CN113361769B - 基于prmse和crmse评价指标的稳定裕度值预测方法及装置 - Google Patents

基于prmse和crmse评价指标的稳定裕度值预测方法及装置 Download PDF

Info

Publication number
CN113361769B
CN113361769B CN202110626576.9A CN202110626576A CN113361769B CN 113361769 B CN113361769 B CN 113361769B CN 202110626576 A CN202110626576 A CN 202110626576A CN 113361769 B CN113361769 B CN 113361769B
Authority
CN
China
Prior art keywords
stability margin
state data
margin
evaluation index
fitting degree
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
Application number
CN202110626576.9A
Other languages
English (en)
Other versions
CN113361769A (zh
Inventor
张�杰
孙志媛
郭琦
刘默斯
胡斌江
李明珀
朱益华
张翌辉
常东旭
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.)
China Southern Power Grid Scientific Research Co ltd
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
China Southern Power Grid Scientific Research Co ltd
Electric Power Research Institute of Guangxi Power Grid Co Ltd
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 China Southern Power Grid Scientific Research Co ltd, Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical China Southern Power Grid Scientific Research Co ltd
Priority to CN202110626576.9A priority Critical patent/CN113361769B/zh
Publication of CN113361769A publication Critical patent/CN113361769A/zh
Application granted granted Critical
Publication of CN113361769B publication Critical patent/CN113361769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

Abstract

本发明公开了一种基于PRMSE和CRMSE评价指标的稳定裕度值预测方法及装置，其方法包括：基于状态数据及对应的裕度，构建训练后的稳定裕度预测模型；基于状态数据对应的裕度和测试裕度，分别计算RMSE评价指标和PRMSE评价指标，得到第一拟合程度和状态数据第二拟合程度；基于第一拟合程度和第二拟合程度，计算CRMSE评价指标，得到全局拟合程度；基于全局拟合程度和预设拟合阈值的大小关系，得到目标稳定裕度预测模型；将实时状态数据输入目标稳定裕度预测模型，生成对应的预测稳定裕度值。提出一种回归模型评价指标，用于在对样本的暂态电压进行预测时，即能够得到样本的预测稳定裕度，也能得到样本的预测稳定裕度和稳定裕度标签的拟合程度。

Description

基于PRMSE和CRMSE评价指标的稳定裕度值预测方法及装置
技术领域
本发明涉及软件行为技术领域，尤其涉及一种基于PRMSE和CRMSE评价指标的稳定裕度值预测方法及装置。
背景技术
随着经济的快速发展，电网负荷构成以及负荷特性均发生了变化，特别是工业密集区域，其电网负荷较一般区域更重，因此，工业密集区域的暂态电压稳定问题不容忽视。
传统的暂态电压稳定裕度预测方法一般为时域仿真法，这种方法计算速度慢，难以满足电力系统暂态电压稳定裕度的评估要求。其次，暂态电压稳定裕度预测模型属于回归问题，传统用于评价回归模型的指标有MSE、RMSE、MAE和R Squared等。但这些指标都是将预测模型所接收的整体输入数据纳入评价计算，而没办法单独计算预测模型里所关注的样本的拟合程度，在暂态电压稳定裕度预测问题上，所关注的样本就是线路的电压低于0.75p.u，且持续时间低于1秒的样本。
发明内容
本发明提供了一种基于PRMSE和CRMSE评价指标的稳定裕度值预测方法及装置，提出一种回归模型评价指标，用于在对样本的暂态电压进行预测时，既能够得到样本的预测稳定裕度，也能得到样本的预测稳定裕度和稳定裕度标签的拟合程度。
第一方面，本发明提供的一种基于PRMSE和CRMSE评价指标的稳定裕度值预测方法，包括：
获取电力系统中目标元件的多个算例和实时状态数据；所述算例包括目标元件状态数据及对应的裕度；
基于所述状态数据及对应的裕度，构建训练后的稳定裕度预测模型；
基于所述状态数据对应的裕度和所述测试裕度，分别计算RMSE评价指标和PRMSE评价指标；所述RMSE评价指标和所述PRMSE评价指标分别表示状态数据第一拟合程度和状态数据第二拟合程度；
基于所述第一拟合程度和所述第二拟合程度，计算CRMSE评价指标；所述CRMSE评价指标表示所述状态数据的全局拟合程度；
基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型；
将所述实时状态数据输入所述目标稳定裕度预测模型，生成对应的预测稳定裕度值；所述预测稳定裕度值的全局拟合程度和第二拟合程度符合所述预设拟合阈值。
可选地，基于所述状态数据及对应的裕度，构建训练后的稳定裕度预测模型，包括：
将所述算例中的状态数据输入神经网络中，生成对应的测试裕度；
根据所述状态数据对应的裕度和所述测试裕度，确定训练误差；
基于所述训练误差，对所述神经网络进行调整，得到最优网络参数，并才有所述最优网络参数生成所述训练后的稳定裕度预测模型。
可选地，基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型，包括：
对所述训练后的稳定裕度预测模型进行超参数网格搜索调优，确定所述全局拟合程度最接近所述预设拟合阈值时的网络超参数为最优网络超参数；
采用所述最优网络超参数生成目标稳定裕度预测模型。
具体地，所述PRMSE评价指标的计算公式为：
Figure BDA0003101441080000021
所述CRMSE评价指标的计算公式为：
Figure BDA0003101441080000022
其中，K为根据预先设定阈值所筛选出来的失稳样本数量，或根据预先设定条件所筛选出来的样本数量，yi为样本真实值，y’为样本预测值，β为权重因子。
可选地，获取电力系统中目标元件的多个算例，包括：
获取所述目标元件的N-1故障集；
对所述N-1故障集进行时域仿真，生成所述算例。
第二方面，本发明提供的一种基于PRMSE和CRMSE评价指标的稳定裕度值预测装置，所述装置包括：
获取模块，用于获取电力系统中目标元件的多个算例和实时状态数据；所述算例包括目标元件状态数据及对应的裕度；
构建模块，用于基于所述状态数据及对应的裕度，构建训练后的稳定裕度预测模型；
第一输入输入模块，用于基于所述状态数据对应的裕度和所述测试裕度，分别计算RMSE评价指标和PRMSE评价指标；所述RMSE评价指标和所述PRMSE评价指标分别表示状态数据第一拟合程度和状态数据第二拟合程度；
第二输入模块，基于所述第一拟合程度和所述第二拟合程度，计算CRMSE评价指标；所述CRMSE评价指标表示所述状态数据的全局拟合程度；
调整模块，用于基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型；
预测模块，用于将所述实时状态数据输入所述目标稳定裕度预测模型，生成对应的预测稳定裕度值；所述预测稳定裕度值的全局拟合程度和第二拟合程度符合所述预设拟合阈值。
可选地，所述构建模块包括：
输入子模块，用于将所述算例中的状态数据输入神经网络中，生成对应的测试裕度；
训练误差确定子模块，用于根据所述状态数据对应的裕度和所述测试裕度，确定训练误差；
调整子模块，用于基于所述训练误差，对所述神经网络进行调整，得到最优网络参数，并采用所述最优网络参数生成所述训练后的稳定裕度预测模型。
可选地，所述调整模块包括：
超参数子模块，用于对所述训练后的稳定裕度预测模型进行超参数网格搜索调优，确定所述全局拟合程度最接近所述预设拟合阈值时的网络超参数为最优网络超参数；
目标模型生成子模块，用于采用所述最优网络超参数生成目标稳定裕度预测模型。
具体地，所述PRMSE评价指标的计算公式为：
Figure BDA0003101441080000041
所述CRMSE评价指标的计算公式为：
Figure BDA0003101441080000042
其中，K为根据预先设定阈值所筛选出来的失稳样本数量，或根据预先设定条件所筛选出来的样本数量，yi为样本真实值，y’为样本预测值，β为权重因子。
可选地，所述获取模块包括：
获取子模块，用于获取所述目标元件的N-1故障集；
调用子模块，用于对所述N-1故障集进行时域仿真，生成所述算例。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过获取电力系统中目标元件的多个算例和实时状态数据；所述算例包括目标元件状态数据及对应的裕度；基于所述状态数据及对应的裕度，构建训练后的稳定裕度预测模型；基于所述状态数据对应的裕度和所述测试裕度，分别计算RMSE评价指标和PRMSE评价指标；所述RMSE评价指标和所述PRMSE评价指标分别表示状态数据第一拟合程度和状态数据第二拟合程度；基于所述第一拟合程度和所述第二拟合程度，计算CRMSE评价指标；所述CRMSE评价指标表示所述状态数据的全局拟合程度；基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型；将所述实时状态数据输入所述目标稳定裕度预测模型，生成对应的预测稳定裕度值；所述预测稳定裕度值的全局拟合程度和第二拟合程度符合所述预设拟合阈值。提出一种回归模型评价指标，用于在对样本的暂态电压进行预测时，即能够得到样本的预测稳定裕度，也能得到样本的预测稳定裕度和稳定裕度标签的拟合程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图；
图1为本发明的一种基于PRMSE和CRMSE评价指标的稳定裕度值预测方法实施例一的步骤流程图；
图2为本发明的一种基于PRMSE和CRMSE评价指标的稳定裕度值预测方法实施例二的步骤流程图；
图3为本发明的一种基于PRMSE和CRMSE评价指标的稳定裕度值预测装置实施例的结构框图。
具体实施方式
本发明实施例提供了一种基于PRMSE和CRMSE评价指标的稳定裕度值预测方法及装置，提出一种回归模型评价指标，用于在对样本的暂态电压进行预测时，既能够得到样本的预测稳定裕度，也能得到样本的预测稳定裕度和稳定裕度标签的拟合程度。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
近年来，深度学习的迅速发展为电力系统中暂态电压稳定裕度的预测提供了一种新的方向，而最基本的方法就是通过深度神经网络模型对暂态电压进行预测得以实现，包括：
(1)将预测过程视为一个分类问题，首先获取电力系统在各种运行方式下，预先选定的电器状态表征的运行状态数据，讲这些运行状态数据输入到深度神经网络模型当中，得到判断结果，然后将判断结果与预先设定的阈值进行比较，从而得到“电压稳定”或“电压不稳定”的结果。显而易见地，这种方法仅是给出一个“电压稳定”或“电压不稳定”的结果，基于这种结果，运行人员是无法得知需要调节的裕度，因此这种方法仅仅是对于预测问题的一种简化；
(2)将暂态电压稳定裕度值预测的过程视为一种回归问题，其选取稳定裕度作为拟合目标，从而使得模型在预测阶段就可以得到稳定裕度。然而，对于分类方法而言，由于有了给定的拟合目标，所以所有的样本都有一个明确的分类标签，因此，对于分类方法可以使用召回率这样的指标来了解模型对于失稳样本的覆盖面程度。
需要说明的是，召回率是用于二元分类模型的性能评价指标，二元分类模型指的是模型输出结果只有“是”和“否”两种结果的模型，其预测类别定义如下表所示：
Figure BDA0003101441080000061
基于表中定义，召回率公式为：recall＝TP/(TP+FN)，可以用来评价模型对于特定类别的覆盖面。精确率公式为：precision＝TP/(TP+FP)，可以用来看模型预测结果中有多少正确结果。
在暂态电压稳定判断领域，失稳样本的判断准确，要远重要于漏掉失稳样本，或者将非失稳样本判断为失稳样本。而对于原生的回归方法来说，就不具备这样的条件。也就是说，虽然基于人工智能的电力系统暂态电压稳定裕度预测方法具有实时响应的优点，但现阶段缺乏用于评价模型在拟合失稳情况时候的样本的指标。
实施例一，请参阅图1，图1为本发明的一种基于PRMSE和CRMSE评价指标的稳定裕度值预测方法实施例一的步骤流程图，所述方法包括：
S101，获取电力系统中目标元件的多个算例和实时状态数据；所述算例包括目标元件状态数据及对应的裕度；
S102，基于所述状态数据及对应的裕度，构建训练后的稳定裕度预测模型；
S103，基于所述状态数据对应的裕度和所述测试裕度，分别计算RMSE评价指标和PRMSE评价指标；所述RMSE评价指标和所述PRMSE评价指标分别表示状态数据第一拟合程度和状态数据第二拟合程度；
S104，基于所述第一拟合程度和所述第二拟合程度，计算CRMSE评价指标；所述CRMSE评价指标表示所述状态数据的全局拟合程度；
S105，基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型；
S106，将所述实时状态数据输入所述目标稳定裕度预测模型，生成对应的预测稳定裕度值；所述预测稳定裕度值的全局拟合程度符合所述预设拟合阈值。
在本发明实施例中，通过获取电力系统中目标元件的多个算例和实时状态数据；所述算例包括目标元件状态数据及对应的裕度；基于所述状态数据及对应的裕度，构建训练后的稳定裕度预测模型；基于所述状态数据对应的裕度和所述测试裕度，分别计算RMSE评价指标和PRMSE评价指标；所述RMSE评价指标和所述PRMSE评价指标分别表示状态数据第一拟合程度和状态数据第二拟合程度；基于所述第一拟合程度和所述第二拟合程度，计算CRMSE评价指标；所述CRMSE评价指标表示所述状态数据的全局拟合程度；基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型；将所述实时状态数据输入所述目标稳定裕度预测模型，生成对应的预测稳定裕度值；所述预测稳定裕度值的全局拟合程度和第二拟合程度符合所述预设拟合阈值。提出一种回归模型评价指标，用于在对样本的暂态电压进行预测时，即能够得到样本的预测稳定裕度，也能得到样本的预测稳定裕度和稳定裕度标签的拟合程度。
实施例二，请参阅图2，图2为本发明的一种基于PRMSE和CRMSE评价指标的稳定裕度值预测方法实施例二的步骤流程图，具体包括：
步骤S201，获取所述目标元件的N-1故障集；
需要说明的是，N-1故障集是指不满足N-1运行原则而造成的故障的集合，其中N-1原则通常是指正常运行方式下，电力系统的N个元件中的任一独立元件(发电机、输电线路、变压器等)发生故障而被切除后，应不造成因其他线路过符合跳闸而导致用户停电；不破坏系统的稳定性，不出现电压崩溃等事故。当这一准则不能满足时，则要考虑采用增加发电机或输电线路等措施。
步骤S202，对所述N-1故障集进行时域仿真，生成所述算例；
需要说明的是，时域仿真法是求解暂态稳定问题的主要方法，也是最可靠的方法，时域仿真法将电力系统个元件模型根据元件间拓扑关系形成全系统模型，这是一组联立的微分方程组和代数方程组，然后以稳态工况或潮流解为初值，求扰动下的数值解，即逐步求得系统状态量和代数量随时间的变化曲线，并根据发电机转子摇摆曲线来判断系统在打扰下能否保持同步运行，即暂态稳定性。
在本发明实施例中，调用PSD-BPA进行时域仿真对N-1故障集进行时域仿真，生成对应的算例。
步骤S203，将所述算例中的状态数据输入神经网络中，生成对应的测试裕度；
在本发明实施例中，将算例中的状态数据作为训练样本输入神经网络中，生成对应的测试裕度。
步骤S204，根据所述状态数据对应的裕度和所述测试裕度，确定训练误差；
步骤S205，基于所述训练误差，对所述神经网络进行调整，得到最优网络参数，并采用所述最优网络参数生成所述训练后的稳定裕度预测模型；
步骤S206，基于所述状态数据对应的裕度和所述测试裕度，分别计算RMSE评价指标和PRMSE评价指标；所述RMSE评价指标和所述PRMSE评价指标分别表示状态数据第一拟合程度和状态数据第二拟合程度；
所述RMSE评价指标的计算公式为：
Figure BDA0003101441080000081
所述PRMSE评价指标的计算公式为：
Figure BDA0003101441080000091
步骤S207，基于所述第一拟合程度和所述第二拟合程度，计算CRMSE评价指标；所述CRMSE评价指标表示所述状态数据的全局拟合程度；
所述CRMSE评价指标的计算公式为：
Figure BDA0003101441080000092
其中，m为样本总数量，K为根据预先设定阈值所筛选出来的失稳样本数量，或根据预先设定条件所筛选出来的样本数量，yi为样本真实值，y’为样本预测值，β为权重因子。
在本发明实施例中，得到了第一拟合度和第二拟合度之后，为了避免稳定裕度预测模型在局部样本的拟合程度和全局样本下可能出现的细微冲突，提出一种新的评价模型：CRMSE模型，β为权重因子，当β为0时，公式只考虑全局的RMSE，当β为1时，全局的RMSE和PRMSE具有相同权重，当β为2时，PRMSE考虑权重为全局的RMSE的2倍。因此运行调度人员可以根据实际情况自定义取值。
步骤S208，基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型；
在一个可选实施例中，基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型，包括：
对所述训练后的稳定裕度预测模型进行超参数网格搜索调优，确定所述全局拟合程度最接近所述预设拟合阈值时的网络超参数为最优网络超参数；
采用所述最优网络超参数生成目标稳定裕度预测模型。
深度学习的算法往往包含了成千上百万的参数，这些参数有的可以通过训练进行优化，例如神经网络中的权重等，这一部分参数成为网络参数，也有一部分参数不能通过训练来优化，例如学习率，这一部分参数为网络超参数。而进行超参数调优的方法包括：网格搜索、随机搜索和贝叶斯优化等算法。
在本发明实施例中，利用超参数网络搜索的调优方法，将全局拟合程度最接近预设拟合阈值时的网络超参数，定义为最优网络超参数。
步骤S209，将所述实时状态数据输入所述目标稳定裕度预测模型，生成对应的预测稳定裕度值；所述预测稳定裕度值的全局拟合程度和第二拟合程度符合所述预设拟合阈值。
在本发明实施例中，根据电网能力管理系统，即电力系统记录下的电网实时运行信息，构成预先设定好的特征，然后将这些特征输入到目标稳定裕度预测模型，生成对应的全局拟合程度符合预设拟合阈值的预测稳定裕度值。
在本发明实施例所提供的一种基于PRMSE和CRMSE评价指标的稳定裕度值预测方法，通过获取电力系统中目标元件的多个算例和实时状态数据；所述算例包括目标元件状态数据及对应的裕度；基于所述状态数据及对应的裕度，构建训练后的稳定裕度预测模型；基于所述状态数据对应的裕度和所述测试裕度，分别计算RMSE评价指标和PRMSE评价指标；所述RMSE评价指标和所述PRMSE评价指标分别表示状态数据第一拟合程度和状态数据第二拟合程度；基于所述第一拟合程度和所述第二拟合程度，计算CRMSE评价指标；所述CRMSE评价指标表示所述状态数据的全局拟合程度；基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型；将所述实时状态数据输入所述目标稳定裕度预测模型，生成对应的预测稳定裕度值；所述预测稳定裕度值的全局拟合程度和第二拟合程度符合所述预设拟合阈值。提出一种回归模型评价指标，用于在对样本的暂态电压进行预测时，即能够得到样本的预测稳定裕度，也能得到样本的预测稳定裕度和稳定裕度标签的拟合程度。
请参阅图3，示出了一种基于PRMSE和CRMSE评价指标的稳定裕度值预测装置，所述装置包括：
获取模块401，用于获取电力系统中目标元件的多个算例和实时状态数据；所述算例包括目标元件状态数据及对应的裕度；
构建模块402，用于基于所述状态数据及对应的裕度，构建训练后的稳定裕度预测模型；
第一输入模块403，用于基于所述状态数据对应的裕度和所述测试裕度，分别计算RMSE评价指标和PRMSE评价指标；所述RMSE评价指标和所述PRMSE评价指标分别表示状态数据第一拟合程度和状态数据第二拟合程度；
第二输入模块404，用于基于所述第一拟合程度和所述第二拟合程度，计算CRMSE评价指标；所述CRMSE评价指标表示所述状态数据的全局拟合程度；
调整模块405，用于基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型；
预测模块406，用于将所述实时状态数据输入所述目标稳定裕度预测模型，生成对应的预测稳定裕度值；所述预测稳定裕度值的全局拟合程度和第二拟合程度符合所述预设拟合阈值。
在一个可选实施例中，所述构建模块402包括：
输入子模块，用于将所述算例中的状态数据输入神经网络中，生成对应的测试裕度；
训练误差确定子模块，用于根据所述状态数据对应的裕度和所述测试裕度，确定训练误差；
调整子模块，用于基于所述训练误差，对所述神经网络进行调整，得到最优网络参数，并采用所述最优网络参数生成所述训练后的稳定裕度预测模型。
在一个可选实施例中，所述调整模块405包括：
超参数子模块，用于对所述训练后的稳定裕度预测模型进行超参数网格搜索调优，确定所述全局拟合程度最接近所述预设拟合阈值时的网络超参数为最优网络超参数；
目标模型生成子模块，用于采用所述最优网络超参数生成目标稳定裕度预测模型。
具体地，所述PRMSE评价指标的计算公式为：
Figure BDA0003101441080000121
所述CRMSE模型评价指标的计算公式为：
Figure BDA0003101441080000122
其中，K为根据预先设定阈值所筛选出来的失稳样本数量，或根据预先设定条件所筛选出来的样本数量，yi为样本真实值，y’为样本预测值，β为权重因子。
在一个可选实施例中，所述获取模块401包括：
获取子模块，用于获取所述目标元件的N-1故障集；
调用子模块，用于对所述N-1故障集进行时域仿真，生成所述算例。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于PRMSE和CRMSE评价指标的稳定裕度值预测方法，其特征在于，包括：
获取电力系统中目标元件的多个算例和实时状态数据；所述算例包括目标元件状态数据及对应的裕度；
基于所述状态数据及对应的裕度，构建训练后的稳定裕度预测模型；
基于所述状态数据对应的裕度和测试裕度，分别计算RMSE评价指标和PRMSE评价指标；所述RMSE评价指标和所述PRMSE评价指标分别表示状态数据第一拟合程度和状态数据第二拟合程度；
基于所述第一拟合程度和所述第二拟合程度，计算CRMSE评价指标；所述CRMSE评价指标表示所述状态数据的全局拟合程度；
基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型；
将所述实时状态数据输入所述目标稳定裕度预测模型，生成对应的预测稳定裕度值；所述预测稳定裕度值的全局拟合程度和第二拟合程度符合所述预设拟合阈值；
所述PRMSE评价指标的计算公式为：
Figure FDA0003936456640000011
所述CRMSE评价指标的计算公式为：
Figure FDA0003936456640000012
其中，K为根据预先设定阈值所筛选出来的失稳样本数量，或根据预先设定条件所筛选出来的样本数量，yi为样本真实值，y’为样本预测值，β为权重因子。
2.根据权利要求1所述的基于PRMSE和CRMSE评价指标的稳定裕度值预测方法，其特征在于，基于所述状态数据及对应的裕度，构建训练后的稳定裕度预测模型，包括：
将所述算例中的状态数据输入神经网络中，生成对应的测试裕度；
根据所述状态数据对应的裕度和所述测试裕度，确定训练误差；
基于所述训练误差，对所述神经网络进行调整，得到最优网络参数，并采用 所述最优网络参数生成所述训练后的稳定裕度预测模型。
3.根据权利要求2所述的基于PRMSE和CRMSE评价指标的稳定裕度值预测方法，其特征在于，基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型，包括：
对所述训练后的稳定裕度预测模型进行超参数网格搜索调优，确定所述全局拟合程度最接近所述预设拟合阈值时的网络超参数为最优网络超参数；
采用所述最优网络超参数生成目标稳定裕度预测模型。
4.根据权利要求1所述的基于PRMSE和CRMSE评价指标的稳定裕度值预测方法，其特征在于，获取电力系统中目标元件的多个算例，包括：
获取所述目标元件的N-1故障集；
对所述N-1故障集进行时域仿真，生成所述算例。
5.一种基于PRMSE和CRMSE评价指标的稳定裕度值预测装置，其特征在于，包括：
获取模块，用于获取电力系统中目标元件的多个算例和实时状态数据；所述算例包括目标元件状态数据及对应的裕度；
构建模块，用于基于所述状态数据及对应的裕度，构建训练后的稳定裕度预测模型；
第一输入模块，用于基于所述状态数据对应的裕度和测试裕度，分别计算RMSE评价指标和PRMSE评价指标；所述RMSE评价指标和所述PRMSE评价指标分别表示状态数据第一拟合程度和状态数据第二拟合程度；
第二输入模块，用于基于所述第一拟合程度和所述第二拟合程度，计算CRMSE评价指标；所述CRMSE评价指标表示所述状态数据的全局拟合程度；
调整模块，用于基于所述全局拟合程度和预设拟合阈值的大小关系，调整所述训练后的稳定裕度预测模型，得到目标稳定裕度预测模型；
预测模块，用于将所述实时状态数据输入所述目标稳定裕度预测模型，生成对应的预测稳定裕度值；所述预测稳定裕度值的全局拟合程度和第二拟合程度符合所述预设拟合阈值；
所述PRMSE评价指标的计算公式为：
Figure FDA0003936456640000031
所述CRMSE评价指标的计算公式为：
Figure FDA0003936456640000032
其中，K为根据预先设定阈值所筛选出来的失稳样本数量，或根据预先设定条件所筛选出来的样本数量，yi为样本真实值，y’为样本预测值，β为权重因子。
6.根据权利要求5所述的基于PRMSE和CRMSE评价指标的稳定裕度值预测装置，其特征在于，所述构建模块包括：
输入子模块，用于将所述算例中的状态数据输入神经网络中，生成对应的测试裕度；
训练误差确定子模块，用于根据所述状态数据对应的裕度和所述测试裕度，确定训练误差；
调整子模块，用于基于所述训练误差，对所述神经网络进行调整，得到最优网络参数，并采用所述最优网络参数生成所述训练后的稳定裕度预测模型。
7.根据权利要求6所述的基于PRMSE和CRMSE评价指标的稳定裕度值预测装置，其特征在于，所述调整模块包括：
超参数子模块，用于对所述训练后的稳定裕度预测模型进行超参数网格搜索调优，确定所述全局拟合程度最接近所述预设拟合阈值时的网络超参数为最优网络超参数；
目标模型生成子模块，用于采用所述最优网络超参数生成目标稳定裕度预测模型。
8.根据权利要求5所述的基于PRMSE和CRMSE评价指标的稳定裕度值预测装置，其特征在于，所述获取模块包括：
获取子模块，用于获取所述目标元件的N-1故障集；
调用子模块，用于对所述N-1故障集进行时域仿真，生成所述算例。
CN202110626576.9A 2021-06-04 2021-06-04 基于prmse和crmse评价指标的稳定裕度值预测方法及装置 Active CN113361769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110626576.9A CN113361769B (zh) 2021-06-04 2021-06-04 基于prmse和crmse评价指标的稳定裕度值预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110626576.9A CN113361769B (zh) 2021-06-04 2021-06-04 基于prmse和crmse评价指标的稳定裕度值预测方法及装置

Publications (2)

Publication Number Publication Date
CN113361769A CN113361769A (zh) 2021-09-07
CN113361769B true CN113361769B (zh) 2023-01-03

Family

ID=77532320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110626576.9A Active CN113361769B (zh) 2021-06-04 2021-06-04 基于prmse和crmse评价指标的稳定裕度值预测方法及装置

Country Status (1)

Country Link
CN (1) CN113361769B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046041A (zh) * 2015-05-18 2015-11-11 西北工业大学 一种压气机可控扩散叶型稳健优化设计方法
CN107563550A (zh) * 2017-08-23 2018-01-09 武汉大学 一种基于pmu的配电网实时分布式状态估计及pmu的优化配置方法
CN109376939A (zh) * 2018-11-01 2019-02-22 三峡大学 一种基于自适应神经网络的电网稳定性实时预测方法
CN110490412A (zh) * 2019-07-12 2019-11-22 广西电网有限责任公司电力科学研究院 一种电力系统动态等值误差评估方法
CN110674984A (zh) * 2019-09-18 2020-01-10 国网浙江省电力有限公司 一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法
CN111401749A (zh) * 2020-03-17 2020-07-10 三峡大学 一种基于随机森林与极限学习回归的动态安全评估方法
CN112217207A (zh) * 2020-10-20 2021-01-12 南方电网科学研究院有限责任公司 一种暂态电压稳定裕度预测方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156791A (zh) * 2014-08-29 2014-11-19 哈尔滨工业大学 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法
JP6524497B2 (ja) * 2015-03-31 2019-06-05 国立大学法人東北大学 画像処理装置、画像処理方法、及び、画像処理プログラム
US20210034712A1 (en) * 2019-07-30 2021-02-04 Intuit Inc. Diagnostics framework for large scale hierarchical time-series forecasting models
CN112819238A (zh) * 2021-02-19 2021-05-18 河海大学 基于混沌鸡群优化算法的短期风电功率预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046041A (zh) * 2015-05-18 2015-11-11 西北工业大学 一种压气机可控扩散叶型稳健优化设计方法
CN107563550A (zh) * 2017-08-23 2018-01-09 武汉大学 一种基于pmu的配电网实时分布式状态估计及pmu的优化配置方法
CN109376939A (zh) * 2018-11-01 2019-02-22 三峡大学 一种基于自适应神经网络的电网稳定性实时预测方法
CN110490412A (zh) * 2019-07-12 2019-11-22 广西电网有限责任公司电力科学研究院 一种电力系统动态等值误差评估方法
CN110674984A (zh) * 2019-09-18 2020-01-10 国网浙江省电力有限公司 一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法
CN111401749A (zh) * 2020-03-17 2020-07-10 三峡大学 一种基于随机森林与极限学习回归的动态安全评估方法
CN112217207A (zh) * 2020-10-20 2021-01-12 南方电网科学研究院有限责任公司 一种暂态电压稳定裕度预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"电力系统参数空间暂态稳定边界构建及在线快速更新方法";田园 等;《电力系统自动化》;20210510;第45卷(第9期);第89-93页 *

Also Published As

Publication number Publication date
CN113361769A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
US20200327264A1 (en) Systems and methods for enhanced power system model calibration
Cigizoglu Application of generalized regression neural networks to intermittent flow forecasting and estimation
De Winter et al. Combining temporal aspects of dynamic networks with node2vec for a more efficient dynamic link prediction
JP6427090B2 (ja) 発電量予測装置、発電量予測方法、系統安定化装置、並びに系統安定化方法
CN110417011B (zh) 一种基于互信息与迭代随机森林的在线动态安全评估方法
CN107886160B (zh) 一种bp神经网络区间需水预测方法
CN113300373B (zh) 一种基于prmse评价指标的稳定裕度值预测方法及装置
CN112217207A (zh) 一种暂态电压稳定裕度预测方法及装置
CN112749785A (zh) 信息处理装置、信息处理方法以及程序
Wen et al. Data‐driven transient frequency stability assessment: A deep learning method with combined estimation‐correction framework
CN109143972A (zh) 一种基于贝叶斯与故障树的数控机床可靠性评价方法
Han et al. Multi‐objective robust dynamic VAR planning in power transmission girds for improving short‐term voltage stability under uncertainties
Ahmed et al. Data communication and analytics for smart grid systems
Roberts et al. Continuous-time echo state networks for predicting power system dynamics
CN113361769B (zh) 基于prmse和crmse评价指标的稳定裕度值预测方法及装置
CN110675276B (zh) 一种用于直流输电系统反演下垂控制的方法及系统
Rezaeian Koochi et al. Locating minimum number of PMUs for pre‐and post‐disturbance monitoring of power systems
Hayes et al. Short-term operational planning and state estimation in power distribution networks
CN116526477A (zh) 电网重构策略的确定方法、装置、计算机设备和存储介质
Shahzad Application of supervised machine learning for prediction of probabilistic transient stability
Sun et al. A new framework for the wind power curtailment and absorption evaluation
CN106529805B (zh) 一种基于发电机重要度的发电系统可靠性评估方法
Lin et al. Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning
Liao et al. Optimisation framework for development of cost‐effective monitoring in distribution networks
Hagmar et al. On-line voltage instability prediction using an artificial neural network

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