CN114169395A - 一种电力系统主导失稳模式识别模型构建方法及应用 - Google Patents
一种电力系统主导失稳模式识别模型构建方法及应用 Download PDFInfo
- Publication number
- CN114169395A CN114169395A CN202111306260.8A CN202111306260A CN114169395A CN 114169395 A CN114169395 A CN 114169395A CN 202111306260 A CN202111306260 A CN 202111306260A CN 114169395 A CN114169395 A CN 114169395A
- Authority
- CN
- China
- Prior art keywords
- network
- sub
- model
- samples
- dominant
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012567 pattern recognition method Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 19
- 238000012360 testing method Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000000368 destabilizing effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力系统主导失稳模式识别模型构建方法及应用，属于电力系统稳定性判断领域。包括：获取少量有标注样本和大量无标注样本构成训练集；采用训练集训练模型，所述模型包括两个并联的相同结构的神经网络，即第一子网络和第二子网络；训练过程中，将有标注样本和无标注样本输入第二子网络，通过计算有标注样本的监督学习的交叉熵损失和无标注样本的一致化损失训练更新网络权重；将相同的无标注样本输入至第一子网络，通过第一子网络历史权重和第二子网络的权重进行加权后更新第一子网络的权重；当第二子网络和第一子网络的输出一致时，得到训练好的模型，输出概率最大的主导失稳模式，本发明可以降低对有标注样本的依赖，识别精度高。
Description
技术领域
本发明属于电力系统稳定性判断领域，更具体地，涉及一种电力系统主导失稳模式识别模型构建方法及应用。
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，严重依赖专家经验同时耗费大量人力、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。功角失稳表现为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。
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。现有一些理论判据和实用准则可以在一定程度上识别功角失稳和电压失稳，但是这些方法的使用均要求负荷和振荡中心具有较强的电气联系，难以涵盖所有的失稳情况，对于实际复杂大电网的应用效果也难以保证。现有主导失稳模式识别方法的缺陷导致了现阶段仿真数据分析中通常采用人工依赖专家经验进行判断的方式，工作效率低、难以保证准确率。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，进而极大地提升机器学习模型的适应能力。然而，深度学习的优良性能是建立在对大量有标注样本进行监督学习的基础之上，电网仿真数据的获取成本很低，一般设置较为全面的仿真初始条件即可获得海量的样本。然而，电力系统主导失稳模式识别这一问题的标注成本是比较昂贵的，一些功角失稳与电压失稳现象交织出现的样本往往需要通过多次切机或者切负荷仿真才能确定其主导性，会大大增加标注样本的成本，以我国东北电网(千节点级)为例，需要数万个样本才能达到较高的判断准确率，大大增加了样本标注的成本。
为了降低模型对标注样本的依赖，常用的方法是半监督学习。半监督学习认为无标签样本也带有大量有助于分类的信息，模型融合了有标签样本和无标签样本共同优化模型。因此，如何利用基于半监督深度学习方法进行电力系统仿真数据分析中的主导失稳模式的判别是一个亟待填补的空缺。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种电力系统主导失稳模式识别模型构建方法及应用，其目的在于降低对有标注样本的依赖，同时提升模型对主导失稳模式类型识别精度。
为实现上述目的，按照本发明的一个方面，提供了一种电力系统主导失稳模式识别模型构建方法，该方法包括：
获取少量有标注样本和大量无标注样本构成训练集，所述训练集包括：样本为观测时间窗口内电力系统故障状态下母线电压的幅值矩阵和相角矩阵，标签为该样本对应的主导失稳模式；
采用所述训练集训练模型，所述模型包括两个并联的相同结构的深度卷积神经网络，分别作为第一子网络和第二子网络；训练过程中，
将有标注样本和无标注样本输入至第二子网络，通过计算有标注样本的监督学习的交叉熵损失和无标注样本的一致化损失训练并更新所述第二子网络的权重，输出为概率最大的主导失稳模式；
将相同的无标注样本输入至第一子网络，通过第一子网络的历史权重和第二子网络的权重进行加权平均后更新所述第一子网络的权重，输出为概率最大的主导失稳模式；
当所述第二子网络和所述第一子网络的输出一致时，得到训练好的模型，输出概率最大的主导失稳模式。
进一步地，所述第一子网络和第二子网络的无标注样本上分别施加有不同的扰动，所述扰动是施加在虚拟对抗方向上的第一扰动向量和第二扰动向量，所述虚拟对抗方向为使扰动向量添加前后所述第一子网络和第二子网络输出的条件概率变化量最大的方向。
进一步地，所述第一扰动向量μ'和第二扰动向量μ分别为：
其中，
ΔKL(μ',x2,θ')＝KL[p'(y2|x2,θ')||p'(y2|x2+μ',θ')]，
ΔKL(μ,x2,θ)＝KL[p(y2|x2,θ)||p(y2|x2+μ,θ)]，
x2为无标注样本的输入特征，y2为对应的标签，θ'、θ分别为第一子网络和第二子网络的权重参数，KL是KL散度计算函数，表示为施加扰动前后每个子网络输出的差异，p'(y2|x2)和p(y2|x2)分别是第一子网络和第二子网络的输出，||μ'||2≤ε和||μ||2≤ε分别是限制第一子网络和第二子网络扰动最大值的L2正则。
进一步地，通过一致化正则判定所述第二子网络和所述第一子网络的输出是否一致。
进一步地，所述第一子网络的权重更新表达式为：
θ′t＝αθ′t-1+(1-α)θt，
其中，θ′t和θt分别为第一子网络和第二子网络第t轮训练中的权重参数，t为正整，α为权重超参数。
进一步地，所述第二子网络的损失值表示为：
其中，
J(x2,θ,μ,θ',μ')＝Ε(f(x2,θ,μ),f'(x2,θ',μ'))，
x1为有标注样本的输入特征，y1为对应的标签，x2为无标注样本的输入特征，
为交叉熵损失函数，Ε为散度函数,f(x2,θ,μ)为第二子网络的输出,f'(x2,θ',μ')为第一子网络的输出，θ和θ'分别为第二子网络和第一子网络的参数。
进一步地，所述深度卷积神经网络包括：多个二维卷积层、最大值池化层、批标准化层以及多层全连接层；
所述多个二维卷积层，用于提取母线电压的幅值矩阵和相角矩阵的模式特征；
所述最大值池化层，用于对提取的模式特征进行降维；
所述批标准化层，用于防止提取的模式特征在降维过程中过拟合；
所述多层全连接层，用于将降维后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。
进一步地，所述的主导失稳模式标签包括稳定、功角失稳和电压失稳。
按照本发明的第二方面，提供了一种电力系统主导失稳模式识别方法，包括：将电力系统故障后的母线电压的幅值矩阵和相角矩阵，输入到采用第一方面所述的电力系统主导失稳模式识别模型构建方法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。
按照本发明的第三方面，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第一方面所述的电力系统主导失稳模式识别模型构建方法和/或第二方面所述的电力系统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)本发明是一种基于半监督学习的主导失稳模式识别模型构建方法，通过两个相同结构的神经网络构建模型，第二子网络通过少量的有标注样本和大量的无标注样本进行网络参数训练，第一子网络通过大量的无标注样本基于历史参数和第二子网络的参数进行加权更新，第一子网络为第二子网络提供无标注样本的训练目标，最终输出得到电力系统的主导失稳模式类别。本发明只需要少量的有标注样本，并结合大量的无标注样本对模型进行训练，即可得到高识别率的主导失稳模式类型，相比现有的监督学习方式，在降低对有标注样本的依赖的同时提升模型对主导失稳模式类型识别精度。
(2)本发明通过虚拟对抗训练，计算施加到第一子网络和第二子网络的无标注样本上的最大扰动向量，强化决策边界，使得决策边界附近的样本分布变得稀疏，使得训练出来的模型具有更强抵御干扰的能力，进一步增强了模型进行主导失稳模式识别的能力，模型鲁棒性强。
(3)本发明无需对模型的输入特征进行特殊设计，只需要电网时域仿真过程中节点的电压和相角作为输入即可。
总而言之，本发明在降低了对有标注样本的依赖，进而降低了样本标注的成本，同时提升模型对主导失稳模式类型识别精度。
附图说明
图1是本发明提供的主导失稳模式识别模型构建框架流程图。
图2是本发明提供的主导失稳模式识别模型构建及应用框架的结构图。
图3是本发明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是本发明实施例1和实施例2提供的在不同标注样本比例下模型的准确率图。
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。
在本发明中，本发明及附图中的术语“第一”、“第二”是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
实施例1
本发明采用基于半监督学习的方法构建电力系统主导失稳模式识别模型，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。
需要说明的是，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。本发明研究的是大干扰稳定问题。
本发明通过采用熵正则化(伪标签)以及一致化正则的方法来评估无标注样本的损失，充分挖掘无标注样本中对于指定的分类任务有用的信息。一致化正则在局部平滑的假设下，认为对无标签的样本施加一定量的小扰动后应该不影响输出的结果。基于此，本发明分别构造两个子网络，第一子网络为第二子网络提供无标签样本的训练目标。在训练过程中，第二子网络利用有标注样本的交叉熵损失和无标注样本的一致化正则进行训练和参数更新，第一子网络利用无标注样本通过指数移动平均融合第二子网络的参数进行更新。
首先，构建两个相同结构的深度神经网络，利用卷积神经网络对原始数据进行表征学习。其次，通过卷积网络中的最后一层(多层全连接层网络)对卷积网络中学到的特征进行分类，模型覆盖电力系统故障后的状态包括稳定、电压失稳和功角失稳。然后，通过对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。最后，通过多次超参数调节和训练，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，本发明提供的主导失稳模式识别半监督学习框架的构建方法，如图1所示，包括如下步骤：
步骤1、构建不同的故障类型，获得对应的一定观测时间窗口内电压幅值、相角数据，生成对应的幅值、相角矩阵。
步骤2、随机选择少量样本作为有标注样本，绘制其对应的电压幅值曲线和功角(相角)数据曲线，然后人工(专家)标注出所选样本对应的主导失稳模式作为标签；具体的，根据离散的电压幅值数据和相角数据，采用曲线拟合的方式获得一定时间步长的电压幅值曲线图和功角(相角)数据曲线图。
步骤3、利用标注的少量样本和生成的大量无标注样本构成样本集，并对输入特征进行z-score标准化，其中无标注样本的标签设为-1；
步骤4、构建两个并联的相同结构的深度卷积神经网络，分别作为第一子网络和第二子网络，利用该模型同时对有标注样本和无标注样本进行训练。该模型的输入特征为电网中母线的电压和相角；在无标注样本的输入特征在输入第二子网络和第一子网络之前分别添加不同的噪声或扰动，并且将第一子网络的输出作为第二子网络的训练目标，使得第一子网络和第二子网络能抵抗一定的扰动使得学习到的无标注样本的输出分布一致。
步骤5、通过不断调整模型的超参数，根据验证集评估模型的整体性能，重复多次训练选取一个性能最好的第一子网络作为待应用的深度网络，应用过程中直接向模型中输入z-score标准化处理的仿真数据即可得出对应的主导失稳模式。
具体的，步骤1中，包括获取不同潮流运行工况、故障线路、故障位置、故障持续时间和负荷电动机比例下的多组原始量测数据作为样本；获取样本的母线电压和相角，并将其作为模型的输入特征；提取每组原始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标准化方法对电压矩阵和相角矩阵进行归一化处理。
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。
需要说明的是，电压幅值矩阵和发电机功角矩阵形式如下：
式中，Ui,j和αi,j(i＝1，2，…，N；j＝1，2，…，T)分别为发电机第i个节点，第j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。将电压幅值矩阵和相角矩阵堆叠得到大小为
的三维输入特征。另外，对于输入特征矩阵进行z-score标准化，用于取消量纲。
具体的，步骤2中，随机选择少量样本的电压幅值和功角数据，绘制对应的曲线，然后由专家标注出所选样本对应的标签。具体为：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。有标注样本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。
具体的，步骤3中，对样本集划分为训练集、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。
标准化后，有标注样本的主导失稳模式标签稳定模式、电压失稳模式和功角失稳模式，分别标注为0、1和2，无标注样本设置一个虚拟标签为-1。
具体的，步骤4中，深度卷积神经模型包括由多个二维卷积层、最大值池化层和批标准化层组成的特征提取部分以及多层全连接网络构成的分类器。特征提取部分采用的激活函数全部为带偏置的ReLU函数，多层全连接网络设置三个神经元并采用softmax作为激活函数输出某个样本对应于三种类别(稳定模式、电压失稳模式和功角失稳模式)的概率，并以概率最大值对应的类别作为输出结果。其中，多个二维卷积层，用于提取母线电压的幅值矩阵和相角矩阵的模式特征；最大值池化层，用于对提取的模式特征进行降维；批标准化层，用于防止提取的模式特征在降维过程中过拟合。具体的，模型构建如下：
本发明中的模型是一个深度半监督学习框架，适应于任意一个深度学习网络，其结构如图2中间部分所示。
对于有标注样本，训练过程中第二子网络利用监督学习的交叉熵损失监督训练来更新第二子网络参数。
对于无标注样本，通过构造第一子网络与第二子网络之间的一致化损失来辅助无标注样本进行训练并更新第二子网络参数，第一子网络通过指数移动平均的方式融合第二子网络当前参数以及第一子网络的历史参数更新网络参数。
训练过程中，将有标注样本和无标注样本输入至第二子网络，通过计算有标注样本的交叉熵损失和无标注样本的一致化损失训练并更新第二子网络的参数；
将相同的无标注样本输入至第一子网络，通过指数移动平均融合历史参数和所述第二子网络的参数进行加权后更新所述第一子网络的参数；
第二子网络和第一子网络的输出均为概率最大的主导失稳模式。
当第二子网络和第一子网络的输出一致时，得到训练好的模型，输出概率最大的主导失稳模式。具体的，通过一致化正则判定第二子网络和第一子网络的输出是否一致。一般而言，当验证集损失值在30个训练轮次以上不下降，可以认为两个子网络的输出一致，得到训练好的模型。
即：
其中，
为散度函数，通常为KL散度或均方差；f(x,θ,μ)为第二子网络的输出，f'(x,θ',μ')为第一子网络的输出，x为输入特征(电压幅值矩阵和相角矩阵)，θ为第二子网络的权重参数，θ′为第一子网络的权重参数，μ是输入第二子网络的噪音或扰动，μ'是输入第一子网络的噪音或扰动。训练过程中的第二子网络的损失值表示为：
其中，x1为有标注样本的输入特征，y1为对应的标签，x2为无标注样本的输入特征，
为交叉熵损失函数。式(3)用于更新第二子网络的参数θ，对于第一子模型的参数θ′，采用指数移动平均(EMA)，融合第二子网络的参数进行更新：
θ′t＝αθ′t-1+(1-α)θt (4)
其中，t表示神经网络中当前训练的轮数，t为正整数，θ′t和θt分别为第一子网络和第二子网络训练中当前第t轮训练中的参数，α为权重超参数。即第一子网络在每一个训练轮次的参数是通过指数移动平均融合第二子网络当前轮次的参数和第一子网络上一个轮次的参数进行加权后更新。
训练前期，模型并不稳定，主要利用有标注样本的信息训练第二子网络，充分挖掘有标注样本的信息，第二子网络的性能比第一子网络好，此时α偏小；到了训练的中后期，模型趋于稳定，模型开始逐渐加大对无标注样本的利用，挖掘无标注样本中对主导失稳模式识别这一任务有用的信息，第一子网络的性能逐渐提高并优于第二子网络，此时α趋于1，α的表达式为：
α＝min{1-e-t/100，αmax} (5)
其中，αmax为设定的最大权重。
具体的，步骤5中，训练集输入该模型中进行训练，根据验证集效果(基于准确率或损失值)调节超参数，最后用测试集检验该模型的性能。
本发明的应用方法如图2所示，将电力系统故障后的母线电压的幅值矩阵和相角矩阵，输入到本实施例中构建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。本实施例中以中国电科院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2.0s，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样本生成具体设置情况
为了说明本发明采用的卷积神经网络(convolutional neural network,CNN)在解决主导失稳模式识别这类复杂分类问题时候的优势，本文先进行了多种机器学习方法与本文所用的CNN网络进行监督学习的对比，选取的对比机器学习方法有：支持向量机(support vector machine，SVM)、决策树(decision tree，DT)、K近邻(K-nearestneighbor，KNN)和随机森林(random forest，RF)。不同机器学习方法准确率对比结果如表2所示，测试结果表明基于深度学习的CNN网络具有最好的判断准确率。
表2机器学习方法精度对比
结果如图4所示，从图中可以看出，在10％标注比例的时候，相比现有的监督学习方式，可达到95％的准确率，并且标注样本越少，提升的准确率效果越显著。可见，本发明的模型可以大量减少采用深度学习方法进行电力系统主导失稳模式识别的训练过程中对有标注样本的依赖。
在其它实施例中，本实施例构建的两个子网络也可以是SVM网络、DT网络、KNN网络或RF网络。
本发明通过该模型解决了深度学习网络如何利用无标注样本信息的问题，是一种有效的去除无标注样本信息中对于下游主导失稳模式识别分类任务无用特征的方法。
实施例2
进一步分析发现，该模型中扰动的施加是随机的，这会导致模型不能很好利用无标注样本的信息，而模型应该能够适应微小输入的改变，而如果模型过拟合，那么就会出现小扰动输入导致输出发生极大变化。因此在训练过程中，向无标注样本的输入特征中加入扰动使得模型具备抵御干扰的能力，同时可以强化决策边界，使得决策边界附近的样本分布变得稀疏，也就是加强了模型的分类能力。本实施例中引入的虚拟对抗训练方法是寻找一个因小扰动导致模型输出产生最大变化的方向，称为最大扰动方向，在这个方向施加一定的扰动，用于训练相对于施加随机噪声具有更好的效果，可以充分利用无标注样本的信息。
因此，本实施例引入虚拟对抗训练进行最大扰动或噪声搜寻，使得训练出来的模型具有更强抵御干扰的能力。即在一定范围内找到一个扰动向量使得模型的输出分布发生最大的改变，最大扰动向量的引入可以训练第二子网络具有对抗这种扰动的能力，可以看作是一种对原始特征进行数据增强的手段。
具体的，分别向所述第一子网络和第二子网络的无标注样本施加虚拟对抗方向上的第一扰动向量和第二扰动向量，使扰动向量添加前后所述第一子网络和第二子网络输出的条件概率变化量最大。
ΔKL(μ,x2,θ)＝KL[p(y2|x2,θ)||p(y2|x2+μ,θ)] (6)
p(y2|x2)是第二子网络的输出，x2为无标注样本的输入特征，y2为对应的标签，通过KL散度计算施加扰动后第二子网络输出的差异，进一步，得到的第二扰动向量μ：
式中，||μ||2≤ε是限制扰动最大值的L2正则。
同样，第一扰动向量μ'为：
其中，ΔKL(μ',x2,θ')＝KL[p'(y2|x2,θ')||p'(y2|x2+μ',θ')]，p'(y2|x2)是第一子网络的输出，||μ'||2≤ε是限制第一子网络扰动最大值的L2正则。
为了验证虚拟对抗训练有助于提升模型性能，在CEPRI-36节点系统上进行算例研究，测试了模型带虚拟对抗训练与否对性能的影响，其结果如图4所示(αmax＝0.9)，从图中可以看出，引入虚拟对抗训练后，模型的效果有所提升，在采用极少样本训练的时候(训练集中标注样本比例小于10％)，虚拟对抗训练提升了模型近2％的判断准确率，在10％标注比例的时候即可达到96％的准确率，达到了不带虚拟对抗训练的模型在训练集标注样本率50％时候的取得的结果，提升效果明显。因此，虚拟对抗训练使得模型更加充分的利用了训练集中大量无标注样本的信息。并且标注样本越少，提升的准确率效果越显著。
即本发明的模型能够极大降低模型对标注样本的依赖，虚拟对抗训练的引入也能提升模型的性能。
实施例3
一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现实施例1或2中的主导失稳模式识别的构建方法和/或主导失稳模式识别方法。相关技术特征与实施例1或2相同。
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)
1.一种电力系统主导失稳模式识别模型构建方法，其特征在于，该方法包括：
获取少量有标注样本和大量无标注样本构成训练集，所述训练集包括：样本为观测时间窗口内电力系统故障状态下母线电压的幅值矩阵和相角矩阵，标签为该样本对应的主导失稳模式；
采用所述训练集训练模型，所述模型包括两个并联的相同结构的深度卷积神经网络，分别作为第一子网络和第二子网络；训练过程中，
将有标注样本和无标注样本输入至第二子网络，通过计算有标注样本的监督学习的交叉熵损失和无标注样本的一致化损失训练并更新所述第二子网络的权重，输出为概率最大的主导失稳模式；
将相同的无标注样本输入至第一子网络，通过第一子网络的历史权重和第二子网络的权重进行加权平均后更新所述第一子网络的权重，输出为概率最大的主导失稳模式；
当所述第二子网络和所述第一子网络的输出一致时，得到训练好的模型，输出概率最大的主导失稳模式。
2.根据权利要求1所述的模型构建方法，其特征在于，所述第一子网络和第二子网络的无标注样本上分别施加有不同的扰动，所述扰动是施加在虚拟对抗方向上的第一扰动向量和第二扰动向量，所述虚拟对抗方向为使扰动向量添加前后所述第一子网络和第二子网络输出的条件概率变化量最大的方向。
3.根据权利要求2所述的模型构建方法，其特征在于，所述第一扰动向量μ'和第二扰动向量μ分别为：
其中，
ΔKL(μ',x2,θ')＝KL[p'(y2|x2,θ')||p'(y2|x2+μ',θ')]，
ΔKL(μ,x2,θ)＝KL[p(y2|x2,θ)||p(y2|x2+μ,θ)]，
x2为无标注样本的输入特征，y2为对应的标签，θ'、θ分别为第一子网络和第二子网络的权重参数，KL是KL散度计算函数，表示为施加扰动前后每个子网络输出的差异，p'(y2|x2)和p(y2|x2)分别是第一子网络和第二子网络的输出，||μ'||2≤ε和||μ||2≤ε分别是限制第一子网络和第二子网络扰动最大值的L2正则。
4.根据权利要求3所述的模型构建方法，其特征在于，通过一致化正则判定所述第一子网络和所述第二子网络的输出是否一致。
5.根据权利要求4所述的模型构建方法，其特征在于，所述第一子网络的权重更新表达式为：
θ′t＝αθ′t-1+(1-α)θt，
其中，θ′t和θt分别为第一子网络和第二子网络第t轮训练中的权重参数，t为正整，α为权重超参数。
6.根据权利要求5所述的模型构建方法，其特征在于，所述第二子网络的损失值表示为：
其中，
J(x2,θ,μ,θ',μ')＝Ε(f(x2,θ,μ),f'(x2,θ',μ'))，
x1为有标注样本的输入特征，y1为对应的标签，x2为无标注样本的输入特征，
为交叉熵损失函数，Ε为散度函数,f(x2,θ,μ)为第二子网络的输出,f'(x2,θ',μ')为第一子网络的输出，θ和θ'分别为第二子网络和第一子网络的参数。
7.根据权利要求6所述的模型构建方法，其特征在于，所述深度卷积神经网络包括：多个二维卷积层、最大值池化层、批标准化层以及多层全连接层；
所述多个二维卷积层，用于提取母线电压的幅值矩阵和相角矩阵的模式特征；
所述最大值池化层，用于对提取的模式特征进行降维；
所述批标准化层，用于防止提取的模式特征在降维过程中过拟合；
所述多层全连接层，用于将降维后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。
8.根据权利要求7所述的模型构建方法，其特征在于，所述的主导失稳模式标签包括稳定、功角失稳和电压失稳。
9.一种电力系统主导失稳模式识别方法，其特征在于，包括：将电力系统故障后的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任意一项所述的电力系统主导失稳模式识别模型构建方法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。
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任意一项所述的电力系统主导失稳模式识别模型构建方法和/或权利要求9所述的电力系统主导失稳模式识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111306260.8A CN114169395A (zh) | 2021-11-05 | 2021-11-05 | 一种电力系统主导失稳模式识别模型构建方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111306260.8A CN114169395A (zh) | 2021-11-05 | 2021-11-05 | 一种电力系统主导失稳模式识别模型构建方法及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114169395A true CN114169395A (zh) | 2022-03-11 |
Family
ID=80478105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111306260.8A Pending CN114169395A (zh) | 2021-11-05 | 2021-11-05 | 一种电力系统主导失稳模式识别模型构建方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169395A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114764874A (zh) * | 2022-04-06 | 2022-07-19 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、对象识别方法和装置 |
-
2021
- 2021-11-05 CN CN202111306260.8A patent/CN114169395A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114764874A (zh) * | 2022-04-06 | 2022-07-19 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、对象识别方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110879917A (zh) | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 | |
| CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
| CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
| CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
| 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 | |
| CN112200694A (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 | |
| CN112069727B (zh) | 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 | |
| CN108876163A (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
| 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 | |
| CN113435492B (zh) | 一种基于主动学习的电力系统主导失稳模式判别方法 | |
| CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN112632840A (zh) | 基于自适应差分进化算法与elm的电网暂态稳定评估方法 | |
| CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
| CN112821424A (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
| CN110705831A (zh) | 电力系统故障后功角失稳模式预判模型构建方法及其应用 | |
| CN114169395A (zh) | 一种电力系统主导失稳模式识别模型构建方法及应用 | |
| CN114330571A (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 | |
| CN117335426A (zh) | 一种适用于短期电压稳定性评估的关键特征识别方法 | |
| CN116131313A (zh) | 特征量与暂态功角稳定性关联关系的可解释性分析方法 | |
| CN115936303A (zh) | 基于机器学习模型进行暂态电压安全分析方法 | |
| CN111814394B (zh) | 一种基于相关性和冗余性检测的电力系统安全评估方法 | |
| CN108988319B (zh) | 一种基于深度前馈神经网络和数值积分灵敏度的快速紧急控制方法 | |
| Qiao et al. | Transient Stability Assessment for AC-DC Hybrid Systems Based on Bayesian Optimization XGBoost | |
| CN116070151B (zh) | 基于广义回归神经网络特高压直流输电线路故障检测方法 | |
| Devie et al. | Transient stability prediction in multimachine system using data mining techniques |
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 |