CN110994604B - 基于lstm-dnn模型的电力系统暂态稳定评估方法 - Google Patents

Abstract

本发明公开了一种基于LSTM‑DNN模型的电力系统暂态稳定评估方法，通过时域仿真软件或WAMS系统获得电力系统中各母线处的电压幅值与相角以及各线路上的有功功率与无功功率等潮流量；利用Z‑score函数对带有时间序列的潮流量进行归一化处理；将处理后的数据分为训练集和测试集对已搭建的LSTM‑DNN模型进行训练，获得已训练的暂态稳定评估模型；将实际采集的带有时间序列的潮流量进行归一化处理后输入到已训练的模型中，从而预测系统暂态稳定性的结果。本发明可以通过挖掘时序潮流量数据中隐含的电力系统暂态特征，给出故障后电力系统暂态稳定评估结果，该方法在准确率与泛化能力上较传统机器学习模型有显著提升。

Description

基于LSTM-DNN模型的电力系统暂态稳定评估方法

技术领域

本发明涉及电力系统暂态稳定分析技术领域，特别是一种基于LSTM-DNN模型的电力系统暂态稳定评估方法。

背景技术

电力系统暂态稳定是指系统在大扰动下，各发电机组间能保持同步运行，并且电压和频率水平在可接受范围内。对于现代电力系统而言，这样一个高维非线性系统，一旦发生暂态失稳，其发展的速度非常快，留给调度人员进行处理的时间非常少。处理不及时，将有可能导致电网大面积停电，进而给国民经济造成十分严重的影响。

电力系统暂态稳定评估方法主要有三种，分别是时域仿真法、直接法以及基于机器学习等模式识别技术的电力系统暂态稳定评估方法。其中，时域仿真法计算精度高，结果可信度高，但其计算量大且计算时间长。直接法有着相对完备的理论基础，但在大电网中满足条件的能量函数很难构建，导致其应用并不广泛。基于机器学习等模式识别技术的电力系统暂态稳定评估方法不用搭建系统的数学模型，只需建立系统特征量与系统稳定结果之间的映射关系，但已有机器学习算法多为浅层学习算法，在学习映射关系时，模型的泛化能力不足。近几年，关于深度学习的研究已在计算机领域取得了突破性进展。同时，深度学习也逐步被应用到电力领域，为基于模式识别技术的电力系统暂态稳定评估方法引入了新的动力。

目前，已有深度学习模型被引入到电力系统暂态稳定评估当中，其表现均不错，但仍有需要改进的地方。《中国电机工程学报》2018年第38卷第3期学术论文《基于深度学习的电力系统故障后暂态稳定评估研究》将深度置信网络引入到电力系统暂态稳定评估中，并结合电力系统的特点对网络进行了约束，评估结果获得了较高的准确率。但其输入特征量为某一时刻的线路有功、无功和节点电压幅值和相角，未考虑电力系统暂态过程中这些特征量随时间变化的特性，不能对暂态稳定特征进行充分的提取，影响评估模型的准确率。《电力建设》2018年第39卷第2期学术论文《基于深度学习的电力系统暂态稳定评估方法》将变分自动编码器和卷积神经网络相结合，用于电力系统暂态稳定评估，降低了数据噪声对评估结果的影响，但其特征量为发电机的转子角、角速度等动态参数，过于复杂。

发明内容

本发明的目的在于提供一种基于LSTM-DNN模型的电力系统暂态稳定评估方法。

实现本发明目的的技术解决方案为：一种基于LSTM-DNN模型的电力系统暂态稳定评估方法，包括以下步骤：

步骤1，利用时域仿真技术或WAMS系统获得电力系统中各母线处的电压幅值与相角以及各线路上的有功功率与无功功率这些带有时间序列的潮流量作为样本特征，即模型的输入；

步骤2，对步骤1中采集的数据利用Z-score函数进行归一化处理；

步骤3，对获得的训练样本数据根据暂态稳定类别进行独热编码，训练样本数据包括样本特征以及系统的暂态稳定类别；

步骤4，根据步骤1中获得的样本特征的数量搭建LSTM-DNN评估模型，然后将样本分为训练集和测试集，分别用于模型的训练与评估；

步骤5，引入Kappa统计值、F1分数、受试者工作特性曲线下面积、准确率、电力系统中对失稳的漏判率和误判率对步骤4中的模型进行评价，选出最优的训练模型；

步骤6，对利用WAMS系统获得的新的带有时间序列的潮流量样本，通过Z-score函数进行归一化处理，获取用于预测的特征数据；

步骤7，将步骤6中获得的预测特征数据输入到步骤5中筛选出的LSTM-DNN评估模型中，获得系统暂态稳定性的评估结果。

本发明与现有技术相比，其显著优点为：(1)基于时间序列的电力系统潮流特征量，获取方式简便，其中记录了电力系统暂态变化的时序特征，比单一时刻的潮流量更能反映系统暂态稳定特性；(2)基于LSTM-DNN模型的电力系统暂态稳定评估模型在考虑了电网潮流量的时序特征后，评估准确率得到了提升，较以往研究模型而言能够对特征量中的时序特征进行有效挖掘，是以往深度学习模型所不具备的。

附图说明

图1是基于LSTM-DNN模型的电力系统暂态稳定评估方法的工作流程图。

图2是本发明模型输入特征的结构图。

图3是本发明LSTM-DNN模型框架图。

图4是本实施例中IEEE39系统的拓扑图。

具体实施方式

本发明将长短期记忆网络(Long Short-Term Memory，LSTM)和深度神经网络(Deep Neural Network，DNN)有效结合，获得基于LSTM-DNN模型的电力系统暂态稳定评估模型。利用LSTM在处理时间序列数据上的优势，提取电力系统暂态过程中电网潮流量随时间变化的特征，再引入DNN用于分类识别，使得模型对电力系统暂态稳定识别有着更强的识别能力。另外，在网络训练中引入了Dropout技术和L2正则化技术，一定程度上缓解过拟合，进一步的提升模型评估的准确率。

结合图1，本发明的一种基于LSTM-DNN模型的电力系统暂态稳定评估方法，包括以下步骤：

步骤1，利用时域仿真技术或WAMS系统(广域量测系统)获得所研究电力系统中各母线处的电压幅值与相角以及各线路上的有功功率与无功功率等带有时间序列的潮流量作为样本特征，即模型的输入；其中时间序列为故障前1个周波、故障中、故障切除时刻、故障切除后第2个周波以及故障切除后第4个周波等5个时刻；

步骤2，对步骤1中采集的数据利用Z-score函数进行归一化处理；

步骤3，对获得的训练样本数据根据暂态稳定类别进行独热编码，暂态失稳为10，暂态稳定为01；训练样本数据包括样本特征以及系统的暂态稳定类别；

步骤4，根据步骤1中获得的样本特征的数量搭建LSTM-DNN评估模型，然后将样本分为训练集和测试集，分别用于模型的训练与评估；其中为保证训练集的均衡性，训练集中的暂态稳定和暂态失稳的样本数量保持一致，训练时引入L2正则化和Dropout技术；

步骤5，引入Kappa统计值，F1分数、受试者工作特性曲线下面积(area under roccurve，AUC)、准确率、电力系统中对失稳的漏判率和误判率等综合性系统评估指标对步骤4中的模型进行评价，选出最优的训练模型；

步骤6，利用步骤2对利用WAMS系统获得的新的带有时间序列的潮流量样本进行处理，获取用于预测的特征数据；

步骤7，将步骤6中获得的预测特征数据输入到步骤5中筛选出的LSTM-DNN评估模型中，从而获得系统暂态稳定性的评估结果。

进一步的，步骤1所述采集系统中各母线处的电压幅值与相角以及各线路上的有功功率与无功功率等带有时间序列的潮流量作为样本特征，即模型的输入；其中时间序列为故障前1个周波、故障中、故障切除时刻、故障切除后第2个周波以及故障切除后第4个周波；将样本特征数据表示为如式(1)所示：

式中U_iy表示系统第i时刻第y个母线电压幅值，单位为标幺制；θ_iy表示系统第i时刻第y个母线电压相角，单位为度；P_ij表示系统第i时刻第j条线路上的传输的有功功率，单位为标幺制；Q_ij表示系统第i时刻第j条线路上的传输的无功功率，单位为标幺制；i＝1,2,…,t；y＝1,2,…,n；j＝1,2,…,m；t为采样的时刻，n为系统母线的总数目；m为系统线路的总数目。

进一步的，其特征在于，步骤2所述对采集的数据利用Z-score函数进行归一化处理，如式(2)所示：

其中，X⁽ⁱ⁾为第i个采样时刻采集的特征样本数据，为第i个采样时刻采集的特征样本数据标准化后的值，/>是第i个采样时刻采集的特征样本数据的均值，/>为第i个采样时刻采集的特征样本数据相对应的标准方差，i＝1,2,…,t；将t个采样时刻输入特征归一化后获得标准的样本特征数据集X_std。

进一步的，步骤3中，对于每个样本，利用切除故障后任意两台发电机的相对功角差是否大于360°来判断系统的暂态稳定性：如果大于360°，则说明系统暂态失稳，样本标签为10；否则说明系统暂态稳定，样本标签为01。

进一步的，步骤4中，由三个长短期记忆网络层LSTM1、LSTM2和LSTM3，四个深度神经网络层DNN1、DNN2、DNN3和DNN4，以及最后一层softmax分类层组建的基于LSTM-DNN模型的电力系统暂态稳定评估模型。其中，LSTM1层的神经元个数为32个，LSTM2层的神经元个数为32个，LSTM3层的神经元个数256为个，DNN1层的神经元个数为200个，DNN2层的神经元个数为100个，DNN3层的神经元个数为100个，DNN4层的神经元个数为100个。

在不同的负荷水平与发电机出力下，设置不同的故障位置和不同的故障切除时间，获得系统的暂态样本数据，具体为：设定80％～112％的基准负荷按4％的步长变化共9个负荷水平，在潮流计算中调节发电机出力，保证潮流计算正确的情况下再进行暂稳仿真，故障设计上，在各条母线以及各条线路上设置三相永久性故障，其中线路故障考虑在线路的0％、15％、35％、65％以及95％处设置故障。故障发生时刻为0.2s，故障切除时刻分别为0.24s、0.28s、0.32s、0.36s以及0.4s，不同的故障持续时间表示故障的严重程度，获得系统的暂态样本数据，对步骤4中所搭建的模型进行训练优化。

进一步的，步骤5中，引入Kappa统计值，F1分数、受试者工作特性曲线下面积(areaunder roc curve，AUC)、准确率、电力系统中对失稳的漏判率和误判率等综合性系统评估指标，全方位评价模型的准确性与泛化能力。其中，Kappa统计值越接近于1，则说明模型一致性越好。其计算方法，如式(3)所示：

模型评价指标的精度(P)，召回率(R)以及F1分数(F1)的计算方法，如式(4)-(6)所示。

准确率(A)计算方法如式(7)所示：

对失稳的误判率(P_fa)以及漏判率(P_fd)计算方法，如式(8)和式(9)所示：

其中：TP为正确分类到稳定的样本数，FP为错误分类到失稳的样本数，TN为正确分类到失稳的样本数，FP为错误分类到失稳的样本数；

根据不同的指标对模型进行综合评估，此处规定选取最优模型时各指标的优先级如下，重要性依次递减：F1分数(F1)、Kappa统计值(K)、准确率(A)、误判率(P_fa)、漏判率(P_fd)、精度(P)、召回率(R)、受试者工作特性曲线下面积(area under roc curve，AUC)。即F1分数高者，模型较优，若F1分数相同，再比较下一个指标，依次类推。

进一步的，步骤4中，为保证训练集的均衡性，训练集中的暂态稳定和暂态失稳的样本数量保持一致，训练时引入L2正则化和Dropout技术，提高模型的泛化能力。L2正则化公式如(10)所示：

其中，λ为L2正则化因子，w_j为权值参数，n为权值参数的数量，m为每一训练批次中的数据量。

下面结合附图和具体实施例对本发明做进一步详细说明。

图2为所研究的电力系统中各母线处的电压幅值与相角以及各线路上的有功功率与无功功率等带有时间序列的潮流量的数据分布图。纵坐标代表不同时刻，横坐标是各母线处的电压幅值与相角以及各线路上的有功功率与无功功率。

图3为LSTM-DNN模型的搭建的示意图，其由三个长短期记忆网络层LSTM1、LSTM2和LSTM3，四个深度神经网络层DNN1、DNN2、DNN3和DNN4，以及最后一层softmax分类层组成。其中，LSTM1层的神经元个数为32个，LSTM2层的神经元个数为32个，LSTM3层的神经元个数256为个，DNN1层的神经元个数为200个，DNN2层的神经元个数为100个，DNN3层的神经元个数为100个，DNN4层的神经元个数为100个。

图4是本实施例中IEEE39系统的拓扑图，本实施例以IEEE39系统为例进行说明。图中G表示发电机，箭头代表负荷，短横线代表母线，其他连接代表线路。在离线学习阶段，利用PSD-BPA软件进行仿真，获得用于训练和测试的样本集。其中的发电机模型为计入通用阻尼绕组的双轴模型，负荷为恒阻抗模型。故障设计上，在39条母线以及34条线路上设置三相永久性故障，其中线路故障考虑在线路的0％、15％、35％、65％以及95％处设置故障。故障发生时刻为0.2s，故障切除时刻分别为0.24s、0.28s、0.32s、0.36s以及0.4s，不同的故障持续时间表示故障的严重程度。仿真时长为300个周期，最终，经过筛选共获得11180个样本，其中有4331个稳定样本，6849个功角失稳样本。为保证训练样本的均衡性，从稳定样本和失稳样本中分别随机选取3500个样本组成7000个训练集样本，剩下的4180个样本作为测试集，用于对训练模型的评估。根据步骤1至步骤5将获得的样本数据进行归一化处理后作为模型的输入，并将系统暂态稳定性状态标签做为模型的输出，通过监督训练更新LSTM-DNN模型参数，形成暂态稳定评估模型，得到测试集的准确率为98.97％。

下面利用步骤5中的综合评价指标对LSTM-DNN模型进行全方位的评估，并将其与其他深度学习和机器学习模型进行对比。

表1不同模型的测试结果对照表

表中KNN为K近邻算法，SVM为支持向量机算法，DT为决策树算法，RF为随机森林算法，CNN为卷积神经网络算法，DNN为深度神经网络算法，LSTM为长短期记忆神经网络算法，LSTM-DNN为长短期记忆神经网络与深度神经网络融合算法。

在表1中，给出了各模型的评价参数，其中LSTM-DNN暂态稳定评估模型的各评价指标都是所给模型中最优的，另外，其准确率为98.97％，其中漏判率为0.57％，误判率为0.45％，并且模型精度为97.13％，由此可得出，LSTM-DNN模型在暂态稳定评估应用中评估效果较传统机器学习模型有了明显的提升，并且也优于一般的深度学习模型。另外，传统机器学习在训练集中有较高的准确率，但在测试集中的准确率却较低，泛化能力较弱。新模型在训练集以及测试集都有较高的准确率，也突显了其有较强的泛化能力。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (1)

1.一种基于LSTM-DNN模型的电力系统暂态稳定评估方法，其特征在于，包括以下步骤：

步骤1，利用时域仿真技术或WAMS系统获得电力系统中各母线处的电压幅值与相角以及各线路上的有功功率与无功功率这些带有时间序列的潮流量作为样本特征，即模型的输入；

采集系统中各母线处的电压幅值与相角以及各线路上的有功功率与无功功率这些带有时间序列的潮流量作为样本特征，即模型的输入；其中时间序列为故障前1个周波、故障中、故障切除时刻、故障切除后第2个周波以及故障切除后第4个周波；将样本特征数据表示为如式(1)所示：

式中U_iy表示系统第i时刻第y个母线电压幅值，θ_iy表示系统第i时刻第y个母线电压相角，P_ij表示系统第i时刻第j条线路上的传输的有功功率，Q_ij表示系统第i时刻第j条线路上的传输的无功功率，i＝1,2,…,t；y＝1,2,...,n；j＝1,2,...,m；t为采样的时刻，n为系统母线的总数目；m为系统线路的总数目；

步骤2，对步骤1中采集的数据利用Z-score函数进行归一化处理，如式(2)所示：

其中，X⁽ⁱ⁾为第i个采样时刻采集的特征样本数据，为第i个采样时刻采集的特征样本数据标准化后的值，/>是第i个采样时刻采集的特征样本数据的均值，/>为第i个采样时刻采集的特征样本数据相对应的标准方差；将t个采样时刻输入特征归一化后获得标准的样本特征数据集X_std；

步骤3，对获得的训练样本数据根据暂态稳定类别进行独热编码，训练样本数据包括样本特征以及系统的暂态稳定类别；

对于每个样本，利用切除故障后任意两台发电机的相对功角差是否大于360°来判断系统的暂态稳定性：如果大于360°，则说明系统暂态失稳，样本标签为10；否则说明系统暂态稳定，样本标签为01；

步骤4，根据步骤1中获得的样本特征的数量搭建LSTM-DNN评估模型，然后将样本分为训练集和测试集，分别用于模型的训练与评估；

由三个长短期记忆网络层LSTM1、LSTM2和LSTM3，四个深度神经网络层DNN1、DNN2、DNN3和DNN4，以及最后一层softmax分类层组建的基于LSTM-DNN模型的电力系统暂态稳定评估模型；

其中，LSTM1层的神经元个数为32个，LSTM2层的神经元个数为32个，LSTM3层的神经元个数为256个，DNN1层的神经元个数为200个，DNN2层的神经元个数为100个，DNN3层的神经元个数为100个，DNN4层的神经元个数为100个；

训练集中的暂态稳定和暂态失稳的样本数量保持一致，训练时引入L2正则化和Dropout技术，L2正则化公式如(10)所示：

其中，λ为L2正则化因子，w_j为权值参数，n为权值参数的数量，m为每一训练批次中的数据量；

步骤5，引入Kappa统计值、F1分数、受试者工作特性曲线下面积、准确率、电力系统中对失稳的漏判率和误判率对步骤4中的模型进行评价，选出最优的训练模型；Kappa统计值K计算方法如式(3)所示：

其中：TP为正确分类到稳定的样本数，FP为错误分类到失稳的样本数，TN为正确分类到失稳的样本数，FP为错误分类到失稳的样本数；

模型评价指标的精度P、召回率R以及F1分数的计算方法如式(4)～(6)所示：

准确率A计算方法如式(7)所示：

对失稳的误判率P_fa以及漏判率P_fd计算方法如式(8)和式(9)所示：

根据不同的指标对模型进行综合评估，选取最优模型时各指标的优先级如下，重要性依次递减：F1分数、Kappa统计值、准确率、误判率、漏判率、精度、召回率、受试者工作特性曲线下面积，即F1分数高者，模型较优，若F1分数相同，再比较下一个指标，依次类推；

步骤6，对利用WAMS系统获得的新的带有时间序列的潮流量样本，通过Z-score函数进行归一化处理，获取用于预测的特征数据；

步骤7，将步骤6中获得的预测特征数据输入到步骤5中筛选出的LSTM-DNN评估模型中，获得系统暂态稳定性的评估结果。