CN112330165A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112330165A CN112330165A CN202011253377.XA CN202011253377A CN112330165A CN 112330165 A CN112330165 A CN 112330165A CN 202011253377 A CN202011253377 A CN 202011253377A CN 112330165 A CN112330165 A CN 112330165A
- Authority
- CN
- China
- Prior art keywords
- neural network
- separation type
- type neural
- evaluation model
- power
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 78
- 238000000926 separation method Methods 0.000 title claims abstract description 77
- 238000011156 evaluation Methods 0.000 title claims abstract description 62
- 230000001052 transient effect Effects 0.000 title claims abstract description 34
- 238000013210 evaluation model Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000013526 transfer learning Methods 0.000 claims description 38
- 230000005540 biological transmission Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000013097 stability assessment Methods 0.000 claims 2
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012850 discrimination method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
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
- G06Q10/06—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
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种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，属于电力系统安全稳定运行分析技术领域。本发明方法包括：使用仿真工具对目标电力系统进行时域仿真；生成样本集；针对样本集，对样本集随机划分为训练集和测试集；生成特征分离型神经网络智能评估模型；生成评估数据；将评估数据输入特征分离型神经网络智能评估模型进行运算，输出待评估系统的稳定评估结果。本发明可以提升神经网络模型的评估性能，预测准确性更高。
Description
技术领域
本发明涉及电力系统安全稳定运行分析技术领域，并且更具体地，涉及一种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。
背景技术
随着电网规模的不断扩大、可再生能源以及电力电子器件的大量渗入、电力市场化改革的持续深化，电力系统运行愈发接近其稳定极限，安全稳定问题日益凸显。时域仿真法、能量函数法等传统暂态稳定性评估方法由于其计算精度、计算效率的限制，难以做到实时评估，而基于机器学习的电力系统暂态稳定评估方法由于其准确性高、判断速度快等优点，成为了实现暂态稳定实时评估的一种重要途径。
基于机器学习的电力系统暂态稳定评估方法关键在于建立系统特征量与暂态稳定性之间的映射关系，是一种隐式的稳定规则，为了学习这种映射关系，需要通过离线时域仿真获得大量仿真样本，然后利用机器学习的算法近似模拟这种映射关系。在实际运行中，利用学习到的映射关系即可快速地得出稳定评估的结果，同时满足在线稳定评估快速性和准确性的要求。
目前，在相关领域，人工神经网络、支持向量机、卷积神经网络、堆叠自编码器等机器学习算法被应用到电力系统暂态稳定评估中，取得了一定的成果，但上述研究尚未考虑不同电气特征对电力系统暂态稳定性的关联程度不同，难以反映不同电气特征对电力系统暂态稳定性的影响；另外，针对模型的迁移学习策略中，缺乏有效的样本生成方法指导迁移学习样本生成过程。因此，相关方法存在一定缺陷，有待进一步改进。
发明内容
针对上述问题，本发明提出了一种基于特征分离型神经网络的电网暂态稳定评估方法，包括：
离线训练阶段，所述离线训练阶段包括：
针对目标电力系统，使用仿真工具对目标电力系统进行时域仿真，获取输入特征，以输入特征作为初始样本集；
对初始样本集进行预处理，缩小初始样本集中的特征差异，生成样本集；
针对样本集，对样本集随机划分为训练集和测试集；
使用训练集对初始的特征分离型神经网络智能评估模型进行训练，并使用测试集对初始的特征分离型神经网络智能评估模型进行校验，生成特征分离型神经网络智能评估模型；
在线应用评估阶段，所述在线应用评估阶段，包括：
采集待评估电力系统的实时数据，监测实时数据中是否存在扰动，若存在扰动，对实时数据进行预处理，生成评估数据；
将评估数据输入特征分离型神经网络智能评估模型进行运算，输出待评估系统的稳定评估结果。
可选的，输入特征包括稳态特征及扰动特征；
所述稳态特征包括：母线电压、发电机有功、发电机无功、线路输送有功、线路输送无功、有功负荷和无功负荷的特征；
所述扰动特征包括：故障瞬间母线电压变化量、故障瞬间线路输送有功变化量和故障持续时间的特征。
可选的，特征分离型神经网络智能评估模型的生成，包括：
将训练集中稳态特征输入至初始的特征分离型神经网络智能评估模型的稳态特征提取层，将训练集中扰动特征输入至始的特征分离型神经网络智能评估模型的扰动特征提取层，将提取的稳态特征及扰动特征输入至特征融合层，获取稳定信息的概率输出。
可选的，方法还包括：
当电力系统潮流出现变化或拓扑变化后，针对变化后的电力系统生成迁移学习样本，使用迁移学习样本对特征分离型神经网络智能评估模型进行迁移学习或微调网络参数，获取调整后的特征分离型神经网络智能评估模型，用于潮流出现变化或拓扑变化的电力系统的评估。
可选的，迁移学习样本，根据电力系统潮流出现变化或拓扑变化后，对关键故障持续时间判别和关键故障位置判别，生成迁移学习样本。
本发明还提出了一种基于特征分离型神经网络的电网暂态稳定评估系统，包括：
离线训练模块，用于离线训练，所述离线训练包括：
针对目标电力系统，使用仿真工具对目标电力系统进行时域仿真，获取输入特征，以输入特征作为初始样本集；
对初始样本集进行预处理，缩小初始样本集中的特征差异，生成样本集；
针对样本集，对样本集随机划分为训练集和测试集；
使用训练集对初始的特征分离型神经网络智能评估模型进行训练，并使用测试集对初始的特征分离型神经网络智能评估模型进行校验，生成特征分离型神经网络智能评估模型；
在线应用评估模块，用于在线应用评估，所述在线应用评估，包括：
采集待评估电力系统的实时数据，监测实时数据中是否存在扰动，若存在扰动，对实时数据进行预处理，生成评估数据；
将评估数据输入特征分离型神经网络智能评估模型进行运算，输出待评估系统的稳定评估结果。
可选的，输入特征包括稳态特征及扰动特征；
所述稳态特征包括：母线电压、发电机有功、发电机无功、线路输送有功、线路输送无功、有功负荷和无功负荷的特征；
所述扰动特征包括：故障瞬间母线电压变化量、故障瞬间线路输送有功变化量和故障持续时间的特征。
可选的，特征分离型神经网络智能评估模型的生成，包括：
将训练集中稳态特征输入至初始的特征分离型神经网络智能评估模型的稳态特征提取层，将训练集中扰动特征输入至始的特征分离型神经网络智能评估模型的扰动特征提取层，将提取的稳态特征及扰动特征输入至特征融合层，获取稳定信息的概率输出。
可选的，系统还包括：
拓展模块，所述拓展模块用于当电力系统潮流出现变化或拓扑变化后，针对变化后的电力系统生成迁移学习样本，使用迁移学习样本对特征分离型神经网络智能评估模型进行迁移学习或微调网络参数，获取调整后的特征分离型神经网络智能评估模型，用于潮流出现变化或拓扑变化的电力系统的评估。
可选的，迁移学习样本，根据电力系统潮流出现变化或拓扑变化后，对关键故障持续时间判别和关键故障位置判别，生成迁移学习样本。
本发明可以提升神经网络模型的评估性能，预测准确性更高，可以有效控制迁移学习样本生成数量，并能够保证迁移学习后的模型仍然具有较高的评估能力。
附图说明
图1为本发明一种基于特征分离型神经网络的电网暂态稳定评估方法流程图；
图2为本发明一种基于特征分离型神经网络的电网暂态稳定评估方法特征分离型神经网络的暂稳评估模型结构图；
图3为本发明一种基于特征分离型神经网络的电网暂态稳定评估方法潮流变化后样本生成流程图；
图4为本发明一种用于基于特征分离型神经网络的电网暂态稳定评估方法拓扑变化后样本生成流程图；
图5为本发明一种基于特征分离型神经网络的电网暂态稳定评估系统结构图。
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。
针对上述问题，本发明提出了一种基于特征分离型神经网络的电网暂态稳定评估方法，如图1所示，包括：
离线训练阶段，所述离线训练阶段包括：
针对目标电力系统，使用仿真工具对目标电力系统进行时域仿真，获取输入特征，以输入特征作为初始样本集；
对初始样本集进行预处理，缩小初始样本集中的特征差异，生成样本集；
针对样本集，对样本集随机划分为训练集和测试集；
使用训练集对初始的特征分离型神经网络智能评估模型进行训练，并使用测试集对初始的特征分离型神经网络智能评估模型进行校验，生成特征分离型神经网络智能评估模型；
在线应用评估阶段，所述在线应用评估阶段，包括：
采集待评估电力系统的实时数据，监测实时数据中是否存在扰动，若存在扰动，对实时数据进行预处理，生成评估数据；
将评估数据输入特征分离型神经网络智能评估模型进行运算，输出待评估系统的稳定评估结果；
当电力系统潮流出现变化或拓扑变化后，针对变化后的电力系统生成迁移学习样本，使用迁移学习样本对特征分离型神经网络智能评估模型进行迁移学习或微调网络参数，获取调整后的特征分离型神经网络智能评估模型，用于潮流出现变化或拓扑变化的电力系统的评估。
其中，迁移学习样本，根据电力系统潮流出现变化或拓扑变化后，对关键故障持续时间判别和关键故障位置判别，生成迁移学习样本。
其中，输入特征包括稳态特征及扰动特征；
所述稳态特征包括：母线电压、发电机有功、发电机无功、线路输送有功、线路输送无功、有功负荷和无功负荷的特征；
所述扰动特征包括：故障瞬间母线电压变化量、故障瞬间线路输送有功变化量和故障持续时间的特征。
特征分离型神经网络智能评估模型的生成，包括：
将训练集中稳态特征输入至初始的特征分离型神经网络智能评估模型的稳态特征提取层，将训练集中扰动特征输入至始的特征分离型神经网络智能评估模型的扰动特征提取层，将提取的稳态特征及扰动特征输入至特征融合层，获取稳定信息的概率输出。
下面结合实施例对本发明进行进一步说明：
如图1所示，实施例包括步骤如下：
时域仿真，针对特定电网，利用仿真工具进行时域仿真，得到智能评估模型输入特征以及稳定标签，得到初始样本集。
数据预处理，对所有输入特征进行预处理，缩小各个特征间的数值差异。
生成样本集，将上述步骤得到的样本集随机划分为训练集和测试集。
训练特征分离型神经网络智能评估模型，使用训练集样本对特征分离型神经网络智能评估模型进行训练，以便在线应用时使用。
在线应用时，通过PMU采集实时数据，在检测到扰动后，形成输入特征并进行预处理，采用离线训练好的模型进行稳定评估。
特征分离型神经网络的电力系统暂态稳定性评估模型，具体如下：
输入特征选择，包括：
特征分离型神经网络的电力系统暂态稳定性评估模型的输入特征包含两个部分，一部分是反映电网运行方式信息的稳态特征，另一部分是反映扰动信息的扰动特征，稳态特征包括母线电压、发电机有功、发电机无功、线路输送有功、线路输送无功、有功负荷、无功负荷等，扰动特征包括故障瞬间母线电压变化量、故障瞬间线路输送有功变化量、故障持续时间等。
智能评估模型设计，包括：
特征分离型神经网络的暂稳评估模型如图2所示，稳态特征和扰动特征均经过对应的稳态特征提取层和扰动特征提取层进行特征提取，然后将提取后的稳态特征和扰动特征共同输入到特征融合层中，最后得到关于稳定信息的概率输出。
智能评估模型中的每个神经元采用“M-P神经元模型”，在这个模型中，神经元收到来自其他n个神经元的信号，每个信号乘以一定权重输入到神经元中，然后将总输入与阈值比较后，经“激活函数”输出，其数学表达如式(1)所示：
其中，y为神经元的输出，f为激活函数，wi为第i个输入信号的权重，xi为第i个输入信号，θ为阈值；
智能评估模型中隐含层激活函数采用Relu激活函数，如式(2)所示：
f(x)＝max(0,x) (2)
智能评估模型中输出层采用Softmax激活函数以便获得关于稳定信息的概率输出，如式(3)所示：
其中，C为分类类别数，本模型中C＝2。
特征分离型暂稳评估模型的迁移学习策略，具体包括：
在潮流出现较大变化或拓扑变化后，应对特征分离型暂稳评估模型进行迁移学习，微调网络参数以提高新工况下的评估性能。
迁移学习样本生成，迁移学习采用关键故障持续时间判别法和关键故障位置判别法指导迁移学习样本生成过程，以便在电力系统出现较大潮流变化或拓扑变化时，利用所生成样本微调智能评估模型、提升智能模型在新工况下评估能力，具体如下：
关键故障持续时间判别法为：当最小故障持续时间和最大故障持续时间的样本稳定性相同时，只生成最小故障持续时间和最大故障持续时间的样本，最小故障持续时间和最大故障持续时间的样本稳定性不同时，生成最小故障持续时间、中间故障持续时间和最大故障持续时间的样本。
关键故障位置判别流程包括：首先在潮流方式下对所研究的所有故障进行短路计算，得到故障瞬间母线电压变化量和线路输送有功变化量，然后对这些变化量进行聚类，找到各类别中距离聚类中心最近的故障代表该类故障。
基于迁移学习样本生成方法的迁移学习策略，针对潮流出现较大变化或拓扑改变的场景，基于上述样本生成方法对智能模型进行迁移学习的过程如下：
潮流变化后的样本生成过程如图3所示，首先根据关键故障位置判别法，确定关键故障位置，然后对所有关键故障在最小故障持续时间和最大故障持续时间进行暂稳计算，再按照关键故障持续时间判别法确定是否需要进行中间故障持续时间样本的暂稳计算，最后得到用于迁移学习的训练样本集，用该训练集对原模型进行微调即可得到潮流变化后的暂稳评估模型。
拓扑变化后的样本生成过程如图4所示，在新拓扑结构下，随机生成多种潮流方式，根据关键故障位置判别法，确定关键故障位置，然后对于每种潮流方式下的每个关键故障位置，采用关键故障持续时间判别法，并在确定关键故障持续时间时对中间故障时长与最大、最小故障时长再次进行比较，在稳定性相异的时长之间再取一个中间时长，因此，每种潮流方式下的每个故障位置最多需要进行四次暂稳计算。最后得到用于迁移学习的训练样本集，利用该训练集对原模型进行微调即可得到拓扑变化后的暂稳评估模型。
本发明还提出了一种基于特征分离型神经网络的电网暂态稳定评估系统200，如图5所示，包括：
离线训练模块201，用于离线训练，所述离线训练包括：
针对目标电力系统，使用仿真工具对目标电力系统进行时域仿真，获取输入特征，以输入特征作为初始样本集；
对初始样本集进行预处理，缩小初始样本集中的特征差异，生成样本集；
针对样本集，对样本集随机划分为训练集和测试集；
使用训练集对初始的特征分离型神经网络智能评估模型进行训练，并使用测试集对初始的特征分离型神经网络智能评估模型进行校验，生成特征分离型神经网络智能评估模型；
在线应用评估模块202，用于在线应用评估，所述在线应用评估，包括：
采集待评估电力系统的实时数据，监测实时数据中是否存在扰动，若存在扰动，对实时数据进行预处理，生成评估数据；
将评估数据输入特征分离型神经网络智能评估模型进行运算，输出待评估系统的稳定评估结果。
其中，输入特征包括稳态特征及扰动特征；
所述稳态特征包括：母线电压、发电机有功、发电机无功、线路输送有功、线路输送无功、有功负荷和无功负荷的特征；
所述扰动特征包括：故障瞬间母线电压变化量、故障瞬间线路输送有功变化量和故障持续时间的特征。
特征分离型神经网络智能评估模型的生成，包括：
将训练集中稳态特征输入至初始的特征分离型神经网络智能评估模型的稳态特征提取层，将训练集中扰动特征输入至始的特征分离型神经网络智能评估模型的扰动特征提取层，将提取的稳态特征及扰动特征输入至特征融合层，获取稳定信息的概率输出。
拓展模块203，用于当电力系统潮流出现变化或拓扑变化后，针对变化后的电力系统生成迁移学习样本，使用迁移学习样本对特征分离型神经网络智能评估模型进行迁移学习或微调网络参数，获取调整后的特征分离型神经网络智能评估模型，用于潮流出现变化或拓扑变化的电力系统的评估。
其中，迁移学习样本，根据电力系统潮流出现变化或拓扑变化后，对关键故障持续时间判别和关键故障位置判别，生成迁移学习样本。
本发明可以提升神经网络模型的评估性能，预测准确性更高，可以有效控制迁移学习样本生成数量，并能够保证迁移学习后的模型仍然具有较高的评估能力。
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 (10)
1.一种基于特征分离型神经网络的电网暂态稳定评估方法，所述方法包括：
离线训练阶段，所述离线训练阶段包括：
针对目标电力系统，使用仿真工具对目标电力系统进行时域仿真，获取输入特征，以输入特征作为初始样本集；
对初始样本集进行预处理，缩小初始样本集中的特征差异，生成样本集；
针对样本集，对样本集随机划分为训练集和测试集；
使用训练集对初始的特征分离型神经网络智能评估模型进行训练，并使用测试集对初始的特征分离型神经网络智能评估模型进行校验，生成特征分离型神经网络智能评估模型；
在线应用评估阶段，所述在线应用评估阶段，包括：
采集待评估电力系统的实时数据，监测实时数据中是否存在扰动，若存在扰动，对实时数据进行预处理，生成评估数据；
将评估数据输入特征分离型神经网络智能评估模型进行运算，输出待评估系统的稳定评估结果。
2.根据权利要求1所述的方法，所述输入特征包括稳态特征及扰动特征；
所述稳态特征包括：母线电压、发电机有功、发电机无功、线路输送有功、线路输送无功、有功负荷和无功负荷的特征；
所述扰动特征包括：故障瞬间母线电压变化量、故障瞬间线路输送有功变化量和故障持续时间的特征。
3.根据权利要求1所述的方法，所述特征分离型神经网络智能评估模型的生成，包括：
将训练集中稳态特征输入至初始的特征分离型神经网络智能评估模型的稳态特征提取层，将训练集中扰动特征输入至始的特征分离型神经网络智能评估模型的扰动特征提取层，将提取的稳态特征及扰动特征输入至特征融合层，获取稳定信息的概率输出。
4.根据权利要求1所述的方法，所述方法还包括：
当电力系统潮流出现变化或拓扑变化后，针对变化后的电力系统生成迁移学习样本，使用迁移学习样本对特征分离型神经网络智能评估模型进行迁移学习或微调网络参数，获取调整后的特征分离型神经网络智能评估模型，用于潮流出现变化或拓扑变化的电力系统的评估。
5.根据权利要求4所述的方法，所述迁移学习样本，根据电力系统潮流出现变化或拓扑变化后，对关键故障持续时间判别和关键故障位置判别，生成迁移学习样本。
6.一种基于特征分离型神经网络的电网暂态稳定评估系统，所述系统包括：
离线训练模块，用于离线训练，所述离线训练包括：
针对目标电力系统，使用仿真工具对目标电力系统进行时域仿真，获取输入特征，以输入特征作为初始样本集；
对初始样本集进行预处理，缩小初始样本集中的特征差异，生成样本集；
针对样本集，对样本集随机划分为训练集和测试集；
使用训练集对初始的特征分离型神经网络智能评估模型进行训练，并使用测试集对初始的特征分离型神经网络智能评估模型进行校验，生成特征分离型神经网络智能评估模型；
在线应用评估模块，用于在线应用评估，所述在线应用评估，包括：
采集待评估电力系统的实时数据，监测实时数据中是否存在扰动，若存在扰动，对实时数据进行预处理，生成评估数据；
将评估数据输入特征分离型神经网络智能评估模型进行运算，输出待评估系统的稳定评估结果。
7.根据权利要求6所述的系统，所述输入特征包括稳态特征及扰动特征；
所述稳态特征包括：母线电压、发电机有功、发电机无功、线路输送有功、线路输送无功、有功负荷和无功负荷的特征；
所述扰动特征包括：故障瞬间母线电压变化量、故障瞬间线路输送有功变化量和故障持续时间的特征。
8.根据权利要求6所述的系统，所述特征分离型神经网络智能评估模型的生成，包括：
将训练集中稳态特征输入至初始的特征分离型神经网络智能评估模型的稳态特征提取层，将训练集中扰动特征输入至始的特征分离型神经网络智能评估模型的扰动特征提取层，将提取的稳态特征及扰动特征输入至特征融合层，获取稳定信息的概率输出。
9.根据权利要求6所述的系统，所述系统还包括：
拓展模块，所述拓展模块用于当电力系统潮流出现变化或拓扑变化后，针对变化后的电力系统生成迁移学习样本，使用迁移学习样本对特征分离型神经网络智能评估模型进行迁移学习或微调网络参数，获取调整后的特征分离型神经网络智能评估模型，用于潮流出现变化或拓扑变化的电力系统的评估。
10.根据权利要求9所述的系统，所述迁移学习样本，根据电力系统潮流出现变化或拓扑变化后，对关键故障持续时间判别和关键故障位置判别，生成迁移学习样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011253377.XA CN112330165B (zh) | 2020-11-11 | 2020-11-11 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011253377.XA CN112330165B (zh) | 2020-11-11 | 2020-11-11 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112330165A true CN112330165A (zh) | 2021-02-05 |
| CN112330165B CN112330165B (zh) | 2024-03-29 |
Family
ID=74317448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011253377.XA Active CN112330165B (zh) | 2020-11-11 | 2020-11-11 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330165B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505525A (zh) * | 2021-06-22 | 2021-10-15 | 清华大学 | 基于微分神经网络的电力系统动态元件建模方法及装置 |
| CN113740667A (zh) * | 2021-08-30 | 2021-12-03 | 华北电力大学 | 一种融合自编码器和卷积神经网络的电网故障诊断方法 |
| CN114004155A (zh) * | 2021-11-01 | 2022-02-01 | 清华大学 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
| CN114006370A (zh) * | 2021-10-29 | 2022-02-01 | 中国电力科学研究院有限公司 | 一种电力系统暂态稳定分析评估方法及系统 |
| CN115422851A (zh) * | 2022-11-04 | 2022-12-02 | 南方电网数字电网研究院有限公司 | 电力系统元件模型校准方法、装置、设备和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法 |
| CN110943453A (zh) * | 2019-12-23 | 2020-03-31 | 北京交通大学 | 面向迁移学习的电力系统故障样本生成和模型构建方法 |
-
2020
- 2020-11-11 CN CN202011253377.XA patent/CN112330165B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法 |
| CN110943453A (zh) * | 2019-12-23 | 2020-03-31 | 北京交通大学 | 面向迁移学习的电力系统故障样本生成和模型构建方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505525A (zh) * | 2021-06-22 | 2021-10-15 | 清华大学 | 基于微分神经网络的电力系统动态元件建模方法及装置 |
| CN113740667A (zh) * | 2021-08-30 | 2021-12-03 | 华北电力大学 | 一种融合自编码器和卷积神经网络的电网故障诊断方法 |
| CN113740667B (zh) * | 2021-08-30 | 2022-06-14 | 华北电力大学 | 一种融合自编码器和卷积神经网络的电网故障诊断方法 |
| CN114006370A (zh) * | 2021-10-29 | 2022-02-01 | 中国电力科学研究院有限公司 | 一种电力系统暂态稳定分析评估方法及系统 |
| CN114004155A (zh) * | 2021-11-01 | 2022-02-01 | 清华大学 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
| CN114004155B (zh) * | 2021-11-01 | 2024-04-12 | 清华大学 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
| CN115422851A (zh) * | 2022-11-04 | 2022-12-02 | 南方电网数字电网研究院有限公司 | 电力系统元件模型校准方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112330165B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Mosavi et al. | A learning framework for size and type independent transient stability prediction of power system using twin convolutional support vector machine | |
| CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
| CN110994604B (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
| CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
| CN108335010A (zh) | 一种风电出力时间序列建模方法及系统 | |
| CN112947672A (zh) | 一种光伏电池最大功率点跟踪方法及装置 | |
| Yi et al. | An integrated model-driven and data-driven method for on-line prediction of transient stability of power system with wind power generation | |
| CN112564107A (zh) | 一种电力系统暂态稳定评估方法 | |
| CN112821424A (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
| Wang et al. | Power system transient stability assessment based on bayesian optimized LightGBM | |
| Shahriyari et al. | A Deep Learning-Based Approach for Comprehensive Rotor Angle Stability Assessment | |
| CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
| CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
| CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
| CN115456106A (zh) | 一种高压断路器故障诊断模型优化方法 | |
| Zhou et al. | Transient stability assessment using gated recurrent unit | |
| Shen et al. | Application of the XGBOOST on the assessment of transient stability of power system | |
| Turovic et al. | Machine learning for application in distribution grids for power quality applications | |
| Zhou et al. | Transient stability assessment of large-scale AC/DC hybrid power grid based on separation feature and deep belief networks | |
| Liu et al. | A novel fast transient stability prediction method based on pmu | |
| Hu et al. | Two-stage Transient Stability Adaptive Assessment of Power System Based on Cascade Multi-channel CNN | |
| Zhang et al. | Transient Stability Assessment of High Proportional Renewable Energy Power System Based on Improved Bi-LSTM under Data Sample Imbalance Distribution | |
| CN116702629B (zh) | 一种具备可迁移能力的电力系统暂态稳定评估方法 | |
| Li et al. | Transient Stability Assessment of Power Systems Containing Wind Power Based on Hybrid Simulation and Deep Learning |
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 |