CN115311509A - 基于图像化数据驱动的电力系统暂态稳定评估方法及系统 - Google Patents

基于图像化数据驱动的电力系统暂态稳定评估方法及系统 Download PDF

Info

Publication number
CN115311509A
CN115311509A CN202211039019.8A CN202211039019A CN115311509A CN 115311509 A CN115311509 A CN 115311509A CN 202211039019 A CN202211039019 A CN 202211039019A CN 115311509 A CN115311509 A CN 115311509A
Authority
CN
China
Prior art keywords
transient stability
sample
power system
stability evaluation
image
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
Application number
CN202211039019.8A
Other languages
English (en)
Inventor
龙云
刘璐豪
梁雪青
卢有飞
赵宏伟
吴任博
陈明辉
张少凡
刘超
王历晔
刘俊
彭鑫
李雨婷
赵誉
刘晓明
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong 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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202211039019.8A priority Critical patent/CN115311509A/zh
Publication of CN115311509A publication Critical patent/CN115311509A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开了基于图像化数据驱动的电力系统暂态稳定评估方法及系统，方法包括：构建特征备选集；根据特征备选集收集电力系统历史运行数据及并利用仿真分析软件生成暂稳仿真数据，构建样本集合；对样本集合进行数据预处理及利用暂态稳定指标进行样本分类，按照时间和特征两个方向将样本集合中的样本排列为二维矩阵，根据矩阵元素数值大小的不同赋予相应的灰度值，形成样本的原始图像；对原始图像进行特征降维，得到特征图像；构建暂态稳定评估卷积神经网络模型；利用基于特征图像的样本集训练暂态稳定评估卷积神经网络模型并利用该训练好的模型进行电力系统暂态稳定评估。本发明具有计算效率高、评估精度高、能实现实时监视和在线更新等优点。

Description

基于图像化数据驱动的电力系统暂态稳定评估方法及系统
技术领域
本发明涉及电力系统暂稳评估的技术领域，尤其涉及到基于图像化数据驱动的电力系统暂态稳定评估方法及系统。
背景技术
近年来，随着建立新型电力系统目标的提出，越来越多的电力电子设备和可再生能源接入电网中，这使得电力系统动态特性愈发复杂，电力系统发生暂态失稳的可能性进一步加大。同时，广域测量系统和模式识别技术的发展为在线暂稳评估提供了海量数据，基于数据驱动的电力系统暂稳评估(Transient stability assessment，TSA)成为可能。
目前有三种常用的电力系统暂稳评估方法，分别是时域仿真法、直接法和人工智能方法。时域仿真法精确度较高且数学模型详尽，然而工作量过大，计算速度慢；直接法计算效率高，但依赖于非线性系统稳定性分析理论，目前仍未有重大突破。随着人工智能的发展，机器学习方法在TSA中的应用愈加广泛，通过对系统大量的暂稳样本进行离线训练，建立学习机模型和样本集的等价映射关系，将得到的模型用于暂态稳定性的离线/在线评估。目前常用于暂稳评估的机器学习方法主要有：决策树(Decision Tree,DT)，深度置信网络(Deep Belief Network,DBN)和支持向量机(Support Vector Machine,SVM)等，其中深度学习凭借其强大的学习能力在各方面都展现出了诸多优势，逐渐成为目前TSA主流的方法之一。
目前TSA大多采用标准算例生成的数据集，然而实际电网的母线、发电机、线路等电力元件的数量巨大，难以实现TSA模型的实时监视和在线更新；而现有降维方法常常遗漏重要信息，导致预测精度下降，这将严重影响后续深度学习模型训练和预测的快速进行，从而难以实现在线监测。面对来自于电网的高维数据特征时，直接使用原始时序数据进行模型训练与预测常常会带来极大的计算负担以及过拟合的风险。
发明内容
本发明的目的在于克服现有技术的不足，提供一种计算效率高、评估精度高、能实现实时监视和在线更新的基于图像化数据驱动的电力系统暂态稳定评估方法。
为实现上述目的，本发明所提供的技术方案为：一种基于图像化数据驱动的电力系统暂态稳定评估方法，包括：
构建特征备选集；
根据特征备选集收集电力系统历史运行数据及并利用仿真分析软件生成暂稳仿真数据，构建样本集合；每个样本包含多维电气特征，而每个电气特征包含多个时间节点；
对样本集合进行数据预处理及利用暂态稳定指标进行样本分类，按照时间和特征两个方向将样本集合中的样本排列为二维矩阵，根据矩阵元素数值大小的不同赋予相应的灰度值，形成样本的原始图像；
对原始图像进行特征降维，得到原始图像的特征图像；
构建暂态稳定评估卷积神经网络模型；
利用基于特征图像的样本集训练构建的暂态稳定评估卷积神经网络模型；
采用训练完成的暂态稳定评估卷积神经网络模型进行电力系统暂态稳定评估。
进一步地，读入电力系统网架结构、发电机电磁功率、端电压、功角、母线电压信息，构建特征备选集。
进一步地，利用PST、PSASP、PSD-BPA或PSS/E仿真分析软件生成暂稳仿真数据。
进一步地，对样本集合进行数据预处理包括数据异常处理以及数据缺失处理。
进一步地，利用暂态稳定指标进行样本分类，判定系统在遭受大扰动下功角是否失稳；暂态稳定指标如下：
Figure BDA0003820173290000031
式中：Δδmax为仿真时间内任意时刻两台发电机的最大相对功角差；当Δδmax＜180°，即TSI＞0时，系统暂态稳定，样本标注为0，反之，样本暂态失稳，样本标注为1。
进一步地，利用二维主成分分析方法对原始图像进行特征降维，具体包括：
二维主成分分析方法利用原始图像构造图像协方差矩阵，并导出其特征向量用于图像特征提取，通过线性映射变换Y＝Zw将m×n的输入图像X投影到n维单位列向量w上，得到的m维列向量Y称为图像X的投影特征向量。
为实现上述目的，本发明另外提供了一种电力系统暂态稳定评估系统，用于实现上述电力系统暂态稳定评估方法，其包括：
特征备选集构建模块，其读入电力系统网架结构、发电机电磁功率、端电压、功角、母线电压信息，构建特征备选集；
样本集合构建模块，其根据特征备选集收集电力系统历史运行数据及并利用仿真分析软件生成暂稳仿真数据；每个样本包含多维电气特征，而每个电气特征包含多个时间节点；
样本原始图像构建模块，用于形成样本的原始图像；
特征降维模块，其对原始图像进行特征降维，得到原始图像的特征图像；
暂态稳定评估卷积神经网络模型构建模块，用于构建暂态稳定评估卷积神经网络模型；
暂态稳定评估卷积神经网络模型训练模块，用于对构建的暂态稳定评估卷积神经网络模型进行训练；
电力系统暂态稳定评估模块，其采用训练完成的暂态稳定评估卷积神经网络模型进行电力系统暂态稳定评估。
进一步地，样本原始图像构建模块对样本集合进行数据预处理及利用暂态稳定指标进行样本分类，按照时间和特征两个方向将样本集合中的样本排列为二维矩阵，根据矩阵元素数值大小的不同赋予相应的灰度值，从而形成样本的原始图像。
实施本发明的有益效果在于：
将目标电网的输入数据按照电气特征及时间节点信息重新排列，并根据其特征数据大小赋予不同灰度值构建原始特征图像，然后利用二维主成分分析方法进行降维处理形成降维后的特征图像，最后基于降维后的特征图像构建暂稳评估卷积神经网络模型，达到了考虑样本时间系列关系并快速、准确剔除不相关电气特征的技术效果，实现了暂稳评估在线运行的技术目标。
附图说明
图1为本发明基于图像化数据驱动的电力系统暂态稳定评估方法的原理流程图；
图2为三个稳定样本的原始图像；
图3为三个失稳样本的原始图像；
图4为IEEE-39节点标准测试算例；
图5为两个典型样本原始图像；
图6为基于图像化数据驱动的电力系统暂态稳定评估系统的连接框图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本实施例提供了基于图像化数据驱动的电力系统暂态稳定评估方法，包括以下步骤：
S1、读入电力系统网架结构、发电机电磁功率、端电压、功角、母线电压信息，构建特征备选集；
S2、根据特征备选集收集电力系统历史运行数据及并利用PST仿真分析软件生成暂稳仿真数据，构建样本集合；每个样本包含多维电气特征，而每个电气特征包含多个时间节点；
S3、对样本集合进行数据预处理及利用暂态稳定指标进行样本分类，按照时间和特征两个方向将样本集合中的样本排列为二维矩阵，根据矩阵元素数值大小的不同赋予相应的灰度值，形成样本的原始图像；
本步骤中，
对样本集合进行数据预处理包括数据异常处理以及数据缺失处理；
利用暂态稳定指标进行样本分类，判定系统在遭受大扰动下功角是否失稳；暂态稳定指标如下：
Figure BDA0003820173290000051
式中：Δδmax为仿真时间内任意时刻两台发电机的最大相对功角差；当Δδmax＜180°，即TSI＞0时，系统暂态稳定，样本标注为0，反之，样本暂态失稳，样本标注为1。
在TSA中，由于输入特征主要是随时间变化的电气量，本质上就是多个时间序列的组合，具有明显的二维性。因此可以将输入时间序列重新排列为二维图像，这样做的目的主要有：
1)图像能够更加直观高效地存储系统的电气信息，在一定程度上还能促进信息间特征融合。
2)方便后续2D-PCA直接处理原始图像，保留全维电气信息的同时实现特征降维。
3)降维后的特征图像能够直接作为CNN的输入信息，而CNN中卷积核能够有效融合不同电气特征。
实际上，在获取输入的时间序列并归一化之后，根据某个样本输入矩阵元素数值大小的不同，赋予相应的灰度值，可以绘制出该样本的图像，称之为原始图像，具体如图2和图3所示；
可见，稳定样本和失稳样本之间的差距很明显，不同类型的样本在不同区域的明暗程度不同，大体上失稳样本比稳定样本亮度更低，因此看起来更暗。可见，将输入样本图像化不仅能够更加直观地体现不同类型样本之间的区别，还能方便后续模型的特征降维和提取过程。
S4、利用二维主成分分析方法对原始图像进行特征降维；
二维主成分分析2D-PCA目标是通过线性映射变换Y＝Xw将m×n的输入图像X投影到n维单位列向量w上，得到的m维列向量Y称为图像X的投影特征向量。数学上可以证明，最佳的投影向量w满足如下条件：
Figure BDA0003820173290000061
式中：X为n维单位列向量组成的向量空间；G为所有图像的协方差矩阵，是一个n×n的非负定矩阵。设输入图像的样本空间由K个图像X1，X2...XK构成，所有样本的均值图像为
Figure BDA0003820173290000062
则G的表达式为：
Figure BDA0003820173290000063
一般来说，只有一个最优投影轴是不够的，通常需要选择一组投影轴，服从标准正交约束和最大化准则，即：
{w1,w2,…,wd}＝argmaxJ(w)
Figure BDA0003820173290000064
由PCA相关理论可知，能够最大化J(w)的n维单位列向量由协方差矩阵G的前d个最大的特征值对应的特征向量构成。由这些列向量横向排列构成n×d维矩阵W，即为投影矩阵：
W＝[w1,w2,…,wd]
式中：wi(i＝1，2…d)为协方差矩阵G的前d个最大的特征值对应的特征向量。
如此一来，经过映射变换Y＝XW得到m×d维矩阵Y，即为图像X的主成分，称之为X的特征矩阵或者特征图像。
S5、构建暂态稳定评估卷积神经网络模型；
S6、利用基于特征图像的样本集训练构建的暂态稳定评估卷积神经网络模型；
本步骤中，使用反向传播框架下的随机梯度下降(Stochastic GradientDescent,SGD)进行样本的学习，拟采用的卷积神经网络预训练代价函数为交叉熵损失函数：
Figure BDA0003820173290000071
式中：N为训练样本总数；
Figure BDA0003820173290000072
为样本的真实标签；
Figure BDA0003820173290000073
为经过输出层后的输出概率，代表第i个样本被预测为各类别的概率。如果
Figure BDA0003820173290000074
则样本被预测为暂态稳定样本，反之则为不稳定样本。
S7、采用训练完成的暂态稳定评估卷积神经网络模型进行电力系统暂态稳定评估。
为证明本实施例所述方法的有效性和优越性，使用IEEE-39节点标准测试算例，对故障后电力系统的暂态稳定性评估进行测试验证。该系统共有10台发电机、39个节点和46条线路，其中节点2为平衡节点，10台发电机均采用双轴模型，励磁机采用IEEE DC ExciterType 1模型，19个负荷均采用恒阻抗模型，如图4所示；
使用MATLAB工具箱PST3.0仿真计算生成暂稳数据集，在标准IEEE-39节点系统中全部34条输电线路上分别设置三相短路故障，故障开始时间为0.1s，故障持续时间从0.03～0.21s波动，步长为0.01s，设置6种从80％～120％随机波动的负荷水平，每条线路设置10％、50％、90％三种不同的故障位置。仿真时间为5s，仿真步长为0.01s，以仿真时间内发电机最大功角差是否超过360°作为样本功角失稳的判据。基于上述N-1故障，最终一共生成了11628个样本，其中失稳样本个数为4768，被标记为1；剩余6860个样本为稳定样本，标记为0。
单个样本包含10台发电机的电磁功率、9台发电机的功角(另一台为参考发电机)、39条母线的电压，一共58维特征，每个特征包含40个时间节点的信息(0.06～0.45s，步长为0.01s，故障发生时刻统一为0.1s)，因此每个样本包含58×40＝2320维特征。
将样本重新排列成二维矩阵，选择两个典型样本，其原始图像如图5所示。
原始图像中自上而下分别是母线电压区、发电机功角区、发电机电磁功率区，在这种灰度图中，灰度值越大越接近白，1代表全白；越小越接近黑，0代表全黑。可以观察到，稳定样本在母线电压区更白，表示电压基本稳定在1.0p.u.附近，没有发生电压失稳，而功角失稳常常伴随电压降落，因此失稳样本电压区更黑；发电机功角区则相反，失稳样本由于不同电机功角摆开，功角差逐渐增大，因此显得更白。
然后利用上述数据集训练卷积神经网络模型,相比不进行特征降维的方法，精度由98.2％提升至99.01％,训练时间由213.07秒降为28.12秒，本实施例方法可以快速、准确地评估电力系统暂态稳定情况。
另外，本实施例还公开了一种基于图像化数据驱动的电力系统暂态稳定评估系统，该系统用于实现上述基于图像化数据驱动的电力系统暂态稳定评估方法，如图6所示，其包括：
特征备选集构建模块，其读入电力系统网架结构、发电机电磁功率、端电压、功角、母线电压信息，构建特征备选集；
样本集合构建模块，其根据特征备选集收集电力系统历史运行数据及并利用仿真分析软件生成暂稳仿真数据；每个样本包含多维电气特征，而每个电气特征包含多个时间节点；
样本原始图像构建模块，对样本集合进行数据预处理及利用暂态稳定指标进行样本分类，按照时间和特征两个方向将样本集合中的样本排列为二维矩阵，根据矩阵元素数值大小的不同赋予相应的灰度值，从而形成样本的原始图像；
特征降维模块，其对原始图像进行特征降维，得到原始图像的特征图像；
暂态稳定评估卷积神经网络模型构建模块，用于构建暂态稳定评估卷积神经网络模型；
暂态稳定评估卷积神经网络模型训练模块，用于对构建的暂态稳定评估卷积神经网络模型进行训练；
电力系统暂态稳定评估模块，其采用训练完成的暂态稳定评估卷积神经网络模型进行电力系统暂态稳定评估。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (8)

1.基于图像化数据驱动的电力系统暂态稳定评估方法，其特征在于，包括：
构建特征备选集；
根据特征备选集收集电力系统历史运行数据及并利用仿真分析软件生成暂稳仿真数据，构建样本集合；每个样本包含多维电气特征，而每个电气特征包含多个时间节点；
对样本集合进行数据预处理及利用暂态稳定指标进行样本分类，按照时间和特征两个方向将样本集合中的样本排列为二维矩阵，根据矩阵元素数值大小的不同赋予相应的灰度值，形成样本的原始图像；
对原始图像进行特征降维，得到原始图像的特征图像；
构建暂态稳定评估卷积神经网络模型；
利用基于特征图像的样本集训练构建的暂态稳定评估卷积神经网络模型；
采用训练完成的暂态稳定评估卷积神经网络模型进行电力系统暂态稳定评估。
2.根据权利要求1所述的基于图像化数据驱动的电力系统暂态稳定评估方法，其特征在于，读入电力系统网架结构、发电机电磁功率、端电压、功角、母线电压信息，构建特征备选集。
3.根据权利要求1所述的基于图像化数据驱动的电力系统暂态稳定评估方法，其特征在于，利用PST、PSASP、PSD-BPA或PSS/E仿真分析软件生成暂稳仿真数据。
4.根据权利要求1所述的基于图像化数据驱动的电力系统暂态稳定评估方法，其特征在于，对样本集合进行数据预处理包括数据异常处理以及数据缺失处理。
5.根据权利要求1所述的基于图像化数据驱动的电力系统暂态稳定评估方法，其特征在于，利用暂态稳定指标进行样本分类，判定系统在遭受大扰动下功角是否失稳；暂态稳定指标如下：
Figure FDA0003820173280000021
式中：Δδmax为仿真时间内任意时刻两台发电机的最大相对功角差；当Δδmax＜180°，即TSI＞0时，系统暂态稳定，样本标注为0，反之，样本暂态失稳，样本标注为1。
6.根据权利要求1所述的基于图像化数据驱动的电力系统暂态稳定评估方法，其特征在于，利用二维主成分分析方法对原始图像进行特征降维，具体包括：
二维主成分分析方法利用原始图像构造图像协方差矩阵，并导出其特征向量用于图像特征提取，通过线性映射变换Y＝Xw将m×n的输入图像X投影到n维单位列向量w上，得到的m维列向量Y称为图像X的投影特征向量。
7.基于图像化数据驱动的电力系统暂态稳定评估系统，其特征在于，用于实现权利要求1-6任一所述的基于图像化数据驱动的电力系统暂态稳定评估方法，其包括：
特征备选集构建模块，其读入电力系统网架结构、发电机电磁功率、端电压、功角、母线电压信息，构建特征备选集；
样本集合构建模块，其根据特征备选集收集电力系统历史运行数据及并利用仿真分析软件生成暂稳仿真数据；每个样本包含多维电气特征，而每个电气特征包含多个时间节点；
样本原始图像构建模块，用于形成样本的原始图像；
特征降维模块，其对原始图像进行特征降维，得到原始图像的特征图像；
暂态稳定评估卷积神经网络模型构建模块，用于构建暂态稳定评估卷积神经网络模型；
暂态稳定评估卷积神经网络模型训练模块，用于对构建的暂态稳定评估卷积神经网络模型进行训练；
电力系统暂态稳定评估模块，其采用训练完成的暂态稳定评估卷积神经网络模型进行电力系统暂态稳定评估。
8.根据权利要求7所述的基于图像化数据驱动的电力系统暂态稳定评估系统，其特征在于，样本原始图像构建模块对样本集合进行数据预处理及利用暂态稳定指标进行样本分类，按照时间和特征两个方向将样本集合中的样本排列为二维矩阵，根据矩阵元素数值大小的不同赋予相应的灰度值，从而形成样本的原始图像。
CN202211039019.8A 2022-08-29 2022-08-29 基于图像化数据驱动的电力系统暂态稳定评估方法及系统 Pending CN115311509A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211039019.8A CN115311509A (zh) 2022-08-29 2022-08-29 基于图像化数据驱动的电力系统暂态稳定评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211039019.8A CN115311509A (zh) 2022-08-29 2022-08-29 基于图像化数据驱动的电力系统暂态稳定评估方法及系统

Publications (1)

Publication Number Publication Date
CN115311509A true CN115311509A (zh) 2022-11-08

Family

ID=83864390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211039019.8A Pending CN115311509A (zh) 2022-08-29 2022-08-29 基于图像化数据驱动的电力系统暂态稳定评估方法及系统

Country Status (1)

Country Link
CN (1) CN115311509A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116504329A (zh) * 2023-06-28 2023-07-28 苏州工业园区蒙纳士科学技术研究院 基于煤数据图像化的卷积神经网络焦炭热态质量预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116504329A (zh) * 2023-06-28 2023-07-28 苏州工业园区蒙纳士科学技术研究院 基于煤数据图像化的卷积神经网络焦炭热态质量预测方法
CN116504329B (zh) * 2023-06-28 2023-09-15 苏州工业园区蒙纳士科学技术研究院 基于煤数据图像化的卷积神经网络焦炭热态质量预测方法

Similar Documents

Publication Publication Date Title
Belagoune et al. Deep learning through LSTM classification and regression for transmission line fault detection, diagnosis and location in large-scale multi-machine power systems
Wilson et al. Deep learning-aided cyber-attack detection in power transmission systems
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
CN110672905A (zh) 基于cnn的自监督电压暂降源辨识方法
CN116169675B (zh) 考虑运行方式变化的电力系统动态稳定性在线评估方法
CN110726898A (zh) 一种配电网故障类型识别方法
Wang et al. Online analysis of voltage security in a microgrid using convolutional neural networks
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
CN113935237A (zh) 一种基于胶囊网络的输电线路故障类型判别方法及系统
Luo et al. Graph convolutional network-based interpretable machine learning scheme in smart grids
CN115311509A (zh) 基于图像化数据驱动的电力系统暂态稳定评估方法及系统
CN113420837A (zh) 基于多源压缩感知的故障诊断方法
Zhang et al. Fault diagnosis of permanent magnet motor based on DCGAN-RCCNN
Zhang et al. Towards multi-scenario power system stability analysis: An unsupervised transfer learning method combining DGAT and data augmentation
Zhang et al. Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet
CN115656747A (zh) 基于异构数据的变压器缺陷诊断方法、装置和计算机设备
He et al. A novel deep learning model for transmission line icing thickness prediction
CN116305683A (zh) 基于样本均衡化的电力系统暂态稳定评估方法及系统
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
CN115684786A (zh) 基于格拉姆角场和并行cnn的逆变器开关管健康诊断方法、装置及系统
CN114841266A (zh) 一种小样本下基于三元组原型网络的电压暂降识别方法
Chokr et al. Feature extraction-reduction and machine learning for fault diagnosis in PV panels
He et al. Partial discharge pattern recognition algorithm based on sparse self-coding and extreme learning machine
Yu et al. A metric learning network based on attention mechanism for Power grid defect identification
Moradzadeh et al. Image processing-based data integrity attack detection in dynamic line rating forecasting applications

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
CB03 Change of inventor or designer information

Inventor after: Liu Luhao

Inventor after: Liu Jun

Inventor after: Peng Xin

Inventor after: Li Yuting

Inventor after: Zhao Yu

Inventor after: Liu Xiaoming

Inventor after: Liang Xueqing

Inventor after: Lu Youfei

Inventor after: Zhao Hongwei

Inventor after: Wu Renbo

Inventor after: Chen Minghui

Inventor after: Zhang Shaofan

Inventor after: Liu Chao

Inventor after: Wang Liye

Inventor before: Long Yun

Inventor before: Wang Liye

Inventor before: Liu Jun

Inventor before: Peng Xin

Inventor before: Li Yuting

Inventor before: Zhao Yu

Inventor before: Liu Xiaoming

Inventor before: Liu Luhao

Inventor before: Liang Xueqing

Inventor before: Lu Youfei

Inventor before: Zhao Hongwei

Inventor before: Wu Renbo

Inventor before: Chen Minghui

Inventor before: Zhang Shaofan

Inventor before: Liu Chao

CB03 Change of inventor or designer information