CN111950765B - 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 - Google Patents
一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 Download PDFInfo
- Publication number
- CN111950765B CN111950765B CN202010643203.8A CN202010643203A CN111950765B CN 111950765 B CN111950765 B CN 111950765B CN 202010643203 A CN202010643203 A CN 202010643203A CN 111950765 B CN111950765 B CN 111950765B
- Authority
- CN
- China
- Prior art keywords
- transient stability
- generating
- sdae
- stability
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000009467 reduction Effects 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012502 risk assessment Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006641 stabilisation Effects 0.000 claims description 7
- 238000011105 stabilization Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000001687 destabilization Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000013097 stability assessment Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于堆叠降噪自编码器的概率性暂态稳定预测方法，包括确定风电出力范围、发电机有功出力波动范围和负荷波动范围，使用Cholesky分解生成具有风速相关性的风电场风电出力数据，使用拉丁超立方抽样生成系统负荷数据，作为系统初始运行工况；通过电力系统时域仿真，计算系统初始工况对应的暂态稳定性，生成训练深度学习模型的样本数据；使用堆叠降噪自编码学习系统初始工况与暂态稳定性之间的映射关系，生成基于SDAE的暂态稳定预测器；基于系统当前运行工况和不同的置信水平，生成下一个预测区间可能的运行场景；将下一个预测区间可能的运行场景输入SDAE中，统计系统稳定与失稳概率，作为下一个预测区间系统暂态稳定安全风险评估结果。
Description
技术领域
本发明涉及电力系统人工智能技术领域，具体是一种基于堆叠降噪自编码器的概率性暂态稳定预测方法。
背景技术
可再生能源有不确定和间歇性的特点，大规模可再生能源渗透增加了电力系统的安全风险。大多数暂态稳定性评估方法都是基于当前系统的运行场景。在线暂态稳定性分析可以及时发现系统安全风险，从而采取预防控制措施使系统恢复稳定。为了实现该目标，一系列人工智能方法被使用，包括决策树，支持向量机和卷积神经网络。但是，未考虑可再生能源和负荷的不确定性，因此会产生关于系统稳定性的误判。本发明考虑了风电和负荷的不确定性，提出了一种基于堆叠降噪自动编码器(SDAE)的电力系统概率性暂态稳定预测方法。确定性预测方法可能产生过于乐观的结果，而系统仍可能存在失稳概率，而本发明的主要贡献在于，概率预测能够全面了解不同置信度下的系统安全风险，使系统规划人员和操作人员更好地了解系统动态情况。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于堆叠降噪自编码器的概率性暂态稳定预测方法，包括如下步骤：
S1：确定风电出力范围、发电机有功出力波动范围和负荷波动范围，使用Cholesky分解生成具有风速相关性的风电场风电出力数据，使用拉丁超立方抽样生成系统负荷数据，作为系统初始运行工况；
S2：通过电力系统时域仿真，计算系统初始工况对应的暂态稳定性，生成训练深度学习模型的样本数据；
S3：使用堆叠降噪自编码学习系统初始工况与暂态稳定性之间的映射关系，生成基于SDAE的暂态稳定预测器；
S4：基于系统当前运行工况和不同的置信水平，生成下一个预测区间可能的运行场景；
S5：将下一个预测区间可能的运行场景输入SDAE中，得到对应的暂态稳定状态，统计系统稳定与失稳概率，作为下一个预测区间系统暂态稳定安全风险评估结果。
进一步的，所述的确定风电出力范围、发电机有功出力波动范围和负荷波动范围，使用Cholesky分解生成具有风速相关性的风电场风电出力数据，使用拉丁超立方抽样生成系统负荷数据，作为系统初始运行工况，包括如下过程：
确定风电出力范围、发电机有功出力波动范围和负荷波动范围，其取值范围取决于设备参数以及系统安全约束，表示为：
其中，PGw为风机出力，PG为发电机出力，PL为有功负荷，不等式Pmax、Pmin分别代表其取值的上下限；
风速的统计分布服从威布尔分布，其概率密度函数为：
其中vw(t)表示风速；k是形状参数，λ是风速的比例参数；威布尔分布的累积分布函数为：
利用Cholesky分解将不相关的风速转化具有指定相关性的风速；对于含有两个风电场的系统，其Cholesky分解为：
A＝LL*
其中，A是相关性矩阵，L是下三角矩阵，L*是L的共轭矩阵。
进一步的，所述的通过电力系统时域仿真，计算系统初始工况对应的暂态稳定性，生成训练深度学习模型的样本数据，具体为：
假设系统中共有M条输电线路，设置输电线路中间三相短路故障，生成预想故障集；将预想故障集中M个故障线路和N个系统初始运行工况组合，生成M*N种暂态稳定仿真场景；使用电力系统仿真软件进行M*N次时域仿真，计算暂态稳定系数TSI，其计算公式为：
其中，δmax为系统暂态仿真期间任意两台发电机之间的最大功角差；当TSI>0，系统暂态稳定；当TSI<0，系统暂态失稳；
时域仿真计算得到M*N个TSI，每个系统初始运行工况生成M个TSI，将其中最小的TSI与系统初始运行工况组合成一个训练深度学习模型的样本数据，共生成N个训练样本。
进一步的，所述的使用堆叠降噪自编码学习系统初始工况与暂态稳定性之间的映射关系，生成基于SDAE的暂态稳定预测器，具体为：
AE是一个三层无监督学习模型，包含一个编码器和一个解码器；在编码阶段，输入数据通过以下数学表达式映射到隐藏层：
h＝σ(Wx+b)
其中x表示输入层向量；h表示隐藏层向量；σ表示激活函数，W表示权重矩阵，b表示偏移向量；
在解码阶段，将重构输入：
x′＝σ′(W′h+b′)
其中x′是对x向量的重构；σ′，W′和b′是解码器中的参数。
AE的优化目标是最大程度地减少重构损失，即：
L(x,x′)＝||x-x′||2＝||x-σ′(W′(σ(Wx+b))+b′)||2
降噪自动编码器(DAE)将噪声添加到AE的输入数据中，以防止过拟合，并通过学习带有噪声的数据来重建原始数据；将噪声添加到输入数据的过程是：
其中，代表带噪音的数据；/>是添加噪声的操作，包括高斯噪声，掩蔽噪声或省缺值；DAE的优化目标是：
SDAE是多个DAE的堆叠，SDAE的训练过程包括预训练和调优；在预训练阶段，第一个DAE通过无监督训练来重建输入，其编码器输出用作第二个DAE的输入。然后，DAE一个接一个地训练，直到所有DAE完成训练。最后，将所有DAE的编码器堆叠以形成SDAE。在调优阶段，在SDAE的末端叠加一层全连接层，并使用带标签的数据进行训练，以实现输入到标签的映射。
进一步的，所述的基于系统当前运行工况和不同的置信水平，生成下一个预测区间可能的运行场景，包括如下过程：在每个置信度区间内，随机生成大量系统可能的运行场景，每个场景作为下一个预测区间内系统工况的一种可能性；生成的场景服从正态分布，其均值为系统当前的功率，根据3-sigma原则，标准差为置信区间范围除以6；所生成的运行场景作为下一个预测区间系统预测场景，每一个预测区间循环生成。
进一步的，所述的将下一个预测区间可能的运行场景输入SDAE中，得到对应的暂态稳定状态，统计系统稳定与失稳概率，作为下一个预测区间系统暂态稳定安全风险评估结果，具体为：
将S4中生成的下一个预测区间所有可能的运行场景输入到训练后的SDAE中，预测所有场景的暂态稳定系数TSI；为了进一步细分系统的稳定性，以TSI＝-30、0和30为分界点，将系统的暂态稳定性分为四种状态：失稳，临界失稳，临界稳定和稳定；统计下一个预测区间所有场景的稳定和失稳概率，作为概率性的暂态稳定预测结果。
本发明的有益效果是：本发明的方法可以每一个预测区间预测一次未来的系统安全风险，为运行人员提供了系统暂态态势信息，为暂态稳定预防控制提供参考。本发明的关键思想是通过考虑风电和负荷的不确定性来生成一系列可能的运行场景，并将其输入基于SDAE的暂态稳定预测器中，统计系统稳定和失稳概率。在新英格兰39节点系统上的测试结果表明，该方法可以全面了解系统在不同置信度下的暂态稳定水平，增强了电网规划人员和运行调度人员的动态态势感知能力。
附图说明
图1为一种基于堆叠降噪自编码器的概率性暂态稳定预测方法的流程图；
图2为新英格兰39节点系统；
图3为不同置信水平下下一个预测区间暂态稳定性预测结果的对比；
图4为不同初始TSI下下一个预测区间系统暂态稳定性的比较。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，本发明所提供的一种基于堆叠降噪自编码器的概率性暂态稳定预测方法，其特征在于，包括以下步骤：
S1：确定风电出力范围、发电机有功出力波动范围和负荷波动范围，使用Cholesky分解生成具有风速相关性的风电场风电出力数据，使用拉丁超立方抽样生成系统负荷数据，作为系统初始运行工况；
S2：通过电力系统时域仿真，计算系统初始工况对应的暂态稳定性，生成训练深度学习模型的样本数据；
S3：使用堆叠降噪自编码(SDAE)学习系统初始工况与暂态稳定性之间的映射关系，生成基于SDAE的暂态稳定预测器；
S4：基于系统当前运行工况和不同的置信水平，生成大量下一个预测区间可能的运行场景；
S5：将下一个预测区间可能的运行场景输入SDAE中，得到对应的暂态稳定状态，统计系统稳定与失稳概率，作为下一个预测区间系统暂态稳定安全风险评估结果。
步骤S1包括：确定风电出力范围、发电机有功出力波动范围和负荷波动范围，使用Cholesky分解生成具有风速相关性的风电场风电出力数据，使用拉丁超立方抽样生成系统负荷数据，作为系统初始运行工况，具体为：
根据系统实际情况，确定风电出力范围、发电机有功出力波动范围和负荷波动范围，其取值范围取决于设备参数以及系统安全约束，数学表示为：
其中，PGw为风机出力，PG为发电机出力，PL为有功负荷，不等式Pmax、Pmin分别代表其取值的上下限。
风速的统计分布服从威布尔分布，其概率密度函数(PDF)为：
其中vw(t)表示风速；k是形状参数，λ是风速的比例参数。威布尔分布的累积分布函数(CDF)为：
由于两个地理位置相近的风电场风速具有相关性，因此在生成样本数据时，利用Cholesky分解将不相关的风速转化具有指定相关性的风速。对于含有两个风电场的系统，其Cholesky分解为：
A＝LL*
其中，A是相关性矩阵，L是下三角矩阵，L*是L的共轭矩阵。由风电场A的风速xw，可以推导出风电场B的风速为：
yw＝Lxw。
拉丁超立方抽样原理为：假设样本维度为M，抽样个数为N，将样本每一维度等分为N份，在每一等份内选取一点，保证抽样的随机性，且使样本分布在整个抽样空间。
简单随机抽样在样本空间内随机抽样，而拉丁超立方抽样将每一维度分为4等分，在其中抽样4个样本，且保证每行每列只有一个样本，保证了样本分布的随机性和均匀性。
设置风电出力范围为：0～风机最大出力，有功负载在80％～120％范围内波动，在满足发电机最大最小出力约束的条件下，发电机按照装机容量等比例分配有功负载。确定系统各个参数取值范围后，基于Cholesky分解和拉丁超立方抽样，每个参数生成N个在其取值范围内的数据，将其作为系统仿真的初始参数，共生成N个系统初始运行工况。
步骤S2包括：通过电力系统时域仿真，计算系统初始工况对应的暂态稳定性，生成训练深度学习模型的样本数据，具体为：
假设系统中共有M条输电线路，设置输电线路中间三相短路故障，生成预想故障集。将预想故障集中M个故障线路和N个系统初始运行工况组合，生成M*N种暂态稳定仿真场景。使用电力系统仿真软件进行M*N次时域仿真，计算暂态稳定系数TSI，其计算公式为：
其中，δmax为系统暂态仿真期间任意两台发电机之间的最大功角差。当TSI>0，系统暂态稳定；当TSI<0，系统暂态失稳。
时域仿真计算得到M*N个TSI，每个系统初始运行工况生成M个TSI，将其中最小的TSI与系统初始运行工况组合成一个训练深度学习模型的样本数据，共生成N个训练样本。
步骤S3包括：使用堆叠降噪自编码(SDAE)学习系统初始工况与暂态稳定性之间的映射关系，生成基于SDAE的暂态稳定预测器，具体为：
SDAE由自动编码器(AE)改进而来，AE是一个三层无监督学习模型，包含一个编码器和一个解码器。在编码阶段，输入数据通过以下数学表达式映射到隐藏层：
h＝σ(Wx+b)
其中x表示输入层向量；h表示隐藏层向量；σ表示激活函数，如ReLu、Sigmoid和Tanh；W表示权重矩阵，b表示偏移向量。
在解码阶段，将重构输入：
x′＝σ′(W′h+b′)
其中x′是对x向量的重构；σ′，W′和b′是解码器中的参数。
AE的优化目标是最大程度地减少重构损失，即：
L(x,x′)＝||x-x′||2＝||x-σ′(W′(σ(Wx+b))+b′)||2
降噪自动编码器(DAE)将噪声添加到AE的输入数据中，以防止过拟合，并通过学习带有噪声的数据来重建原始数据。将噪声添加到输入数据的过程是：
其中，代表带噪音的数据；/>是添加噪声的操作，包括高斯噪声，掩蔽噪声或省缺值。DAE的优化目标是：
SDAE是多个DAE的堆叠，以减少计算成本并获得更好的抽象能力。SDAE的训练过程包括预训练和调优。在预训练阶段，第一个DAE通过无监督训练来重建输入，其编码器输出用作第二个DAE的输入。然后，DAE一个接一个地训练，直到所有DAE完成训练。最后，将所有DAE的编码器堆叠以形成SDAE。在调优阶段，在SDAE的末端叠加一层全连接层，并使用带标签的数据进行训练，以实现输入到标签的映射。
本发明中，使用S2产生的样本数据对SDAE进行训练，通过随机梯度下降算法拟合系统运行参数和暂态稳定系数TSI之间的非线性关系，生成基于SDAE的电力系统暂态稳定评估器。暂态稳定评估器使用TensorFlow框架搭建，层数为4层，包括2个DAE和一个全连接层，激活函数为Sigmoid，学习率为0.01，迭代次数为500。
步骤S4包括：基于系统当前运行工况和不同的置信水平，生成大量下一个预测区间可能的运行场景，具体为：
由于不同的初始参数会影响系统暂态稳定性评估，因此风电和负荷的不确定性会影响暂态稳定预测的准确性。在本发明中，基于当前的运行场景，在不同置信水平下，建立下一个预测区间风电出力和有功负荷的置信区间。
根据不同的概率，设置了四个置信度。其中，最大概率置信度表明在下一个预测区间，有90％的概率有功功率在此区间内。在每个置信度区间内，随机生成大量系统可能的运行场景，每个场景作为下一个预测区间内系统工况的一种可能性。生成的场景服从正态分布，其均值为系统当前的功率，根据3-sigma原则，标准差为置信区间范围除以6。所生成的运行场景作为下一个预测区间系统预测场景，每一个预测区间(15分钟)循环生成。
步骤S5包括：将下一个预测区间可能的运行场景输入SDAE中，得到对应的暂态稳定状态，统计系统稳定与失稳概率，作为下一个预测区间系统暂态稳定安全风险评估结果，具体为：
将S4中生成的下一个预测区间所有可能的运行场景输入到训练后的SDAE中，预测所有场景的暂态稳定系数TSI。为了进一步细分系统的稳定性，以TSI＝-30、0和30为分界点，将系统的暂态稳定性分为四种状态：失稳，临界失稳，临界稳定和稳定。统计下一个预测区间所有场景的稳定和失稳概率，作为概率性的暂态稳定预测结果。
实施例
下面对本发明的具体实施方式进行描述，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。
本实施例以新英格兰39节点系统为例，测试本发明的效果，以证明所提出方法的有效性。新英格兰39节点系统如图2所示，并在17和21母线上添加最大有功功率输出为500MW的两个风电场，其有功出力占系统总负荷的29％。有功负荷在80％至120％的范围内波动。两个风电场的风速设置了五个不同的相关系数，包括0.9、0.6、0.3、0和-0.5。
本实例总共生成了6000个系统初始运行场景，通过时域仿真，生成了6000个训练样本，并使用TensorFlow框架构建深度学习模型。SDAE是由2个DAE和1个全连接层堆叠而成的4层网络。在预训练阶段，DAE的批大小和训练次数分别设置为100和500，并且5％的输入数据为省缺值。在调优阶段，SDAE的批大小和训练次数分别设置为10和500，优化器是Adam，激活函数是Sigmoid。SDAE每一层中的神经元数量依次为62-50-20-1，其暂态稳定性预测准确度为98.66％，表明了本发明的可行性和鲁棒性。
在确定了SDAE模型结构后，根据当前运行场景，生成下一个预测区间系统可能的运行场景。在60％，70％，80％和90％的置信概率下，负载和风电的功率在以当前功率为均值，范围为20MW，30MW，40MW和50MW。使用正态分布生成下一个预测区间风机和负荷有功功率分布，其均值为当前有功功率，不同置信度下，标准差分别为0.033、0.05、0.067和0.083。基于当前运行场景，在每个置信概率下，生成1000个可能的场景，总共产生4000个场景。在初始TSI为24.6(临界稳定)的情况下，图3显示了在不同置信水平下下一个预测区间暂态稳定性预测结果的对比。可以观察到，在90％置信水平下，系统暂态稳定的可能性低于其他置信水平。这是因为，在置信度为90％的情况下，负荷和风电的波动范围较大，从而增加了暂态失稳风险。
为了进一步证明可再生能源和负荷的不确定性可能导致不同的暂态稳定性评估结果，将本发明与基于负荷预测的确定性方法进行对比。准确的负荷和可再生能源的预测需要天气状况准确信息，包括风速，光线等，但是这些信息很难准确获得。因此，极大增加了可再生能源的预测难度。以图3中的临界稳定系统为例，利用负荷和风电功率预测结果，生成下一个区间的确定性运行场景，通过暂态稳定仿真，得到确定性暂态稳定系数TSI为35.2，表明系统在下一个预测区间会保持暂态稳定。相比之下，概率性预测结果表明系统仍然具有6.2％的不稳定风险。这证明了所提方法能够完全识别系统潜在风险，并且帮助规划人员和操作人员制定适当的预防控制措施。
为了测试当前系统TSI对暂态稳定预测结果的影响，考虑了14种初始场景，其TSI均匀分布在在90％的置信水平下，图4显示了不同初始运行场景下下一个预测区间暂态稳定预测结果。从图中可以看到，随着初始TSI的降低，失稳的可能性增加，而临界稳定和临界失稳的概率先升高然后降低，这表明初始TSI对下一个预测区间的暂态稳定性有很大影响。当系统在当前情况下稳定或不稳定时，在下一个预测区间有很大概率可会保持稳定。同时可以注意到，稳定或不稳定情况的曲线不是单调减少或增加，这是因为暂态稳定性预测是一个非凸问题，特征空间中的两个相邻场景在暂态稳定性方面可能会有很大差异。当前系统运行在临界稳定或临界失稳的场景下时，下一个预测区间四种暂态稳定状态都有一定的概率发生。
所提出的基于SDAE的概率性暂态稳定预测包括离线和在线过程。在线过程的总计算时间为9.8秒，包括生成多个置信度下大量系统运行场景(0.1秒)和每一个预测区间使用SDAE进行暂态稳定性预测(9.7秒)，在线预测时间符合暂态稳定预防性控制的要求。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (1)
1.一种基于堆叠降噪自编码器的概率性暂态稳定预测方法，其特征在于，包括如下步骤：
S1：确定风电出力范围、发电机有功出力波动范围和负荷波动范围，使用Cholesky分解生成具有风速相关性的风电场风电出力数据，使用拉丁超立方抽样生成系统负荷数据，作为系统初始运行工况；
S2：通过电力系统时域仿真，计算系统初始工况对应的暂态稳定性，生成训练深度学习模型的样本数据；
S3：使用堆叠降噪自编码学习系统初始工况与暂态稳定性之间的映射关系，生成基于SDAE的暂态稳定预测器；
S4：基于系统当前运行工况和不同的置信水平，生成下一个预测区间可能的运行场景；
S5：将下一个预测区间可能的运行场景输入SDAE中，得到对应的暂态稳定状态，统计系统稳定与失稳概率，作为下一个预测区间系统暂态稳定安全风险评估结果；
所述的确定风电出力范围、发电机有功出力波动范围和负荷波动范围，使用Cholesky分解生成具有风速相关性的风电场风电出力数据，使用拉丁超立方抽样生成系统负荷数据，作为系统初始运行工况，包括如下过程：
确定风电出力范围、发电机有功出力波动范围和负荷波动范围，其取值范围取决于设备参数以及系统安全约束，表示为：
其中，PGw为风机出力，PG为发电机出力，PL为有功负荷，不等式Pmax、Pmin分别代表其取值的上下限；
风速的统计分布服从威布尔分布，其概率密度函数为：
其中vw(t)表示风速；k是形状参数，λ是风速的比例参数；威布尔分布的累积分布函数为：
利用Cholesky分解将不相关的风速转化具有指定相关性的风速；对于含有两个风电场的系统，其Cholesky分解为：
A＝LL*
其中，A是相关性矩阵，L是下三角矩阵，L*是L的共轭矩阵；
所述的通过电力系统时域仿真，计算系统初始工况对应的暂态稳定性，生成训练深度学习模型的样本数据，具体为：
假设系统中共有M条输电线路，设置输电线路中间三相短路故障，生成预想故障集；将预想故障集中M个故障线路和N个系统初始运行工况组合，生成M*N种暂态稳定仿真场景；使用电力系统仿真软件进行M*N次时域仿真，计算暂态稳定系数TSI，其计算公式为：
其中，δmax为系统暂态仿真期间任意两台发电机之间的最大功角差；当TSI>0，系统暂态稳定；当TSI<0，系统暂态失稳；
时域仿真计算得到M*N个TSI，每个系统初始运行工况生成M个TSI，将其中最小的TSI与系统初始运行工况组合成一个训练深度学习模型的样本数据，共生成N个训练样本；
所述的使用堆叠降噪自编码学习系统初始工况与暂态稳定性之间的映射关系，生成基于SDAE的暂态稳定预测器，具体为：
AE是一个三层无监督学习模型，包含一个编码器和一个解码器；在编码阶段，输入数据通过以下数学表达式映射到隐藏层：
h＝σ(Wx+b)
其中x表示输入层向量；h表示隐藏层向量；σ表示激活函数，W表示权重矩阵，b表示偏移向量；
在解码阶段，将重构输入：
x′＝σ′(W′h+b′)
其中x′是对x向量的重构；σ′，W′和b′是解码器中的参数;
AE的优化目标是最大程度地减少重构损失，即：
L(x,x′)＝||x-x′||2＝||x-σ′(W′(σ(Wx+b))+b′)||2
降噪自动编码器(DAE)将噪声添加到AE的输入数据中，以防止过拟合，并通过学习带有噪声的数据来重建原始数据；将噪声添加到输入数据的过程是：
其中，代表带噪音的数据；/>是添加噪声的操作，包括高斯噪声，掩蔽噪声或省缺值；DAE的优化目标是：
SDAE是多个DAE的堆叠，SDAE的训练过程包括预训练和调优；在预训练阶段，第一个DAE通过无监督训练来重建输入，其编码器输出用作第二个DAE的输入；然后，DAE一个接一个地训练，直到所有DAE完成训练；最后，将所有DAE的编码器堆叠以形成SDAE；在调优阶段，在SDAE的末端叠加一层全连接层，并使用带标签的数据进行训练，以实现输入到标签的映射；
其中，使用步骤S2产生的样本数据对SDAE进行训练，通过随机梯度下降算法拟合系统运行参数和暂态稳定系数TSI之间的非线性关系，生成基于SDAE的电力系统暂态稳定评估器；暂态稳定评估器使用TensorFlow框架搭建，层数为4层，包括2个DAE和一个全连接层，激活函数为Sigmoid，学习率为0.01，迭代次数为500；
所述的基于系统当前运行工况和不同的置信水平，生成下一个预测区间可能的运行场景，包括如下过程：在每个置信度区间内，随机生成大量系统可能的运行场景，每个场景作为下一个预测区间内系统工况的一种可能性；生成的场景服从正态分布，其均值为系统当前的功率，根据3-sigma原则，标准差为置信区间范围除以6；所生成的运行场景作为下一个预测区间系统预测场景，每一个预测区间循环生成；
其特征在于，所述的将下一个预测区间可能的运行场景输入SDAE中，得到对应的暂态稳定状态，统计系统稳定与失稳概率，作为下一个预测区间系统暂态稳定安全风险评估结果，具体为：
将S4中生成的下一个预测区间所有可能的运行场景输入到训练后的SDAE中，预测所有场景的暂态稳定系数TSI；为了进一步细分系统的稳定性，以TSI＝-30、0和30为分界点，将系统的暂态稳定性分为四种状态：失稳，临界失稳，临界稳定和稳定；统计下一个预测区间所有场景的稳定和失稳概率，作为概率性的暂态稳定预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010643203.8A CN111950765B (zh) | 2020-07-06 | 2020-07-06 | 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010643203.8A CN111950765B (zh) | 2020-07-06 | 2020-07-06 | 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950765A CN111950765A (zh) | 2020-11-17 |
| CN111950765B true CN111950765B (zh) | 2024-04-19 |
Family
ID=73341062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010643203.8A Active CN111950765B (zh) | 2020-07-06 | 2020-07-06 | 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950765B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114266396A (zh) * | 2021-12-21 | 2022-04-01 | 国网天津市电力公司 | 一种基于电网特征智能筛选的暂态稳定判别方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105720573A (zh) * | 2016-01-25 | 2016-06-29 | 国网冀北电力有限公司电力科学研究院 | 基于实测数据的风光储电站有功及无功控制系统建模方法 |
| CN107590564A (zh) * | 2017-09-08 | 2018-01-16 | 四川大学 | 基于暂态稳定约束的电力系统有功出力调整方法 |
| CN108074048A (zh) * | 2018-02-06 | 2018-05-25 | 国网四川省电力公司技能培训中心 | 计入风速相关特性的风电并网电力系统安全风险评估方法 |
| CN108304623A (zh) * | 2018-01-15 | 2018-07-20 | 重庆大学 | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 |
| CN108459506A (zh) * | 2018-03-20 | 2018-08-28 | 清华大学 | 一种风机虚拟惯量控制器的参数整定方法 |
| CN108899918A (zh) * | 2018-08-01 | 2018-11-27 | 武汉大学 | 一种基于运行层面相关性场景的含风机配电网多目标优化方法 |
| CN108960488A (zh) * | 2018-06-13 | 2018-12-07 | 国网山东省电力公司经济技术研究院 | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 |
| CN109086913A (zh) * | 2018-07-11 | 2018-12-25 | 山东大学 | 一种基于深度学习的电力系统暂态稳定评估方法及系统 |
| CN109447441A (zh) * | 2018-10-17 | 2019-03-08 | 国电南瑞科技股份有限公司 | 一种考虑新能源机组不确定性的暂态稳定风险评估方法 |
| CN109638810A (zh) * | 2018-11-02 | 2019-04-16 | 中国电力科学研究院有限公司 | 一种基于电力系统暂态稳定的储能规划方法及系统 |
| CN109768550A (zh) * | 2019-01-31 | 2019-05-17 | 天津大学 | 一种考虑风电相关性的概率暂态稳定性评估方法 |
| CN110009141A (zh) * | 2019-03-22 | 2019-07-12 | 国网山东省电力公司经济技术研究院 | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 |
| CN110009181A (zh) * | 2019-01-25 | 2019-07-12 | 国网福建省电力有限公司 | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 |
| CN110838075A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电网系统暂态稳定的预测模型的训练及预测方法、装置 |
| CN110890751A (zh) * | 2019-10-18 | 2020-03-17 | 东南大学 | 一种适用含高比例风电电力系统的暂态稳定特征保全方法 |
| CN111049159A (zh) * | 2019-12-20 | 2020-04-21 | 四川大学 | 一种嵌入深度信念网络的电力系统暂态稳定预防控制方法 |
| CN111368393A (zh) * | 2020-01-03 | 2020-07-03 | 国网江苏省电力有限公司连云港供电分公司 | 一种ies背景下含需求响应资源的电力系统稳定性评估方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102842105B (zh) * | 2012-07-09 | 2015-04-01 | 中国电力科学研究院 | 一种计及风电不确定性的暂态稳定风险在线评估方法 |
| CN105677952B (zh) * | 2015-12-30 | 2019-01-15 | 南京理工大学 | 一种考虑失稳位置不确定的输电线路故障概率评估方法 |
-
2020
- 2020-07-06 CN CN202010643203.8A patent/CN111950765B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105720573A (zh) * | 2016-01-25 | 2016-06-29 | 国网冀北电力有限公司电力科学研究院 | 基于实测数据的风光储电站有功及无功控制系统建模方法 |
| CN107590564A (zh) * | 2017-09-08 | 2018-01-16 | 四川大学 | 基于暂态稳定约束的电力系统有功出力调整方法 |
| CN108304623A (zh) * | 2018-01-15 | 2018-07-20 | 重庆大学 | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 |
| CN108074048A (zh) * | 2018-02-06 | 2018-05-25 | 国网四川省电力公司技能培训中心 | 计入风速相关特性的风电并网电力系统安全风险评估方法 |
| CN108459506A (zh) * | 2018-03-20 | 2018-08-28 | 清华大学 | 一种风机虚拟惯量控制器的参数整定方法 |
| CN108960488A (zh) * | 2018-06-13 | 2018-12-07 | 国网山东省电力公司经济技术研究院 | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 |
| CN109086913A (zh) * | 2018-07-11 | 2018-12-25 | 山东大学 | 一种基于深度学习的电力系统暂态稳定评估方法及系统 |
| CN108899918A (zh) * | 2018-08-01 | 2018-11-27 | 武汉大学 | 一种基于运行层面相关性场景的含风机配电网多目标优化方法 |
| CN109447441A (zh) * | 2018-10-17 | 2019-03-08 | 国电南瑞科技股份有限公司 | 一种考虑新能源机组不确定性的暂态稳定风险评估方法 |
| CN109638810A (zh) * | 2018-11-02 | 2019-04-16 | 中国电力科学研究院有限公司 | 一种基于电力系统暂态稳定的储能规划方法及系统 |
| CN110009181A (zh) * | 2019-01-25 | 2019-07-12 | 国网福建省电力有限公司 | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 |
| CN109768550A (zh) * | 2019-01-31 | 2019-05-17 | 天津大学 | 一种考虑风电相关性的概率暂态稳定性评估方法 |
| CN110009141A (zh) * | 2019-03-22 | 2019-07-12 | 国网山东省电力公司经济技术研究院 | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 |
| CN110838075A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电网系统暂态稳定的预测模型的训练及预测方法、装置 |
| CN110890751A (zh) * | 2019-10-18 | 2020-03-17 | 东南大学 | 一种适用含高比例风电电力系统的暂态稳定特征保全方法 |
| CN111049159A (zh) * | 2019-12-20 | 2020-04-21 | 四川大学 | 一种嵌入深度信念网络的电力系统暂态稳定预防控制方法 |
| CN111368393A (zh) * | 2020-01-03 | 2020-07-03 | 国网江苏省电力有限公司连云港供电分公司 | 一种ies背景下含需求响应资源的电力系统稳定性评估方法 |
Non-Patent Citations (9)
| Title |
|---|
| Adeen,M et al.On the impact of auto-Correlation of Stochastic Processes on the Transient Behavior of Power Systems .《IEEE TRANSACTIONS ON POWER SYSTEMS》.2020,第4832-4835页. * |
| Evaluation of time-domain and phasor-domain methods for power system transients;Hassani et al;《ELECTRIC POWER SYSTEMS RESEARCH》;20180319;第108335页 * |
| Su,T et al .Probabilistic Stacked Denoising Autoencoder for power System Transient Stability Prediction With Wind Farms.《TRANSACTIONS ON POWER SYSTEMS》.2021,第3786-3789页. * |
| 基于SRSM和Nataf方法的含风电场群电力系统暂态稳定分析;潘雄;刘文霞;徐玉琴;张虹;廖平;周俊东;;中国电机工程学报(第16期);第11+85、91页 * |
| 基于WRF数值模式的SDAE-SVR风速预测模型研究;陈巧特;符冉迪;何彩芬;;宁波大学学报(理工版);20200310(第02期);第47-53页 * |
| 基于卷积的风速和负荷相关性分类处理的概率潮流计算;黄强;张刘冬;陈兵;;电测与仪表(第22期);第30-37页 * |
| 基于频域的风电场功率波动仿真 (一)模型及分析技术;林今;孙元章;P.SФRENSEN;李国杰;程林;黎雄;;电力系统自动化(第04期);第65-69页 * |
| 计及源-网-荷不确定性因素的马尔科夫链风电并网系统运行可靠性评估;张文秀;韩肖清;宋述勇;宋述亭;付可宁;王金浩;秦文萍;贾燕冰;;电网技术;20180211(第03期);第93-102页 * |
| 贵州电网有限责任公司.《高原山区风电功率预测技术》.贵州大学出版社,2017,第229页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950765A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | A prediction approach using ensemble empirical mode decomposition‐permutation entropy and regularized extreme learning machine for short‐term wind speed | |
| Hu et al. | Event-triggered controller design of nonlinear discrete-time networked control systems in TS fuzzy model | |
| Zhang et al. | Event‐triggered H∞ filtering for networked Takagi–Sugeno fuzzy systems with asynchronous constraints | |
| CN111628501B (zh) | 一种交直流大电网暂态电压稳定评估方法及系统 | |
| Su et al. | Probabilistic stacked denoising autoencoder for power system transient stability prediction with wind farms | |
| Kabir et al. | Partial adversarial training for neural network-based uncertainty quantification | |
| Lu et al. | Research on network traffic prediction based on long short-term memory neural network | |
| CN113505458A (zh) | 连锁故障关键触发支路预测方法、系统、设备及存储介质 | |
| Wen et al. | Data‐driven transient frequency stability assessment: A deep learning method with combined estimation‐correction framework | |
| CN112310980A (zh) | 交直流混联电网直流闭锁频率安全稳定评估方法及系统 | |
| CN111049159B (zh) | 一种嵌入深度信念网络的电力系统暂态稳定预防控制方法 | |
| Wang et al. | Data-driven prediction method for characteristics of voltage sag based on fuzzy time series | |
| CN111950765B (zh) | 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 | |
| Ma et al. | Networked filtering for Markovian jump T–S fuzzy systems with imperfect premise matching | |
| Lopes et al. | Constrained robust model predicted control of discrete‐time Markov jump linear systems | |
| CN113991651A (zh) | 一种考虑新能源不确定性的电网静态电压稳定裕度概率预测方法 | |
| Xing et al. | Comparative study of reformed neural network based short‐term wind power forecasting models | |
| CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
| Cao et al. | Deep learning-based online small signal stability assessment of power systems with renewable generation | |
| He et al. | Network‐based robust fault detection with incomplete measurements | |
| Hong et al. | Optimal design of IT2‐FCS‐based STATCOM controller applied to power system with wind farms using Taguchi method | |
| CN112949909B (zh) | 一种考虑多种不确定性并存的机组组合优化方法 | |
| Yang et al. | Cloud-edge-end intelligence for fault-tolerant renewable energy accommodation in smart grid | |
| CN111105025A (zh) | 基于数据驱动启发式优化的城市高压配电网阻塞管理方法 | |
| Sun et al. | Spatial-Temporal Dynamic Frequency Prediction Based on Integrating Model-Driven and Data-Driven |
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 |