CN112784500B - 基于深度学习和pscad的电磁暂态仿真模型的敏捷生成方法 - Google Patents
基于深度学习和pscad的电磁暂态仿真模型的敏捷生成方法 Download PDFInfo
- Publication number
- CN112784500B CN112784500B CN202110304189.3A CN202110304189A CN112784500B CN 112784500 B CN112784500 B CN 112784500B CN 202110304189 A CN202110304189 A CN 202110304189A CN 112784500 B CN112784500 B CN 112784500B
- Authority
- CN
- China
- Prior art keywords
- power system
- model
- steps
- electromagnetic transient
- following
- 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
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习和PSCAD的电磁暂态仿真模型的敏捷生成方法,属于电力系统仿真建模领域,包括以下步骤:S1:采用卷积神经网络与多目标检测算法模型结合的方式建立电力系统识别模型;S2:基于矢量数据分析,构建电力系统拓扑判据;S3:基于训练完成的电力系统识别模型以及拓扑判据,识别电力系统图形文件,进而生成符合仿真软件PSCAD要求的电磁暂态仿真模型文件。本发明方法将深度学习技术应用到电力系统仿真建模中,能基于电力系统图形文件快速建立电磁暂态仿真模型,可提高仿真建模的效率,并降低仿真人员的工作强度。
Description
技术领域
本发明属于电力系统仿真建模领域,涉及一种基于深度学习和PSCAD的电磁暂态仿真模型的敏捷生成方法
背景技术
电磁暂态仿真是对电磁暂态过程进行模拟的活动,旨在对目标系统进行精细建模并得到各种暂态响应的详细时域波形,其应用涵盖电力系统规划、设计、运行及科学研究等方面。在针对工业电网建立仿真模型时,仿真人员通常只能根据描述电力系统架构的图形文件等信息来开展工作。由于是手动进行建模,时间和精力耗费较大。
鉴于此,亟需一种能够利用计算机程序来敏捷生成电磁暂态仿真模型的方法,以便实现从电力系统图形文件到电磁暂态仿真模型的快速转换,从而提升技术人员仿真建模的工作效率。目前,此类方法还未见文献报道。
发明内容
有鉴于此,本发明的目的在于提供一种基于深度学习和PSCAD的电磁暂态仿真模型的敏捷生成方法,用以识别电力系统图形文件,并将图形文件描述的电力系统信息转换为电磁暂态仿真数据,从而实现电磁暂态仿真模型的敏捷生成。
为达到上述目的,本发明提供如下技术方案:
一种基于深度学习和PSCAD的电磁暂态仿真模型的敏捷生成方法,包括以下步骤:
S1:采用卷积神经网络(Convolutional Neural Network,CNN)与多目标检测算法模型结合的方式建立电力系统识别模型;
S2:基于矢量数据分析,构建电力系统拓扑判据;
S3:基于训练完成的电力系统识别模型以及拓扑判据,识别电力系统图形文件,进而生成符合仿真软件PSCAD要求的电磁暂态仿真模型文件。
进一步,步骤S1中,所述电力系统识别模型的建立具体包括以下步骤:
S11:利用电力系统图形文件制作电力元件数据集;
S12:结合电力系统识别模型的识别模式对电力元件数据预处理;
S13:进行电力系统识别模型训练。
更进一步,步骤S12中所述的电力元件数据预处理,具体步骤为:
S121:将电力系统元件的母线等直线类模型图形进行增强处理;
S122:对应修改输入电力系统识别模型的数据标签。
更进一步,步骤S13中所述电力系统识别模型训练,具体步骤为:
S131:将电力元件数据集导入电力系统识别模型;
S132:通过预训练模型VGG16以及额外卷积层对电力系统进行特征提取;
S133:利用电力系统识别模型输出元件分类信息和目标框。
进一步,步骤S2中,采用矢量数据分析的方式构建电力元件矢量缓冲区的方法实现拓扑判据的构造,完成拓扑连接关系的生成,具体包括以下步骤:
S21:利用仿真软件PSCAD模型的元件信息构造拓扑判据;
S22:分别对各个电力元件进行矢量条件约束判断;
S23:通过判断结果生成电力系统拓扑连接关系。
更进一步,步骤S21中所述构造拓扑判据,具体步骤为:
S211:根据仿真软件的模型布局信息选择合适判断阈值;
S212:分别将电机、变压器等四边形的元件划分为“点缓冲约束”,将母线元件等直线模型元件划分为“线缓冲约束”;
所述“点缓冲约束”是指将布局为四边形元件的几何中心作为中心,依据设定阈值形成圆形区域约束;所述“线缓冲约束”是指将母线元件等直线模型的中点作为中心,依据设定阈值形成环形区域约束。
更进一步,步骤S22具体包括以下步骤:
S221:利用识别模型输出的元件矢量位置信息结合模型的布局信息,设定约束范围;
S222:判断约束范围内是否存在其他元件,若存在其他元件,则定义两者为“连接关系”,若不存在其他元件,则定义两者为“非连接关系”;
S223:判断完成后,跳转步骤S222继续对下一个元件进行判定,直至完成所有元件判断;
S224:判断结束后,输出结果。
进一步,步骤S3具体包括以下步骤:
S31:准备阶段,将电力元件信息和拓扑连接关系生成电力系统信息集;
S32:实现阶段,通过对应转换关系,将电力系统信息集转换为电磁暂态仿真数据文件,利用生成的电磁暂态仿真数据文件实现敏捷建模。
更进一步,步骤S32中所述“敏捷建模”的功能是通过仿真数据的自动生成实现的,包括以下步骤:
S321:建立电磁暂态仿真模型信息与电磁暂态仿真数据的转换关系;
S322:利用电力系统信息集中的元件分类信息以及其中的拓扑连接关系对应步骤S321中的方法快速转换生成相互对应的电磁暂态仿真数据,最后在仿真软件中实现自动布局。
本发明的有益效果在于:本方法实现了利用电力系统图形文件在深度学习技术的基础上实现电力图形信息提取,生成元件拓扑连接关系,从而进行电磁暂态仿真模型的自动生成,可提高仿真建模的效率,并降低仿真人员的工作强度,并为电力系统“敏捷建模”领域提供新的思路与解决方法。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明的电磁暂态仿真模型敏捷建模策略图;
图2为本发明中电力系统识别模型的结构图;
图3为本发明与传统仿真建模流程对比图;
图4为本发明构造元件矢量约束的示意图;
图5为本发明的拓扑关系判断流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”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,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图5,图1所示为一种电磁暂态仿真模型敏捷建模策略图,包括以下步骤:
步骤1:采用卷积神经网络(Convolutional Neural Network,CNN)与多目标检测算法模型结合的方式建立电力系统识别模型,识别模型如图2所示,其具体实现的方法包括以下步骤:
(1)利用图形软件以及电力系统图形文件制作电力元件数据集;
(2)结合电力系统识别模型的识别模式对电力元件数据预处理,具体步骤包括:
①将母线等直线类模型的电力系统元件图形进行增强处理;
②对应修改输入电力系统识别模型的数据标签。
(3)进行电力系统识别模型训练,具体包括:
①将电力元件数据集导入电力系统识别模型;
②通过预训练模型VGG16以及额外卷积层对电力系统进行特征提取;
③利用电力系统识别模型输出元件分类信息和目标框。
步骤2:采用一种矢量数据分析的方式构建电力元件矢量缓冲区的方法实现拓扑判据的构造,完成拓扑连接关系的生成,其具体实现方法包括以下步骤:
(1)利用仿真软件PSCAD模型的元件信息构造拓扑判据,约束示意如图3所示,具体步骤包括:
①根据仿真软件的模型布局信息选择合适判断阈值;
②分别将电机、变压器等四边形的元件划分为“点缓冲约束”,将母线元件等直线模型元件划分为“线缓冲约束”。
上述“点缓冲约束”是指将布局为四边形元件的几何中心作为中心,依据设定阈值形成圆形区域约束。“线缓冲约束”是指将母线元件等直线模型的中点作为中心,依据设定阈值形成环形区域约束。
(2)分别对各个电力元件进行矢量条件约束判断,判断方式如图4,具体实现方法包括以下步骤:
①利用识别模型输出的元件矢量位置信息结合模型的布局信息,设定约束范围;
②判断约束范围内是否存在其他元件,若存在其他元件,则定义两者为“连接关系”,若不存在其他元件,则定义两者为“非连接关系”;
③判断完成后,跳转步骤②继续对下一个元件进行判定,直至完成所有元件判断;
④判断结束后,输出结果。
(3)通过判断结果生成电力元件拓扑连接关系表。
步骤3:将电力系统识别模型输出的电力元件信息以及拓扑连接关系转化为对应的电磁暂态仿真数据,从而完成电磁暂态仿真模型的敏捷生成,其具体实现方法包括以下步骤:
(1)准备阶段,将电力元件信息和拓扑连接关系生成电力系统信息集;
(2)实现阶段,通过对应转换关系,将电力系统信息集转换为电磁暂态仿真数据文件,利用生成的电磁暂态仿真数据文件实现敏捷建模。其中“敏捷建模”的功能主要是通过仿真数据的自动生成实现的,具体实现方法包括以下步骤:
①建立电磁暂态仿真模型信息与电磁暂态仿真数据的转换关系;
②利用电力系统信息集中的元件分类信息以及其中的拓扑连接关系对应步骤①中的方法快速转换生成相互对应的电磁暂态仿真数据,最后在仿真软件中实现自动布局。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于深度学习和PSCAD的电磁暂态仿真模型的敏捷生成方法,其特征在于:包括以下步骤:
S1:采用卷积神经网络与多目标检测算法模型结合的方式建立电力系统识别模型,具体包括以下步骤:
S11:利用电力系统图形文件制作电力元件数据集;
S12:结合电力系统识别模型的识别模式对电力元件数据预处理,具体步骤为:
S121:将电力系统元件的母线等直线类模型图形进行增强处理;
S122:对应修改输入电力系统识别模型的数据标签;
S13:进行电力系统识别模型训练,具体步骤为:
S131:将电力元件数据集导入电力系统识别模型;
S132:通过预训练模型VGG16以及额外卷积层对电力系统进行特征提取;
S133:利用电力系统识别模型输出元件分类信息和目标框;
S2:基于矢量数据分析,构建电力系统拓扑判据,具体包括以下步骤:
S21:利用仿真软件PSCAD模型的元件信息构造拓扑判据,具体步骤为:
S211:根据仿真软件的模型布局信息选择合适判断阈值;
S212:分别将电机、变压器等四边形的元件划分为“点缓冲约束”,将母线元件等直线模型元件划分为“线缓冲约束”;所述“点缓冲约束”是指将布局为四边形元件的几何中心作为中心,依据设定阈值形成圆形区域约束;所述“线缓冲约束”是指将母线元件等直线模型的中点作为中心,依据设定阈值形成环形区域约束;
S22:分别对各个电力元件进行矢量条件约束判断,具体包括以下步骤:
S221:利用识别模型输出的元件矢量位置信息结合模型的布局信息,设定约束范围;
S222:判断约束范围内是否存在其他元件,若存在其他元件,则定义两者为“连接关系”,若不存在其他元件,则定义两者为“非连接关系”;
S223:判断完成后,跳转步骤S222继续对下一个元件进行判定,直至完成所有元件判断;
S224:判断结束后,输出结果;
S23:通过判断结果生成电力系统拓扑连接关系;
S3:基于训练完成的电力系统识别模型以及拓扑判据,识别电力系统图形文件,进而生成符合仿真软件PSCAD要求的电磁暂态仿真模型文件,具体包括以下步骤:
S31:准备阶段,将电力元件信息和拓扑连接关系生成电力系统信息集;
S32:实现阶段,通过对应转换关系,将电力系统信息集转换为电磁暂态仿真数据文件,利用生成的电磁暂态仿真数据文件实现敏捷建模,包括以下步骤:
S321:建立电磁暂态仿真模型信息与电磁暂态仿真数据的转换关系;
S322:利用电力系统信息集中的元件分类信息以及其中的拓扑连接关系对应步骤S321中的方法快速转换生成相互对应的电磁暂态仿真数据,最后在仿真软件中实现自动布局。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304189.3A CN112784500B (zh) | 2021-03-22 | 2021-03-22 | 基于深度学习和pscad的电磁暂态仿真模型的敏捷生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304189.3A CN112784500B (zh) | 2021-03-22 | 2021-03-22 | 基于深度学习和pscad的电磁暂态仿真模型的敏捷生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784500A CN112784500A (zh) | 2021-05-11 |
CN112784500B true CN112784500B (zh) | 2022-07-01 |
Family
ID=75762833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110304189.3A Active CN112784500B (zh) | 2021-03-22 | 2021-03-22 | 基于深度学习和pscad的电磁暂态仿真模型的敏捷生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784500B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702523B (zh) * | 2023-08-08 | 2023-10-27 | 北京中电普华信息技术有限公司 | 用于电力资源调控的仿真方法、电子设备和计算机介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2676549A1 (en) * | 2008-08-29 | 2010-02-28 | Mtem Limited | Method for attenuating correlated noise in controlled source electromagnetic survey data |
CN102930110A (zh) * | 2012-11-12 | 2013-02-13 | 浙江省电力公司电力科学研究院 | 生成pscad/emtdc电力系统仿真模型的方法 |
CN103646152A (zh) * | 2013-12-23 | 2014-03-19 | 南方电网科学研究院有限责任公司 | 一种基于矩阵指数的电力系统电磁暂态仿真方法 |
CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
CN110348161A (zh) * | 2019-07-19 | 2019-10-18 | 华北电力大学 | 电压源型换流器多频段动态相量电磁暂态仿真方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6891376B2 (en) * | 2003-07-01 | 2005-05-10 | Kjt Enterprises, Inc. | Method for attenuating conductive sonde mandrel effects in an electromagnetic induction well logging apparatus |
-
2021
- 2021-03-22 CN CN202110304189.3A patent/CN112784500B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2676549A1 (en) * | 2008-08-29 | 2010-02-28 | Mtem Limited | Method for attenuating correlated noise in controlled source electromagnetic survey data |
CN102930110A (zh) * | 2012-11-12 | 2013-02-13 | 浙江省电力公司电力科学研究院 | 生成pscad/emtdc电力系统仿真模型的方法 |
CN103646152A (zh) * | 2013-12-23 | 2014-03-19 | 南方电网科学研究院有限责任公司 | 一种基于矩阵指数的电力系统电磁暂态仿真方法 |
CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
CN110348161A (zh) * | 2019-07-19 | 2019-10-18 | 华北电力大学 | 电压源型换流器多频段动态相量电磁暂态仿真方法及系统 |
Non-Patent Citations (2)
Title |
---|
微电网传递过电压电磁暂态特性研究;李洋等;《电瓷避雷器》;20191225(第06期);全文 * |
面向指数积分方法的电磁暂态仿真GPU并行算法;赵金利等;《电力系统自动化》;20180109(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112784500A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489358A (zh) | 一种基于深度学习的三维点云语义分割方法 | |
CN112784500B (zh) | 基于深度学习和pscad的电磁暂态仿真模型的敏捷生成方法 | |
CN109784276A (zh) | 一种基于dbn的电压暂降特征提取与暂降源辨识方法 | |
CN115082950A (zh) | 一种电网厂站接线图自动识别与转换存储方法 | |
CN112231966A (zh) | 一种基于数字孪生的协作机器人可装配性预测系统及方法 | |
CN116341081A (zh) | 一种建筑设计多目标快速优化设计辅助系统及方法 | |
CN106096327A (zh) | 基于Torch监督式深度学习的基因性状识别方法 | |
CN1624688A (zh) | 加工代码生成系统及方法 | |
CN103279796A (zh) | 一种优化遗传算法进化质量的方法 | |
CN112381342A (zh) | 一种电力现货市场交易指挥系统 | |
CN104102955A (zh) | 一种基于抽象凸估计选择差分进化算法的电力线路规划方法 | |
CN115829049A (zh) | 一种电子电器台架实验数据分析平台及数据分析方法 | |
CN111984253B (zh) | 一种基于图形化编程工具添加编程角色的方法及装置 | |
Wu et al. | Application of Product Form Recognition Combined with Deep Learning Algorithm | |
Ding | Design of a low carbon economy model by carbon cycle optimization in supply chain | |
CN112548273A (zh) | 基于深度神经网络的焊缝自动跟踪方法 | |
CN116631634B (zh) | 一种基于点云深度学习的可摘全口义齿的智能设计方法 | |
CN117993583B (zh) | 基于深度学习的布料裁切方法、电子设备及存储介质 | |
Pan et al. | Research on human-machine collaborative annotation for traffic scene data | |
CN110111012A (zh) | 一种基于稳态图像特征的接触网负荷识别方法 | |
CN112967376B (zh) | 一种基于数据驱动的变电站三维模型建立方法和装置 | |
CN201440217U (zh) | 母线规格自识别及铆点规划系统 | |
Li | Innovation of Interior Design Automation Tools Based on CAD Algorithm | |
CN109272564B (zh) | 一种基于机器学习的厂站图自动生成方法 | |
Tsiutsiura et al. | Use of fuzzy Petri networks for information description of the housing environment |
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 |