CN114021433A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114021433A CN114021433A CN202111231633.XA CN202111231633A CN114021433A CN 114021433 A CN114021433 A CN 114021433A CN 202111231633 A CN202111231633 A CN 202111231633A CN 114021433 A CN114021433 A CN 114021433A
- Authority
- CN
- China
- Prior art keywords
- graph
- dominant
- matrix
- phase angle
- attention
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 230000007246 mechanism Effects 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 60
- 238000005070 sampling Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 24
- 238000003909 pattern recognition Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 19
- 230000001687 destabilization Effects 0.000 claims description 14
- 230000000368 destabilizing effect Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006641 stabilisation Effects 0.000 claims description 8
- 238000011105 stabilization Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 12
- 239000010410 layer Substances 0.000 description 32
- 230000008569 process Effects 0.000 description 17
- 230000009467 reduction Effects 0.000 description 16
- 238000004088 simulation Methods 0.000 description 14
- 238000012800 visualization Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000009499 grossing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000002356 single layer Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (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)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力系统的主导失稳模式识别模型的构建方法及应用，属于电力系统稳定性判断领域；其中，主导失稳模式识别模型包括级联的图注意力模块和全连接层网络；图注意力模块基于注意力机制，结合输入的幅值矩阵和相角矩阵，学习得到图结构中各条边的权重，并基于所得权重，通过图神经网络对幅值矩阵和相角矩阵进行特征提取，得到电力系统的模式特征；其中，图结构根据电网拓扑构建得到；本发明向图神经网络中引入了注意力机制，并利用其学习每个训练样本与图结构中每条边的权重之间的关系，以实现动态图结构网络的构建，具有适应电网拓扑改变的能力，增强了图结构中包含的电网拓扑特征，提升了图神经网络的特征提取能力，准确率较高。
Description
技术领域
本发明属于电力系统稳定性判断技术领域，更具体地，涉及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。
背景技术
电力系统运行的稳定性与社会经济的可持续发展密切相关。为了保证电力系统运行在一个安全稳定的状态，电力公司需要每年进行大规模的数字仿真工作，数字仿真为电力系统的运行方式、稳控措施制定提供了很强的指导，在实际工程中具有重要意义。
电网仿真可以分为仿真计算和仿真数据分析两个部分，其中前者为后者提供数据支持。在仿真计算过程中，会生成大量的高维、稀疏且复杂的仿真数据。现阶段，大部分的仿真数据方法还是采用人工进行，严重依赖专家经验，需要耗费大量的人力和精力。在仿真数据分析中，一种典型的情况是：电力系统发生故障后失稳，暂态功角失稳和暂态电压失稳会交织出现。然而，现有的研究以及工程实际表明系统失稳必然由一种失稳模式主导，不同的失稳模式对应了不同的控制策略。现阶段基于物理机理的主导失稳模式判别方法存在着适应性不强、计算复杂等问题，难以适应大规模的仿真数据分析过程。而人工智能方法则具有快速判别、适应能力强的优点，可以在仿真数据分析中发挥很大作用。
传统的机器学习方法需要专家手动提取特征，严重依赖专家经验且具有一定的主观性，很难保证模型的适用性。近几年来兴起的深度学习方法则具有很强的特征提取能力，可以实现从原始数据到目标之间的端对端学习，无需依赖专家进行繁琐的特征提取工程；但是目前应用到稳定性分析领域的深度学习方法将深度学习模型应用到失稳模式识别场景中，通过深度学习模型直接建立原始数据与目标失稳模式之间的映射关系，并未考虑电网拓扑发生变化所带来的影响；但是在实际场景下，电网拓扑经过细微改变后(例如增加或切除线路、切除发电机等)可能极大改变系统的鲁棒性能，进而影响故障后的失稳模式判别。然而，电网拓扑在运行过程中不可能一直保持不变，现阶段稳定性分析领域采用的深度学习方法，如卷积神经网络、长短期记忆等不能很好的适应电网拓扑的改变，在拓扑改变的情况下判断准确率会下降明显。此外，由于主导失稳模式识别这一任务标注相对较困难，在样本集中可能存在标签不准确的问题，然而深度学习方法都是基于样本标签完全正确这一先验条件进行训练的，因此样本集中存在的不准确标注可能会影响模型的性能。
为了解决上述问题，现有技术中将图神经网络引入深度学习中，图神经网络可以将电网拓扑信息融入模型中，以强化模型与电网拓扑之间的关系。然而，现有的图神经网络，如图卷积网络依赖预先构建好的静态图结构，无法灵活感知电网拓扑发生改变所带来的影响，大大制约了图结构的动态特征捕捉能力，主导失稳模式的识别准确率较低。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供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，用以解决现有现有技术由于依赖预先构建好的静态图结构而导致的主导失稳模式的识别准确率较低的技术问题。
为了实现上述目的，第一方面，本发明提供了一种电力系统的主导失稳模式识别模型的构建方法，包括：
将预采集的训练样本集输入到导失稳模式识别模型中进行训练，得到训练好的导失稳模式识别模型；训练样本集包括：电力系统不同故障类型下母线电压的幅值矩阵和相角矩阵，以及对应的主导失稳模式标签；幅值矩阵由各电网节点的母线电压幅值向量构成；母线电压幅值向量为各采样时刻下的母线电压幅值所组成的向量；相角矩阵由各采样时刻下各电网节点的母线电压相角向量构成；母线电压相角向量为各采样时刻下的母线电压相角所组成的向量；
主导失稳模式识别模型包括：级联的图注意力模块和全连接层网络；
图注意力模块用于基于注意力机制，结合输入的幅值矩阵和相角矩阵，学习得到图结构中各条边的权重，并基于所得权重，通过图神经网络对幅值矩阵和相角矩阵进行特征提取，得到电力系统的模式特征；其中，图结构根据电网拓扑构建得到；图结构中的节点对应电网中的母线节点，图结构中的边对应电网中的传输线路；
全连接层网络，用于将电力系统的模式特征映射为主导失稳模式的分类概率，从而得到电力系统的主导失稳模式类别。
进一步优选地，图注意力模块包括：第一图注意力单元、第二图注意力单元和拼接层；第一图注意力单元和第二图注意力单元并行连接，二者的输出端均与拼接层的输入端相连；
第一图注意力单元用于基于注意力机制，结合输入的幅值矩阵，学习得到图结构中各条边的第一权重，并基于所得第一权重，通过图神经网络对幅值矩阵进行特征提取；
第二图注意力单元用于基于注意力机制，结合输入的相角矩阵，学习得到图结构中各条边的第二权重，并基于所得第二权重，通过图神经网络对相角矩阵进行特征提取；
拼接层用于对第一图注意力单元提取到的幅值矩阵特征和第二图注意力单元提取到的相角矩阵特征进行拼接，得到电力系统的模式特征。
进一步优选地，第一图注意力单元和第二图注意力单元均包括级联的特征提取层和融合层；
特征提取层包括K个并联的图注意力子网络；图注意力子网络包括级联的注意力机制单元和图神经网络；
注意力机制单元用于对图结构中的第i个节点，从输入的幅值矩阵特征或相角矩阵特征中获取其所对应的向量以及其相邻节点所对应的向量，并分别进行线性变换；将第i个节点所对应的向量的线性变换结果分别与其相邻节点所对应的向量的线性变换结果进行拼接后，对各拼接后的结果分别通过激活函数进行非线性变换；并采用线性映射函数将各非线性变换结果映射成一维数值，从而得到图结构中第i个节点与其相邻节点之间的权重值；其中，i＝1,2,…,N；N为图结构中的节点个数；
图神经网络用于基于归一化处理后的图结构中各条边的权重值，提取输入矩阵的特征；
融合层用于对特征提取层输出的K个输入矩阵的特征进行融合。
进一步优选地，第i个节点Vi与其相邻节点Vj之间的权重值为：
eij＝a(σ(concat(Wxi T,Wxj T)))
其中，a(·)为线性映射函数；σ(·)为激活函数；concat表示拼接操作；W为线性变换矩阵；xi为第i个节点所对应的向量；xj为第j个节点所对应的向量。
进一步优选地，图注意力模块的数量为2-3个，各图注意力模块相互级联。
进一步优选地，全连接层网络包括多个级联的全连接层。
进一步优选地，主导失稳模式识别模型的损失函数为：
其中，M为训练样本集中的训练样本个数；训练样本包括某一故障类型下的一组幅值矩阵和相角矩阵；ε为标签置信度；qym为第m个训练样本的主导失稳模式标签ym所对应的分类概率；L为主导失稳模式的类别数量；qml为第m个训练样本属于第l类主导失稳模式的概率。
进一步优选地，训练样本集的获取方法包括：
仿真或从实际电网中获取不同故障类型下的多组量测数据；
从每组量测数据中离散采样母线电压的幅值和相角，得到母线电压的幅值矩阵和相角矩阵，分别进行归一化处理；
根据每种故障类型对应的母线电压的幅值曲线和相角曲线确定对应的主导失稳模式标签；
其中，故障类型包括：潮流运行工况、故障线路、故障位置、故障持续时间和负荷感应电动机比例；主导失稳模式标签包括稳定、功角失稳和电压失稳。
第二方面，本发明提供了一种电力系统的主导失稳模式识别方法，包括：在电力系统发生故障后，将故障后母线电压的幅值矩阵和相角矩阵，输入到采用本发明第一方面所提供的主导失稳模式识别模型的构建方法构建得到的主导失稳模式识别模型中，得到故障后的主导失稳模式类别；
其中，幅值矩阵由各电网节点的母线电压幅值向量构成；母线电压幅值向量为各采样时刻下的母线电压幅值所组成的向量；相角矩阵由各采样时刻下各电网节点的母线电压相角向量构成；母线电压相角向量为各采样时刻下的母线电压相角所组成的向量。
第三方面，本发明还提供了一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现本发明第一方面所提供的主导失稳模式识别模型的构建方法和/或本发明第二方面所提供的主导失稳模式识别方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
1、本发明提供了一种电力系统的主导失稳模式识别模型的构建方法，向图神经网络中引入了一种注意力机制模块，并利用其学习每个训练样本与图结构中每条边的权重之间的关系，实现了一种动态图结构网络的构建，具有适应电网拓扑改变的能力，增强了图结构中包含的电网拓扑特征，提升了图神经网络的特征提取能力；当电网中有一条拓扑被切除了，注意力机制可以感知到这一改变，并将相应边的权重减小，通过注意力机制学习到的动态图结构可以增强模型适应电网拓扑改变的能力，大大提高了电力系统主导失稳模式的识别准确率。
2、考虑到电压幅值和相角是两个不同的物理特征，尽管深度学习模型是数据驱动的，但是不同的特征同时进行处理会导致模型学习到的知识只是数据上的拟合，进而影响模型的泛化能力，因此本发明所提供的主导失稳模式识别模型的构建方法分别对这两个输入特征进行特征提取后再进行拼接，能够减小不同量纲之间的差异所带来的影响，以提高识别的准确率。
3、本发明所提供的主导失稳模式识别模型的构建方法，对于训练样本集中存在的样本标注不准确问题，引入了一种“标签平滑”的交叉熵损失函数，弥补了现有的交叉熵损失函数只关注样本标签带来损失的问题，使得模型的损失值计算同时关注所有类别，提升了模型在标签不准确情况下的性能，同时也缓解了主导失稳模式识别模型过拟合的问题，进一步提高了识别电力系统主导失稳模式的准确率。
附图说明
图1为本发明实施例1所提供的主导失稳模式识别模型的结构示意图；
图2为本发明实施例2所提供的基于带标签平滑的图注意力网络的主导失稳模式识别流程图；
图3为本发明实施例2所提供的中国电力科学研究院8机36节点系统算例的接线图；
图4为本发明实施例2所提供的t-SNE降维可视化结果图；其中，(a)为当标签置信度ε取值为1时的t-SNE降维可视化结果图；(b)为当标签置信度ε取值为0.95时的t-SNE降维可视化结果图；(c)为当标签置信度ε取值为0.9时的t-SNE降维可视化结果图；(d)为当标签置信度ε取值为0.85时的t-SNE降维可视化结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1、
功角失稳表现为电力系统受到扰动后同步发电机不再保持同步运行的现象。从系统能量的角度上讲，功角失稳是由于系统发生故障并且失稳后，多余的加速不平衡能量无法被系统势能所消纳造成的，因而针对功角失稳占主导的情况，通常采用切发电机的控制措施使得系统恢复稳定运行。从物理机理角度分析，电压失稳主要是由于负荷对系统的电流要求太大，最终超过了等值电流源所能提供给的最大电流，反映出来就是系统动态无功支撑不足，因此电压失稳采取的控制措施通常是切负荷。如果将功角失稳误判为电压失稳，那么会造成控制措施的误动作进而使得故障加重。
本发明引入了一种机器学习方法，该方法可以构建从原始数据到主导失稳模式的复杂映射关系，训练良好的模型可以快速准确的判断出系统的主导失稳模式，有效的区分出电压失稳和功角失稳这两种失稳类别，在仿真数据分析中为后续制定控制决策表提供依据。
电力系统稳定类型可以分为功角稳定、电压稳定和频率稳定，由于频率失稳的控制措施相对独立，因此在进行识别过程中不与其他两种失稳模式一起进行考虑。具体地，功角稳定又可以根据扰动的大小细分为大扰动功角稳定和小扰动功角稳定，同理，电压失稳也可以分为小扰动电压稳定(静态电压稳定)和大扰动电压稳定。其中，扰动的大小没有具体的定量标准，一般工程上认为大扰动包括短路、断路等，小扰动包括：负荷变化、发电机出力改变等。大小扰动需要分开进行研究，采取不同的方法，本发明主要研究的是短路故障后的特性，即大干扰稳定问题。
由于电网拓扑经过细微改变后(例如增加或切除线路、切除发电机等)就可能极大改变系统的鲁棒性能，进而影响故障后的失稳模式判别，本发明将电网拓扑引入到主导失稳模式识别模型的构建过程中。在模型训练之前，根据训练样本集的电网拓扑预先构建对应地图结构；训练过程中，图结构的作用相当于将原始的矩阵类型数据转化为图结构数据(非欧几里得数据)。电力系统的拓扑是一个稀疏图结构，其母线和输电线路的结构与图神经网络中的图结构非常契合，故采用图神经网络模型对电力系统问题进行建模。
但是传统的图神经网络方法，如图卷积网络，是在一个静态图结构基础上进行的特征提取，然而在主导失稳模式识别这一问题中，图中各个节点之间连接的紧密程度往往与输入特征有关，采用静态图结构难以反应这种动态的图结构信息。因此，本发明引入了一种注意力机制，在原有图卷积神经网络的基础上，通过注意力机制学习到输入特征与图结构中各条边的权重之间的映射关系，可以进一步提升模型性能，同时也使得模型具有更强的适应电网拓扑变化的能力。
本发明首先需要构建一个具体的深度图注意力网络模型，利用图注意力网络对原始数据进行表征学习，由于其融合了电网拓扑结构，能够提取更多有效的特征，而后利用全连接层对图卷积网络学到的特征进行分类，模型将覆盖电力系统故障后的所有状态，包括稳定、电压失稳和功角失稳。其次，通过对训练样本集合理划分为训练集、验证集和测试集，其中训练集和验证集用于训练模型中的参数，测试集用于验证模型性能，这种样本划分方法可以有效观察模型的泛化能力。通过多次超参数调节和训练后，得到一个表现最好的模型并保存，在后续测试中，可以直接将原始数据输入到模型中，即可快速判断出主导失稳模式，具有较强的实用性。
具体地，本发明提供了一种电力系统的主导失稳模式识别模型的构建方法，包括：
将预采集的训练样本集输入到导失稳模式识别模型中进行训练，得到训练好的导失稳模式识别模型；训练样本集包括：电力系统不同故障类型下母线电压的幅值矩阵和相角矩阵，以及对应的主导失稳模式标签；幅值矩阵由各电网节点的母线电压幅值向量构成；母线电压幅值向量为各采样时刻下的母线电压幅值所组成的向量；相角矩阵由各采样时刻下各电网节点的母线电压相角向量构成；母线电压相角向量为各采样时刻下的母线电压相角所组成的向量；
本实施例中，训练样本集的获取方法包括：
1)构建不同的故障类型，获得其对应的观测窗口内母线电压的幅值和相角，生成对应的幅值矩阵和相角矩阵，得到训练样本；
具体地，仿真或从实际电网中获取不同故障类型下的多组量测数据；从每组量测数据中离散采样母线电压的幅值和相角，得到母线电压的幅值矩阵和相角矩阵，分别进行归一化处理；
优选地，采用时域仿真获取足够多的表征丰富的样本，针对主导失稳模式识别这一问题，关键在于有动态负荷，因此在负荷中加入感应电动机，并在生成样本过程中使负荷感应电动机比例在50％到90％之间变化以获得尽可能多的电压失稳样本。
本实施例中提取每组量测数据在其对应的观测窗口内每0.01s的母线电压幅值和相角以构成对应的矩阵，并采用z-score标准化方法对矩阵进行归一化处理，以取消量纲；根据每种故障类型对应的母线电压的幅值曲线和相角曲线确定对应的主导失稳模式标签；其中，故障类型包括：潮流运行工况、故障线路、故障位置、故障持续时间和负荷感应电动机比例；主导失稳模式标签包括稳定、功角失稳和电压失稳。
需要说明的是，由于故障后可能会出现功角失稳与电压失稳交织的情况，如果观测窗口较短则网络无法获得足够的信息进行特征提取，因此观测窗口要取得相对较长，应取1～2秒较为合适。基于观测窗口内的数据，预测故障发生后的长期(比如故障发生后的20s处)的稳定性。通过训练神经网络的映射关系，能够使得通过观测窗口的数据预测后续时间段的稳定或失稳状态。
上述幅值矩阵和相角矩阵的形式如下：
式中，Ui,s和αi,s(i＝1,2,…,N；s＝1,2,…,T)分别为第i个节点，第s个采样时刻的幅值与相角，T为观测窗口长度对应的采样点数，N为电力系统内母线数，即电网节点数。
2)根据每个训练样本的母线电压的幅值和相角数据，绘出其对应的幅值曲线和相角曲线，然后标注出对应的失稳类型标签。
具体地，主要依靠电压幅值曲线矩阵和相角矩阵拟合出的曲线观察系统的主导失稳模式，并协助专家经验进行判别。具体为，根据离散的幅值数据和功角数据，采用曲线拟合的方式获得一定时间步长的曲线图，从而绘制得到每种故障类型对应的电压幅值曲线和功角曲线。优选的，主导失稳模式标签包括稳定模式、电压失稳模式和功角失稳模式，对应地，分别标注为0、1和2。
进一步地，如图1所示，主导失稳模式识别模型包括：级联的图注意力模块和全连接层网络；
图注意力模块：
图注意力模块用于基于注意力机制，结合输入的幅值矩阵和相角矩阵，学习得到图结构中各条边的权重，并基于所得权重，通过图神经网络对幅值矩阵和相角矩阵进行特征提取，得到电力系统的模式特征；其中，图结构根据电网拓扑构建得到，具体的构建过程如下：
以电网中的节点和传输线分别作为图中的顶点和边，得到顶点集合V＝{V1，V2，…，VN}和边集合E，并生成邻接矩阵A，A中的元素aij可以表示为：
其中，图结构中的节点对应电网中的母线节点，图结构中的边对应电网中的传输线路；(Vi，Vj)表示节点Vi与Vj构成的边。
由于电压幅值和相角是两个不同的物理特征，需要分别对这两个输入特征进行特征提取。具体地，图注意力模块包括：第一图注意力单元、第二图注意力单元和拼接层；第一图注意力单元和第二图注意力单元并行连接，二者的输出端均与拼接层的输入端相连；
第一图注意力单元用于基于注意力机制，结合输入的幅值矩阵，学习得到图结构中各条边的第一权重，并基于所得第一权重，通过图神经网络对幅值矩阵进行特征提取。第二图注意力单元用于基于注意力机制，结合输入的相角矩阵，学习得到图结构中各条边的第二权重，并基于所得第二权重，通过图神经网络对相角矩阵进行特征提取。拼接层用于对第一图注意力单元提取到的幅值矩阵特征和第二图注意力单元提取到的相角矩阵特征进行拼接，得到电力系统的模式特征。
其中，第一图注意力单元和第二图注意力单元均包括级联的特征提取层和融合层；
特征提取层包括K个并联的图注意力子网络；图注意力子网络包括级联的注意力机制单元和图神经网络；其中，K为正整数，通常取值为3～5；优选地，本实施例中取值为3。
注意力机制单元用于对图结构中的第i个节点，从输入的幅值矩阵特征或相角矩阵特征中获取其所对应的向量以及其相邻节点所对应的向量，并分别进行线性变换；将第i个节点所对应的向量的线性变换结果分别与其相邻节点所对应的向量的线性变换结果进行拼接后，对各拼接后的结果分别利用激活函数进行非线性变换；并采用线性映射函数将各非线性变换结果映射成一维数值，从而得到图结构中第i个节点与其相邻节点之间的权重值；其中，i＝1,2,…,N；N为图结构中的节点个数。需要说明的是，在传统的图注意力机制中经过了连续两个线性变换过程(特征线性变化W和单层线性神经网络a)，但是两个连续的线性化过程实际上可以等效为同一个，大大限制了模型的表征能力。本发明利用激活函数在对向量两次连续线性化中间添加了一个非线性过程，避免了连续线性化的过程，大大提高了模型的表征能力，在相同的实验条件下，相比与传统的GAT模型中所采用的连续线性化操作时所得到的准确率94.8％，本发明的准确率能够达到96.5％，准确率更高，性能更好。
具体地，第i个节点Vi与其相邻节点Vj之间的权重值为：
eij＝a(σ(concat(Wxi T,Wxj T)))
其中，a(·)为线性映射函数；σ(·)为激活函数；concat表示拼接操作；W为线性变换矩阵，用于强化节点特征；xi为第i个节点所对应的向量；xj为第j个节点所对应的向量。需要说明的是，当输入的是幅值矩阵时，xi为幅值矩阵中第i个节点处的母线电压幅值向量；当输入的是相角矩阵时，xi为幅值矩阵中第i个节点处的母线电压相角向量。
对于节点Vi以及其邻居节点Vj，通过单层神经网络学习节点对应的输入特征xi、xj与边权重eij之间的映射关系a(·)。需要说明的是，a(·)表示单层神经网络，其映射关系为
各图注意力子网络中所采用的线性映射函数类型或参数不同；本实施例中的各图注意力子网络中的单层神经网络的初始参数不同。
图神经网络用于基于归一化处理后的图结构中各条边的权重值，提取输入矩阵的特征；
本实施例中采用softmax归一化对图结构中各条边的权重值进行归一化；其中，第i个节点Vi与其相邻节点Vj之间的权重值归一化后的结果为：
其中，
表示节点Vi的邻居节点的集合，LeakyReLU(·)为激活函数，αij为归一化后的注意力权重。
融合层用于对特征提取层输出的K个输入矩阵的特征进行融合，所得特征为：
其中，
表示节点Vi经过特征提取后的特征；||(·)表示融合操作，可以为拼接操作，也可以为取平均操作；K表示具有K头注意力；σ(·)为激活函数；αij (k)为第k个图注意力子网络中的图注意力子网络输出的特征；W(k)为第k个图注意力子网络中的图神经网络的参数。
优选地，图注意力模块的数量为2-3个，各图注意力模块相互级联；此时，后一级图注意力模块用于对前一级图注意力模块输出的特征进行进一步提取；本实施例中，图注意力模块的数量为3个。
全连接层网络：
全连接层网络，用于将电力系统的模式特征映射为主导失稳模式的分类概率，从而得到电力系统的主导失稳模式类别。
优选地，全连接层网络包括多个级联的全连接层，以避免深度图注意力网络的“过平滑”问题。本发明优选为2-3个级联的全连接层，本实施例中全连接层的数量为3个。
进一步地，本实施例中，采用随机梯度下降算法并以带标签平滑的损失函数作为目标函数对主导失稳模式识别模型进行监督学习以训练模型的参数，训练过程中学习率采用指数衰减形式，其中对卷积层后降维的表征数据和全连接层后数据进行t-SNE可视化，用以观察模型的分类效果。
具体地，主导失稳模式识别模型的损失函数为：
其中，M为训练样本集中的训练样本个数；训练样本包括某一故障类型下的一组幅值矩阵和相角矩阵；ε为标签置信度；
为第m个训练样本的主导失稳模式标签ym所对应的分类概率；L为主导失稳模式的类别数量；qml为第m个训练样本属于第l类主导失稳模式的概率。
对于训练样本集中存在的样本标注不准确问题，本发明引入了一种“标签平滑”的交叉熵损失函数，弥补了现有的交叉熵损失函数只关注样本标签带来损失的问题，使得模型的损失值计算同时关注所有类别，提升了模型在标签不准确情况下的性能，提高了主导失稳模式识别的准确率。
实施例2、
一种电力系统的主导失稳模式识别方法，包括：在电力系统发生故障后，将故障后母线电压的幅值矩阵和相角矩阵，输入到采用本发明实施例1所提供的主导失稳模式识别模型的构建方法构建得到的主导失稳模式识别模型中，得到故障后的主导失稳模式类别；
其中，幅值矩阵由各电网节点的母线电压幅值向量构成；母线电压幅值向量为各采样时刻下的母线电压幅值所组成的向量；相角矩阵由各采样时刻下各电网节点的母线电压相角向量构成；母线电压相角向量为各采样时刻下的母线电压相角所组成的向量。幅值矩阵和相角矩阵的获取方法具体同实施例1中所述。
相关技术方案同实施例1，这里不做赘述。
需要说明的是，将所有组的原始量测数据对应的所有样本随机分为训练集、验证集、测试集三部分，搭建基于带标签平滑的图注意力网络的主导失稳模式识别模型，将训练集输入预判模型进行训练，根据验证集效果调节超参数，最后用测试集检验预判模型的性能。
具体地，本发明提供的基于带标签平滑的图注意力网络的主导失稳模式识别模型的应用方法如图2所示，本发明实施例以中国电科院8机36节点系统为例对该方法进行详细说明，其系统接线图如图3所示。为了尽可能模拟实际运行中可能遇到的工况，样本生成过程中改变的初始运行条件有系统运行潮流水平和负荷的发电机比例；故障均设置为三相短路故障，每个样本生成过程中仅发生一次短路故障，故障遍历所有交流线路，可以调节的故障条件为故障持续时间和故障位置。样本生成过程中具体的设置见表1，最终共生成7800个样本。仿真时长设置为20s，并利用Matlab将PSASP得到的离散采样点拟合成曲线辅助进行观察以标注样本，其中稳定样本2553个(32.73％)，功角失稳1863个(23.88％)，电压失稳3384个(43.38％)。模型在充分考虑了判断精度和响应速度后，确定输入样本所需要的观测期为1.0s，采样周期为0.01s，故单个样本每个节点的采样点个数为T＝2.0/0.01＝200，每个样本的特征集大小为
表1
| 具体设置 | 种类数 | |
| 测试系统 | CEPRI8机36节点系统 | 1 |
| 潮流水平 | 90％,100％,110％ | 3 |
| 负荷电动机比例 | 50％,60％,70％,80％,90％ | 5 |
| 故障线路 | 所有交流线路 | 26 |
| 故障位置 | 2％,20％,50％,80％,98％ | 5 |
| 故障持续时间 | 0.05s,0.15s,0.25s,0.3s | 4 |
| 故障类型 | 三相金属性短路 | 1 |
为了证明电网拓扑对研究主导失稳模式识别这一问题的重要性，设置了相同结构的卷积神经网络(CNN)模型进行对比。经多次测试，为了避免深度图注意力网络的“过平滑”问题，所有深度学习模型均采用三层卷积层以及三层全连接层的结构(CNN模型带池化)。用相同的原始输入特征，训练其他机器学习模型，包括卷积神经网络和其他传统机器学习方法，测试结果列于表2中。测试结果表明，采用深度学习方法(图卷积网络、卷积神经网络以及本发明所提供的图注意力模块)的主导失稳模式识别模型的判断精度相对于传统的机器学习方法而言有明显的优势，体现了深度学习强大的特征学习能力，而传统的机器学习算法则严重依赖于专家经验对特征进行提取，难以保证模型的性能。同时，考虑了电网拓扑结构的图神经网络方法相对于不考虑拓扑的卷积神经网络方法而言，具有更高的判断精度，说明了电网拓扑结构对于研究主导失稳模式这一问题的重要性。进一步的，由于本发明所提供的图注意力模块能够根据输入特征动态调整图结构中边的权重，进一步强化了输入特征与图结构之间的关系，提升了模型的准确率，标签平滑方法也一定程度上提升了模型的判断效果(本例中当ε＝0.95时，三种深度学习模型均取得了最好的效果)，也是本发明的优势所在。
表2
为了更加直观的展示所提出模型的分类效果，采用了t分布随机近邻嵌入算法(t-distributed stochastic neighbor embedding，t-SNE)对模型预测结果进行降维可视化，将采用不同标签平滑置信度学习到的图注意力网络模型的高维数据降维到二维平面中进行观察，可以更直观的观察模型的分类效果。降维结果如图4所示，其中，(a)图为当标签置信度ε取值为1时的t-SNE降维可视化结果图；(b)图为当标签置信度ε取值为0.95时的t-SNE降维可视化结果图；(c)图为当标签置信度ε取值为0.9时的t-SNE降维可视化结果图；(d)图为当标签置信度ε取值为0.85时的t-SNE降维可视化结果图；图中各个数据点之间的距离表示了各个样本之间的相似度，距离越近的相似程度越高，用虚线表示划分各个类别之间的边界。从t-SNE降维可视化结果可以看出，本发明采用的深度图注意力网络模型具有明显的特征提取能力，经过图注意力网络提取到的高维表征已经可以很明显的将样本分为三类；进一步，观察不同标签平滑系数下的t-SNE降维结果，可以发现当ε＝0.95时，各个类别之间的区别被拉大，表明该参数下训练得到的模型提取到了最有效的区分主导失稳模式的特征，也验证了表2中的结果。
进一步为了验证模型适应拓扑变化的能力，额外生成了4260个在一条输电线路断开情况下的主导失稳模式样本(N-1样本集)，并将训练好的深度学习模型直接用于测试N-1样本集，本发明采用的改进的图注意力网络取得了85.2％的准确率，而传统的图注意力网络取得了84.4％的准确率，图卷积神经网络和CNN则分别只取得了81.7％和75.6％的准确率。结果表明本发明所提供的主导失稳模式识别模型具有更好地适应拓扑改变的能力。
实施例3、
一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现本发明实施例1所提供的主导失稳模式识别模型的构建方法和/或本发明实施例2所提供的主导失稳模式识别方法。
相关技术特征同实施例1和实施例2，这里不做赘述。
综上所述，本发明所构建的主导失稳模式识别模型能够自动学习电力系统拓扑中各条边的权重，相比传统图神经网络方法能够更好地表征特征信息与电网拓扑之间的关系。在模型训练之前，根据样本集的电网拓扑预先构建对应的无权图结构；训练过程中，利用注意力机制学习到输入特征与图结构中各条边的权重，能够进一步强化样本输入特征与电网拓扑的关系，增强了所输入的图结构中包含的电网拓扑特征，测试结果表明，考虑了电网拓扑结构的图注意力网络方法相对于不考虑拓扑的卷积神经网络以及无权图卷积网络方法而言，具有更高的判别精度；由于样本标签难以保证完全正确，本发明进一步采用标签平滑的方法对标签进行软化，降低了模型对标签的依赖，进一步提高了模型的判断准确率。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力系统的主导失稳模式识别模型的构建方法，其特征在于，包括：
将预采集的训练样本集输入到导失稳模式识别模型中进行训练，得到训练好的导失稳模式识别模型；所述训练样本集包括：电力系统不同故障类型下母线电压的幅值矩阵和相角矩阵，以及对应的主导失稳模式标签；其中，所述幅值矩阵由各电网节点的母线电压幅值向量构成；所述母线电压幅值向量为各采样时刻下的母线电压幅值所组成的向量；所述相角矩阵由各采样时刻下各电网节点的母线电压相角向量构成；所述母线电压相角向量为各采样时刻下的母线电压相角所组成的向量；
所述主导失稳模式识别模型包括：级联的图注意力模块和全连接层网络；
所述图注意力模块用于基于注意力机制，结合输入的幅值矩阵和相角矩阵，学习得到图结构中各条边的权重，并基于所得权重，通过图神经网络对幅值矩阵和相角矩阵进行特征提取，得到电力系统的模式特征；所述图结构根据电网拓扑构建得到；所述图结构中的节点对应电网中的母线节点，所述图结构中的边对应电网中的传输线路；
所述全连接层网络用于将所述电力系统的模式特征映射为主导失稳模式的分类概率，从而得到电力系统的主导失稳模式类别。
2.根据权利要求1所述的主导失稳模式识别模型的构建方法，其特征在于，所述图注意力模块包括：第一图注意力单元、第二图注意力单元和拼接层；所述第一图注意力单元和所述第二图注意力单元并行连接，二者的输出端均与所述拼接层的输入端相连；
所述第一图注意力单元用于基于注意力机制，结合输入的幅值矩阵，学习得到图结构中各条边的第一权重，并基于所得第一权重，通过图神经网络对幅值矩阵进行特征提取；
所述第二图注意力单元用于基于注意力机制，结合输入的相角矩阵，学习得到图结构中各条边的第二权重，并基于所得第二权重，通过图神经网络对相角矩阵进行特征提取；
所述拼接层用于对所述第一图注意力单元提取到的幅值矩阵特征和所述第二图注意力单元提取到的相角矩阵特征进行拼接，得到电力系统的模式特征。
3.根据权利要求2所述的主导失稳模式识别模型的构建方法，其特征在于，所述第一图注意力单元和所述第二图注意力单元均包括级联的特征提取层和融合层；
所述特征提取层包括K个并联的图注意力子网络；所述图注意力子网络包括级联的注意力机制单元和图神经网络；
所述注意力机制单元用于对图结构中的第i个节点，从输入的幅值矩阵特征或相角矩阵特征中获取其所对应的向量以及其相邻节点所对应的向量，并分别进行线性变换；将第i个节点所对应的向量的线性变换结果分别与其相邻节点所对应的向量的线性变换结果进行拼接后，对各拼接后的结果分别进行非线性变换；并采用线性映射函数将各非线性变换结果映射成一维数值，从而得到图结构中第i个节点与其相邻节点之间的权重值；其中，i＝1,2,…,N；N为图结构中的节点个数；
所述图神经网络用于基于归一化处理后的图结构中各条边的权重值，提取输入矩阵的特征；
所述融合层用于对所述特征提取层输出的K个输入矩阵的特征进行融合。
4.根据权利要求3所述的主导失稳模式识别模型的构建方法，其特征在于，第i个节点Vi与其相邻节点Vj之间的权重值为：
eij＝a(σ(concat(Wxi T,Wxj T)))
其中，a(·)为线性映射函数；σ(·)为激活函数；concat表示拼接操作；W为线性变换矩阵；xi为第i个节点所对应的向量；xj为第j个节点所对应的向量。
5.根据权利要求1-4任意一项所述的主导失稳模式识别模型的构建方法，其特征在于，图注意力模块的数量为2-3个，各图注意力模块相互级联。
6.根据权利要求1-4任意一项所述的主导失稳模式识别模型的构建方法，其特征在于，全连接层网络包括多个级联的全连接层。
7.根据权利要求1-4任意一项所述的主导失稳模式识别模型的构建方法，其特征在于，所述主导失稳模式识别模型的损失函数为：
其中，M为所述训练样本集中的训练样本个数；训练样本包括某一故障类型下的一组幅值矩阵和相角矩阵；ε为标签置信度；
为第m个训练样本的主导失稳模式标签ym所对应的分类概率；L为主导失稳模式的类别数量；qml为第m个训练样本属于第l类主导失稳模式的概率。
8.根据权利要求1所述的主导失稳模式识别模型的构建方法，其特征在于，所述训练样本集的获取方法包括：
仿真或从实际电网中获取不同故障类型下的多组量测数据；
从每组量测数据中离散采样母线电压的幅值和相角，得到母线电压的幅值矩阵和相角矩阵，分别进行归一化处理；
根据每种故障类型对应的母线电压的幅值曲线和相角曲线确定对应的主导失稳模式标签；
其中，所述故障类型包括：潮流运行工况、故障线路、故障位置、故障持续时间和负荷感应电动机比例；所述主导失稳模式标签包括稳定、功角失稳和电压失稳。
9.一种电力系统的主导失稳模式识别方法，其特征在于，包括：在电力系统发生故障后，将故障后母线电压的幅值矩阵和相角矩阵，输入到采用权利要求1-8任意一项所述的主导失稳模式识别模型的构建方法构建得到的主导失稳模式识别模型中，得到故障后的主导失稳模式类别；
其中，所述幅值矩阵由各电网节点的母线电压幅值向量构成；所述母线电压幅值向量为各采样时刻下的母线电压幅值所组成的向量；所述相角矩阵由各采样时刻下各电网节点的母线电压相角向量构成；所述母线电压相角向量为各采样时刻下的母线电压相角所组成的向量。
10.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1-8任意一项所述的主导失稳模式识别模型的构建方法和/或权利要求9所述的主导失稳模式识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111231633.XA CN114021433B (zh) | 2021-10-22 | 2021-10-22 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111231633.XA CN114021433B (zh) | 2021-10-22 | 2021-10-22 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114021433A true CN114021433A (zh) | 2022-02-08 |
| CN114021433B CN114021433B (zh) | 2024-07-02 |
Family
ID=80057003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111231633.XA Active CN114021433B (zh) | 2021-10-22 | 2021-10-22 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114021433B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114549689A (zh) * | 2022-02-17 | 2022-05-27 | 中国人民解放军战略支援部队信息工程大学 | 一种基于图卷积神经网络的河流模式识别方法与装置 |
| CN114818483A (zh) * | 2022-04-14 | 2022-07-29 | 东南大学溧阳研究院 | 一种基于图神经网络的机电扰动定位及传播预测方法 |
| CN117420402A (zh) * | 2023-11-20 | 2024-01-19 | 国网上海市电力公司 | 一种电力电缆局放红外声纹联合诊断方法、装置及介质 |
| CN117872038A (zh) * | 2024-03-11 | 2024-04-12 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
| CN118523316A (zh) * | 2024-07-18 | 2024-08-20 | 湖南大学 | 基于暂态响应和线路状态信息的主导失稳模式判别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018006499A1 (zh) * | 2016-07-06 | 2018-01-11 | 南方电网科学研究院有限责任公司 | 电力系统的主导失稳模式识别方法和系统 |
| CN112200694A (zh) * | 2020-10-09 | 2021-01-08 | 华中科技大学 | 基于图神经网络的主导失稳模式识别模型构建及应用方法 |
| CN112215722A (zh) * | 2020-10-07 | 2021-01-12 | 华中科技大学 | 主导失稳模式判别模型构建方法、主导失稳模式判别方法 |
-
2021
- 2021-10-22 CN CN202111231633.XA patent/CN114021433B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018006499A1 (zh) * | 2016-07-06 | 2018-01-11 | 南方电网科学研究院有限责任公司 | 电力系统的主导失稳模式识别方法和系统 |
| CN112215722A (zh) * | 2020-10-07 | 2021-01-12 | 华中科技大学 | 主导失稳模式判别模型构建方法、主导失稳模式判别方法 |
| CN112200694A (zh) * | 2020-10-09 | 2021-01-08 | 华中科技大学 | 基于图神经网络的主导失稳模式识别模型构建及应用方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张志扬;张凤荔;陈学勤;王瑞锦;: "基于分层注意力的信息级联预测模型", 计算机科学, no. 06, 15 June 2020 (2020-06-15) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114549689A (zh) * | 2022-02-17 | 2022-05-27 | 中国人民解放军战略支援部队信息工程大学 | 一种基于图卷积神经网络的河流模式识别方法与装置 |
| CN114818483A (zh) * | 2022-04-14 | 2022-07-29 | 东南大学溧阳研究院 | 一种基于图神经网络的机电扰动定位及传播预测方法 |
| CN117420402A (zh) * | 2023-11-20 | 2024-01-19 | 国网上海市电力公司 | 一种电力电缆局放红外声纹联合诊断方法、装置及介质 |
| CN117872038A (zh) * | 2024-03-11 | 2024-04-12 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
| CN117872038B (zh) * | 2024-03-11 | 2024-05-17 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
| CN118523316A (zh) * | 2024-07-18 | 2024-08-20 | 湖南大学 | 基于暂态响应和线路状态信息的主导失稳模式判别方法 |
| CN118523316B (zh) * | 2024-07-18 | 2024-10-11 | 湖南大学 | 基于暂态响应和线路状态信息的主导失稳模式判别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114021433B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114021433A (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 | |
| CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
| CN112200694B (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
| CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
| CN111160241B (zh) | 一种基于深度学习的配电网故障分类方法、系统和介质 | |
| CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
| CN114169395B (zh) | 一种电力系统主导失稳模式识别模型构建方法及应用 | |
| CN114004155A (zh) | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 | |
| CN114330571B (zh) | 基于迁移学习的电力系统主导失稳模式识别方法及系统 | |
| Jacob et al. | Fault diagnostics in shipboard power systems using graph neural networks | |
| CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
| CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
| CN113488997B (zh) | 一种基于扰动响应多尺度特征的微电网临界能量评估方法 | |
| Afrasiabi et al. | Fault location and faulty line selection in transmission networks: Application of improved gated recurrent unit | |
| CN114384319A (zh) | 一种并网逆变器孤岛检测方法、系统、终端及介质 | |
| CN116502380A (zh) | 基于可解释图神经网络的电网暂态失稳定位方法和系统 | |
| Liu et al. | An online power system transient stability assessment method based on graph neural network and central moment discrepancy | |
| Yuan et al. | State detection of electrical equipment based on infrared thermal imaging technology | |
| CN116702629B (zh) | 一种具备可迁移能力的电力系统暂态稳定评估方法 | |
| Devie et al. | Transient stability prediction in multimachine system using data mining techniques | |
| CN116956179A (zh) | 一种新能源场站关键线路辨识方法、系统、设备及介质 | |
| Fan et al. | Microgrid Fault Classification Method based on EPSANet56 | |
| Zhao et al. | Research on Fault Determination of Active Distribution Network Based on Random Forest-SVM Algorithm | |
| Devi et al. | Detection and Classification of Faults in An Islanded Microgrid Using LSTM Model and its Real Time Validation | |
| Li et al. | A Transient Angle Stability Assessment Method for DFIG Grid-Connected Systems Based on Heterogeneous Graph Attention Networks |
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 |