CN112069723A - 一种用于评估电力系统暂态稳定的方法及系统 - Google Patents
一种用于评估电力系统暂态稳定的方法及系统 Download PDFInfo
- Publication number
- CN112069723A CN112069723A CN202010695559.6A CN202010695559A CN112069723A CN 112069723 A CN112069723 A CN 112069723A CN 202010695559 A CN202010695559 A CN 202010695559A CN 112069723 A CN112069723 A CN 112069723A
- Authority
- CN
- China
- Prior art keywords
- power system
- sample data
- power
- transient stability
- 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.)
- Pending
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000013210 evaluation model Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 34
- 238000004088 simulation Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 14
- 238000010248 power generation Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 6
- 238000013097 stability assessment Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 4
- 238000002759 z-score normalization Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000013527 convolutional neural network Methods 0.000 description 34
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
Abstract
本发明公开了一种用于评估电力系统暂态稳定的方法及系统,属于电力系统安全稳定运行技术领域。本发明方法,包括获取目标电力系统的样本数据;将所述样本数据作为采用Z‑Score标准化建立的电力系统暂态稳定评估模型的输入数据,输入至电力系统暂态稳定评估模型;根据所述电力系统暂态稳定评估模型,获取目标电力系统暂态稳定的评估结果。本发明解决了分类样本在训练过程中对样本较多的稳定样本的倾向性问题,提高了暂态稳定评估的全局准确率和泛化能力,且具有更好的泛化能力和更高的准确率,为电力系统在线稳定分析和控制提供了新的思路。
Description
技术领域
本发明涉及电力系统安全稳定运行技术领域,并且更具体地,涉及一种用于评估电力系统暂态稳定的方法及系统。
背景技术
随着电力系统的快速发展、全球能源互联网战略的不断推进、电网规模的不断扩大以及新能源技术的普及,电力系统的机理模型和稳定问题日渐复杂,电力系统的安全运行面临着更大的风险。新能源复杂多变的动态特性、多源大数据的异构特性以及电力系统运行工况的复杂性,使得分析和控制的难度增大,这就给电力系统的暂态稳定评估带来了挑战。如果一旦发生暂态故障而调度中心没做出准确的预判和及时的干预,极易发展为连锁故障,甚至造成大规模停电事故。
暂态稳定分析是电力系统稳定性分析的重要内容,传统的暂态稳定分析方法主要有基于大规模计算的时域仿真法和基于李雅普诺夫稳定性理论的直接法。时域仿真法计算精度高,评估系统稳定性的准确率高,但是计算量大、耗时长,只能用于离线计算,无法实现在线实时判别,而直接法只适用于一些简单的系统,在复杂系统中难以构建满足条件的“能量函数”来进行暂态稳定判别。
发明内容
针对上述问题,本发明提出了一种用于评估电力系统暂态稳定的方法,包括:
获取目标电力系统的样本数据;
将所述样本数据作为采用Z-Score标准化建立的电力系统暂态稳定评估模型的输入数据,输入至电力系统暂态稳定评估模型;
根据所述电力系统暂态稳定评估模型,获取目标电力系统暂态稳定的评估结果。
可选的,电力系统暂态稳定评估模型的建立,包括:
以预设的数据采集间隔,采集模拟仿真运行的电力系统的样本数据,对样本数据进行标注,并对标注的样本数据进行Z-Score标准化处理,获取Z-Score标准化的样本数据;
对Z-Score标准化的样本数据以预设比例进行划分,生成训练集、测试集和验证集;
对训练集、测试集和验证集进行训练,获取电力系统暂态稳定评估模型。
可选的,模拟仿真运行的过程中设置多种电力系统的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻。
可选的,采集间隔的范围为0.01-0.02s。
可选的,样本数据,包括:电力系统故障清除后k个周期内电力系统发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据;
其中,K≥0。
可选的,标注,以模拟仿真运行结束后电力系统的任意2台发电机的功角是否大于360度作为判据,判断电力系统暂态稳定或暂态失稳,并对样本数据标注电力系统暂态稳定或暂态失稳。
可选的,对标注的样本数据进行Z-Score标准化处理,具体为,对标注的样本数据以预设的堆叠方式,构造输入特征空间。
可选的,预设的堆叠方式,包括:
对发电机特征量,以功角、角速度、有功功率、无功功率和电压的顺序排列连接,满足一维单通道CNN和二维单通道CNN的输入特征结构要求;
以发电机序列为第一维度,以时间序列为第二维度,发电机特征量为第三维度进行堆叠,满足二维多通道CNN的输入特征结构要求。
可选的,所述预设比例为中训练集的占比大于测试集和验证集的总占比。
可选的,训练集、测试集和验证集中的失稳样本数据和稳定样本数据比例一致。
本发明还提出了一种用于评估电力系统暂态稳定的系统,包括:
采集模块,获取目标电力系统的样本数据;
输入模块,将所述样本数据作为采用Z-Score标准化建立的电力系统暂态稳定评估模型的输入数据,输入至电力系统暂态稳定评估模型;
评估模块,根据所述电力系统暂态稳定评估模型,获取目标电力系统暂态稳定的评估结果。
可选的,电力系统暂态稳定评估模型的建立,包括:
以预设的数据采集间隔,采集模拟仿真运行的电力系统的样本数据,对样本数据进行标注,并对标注的样本数据进行Z-Score标准化处理,获取Z-Score标准化的样本数据;
对Z-Score标准化的样本数据以预设比例进行划分,生成训练集、测试集和验证集;
对训练集、测试集和验证集进行训练,获取电力系统暂态稳定评估模型。
可选的,模拟仿真运行的过程中设置多种电力系统的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻。
可选的,采集间隔的范围为0.01-0.02s。
可选的,样本数据,包括:电力系统故障清除后k个周期内电力系统发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据;
其中,K≥0。
可选的,标注,以模拟仿真运行结束后电力系统的任意2台发电机的功角是否大于360度作为判据,判断电力系统暂态稳定或暂态失稳,并对样本数据标注电力系统暂态稳定或暂态失稳。
可选的,对标注的样本数据进行Z-Score标准化处理,具体为,对标注的样本数据以预设的堆叠方式,构造输入特征空间。
可选的,预设的堆叠方式,包括:
对发电机特征量,以功角、角速度、有功功率、无功功率和电压的顺序排列连接,满足一维单通道CNN和二维单通道CNN的输入特征结构要求;
以发电机序列为第一维度,以时间序列为第二维度,发电机特征量为第三维度进行堆叠,满足二维多通道CNN的输入特征结构要求。
可选的,预设比例为中训练集的占比大于测试集和验证集的总占比。
可选的,训练集、测试集和验证集中的失稳样本数据和稳定样本数据比例一致。
本发明解决了分类样本在训练过程中对样本较多的稳定样本的倾向性问题,提高了暂态稳定评估的全局准确率和泛化能力,且具有更好的泛化能力和更高的准确率,且对于样本较少的失稳样本具有更高的识别精度,提高了失稳样本的召回率,为电力系统在线稳定分析和控制提供了新的思路。
附图说明
图1为本发明一种用于评估电力系统暂态稳定的方法流程图;
图2为本发明一种用于评估电力系统暂态稳定的方法实施例第一种堆叠方式特征结构图;
图3为本发明一种用于评估电力系统暂态稳定的方法实施例集成CNN分类模型图;
图4为本发明一种用于评估电力系统暂态稳定的方法实施例第二种堆叠方式特征结构图;
图5为本发明一种用于评估电力系统暂态稳定的方法实施例10机39节点系统的拓扑结构图;
图6为本发明一种用于评估电力系统暂态稳定的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
本发明提出了一种用于评估电力系统暂态稳定的方法,如图1所示,包括:
获取目标电力系统的样本数据;
将所述样本数据作为采用Z-Score标准化建立的电力系统暂态稳定评估模型的输入数据,输入至电力系统暂态稳定评估模型;
根据所述电力系统暂态稳定评估模型,获取目标电力系统暂态稳定的评估结果。
其中,电力系统暂态稳定评估模型的建立,包括:
以预设的数据采集间隔,采集模拟仿真运行的电力系统的样本数据,对样本数据进行标注,并对标注的样本数据进行Z-Score标准化处理,获取Z-Score标准化的样本数据;
对Z-Score标准化的样本数据以预设比例进行划分,生成训练集、测试集和验证集;
对训练集、测试集和验证集进行训练,获取电力系统暂态稳定评估模型。
其中,模拟仿真运行的过程中设置多种电力系统的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻。
其中,采集间隔的范围为0.01-0.02s。
其中,样本数据,包括:电力系统故障清除后10个周期内电力系统发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据。
其中,标注,以模拟仿真运行结束后电力系统的任意2台发电机的功角是否大于360度作为判据,判断电力系统暂态稳定或暂态失稳,并对样本数据标注电力系统暂态稳定或暂态失稳。
其中,对标注的样本数据进行Z-Score标准化处理,具体为,对标注的样本数据以预设的堆叠方式,构造输入特征空间。
其中,预设的堆叠方式,包括:
对发电机特征量,以功角、角速度、有功功率、无功功率和电压的顺序排列连接,满足一维单通道CNN和二维单通道CNN的输入特征结构要求;
以发电机序列为第一维度,以时间序列为第二维度,发电机特征量为第三维度进行堆叠,满足二维多通道CNN的输入特征结构要求。
其中,预设比例为中训练集的占比大于测试集和验证集的总占比。
其中,训练集、测试集和验证集中的失稳样本数据和稳定样本数据比例一致。
下面结合实施例对本发明进行进一步说明:
采用时域仿真软件PS/ASP,采样间隔为T=0.01s,通过设置不同的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻,得到大量仿真样本数据,其中基于测试系统的发电水平和负荷水平在80%-125%波动,设置多条故障发生支路,故障发生位置设置在各线路的10%、20%、30%、40%、50%、60%、70%、80%、90%处,共九个不同的位置,故障施加时刻为0s,故障清除时刻设置在0.18s、0.19s、0.20s、0.21s、0.22s共五个不同的时刻,故障切除时断路器动作,故障支路断开;
选取故障清除后10个周期内的所有发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据作为样本集;
以仿真结束后任意两台发电机的功角是否大于360度为判据,判断该故障场景下系统的稳定性,并给样本标注相应的标签,稳定样本用10表示,失稳样本用01表示;
为满足集成CNN模型的各个基模型的输入特征空间的数据结构要求,将得到的时序样本采用两种堆叠方式构造输入特征空间;
第一种堆叠方式为构造一个二维的特征空间,N台发电机的特征量按照功角、角速度、有功功率、无功功率和电压的顺序依次排列连接,以此满足一维CNN和二维单通道CNN的输入特征结构要求,如图2所示;
第二种堆叠方式为构造一个三维的特征空间,第一维度和第二维度分别为发电机和时间序列,各个特征量分别依次在第三维度上堆叠,满足二维多通道CNN的输入特征结构要求,如图3所示;
对构造的输入特征空间的数据进行Z-Score标准化,Z-Score标准化的公式如式(1)所示:
将经过标准化处理的样本按照8:1:1的比例分别划分给训练集、测试集和验证集,训练集、测试集和验证集均通过均匀随机抽样的方式从样本集中取出,并且保证各子集的稳定样本与失稳样本的比例和总体样本一致;
将划分得到的训练集分别输入到一维、二维单通道、二维多通道CNN模型中进行训练,从左至右依次是一维CNN模型、二维单通道CNN模型和二维多通道CNN模型,一维、二维单通道、二维多通道CNN模型的模型结构均为一个输入层、两个卷积层、两个池化层、两层全连接层、输出层和softmax层组成。
集成CNN的模型图如图4所示,从左至右依次是一维CNN模型、二维单通道CNN模型和二维多通道CNN模型。
其中,各个CNN基模型的学习率设置为0.001,迭代次数为100次,批处理样本数为600个,为了防止神经网络在训练的过程中发生过拟合现象,本发明在各个基模型的全连接层引入了Dropout策略,Dropout的阈值设置为0.5,学习算法选用的是主流的Adam算法,Adam算法可以自适应的调整学习率从而加快模型收敛速度;
以自适应调节权重的新的损失函数作为目标函数,普通的损失函数对于稳定样本和失稳样本误判时的惩罚程度是一样的,如式(2)所示:
在电力系统的实际应用中,稳定样本的个数总是远远大于失稳样本。为了平衡稳定样本过多的调整次数,本发明引入自适应调整权重的损失函数,新的损失函数如式(3)所示:
式中,ω代表损失函数对正样本(失稳样本)的惩罚系数,当ω>1时,模型对正样本判错时的惩罚程度要高于负样本判错时的惩罚程度,从而会减少正样本被误判的个数,提高正样本的召回率,当ω<1时,结果相反。
在本发明中,我们设定ω=N1/N2,其中N1和N2分别表示总样本中稳定样本与失稳样本的个数,ω的值可以根据失稳样本和稳定样本的比例进行自适应调节。
以各个基分类器融合后的分类结果作为最终的决策结果,不断地调试参数,直到性能满足要求时停止训练,训练多次,保存测试精度最佳的模型,集成CNN模型的最终分类结果为各个CNN基模型输出的类别置信度的平均数,即:
其中,P(Ck|X)表示样本X属于类别k的概率,满足:
c表示类别的个数。
对WAMS系统采集到的新的在线数据进行预处理构成样本矩阵,利用保存的训练好的集成模型对在线数据的样本矩阵进行暂态稳定评估,得到稳定性判别结果。
本发明选用10机39节点系统,系统结构如图5所示,对本发明进行验证,本系统包含39个母线,46条支路,系统频率为50HZ,仿真软件采用电科院PS/ASP,发电机模型为恒阻抗模型。
基于测试系统的发电水平和负荷水平在80%-125%波动,故障切除时断路器动作,故障支路断开,以仿真结束后任意两台发电机的功角是否大于360度为判据,判断该故障场景下系统的稳定性,共生成13700个样本,其中稳定样本有11479个,失稳样本有2291个,稳定样本和失稳样本的比例大约为5:1,将仿真软件生成的样本数据进行预处理,作为CNN集成模型的输入,将标注的稳定或失稳的标签作为模型的输出,通过不断地调节参数和训练,保存评估性能最好的模型。将模型用测试集进行测试,并与常见的机器学习算法在相同的训练集和测试集上进行比较;
LSTM的结构设计为一层LSTM层加上一个全连接层,学习率、Dropout、批处理样本大小以及优化算法均和集成CNN模型一致,SVM的核函数选用径向基函数,最优结构参数通过5折交叉验证和网格搜索法寻取,最终确定最优超参数为c=3,γ=0.005,DT选择C4.5算法,采用Gini指数最小化准则进行特征选择,置信因子采用默认值0.25,KNN是一种最直接的用来分类未知数据的方法,我们采用欧式距离函数计算待分类样本与每个训练样本的函数,最终不同分类模型在测试集的评估性能如表1所示;
表1
从表1可以看出,集成CNN模型的评估准确率、F1值、召回率和精确度均高于其他模型,因此相较于其他模型,集成CNN模型具有较大的优势,LSTM作为处理时间序列最有效的一种深度学习方法,在测试集上也取得了不错的效果,准确率仅比集成CNN模型低了0.56%,SVM的准确率比集成CNN低了1.43%,说明了传统机器学习方法特征表达和数据挖掘能力的局限性,决策树和KNN模型的各项指标远低于上面三种机器学习模型,说明了传统的数据分类方法不太适用于高度非线性的电力系统;
为了验证本发明中引入了自适应调节权重的损失函数(式(3))的有效性,损失函数修正前和修正后的性能对比结果如表2所示;
表2
由表2可以看出,修正权重系数后,模型的准确率、精度、召回率和F1值均有所提升,准确率从98.55%上升为98.84%,其中失稳样本的召回率有了明显的提升,从93.88%提升到96.07%,表明了修正权重系数可以有效的增强模型对失稳样本的拟合程度,减少失稳样本漏判的个数。由此可得,调整损失函数的权重系数,不仅可以提高全局准确率,而且可以降低失稳样本的漏判率和误判率,使模型具有更好的泛化能力和评估能力。
IEEE-39系统算例验证了本发明的有效性,本发明与其他机器学习算法相比较,具有更好的泛化能力和更高的准确率,准确率达到98.84%,为电力系统在线稳定分析和控制提供了新的思路。
本发明设计的自适应调节权重的损失函数解决了分类样本在训练过程中对样本较多的稳定样本的倾向性问题,提高了暂态稳定评估的全局准确率和泛化能力,并减少了失稳场景漏报现象的发生。
本发明还提出了一种用于评估电力系统暂态稳定的系统200,如图6所示,包括:
采集模块201,获取目标电力系统的样本数据;
输入模块202,将所述样本数据作为采用Z-Score标准化建立的电力系统暂态稳定评估模型的输入数据,输入至电力系统暂态稳定评估模型;
评估模块203,根据所述电力系统暂态稳定评估模型,获取目标电力系统暂态稳定的评估结果。
其中,电力系统暂态稳定评估模型的建立,包括:
以预设的数据采集间隔,采集模拟仿真运行的电力系统的样本数据,对样本数据进行标注,并对标注的样本数据进行Z-Score标准化处理,获取Z-Score标准化的样本数据;
对Z-Score标准化的样本数据以预设比例进行划分,生成训练集、测试集和验证集;
对训练集、测试集和验证集进行训练,获取电力系统暂态稳定评估模型。
其中,模拟仿真运行的过程中设置多种电力系统的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻。
其中,采集间隔的范围为0.01-0.02s。
其中,样本数据,包括:电力系统故障清除后10个周期内电力系统发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据。
其中,标注,以模拟仿真运行结束后电力系统的任意2台发电机的功角是否大于360度作为判据,判断电力系统暂态稳定或暂态失稳,并对样本数据标注电力系统暂态稳定或暂态失稳。
其中,对标注的样本数据进行Z-Score标准化处理,具体为,对标注的样本数据以预设的堆叠方式,构造输入特征空间。
其中,预设的堆叠方式,包括:
对发电机特征量,以功角、角速度、有功功率、无功功率和电压的顺序排列连接,满足一维单通道CNN和二维单通道CNN的输入特征结构要求;
以发电机序列为第一维度,以时间序列为第二维度,发电机特征量为第三维度进行堆叠,满足二维多通道CNN的输入特征结构要求。
其中,预设比例为中训练集的占比大于测试集和验证集的总占比。
其中,训练集、测试集和验证集中的失稳样本数据和稳定样本数据比例一致。
本发明解决了分类样本在训练过程中对样本较多的稳定样本的倾向性问题,提高了暂态稳定评估的全局准确率和泛化能力,且具有更好的泛化能力和更高的准确率,为电力系统在线稳定分析和控制提供了新的思路。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,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申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (20)
1.一种用于评估电力系统暂态稳定的方法,所述方法包括:
获取目标电力系统的样本数据;
将所述样本数据作为采用Z-Score标准化建立的电力系统暂态稳定评估模型的输入数据,输入至电力系统暂态稳定评估模型;
根据所述电力系统暂态稳定评估模型,获取目标电力系统暂态稳定的评估结果。
2.根据权利要求1所述的方法,所述电力系统暂态稳定评估模型的建立,包括:
以预设的数据采集间隔,采集模拟仿真运行的电力系统的样本数据,对样本数据进行标注,并对标注的样本数据进行Z-Score标准化处理,获取Z-Score标准化的样本数据;
对Z-Score标准化的样本数据以预设比例进行划分,生成训练集、测试集和验证集;
对训练集、测试集和验证集进行训练,获取电力系统暂态稳定评估模型。
3.根据权利要求1所述的方法,所述模拟仿真运行的过程中设置多种电力系统的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻。
4.根据权利要求1所述的方法,所述采集间隔的范围为0.00.01-0.02s。
5.根据权利要求1所述的方法,所述样本数据,包括:电力系统故障清除后k个周期内电力系统发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据;
其中,K≥0。
6.根据权利要求1所述的方法,所述标注,以模拟仿真运行结束后电力系统的任意2台发电机的功角是否大于360度作为判据,判断电力系统暂态稳定或暂态失稳,并对样本数据标注电力系统暂态稳定或暂态失稳。
7.根据权利要求1所述的方法,所述对标注的样本数据以预设的堆叠方式,构造输入特征空间。
8.根据权利要求7所述的方法,所述预设的堆叠方式,包括:
对发电机特征量,以功角、角速度、有功功率、无功功率和电压的顺序排列连接,满足一维单通道CNN和二维单通道CNN的输入特征结构要求;
以发电机序列为第一维度,以时间序列为第二维度,发电机特征量为第三维度进行堆叠,满足二维多通道CNN的输入特征结构要求。
9.根据权利要求1所述的方法,所述预设比例为中训练集的占比大于测试集和验证集的总占比。
10.根据权利要求1所述的方法,所述训练集、测试集和验证集中的失稳样本数据和稳定样本数据比例一致。
11.一种用于评估电力系统暂态稳定的系统,所述系统包括:
采集模块,获取目标电力系统的样本数据;
输入模块,将所述样本数据作为采用Z-Score标准化建立的电力系统暂态稳定评估模型的输入数据,输入至电力系统暂态稳定评估模型;
评估模块,根据所述电力系统暂态稳定评估模型,获取目标电力系统暂态稳定的评估结果。
12.根据权利要求11所述的系统,所述电力系统暂态稳定评估模型的建立,包括:
以预设的数据采集间隔,采集模拟仿真运行的电力系统的样本数据,对样本数据进行标注,并对标注的样本数据进行Z-Score标准化处理,获取Z-Score标准化的样本数据;
对Z-Score标准化的样本数据以预设比例进行划分,生成训练集、测试集和验证集;
对训练集、测试集和验证集进行训练,获取电力系统暂态稳定评估模型。
13.根据权利要求11所述的系统,所述模拟仿真运行的过程中设置多种电力系统的负载水平、发电出力、故障发生支路、故障发生位置和故障清除时刻。
14.根据权利要求11所述的系统,所述采集间隔的范围为0.01-0.02s。
15.根据权利要求11所述的系统,所述样本数据,包括:电力系统故障清除后k个周期内电力系统发电机的功角、角速度、电压幅值、有功功率和无功功率的时序数据;
其中,K≥0。
16.根据权利要求11所述的系统,所述标注,以模拟仿真运行结束后电力系统的任意2台发电机的功角是否大于360度作为判据,判断电力系统暂态稳定或暂态失稳,并对样本数据标注电力系统暂态稳定或暂态失稳。
17.根据权利要求11所述的系统,所述对标注的样本数据进行Z-Score标准化处理,具体为,对标注的样本数据以预设的堆叠方式,构造输入特征空间。
18.根据权利要求17所述的系统,所述预设的堆叠方式,包括:
对发电机特征量,以功角、角速度、有功功率、无功功率和电压的顺序排列连接,满足一维单通道CNN和二维单通道CNN的输入特征结构要求;
以发电机序列为第一维度,以时间序列为第二维度,发电机特征量为第三维度进行堆叠,满足二维多通道CNN的输入特征结构要求。
19.根据权利要求11所述的系统,所述预设比例为中训练集的占比大于测试集和验证集的总占比。
20.根据权利要求11所述的系统,所述训练集、测试集和验证集中的失稳样本数据和稳定样本数据比例一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010695559.6A CN112069723A (zh) | 2020-07-17 | 2020-07-17 | 一种用于评估电力系统暂态稳定的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010695559.6A CN112069723A (zh) | 2020-07-17 | 2020-07-17 | 一种用于评估电力系统暂态稳定的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112069723A true CN112069723A (zh) | 2020-12-11 |
Family
ID=73656497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010695559.6A Pending CN112069723A (zh) | 2020-07-17 | 2020-07-17 | 一种用于评估电力系统暂态稳定的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069723A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633739A (zh) * | 2020-12-30 | 2021-04-09 | 安徽广志电气有限公司 | 一种配电控制柜能量损失评估方法 |
CN112952800A (zh) * | 2021-02-02 | 2021-06-11 | 中国南方电网有限责任公司 | 用于电网暂态稳定水平的分段评估指标获取方法及装置 |
CN113537366A (zh) * | 2021-07-21 | 2021-10-22 | 中国石油大学(华东) | 电力系统暂态稳定评估方法 |
CN113887125A (zh) * | 2021-08-31 | 2022-01-04 | 哈尔滨工业大学 | 一种复杂仿真系统运行有效性评估方法 |
CN113887125B (zh) * | 2021-08-31 | 2024-06-04 | 哈尔滨工业大学 | 一种复杂仿真系统运行有效性评估方法 |
-
2020
- 2020-07-17 CN CN202010695559.6A patent/CN112069723A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633739A (zh) * | 2020-12-30 | 2021-04-09 | 安徽广志电气有限公司 | 一种配电控制柜能量损失评估方法 |
CN112952800A (zh) * | 2021-02-02 | 2021-06-11 | 中国南方电网有限责任公司 | 用于电网暂态稳定水平的分段评估指标获取方法及装置 |
CN112952800B (zh) * | 2021-02-02 | 2022-07-26 | 中国南方电网有限责任公司 | 用于电网暂态稳定水平的分段评估指标获取方法及装置 |
CN113537366A (zh) * | 2021-07-21 | 2021-10-22 | 中国石油大学(华东) | 电力系统暂态稳定评估方法 |
CN113537366B (zh) * | 2021-07-21 | 2023-09-05 | 中国石油大学(华东) | 电力系统暂态稳定评估方法 |
CN113887125A (zh) * | 2021-08-31 | 2022-01-04 | 哈尔滨工业大学 | 一种复杂仿真系统运行有效性评估方法 |
CN113887125B (zh) * | 2021-08-31 | 2024-06-04 | 哈尔滨工业大学 | 一种复杂仿真系统运行有效性评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069723A (zh) | 一种用于评估电力系统暂态稳定的方法及系统 | |
CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN110994604B (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
CN108336739B (zh) | 一种基于rbf神经网络的概率潮流在线计算方法 | |
CN112330165B (zh) | 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 | |
CN106897821A (zh) | 一种暂态评估特征选择方法及装置 | |
CN111612125B (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
CN112017070A (zh) | 一种基于数据增强评估电力系统暂态稳定的方法及系统 | |
CN112564107A (zh) | 一种电力系统暂态稳定评估方法 | |
CN108171322A (zh) | 一种基于粒子群优化的神经网络学习算法 | |
Rawat et al. | A comprehensive analysis of the effectiveness of machine learning algorithms for predicting water quality | |
CN116561573A (zh) | 一种电压稳定评估的训练集循环分裂训练方法 | |
CN112085335A (zh) | 一种用于配电网故障预测的改进随机森林算法 | |
CN117272184A (zh) | 一种基于issa-rf算法的光伏发电系统故障分类方法 | |
CN111965442A (zh) | 一种数字孪生环境下的能源互联网故障诊断方法及装置 | |
Niu et al. | Knowledge mining based on environmental simulation applied to wind farm power forecasting | |
CN116896093A (zh) | 一种风电场并网振荡稳定性在线分析与优化方法 | |
CN116882838A (zh) | 一种基于Stacking集成策略的短期电压稳定性评估方法 | |
CN116702132A (zh) | 网络入侵检测方法及系统 | |
CN109684749A (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
CN115684786A (zh) | 基于格拉姆角场和并行cnn的逆变器开关管健康诊断方法、装置及系统 | |
CN114066214A (zh) | 一种基于多融合卷积神经网络的电能质量分析方法 | |
Fadzail et al. | Application of Automated Machine Learning (AutoML) method in wind turbine fault detection | |
CN113962440A (zh) | 一种融合dpc和gru的光伏预测方法和系统 | |
Zhao et al. | Research on Fault Determination of Active Distribution Network Based on Random Forest-SVM Algorithm |
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 |