CN110943453A - 面向迁移学习的电力系统故障样本生成和模型构建方法 - Google Patents
面向迁移学习的电力系统故障样本生成和模型构建方法 Download PDFInfo
- Publication number
- CN110943453A CN110943453A CN201911342187.2A CN201911342187A CN110943453A CN 110943453 A CN110943453 A CN 110943453A CN 201911342187 A CN201911342187 A CN 201911342187A CN 110943453 A CN110943453 A CN 110943453A
- Authority
- CN
- China
- Prior art keywords
- power system
- fault
- transient stability
- sample
- transient
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了面向迁移学习的电力系统故障样本生成及模型构建方法,其中,电力系统暂态稳定评估模型构建方法包括:获取初始电力系统暂态稳定评估模型;得到电力系统故障样本;将电力系统故障样本输入到初始电力系统暂态稳定评估模型,得到初始电力系统暂态稳定评估模型对应的全连接层的输出结果;将全连接层的输出结果作为初始电力系统暂态稳定评估模型的分类层的输入特征;基于电力系统故障样本中的暂态稳定和暂态失稳样本,训练分类层,得到满足评估要求的电力系统暂态稳定评估模型。本发明解决了电力系统运行方式和拓扑结构发生较大变化时,原有电力系统暂态稳定评估模型不再适用,重新训练一个电力系统暂态稳定评估模型耗时耗内存的问题。
Description
技术领域
本发明涉及智能电网领域,具体涉及面向迁移学习的电力系统故障样本生成和模型构建方法。
背景技术
电力系统暂态稳定指电力系统受到大干扰后,各发电机保持同步运行并过渡到新的或恢复得到原来稳定运行状态的能力,暂态稳定评估问题一直是关系电力系统安全稳定运行的关键问题。近年来,随着电网规模的日渐扩大,各种大扰动引发的电力系统失稳的程度及影响会越来越严重。
目前基于机器学习和深度学习的电力系统暂态稳定评估模型仅对系统内较小变动有适用性,然而在实际的电力运行系统中,由于较大负荷水平的变化引起的较大幅度的发电机和线路的投切动作,会造成较大的系统拓扑结构和运行方式的变动,使得原有电力系统暂态稳定评估模型的准确率急剧下降甚至不再适用。采取重新训练一个新模型以适应经过变动之后的电力系统,既耗时耗内存,又无法应对实时电力系统暂态稳定评估的需求,故亟待构建一种具有较好适用性的电力系统暂态稳定评估模型。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的电力系统暂态稳定评估模型对拓扑结构和运行方式发生变动的系统的评估结果准确性低,适用性差的缺陷,从而提供一种面向迁移学习的电力系统故障样本生成方法及模型构建方法。
根据第一方面,本发明实施例提供一种面向迁移学习的电力系统故障样本生成方法,包括:获取电力系统中多条故障线路发生单一故障时对应的电力设备的故障物理运行数据;根据所述故障物理运行数据,基于目标算法,得到每一条故障线路对应的故障边界时间,所述故障边界时间表征电力系统从稳定状态到失稳状态所对应的物理运行数据;根据所述故障边界时间,得到暂态稳定样本和暂态失稳样本,将所述暂态稳定样本和暂态失稳样本作为所述电力系统故障样本。
结合第一方面,在第一方面第一实施方式中,所述根据所述故障边界时间,得到暂态稳定样本和暂态失稳样本,包括:对所述故障边界时间对应的目标范围的物理运行数据进行筛选;根据筛选后的所述物理运行数据,得到暂态稳定样本和暂态失稳样本。
结合第一方面,在第一方面第二实施方式中,所述根据所述故障物理运行数据,基于目标算法,得到每一条故障线路对应的故障边界时间,包括:根据所述故障物理运行数据,基于变步长和二分法,得到每一条故障线路对应的故障边界时间。
根据第二方面,本发明实施例提供一种电力系统暂态稳定评估模型构建方法,包括:获取初始电力系统暂态稳定评估模型,所述初始电力系统暂态稳定评估模型是基于卷积神经网络构建的,包括输入层,第一卷积层,第一池化层,第二卷积层,第二池化层,全连接层,分类层和输出层;根据第一方面及第一方面任一实施方式所述的面向迁移学习的电力系统故障样本生成方法得到电力系统故障样本,所述电力系统故障样本包括暂态稳定样本和暂态失稳样本;将所述电力系统故障样本输入到所述初始电力系统暂态稳定评估模型,得到所述初始电力系统暂态稳定评估模型对应的全连接层的输出结果;将所述全连接层的输出结果作为所述初始电力系统暂态稳定评估模型的分类层的输入特征;基于所述电力系统故障样本中的所述暂态稳定样本和所述暂态失稳样本,对所述分类层进行训练,得到满足评估要求的电力系统暂态稳定评估模型。
结合第二方面,在第二方面第一实施方式中,所述将所述电力系统故障样本输入到所述初始电力系统暂态稳定评估模型,得到所述初始电力系统暂态稳定评估模型对应的全连接层的输出结果,包括:根据所述故障样本,得到所述故障样本对应的轨迹簇几何特征;将所述轨迹簇几何特征输入所述初始电力系统暂态稳定评估模型,得到所述初始电力系统暂态稳定评估模型对应的全连接层的输出结果。
结合第二方面,在第二方面第二实施方式中,所述基于所述电力系统故障样本中的所述暂态稳定样本和所述暂态失稳样本,对所述分类型进行训练,得到满足评估要求的电力系统暂态稳定评估模型,包括:获取验证集;根据所述验证集,对所述电力系统暂态稳定评估模型进行准确性验证;获取测试集,所述测试集根据扰动范围内所述电力系统的故障样本确定;根据所述测试集,对所述电力系统暂态稳定评估模型进行准确性测试。
根据第三方面,本发明实施例提供一种面向迁移学习的电力系统故障样本生成装置,包括:数据获取模块,用于获取电力系统中多条故障线路发生单一故障时对应的电力设备的故障物理运行数据;故障边界时间获取模块,用于根据所述故障物理运行数据,基于目标算法,得到每一条故障线路对应的故障边界时间,所述故障边界时间表征电力系统从稳定状态到失稳状态所对应的物理运行数据;故障样本生成模块,用于根据所述故障边界时间,得到暂态稳定样本和暂态失稳样本,将所述暂态稳定样本和暂态失稳样本作为所述电力系统故障样本。
根据第四方面,本发明实施例提供一种模型构建装置,包括:评估模型获取模块,用于获取初始电力系统暂态稳定评估模型,所述初始电力系统暂态稳定评估模型是基于卷积神经网络构建的,包括输入层,第一卷积层,第一池化层,第二卷积层,第二池化层,全连接层,分类层和输出层;电力系统故障样本生成模块,用于根据第一方面及第一方面实施方式所述的面向迁移学习的电力系统故障样本生成方法得到电力系统故障样本,所述电力系统故障样本包括暂态稳定样本和暂态失稳样本;全连接层的输出结果获取模块,用于将所述电力系统故障样本输入到所述初始电力系统暂态稳定评估模型,得到所述初始电力系统暂态稳定评估模型对应的全连接层的输出结果;输入模块,用于将所述全连接层的输出结果作为所述初始电力系统暂态稳定评估模型的分类层的输入特征;训练模块,用于基于所述电力系统故障样本中的所述暂态稳定样本和所述暂态失稳样本,对所述分类层进行训练,得到满足评估要求的电力系统暂态稳定评估模型。
根据第五方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面或第一方面任一实施方式所述的面向迁移学习的电力系统故障样本生成方法,或者实现第二方面或第二方面任一实施方式所述的电力系统暂态稳定评估模型构建方法的步骤。
根据第六方面,本发明实施例提供一种存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面或第一方面任一实施方式所述的面向迁移学习的电力系统故障样本生成方法,或者实现第二方面或第二方面任一实施方式所述的电力系统暂态稳定评估模型构建方法的步骤。
本发明技术方案,具有如下优点:
1.本申请提供的面向迁移学习的电力系统故障样本生成方法,根据目标算法先得到电力系统的故障边界时间,在故障边界时间周边设置不同故障时间,根据故障边界时间可以快速大致得到暂态稳定样本和暂态失稳样本,使得进行模型训练时的正反例样本均匀、合理,达到正反例样本均衡的作用。
2.本发明提供的利用二分法与变步长相结合的方式寻找故障边界时间,使得在寻找故障边界时间时,能够以最小的调整次数找到故障边界时间,提高了寻找故障边界时间的效率。
3.本实施例提供的电力系统暂态稳定评估模型构建方法,通过对初始电力系统暂态稳定评估模型的分类层进行初始化处理,以及根据电力系统中的故障样本对分类层进行训练,得到适用范围较广的电力系统暂态稳定评估模型,增加了电力系统暂态稳定评估模型的适用性,相比于重新对新应用场景下的电力系统进行暂态稳定评估模型的训练,减少了训练时间,从而满足了电力系统暂态稳定评估的实时性需求。
4.本实施例提供的通过目标扰动范围内多个电力系统故障样本对电力系统暂态稳定评估模型进行测试,可以测试电力系统暂态稳定评估模型对不同电力系统下的准确性,根据准确性结果验证电力系统暂态稳定评估模型的泛化能力。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中面向迁移学习的电力系统故障样本生成方法的一个具体示例的流程图;
图2为本发明实施例中面向迁移学习的电力系统故障样本生成方法的一个具体示例的示意图;
图3为本发明实施例中电力系统暂态稳定评估模型构建方法的一个具体示例的流程图;
图4为本发明实施例中电力系统暂态稳定评估模型构建方法的对应的应用场景示意图;
图5为本发明实施例中电力系统暂态稳定评估模型构建方法的对应的应用场景示意图;
图6为本发明实施例中电力系统暂态稳定评估模型构建方法的对应的应用场景示意图;
图7为本发明实施例中电子设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本实施例提供一种面向迁移学习的电力系统故障样本生成方法,可应用于终端或服务器中,本申请实施例以终端为例。如图1所示,包括如下步骤:
S110:获取电力系统中多条故障线路发生单一故障时对应的电力设备的故障物理运行数据。
示例性地,故障线路对应的电力设备可以是变压器、发电机及电力系统中任一电力设备;电力设备的故障类型可以是单相接地故障,两相接地故障,相间短路,三相接地故障,母线失去负荷故障,本申请实施例对该故障类型不作限定,本领域技术人员可以根据实际需要设置。物理运行数据可以是各负荷点对应的有功功率、无功功率以及电源点对应的有功功率、无功功率、发电机电压、电流、发电机功角。
故障物理运行数据可以从存储有电力系统的不同故障线路对应的电力设备的故障物理运行数据的数据库中得到;或者是根据设置在不同故障线路的电力设备上的物理运行数据传感器采集得到。本申请实施例对故障物理运行数据的类别以及获取方式不作限定,本领域技术人员可以根据需要确定。
S120:根据故障物理运行数据,基于目标算法,得到每一条故障线路对应的故障边界时间,故障边界时间表征电力系统从稳定状态到失稳状态所对应的时间。
示例性地,任一条故障线路对应的故障边界时间的获取方式可以是将得到的故障物理运行数据输入到电力系统仿真模型,使得电力系统仿真模型基于该故障物理运行数据开始仿真,设置第一故障间隔时间,确定该第一故障间隔时间内该故障线路对应的电力系统是否出现失稳状态,当出现失稳状态,则在该第一故障间隔时间内,根据目标算法,得到故障边界时间;当未出现失稳状态,则新增第二故障间隔时间,直至该故障线路对应的电力系统出现失稳状态,在新增的故障间隔时间,得到故障边界时间。该第一故障间隔时间与该第二故障间隔时间可以相同,也可以不同,本申请实施例不作限定。确定电力系统是否为失稳状态的方式可以是在一定仿真时长内,仿真时长可以为5s,任意两台发电机的最大相对功角差超过360度,则表明当前电力系统出现暂态失稳状态。本申请实施例对确定电力系统是否为失稳状态的方式不作限定,本领域技术人员可以根据需要确定。电力系统的稳定状态表征电力系统在运行故障物理运行数据后,对出现的故障呈现故障可逆状态;电力系统的失稳状态表征电力系统在运行故障物理运行数据后出现故障呈现故障不可逆状态。
S130:根据故障边界时间,得到暂态稳定样本和暂态失稳样本,将暂态稳定样本和暂态失稳样本作为电力系统故障样本。
示例性地,根据故障边界时间,得到暂态稳定样本和暂态失稳样本的方式可以是在故障边界时间的左、右两侧随机选取目标数量的故障时间,在电力系统仿真模型中获取与该故障时间对应的物理数据,将故障边界时间左侧的物理数据作为暂态稳定样本,将故障边界时间右侧的物理数据作为暂态失稳样本,将得到的暂态稳定样本和暂态失稳样本作为电力系统故障样本。
在故障边界时间的左、右两侧随机选取的故障时间的目标数量可以为1个,即在故障边界时间的左、右两侧分别随机选取一个故障时间,对该故障时间,分别获取一个暂态稳定样本和一个暂态失稳样本。通过在每一条故障线路上生成一个暂态稳定样本和一个暂态失稳样本,可以构建一个覆盖全电力系统的最小的暂态稳定样本和暂态失稳样本均衡的训练样本集。
如果个别故障线路无法找到暂态稳定样本,在处于失稳状态下的该条故障线路中对应选取目标数量的暂态失稳样本作为电力系统的故障样本;同理如果个别故障线路无法找到暂态失稳样本,在处于稳定状态下的该条故障线路中对应选取目标数量的暂态稳定样本作为电力系统的故障样本。目标数量可以是两个,本申请对目标数量的具体数值不做限定,本领域技术人员可以根据需要确定。
本申请实施例提供的面向迁移学习的电力系统故障样本生成方法,根据目标算法先得到电力系统的故障边界时间,在故障边界时间周边设置不同故障时间,根据故障边界时间可以快速得到暂态稳定样本和暂态失稳样本,同时保证了获取的用于训练的正、负样本均衡性。
作为本申请的一个可选实施方式,步骤S130,包括:对故障边界时间对应的目标范围的物理运行数据进行筛选;根据筛选后的物理运行数据,得到暂态稳定样本和暂态失稳样本。
示例性地,本申请实施例对该目标范围不作限定,本领域技术人员可以根据需要确定,例如当故障边界时间为10T时,可以将[9,11]T作为该目标范围,T表示系统的一个周期,即若系统仿真频率为50Hz,1T指代0.02s。在目标范围内随机选取样本,对所选取的进行验证筛选,验证的方式可以是在时间阈值内,电力系统中任意两台发电机的最大相对功角差超过360度,表示得到的样本为暂态失稳样本,否则,为暂态稳定样本;筛选方式可以是当通过验证确认获得一个暂态稳定样本后,继续选取样本,直至找到暂态失稳样本;当通过验证确认获取一个暂态失稳样本,则同理,直至找到暂态稳定样本,表示一直进行验证筛选直至获得一个暂态稳定样本以及一个暂态失稳样本作为一对平衡样本。
通过在故障边界时间范围内对数据进行筛选,进一步保证了选取暂态稳定样本和暂态失稳样本的均衡性,实现了最小计算量的情况下得到均衡的正、负样本。
作为本申请的一个可选实施方式,步骤S120包括:根据故障物理运行数据,基于变步长和二分法,得到每一条故障线路对应的故障边界时间。
示例性地,如图2所示,针对任一故障线路,故障间隔设置为1个周波1T,此处一个周波长度可以是作为故障持续时间的最小调整单元。当一个周波内电力系统处于暂态稳定状态,则将故障间隔时间调整至2T,如果电力系统仍处于暂态稳定状态,则调整至4T、8T、16T,以此类推通过变步长方法延长故障间隔时间,直至获取到电力处于失稳状态时对应的故障间隔时间。
当得到电力处于失稳状态时对应的故障间隔时间后,利用二分法获取该故障间隔时间对应故障边界时间。以故障间隔时间为16T为例,即对应图2中的16T到32T对应的时间区域,在该区域间内使用二分法,得到的中间时间可以是24T、20T、18T、17T,依次对每一个中间时间对应的电力系统进行暂态稳定状态判定,直至找到暂态稳定状态对应的中间时间,在该中间时间与相邻的暂态失稳状态对应的中间时间之间确定故障边界时间。例如当中间时间17T对应的电力系统为暂态稳定状态,则在16T和18T之间确定故障边界时间,在16T和18T之间确定故障边界时间的方式可以是同样采用二分法确定最终的故障边界时间,本申请实施例对此不作限定,本领域技术人员可以选择16T和18T之间的任一时间作为该故障边界时间。
本实施例采用二分法与变步长相结合的方式,使得在寻找故障边界时间时,能够以最小的调整次数找到故障边界时间,提高了生成稳定和失稳样本的速度。
本申请实施例还提供了一种电力系统暂态稳定评估模型构建方法,如图3所示,包括如下步骤:
S310,获取初始电力系统暂态稳定评估模型,初始电力系统暂态稳定评估模型是基于卷积神经网络构建的,包括输入层,第一卷积层,第一池化层,第二卷积层,第二池化层,全连接层,分类层和输出层。
示例性地,本申请实施例中该初始电力系统暂态稳定评估模型可以通过下述方式训练得到:
步骤1:从利用目标仿真工具仿真生成大量电力系统暂态稳定样本数据,生成原始训练样本集,该目标仿真工具可以是Matlab工具箱Power System Toolbox 3.0。比如,对任一包含N个发电机的电力系统,设置s种不同负荷水平的运行工况,对s种运行工况分别进行潮流计算,对发电机出力、电压水平等相应的电力系统初始运行数据进行调整,得到收敛的稳态潮流结果。对每一种稳态潮流运行状态,在n条线路的f个故障地点设置三相短路故障,故障间隔时间有t种,仿真得到s×n×f×t个仿真样本,作为电力系统原始训练样本集。对该电力系统的仿真频率可以为50Hz,仿真时间可以为5s。
步骤2:依次从步骤1中的原始训练样本集中采集每个样本故障切除后的发电机功角受扰轨迹簇,采样频率可以为每秒50次。
步骤3:预设27种轨迹簇的几何特征,确定原始训练样本集中每个样本的轨迹簇特征,并提取故障切除后15个周波内且包括第15周波的27个轨迹簇几何特征作为输入特征。轨迹簇几何特征,可以包括以下三类:
(1)基本特征:
电力系统受扰轨迹簇的矩阵用{xij}m×n来表示,该矩阵是对发电机功角受扰轨迹簇进行采样得到,i表示矩阵的第i行,j表示矩阵的第j列,此矩阵的维数为m×n,其中m表示轨迹的条数,也即对应发电机的台数,n表示采样点数,则所有轨迹簇的质心特征cj定义为:
离散度特征dj用欧式距离来定义:
上包络线max(xj)和下包络线min(xj)特征分别定义为:
{max(xj)},j=1,2,...,n,{min(xj)},j=1,2,...,n (3)
中心线mcj特征定义为:
(2)变化率及曲率特征
由于采样数据是离散的点,轨迹簇的变化率rj(也即梯度)可定义为:
其中,h代表了采样周期,这里简化为单位1。
轨迹簇的曲率Cj特征应用插值的计算方法来定义:
其中,m代表发电机序号。
类似地,对基本特征也可以计算相应的梯度及曲率特征,那么,质心、离散度以及包络线的梯度及曲率可以近似的来定义。特别地是,当计算离散度或包络线的曲率时,由于计算对象不再是所有的发电机轨迹,而是已经过一次计算的一个轨迹簇特征列向量,因此式(6)中的m应恒为1,而不再表示发电机的序号。
(3)加速度特征
加速度acj特征可以用二阶导数来计算,那么相对应的基本特征的轨迹簇加速度特征可以定义为:
式中,rc表示基本特征的梯度特征。
由此,总共定义了27个轨迹簇特征,分别是质心、离散度、上包络线、下包络线、中心线、上包络线与质心线之差、下包络线与质心线之差、上包络线高度、下包络线高度、中心线与质心之差、质心线变化率、离散度变化率、上包络线变化率、下包络线变化率、中心线变化率、包络线高度变化率、轨迹曲率、质心曲率、离散度曲率、上包络线曲率、下包络线曲率、中心线曲率、质心变化加速度、离散度变化加速度、上包络线变化加速度、中心线变化加速度和包络线高度变化加速度,编写轨迹簇几何特征计算程序,计算原始训练样本集中的每个样本的轨迹簇特征。从故障切除后的第一周波采样点为起点,仍以每秒50次的采样频率提取故障切除后15个周波内(包含第15周波)的27个轨迹簇几何特征。因此,每个样本的每个轨迹簇几何特征均提取了15个采样点,每个样本的输入特征维数为15×27。
步骤4:给原始训练样本集所有样本的稳定性添加标签,得到暂态稳定训练样本集和暂态失稳训练样本集。暂态稳定和暂态失稳判断标准以系统内任意两台发电机的最大相对功角差绝对值是否大于360°为判据来判定样本稳定性。如果大于360°,则样本为暂态失稳样本,反之则为暂态稳定样本。根据每个样本的稳定性判定结果,给原始训练样本集所有样本添加标签,暂态稳定样本的标签为(1,0),暂态失稳样本的标签为(0,1)。
步骤5:对原始训练样本集样本输入特征进行数据预处理,利用卷积神经网络构建原始训练样本集输入特征和输出结果的映射关系,得到预训练模型。
具体为,根据最大最小值归一化方法,对原始训练样本集中每个样本特征进行归一化数据预处理,将其转换至[0,1]区间内。利用卷积神经网络训练方法,根据原始训练样本集输入特征和标签,训练得到暂态稳定评估的初始电力系统暂态稳定评估模型。卷积神经网络模型由输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、分类层和输出层构成。输入特征维数为15×27,输出结果为2个神经元,其他网络层的神经元结构和参数由人工经验和验证集计算精度反复试探来确定。
例如,针对包含10个发电机以及39节点的电力系统,构建的初始电力系统暂态稳定评估模型各网络层参数如下:
第一卷积层的过滤器长和宽的尺寸设置为3×3,深度为32,长和宽的移动步长均设置为1;
第一池化层的过滤器长和宽的尺寸设置为2×2,深度为32,长和宽的移动步长均设置为2;
第二卷积层的过滤器长和宽的尺寸设置为3×3,深度为64,长和宽的移动步长均设置为1;
第二池化层的过滤器长和宽的尺寸设置为2×2,深度为64,长和宽的移动步长均设置为2;
全连接层设置120个神经元;输出层设置2个神经元经过Softmax层计算概率并输出;
训练初始电力系统暂态稳定评估模型,训练方法采用Adam算法,样本批量设为100,学习率为1e-4,神经元激活函数采用ReLu函数,迭代轮次设为198次。
本申请实施例对获取初始电力系统暂态稳定评估模型的方式以及具体仿真构建过程不作限定,本领域技术人员可以根据需要确定。
S320,根据上一实施例中面向迁移学习的电力系统故障样本生成方法得到电力系统故障样本,电力系统故障样本包括暂态稳定样本和暂态失稳样本。暂态稳定样本和暂态失稳样本的获取方式参见上一实施例,此处不再赘述。
S330,将电力系统故障样本输入到初始电力系统暂态稳定评估模型,得到初始电力系统暂态稳定评估模型对应的全连接层的输出结果。
示例性地,电力系统故障样本输入至初始电力系统暂态稳定评估模型的特征可以是发电机功角受扰轨迹簇的几何特征,也可以发电机端电压受扰轨迹簇的几何特征,轨迹簇的几何特征的具体内容参见实施例S310步骤3。本申请实施例对暂态稳定样本的输入特征不作限定,本领域技术人员可以根据需要确定。
S340,将全连接层的输出结果作为初始电力系统暂态稳定评估模型的分类层的输入特征。
示例性地,将全连接层的输出结果输入初始电力系统暂态稳定评估模型的分类层,对分类层的输入特征进行初始化处理。
S350,基于电力系统故障样本中的暂态稳定样本和暂态失稳样本,对分类层进行训练,得到满足评估要求的电力系统暂态稳定评估模型。
示例性地,保持初始电力系统暂态稳定评估模型的网络结构和卷积层、池化层和全连接层的网络参数不变,将上述实施例中获取的电力系统故障样本输入到初始电力系统暂态稳定评估模型,得到初始电力系统暂态稳定评估模型对应的全连接层的输出结果。将全连接层的输出结果输入初始电力系统暂态稳定评估模型的分类层,随机初始化分类层的参数,用新训练集调整分类层参数,得到满足评估要求的电力系统暂态稳定评估模型。相当于利用初始电力系统暂态稳定评估模型的卷积层、池化层和全连接层进行特征提取的工作,重新训练一个新的含有与初始电力系统暂态稳定评估模型的分类层结构相同,具有相同的神经元个数的分类层。
本实施例提供的电力系统暂态稳定评估模型构建方法,通过对初始电力系统暂态稳定评估模型的分类层进行初始化处理,以及根据电力系统中的故障样本对分类层进行训练,得到适用范围较广的电力系统暂态稳定评估模型,增加了电力系统暂态稳定评估模型的适用性,相比于重新对新应用场景下的电力系统进行暂态稳定评估模型的训练,减少了训练时间,从而满足了电力系统暂态稳定评估的实时性需求。
作为本申请一个可选实施方式,步骤S330,包括:
首先,根据暂态稳定样本,得到暂态稳定样本对应的发电机功角受扰轨迹簇几何特征。此处的暂态稳定样本指在发电机功角受扰轨迹簇的几何特征参见实施例中S310步骤3的内容。
其次,将轨迹簇几何特征输入初始电力系统暂态稳定评估模型,得到初始电力系统暂态稳定评估模型对应的全连接层的输出结果。
作为本申请的一个可选实施方式,S350包括:
首先,获取验证集;
示例性地,验证集可以是从本实施例已获取的电力系统故障样本中获取目标比例的电力系统故障样本作为验证集,该目标比例可以为电力系统故障样本的20%,本申请实施例对该目标比例不作限定;也可以是重新利用电力系统仿真软件进行仿真得到的电力系统故障样本,生成该验证集。
其次,根据验证集,对电力系统暂态稳定评估模型进行准确性验证。
示例性地,根据验证集,将验证集中暂态稳定样本和暂态失稳样本作为电力系统暂态稳定评估模型的输入,将电力系统暂态稳定评估模型的输出与预先按照物理运行数据确定的标签进行比较,确定电力系统暂态稳定评估模型的准确性。
以包含10个发电机机39节点的电力系统为例,如图4所示,该电力系统含有10台发电机和34条交流线路,系统频率为50Hz,采样周期为0.02s,仿真时间为5s,仿真软件采用Matlab工具箱Power System Toolbox 3.0,初始电力系统暂态稳定评估模型的训练和满足评估要求的电力系统暂态稳定评估模型的训练均采用TensorFlow框架。负荷水平设置为75%至120%标准负荷水平,以5%增量递增,共10个负荷水平,并相应地改变发电机出力保证系统功率平衡且母线电压维持在0.95~1.05pu的合理范围内。
在线路上设置故障,比如,三相短路故障,故障位置位于线路的0%~90%处,以10%增量递增,共10个故障位置。仿真共生成37400个样本,暂态稳定样本标签为(1,0),暂态失稳样本标签为(0,1),其中共有24864个暂态失稳样本和12536个暂态稳定样本,可以从37400个样本中随机抽取22400个样本作为训练集,5000个样本作为验证集。
然后,获取测试集,测试集根据目标扰动范围内电力系统的故障样本确定。
示例性地,目标扰动表征电力系统拓扑结构或者负荷水平发生变动,比如变动的方式可以是改变发电机的数量、改变电力系统的线路数量,通过设置不同的发电机数量以及线路数量,得到多个电力系统故障样本,将得到的多个电力系统故障样本作为测试集。
最后,根据测试集,对电力系统暂态稳定评估模型进行准确性测试。
本实施例通过获取目标扰动范围内多个电力系统故障样本对电力系统暂态稳定评估模型进行测试,可以测试电力系统暂态稳定评估模型对不同电力系统下的准确性,根据准确性结果验证电力系统暂态稳定评估模型的泛化能力。
为了说明本申请实施例构建的电力系统暂态稳定评估模型的评估效果,以包含10机39节点的电力系统为例,设置了两种新的场景:
新场景1:负荷在50%标准负荷水平下,减少5台发电机和8条线路,新的电力系统1拓扑结构图如图5所示;
新场景2:负荷在150%标准负荷水平下,增加5台发电机和10条线路,新的电力系统2拓扑结构图如图6所示。
在新场景1和2下仿真生成一些测试集用于测试初始电力系统暂态稳定评估模型的评估性能,测试结果如表1所示。表1表示初始电力系统暂态稳定评估模型在新场景中的评估性能。
表1
新场景1和2分别在50%标准负荷水平下减少5台发电机、8条线路和在150%标准负荷水平下增加5台发电机、10条线路时,初始电力系统暂态稳定评估模型的测试准确率分别降低到90.58%和95.4%,低于评估要求的准确率96%,可见初始电力系统暂态稳定评估模型对这两种新场景已经不再适用。
为了进一步提升模型应对这类系统运行工况和拓扑结构较大变化情况时的预测性能,满足暂态稳定在线评估对准确性和快速性的需求,采用电力系统暂态稳定评估模型构建方法,以提升电力系统暂态稳定评估模型的预测性能。
在新场景1中,一共有30条故障线路,采用本发明面向迁移学习的电力系统故障样本生成方法获取60个样本作为新场景1的训练集;在新场景2中,一共有39条故障线路,采用本发明面向迁移学习的电力系统故障样本生成方法获取78个样本作为新场景2的训练集。新场景1和新场景2生成的训练集信息如表2所示。
表2
另外,为了对比采用本发明方法构建的电力系统暂态稳定评估模型构建有效性,引入重新训练,其中重新训练方法是指保持初始电力系统暂态稳定评估模型的网络结构不变,随机初始化所有各层的网络参数,然后用新场景下的训练集重新训练一个新的卷积神经网络模型,用新场景的验证集对新模型进行验证,对比效果如表3、4所示。
表3表示新场景1下重新训练与本发明方法构建的电力系统暂态稳定评估模型的效果对比。
表4表示新场景2下重新训练与本发明方法构建的电力系统暂态稳定评估模型的效果对比。
表3
表4
从表2可知,新场景1和2中,用于训练本申请实施例中的电力系统暂态稳定评估模型的训练集获取时间分别仅需要221.06s和294.03s,平均每一个样本的获取时间分别为3.6843s和3.7696s,提高了获取电力系统故障样本的效率。
从表3、4可知,本发明实施例电力系统暂态稳定评估模型构建的时间分别仅需0.07s和0.59s,相比于重新训练耗时133.21s和22.36s而言,本发明实施例提供的电力系统暂态稳定评估模型构建方法减小了模型训练时间,提升了模型的更新速度,如果引入并行计算还可以进一步更大程度地缩短样本生成和模型更新训练这一过程所消耗的时间。
利用本发明面向迁移学习的电力系统故障样本生成方法获取的故障样本进行模型的重新训练效果不佳,说明在上述场景中,利用本发明构建方法构建的电力系统暂态稳定评估模型更加适用。因为在有限的训练样本集下完全“冷启动”一个新的评估模型时学习存在困难,而利用本发明面向迁移学习的电力系统故障样本生成方法获取的故障样本构建本发明方法中电力系统暂态稳定评估模型能够快速有效恢复和进一步提升模型的评估性能。
可见,通过本发明提供的电力系统暂态稳定评估模型构建方法不仅能提高深度神经网络的训练效率,同时由于充分利用了已构建的电力系统暂态稳定评估模型中现有的结构参数,提高了模型构建速度,使得可以重复利用本申请实施例记载的方法根据系统变动情况实时构建相应的评估模型,进一步提升了本申请实施例构建的模型的实时跟踪系统拓扑结构和运行方式变化的适应能力。
本实施例提供一种面向迁移学习的电力系统故障样本生成装置,包括:
数据获取模块,用于获取电力系统中多条故障线路的对应的电力设备的故障物理运行数据;具体实现方式见本实施例S110,在此不再赘述。
故障边界时间获取模块,用于根据故障物理运行数据,基于目标算法,得到每一条故障线路对应的故障边界时间,故障边界时间表征电力系统从稳定状态到失稳状态所对应的物理运行数据;具体实现方式见本实施例S120,在此不再赘述。
故障样本生成模块,用于根据故障边界时间,得到暂态稳定样本和暂态失稳样本,将暂态稳定样本和暂态失稳样本作为电力系统故障样本。具体实现方式见本实施例S130,在此不再赘述。
作为本申请的一个可选实施方式,样本生成模块,包括:
筛选模块,用于对故障边界时间对应的目标范围的物理运行数据进行筛选;具体实现方式见本实施例面向迁移学习的电力系统故障样本生成方法对应部分,在此不再赘述。
样本获取模块,用于根据筛选后的物理运行数据,得到暂态稳定样本和暂态失稳样本。具体实现方式见本实施例面向迁移学习的电力系统故障样本生成方法对应部分,在此不再赘述。
作为本申请的一个可选实施方式,故障边界时间获取模块,包括:
故障边界时间获取子模块,用于根据故障物理运行数据,基于变步长和二分法,得到每一条故障线路对应的故障边界时间。具体实现方式见本实施例面向迁移学习的电力系统故障样本生成方法对应部分,在此不再赘述。
本实施例提供一种电力系统暂态稳定评估模型构建装置,包括:
评估模型获取模块,用于获取初始电力系统暂态稳定评估模型,初始电力系统暂态稳定评估模型是基于卷积神经网络构建的,包括输入层,第一卷积层,第一池化层,第二卷积层,第二池化层,全连接层,分类层和输出层;具体实现方式见本实施例S310,在此不再赘述。
电力系统故障样本生成模块,用于根据上述实施例中的面向迁移学习的电力系统故障样本生成方法得到电力系统故障样本,电力系统故障样本包括暂态稳定样本和暂态失稳样本;具体实现方式见本实施例S320,在此不再赘述。
全连接层的输出结果获取模块,用于将电力系统故障样本输入到初始电力系统暂态稳定评估模型,得到初始电力系统暂态稳定评估模型对应的全连接层的输出结果;具体实现方式见本实施例S330,在此不再赘述。
输入模块,用于将全连接层的输出结果作为初始电力系统暂态稳定评估模型的分类层的输入特征;具体实现方式见本实施例S340,在此不再赘述。
训练模块,用于基于电力系统故障样本中的暂态稳定样本和暂态失稳样本,对分类层进行训练,得到满足评估要求的电力系统暂态稳定评估模型。具体实现方式见本实施例S350,在此不再赘述。
作为本申请的一个可选实施方式,全连接层的输出结果获取模块,包括:
几何特征获取模块,用于根据暂态稳定样本,得到暂态稳定样本对应的轨迹簇几何特征;具体实现方式见本实施例电力系统暂态稳定评估模型构建方法对应部分,在此不再赘述。
全连接层的输出结果获取子模块,用于将轨迹簇几何特征输入初始电力系统暂态稳定评估模型,得到初始电力系统暂态稳定评估模型对应的全连接层的输出结果。具体实现方式见本实施例电力系统暂态稳定评估模型构建方法对应部分,在此不再赘述。
作为本申请的一个可选实施方式,训练模块,包括:
验证集获取模块,用于获取验证集;具体实现方式见本实施例电力系统暂态稳定评估模型构建方法对应部分,在此不再赘述。
根据验证集,对电力系统暂态稳定评估模型进行准确性验证;具体实现方式见本实施例电力系统暂态稳定评估模型构建方法对应部分,在此不再赘述。
测试集获取模块,用于获取测试集,测试集根据目标扰动范围内电力系统的故障样本确定;具体实现方式见本实施例电力系统暂态稳定评估模型构建方法对应部分,在此不再赘述。
测试模块,用于根据测试集,对电力系统暂态稳定评估模型进行准确性测试。具体实现方式见本实施例电力系统暂态稳定评估模型构建方法对应部分,在此不再赘述。
本申请实施例还提供一种电子设备,如图7所示,处理器710和存储器720,其中处理器710和存储器720可以通过总线或者其他方式连接。
处理器710可以为中央处理器(Central Processing Unit,CPU)。处理器710还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器720作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的面向迁移学习的电力系统故障样本生成方法和/或电力系统暂态稳定评估模型构建方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理。
存储器720可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器720可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器720中,当被所述处理器710执行时,执行如图1、3所示实施例中的面向迁移学习的电力系统故障样本生成方法和/或电力系统暂态稳定评估模型构建方法。
上述电子设备的具体细节可以对应参阅图1、3所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中面向迁移学习的电力系统故障样本生成方法和/或电力系统暂态稳定评估模型构建方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种面向迁移学习的电力系统故障样本生成方法,其特征在于,包括:
获取电力系统中多条故障线路发生单一故障时对应的电力设备的故障物理运行数据;
根据所述故障物理运行数据,基于目标算法,得到每一条故障线路对应的故障边界时间,所述故障边界时间表征电力系统从稳定状态到失稳状态所对应的时间;
根据所述故障边界时间,得到暂态稳定样本和暂态失稳样本,将所述暂态稳定样本和暂态失稳样本作为所述电力系统故障样本。
2.根据权利要求1所述的方法,其特征在于,所述根据所述故障边界时间,得到暂态稳定样本和暂态失稳样本,包括:
对所述故障边界时间对应的目标范围的物理运行数据进行筛选;
根据筛选后的所述物理运行数据,得到暂态稳定样本和暂态失稳样本。
3.根据权利要求1所述的方法,其特征在于,所述根据所述故障物理运行数据,基于目标算法,得到每一条故障线路对应的故障边界时间,包括:
根据所述故障物理运行数据,基于变步长和二分法,得到每一条故障线路对应的故障边界时间。
4.一种电力系统暂态稳定评估模型构建方法,其特征在于,包括:
获取初始电力系统暂态稳定评估模型,所述初始电力系统暂态稳定评估模型是基于卷积神经网络构建的,包括输入层,第一卷积层,第一池化层,第二卷积层,第二池化层,全连接层,分类层和输出层;
根据权利要求1-3中任一项所述的面向迁移学习的电力系统故障样本生成方法得到电力系统故障样本,所述电力系统故障样本包括暂态稳定样本和暂态失稳样本;
将所述电力系统故障样本输入到所述初始电力系统暂态稳定评估模型,得到所述初始电力系统暂态稳定评估模型对应的全连接层的输出结果;
将所述全连接层的输出结果作为所述初始电力系统暂态稳定评估模型的分类层的输入特征;
基于所述电力系统故障样本中的所述暂态稳定样本和所述暂态失稳样本,对所述分类层进行训练,得到满足评估要求的电力系统暂态稳定评估模型。
5.根据权利要求4所述的方法,其特征在于,所述将所述电力系统故障样本输入到所述初始电力系统暂态稳定评估模型,得到所述初始电力系统暂态稳定评估模型对应的全连接层的输出结果,包括:
根据所述故障样本,得到所述故障样本对应的轨迹簇几何特征;
将所述轨迹簇几何特征输入所述初始电力系统暂态稳定评估模型,得到所述初始电力系统暂态稳定评估模型对应的全连接层的输出结果。
6.根据权利要求4所述的方法,其特征在于,所述基于所述电力系统故障样本中的所述暂态稳定样本和所述暂态失稳样本,对所述分类型进行训练,得到满足评估要求的电力系统暂态稳定评估模型,包括:
获取验证集;
根据所述验证集,对所述电力系统暂态稳定评估模型进行准确性验证;
获取测试集,所述测试集根据目标扰动范围内所述电力系统的故障样本确定;
根据所述测试集,对所述电力系统暂态稳定评估模型进行准确性测试。
7.一种面向迁移学习的电力系统故障样本生成方法装置,其特征在于,包括:
数据获取模块,用于获取电力系统中多条故障线路的对应的电力设备的故障物理运行数据;
故障边界时间获取模块,用于根据所述故障物理运行数据,基于目标算法,得到每一条故障线路对应的故障边界时间,所述故障边界时间表征电力系统从稳定状态到失稳状态所对应的物理运行数据;
故障样本生成模块,用于根据所述故障边界时间,得到暂态稳定样本和暂态失稳样本,将所述暂态稳定样本和暂态失稳样本作为所述电力系统故障样本。
8.一种电力系统暂态稳定评估模型构建装置,其特征在于,包括:
评估模型获取模块,用于获取初始电力系统暂态稳定评估模型,所述初始电力系统暂态稳定评估模型是基于卷积神经网络构建的,包括输入层,第一卷积层,第一池化层,第二卷积层,第二池化层,全连接层,分类层和输出层;
电力系统故障样本生成模块,用于根据权利要求1-3中任一项所述的面向迁移学习的电力系统故障样本生成方法得到电力系统故障样本,所述电力系统故障样本包括暂态稳定样本和暂态失稳样本;
全连接层的输出结果获取模块,用于将所述电力系统故障样本输入到所述初始电力系统暂态稳定评估模型,得到所述初始电力系统暂态稳定评估模型对应的全连接层的输出结果;
输入模块,用于将所述全连接层的输出结果作为所述初始电力系统暂态稳定评估模型的分类层的输入特征;
训练模块,用于基于所述电力系统故障样本中的所述暂态稳定样本和所述暂态失稳样本,对所述分类层进行训练,得到满足评估要求的电力系统暂态稳定评估模型。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-3任一项所述的面向迁移学习的电力系统故障样本生成方法,或4-6任一项所述的电力系统暂态稳定评估模型构建方法的步骤。
10.一种存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1-3任一项所述的面向迁移学习的电力系统故障样本生成方法,或4-6任一项所述的电力系统暂态稳定评估模型构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342187.2A CN110943453B (zh) | 2019-12-23 | 2019-12-23 | 面向迁移学习的电力系统故障样本生成和模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342187.2A CN110943453B (zh) | 2019-12-23 | 2019-12-23 | 面向迁移学习的电力系统故障样本生成和模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110943453A true CN110943453A (zh) | 2020-03-31 |
CN110943453B CN110943453B (zh) | 2022-12-02 |
Family
ID=69913015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911342187.2A Active CN110943453B (zh) | 2019-12-23 | 2019-12-23 | 面向迁移学习的电力系统故障样本生成和模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110943453B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036450A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
CN112183877A (zh) * | 2020-10-13 | 2021-01-05 | 上海大学 | 一种基于迁移学习的光伏电站故障智能诊断方法 |
CN112255500A (zh) * | 2020-10-12 | 2021-01-22 | 山东翰林科技有限公司 | 一种基于迁移学习的配电网弱特征故障辨识方法 |
CN112330165A (zh) * | 2020-11-11 | 2021-02-05 | 中国电力科学研究院有限公司 | 基于特征分离型神经网络的电网暂态稳定评估方法及系统 |
CN113076985A (zh) * | 2021-03-29 | 2021-07-06 | 上海电力大学 | 电力用户负荷识别方法、装置及计算机可读介质 |
CN113378460A (zh) * | 2021-06-07 | 2021-09-10 | 华南理工大学 | 基于深度迁移学习的电网结构短期电压稳定性评估方法 |
CN116169675A (zh) * | 2023-04-21 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 考虑运行方式变化的电力系统动态稳定性在线评估方法 |
CN117251957A (zh) * | 2023-11-16 | 2023-12-19 | 江苏千桐科技有限公司 | 用于锅炉配件工艺过程的仿真优化系统与方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065060A (zh) * | 2013-01-29 | 2013-04-24 | 清华大学 | 一种电力系统输电断面暂态稳定极限的计算方法 |
CN105184001A (zh) * | 2015-09-17 | 2015-12-23 | 哈尔滨工程大学 | 一种气垫船安全边界判定方法 |
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 |
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
- 2019-12-23 CN CN201911342187.2A patent/CN110943453B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065060A (zh) * | 2013-01-29 | 2013-04-24 | 清华大学 | 一种电力系统输电断面暂态稳定极限的计算方法 |
CN105184001A (zh) * | 2015-09-17 | 2015-12-23 | 哈尔滨工程大学 | 一种气垫船安全边界判定方法 |
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 |
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 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036450A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
CN112036450B (zh) * | 2020-08-12 | 2024-02-23 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
CN112255500A (zh) * | 2020-10-12 | 2021-01-22 | 山东翰林科技有限公司 | 一种基于迁移学习的配电网弱特征故障辨识方法 |
CN112183877A (zh) * | 2020-10-13 | 2021-01-05 | 上海大学 | 一种基于迁移学习的光伏电站故障智能诊断方法 |
CN112330165A (zh) * | 2020-11-11 | 2021-02-05 | 中国电力科学研究院有限公司 | 基于特征分离型神经网络的电网暂态稳定评估方法及系统 |
CN112330165B (zh) * | 2020-11-11 | 2024-03-29 | 中国电力科学研究院有限公司 | 基于特征分离型神经网络的电网暂态稳定评估方法及系统 |
CN113076985A (zh) * | 2021-03-29 | 2021-07-06 | 上海电力大学 | 电力用户负荷识别方法、装置及计算机可读介质 |
CN113378460A (zh) * | 2021-06-07 | 2021-09-10 | 华南理工大学 | 基于深度迁移学习的电网结构短期电压稳定性评估方法 |
CN116169675A (zh) * | 2023-04-21 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 考虑运行方式变化的电力系统动态稳定性在线评估方法 |
CN116169675B (zh) * | 2023-04-21 | 2023-09-12 | 南方电网数字电网研究院有限公司 | 考虑运行方式变化的电力系统动态稳定性在线评估方法 |
CN117251957A (zh) * | 2023-11-16 | 2023-12-19 | 江苏千桐科技有限公司 | 用于锅炉配件工艺过程的仿真优化系统与方法 |
CN117251957B (zh) * | 2023-11-16 | 2024-02-13 | 江苏千桐科技有限公司 | 用于锅炉配件工艺过程的仿真优化系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110943453B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110943453B (zh) | 面向迁移学习的电力系统故障样本生成和模型构建方法 | |
Azman et al. | A unified online deep learning prediction model for small signal and transient stability | |
CN111914486B (zh) | 一种基于图注意力网络的电力系统暂态稳定评估方法 | |
CN107453351B (zh) | 一种基于节点注入功率的配电网运行拓扑辨识方法 | |
CN110994604A (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
Juarez et al. | Characterization of multimachine system behavior using a hierarchical trajectory cluster analysis | |
CN110087207A (zh) | 无线传感器网络缺失数据重建方法 | |
CN115017787A (zh) | 基于智能算法的风电场电压穿越特性等值建模方法及系统 | |
CN114006413B (zh) | 一种基于图神经网络的电力系统暂态稳定控制方法及系统 | |
CN115238980A (zh) | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 | |
CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
CN114006370A (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
CN107742883A (zh) | 一种基于Spark的电力系统拓扑岛快速识别系统和方法 | |
CN115146538A (zh) | 基于消息传递图神经网络的电力系统状态估计方法 | |
CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
Liu et al. | Review of grid stability assessment based on AI and a new concept of converter-dominated power system state of stability assessment | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN116029618B (zh) | 一种电力系统动态安全分区评估方法及系统 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN116319377A (zh) | 一种抵御网络攻击的配电网分布式动态状态估计方法 | |
CN110428164A (zh) | 一种电网运行状态监测方法、装置、设备及可读存储介质 | |
CN107069710B (zh) | 计及新能源时空相关性的电力系统状态估计方法 | |
CN114915030A (zh) | 一种基于配电网运行拓扑的分布式状态估计方法及系统 | |
CN113435575B (zh) | 基于不平衡数据的门图神经网络暂态稳定性评估方法 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 |
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 |