭代次数的增加，预测准确率逐渐上升，并且在迭代次数为20时，预测准确率趋于平缓，最终达到98％的准确率。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于LSTM双结构模型的电力系统暂态稳定预测方法，其特征在于，包括以下步骤：

(1)、利用开源框架Keras搭建LSTM双结构模型

以循环神经网络RNN的变体长短期记忆网络LSTM为基础，基于电力系统暂态故障的故障特征，设计双向长短期记忆网络Bi-Lstm，作为LSTM双重结构模型的特征提取模块，其中，Bi-Lstm中的LSTM单元个数设置为n个；

(2)、训练LSTM双结构模型

(2.1)、采集不同故障情况下，电网中发生故障的线路在不同时刻时的电压和电流，记为U_ij、I_ij，其中，i＝1,2,…,t，j＝1,2,…l，t表示采样的总时刻，l为电网中线路的条数；

(2.2)、将采集到的电压和电流值按照采集时间顺序构成输入矩阵；

(2.3)、获取Bi-Lstm网络的输出矩阵

按照时间先后顺序，以输入矩阵的每一行作为输入，正序输入至LSTM双结构模型，那么，每个LSTM单元的输出记为h_ik，k＝1,2…,n，h_ik表示第i个时刻第k个LSTM单元的正向隐层输出；

按照时间先后顺序，以输入矩阵的每一行作为输入，反序输入至LSTM双结构模型，那么，每个LSTM单元的输出记为h_i'_k，k＝1,2…,n，h_i'_k表示第i个时刻第k个LSTM单元的反向隐层输出；

将各个LSTM单元的正向、反向隐层输出按照时间先后顺序构成Bi-Lstm网络的输出矩阵；

(2.4)、通过展平模块将Bi-Lstm网络的输出矩阵展平成一维数据，记为h_f；

h_f＝[h₁₁h₁₂…h_1nh₂₁…h_tnh₁'₁h₁'₂…h₁'_nh'₂₁…h_t'_n]

(2.5)、利用注意力机制模块关注电网中各线路发生故障前后的电压电流；

(2.5.1)、按照时间先后顺序，以Bi-Lstm网络的输出矩阵的每一行作为输入，计算各行输入数据的注意力权重α_i；

其中，变量e_i满足：

或/>

/>

其中，

为待学习的参数，其初值为初始化随机值；

(2.5.2)、关注发生故障线路并输出；

将关注后的所有故障线路的电压电流通过一维数据输出为：

(2.6)、故障线路定位模块定位各线路发送故障的概率；

(2.6.1)、将展平后的维数据h_f输入至前向感知机，利用前向感知机对每条线路进行感知，得到l个感知向量e_j；

(2.6.2)、根据每条线路的感知向量e_j，利用归一化指数函数G(x)计算每条线路发生故障的概率G_j；

(2.6.3)、将每条线路发生故障的概率值构成矩阵，记为G＝[G₁,G₂,…,G_l]；

(2.7)、利用拼接模块将注意力机制模块输出的

展平模块输出的h_f和故障线路定位模块输出的G拼接为矩阵h_c；

(2.8)、将拼接后的矩阵h_c输入至多层感知机，利用多层感知机计算电网中线路发生故障后，电力系统保持稳定的概率；

其中，W^*、W'、b^*、b'为待学习的参数，其初值为初始化随机值；

(2.9)、计算损失函数值；

(2.9.1)、利用多分类交叉熵的优化器计算故障线路定位模块的损失函数值loss_l；

其中，y_j表示第j条线路故障发生的真实概率值，若发生故障则为1，不发生故障则为0；

(2.9.2)、利用二分类交叉熵的优化器计算暂态稳定性判别模块的损失函数值loss_s；

loss_s＝-[ylogG(h_c)+(1-y)log(1-G(h_c))]

其中，y表示电力系统是否稳定的真实值，若系统稳定则为0，系统失稳则为1；

(2.10)、判断电力系统的稳定性；

按照步骤(2.1)-(2.9)的方法，计算下一轮迭代后故障线路定位模块的损失函数值loss_l和暂态稳定性判别模块的损失函数值loss_s，然后分别再与前一轮迭代时得到的损失函数直接进行比较，如果前后两轮迭代后的暂态稳定性判别模块的损失函数值loss_s的差值小于预设阈值，则迭代停止，LSTM双重结构模型训练完成；否则，根据损失函数值loss_l、loss_s修改上述待学习的参数，然后进行下一轮迭代，直到前后两轮迭代后的损失函数值loss_s的差值小于预设阈值，迭代停止；

(3)、将待检测的电压、电流处理成输入矩阵后输入至训练好的LSTM双结构模型，从而预测出电力系统的暂态稳定性。

Images