CN113128130A - 一种判断直流配电系统稳定性的实时监测方法及装置 - Google Patents
一种判断直流配电系统稳定性的实时监测方法及装置 Download PDFInfo
- Publication number
- CN113128130A CN113128130A CN202110523614.8A CN202110523614A CN113128130A CN 113128130 A CN113128130 A CN 113128130A CN 202110523614 A CN202110523614 A CN 202110523614A CN 113128130 A CN113128130 A CN 113128130A
- Authority
- CN
- China
- Prior art keywords
- real
- discriminator
- direct current
- loss function
- stability
- 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种判断直流配电系统稳定性的实时监测方法,包括:获得样本集;基于全连接神经网络构建训练系统,包括生成器网络模型,判别器和分类器网络模型;构建训练系统的损失函数;利用损失函数对训练系统进行训练,确定参数的生成器组成高置信度的伪标签直流电压数据模型;将实时观测得到的真实直流电压信息输入判别器和分类器网络模型,得到对于真实直流电压信息的稳定性实时判别结果。该方法能够获得足够稳定/不稳定标签直流电压数据,以及合适的稳定/不稳定标签比例,从而能够实时判别电网系统真实观测数据稳定性。本发明公开了一种判断直流配电系统稳定性的实时监测装置,准确即时得到对于真实直流电压信息的稳定性实时判别结果。
Description
技术领域
本发明属于直流配电网技术领域,具体涉及一种判断直流配电系统稳定性的实时监测方法及装置。
背景技术
随着光伏、风能等新能源的利用越来越多,以及汽车、照明等直流负载的日益增多,直流配电网的负载愈发复杂。电力新能源的快速兴起,在电网中也有着举足轻重的地位,然而随着电网结构复杂度的增大、大规模的新能源并网和可充电设备的大量接入,电网的稳定性运行问题越来越显著.电网稳定性是电网安全的重要一环,失稳会对经济发展造成极大的影响。
尽管系统中每个变换器在单独设计和检测时是稳定的,但它们实际组成直流配电系统运行时,却会因为不同变换器之间的不匹配而诱发整个系统的振荡乃至失稳。
电力系统运行过程中,每个同步发电机必须处于同步状态;同时电力系统中各个电力节点的电压值和电力支路的功率潮流值在某一范围内波动,这就是所谓的稳定运行状态.当系统受到巨大扰动(如自然灾害、大功率机械的投切等),各发电机之间难以保持同步,当无法恢复到同步运行状态时,就认为是电力系统运行失稳。
失稳的原因根据其结构特点可以分为供给性失稳、结构性失稳和负荷性失稳,其主要特征为电网频率和电压的震荡,然而,电网的稳定性是一个很难量化的特征。所以,如果电力系统在遭受扰动时,能提前预警是否会导致电力系统的失稳,并及时采取有并及时采取有效的预防措施,则会大大减少经济的损失。
目前电力系统的稳定性研究主要有时域仿真法、直接法和人工智能法近来,人工智能技术兴起,数据存储和高效计算设备的快速发展,伴随着大数据技术以及智能量测和智能电网(Smart Power Grid)的普及,电力大数据时代也随之到来,这为使用人工智能方式解决电力系统的问题提供了契机。
虽然数据驱动的机器学习模型在窃电和负荷预测上取得了长足的发展,但是对电网稳定性的研究大多仍基于理论研究,如设计一种稳定状态的判断标准.FILATRELLA G,NIELSEN A H,PEDERSEN N F.Analysis of a power grid using a Kuramoto-like model[J].The European Physical Journal B-Condensed Matter,2008,61(4):485-491文献公开了一种基于单扰动的稳定性状态评估准则,即当负荷的需求能量大大增加时会做出预警,但是该准则在稳定性调控自由度和准确率上有所欠缺。目前针对直流配电网的稳定性分析,通常采用模型分析的方法,记录电网波形后,推导公式并计算,得到电网稳定性的判据。而若要采用数据分析的方法,则要克服目前电网稳定性数据稳定/不稳定标签不足,且稳定标签数量远超过不稳定标签数量的标签比例不均衡问题。
发明内容
本发明提供了一种判断直流配电系统稳定性的实时监测方法,该方法能够获得足够稳定/不稳定标签的直流电压数据,以及合适的稳定/不稳定标签比例,从而能够实时判别电网系统真实观测数据稳定性。
S1:获得真实直流电压信息,编码每条真实直流电压信息获得真实直流电压特征向量,以构建样本集;
S2:基于全连接神经网络构建训练系统,包括生成器网络模型,判别器和分类器网络模型;
S3:构建训练系统的损失函数,根据输入真实直流电压特征向量通过判别器和分类器网络模型,得到真实电压特征向量标记的稳定和失稳标签的概率构建分类器损失函数;
根据输入真实直流电压特征向量通过判别器和分类器网络模型得到真实电压特征向量为非真实的概率构建判别器第一损失函数;
根据输入伪直流电压特征向量通过判别器和分类器网络模型得到伪直流电压特征向量为非真实的概率构建判别器第二损失函数;
根据输入伪直流电压特征向量通过生成器得到伪标签直流电压特征数据为非真实的概率构建生成器损失函数;
S4:利用分类器损失函数、判别器第一损失函数、判别器第二损失函数、生成器损失函数对训练系统进行训练,训练结束时,判别器以及确定的参数组成真伪性判别模型,分类器以及确定的参数组成稳定性标签分类模型,确定参数的生成器组成高置信度的伪标签直流电压数据生成模型;
S5:应用时,将实时观测得到的真实直流电压信息输入判别器和分类器网络模型,得到对于真实直流电压信息的稳定性实时判别结果。
利用判别器和分类器网络模型对生成器网络模型生成的伪标签直流电压数据的真伪性和稳定性进行判断,得到伪标签直流电压数据中的不满足真伪性和稳定性阈值的直流电压数据信息,以及高置信度的伪标签直流电压数据,将所述伪标签直流电压数据中的不满足真伪性和稳定性阈值的直流电压数据信息再次代入生成器网络模型,重复迭代训练,得到高置信度的伪标签直流电压数据模型,将随机数据输入到高置信度的伪标签直流电压数据模型能够准确获得高置信度伪标签的直流电压数据,以得到足够的稳定性数据和平衡的稳定/不稳定标签比例,训练完成的判别器和分类器网络模型用于对判别真实直流电压信息数据稳定性。
步骤S1中,所述的真实直流电压特征向量包括标记稳定和失稳标签的真实直流电压特征向量,用于通过判别器和分类器网络模型判别伪标签直流电压数据稳定性和真伪性,以及未标记稳定和失稳标签的真实直流电压特征向量,用于通过判别器和分类器网络模型判别伪标签直流电压的真伪性。
现有技术中认为无标签真实直流电压特征向量为“不完整”数据,因此无法直接用来训练,本发明能够利用无标签数据进行真实性训练,来生成大量伪数据,从而训练得到准确的稳定性判别模型。
步骤S1中,所述的真实直流电压信息为直流配电网母线历史波形以及稳定性标签,编码直流配电网母线历史波形得到直流配电网母线历史波形特征,基于直流配电网母线历史波形特征确定所述的生成器、判别器和分类器的输入维度和输出维度。
步骤S2中,所述的生成器网络模型用于根据随机数据生成伪标签直流电压数据的具体步骤为提取随机数据中的特征向量,输入所述特征向量到生成器网络模型,基于全神经网络连接,得到伪标签直流电压数据。
步骤S2中,所述的判别器和分类器网络模型用于根据真实直流电压特征向量和伪标签直流电压特征数据判别伪标签直流电压真伪性和稳定性具体步骤如下:
提取伪标签直流电压数据得到伪标签直流电压特征向量,输入所述伪标签直流电压特征向量、真实直流电压特征向量到判别器和分类器网络模型,基于全神经网络连接,对输入的伪标签直流电压特征向量的置信度进行判断,得到伪标签直流电压的置信度判断结果,所述置信度为真伪性和稳定性。
将伪标签直流电压数据与真实直流电压数据,通过判别器和分类器网络模型得到真伪性和稳定性的判别结果,即置信度结果,用于准确获得高置信度的伪标签直流电压数据。
步骤S3中,所述的分类器损失函数loss_ld1:
判别器第一损失函数loss_ud1:
判别器第二损失函数loss_ud2:
生成器损失函数loss_bd1:
其中,ml,mu,mf分别为分类器损失函数,判别器损失函数,生成器损失函数的样本数据,ti为第i个类标签样本数据通过判别器和分类器网络模型标记的标签类型值,xi为第i个标签的真实样本数据,N为非真实标签类型值,zi为第i个标签伪直流电压样本数据。
步骤S4中,利用分类器损失函数、判别器第一损失函数、判别器第二损失函数、生成器损失函数对训练系统进行训练的具体步骤如下:
输入样本集和伪标签直流电压特征向量,利用分类器损失函数、判别器第一损失函数、判别器第二损失函数,基于莱文贝格-马奈特算法不断迭代,直到真伪性和稳定性达到阈值要求,更新判别器和分类器网络模型权重,得到真伪性判别模型和稳定性标签分类模型;
输入伪直流电压特征向量,利用生成器损失函数,基于莱文贝格-马奈特算法不断迭代,直到真伪性达到阈值要求,更新生成器网络模型权重,得到高置信度的伪标签直流电压数据模型。
通过设定合适的阈值,既能满足得到高置信度的伪标签直流电压数据,又能节省运算时间。
步骤S5中,所述的经计算获得高置信度伪标签的直流电压数据后,将高置信度伪标签的直流电压数据增加到真实直流电压信息样本集,平衡稳定和不稳定标签数据比例。
利用本发明提供的高置信度的伪标签直流电压数据模型,得到的高置信度的伪标签直流电压数据能够解决采用数据分析的方法中,电网稳定性数据稳定/不稳定标签不足,且稳定标签数量远超过不稳定标签数量的标签比例不均衡问题。
本发明还提供了一种判断直流配电系统稳定性的实时监测装置,利用该装置,可以准确地即时地得到对于真实直流电压信息的稳定性实时判别结果。
一种判断直流配电系统稳定性的实时监测装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机存储器中采用权利要求1~8任一项所述的判断直流配电系统稳定性的实时监测方法构建的判断直流配电系统稳定性的实时监测模型;
所述计算机处理器执行所述计算机程序时实现以下步骤:
将实时观测得到的真实直流电压信息输入判别器和分类器网络模型,得到对于真实直流电压信息的稳定性实时判别结果。
与现有技术相比,本发明的有益效果为:
利用生成器网络模型,判别器和分类器网络模型对抗训练,使得随机数据输入到生成器网络模型得到满足真伪性阈值的,高置信度的伪标签直流电压数据,为采用数据分析的方法分析电网稳定性的判据,提供充足的稳定性数据稳定/不稳定标签,以及调节标签比例的平衡性,从而满足判别电网系统真实观测数据稳定性的需求。
附图说明
图1为具体实施方式的判断直流配电系统稳定性的实时监测方法示意图;
图2为具体实施方式的Q1、Q2网络模型半监督自主训练流程示意图。
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。
获取直流配电网母线历史波形以及其稳定标签,根据波形信息得到直流配电网母线历史波形特征,并根据历史波形特征信息确定Q1判别器和分类器网络模型的输入维度以及Q2生成器网络模型的输出维度;
以随机数据作为输入,真实的波形特征数据和Q1判别器和分类器网络模型输出的真伪标签作为输出,半监督式训练Q2生成器网络模型;
以真实的波形特征数据和Q2生成器网络模型生成的伪特征数据作为输入,稳定和真伪标签作为输出,半监督式训练Q1判别器和分类器网络模型。
获取直流配电网母线当前波形特征信息,根据Q1判别器和分类器网络模型判断直流母线稳定状态。
Q1判别器和分类器网络模型功能具体包括:对于输入数据真伪性的判别、对于真实数据中系统是否稳定的分类。
Q2生成器网络生成器网络模型功能为依靠随机数据生成置信度高的伪标签数据用于增大有标签数据量,同时,平衡稳定/不稳定标签数据比例。
Q1和Q2网络模型训练过程具体包括:初始化Q1和Q2神经网络权重;使用真实带标签数据训练Q1判别器和分类器网络模型;使用随机数据输入Q2生成器网络模型,生成伪标签数据;将伪标签数据输入Q1神经网络进行判别,将置信度结果返回Q1判别器和分类器网络模型进行训练,同时,将其中真实度置信度高的标签加入真实数据库中用于重新训练Q1判别器和分类器网络模型;对Q1、Q2神经网络进行如上所述反复迭代训练,直至误差到达预设阈值且保持稳定后,停止训练,并记录Q1、Q2生成器网络模型。
一种判断直流配电系统稳定性的实时监测方法,包括:
获得真实直流电压信息,编码每条真实直流电压信息获得真实直流电压特征向量,以构建样本集;
基于全连接神经网络构建训练系统,包括生成器网络模型,判别器和分类器网络模型,所述生成器网络模型用于根据随机数据生成伪标签直流电压数据,所述判别器和分类器网络模型用于根据真实直流电压特征向量和伪标签直流电压特征数据判别伪标签和真实直流电压数据真伪性和稳定性;
构建训练系统的损失函数,根据输入真实直流电压特征向量通过判别器和分类器网络模型,得到真实电压特征向量标记的稳定和失稳标签的概率构建分类器损失函数;
根据输入真实直流电压特征向量通过判别器和分类器网络模型得到真实电压特征向量为非真实的概率构建判别器第一损失函数;
根据输入伪直流电压特征向量通过判别器和分类器网络模型得到伪直流电压特征向量为非真实的概率构建判别器第二损失函数;
根据输入伪直流电压特征向量通过生成器得到伪标签直流电压特征数据为非真实的概率构建生成器损失函数;
利用分类器损失函数、判别器第一损失函数、判别器第二损失函数、生成器损失函数对训练系统进行训练,训练结束时,判别器以及确定的参数组成真伪性判别模型,分类器以及确定的参数组成稳定性标签分类模型,确定参数的生成器组成高置信度的伪标签直流电压数据模型;
将实时观测得到的真实直流电压信息输入判别器和分类器网络模型,得到对于真实直流电压信息的稳定性实时判别结果。
下面结合实施例对本发明进行进一步说明:
本发明方法,如图1所示,包括:
S1.输入真实直流母线检测数据,具体包括其波形特征值以及稳定/不稳定标签。
S2.基于直流配电网母线历史波形特征确定Q1判别器和分类器网络模型输出维度和Q2生成器网络输出维度。
S3.迭代训练Q1,Q2网络模型。
S4.利用训练完毕的Q1判别器和分类器网络模型。
步骤S3.中训练Q1,Q2网络模型,Q1判别器和分类器网络模型的训练要求为能够有效判别数据的真实性和稳定性。
Q2生成器神经网络模型的训练要求是能够将输入的随机数据处理输出真实度和稳定性高的伪标签母线电压数据。
具体步骤如图2所示,包括:
S31.初始化Q1、Q2网络模型,随机初始化其权重参数w。Q1和Q2网络模型均采用n层的全连接神经网络结构,Q1判别器和分类器网络模型输入为特征数据,输出为真伪性和稳定性判别,具体为输出两个独立的0~1之间的概率量表示其真实性、稳定性概率,通过设置概率阈值可以划分为0/1的离散判别量。Q2生成器网络模型输入为随机数据,输出为带有稳定性标签特征数据。
S32.使用Q2生成器网络模型生成一组伪标签数据集。
S33.使用样本数据集训练Q1判别器和分类器网络模型。具体为将特征输入后,推算至输出,得到真实性和稳定性的输出,与样本实际真实性和稳定性标签比较,其中针对不同类型的数据需要计算不同的损失函数。
对于母线电压真实有标签数据集,Q1判别器和分类器网络模型的最终目的是希望其辨识的失稳/稳定结果和该标签数据的标签一致,因此,该类数据集的损失函数可以表示为:
所述的分类器损失函数loss_ld1:
判别器第一损失函数loss_ud1:
判别器第二损失函数loss_ud2:
其中,ml,mu,mf分别为分类器损失函数,判别器损失函数,生成器损失函数的样本数据,ti为第i类标签样本数据通过判别器和分类器网络模型标记的标签类型值,xi为第i类标签的真实样本数据,N为非真实标签类型值,zi为第i类标签伪直流电压样本数据,G(zi)为第i类标签伪直流电压特征向量通过生成器生成的伪标签直流电压样本数据。
根据损失函数使用莱文贝格-马奈特算法更新Q1判别器和分类器网络模型的权重,同一样本迭代数次,至误差较小以后,保存新的Q1判别器和分类器网络模型。
S34.将伪标签数据集中Q1判别器和分类器网络模型真实性判别较高的数据,加入真实数据集中。
S35.将调整后的真实数据集和伪标签数据集用于训练Q2生成器网络模型。具体为生成的伪数据经过Q1判别器和分类器网络模型判别,得到真实性标签判定,计算损失函数。
生成器损失函数loss_bd1:
同样,根据损失函数使用Levenberg-Marquardt算法更新Q2生成器网络的权重,同一样本迭代数次,至误差较小以后,保存新的Q2生成器网络。
S36.重复步骤S32-S35,直到生成样本集数量和比例达到要求,同时对于数据真伪性和稳定性的判别达到高准确度要求。
本发明方法不依赖专家经验,极大的节约人力,有助于提高直流配电网运行稳定性,具有较大的工程应用价值和推广前景。
本领域内的技术人员应明白,本申请的具体实施方式可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件完全软件、或结合软件和硬件方面的具体实施方式。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。本申请具体实施方式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具体实施方式中的方法、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方式,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施方式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 (9)
1.一种判断直流配电系统稳定性的实时监测方法,其特征在于,包括:
S1:获得真实直流电压信息,编码每条真实直流电压信息获得真实直流电压特征向量,以构建样本集;
S2:基于全连接神经网络构建训练系统,包括生成器网络模型,判别器和分类器网络模型;
S3:构建训练系统的损失函数,根据输入真实直流电压特征向量通过判别器和分类器网络模型,得到真实电压特征向量标记的稳定和失稳标签的概率构建分类器损失函数;
根据输入真实直流电压特征向量通过判别器和分类器网络模型得到真实电压特征向量为非真实的概率构建判别器第一损失函数;
根据输入伪直流电压特征向量通过判别器和分类器网络模型得到伪直流电压特征向量为非真实的概率构建判别器第二损失函数;
根据输入伪直流电压特征向量通过生成器得到伪标签直流电压特征数据为非真实的概率构建生成器损失函数;
S4:利用分类器损失函数、判别器第一损失函数、判别器第二损失函数、生成器损失函数对训练系统进行训练,训练结束时,判别器以及确定的参数组成真伪性判别模型,分类器以及确定的参数组成稳定性标签分类模型,确定参数的生成器组成高置信度的伪标签直流电压数据生成模型;
S5:将实时观测得到的真实直流电压信息输入判别器和分类器网络模型,得到对于真实直流电压信息的稳定性实时判别结果。
2.根据权利要求1所述的判断直流配电系统稳定性的实时监测方法,其特征在于,步骤S1中,所述的真实直流电压特征向量包括标记稳定和失稳标签的真实直流电压特征向量,用于通过判别器和分类器网络模型判别伪标签直流电压数据稳定性和真伪性,以及未标记稳定和失稳标签的真实直流电压特征向量,用于通过判别器和分类器网络模型判别伪标签直流电压的真伪性。
3.根据权利要求1或2所述的判断直流配电系统稳定性的实时监测方法,其特征在于,步骤S1中,所述的真实直流电压信息为直流配电网母线历史波形以及稳定性标签,编码直流配电网母线历史波形得到直流配电网母线历史波形特征,基于直流配电网母线历史波形特征确定所述的生成器、判别器和分类器的输入维度和输出维度。
4.根据权利要求1所述的判断直流配电系统稳定性的实时监测方法,其特征在于,步骤S2中,所述的生成器网络模型用于根据随机数据生成伪标签直流电压数据,具体步骤为:提取随机数据中的特征向量,输入所述特征向量到生成器网络模型,基于全连接神经网络,得到伪标签直流电压数据。
5.根据权利要求1所述的判断直流配电系统稳定性的实时监测方法,其特征在于,步骤S2中,所述的判别器和分类器网络模型用于根据真实直流电压特征向量和伪标签直流电压特征数据判别伪标签直流电压真伪性和稳定性,具体步骤如下:
提取伪标签直流电压数据得到伪标签直流电压特征向量,输入所述伪标签直流电压特征向量、真实直流电压特征向量到判别器和分类器网络模型,基于全神经网络连接,对输入的伪标签直流电压特征向量的置信度进行判断,所述置信度为真伪性和稳定性,得到伪标签直流电压的置信度判断结果。
7.根据权利要求1所述的判断直流配电系统稳定性的实时监测方法,其特征在于,步骤S4中,利用分类器损失函数、判别器第一损失函数、判别器第二损失函数、生成器损失函数对训练系统进行训练的具体步骤如下:
输入样本集和伪标签直流电压特征向量,利用分类器损失函数、判别器第一损失函数、判别器第二损失函数,基于莱文贝格-马奈特算法不断迭代,直到真伪性和稳定性达到阈值要求,更新判别器和分类器网络模型权重,得到真伪性判别模型和稳定性标签分类模型;
输入伪直流电压特征向量,利用生成器损失函数,基于莱文贝格-马奈特算法不断迭代,直到真伪性达到阈值要求,更新生成器网络模型权重,得到高置信度的伪标签直流电压数据模型。
8.根据权利要求1所述的判断直流配电系统稳定性的实时监测方法,其特征在于,步骤S5中,所述的经计算获得高置信度伪标签的直流电压数据后,将高置信度伪标签的直流电压数据增加到真实直流电压信息样本集,平衡稳定和不稳定标签数据比例。
9.一种判断直流配电系统稳定性的实时监测装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机存储器中采用权利要求1~8任一项所述的判断直流配电系统稳定性的实时监测方法构建的判断直流配电系统稳定性的实时监测模型;
所述计算机处理器执行所述计算机程序时实现以下步骤:
将实时观测得到的真实直流电压信息输入判别器和分类器网络模型,得到对于真实直流电压信息的稳定性实时判别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523614.8A CN113128130B (zh) | 2021-05-13 | 2021-05-13 | 一种判断直流配电系统稳定性的实时监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523614.8A CN113128130B (zh) | 2021-05-13 | 2021-05-13 | 一种判断直流配电系统稳定性的实时监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128130A true CN113128130A (zh) | 2021-07-16 |
CN113128130B CN113128130B (zh) | 2022-05-17 |
Family
ID=76781983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110523614.8A Active CN113128130B (zh) | 2021-05-13 | 2021-05-13 | 一种判断直流配电系统稳定性的实时监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128130B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113794371A (zh) * | 2021-09-17 | 2021-12-14 | 深圳市科雷特能源科技股份有限公司 | 直流对直流转换方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570779A (zh) * | 2016-08-30 | 2017-04-19 | 深圳供电局有限公司 | 一种直流配电网可靠性分析的方法及系统 |
CN109494726A (zh) * | 2018-11-27 | 2019-03-19 | 国网安徽省电力有限公司安庆供电公司 | 基于dlrnn神经网络的电力系统稳定性在线评估方法 |
CN110212528A (zh) * | 2019-06-19 | 2019-09-06 | 华北电力大学 | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 |
CN111814403A (zh) * | 2020-07-16 | 2020-10-23 | 国网山东省电力公司电力科学研究院 | 一种配电主设备分布式状态传感器可靠性评估方法 |
CN112016774A (zh) * | 2019-05-29 | 2020-12-01 | 中国电力科学研究院有限公司 | 一种基于数据增强技术的配网运行状态辨识方法及系统 |
WO2021002972A1 (en) * | 2019-07-02 | 2021-01-07 | Microsoft Technology Licensing, Llc | Datacenter stabilization of regional power grids |
CN112507605A (zh) * | 2020-11-04 | 2021-03-16 | 清华大学 | 基于AnoGAN的配电网异常检测方法 |
-
2021
- 2021-05-13 CN CN202110523614.8A patent/CN113128130B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570779A (zh) * | 2016-08-30 | 2017-04-19 | 深圳供电局有限公司 | 一种直流配电网可靠性分析的方法及系统 |
CN109494726A (zh) * | 2018-11-27 | 2019-03-19 | 国网安徽省电力有限公司安庆供电公司 | 基于dlrnn神经网络的电力系统稳定性在线评估方法 |
CN112016774A (zh) * | 2019-05-29 | 2020-12-01 | 中国电力科学研究院有限公司 | 一种基于数据增强技术的配网运行状态辨识方法及系统 |
CN110212528A (zh) * | 2019-06-19 | 2019-09-06 | 华北电力大学 | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 |
WO2021002972A1 (en) * | 2019-07-02 | 2021-01-07 | Microsoft Technology Licensing, Llc | Datacenter stabilization of regional power grids |
CN111814403A (zh) * | 2020-07-16 | 2020-10-23 | 国网山东省电力公司电力科学研究院 | 一种配电主设备分布式状态传感器可靠性评估方法 |
CN112507605A (zh) * | 2020-11-04 | 2021-03-16 | 清华大学 | 基于AnoGAN的配电网异常检测方法 |
Non-Patent Citations (3)
Title |
---|
RENKE HUANG ET AL.: "Parameters Calibration for Power Grid Stability Models using Deep Learning Methods", 《ARXIV:SIGNAL PROCESSING》 * |
张业宇等: "基于深度神经网络的交直流电力系统暂态稳定评估方法", 《电力科学与工程》 * |
李福新: "基于平稳小波与BP神经网络的换相失败检测算法", 《沈阳工业大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113794371A (zh) * | 2021-09-17 | 2021-12-14 | 深圳市科雷特能源科技股份有限公司 | 直流对直流转换方法及装置 |
CN113794371B (zh) * | 2021-09-17 | 2023-06-30 | 深圳市科雷特能源科技股份有限公司 | 直流对直流转换方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113128130B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Time series anomaly detection for smart grids: A survey | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN114021433B (zh) | 一种电力系统的主导失稳模式识别模型的构建方法及应用 | |
Zheng et al. | Real-time transient stability assessment based on deep recurrent neural network | |
CN117421571A (zh) | 一种基于配电网的拓扑实时辨识方法及系统 | |
CN116131313A (zh) | 特征量与暂态功角稳定性关联关系的可解释性分析方法 | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
CN113128130B (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 | |
CN114266676A (zh) | 一种遗传优化Bagging异质集成模型的异常用电检测方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
Yang et al. | A Trustable Data-Driven Framework for Composite System Reliability Evaluation | |
Chen et al. | Distribution-aware graph representation learning for transient stability assessment of power system | |
CN116566061A (zh) | 一种并网逆变器系统稳定性在线监测方法及系统 | |
CN116664098A (zh) | 一种光伏电站的异常检测方法及系统 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
Mahto et al. | Mpgcn-opf: A message passing graph convolution approach for optimal power flow for distribution network | |
CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
CN114565051A (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
Yun et al. | Regional voltage stability prediction based on decision tree algorithm | |
Wu et al. | Convolutional deep leaning-based distribution system topology identification with renewables | |
Jain et al. | A decision tree C4. 5-based voltage security events classifier for electric power systems | |
Afrasiabi et al. | Power System Transient Security Assessment using Unsupervised Probabilistic Deep Bayesian Neural Network | |
Devie et al. | Transient stability prediction in multimachine system using data mining techniques | |
Wang et al. | Online load-loss risk assessment based on stacking ensemble learning for power systems | |
Su et al. | Dynamic-Deep-Ensemble-Learning Scheme for Probabilistic Voltage Stability Margin Estimation to Enhance Resilient Power Grid Monitoring |
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 |