CN115048857A - 一种基于cnn的暂稳极限传输功率的确定方法 - Google Patents
一种基于cnn的暂稳极限传输功率的确定方法 Download PDFInfo
- Publication number
- CN115048857A CN115048857A CN202210570790.1A CN202210570790A CN115048857A CN 115048857 A CN115048857 A CN 115048857A CN 202210570790 A CN202210570790 A CN 202210570790A CN 115048857 A CN115048857 A CN 115048857A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- stability limit
- transient stability
- transmission line
- 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
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
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于CNN的暂稳极限传输功率的确定方法,首先通过历史数据构建仿真模型,再通过蒙特卡洛故障模拟进行仿真实验,得到事故前后的系统电压、联络线故障冲击功率以及暂态稳定极限传输功率等数据;然后利用卷积神经网络研究电网的系统输入特征量与输电通道暂态稳定极限传输功率之间的非线性映射关系,并再通过多次训练构建卷积网络模型,最后,利用这种非线性映射关系实现暂稳极限功率的快速计算;本发明提出的卷积神经网络确定暂稳极限功率,相比于直接法和时域仿真法具有更快的计算速度,更高的精度并且有较强的模型适应性。
Description
技术领域
本发明涉及电力系统技术领域,特别涉及一种基于CNN的暂稳极限传输功率的确定方法。
背景技术
暂态稳定传输功率极限是衡量电力系统稳定性的重要指标,在电力系统暂态稳定分析和安全控制分析中,常常需要计算这一系统临界参数。对暂态稳定极限传输功率的估计和判断,是安排电力系统运行方式,把握系统暂态稳定能力的一个重要依据,它的获得有利于为系统安全经济调度和预防控制提供极有价值的信息。目前,求取联络线暂态稳定传输功率极限的传统方法主要有两类:时域仿真法、基于李雅普诺夫稳定性理论的直接法。随着人工智能的发展,关于神经元技术求取暂稳极限功率也得到了实现。
时域仿真法是将全系统各元件模型通过电力网络形成全系统模型,然后使用积分方法求得全系统的状态变量和代数变量随时间变化曲线,通过同步发电机转子间的相对摇摆曲线来判别系统稳定性。时域仿真法是反复试探的过程,重复以上过程,直到上述区间足够小的位置,此时该区间的中点即为极限值。一般搜索一个极限值需要多次积分才能够得到,其计算工作量可见一斑,但是试探法的估算结果却是目前所有方法中最准确的。专利申请号为201010512896.3,名称为:一种快速求取联络线暂态稳定极限传输功率的确定方法的专利申请,就是基于时域仿真软件来计算的,时域仿真法能采用各个元件准确的数学模型,可以方便的计及各种调节器对系统暂稳的作用,因此,具有较高的精度和较好的数值稳定性;缺点是在稳定极限分析中需通过反复仿真逼近稳定极限,因而计算耗时,且不能进行稳定性指标分析。直接法通常是采用暂稳裕度的灵敏度分析方法。直接法采用能量裕度作为暂态稳定裕度,可以对系统的稳定情况做定量的分析。能量裕度是从能量的角度对系统稳定情况的估计,最初由直接法暂态稳定分析得出,其值的大小反映系统保持稳定的程度。若故障切除时刻能量裕度大于零,则故障后系统趋于稳定;相反,能量裕度小于零,则故障后系统不稳定。因此,能量裕度等于零对应的故障切除时间就是临界切除时间,对应的发电机的出力,就是在该故障和该切除时间下的发电机的临界出力。直接法以其计算速度快的特点,在暂态安全分析的在线应用中具有很好的前景,但是其仍摆脱不了直接法本身所固有的缺陷—直接法的保守性以及模型的限制。利用直接法来进行暂态稳定极限分析,受到直接法发展状况的制约,相应的计算精度速度等都与直接法的计算精度和速度密切相关。
传统神经元网络来实现暂态能量裕度、发电机输出功率及故障切除时间三者之间的非线性映射关系,实现暂稳极限功率的快速精确求解。其输入只考虑故障切除时间对暂稳极限功率的影响,对于多运行方式,多系统故障影响下对系统暂稳极限功率较难实现。
发明内容
为了克服上述现有计算的缺陷,本发明的目的在于提供一种基于CNN的暂稳极限传输功率的确定方法,通过历史数据或仿真实验得到的事故前后系统电压、联络线故障冲击功率以及暂态稳定极限传输功率等数据,利用深度学习卷积神经网络研究电网的系统输入特征量与输电通道暂态稳定极限传输功率之间的非线性映射关系,利用这种非线性映射关系得到暂稳极限功率的精确估计;利用卷积神经网络确定暂稳极限功率,相比于直接法和时域仿真法具有更快的计算速度,更高的精度并且有较强的模型适应性。
为了达到上述目的,本发明的技术方案为:
一种基于CNN的暂稳极限传输功率的确定方法,包括以下步骤:
(1)、通过PSAT仿真软件以及蒙特卡洛模拟法来随机故障仿真,并进行暂稳极限分析,用电力系统分析软件对系统发生暂稳故障的状态进行模拟,从仿真软件导出系统中有关输电线路暂稳极限的特征值,包括:系统发电出力、线路阻抗、节点负荷、节点电压和电压相角;再通过等值参数计算,得到系统的静稳极限Ps、输电线路静态稳定极限传输功率Psteady、输电线路的最大功率Pmax和最大冲击功率ΔP;
(2)、将输电线路暂稳极限的特征值以及故障切除时间、故障类型进行数据处理,作为构建训练数据集的输入部分,输出部分为各线路由上式求得的暂态稳定极限传输功率;
(3)、建立卷积神经网络模型结构;
(4)、将构建的训练集输入卷积网络模型,采用分组卷积多通道的方式进行训练,对该模型权重系数进行学习优化,通过训练得到输电线路暂稳极限的结果。
所述的步骤(1)具体为:
(1.1)使用电力系统分析软件PSAT进行暂稳分析,首先设置系统在典型运行方式下,再进行暂稳极限的故障仿真;在初始潮流的基础上,通过调节发电机功率、负荷值,在75%-125%基准负荷下,以5%为步长,对每个负荷水平设置不同的负荷增长方式,在对不同的负荷增长方式设置多种不同的发电出力;在每个潮流方式下,利用蒙特卡洛的方法对故障进行选取,用电力系统分析软件对系统发生暂稳故障的状态进行模拟,从仿真软件导出系统中有关输电线路暂稳极限的特征值,包括:系统发电出力,线路阻抗,节点负荷,节点电压,电压相角;
(1.2)通过等值参数计算,在系统顺势等值模型基础上,计算输电线路传输功率静稳极限Ps;
式(1)中,U1和U2为输电线路两侧等效电压,∑Z为系统总阻抗;
利用系统仿真读取的初始功率Psteady,从软件仿真中获得事故后系统输电线路的最大功率Pmax,此时通过蒙特卡洛模拟法进行故障仿真测得最大冲击功率ΔP:
ΔP=Pmax-Psteady (2)
基于下列公式(3)计算输电线路的暂稳极限传输功率,该公式基于输电线路传输功率的静态稳定极限和暂态稳定极限的关系所推演得到的:
Pt=Ps-ΔP (3)
式(3)中,Pt为暂稳极限传输功率,Ps为输电线路传输功率静稳极限,ΔP为最大冲击功率;
根据输电线路传输功率的静态稳定极限和暂态稳定极限的关系,利用输电线路的静稳极限功率减去冲击功率ΔP,以此对线路的暂稳极限功率进行初步计算,作为训练集的输入部分:
ΔP=Ps-Pt (5)
得到输电线路传输功率静稳极限Ps、输电线路静态稳定极限传输功率Psteady、输电线路的最大功率Pmax和最大冲击功率ΔP;
对电网的系统输入特征量与输电通道暂态稳定极限传输功率之间的非线性映射关系进行研究,利用深度学习模型来对输电线路暂稳极限功率实现快速求取:
Pt=F(Vm,θm,Pn,Qn),(Vm,θm,P,Qn∈Rd) (4)
式(4)中,Pt为暂稳极限传输功率,m为母线节点编号,n为输电线路编号,d为采样点数,V为节点电压幅值,θ为节点电压相角,P为线路有功功率,Q为线路无功功率,Rd为二维矩阵。
所述的步骤(2)的构建训练数据集具体为:
(2.1)、将输入部分的仿真数据删除错误数据,扩充缺漏数据;将整理后数据进行标准化后放入数据集;
(2.2)、每种运行方式下的每一个故障情况划分为一个训练样本,其中学习集与测试集比例为8:2;
(2.3)对数据样本进行维度扩充,转化为二维数据格式保持样本数据与样本标签同步。
所述的步骤(3)中建立卷积神经网络模型结构;该模型结构包括卷积层、池化层、全连接层、恒等函数输出层,具体为:
(3.1)卷积层做特征非线性映射,对于的数据输入,第一层卷积层采用多尺寸卷积核,卷积过程使用Padding方法;
(3.2)进行最大池化操作,来降低数据的规模、提高系统鲁棒性、全连接层和输出层用于回归拟合;
(3.3)第三层卷积层,对数据特征作进一步提取;
(3.4)第四层卷积层,多种卷积核,激活函数为ReLU;
(3.5)第五层池化层,继续最大池化操作;除去冗余数据;
(3.6)对数据进行Fatten操作,将高维数据拉伸一维化;
(3.7)拉伸后数据传入全链接层,输出结果为输电线路暂稳极限功率值,对计算结果值数据验证。
所述步骤(4)训练卷积神经网络模型的方法,具体包括以下步骤:
(4.1)卷积神经网络训练参数包括连接层之间的权重ω和偏置b,训练过程使用随机梯度下降法,利用反向传播算法进行参数优化;
(4.2)利用随机初始化的方法对权重ω和偏置b进行初始化操作;
(4.3)将数据集导入卷积神经网络,数据特征经各层向前传播,其中X为训练集输入部分,Y为训练集输出部分;
(4.4)计算测试集输出与实际输出的误差ε;
(4.5)把训练误差最小化作为网络权值参数的优化目标;
(4.6)逐步训练,提升模型准确率。
本发明的有益效果:
本发明采用了深度学习的方法,构建了基于卷积神经网络的暂稳极限计算模型,通过传统仿真与神经网络的结合,基于一维卷积神经网络的数据回归,充分挖掘了电网的系统输入特征量与输电通道暂态稳定极限传输功率之间的非线性映射关系,通过训练模型完成对输电线路暂态稳定极限传输功率的快速计算,现了故障影响下的输电通道暂稳极限的快速求取。
附图说明
图1为本发明实现暂稳极限传输功率计算实现流程图。
图2为本发明的卷积神经网络模型构建层次图。
图3为本发明在150epochs下预测误差图。
具体实施方式
下面结合附图和实例对本发明作进一步说明。
图1为本发明一种基于CNN的暂稳极限传输功率的确定方法,包括如下步骤,
步骤1,通过PSAT仿真软件以及蒙特卡洛模拟法来随机故障仿真,对要计算的系统进行典型运行方式下的仿真运行,在初始潮流的基础上,通过调节发电机、负荷,在75%-125%(以5%为步长)基准负荷下,对每个负荷水平设置几种不同的负荷增长方式,在对不同的负荷增长方式设置6种不同的发电出力,获得初始数据后对其进行整理,通过等值参数计算,在系统顺势等值模型基础上,计算输电线路传输功率静稳极限。
所述的步骤(1)具体为:
(1.1)使用电力系统分析软件PSAT进行暂稳分析,首先设置系统在典型运行方式下,再进行暂稳极限的故障仿真。在初始潮流的基础上,通过调节发电机功率、负荷值,在75%-125%基准负荷下,以5%为步长,对每个负荷水平设置不同的负荷增长方式,在对不同的负荷增长方式设置多种不同的发电出力;在每个潮流方式下,利用蒙特卡洛的方法对故障进行选取,结合系统实际运行状况下的故障概率,对要仿真的故障加以针对性的选取;以此来实现故障仿真的随机性与真实性。用电力系统分析软件对系统发生暂稳故障的状态进行模拟,从仿真软件导出系统中有关输电线路暂稳极限的特征值,包括:系统发电出力,线路阻抗,节点负荷,节点电压,电压相角;
(1.2)通过等值参数计算,在系统顺势等值模型基础上,计算输电线路传输功率静稳极限Ps;
式(1)中,U1和U2为输电线路两侧等效电压,∑Z为系统总阻抗;
利用系统仿真读取的初始功率Psteady,从软件仿真中获得事故后系统输电线路的最大功率Pmax,此时通过蒙特卡洛模拟法进行故障仿真测得最大冲击功率ΔP:
ΔP=Pmax-Psteady (2)
基于下列公式(3)计算输电线路的暂稳极限传输功率,该公式基于输电线路传输功率的静态稳定极限和暂态稳定极限的关系所推演得到的:
Pt=Ps-ΔP (3)
式(3)中,Pt为暂稳极限传输功率,Ps为输电线路传输功率静稳极限,ΔP为最大冲击功率。
根据输电线路传输功率的静态稳定极限和暂态稳定极限的关系,利用输电线路的静稳极限功率减去冲击功率ΔP,以此对线路的暂稳极限功率进行初步计算,作为训练集的输入部分:
ΔP=Ps-Pt (5)
得到输电线路传输功率静稳极限Ps、输电线路静态稳定极限传输功率Psteady、输电线路的最大功率Pmax和最大冲击功率ΔP;
上述公式是基于暂稳极限功率和静态稳定功率的联系,其中为保证暂稳极限在不同运行条件下暂稳极限传输功率都具有较好的适用性,在选择故障仿真时一般选取最为严重的故障。
对电网的系统输入特征量与输电通道暂态稳定极限传输功率之间的非线性映射关系进行研究,利用深度学习模型来对输电线路暂稳极限功率实现快速求取:
Pt=F(Vm,θm,Pn,Qn)(Vm,θm,Pn,Qn∈Rd) (4)
式(4)中,Pt为暂稳极限传输功率,m为母线节点编号,n为输电线路编号,d为采样点数,V为节点电压幅值,θ为节点电压相角,P为线路有功功率,Q为线路无功功率,单个样本所对应的输入特征X为形如Rd的二维矩阵。将仿真系统所得数据进行构建神经网络的输入向量,通过利用卷积神经来求解。
(2)、将输电线路暂稳极限的特征值以及故障切除时间、故障类型进行数据处理,作为构建训练数据集的输入部分,输出部分为各线路由上式求得的暂态稳定极限传输功率。
所述的步骤(2)的构建训练数据集具体为:
(2.1)、将输入部分的仿真数据删除错误数据,扩充缺漏数据;将整理后数据进行标准化后放入数据集;
(2.2)、每种运行方式下的每一个故障情况划分为一个训练样本,其中学习集与测试集比例为8:2;
(2.3)对数据样本进行维度扩充,转化为二维数据格式保持样本数据与样本标签同步;
(3)、建立卷积神经网络模型结构;以Keras为建模环境,对卷积神经网络进行建模;其中在卷积层做特征非线性映射,池化层来降低数据的规模、提高系统鲁棒性、全连接层和输出层用于回归拟合;卷积结构中使用多尺寸的卷积核来代替单尺寸卷积核,使用分组卷积代替常规卷积。
图2是本发明卷积神经网络模型构建层次图。所述的步骤(3)中建立卷积神经网络模型结构;该模型结构包括卷积层、池化层、全连接层、恒等函数输出层,具体为:
(3.1)对于20×8的数据输入,第一卷积层采用4×4的卷积核32种,卷积后数据特征为32×20×8;卷积层做特征非线性映射,对于的数据输入,第一层卷积层采用多尺寸卷积核,卷积过程使用Padding方法;
(3.2)第二层池化层,2×2最大池化操作,池化后特征为32×10×4;进行最大池化操作,来降低数据的规模、提高系统鲁棒性、全连接层和输出层用于回归拟合;
(3.3)第三层卷积层,4×4的卷积核,对数据特征作进一步提取;卷积后数据特征为32×10×4;
(3.4)第四层卷积层,3×3的卷积核,多种卷积核,激活函数为ReLU;激活函数为ReLU;
(3.5)第五层池化层,2×2继续最大池化操作;除去冗余数据;
(3.6)对数据进行Fatten操作,将高维数据拉伸一维化;
(3.7)拉伸后数据传入全链接层,输出结果为输电线路暂稳极限功率值,对计算结果值数据验证;
(4)、将构建的训练集输入卷积网络模型,采用分组卷积多通道的方式进行训练,对该模型权重系数进行学习优化,通过训练得到输电线路暂稳极限的结果。
具体为:将数据集进行标准化处理,对初始数据进行格式转换,将故障仿真的所有数据进行记录存贮,在此基础进行数据处理删除错误数据,扩充缺漏数据,完成训练集的补充建立;使用MinMaxScaler转化训练集使其处于[-1,1]之间作为训练集。将步骤4构建的训练集输入到步骤3的卷积神经网络模型中,将训练样本输入模型,学习和优化卷积神经网络模型参数;可以通过重复多次训练得到暂态稳定极限计算模型;其中神经网络权值ω和偏置b以及激活函数,激活函数采用ReLU激活函数,模型优化方法采用随机梯度下降的方法,对网络的参数进行逐步优化,在经过150轮训练后模型将输出计算结果,并对结算结果进行拟合验证抽样结果如图3所示。具体包括以下步骤:
(4.1)卷积神经网络训练参数包括连接层之间的权重ω和偏置b,训练过程使用随机梯度下降法,利用反向传播算法进行参数优化;
(4.2)利用随机初始化的方法对权重ω和偏置b进行初始化操作;
(4.3)将数据集导入卷积神经网络,数据特征经各层向前传播,其中X为训练集输入部分,Y为训练集输出部分;
(4.4)计算测试集输出与实际输出的误差ε;
(4.5)把训练误差最小化作为网络权值参数的优化目标;
(4.6)逐步训练,提升模型准确率。
Claims (5)
1.一种基于CNN的暂稳极限传输功率的确定方法,其特征在于,包括以下步骤:
(1)、通过PSAT仿真软件以及蒙特卡洛模拟法来随机故障仿真,并进行暂稳极限分析,用电力系统分析软件对系统发生暂稳故障的状态进行模拟,从仿真软件导出系统中有关输电线路暂稳极限的特征值,包括:系统发电出力、线路阻抗、节点负荷、节点电压和电压相角;再通过等值参数计算,得到系统的静稳极限Ps、输电线路静态稳定极限传输功率Psteady、输电线路的最大功率Pmax和最大冲击功率ΔP;
(2)、将输电线路暂稳极限的特征值以及故障切除时间、故障类型进行数据处理,作为构建训练数据集的输入部分,输出部分为各线路由上式求得的暂态稳定极限传输功率;
(3)、建立卷积神经网络模型结构;
(4)、将构建的训练集输入卷积网络模型,采用分组卷积多通道的方式进行训练,对该模型权重系数进行学习优化,通过训练得到输电线路暂稳极限的结果。
2.根据权利要求1所述的一种基于CNN的暂稳极限传输功率的确定方法,其特征在于,所述的步骤(1)具体为:
(1.1)使用电力系统分析软件PSAT进行暂稳分析,首先设置系统在典型运行方式下,再进行暂稳极限的故障仿真;在初始潮流的基础上,通过调节发电机功率、负荷值,在75%-125%基准负荷下,以5%为步长,对每个负荷水平设置不同的负荷增长方式,在对不同的负荷增长方式设置多种不同的发电出力;在每个潮流方式下,利用蒙特卡洛的方法对故障进行选取,用电力系统分析软件对系统发生暂稳故障的状态进行模拟,从仿真软件导出系统中有关输电线路暂稳极限的特征值,包括:系统发电出力,线路阻抗,节点负荷,节点电压,电压相角;
(1.2)通过等值参数计算,在系统顺势等值模型基础上,计算输电线路传输功率静稳极限Ps;
式(1)中,U1和U2为输电线路两侧等效电压,∑Z为系统总阻抗;
利用系统仿真读取的初始功率Psteady,从软件仿真中获得事故后系统输电线路的最大功率Pmax,此时通过蒙特卡洛模拟法进行故障仿真测得最大冲击功率ΔP:
ΔP=Pmax-Psteady (2)
基于下列公式(3)计算输电线路的暂稳极限传输功率,该公式基于输电线路传输功率的静态稳定极限和暂态稳定极限的关系所推演得到的:
Pt=Ps-ΔP (3)
式(3)中,Pt为暂稳极限传输功率,Ps为输电线路传输功率静稳极限,ΔP为最大冲击功率;
根据输电线路传输功率的静态稳定极限和暂态稳定极限的关系,利用输电线路的静稳极限功率减去冲击功率ΔP,以此对线路的暂稳极限功率进行初步计算,作为训练集的输入部分:
ΔP=Ps-Pt (5)
得到输电线路传输功率静稳极限Ps、输电线路静态稳定极限传输功率Psteady、输电线路的最大功率Pmax和最大冲击功率ΔP;
对电网的系统输入特征量与输电通道暂态稳定极限传输功率之间的非线性映射关系进行研究,利用深度学习模型来对输电线路暂稳极限功率实现快速求取;
Pt=F(Vm,θm,Pn,Qn),(Vm,θm,P,Qn∈Rd) (4)
式(4)中,Pt为暂稳极限传输功率,m为母线节点编号,n为输电线路编号,d为采样点数,V为节点电压幅值,θ为节点电压相角,P为线路有功功率,Q为线路无功功率,Rd为二维矩阵。
3.根据权利要求1所述的一种基于CNN的暂稳极限传输功率的确定方法,其特征在于,所述的步骤(2)的构建训练数据集具体为:
(2.1)、将输入部分的仿真数据删除错误数据,扩充缺漏数据;将整理后数据进行标准化后放入数据集;
(2.2)、每种运行方式下的每一个故障情况划分为一个训练样本,其中学习集与测试集比例为8:2;
(2.3)对数据样本进行维度扩充,转化为二维数据格式保持样本数据与样本标签同步。
4.根据权利要求1所述的一种基于CNN的暂稳极限传输功率的确定方法,其特征在于,所述的步骤(3)中建立卷积神经网络模型结构;该模型结构包括卷积层、池化层、全连接层、恒等函数输出层,具体为:
(3.1)卷积层做特征非线性映射,对于的数据输入,第一层卷积层采用多尺寸卷积核,卷积过程使用Padding方法;
(3.2)进行最大池化操作,来降低数据的规模、提高系统鲁棒性、全连接层和输出层用于回归拟合;
(3.3)第三层卷积层,对数据特征作进一步提取;
(3.4)第四层卷积层,多种卷积核,激活函数为ReLU;
(3.5)第五层池化层,继续最大池化操作;除去冗余数据;
(3.6)对数据进行Fatten操作,将高维数据拉伸一维化;
(3.7)拉伸后数据传入全链接层,输出结果为输电线路暂稳极限功率值,对计算结果值数据验证。
5.根据权利要求1所述的一种基于CNN的暂稳极限传输功率的确定方法,其特征在于,所述的步骤(4)训练卷积神经网络模型的方法具体包括以下步骤:
(4.1)卷积神经网络训练参数包括连接层之间的权重ω和偏置b,训练过程使用随机梯度下降法,利用反向传播算法进行参数优化;
(4.2)利用随机初始化的方法对权重ω和偏置b进行初始化操作;
(4.3)将数据集导入卷积神经网络,数据特征经各层向前传播,其中X为训练集输入部分,Y为训练集输出部分;
(4.4)计算测试集输出与实际输出的误差ε;
(4.5)把训练误差最小化作为网络权值参数的优化目标;
(4.6)逐步训练,提升模型准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210570790.1A CN115048857A (zh) | 2022-05-24 | 2022-05-24 | 一种基于cnn的暂稳极限传输功率的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210570790.1A CN115048857A (zh) | 2022-05-24 | 2022-05-24 | 一种基于cnn的暂稳极限传输功率的确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115048857A true CN115048857A (zh) | 2022-09-13 |
Family
ID=83158662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210570790.1A Pending CN115048857A (zh) | 2022-05-24 | 2022-05-24 | 一种基于cnn的暂稳极限传输功率的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115048857A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116031880A (zh) * | 2023-03-27 | 2023-04-28 | 山东大学 | 一种电网暂态稳定极限切除时间预测方法及系统 |
-
2022
- 2022-05-24 CN CN202210570790.1A patent/CN115048857A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116031880A (zh) * | 2023-03-27 | 2023-04-28 | 山东大学 | 一种电网暂态稳定极限切除时间预测方法及系统 |
CN116031880B (zh) * | 2023-03-27 | 2023-06-30 | 山东大学 | 一种电网暂态稳定极限切除时间预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
CN110417011A (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 | |
Liu et al. | Data-driven transient stability assessment model considering network topology changes via mahalanobis kernel regression and ensemble learning | |
CN103336867B (zh) | 质子交换膜燃料电池模型优化处理方法 | |
CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
CN111224404B (zh) | 含可控移相器的电力系统潮流快速控制方法 | |
CN110543720A (zh) | 基于sdae-elm伪量测模型的状态估计方法 | |
CN112800683B (zh) | 基于卷积神经网络的系统短路电流水平评估方法及系统 | |
CN109412161A (zh) | 一种电力系统概率潮流计算方法及系统 | |
Xu et al. | Probabilistic load flow evaluation with hybrid Latin Hypercube Sampling and multiple linear regression | |
CN115146538A (zh) | 基于消息传递图神经网络的电力系统状态估计方法 | |
CN115048857A (zh) | 一种基于cnn的暂稳极限传输功率的确定方法 | |
Jia et al. | Voltage stability constrained operation optimization: An ensemble sparse oblique regression tree method | |
CN113872239B (zh) | 一种基于知识和数据联合驱动的并网逆变器阻抗获取方法 | |
CN108805419B (zh) | 基于网络嵌入与支持向量回归的电网节点重要度计算方法 | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
de Jongh et al. | Physics-informed geometric deep learning for inference tasks in power systems | |
La Scala et al. | A qualitative approach to the transient stability analysis [of power systems] | |
CN116316629A (zh) | 一种考虑拓扑特征学习的数据驱动最优潮流计算方法 | |
Tabib et al. | Hybrid deep-learning POD-based parametric reduced order model for flow around wind-turbine blade | |
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 | |
CN104037756B (zh) | 一种含复杂电力设备模型的电力系统稳定评估方法 | |
CN114221334A (zh) | 一种基于图神经网络的快速状态估计方法 | |
CN107086603A (zh) | 一种含dfig电力系统随机模糊连续潮流方法 | |
Ding et al. | A Novel Method for Output Characteristics Calculation of Electromagnetic Devices using Multi-kernel RBF 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 |