CN113177357A - 一种电力系统暂态稳定评估方法 - Google Patents

一种电力系统暂态稳定评估方法 Download PDF

Info

Publication number
CN113177357A
CN113177357A CN202110471521.5A CN202110471521A CN113177357A CN 113177357 A CN113177357 A CN 113177357A CN 202110471521 A CN202110471521 A CN 202110471521A CN 113177357 A CN113177357 A CN 113177357A
Authority
CN
China
Prior art keywords
fault
transient stability
preset
power system
faults
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
Application number
CN202110471521.5A
Other languages
English (en)
Other versions
CN113177357B (zh
Inventor
孙宏斌
周艳真
郭庆来
王彬
吴文传
王铮澄
兰健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202110471521.5A priority Critical patent/CN113177357B/zh
Priority to US17/383,764 priority patent/US20220360084A1/en
Publication of CN113177357A publication Critical patent/CN113177357A/zh
Application granted granted Critical
Publication of CN113177357B publication Critical patent/CN113177357B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Abstract

本发明涉及一种电力系统暂态稳定评估方法，属于电力系统稳定分析技术领域。首先对电力系统不同运行工况和预设故障进行暂态稳定仿真，采集电力系统在故障发生前的数据，通过暂态稳定标签的统计结果和最大最小归一化方法得到不同预设故障下的数据集；然后，基于Jaccard距离和Hausdorff距离构建不同预设故障的相似性评价指标，基于相似性评价指标对不同预设故障的数据集进行聚类；对每个聚类内的不同预设故障依次训练权值共享的多任务孪生神经网络，得到用于暂态稳定评估的多个多任务孪生神经网络。本方法考虑了暂态稳定评估中不同预设故障的相似性，利用相似预设故障的不同数据集训练孪生网络，有利于提高暂态稳定评估模型的泛化能力，从而提高暂态稳定评估结果的准确性。

Description

一种电力系统暂态稳定评估方法
技术领域
本发明属于电力系统稳定分析技术领域，涉及一种电力系统暂态稳定评估方法。
背景技术
暂态稳定性破坏是电力系统发生大规模停电事故的重要原因，如何快速准确判断电力系统的暂态稳定性是电力系统安全防控要考虑的重要问题之一。近年来，诸如支持向量机、极限学习机等数据驱动方法已经被用于分析预设故障下的电力系统暂态稳定性。一般来说，由于故障仍未发生，往往采用稳态数据作为输入特征。由于电力系统在同一种运行方式不同预设故障下的暂态稳定性不同，一般利用不同预设故障下的数据集分别构建多个机器学习模型的方式，得到多个不同预设故障下的暂态稳定评估模型。
事实上，相似预设故障下的数据集具有相似性，得到的暂态稳定评估模型也具有相似性。如果对相似的数据集分开训练不同的暂态稳定评估模型，会使相似数据集之间无法充分利用，在有限数据集下不利于模型性能的提升。本发明引入多任务学习和孪生网络，提出一种考虑多预设故障下基于多任务孪生网络的电力系统暂态稳定评估方法。采用聚类方法对不同预设故障下的数据集进行聚类，按照不同预设故障之间的相似度评价指标将不同预设故障分为不同聚类；采用多任务孪生神经网络对同一聚类中不同预设故障下的数据集进行学习，相当于有效地增加每个预设故障暂态稳定评估任务的训练数据量，有利于提高预设故障下暂态稳定评估模型的泛化能力。
发明内容
本发明的目的是提出一种电力系统暂态稳定评估方法，针对预设故障下的暂态稳定评估问题，采用聚类方法对不同预设故障下的数据集进行聚类，按照相似度将数据集分为不同聚类，然后分别对同一聚类中不同预设故障对应的数据集进行训练，构建得到用于多种预设故障下暂态稳定评估的多任务孪生神经网络。通过相似数据集和多任务孪生神经网络有效提高暂态稳定评估模型的准确率。
本发明提出的电力系统暂态稳定性预测方法，首先从暂态稳定仿真数据中采集电力系统在故障发生前的数据和暂态稳定标签，通过对暂态稳定标签的统计结果和最大最小化方法得到不同预设故障下的数据集；然后，基于Jaccard距离和Hausdorff距离构建不同预设故障的相似性评价指标，采用聚类算法实现对不同预设故障的聚类；依次对每个聚类内的不同预设故障训练参数共享的孪生神经网络，得到用于暂态稳定评估的多任务孪生神经网络；最后，根据暂态稳定标签的统计结果，以及暂态稳定评估的多任务孪生神经网络，得到电力系统在所有f个预设故障下的暂态稳定评估结果。
本发明提出的电力系统暂态稳定评估方法，其优点是：
本发明的电力系统暂态稳定评估方法，能够考虑电力系统中多个预设故障数据集之间存在的相似性，构建了基于Jaccard距离指标和Hausdorff距离指标的相似性评价指标，基于相似性评价指标对不同预设故障的数据集进行聚类；然后，对同一聚类内的不同预设故障训练参数共享的多任务孪生神经网络用于暂态稳定评估，采用不同预设故障下的数据集训练参数共享的孪生神经网络，相当于增加了每个任务的训练数据量，从而提高了用于电力系统暂态稳定评估模型的泛化能力，有利于提高电力系统暂态稳定评估结果的准确性。
附图说明
图1是本发明方法的流程框图。
图2是本发明方法步骤(4-1)的示意图。
具体实施方式
本发明提出的电力系统暂态稳定性预测方法，首先从暂态稳定仿真数据中采集电力系统在故障发生前的数据和暂态稳定标签，通过对暂态稳定标签的统计结果和最大最小化方法得到不同预设故障下的数据集；然后，基于Jaccard距离和Hausdorff距离构建不同预设故障的相似性评价指标，采用聚类算法实现对不同预设故障的聚类；依次对每个聚类内的不同预设故障训练参数共享的孪生神经网络，得到用于暂态稳定评估的多任务孪生神经网络；最后，根据暂态稳定标签的统计结果，以及暂态稳定评估的多任务孪生神经网络，得到电力系统在所有f个预设故障下的暂态稳定评估结果。
上述电力系统暂态稳定评估方法，其流程框图如图1所示，具体下步骤如下：
(1)根据电力系统历史运行和未来规划情况并考虑电网未来可能出现的重负荷情况，设置s0种运行工况，每种运行工况下分别设置f种预设故障，利用数值计算方法对电力系统在s0种运行工况下分别发生f种预设故障后的暂态稳定性进行仿真计算，依次采集故障发生前的发电机特征、线路特征以及不同预设故障下的暂态稳定标签，根据暂态稳定标签的统计结果和最大最小归一化方法，得到数据集O0，具体步骤如下：
(1-1)对一个具有N台发电机的电力系统，根据电力系统历史运行和未来规划情况并考虑电网未来可能出现的重负荷情况，设置s0种运行工况，每种运行工况下分别设置f种预设故障，利用数值计算方法对电力系统在s0种运行工况下的分别发生f种预设故障后的暂态稳定性进行仿真计算，依次采集第k种运行工况下所有发电机在故障发生前的有功功率PGi k、机端电压VGi k、线路的有功功率PLj k、线路的无功功率QLj k和暂态稳定性标签[y1 k,y2 k,…,ya k,…,yf k]，构成原始数据集[PGi k,VGi k,PLj k,QLj k,y1 k,y2 k,…,ya k,…,yf k]，上标k表示运行工况编号，即s0种运行工况中的第k种运行工况，k＝1,2,…,s0，下标i表示第i台发电机，i＝1,…,N，下标j表示第j条线路，j＝1,…,M，M为电力系统中的线路数，ya k是电力系统在第k种运行工况下发生第a种预设故障后的暂态稳定标签，下标a表示第a种预设故障，a＝1,…,f，若电力系统在第k种运行工况下发生第a种预设故障后发生暂态失稳，则ya k＝1，若电力系统在第k种运行工况下发生第a种预设故障后能够保持暂态稳定，则ya k＝0，在本发明的一个实施例中，所采用的电力系统为新英格兰10机39节点系统，发电机台数N＝10，线路数M＝34，运行工况数s0＝5000，预设故障为在所有34条线路中间分别发生三相永久短路故障，故障切除时间为0.1秒，因此预设故障总数f＝34；
(1-2)根据最大最小归一化方法，分别对步骤(1-1)的原始数据集中的PGi k、VGi k、PLj k和QLj k进行归一化处理，得到归一化后的故障发生前所有发电机的有功功率
Figure BDA0003045507840000031
归一化后的故障发生前所有发电机母线的电压幅值
Figure BDA0003045507840000032
归一化后的故障发生前所有线路的有功功率
Figure BDA0003045507840000033
归一化后的故障发生前所有线路的无功功率
Figure BDA0003045507840000034
归一化的公式为：
Figure BDA0003045507840000035
Figure BDA0003045507840000036
Figure BDA0003045507840000037
Figure BDA0003045507840000038
(1-3)依次对步骤(1-1)得到的暂态稳定标签[y1 k,y2 k,…,ya k,…,yf k]在s0种运行工况下的取值进行统计，若第a个预设故障的暂态稳定标签ya k满足
Figure BDA0003045507840000041
说明第a个预设故障始终会使电网发生暂态失稳，则将第a个预设故障放入故障集合Z1中，且不进行后续暂态稳定评估孪生神经网络的构建，若第a个预设故障的暂态稳定标签ya k满足
Figure BDA0003045507840000042
说明第a个预设故障不会引起电网发生暂态失稳，则将第a个预设故障放入故障集合Z0中，且不进行后续暂态稳定评估孪生神经网络的构建，若第a个预设故障的暂态稳定标签满足
Figure BDA0003045507840000043
说明第a个预设故障只在一部分运行工况下会使电网发生暂态失稳，则将第a个预设故障放入故障集合Z2中，记Z2中最终有b个预设故障，b个预设故障分别记为E(1)，E(2),…,E(b)，b个预设故障的暂态稳定标签分别记为yE(1) k,yE(2) k,...,yE(b) k，在本发明的一个实施例中，故障集合Z1为空集，故障集合Z0包含1个预设故障，Z2包含33个预设故障，即b＝33；
(1-4)根据步骤(1-2)的
Figure BDA0003045507840000044
和步骤(1-3)中故障集合Z2中的暂态稳定标签yE(1) k,yE(2) k,...,yE(b) k，得到经过数据预处理后的数据集O0：
Figure BDA0003045507840000045
(2)根据电力系统历史运行和未来规划情况并考虑电网未来可能出现的重负荷情况，对步骤(1-1)的电力系统重新设置s1×b种运行工况，考虑步骤(1-3)得到的故障集合Z2中的b种预设故障，利用数值计算方法依次进行电力系统暂态稳定仿真计算，从仿真结果数据中采集故障发生前的发电机特征、线路特征以及不同预设故障下的暂态稳定性标签，根据暂态稳定标签的统计结果和步骤(1-2)的最大最小归一化方法，得到新数据集Onew，具体步骤如下：
(2-1)根据电力系统历史运行和未来规划情况并考虑电网未来可能出现的重负荷情况，对步骤(1-1)的电力系统重新设置s1×b种运行工况，编号分别记为s0+1,s0+2,…,s0+s1×b，利用数值计算方法依次对电力系统在第d个运行工况下发生步骤(1-3)得到的故障集合Z2中第
Figure BDA0003045507840000046
种预设故障进行暂态稳定仿真计算，采集第d种运行工况下所有发电机在故障发生前的有功功率PGi d、机端电压VGi d、线路的有功功率PLj d、线路的无功功率QLj d和暂态稳定性标签
Figure BDA0003045507840000047
得到数据集
Figure BDA0003045507840000048
Figure BDA0003045507840000051
其中d＝s0+1,s0+2,…,s0+s1×b，在本发明的一个实施例中，设定s1＝3000；
(2-2)根据步骤(1-2)的最大最小归一化方法，对步骤(2-1)得到的数据集
Figure BDA0003045507840000052
中的PGi d、VGi d、PLj d和QLj d进行归一化处理，得到第d种运行工况下，归一化后的故障发生前所有发电机的有功功率
Figure BDA0003045507840000053
归一化后的故障发生前所有发电机母线的电压幅值
Figure BDA0003045507840000054
归一化后的故障发生前所有线路的有功功率
Figure BDA0003045507840000055
归一化后的故障发生前所有线路的无功功率
Figure BDA0003045507840000056
(2-3)根据步骤(2-2)的
Figure BDA0003045507840000057
和步骤(2-1)的暂态稳定标签
Figure BDA0003045507840000058
得到经过数据预处理后的新数据集Onew：
Figure BDA0003045507840000059
(3)基于Jaccard距离指标和Hausdorff距离指标，计算步骤(1-3)中故障集合Z2中b种预设故障之间的相似度评价指标D(e,g)，其中，e表示步骤(1-3)中故障集合Z2中的第e个预设故障，e＝E(1),…,E(b)，g表示步骤(1-3)中故障集合Z2中的第g个预设故障，g＝E(1),…,E(b)且g≠e，利用相似度评价指标D(e,g)以及聚类算法，对步骤(1-3)中故障集合Z2中的b种预设故障进行聚类，最终得到B个聚类，其中，第l个聚类中包含预设故障的个数为p(l)，l＝1,…,B，具体步骤如下：
(3-1)依次计算故障集合Z2中第e个预设故障在所有s0种运行工况下的暂态稳定标签向量
Figure BDA00030455078400000510
和故障集合Z2中的第g个预算故障在所有s0种运行工况下的暂态稳定标签向量
Figure BDA00030455078400000511
之间的Jaccard距离指标，Jaccard距离指标的计算公式如下：
Figure BDA00030455078400000512
其中，M00为ye k和yg k同时等于0的运行工况总数，M01为ye k等于0且yg k等于1的运行工况个数，M10为ye k等于1且yg k等于0的运行工况个数，M11为ye k和yg k同时等于0的运行工况总数，k＝1,2,…,s0；
(3-2)依次取出与故障集合Z2中第e个预设故障的暂态稳定标签中ye k＝1相对应运行工况的特征集
Figure BDA00030455078400000513
和与故障集合Z2中第g个预设故障的暂态稳定标签中ye k＝1相对应运行工况的特征集
Figure BDA00030455078400000514
计算
Figure BDA00030455078400000515
Figure BDA00030455078400000516
和
Figure BDA00030455078400000517
之间的Hausdorff距离，记为H(e,g)，其中，h(e)表示故障集合Z2中第e个预设故障的暂态稳定标签中ye k＝1所对应运行工况集合，h(g)表示故障集合Z2中第g个预设故障的暂态稳定标签中yg k＝1所对应运行工况集合；
(3-3)根据步骤(3-1)计算得到的J(e,g)和步骤(3-2)计算得到的H(e,g)，计算故障集合Z2中不同预设故障之间的相似度评价指标D(e,g)：
D(e,g)＝w1×J(e,g)+w2×H(e,g)
其中，w1和w2为人为设置的权重，并满足w1+w2＝1，在本发明的一个实施例中设置为w1＝0.5，w2＝0.5；
(3-4)利用步骤(3-3)得到的故障集合Z2中不同预设故障之间的相似度评价指标D(e,g)，对故障集合Z2中b种预设故障进行聚类，最终得到B个聚类，其中，第l个聚类中包含的预设故障的个数为p(l)，l＝1,…,B，将第l个聚类记为C(l)＝{q(l)1,q(l)2,…,q(l)r(l),…,q(l)p(l)}，q(l)r(l)表示第l个聚类C(l)中第r(l)个预设故障在故障集合Z2中的预设故障编号，r(l)＝1,…,p(l)，聚类算法和聚类数B可以根据人工经验指定，或依次设置聚类数量为2,3,…,b，计算不同聚类数量下聚类结果的轮廓系数，选取具有最大轮廓系数的聚类个数为最佳聚类数，在本发明的一个实施例中采用的聚类算法为谱聚类算法，利用最大轮廓系数最终确定的聚类数B＝2；
(4)基于步骤(1)得到的数据集O0、步骤(2)得到的数据集Onew和步骤(3)得到的B个聚类结果，训练用于暂态稳定评估的多任务孪生神经网络，具体步骤如下：
(4-1)将步骤(1-4)得到的数据集O0和步骤(2-3)得到的数据集Onew按照预设故障的不同，分为b个数据集Dfault(1),Dfault(2),…,Dfault(b)，分别对应步骤(1-3)中的b个预设故障，其中，第e个预设故障对应数据集的输入特征包括归一化后的故障发生前所有发电机的有功功率
Figure BDA0003045507840000061
归一化后的故障发生前所有发电机母线的电压幅值
Figure BDA0003045507840000062
归一化后的故障发生前所有线路的有功功率
Figure BDA0003045507840000063
归一化后的故障发生前所有线路的无功功率
Figure BDA0003045507840000064
每个数据集的暂态稳定标签为ye u(e)，其中，上标u(e)表示第e个预设故障对应的第u(e)个运行工况，且u(e)＝1,2,…,s0,s0+s1×(e-1)×b+1,s0+s1×(e-1)×b+2,…,s0+s1×e×b，数据集划分的示意图参见图2；
(4-2)基于步骤(4-1)的数据集Dfault(1),Dfault(2),…,Dfault(b)，利用步骤(3-4)的聚类结果和孪生神经网络训练算法，依次训练得到B个用于暂态稳定评估的多任务孪生神经网络，其中，第l个多任务孪生神经网络Ml使用的训练数据为步骤(3-4)中第l个聚类C(l)中预设故障所对应的数据集Dfault(q(l)1),Dfault(q(l)2),…,Dfault(q(l)r(l)),…,Dfault(q(l)p(l))，Ml的具体结构如下：
(4-2-1)Ml的p(l)个输入层：
Ml包括p(l)个输入层，其中，第r(l)个输入层有2×N+2×M个神经元，每个神经元的输入包括：归一化后的故障发生前所有发电机的有功功率
Figure BDA0003045507840000071
归一化后的故障发生前所有发电机母线的电压幅值
Figure BDA0003045507840000072
归一化后的故障发生前所有线路的有功功率
Figure BDA0003045507840000073
归一化后的故障发生前所有线路的无功功率
Figure BDA0003045507840000074
其中，上标u(q(l)r(l))表示第l个聚类中第q(l)r(l)个预设故障对应的第u(q(l)r(l))个运行工况；
(4-2-2)Ml的参数共享单元：
Ml的参数共享单元包含t1(l)个隐含层，其中，第1个隐含层h1(l)的输入为步骤(3-2-1)中Ml的p(l)个输入层，第c个隐含层hc(l)的输入为第c-1个隐含层hc-1(l)的输出，c＝2,…,t1(l)，隐含层的个数t1(l)以及每一层隐含层的神经元数目根据人工经验或计算精度要求反复试探来确定，在本发明的一个实施例中，设t1(l)＝3，即第l个神经网络Ml的参数共享单元包含3个隐含层，其中第一个隐含层的神经元个数为128，第二个隐含层的神经元个数为64，第三个隐含层的神经元个数为32；
(4-2-3)Ml的p(l)个输出单元：
Ml的p(l)个输出单元分别包含t2(l)个隐含层和1个输出层，每个输出单元中第一个隐含层的输入为步骤(4-2-2)中参数共享单元的第t1(l)个隐含层的输出，隐含层的个数t2(l)和隐含层神经元数目根据人工经验或计算精度要求反复试探来确定，在本发明的一个实施例中，设t2(l)＝1，即每个输出单元分别有1个隐含层，隐含层的神经元个数设为32，输出层包含1个神经元，输出层采用Sigmoid函数为激活函数，其中，Ml的第r(l)个输出单元的输出为
Figure BDA0003045507840000075
当
Figure BDA0003045507840000076
表示电力系统在第u(q(l)r(l))个运行工况下发生第l个聚类中第q(l)r(l)个预设故障后发生暂态失稳，当
Figure BDA0003045507840000077
表示电力系统在第u(q(l)r(l))个运行工况下发生第l个聚类中第q(l)r(l)个预设故障后能够保持暂态稳定；
(5)根据步骤(1-3)中暂态稳定标签的统计结果，以及利用步骤(4)得到的多任务孪生神经网络，得到电力系统分别发生故障集合Z0、Z1和Z2中所有f个预设故障后的暂态稳定评估结果，具体包括如下步骤：
(5-1)根据步骤(1-3)中暂态稳定标签的统计结果，得到电力系统分别发生步骤(1-3)中故障集合Z0和故障集合Z1中预设故障后的暂态稳定评估结果，具体步骤如下：
(5-1-1)将电力系统分别发生步骤(1-3)中故障集Z0中预设故障后的暂态稳定性评估为能够保持暂态稳定；
(5-1-2)将电力系统分别发生步骤(1-3)中故障集Z1中预设故障后的暂态稳定性评估为暂态失稳；
(5-2)利用步骤(4)得到的B个多任务孪生神经网络，得到电力系统分别发生步骤(1-3)中故障集合Z2中所有b个预设故障后的暂态稳定评估结果，具体步骤如下：
(5-2-1)从数据采集与监视控制系统或广域测量信息系统中采集电力系统中所有发电机的有功功率PGi、所有发电机的机端电压VGi、所有线路的有功功率PLj、所有线路的无功功率QLj，构成初始输入特征；
(5-2-2)利用步骤(1-2)的最大最小归一化对初始输入特征进行归一化处理后，得到归一化后的输入特征；
(5-2-3)将步骤(5-2-2)得到的归一化后的特征分别输入至步骤(4)得到的B个多任务孪生神经网络中，得到电力系统分别发生步骤(1-3)得到的故障集Z2中所有b个预设故障后的暂态稳定评估结果。

Claims (2)

1.一种电力系统暂态稳定性预测方法，其特征在于，首先从暂态稳定仿真数据中采集电力系统在故障发生前的数据和暂态稳定标签，通过对暂态稳定标签的统计结果和最大最小化方法得到不同预设故障下的数据集；然后，基于Jaccard距离和Hausdorff距离构建不同预设故障的相似性评价指标，采用聚类算法实现对不同预设故障的聚类；依次对每个聚类内的不同预设故障训练参数共享的孪生神经网络，得到用于暂态稳定评估的多任务孪生神经网络；最后，根据暂态稳定标签的统计结果，以及暂态稳定评估的多任务孪生神经网络，得到电力系统在所有f个预设故障下的暂态稳定评估结果。
2.如权利要求1所述的电力系统暂态稳定评估方法，其特征在于具体步骤如下：
(1)根据电力系统历史运行和未来规划情况并考虑电网未来可能出现的重负荷情况，设置s0种运行工况，每种运行工况下分别设置f种预设故障，利用数值计算方法对电力系统在s0种运行工况下分别发生f种预设故障后的暂态稳定性进行仿真计算，依次采集故障发生前的发电机特征、线路特征以及不同预设故障下的暂态稳定标签，根据暂态稳定标签的统计结果和最大最小归一化方法，得到数据集O0，具体步骤如下：
(1-1)对一个具有N台发电机的电力系统，根据电力系统历史运行和未来规划情况并考虑电网未来可能出现的重负荷情况，设置s0种运行工况，每种运行工况下分别设置f种预设故障，利用数值计算方法对电力系统在s0种运行工况下的分别发生f种预设故障后的暂态稳定性进行仿真计算，依次采集第k种运行工况下所有发电机在故障发生前的有功功率PGi k、机端电压VGi k、线路的有功功率PLj k、线路的无功功率QLj k和暂态稳定性标签
Figure FDA0003045507830000011
构成原始数据集
Figure FDA0003045507830000012
上标k表示运行工况编号，即s0种运行工况中的第k种运行工况，k＝1,2,…,s0，下标i表示第i台发电机，i＝1,…,N，下标j表示第j条线路，j＝1,…,M，M为电力系统中的线路数，ya k是电力系统在第k种运行工况下发生第a种预设故障后的暂态稳定标签，下标a表示第a种预设故障，a＝1,…,f，若电力系统在第k种运行工况下发生第a种预设故障后发生暂态失稳，则ya k＝1，若电力系统在第k种运行工况下发生第a种预设故障后能够保持暂态稳定，则ya k＝0；
(1-2)根据最大最小归一化方法，分别对步骤(1-1)的原始数据集中的PGi k、VGi k、PLj k和QLj k进行归一化处理，得到归一化后的故障发生前所有发电机的有功功率
Figure FDA0003045507830000013
归一化后的故障发生前所有发电机母线的电压幅值
Figure FDA0003045507830000014
归一化后的故障发生前所有线路的有功功率
Figure FDA0003045507830000021
归一化后的故障发生前所有线路的无功功率
Figure FDA0003045507830000022
归一化的公式为：
Figure FDA0003045507830000023
Figure FDA0003045507830000024
Figure FDA0003045507830000025
Figure FDA0003045507830000026
(1-3)依次对步骤(1-1)得到的暂态稳定标签
Figure FDA0003045507830000027
在s0种运行工况下的取值进行统计，若第a个预设故障的暂态稳定标签ya k满足
Figure FDA0003045507830000028
则将第a个预设故障放入故障集合Z1中，且不进行后续暂态稳定评估孪生神经网络的构建，若第a个预设故障的暂态稳定标签ya k满足
Figure FDA0003045507830000029
则将第a个预设故障放入故障集合Z0中，且不进行后续暂态稳定评估孪生神经网络的构建，若第a个预设故障的暂态稳定标签满足
Figure FDA00030455078300000210
则将第a个预设故障放入故障集合Z2中，记Z2中最终有b个预设故障，b个预设故障分别记为E(1)，E(2),…,E(b)，b个预设故障的暂态稳定标签分别记为；
(1-4)根据步骤(1-2)的
Figure FDA00030455078300000211
和步骤(1-3)中故障集合Z2中的暂态稳定标签yE(1) k,yE(2) k,...,yE(b) k，得到经过数据预处理后的数据集O0：
Figure FDA00030455078300000212
(2)根据电力系统历史运行和未来规划情况并考虑电网未来可能出现的重负荷情况，对步骤(1-1)的电力系统重新设置s1×b种运行工况，考虑步骤(1-3)得到的故障集合Z2中的b种预设故障，利用数值计算方法依次进行电力系统暂态稳定仿真计算，从仿真结果数据中采集故障发生前的发电机特征、线路特征以及不同预设故障下的暂态稳定性标签，根据暂态稳定标签的统计结果和步骤(1-2)的最大最小归一化方法，得到新数据集Onew，具体步骤如下：
(2-1)根据电力系统历史运行和未来规划情况并考虑电网未来可能出现的重负荷情况，对步骤(1-1)的电力系统重新设置s1×b种运行工况，编号分别记为s0+1,s0+2,…,s0+s1×b，利用数值计算方法依次对电力系统在第d个运行工况下发生步骤(1-3)得到的故障集合Z2中第
Figure FDA0003045507830000031
种预设故障进行暂态稳定仿真计算，采集第d种运行工况下所有发电机在故障发生前的有功功率PGi d、机端电压VGi d、线路的有功功率PLj d、线路的无功功率QLj d和暂态稳定性标签
Figure FDA0003045507830000032
得到数据集
Figure FDA0003045507830000033
Figure FDA0003045507830000034
其中d＝s0+1,s0+2,…,s0+s1×b；
(2-2)根据步骤(1-2)的最大最小归一化方法，对步骤(2-1)得到的数据集
Figure FDA0003045507830000035
中的PGi d、VGi d、PLj d和QLj d进行归一化处理，得到第d种运行工况下，归一化后的故障发生前所有发电机的有功功率
Figure FDA0003045507830000036
归一化后的故障发生前所有发电机母线的电压幅值
Figure FDA0003045507830000037
归一化后的故障发生前所有线路的有功功率
Figure FDA0003045507830000038
归一化后的故障发生前所有线路的无功功率
Figure FDA0003045507830000039
(2-3)根据步骤(2-2)的
Figure FDA00030455078300000310
和步骤(2-1)的暂态稳定标签
Figure FDA00030455078300000311
得到经过数据预处理后的新数据集Onew：
Figure FDA00030455078300000312
(3)基于Jaccard距离指标和Hausdorff距离指标，计算步骤(1-3)中故障集合Z2中b种预设故障之间的相似度评价指标D(e,g)，其中，e表示步骤(1-3)中故障集合Z2中的第e个预设故障，e＝E(1),…,E(b)，g表示步骤(1-3)中故障集合Z2中的第g个预设故障，g＝E(1),…,E(b)且g≠e，利用相似度评价指标D(e,g)以及聚类算法，对步骤(1-3)中故障集合Z2中的b种预设故障进行聚类，最终得到B个聚类，其中，第l个聚类中包含预设故障的个数为p(l)，l＝1,…,B，具体步骤如下：
(3-1)依次计算故障集合Z2中第e个预设故障在所有s0种运行工况下的暂态稳定标签向量
Figure FDA00030455078300000313
和故障集合Z2中的第g个预算故障在所有s0种运行工况下的暂态稳定标签向量
Figure FDA00030455078300000314
之间的Jaccard距离指标，Jaccard距离指标的计算公式如下：
Figure FDA00030455078300000315
其中，M00为ye k和yg k同时等于0的运行工况总数，M01为ye k等于0且yg k等于1的运行工况个数，M10为ye k等于1且yg k等于0的运行工况个数，M11为ye k和yg k同时等于0的运行工况总数，k＝1,2,…,s0；
(3-2)依次取出与故障集合Z2中与第e个预设故障的暂态稳定标签中ye k＝1相对应运行工况的特征集
Figure FDA0003045507830000041
和与故障集合Z2中第g个预设故障的暂态稳定标签中ye k＝1相对应运行工况的特征集
Figure FDA0003045507830000042
计算
Figure FDA0003045507830000043
Figure FDA0003045507830000044
和
Figure FDA0003045507830000045
之间的Hausdorff距离，记为H(e,g)，其中，h(e)表示故障集合Z2中第e个预设故障的暂态稳定标签中ye k＝1所对应运行工况集合，h(g)表示故障集合Z2中第g个预设故障的暂态稳定标签中yg k＝1所对应运行工况集合；
(3-3)根据步骤(3-1)计算得到的J(e,g)和步骤(3-2)计算得到的H(e,g)，计算故障集合Z2中不同预设故障之间的相似度评价指标D(e,g)：
D(e,g)＝w1×J(e,g)+w2×H(e,g)
其中，w1和w2为人为设置的权重，并满足w1+w2＝1；
(3-4)利用步骤(3-3)得到的故障集合Z2中不同预设故障之间的相似度评价指标D(e,g)，对故障集合Z2中b种预设故障进行聚类，最终得到B个聚类，其中，第l个聚类中包含的预设故障的个数为p(l)，l＝1,…,B，将第l个聚类记为C(l)＝{q(l)1,q(l)2,…,q(l)r(l),…,q(l)p(l)}，q(l)r(l)表示第l个聚类C(l)中第r(l)个预设故障在故障集合Z2中的预设故障编号，r(l)＝1,…,p(l)，聚类算法和聚类数B可以根据人工经验指定，或依次设置聚类数量为2,3,…,b，计算不同聚类数量下聚类结果的轮廓系数，选取具有最大轮廓系数的聚类个数为最佳聚类数；
(4)基于步骤(1)得到的数据集O0、步骤(2)得到的数据集Onew和步骤(3)得到的B个聚类结果，训练用于暂态稳定评估的多任务孪生神经网络，具体步骤如下：
(4-1)将步骤(1-4)得到的数据集O0和步骤(2-3)得到的数据集Onew按照预设故障的不同，分为b个数据集Dfault(1),Dfault(2),…,Dfault(b)，分别对应步骤(1-3)中的b个预设故障，其中，第e个预设故障对应数据集的输入特征包括归一化后的故障发生前所有发电机的有功功率
Figure FDA0003045507830000046
归一化后的故障发生前所有发电机母线的电压幅值
Figure FDA0003045507830000047
归一化后的故障发生前所有线路的有功功率
Figure FDA0003045507830000048
归一化后的故障发生前所有线路的无功功率
Figure FDA0003045507830000049
每个数据集的暂态稳定标签为ye u(e)，其中，上标u(e)表示第e个预设故障对应的第u(e)个运行工况，且u(e)＝1,2,…,s0,s0+s1×(e-1)×b+1,s0+s1×(e-1)×b+2,…,s0+s1×e×b；
(4-2)基于步骤(4-1)的数据集Dfault(1),Dfault(2),…,Dfault(b)，利用步骤(3-4)的聚类结果和孪生神经网络训练算法，依次训练得到B个用于暂态稳定评估的多任务孪生神经网络，其中，第l个多任务孪生神经网络Ml使用的训练数据为步骤(3-4)中第l个聚类C(l)中预设故障所对应的数据集Dfault(q(l)1),Dfault(q(l)2),…,Dfault(q(l)r(l)),…,Dfault(q(l)p(l))，Ml的具体结构如下：
(4-2-1)Ml的p(l)个输入层：
Ml包括p(l)个输入层，其中，第r(l)个输入层有2×N+2×M个神经元，每个神经元的输入包括：归一化后的故障发生前所有发电机的有功功率
Figure FDA0003045507830000051
归一化后的故障发生前所有发电机母线的电压幅值
Figure FDA0003045507830000052
归一化后的故障发生前所有线路的有功功率
Figure FDA0003045507830000053
归一化后的故障发生前所有线路的无功功率
Figure FDA0003045507830000054
其中，上标u(q(l)r(l))表示第l个聚类中第q(l)r(l)个预设故障对应的第u(q(l)r(l))个运行工况；
(4-2-2)Ml的参数共享单元：
Ml的参数共享单元包含t1(l)个隐含层，其中，第1个隐含层h1(l)的输入为步骤(3-2-1)中Ml的p(l)个输入层，第c个隐含层hc(l)的输入为第c-1个隐含层hc-1(l)的输出，c＝2,…,t1(l)，隐含层的个数t1(l)以及每一层隐含层的神经元数目根据人工经验或计算精度要求反复试探来确定；
(4-2-3)Ml的p(l)个输出单元：
Ml的p(l)个输出单元分别包含t2(l)个隐含层和1个输出层，每个输出单元中第一个隐含层的输入为步骤(4-2-2)中参数共享单元的第t1(l)个隐含层的输出，隐含层的个数t2(l)和隐含层神经元数目根据人工经验或计算精度要求反复试探来确定，输出层包含1个神经元，输出层采用Sigmoid函数为激活函数，其中，Ml的第r(l)个输出单元的输出为
Figure FDA0003045507830000055
当
Figure FDA0003045507830000056
表示电力系统在第u(q(l)r(l))个运行工况下发生第l个聚类中第q(l)r(l)个预设故障后发生暂态失稳，当
Figure FDA0003045507830000057
表示电力系统在第u(q(l)r(l))个运行工况下发生第l个聚类中第q(l)r(l)个预设故障后能够保持暂态稳定；
(5)根据步骤(1-3)中暂态稳定标签的统计结果，以及利用步骤(4)得到的多任务孪生神经网络，得到电力系统分别发生故障集合Z0、Z1和Z2中所有f个预设故障后的暂态稳定评估结果，具体包括如下步骤：
(5-1)根据步骤(1-3)中暂态稳定标签的统计结果，得到电力系统分别发生步骤(1-3)中故障集合Z0和故障集合Z1中预设故障后的暂态稳定评估结果，具体步骤如下：
(5-1-1)将电力系统分别发生步骤(1-3)中故障集Z0中预设故障后的暂态稳定性评估为能够保持暂态稳定；
(5-1-2)将电力系统分别发生步骤(1-3)中故障集Z1中预设故障后的暂态稳定性评估为暂态失稳；
(5-2)利用步骤(4)得到的B个多任务孪生神经网络，得到电力系统分别发生步骤(1-3)中故障集合Z2中所有b个预设故障后的暂态稳定评估结果，具体步骤如下：
(5-2-1)从数据采集与监视控制系统或广域测量信息系统中采集电力系统中所有发电机的有功功率PGi、所有发电机的机端电压VGi、所有线路的有功功率PLj、所有线路的无功功率QLj，构成初始输入特征；
(5-2-2)利用步骤(1-2)的最大最小归一化对初始输入特征进行归一化处理后，得到归一化后的输入特征；
(5-2-3)将步骤(5-2-2)得到的归一化后的特征分别输入至步骤(4)得到的B个多任务孪生神经网络中，得到电力系统分别发生步骤(1-3)得到的故障集Z2中所有b个预设故障后的暂态稳定评估结果。
CN202110471521.5A 2021-04-29 2021-04-29 一种电力系统暂态稳定评估方法 Active CN113177357B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110471521.5A CN113177357B (zh) 2021-04-29 2021-04-29 一种电力系统暂态稳定评估方法
US17/383,764 US20220360084A1 (en) 2021-04-29 2021-07-23 Transient stability assessment method for an electric power system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110471521.5A CN113177357B (zh) 2021-04-29 2021-04-29 一种电力系统暂态稳定评估方法

Publications (2)

Publication Number Publication Date
CN113177357A true CN113177357A (zh) 2021-07-27
CN113177357B CN113177357B (zh) 2022-08-09

Family

ID=76925170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110471521.5A Active CN113177357B (zh) 2021-04-29 2021-04-29 一种电力系统暂态稳定评估方法

Country Status (2)

Country Link
US (1) US20220360084A1 (zh)
CN (1) CN113177357B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116093952A (zh) * 2023-03-06 2023-05-09 国网浙江省电力有限公司温州供电公司 一种暂态电压稳定监视母线分析方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390418B (zh) * 2023-12-05 2024-03-08 国网湖北省电力有限公司经济技术研究院 一种风电并网系统暂态稳定评估方法、系统及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6636841B1 (en) * 1997-04-01 2003-10-21 Cybula Ltd. System and method for telecommunications system fault diagnostics
CN109921414A (zh) * 2019-03-13 2019-06-21 华北电力大学 一种基于深度学习融合模型的电力系统暂态稳定评估方法
CN110417005A (zh) * 2019-07-23 2019-11-05 清华大学 结合深度学习和仿真计算的暂态稳定严重故障筛选方法
CN110994604A (zh) * 2019-12-12 2020-04-10 南京理工大学 基于lstm-dnn模型的电力系统暂态稳定评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6636841B1 (en) * 1997-04-01 2003-10-21 Cybula Ltd. System and method for telecommunications system fault diagnostics
CN109921414A (zh) * 2019-03-13 2019-06-21 华北电力大学 一种基于深度学习融合模型的电力系统暂态稳定评估方法
CN110417005A (zh) * 2019-07-23 2019-11-05 清华大学 结合深度学习和仿真计算的暂态稳定严重故障筛选方法
CN110994604A (zh) * 2019-12-12 2020-04-10 南京理工大学 基于lstm-dnn模型的电力系统暂态稳定评估方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116093952A (zh) * 2023-03-06 2023-05-09 国网浙江省电力有限公司温州供电公司 一种暂态电压稳定监视母线分析方法

Also Published As

Publication number Publication date
US20220360084A1 (en) 2022-11-10
CN113177357B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
Wu et al. A hybrid classification autoencoder for semi-supervised fault diagnosis in rotating machinery
CN110766137A (zh) 基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法
CN112383052B (zh) 基于电力物联网的电网故障修复方法和装置
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
Celikmih et al. Failure prediction of aircraft equipment using machine learning with a hybrid data preparation method
CN106909933A (zh) 一种三阶段多视角特征融合的窃电分类预测方法
CN109389171B (zh) 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法
CN113177357B (zh) 一种电力系统暂态稳定评估方法
CN108647707B (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN112051480A (zh) 基于变分模态分解的神经网络配电网故障诊断方法及系统
CN113705396B (zh) 一种电机故障诊断方法、系统及设备
CN114266301A (zh) 基于图卷积神经网络的电力设备故障智能预测方法
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN114841199A (zh) 配电网故障诊断方法、装置、设备及可读存储介质
CN114186639A (zh) 基于双重加权朴素贝叶斯的电气事故分类方法
CN114021425B (zh) 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质
Dai et al. Fault diagnosis of data-driven photovoltaic power generation system based on deep reinforcement learning
Singh et al. Power system fault diagnosis using fuzzy decision tree
CN114006370A (zh) 一种电力系统暂态稳定分析评估方法及系统
CN114298413A (zh) 一种水电机组振摆趋势预测方法
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
CN114528906A (zh) 一种旋转机械的故障诊断方法、装置、设备和介质
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
Alkhanafseh et al. Advanced Dual RNN Architecture for Electrical Motor Fault Classification
Sergienko et al. Michigan and Pittsburgh methods combination for fuzzy classifier design with coevolutionary 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
GR01 Patent grant
GR01 Patent grant