CN113435113B - 一种电力系统暂态稳定评估方法及装置 - Google Patents
一种电力系统暂态稳定评估方法及装置 Download PDFInfo
- Publication number
- CN113435113B CN113435113B CN202110693997.3A CN202110693997A CN113435113B CN 113435113 B CN113435113 B CN 113435113B CN 202110693997 A CN202110693997 A CN 202110693997A CN 113435113 B CN113435113 B CN 113435113B
- Authority
- CN
- China
- Prior art keywords
- transient stability
- model
- stability evaluation
- order feature
- evaluation model
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 151
- 238000011156 evaluation Methods 0.000 title claims abstract description 47
- 238000013210 evaluation model Methods 0.000 claims abstract description 60
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 44
- 238000005457 optimization Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 16
- 238000013097 stability assessment Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000009977 dual effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001687 destabilization Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
Abstract
本发明提供一种电力系统暂态稳定评估方法及装置，包括：构建暂态稳定评估模型；其中，暂态稳定评估模型包括高阶特征提取器及分类器；其中，高阶特征提取器用于对量测序列进行高阶特征提取，得到高阶特征提取结果；分类器用于对高阶特征提取结果进行分类降维得到暂态稳定评估结果；将待评估的量测序列输入暂态稳定评估模型，得到暂态稳定评估结果。针对不同类别的电力系统特征建立独立的高阶特征提取器，先对系统中不同类别的特征量进行高阶特征表达，不同的高阶特征提取器得到的信息形成互补，再通过分类器进行不同类别之间的特征交叉，经过非线性映射后形成最终的模型输出；充分考虑了电力系统的领域知识，降低了模型的参数复杂度。
Description
技术领域
本发明涉及电力系统暂态稳定性分析技术领域，尤其涉及一种电力系统暂态稳定性评估方法及装置。
背景技术
暂态稳定指的是电力系统在受到大干扰之后，各发电机保持同步运行状态的能力。暂态失稳的后果是系统发生振荡，引起系统中枢点电压、输电设备中的电流和电压大幅度地周期性波动。在系统暂态过程下，运行人员需要观察系统行为，并在尽可能短的时间内预测系统的未来稳定状态。
现有技术对电力系统暂态稳定评估大多直接采用端到端的模型构建方法，模型对电力系统特征进行统一的处理，得出评估结果。为了应对系统复杂程度提高或者输入特征维数变高的情况，一般对模型采取增加宽度或加深深度的方法增加容量，然而，这种结构尚未考虑不同电气特征与电力系统暂态稳定性的相关关系不同，不同类别的原始电力系统特征放在一起直接进行特征提取，难以反映不同电气特征对电力系统暂态稳定性的影响。
发明内容
本发明提供一种电力系统暂态稳定性评估方法及装置，用以解决现有技术中不同类别的原始电力系统特征放在一起直接进行特征提取，难以反映不同电气特征对电力系统暂态稳定性的影响的缺陷，实现将不同类别电气特征通过不同高阶提取器分别进行提取，提取的高阶特征之间形成互补，精确反映不同特征对电力系统暂态稳定性的影响，使得评估模型更加贴近电力系统的应用场景。
本发明提供一种电力系统暂态稳定性评估方法，包括：
构建暂态稳定评估模型；其中，所述暂态稳定评估模型包括高阶特征提取器及分类器；其中，所述高阶特征提取器用于对量测序列进行高阶特征提取，得到高阶特征提取结果；所述分类器用于对所述高阶特征提取结果进行分类降维得到所述暂态稳定评估结果；
将待评估的量测序列输入所述暂态稳定评估模型，得到暂态稳定评估结果。
根据本发明提供的一种电力系统暂态稳定评估方法，所述暂态稳定评估模型是基于样本数据以及样本数据上的系统稳定或失稳的标签训练得到的。
根据本发明提供的一种电力系统暂态稳定评估方法，所述暂态稳定评估模型是基于样本数据以及样本数据上的系统稳定或失稳的标签训练得到的，具体包括：暂态稳定评估模型映射关系表示为：
其中，(x1,x2，…,xM)表示电力系统特征，分别属于特征子集 表示系统稳定的预测概率和系统失稳的预测概率，f(·)和φ(·)为非线性映射，φi(·)表示处理第i类高阶特征的高阶特征提取器，对应参数为θi，f(·)表示应用处理后的高阶特征提取结果对系统的暂态稳定性进行评估，对应参数为θf。
根据本发明提供的一种电力系统暂态稳定评估方法，所述暂态稳定评估模型是基于样本数据以及样本数据上的系统稳定或失稳的标签训练得到的，具体包括：令用于训练暂态稳定评估模型的训练集为样本数量为N，其中li为样本的标签，li∈{0，1}，在模型训练过程中将模型映射关系转换为以下优化问题：
其中，θ＝{θf,θ1,θ2,…,θM}表示模型的参数，为模型的分类损失函数，νi表示高阶特征提取器φi的测试函数，用于表征对φi的约束使得高阶特征提取器φi对特征子集Xi提取的特征为与系统的暂态稳定最相关的信息。
根据本发明提供的一种电力系统暂态稳定评估方法，所述暂态稳定评估模型是基于样本数据以及样本数据上的系统稳定或失稳的标签训练得到的，具体包括：通过拉格朗日法设定拉格朗日乘子，对所述优化问题进行处理，得到优化的暂态稳定评估模型。
根据本发明提供的一种电力系统暂态稳定评估方法，所述通过拉格朗日法设定拉格朗日乘子，对所述优化问题进行处理，得到优化的暂态稳定评估模型，具体包括：通过设定的拉格朗日乘子对所述优化问题进行处理，得到优化解，通过优化解求解对偶问题，得到优化的拉格朗日乘子，应用优化后的拉格朗日乘子再次优化所述优化问题，重复迭代，直至所述暂态稳定评估模型收敛，得到优化的暂态稳定评估模型。
根据本发明提供的一种电力系统暂态稳定评估方法，所述通过拉格朗日法设定拉格朗日乘子，对所述优化问题进行处理，得到优化的暂态稳定评估模型，具体包括：设定拉格朗日乘子λ＝(λ1，λ2,…，λM)，拉格朗日损失函数表示为：
将拉格朗日乘子值λ代入所述优化问题将其转换为：
求解得到优化问题的近似优化解；
求解对偶问题得到拉格朗日乘子的优化解λ*：
subject to λi≥0，1≤i≤M
进一步求解得出将优化后的拉格朗日乘子λ*引入优化问题θ*(λ*)得到其优化解，通过优化的拉格朗日乘子λ*求解优化问题θ*(λ*)的过程为对暂态稳定评估模型训练的一个交错迭代过程。
本发明还提供一种电力系统暂态稳定评估装置，包括：模型构建单元，用于构建暂态稳定评估模型；其中，所述暂态稳定评估模型包括高阶特征提取器及分类器；其中，所述高阶特征提取器用于对量测序列进行高阶特征提取，得到高阶特征提取结果；所述分类器用于对所述高阶特征提取结果进行分类降维得到所述暂态稳定评估结果；评估单元，用于将待评估的量测序列输入所述暂态稳定评估模型，得到暂态稳定评估结果；其中，所述评估结果以系统稳定预测概率和系统失稳预测概率的形式表示。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述电力系统暂态稳定评估方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述电力系统暂态稳定评估方法的步骤。
本发明提供的电力系统暂态稳定评估方法，针对不同类别的电力系统特征建立了独立的高阶特征提取器，先对不同类别的特征量进行高阶特征表达，将它们投射到高阶稳定特征空间之后，不同的高阶特征提取器得到的信息形成互补，再通过分类器进行不同类别之间的特征交叉，经过非线性映射后形成最终的模型输出。与现有技术中统一的特征提取器的模型相比，本发明提供的方法考虑了电力系统的领域知识，降低了模型的参数复杂度，提升了模型的学习效率。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是现有技术中基于深度模型的暂态稳定模型的一般结构；
图2是本发明提供的电力系统暂态稳定评估方法流程图；
图3是本发明提供的电力系统暂态稳定评估方法的暂态稳定模型的结构示意图；
图4是图3的结构中应用具体神经网络进行模型训练的模型结构示意图；
图5是本发明提供的电力系统暂态稳定评估方法中用神经网络约束在高阶特征提取器输出的结构示意图；
图6是本发明提供的暂态稳定模型训练的算法流程示意图；
图7是本发明提供的电力系统暂态稳定评估装置结构示意图；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中，神经网络构建的暂态稳定模型(TSA模型)，令模型输入为即n条量测序列，每条量测序列的长度为T；暂态稳定评估的结果为y∈{0,1}，y＝0表示预测系统稳定，y＝1表示预测系统失稳；模型输出为/>表示系统稳定的预测概率和系统失稳的预测概率；深度神经网络的参数为θ，则TSA模型学习的是这样的一个映射f(·)：
此外，令用于训练神经网络的训练集为样本数量为N，其中li为样本的真实标签，li∈{0,1}，则在深度神经网络结构给定的条件下，模型的训练过程即对优化问题公式(2)进行求解：
现有一般会对公式(2)进行转化，形成模型训练的损失函数，分类问题常用的损失函数为交叉熵函数及其变种，然后使用基于梯度下降的训练算法对模型参数θ进行更新，直至达到训练轮数或者损失函数不再下降为止。
在对新数据进行推断应用时，即对公式(3)进行求解：
即计算当前模型参数θ和模型输入x的条件下，样本属于暂态稳定和暂态失稳的概率，取其中更大的一者即为模型评估的结果。
按照物理属性，电力系统的特征可以分为多个类别，比如节点电压幅值特征、节点电压相角特征、线路有功功率特征等。给定电力系统的特征集合其中特征子集/>表示第i种类型的特征，一共有M种类型的特征。现有研究工作中，尤其在基于深度学习的TSA模型中，得益于深度神经网络强大的特征提取能力，大多直接采用端到端的模型构建方法，模型对电力系统特征x进行统一的处理。为了应对系统复杂程度提高或者输入特征维数变高的情况，一般对深度模型采取增加宽度或加深深度的方法增加容量，如图1所示。然而，这种结构尚未考虑不同电气特征与电力系统暂态稳定性的相关关系不同，不同类别的原始电力系统特征放在一起直接进行特征提取，难以反映不同电气特征对电力系统暂态稳定性的影响。
如图2所示，本发明实施例提供一种电力系统暂态稳定性评估方法，包括：
步骤101：构建暂态稳定评估模型；
其中，所述暂态稳定评估模型包括高阶特征提取器及分类器；
其中，所述高阶特征提取器用于对量测序列进行高阶特征提取，得到高阶特征提取结果；所述分类器用于对所述高阶特征提取结果进行分类降维得到所述暂态稳定评估结果。
步骤102：将待评估的量测序列输入所述暂态稳定评估模型，得到暂态稳定评估结果。
本发明实施例中，量测序列是指系统故障切除后系统状态变量变化序列，即通过受扰后的轨迹，对系统的暂态稳定性进行判断。
本发明实施例中，所述暂态稳定评估模型是基于样本数据以及样本数据上的系统稳定或失稳的标签训练得到的。
本发明实施例中将暂态稳定评估模型映射关系表示为：
其中，(x1,x2,…，xM)表示电力系统特征，分别属于特征子集本发明实施例中，每个特征子集对应一个高阶特征，/>表示系统稳定的预测概率和系统失稳的预测概率，f(·)和φ(·)为非线性映射，φi(·)表示处理第i类高阶特征的高阶特征提取器，对应参数为θi，f(·)表示应用处理后的所有高阶特征提取结果对系统的暂态稳定性进行评估，对应参数为θf。
本发明实施例的暂态稳定评估方法中，针对不同类别的电力系统特征建立了独立的高阶特征提取器，先对不同类别的特征量进行高阶特征表达，将它们投射到高阶稳定特征空间之后，再进行不同类别之间的特征交叉，如图3所示。其中si为将第i类高阶特征投射到高阶稳定特征空间中得到的向量。
与现有技术中统一的特征提取器相比，这种方法考虑了电力系统的领域知识，降低了模型的参数复杂度，提升了模型的学习效率。
根据公式(4)可以写出对应神经网络模型对应训练阶段的优化问题公式(5)：
其中，θ＝{θf,θ1,θ2,…,θM}表示模型的参数，为模型的分类损失函数，为了进一步提升各高阶特征提取器的特征提取能力，该优化问题包含约束项公式(6)，νi表示针对高阶特征提取器φi的测试函数，即针对特征子集/>的高阶特征提取器φi提取的特征应该包含与系统暂态稳定预测结果相关的信息。也即，公式(6)的作用为强化高阶稳定特征空间/>的与暂态稳定分类相关的语义特性，每一类输入特征xi在经过高阶特征提取器φi后投射到中，对系统的暂态稳定预测结果进行描述；不同的高阶特征提取器得到的信息形成互补，经过非线性映射后形成最终的模型输出。
本发明实施例中通过拉格朗日法设定拉格朗日乘子，对优化问题公式(5)进行处理，得到优化的暂态稳定评估模型。
具体地：通过拉格朗日对偶深度学习框架，通过设定的拉格朗日乘子对公式(5)进行处理，得到优化解，通过优化解求解对偶问题，得到优化的拉格朗日乘子，应用优化后的拉格朗日乘子再次优化所述优化问题，重复迭代，直至所述暂态稳定评估模型收敛，得到优化的暂态稳定评估模型。由此看出通过拉格朗日法对公式(5)进行求解过程中，是通过拉格朗日乘子求解公式(5)的，同时优化问题的解通过对偶法进一步对拉格朗日乘子进行优化，再用优化后的拉格朗日乘子进一步求解公式(5)往复迭代直至模型收敛。
本发明实施例中通过拉格朗日法对公式(5)进行处理过程具体包括：设定拉格朗日乘子λ＝(λ1，λ2，…，λM)，拉格朗日损失函数表示为：
则在给定拉格朗日乘子的取值λ的情况下，模型训练过程的优化问题公式(5)可以转换为：
求解公式(8)可以得到优化问题公式(5)的近似优化解；
另外，求解对偶问题得到拉格朗日乘子的优化解λ*：
subject to λi≥0，1≤i≤M (10)
将公式(9)的结果代入公式(8)进而计算出θ*(λ*)，利用上述优化问题进行模型训练为一个交错迭代过程，即对拉格朗日松弛问题的优化伴随着使用次梯度方法对拉格朗日乘子进行优化。
经过多次交错迭代得到模型训练后的结果，从而实现将量测序列输入公式(4)得到系统稳定的预测概率和系统失稳的预测概率。
接下来对高阶特征提取器以及分类器的神经网络模型进行描述。为了对输入特征数据中的时间相关性进行学习，本发明实施例采用长短时记忆(Long Short-term Memory，LSTM)构建高阶特征提取器φi。
LSTM是循环神经网络(Recurrent Neural Network，RNN)的一种。RNN是一种特殊的神经网络，传统神经网络包括卷积神经网络的输入数据和输出数据的尺寸都是固定的，而且模型对于从输入到输出的映射运算的步骤也是固定的，与神经网络的结构有关。RNN则是针对序列型数据专门设计的神经网络，它能接受长度可变的输入序列，输出也是一个长度可变的序列。除了输入输出结构之外，RNN的另一个特点是它能学习输入数据在序列上的相关性。在处理序列数据的时候，这些数据存在序列上的前后关联。人工对序列数据进行分析时，接受t时刻的数据输入之后，需要结合这个输入和之前时刻的分析结果，得出新的分析结果。RNN的结构设计正是参考了这一个分析的过程。
然而，尽管RNN在结构上具有其他神经网络不具备的优点，但同样也带来了训练上的困难，也就是隐藏层参数ω的传播问题。误差在展开的RNN上进行传播的时候，无论在前向传播过程还是在反向传播过程中ω会被乘上很多次，这就导致可能会出现两种问题：梯度消失：如果梯度很小的话，由于序列长度的问题，梯度实际上是在指数下降，对输出就几乎没有影响了；
梯度爆炸：与上述现象相反，如果梯度很大的话，由于指数关系的原因，会出现梯度爆炸问题。
为了克服原始RNN遇到的梯度消失问题(The vanishing gradient problem forRNNs)，也就是在序列长度较长的时候，可能会出现的对序列跨度较长的状态感知不足的问题，本发明实施例采用了长短时记忆单元(LSTM)。从本质上讲，LSTM相当于把RNN中隐藏层节点的神经元进行了修改，将单个隐藏层神经元替换成了单个具有记忆功能的长短时记忆单元(LSTM cell)，由于LSTM的简单性和有效性，大量基于LSTM的应用被开发了出来，比如语音识别、文本翻译、时间序列预测等等。
本发明实施例中应LSTM作为高阶特征提取器，抽取输入序列中的高维特征，然后对汇总后的特征经过一个多层全连接网络(Multi Layer Perceptron，MLP)计算得到模型输出，如图4所示。
本发明实施例中为了达到强化高阶稳定特征空间的目的，使用神经网络构建了模型Mv，并作用于每一个高阶特征提取器的输出上，如图5所示。由于/>因此对所有高阶特征提取器使用同样的ν(·)，得到：
上式中ν(s)是指经过MLP计算后的输出，由于ν(s)≤0，对于l＝0即标签为暂态稳定的样本，高阶特征提取器的输出在经过模型Mv运算后，二维向量的第一个元素值的大小不超过第二个元素值；对于l＝1即标签为暂态失稳的样本，高阶特征提取器的输出在经过模型Mv运算后，二维向量的第一个元素值的大小不小于第二个元素值。用这种方法，可以强化高阶特征提取器的训练过程，使从各类别的特征提取的信息都可以对系统的暂态稳定特征进行描述。
由于Mv是一个参数化的神经网络，其参数也随着模型整体的训练过程而变化，令其参数为θv，则θv在模型训练过程中随其他参数一起更新。
本发明实施例要建立的评估模型的训练算法流程示意图如图6所示，学习训练算法与常规的深度神经网络的训练算法相比增加了拉格朗日乘子的迭代修正过程。在每个epoch的训练结束后，通过测试函数计算当前约束的违反情况，进而对拉格朗日乘子进行修正。
本发明实施例应用IEEE 39节点标准测试系统对所提出的基于时间序列相关性挖掘的暂态稳定评估方法进行验证对设备状态在正常运行工况内进行随机抽样，去除不符合潮流静态约束的潮流样本，并在系统的随机位置添加三相短路接地故障，故障0.1s后故障被切除，一共生成了10000组暂态仿真结果。其中5000个仿真场景为系统失稳，5000个仿真场景为系统稳定。模型输入曲线为故障切除后长度为0.15s的受扰轨迹，包括线路有功潮流、节点电压幅值、发电机功角、综合分析曲线五类轨迹。线路有功潮流轨迹包含46条曲线，节点电压幅值轨迹包含39条曲线，发电机功角轨迹包含10条曲线，综合分析曲线包含6条曲线，共100条受扰轨迹。特别地，综合分析曲线分别为全网最高电压监测曲线、最低电压监测曲线、最大功角差曲线、最高频率监测曲线、最低频率监测曲线。取全数据集的80％构成训练集，20％构成测试集。
训练结束后，可根据表1以及公式(12)-(14)计算混淆矩阵和分类性能指标，计算结果如表2所示。
表1：混淆矩阵
精确率：
召回率：
F1分数：
表2：基于多特征学习器的暂稳评估模型性能表现
a训练集上的混淆矩阵计算结果
b测试集上的混淆矩阵计算结果
c模型性能表现指标
如图7所示，本发明实施例提供一种电力系统暂态稳定评估装置，包括：
模型构建单元710，用于构建暂态稳定评估模型；其中，所述暂态稳定评估模型包括高阶特征提取器及分类器；其中，所述高阶特征提取器用于对量测序列进行高阶特征提取，得到高阶特征提取结果；所述分类器用于对所述高阶特征提取结果进行分类降维得到所述暂态稳定评估结果。本发明实施例通过高阶特征提取器以及分类器构成的两级神经网络实现对电力系统特征的高阶提取特征表达并进行高阶特征间的互补，从而充分考虑了电力系统的领域知识，降低了模型的参数复杂度，提升了模型的学习效率。
评估单元720，用于将待评估的量测序列输入所述暂态稳定评估模型，得到暂态稳定评估结果；其中，所述评估结果以系统稳定预测概率和系统失稳预测概率的形式表示。
下面结合图8描述本发明实施例提供的一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理810，通信接口820，存储830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行电力系统暂态稳定评估方法，该方法包括：构建暂态稳定评估模型；其中，所述暂态稳定评估模型包括高阶特征提取器及分类器；其中，所述高阶特征提取器用于对量测序列进行高阶特征提取，得到高阶特征提取结果；所述分类器用于对所述高阶特征提取结果进行分类降维得到所述暂态稳定评估结果；将待评估的量测序列输入所述暂态稳定评估模型，得到暂态稳定评估结果。
此外，上述的存储器830中的逻辑指令可以通过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，本发明实施例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-Only Memory)、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。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的电力系统暂态稳定评估方法，该方法包括：构建暂态稳定评估模型；其中，所述暂态稳定评估模型包括高阶特征提取器及分类器；其中，所述高阶特征提取器用于对量测序列进行高阶特征提取，得到高阶特征提取结果；所述分类器用于对所述高阶特征提取结果进行分类降维得到所述暂态稳定评估结果；将待评估的量测序列输入所述暂态稳定评估模型，得到暂态稳定评估结果。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的电力系统暂态稳定评估方法：构建暂态稳定评估模型；其中，所述暂态稳定评估模型包括高阶特征提取器及分类器；其中，所述高阶特征提取器用于对量测序列进行高阶特征提取，得到高阶特征提取结果；所述分类器用于对所述高阶特征提取结果进行分类降维得到所述暂态稳定评估结果；将待评估的量测序列输入所述暂态稳定评估模型，得到暂态稳定评估结果。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：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 (7)
1.一种电力系统暂态稳定评估方法，其特征在于，包括：
构建暂态稳定评估模型；
其中，所述暂态稳定评估模型包括高阶特征提取器及分类器；
其中，所述高阶特征提取器用于对量测序列进行高阶特征提取，得到高阶特征提取结果；
所述分类器用于对所述高阶特征提取结果进行分类降维得到暂态稳定评估结果；
将待评估的量测序列输入所述暂态稳定评估模型，得到暂态稳定评估结果，其中，所述量测序列是指系统故障切除后系统状态变量变化序列，其中，
所述暂态稳定评估模型是基于样本数据以及样本数据上的系统稳定或失稳的标签训练得到的；
所述暂态稳定评估模型是基于样本数据以及样本数据上的系统稳定或失稳的标签训练得到的，具体包括：暂态稳定评估模型映射关系表示为：
其中，(x1,x2,…,xM)表示电力系统特征，分别属于特征子集每个特征子集对应一个高阶特征，/>表示系统稳定的预测概率和系统失稳的预测概率，f(·)和φ(·)为非线性映射，φi(·)表示处理第i类高阶特征的高阶特征提取器，对应参数为θi，f(·)表示应用处理后的高阶特征提取结果对系统的暂态稳定性进行评估，对应参数为θf；
所述暂态稳定评估模型是基于样本数据以及样本数据上的系统稳定或失稳的标签训练得到的，具体包括：令用于训练暂态稳定评估模型的训练集为样本数量为N，其中li为样本的标签，li∈{0,1}，在模型训练过程中将模型映射关系转换为以下优化问题：
subject to1≤i≤M，1≤j≤N
其中，θ＝{θf,θ1,θ2,…,θM}表示模型的参数，为模型的分类损失函数，νi表示高阶特征提取器φi的测试函数，用于表征对φi的约束使得高阶特征提取器φi对特征子集Xi提取的特征为与系统的暂态稳定最相关的信息。
2.根据权利要求1所述的电力系统暂态稳定评估方法，其特征在于，所述暂态稳定评估模型是基于样本数据以及样本数据上的系统稳定或失稳的标签训练得到的，具体包括：通过拉格朗日法设定拉格朗日乘子，对所述优化问题进行处理，得到优化的暂态稳定评估模型。
3.根据权利要求2所述的电力系统暂态稳定评估方法，其特征在于，所述通过拉格朗日法设定拉格朗日乘子，对所述优化问题进行处理，得到优化的暂态稳定评估模型，具体包括：通过设定的拉格朗日乘子对所述优化问题进行处理，得到优化解，通过优化解求解对偶问题，得到优化的拉格朗日乘子，应用优化后的拉格朗日乘子再次优化所述优化问题，重复迭代，直至所述暂态稳定评估模型收敛，得到优化的暂态稳定评估模型。
4.根据权利要求3所述的电力系统暂态稳定评估方法，其特征在于，所述通过拉格朗日法设定拉格朗日乘子，对所述优化问题进行处理，得到优化的暂态稳定评估模型，具体包括：设定拉格朗日乘子λ＝(λ1,λ2,…,λM)，拉格朗日损失函数表示为：
将拉格朗日乘子值λ代入所述优化问题将其转换为：
求解得到优化问题的近似优化解；
求解对偶问题得到拉格朗日乘子的优化解λ*：
subject to λi≥0,1≤i≤M
进一步求解得出将优化后的拉格朗日乘子λ*引入优化问题θ*(λ*)得到其优化解，通过优化的拉格朗日乘子λ*求解优化问题θ*(λ*)的过程为对暂态稳定评估模型训练的一个交错迭代过程。
5.一种电力系统暂态稳定评估装置，其特征在于，包括：
模型构建单元，用于构建暂态稳定评估模型；其中，所述暂态稳定评估模型包括高阶特征提取器及分类器；其中，所述高阶特征提取器用于对量测序列进行高阶特征提取，得到高阶特征提取结果；所述分类器用于对所述高阶特征提取结果进行分类降维得到暂态稳定评估结果；
评估单元，用于将待评估的量测序列输入所述暂态稳定评估模型，得到暂态稳定评估结果；其中，所述评估结果以系统稳定预测概率和系统失稳预测概率的形式表示，其中，所述量测序列是指系统故障切除后系统状态变量变化序列，其中，
所述暂态稳定评估模型是基于样本数据以及样本数据上的系统稳定或失稳的标签训练得到的；
所述暂态稳定评估模型是基于样本数据以及样本数据上的系统稳定或失稳的标签训练得到的，具体包括：暂态稳定评估模型映射关系表示为：
其中，(x1,x2,…,xM)表示电力系统特征，分别属于特征子集每个特征子集对应一个高阶特征，/>表示系统稳定的预测概率和系统失稳的预测概率，f(·)和φ(·)为非线性映射，φi(·)表示处理第i类高阶特征的高阶特征提取器，对应参数为θi，f(·)表示应用处理后的高阶特征提取结果对系统的暂态稳定性进行评估，对应参数为θf；
所述暂态稳定评估模型是基于样本数据以及样本数据上的系统稳定或失稳的标签训练得到的，具体包括：令用于训练暂态稳定评估模型的训练集为样本数量为N，其中li为样本的标签，li∈{0,1}，在模型训练过程中将模型映射关系转换为以下优化问题：
subject to1≤i≤M，1≤j≤N
其中，θ＝{θf,θ1,θ2,…,θM}表示模型的参数，为模型的分类损失函数，νi表示高阶特征提取器φi的测试函数，用于表征对φi的约束使得高阶特征提取器φi对特征子集Xi提取的特征为与系统的暂态稳定最相关的信息。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述电力系统暂态稳定评估方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述电力系统暂态稳定评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110693997.3A CN113435113B (zh) | 2021-06-22 | 2021-06-22 | 一种电力系统暂态稳定评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110693997.3A CN113435113B (zh) | 2021-06-22 | 2021-06-22 | 一种电力系统暂态稳定评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435113A CN113435113A (zh) | 2021-09-24 |
| CN113435113B true CN113435113B (zh) | 2024-06-11 |
Family
ID=77757109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110693997.3A Active CN113435113B (zh) | 2021-06-22 | 2021-06-22 | 一种电力系统暂态稳定评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435113B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030035275A (ko) * | 2001-10-30 | 2003-05-09 | 한국전력공사 | 전력계통 온라인 과도안정도 평가 방법 및 그 시스템 |
| CN107993012A (zh) * | 2017-12-04 | 2018-05-04 | 国网湖南省电力有限公司娄底供电分公司 | 一种时间自适应的电力系统在线暂态稳定评估方法 |
| CN108879732A (zh) * | 2018-08-02 | 2018-11-23 | 清华大学 | 电力系统暂态稳定评估方法及装置 |
| CN108964046A (zh) * | 2018-08-03 | 2018-12-07 | 东北电力大学 | 一种基于短时受扰轨迹的电力系统暂态稳定性评估方法 |
| CN109783997A (zh) * | 2019-03-12 | 2019-05-21 | 华北电力大学 | 一种基于深度神经网络的电力系统暂态稳定评估方法 |
| CN112069727A (zh) * | 2020-08-20 | 2020-12-11 | 国网河南省电力公司经济技术研究院 | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 |
-
2021
- 2021-06-22 CN CN202110693997.3A patent/CN113435113B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030035275A (ko) * | 2001-10-30 | 2003-05-09 | 한국전력공사 | 전력계통 온라인 과도안정도 평가 방법 및 그 시스템 |
| CN107993012A (zh) * | 2017-12-04 | 2018-05-04 | 国网湖南省电力有限公司娄底供电分公司 | 一种时间自适应的电力系统在线暂态稳定评估方法 |
| CN108879732A (zh) * | 2018-08-02 | 2018-11-23 | 清华大学 | 电力系统暂态稳定评估方法及装置 |
| CN108964046A (zh) * | 2018-08-03 | 2018-12-07 | 东北电力大学 | 一种基于短时受扰轨迹的电力系统暂态稳定性评估方法 |
| CN109783997A (zh) * | 2019-03-12 | 2019-05-21 | 华北电力大学 | 一种基于深度神经网络的电力系统暂态稳定评估方法 |
| CN112069727A (zh) * | 2020-08-20 | 2020-12-11 | 国网河南省电力公司经济技术研究院 | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于双向长短时记忆网络和卷积神经网络的电力系统暂态稳定评估;李向伟 等;科技技术与工程;20201231;第20卷(第7期);第2733-2739页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113435113A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
| CN108879732B (zh) | 电力系统暂态稳定评估方法及装置 | |
| CN112085111B (zh) | 一种负荷辨识方法和装置 | |
| CN112561303B (zh) | 基于集成学习和电网拓扑变化的电力系统动态分析方法 | |
| CN111461445A (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
| Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
| CN112287605A (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
| Huai et al. | Zerobn: Learning compact neural networks for latency-critical edge systems | |
| CN117971356B (zh) | 基于半监督学习的异构加速方法、装置、设备及存储介质 | |
| Dong et al. | Pruner-Zero: Evolving Symbolic Pruning Metric from scratch for Large Language Models | |
| CN118040675A (zh) | 一种电力系统的暂态稳定评估方法、装置、设备及介质 | |
| CN112396166A (zh) | 基于混合粒度聚合器的图卷积神经网络训练方法及装置 | |
| CN111310996B (zh) | 基于图自编码网络的用户信任关系预测方法及系统 | |
| CN113435113B (zh) | 一种电力系统暂态稳定评估方法及装置 | |
| CN116933860A (zh) | 暂态稳定评估模型更新方法、装置、电子设备及存储介质 | |
| Qin et al. | A hybrid deep learning model for short‐term load forecasting of distribution networks integrating the channel attention mechanism | |
| CN111310305A (zh) | 一种固体氧化物燃料电池系统振荡变量获取方法 | |
| Song et al. | Low-Rank Approximation for Sparse Attention in Multi-Modal LLMs | |
| 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 | |
| CN115174421A (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
| CN115936303A (zh) | 基于机器学习模型进行暂态电压安全分析方法 | |
| CN113435575B (zh) | 基于不平衡数据的门图神经网络暂态稳定性评估方法 | |
| CN115144777B (zh) | 一种伏安非线性电气元件的智能解析方法、系统、存储介质及终端 | |
| Lakra et al. | Development of Efficient and Optimal Models for Software Maintainability Prediction using Feature Selection Techniques | |
| CN116527411B (zh) | 数据安全智能防护模型构建方法、装置及协作平台 |
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 |