CN115329669A - 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法 - Google Patents

基于深度贝叶斯主动学习的电力系统暂态稳定评估方法 Download PDF

Info

Publication number
CN115329669A
CN115329669A CN202210962626.5A CN202210962626A CN115329669A CN 115329669 A CN115329669 A CN 115329669A CN 202210962626 A CN202210962626 A CN 202210962626A CN 115329669 A CN115329669 A CN 115329669A
Authority
CN
China
Prior art keywords
transient stability
power system
power
flow mode
target
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
CN202210962626.5A
Other languages
English (en)
Inventor
汪康康
魏巍
孙昕炜
徐韵扬
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.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power 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 Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202210962626.5A priority Critical patent/CN115329669A/zh
Publication of CN115329669A publication Critical patent/CN115329669A/zh
Pending legal-status Critical Current

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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力系统自动化技术领域，公开了一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，包括：S1、在离线阶段，针对目标电力系统，对所述目标电力系统的电网潮流方式进行随机抽样生成电网潮流方式数据集；S2、通过暂态稳定仿真分析生成含目标属性的电网潮流方式样本集；S3、构建基于深度贝叶斯神经网络的暂态稳定评估模型；S4、采用基于最小可信度的主动学习方法从所述电网潮流方式样本集中获取待标注样本；S5、在电力系统实时运行阶段，利用所述暂态稳定评估模型预判电力系统的暂态稳定性。本发明利用基于深度贝叶斯神经网络的暂态稳定评估模型可以给出其预测结果来评估电力系统的暂态稳定。

Description

基于深度贝叶斯主动学习的电力系统暂态稳定评估方法
技术领域
本发明涉及电力系统自动化技术领域，具体涉及一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法。
背景技术
在线暂态稳定评估可以实时辨识电网不满足稳定运行要求的潮流方式，是防御电力系统发生暂态失稳、避免大面积停电事故的重要前提。传统的暂态稳定分析通常采用时域仿真加上判据的模型驱动方法，计算准确可靠。但是，随着互联电网的规模日益扩大，新能源发电、直流输电系统等复杂动态元件的接入，模型驱动方法面临计算复杂度高，运算时间长，难以满足实时稳定分析要求的困难。以深度神经网络为代表的机器学习算法模型能够通过大量训练样本建立输入与输出之间的映射关系，可用于实现不依赖于模型仿真分析的暂态稳定快速预判。
由于电力系统暂态失稳样本难以获取，通常需通过电力系统随机仿真来生成深度神经网络模型训练的所需样本。尽管样本生成工作可在离线阶段完成，但仍存在样本仿真分析计算量繁重、可能存在大量冗余样本的问题。
发明内容
针对上述问题，本发明提出一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，利用基于深度贝叶斯神经网络的暂态稳定评估模型可以给出其预测结果来评估电力系统的暂态稳定，结合主动学习框架来提高样本筛选的效率、减少冗余样本的仿真资源消耗，提高离线样本仿真和暂态稳定评估模型训练的效率。
本发明通过下述技术方案实现：
一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，包括：
S1、在离线阶段，针对目标电力系统，对所述目标电力系统的电网潮流方式进行随机抽样生成电网潮流方式数据集；
S2、采用k-medoids算法聚类从所述电网潮流方式数据集中提取代表性电网潮流方式样本，通过暂态稳定仿真分析生成含目标属性的电网潮流方式样本集；
S3、构建基于深度贝叶斯神经网络的暂态稳定评估模型，利用含目标属性的电网潮流方式样本集中的样本数据对所述暂态稳定评估模型的参数进行训练；
S4、采用基于最小可信度的主动学习方法从所述电网潮流方式样本集中获取待标注样本，更新电网潮流方式样本集并对训练后的所述暂态稳定评估模型的参数进行更新；
S5、在电力系统实时运行阶段，通过SCADA系统采集电力系统的相关运行参数，将所述相关运行参数输入至参数更新后的所述暂态稳定评估模型中，利用所述暂态稳定评估模型预判电力系统的暂态稳定性。
作为优化，步骤S1中，生成电网潮流方式数据集的具体方法为：
S1.1、针对目标电力系统，根据日负荷曲线确定目标电力系统的负荷水平的波动范围，在目标电力系统初始潮流方式基础上，按下式同步调整发电机有功出力以及负荷有功功率、无功功率，生成不同负荷水平下电网潮流方式；
S1.2、获取目标电力系统的分区信息以及分区总数Narea，随机抽取两个分区，分为第一分区和第二分区，对第一分区，统计第一分区总有功发电量初始值，在(0,20％]倍初始值的范围内进行随机抽样得到该第一分区总有功发电增长量，按第一分区内各第一发电机的初始有功出力比例将增长量分配到各第一发电机；对第二分区，通过减少等量的有功发电来实现全电力系统的有功平衡，即按该第二分区内各第二发电机的初始有功出力比例将减少量分配到各第二发电机；
S1.3、将步骤S1.1和步骤S1.2得到的数据进行汇总，得到电网潮流方式数据集。
作为优化，S2中，生成含目标属性的电网潮流方式样本集的具体方法为：
步骤S2.1、获取目标电力系统各分区的输电断面，针对S1得到的电网潮流方式数据集中所有电网潮流方式样本，统计各输电断面的有功功率输电量；
步骤S2.2、以所有输电断面的有功功率作为电网潮流方式样本的特征属性，采用k-medoids算法对电网潮流方式进行聚类分析得到代表性电网潮流方式样本，并提取聚类中心的代表性电网潮流方式样本；
步骤S2.3、针对代表性电网潮流方式样本，设置电网预想故障集，进行基于时域仿真的暂态稳定分析，以目标电力系统暂态稳定性作为目标属性对所述代表性电网潮流方式样本进行标注，生成暂态稳定样本集
Figure BDA0003793190250000021
同时未标注的所述代表性电网潮流方式样本构成未标注样本集
Figure BDA0003793190250000022
作为优化，S3的具体实现方法为：
S3.1、以目标电力系统各发电机的有功出力作为输入特征，以目标电力系统暂态稳定性作为输出目标，构建基于深度贝叶斯神经网络的暂态稳定评估模型；
S3.2、基于S2产生的暂态稳定样本集
Figure BDA0003793190250000023
完成基于深度贝叶斯神经网络的暂态稳定评估模型的参数训练。
作为优化，所述深度贝叶斯神经网络的结构为多层感知机模型。
作为优化，S4的具体方法为：
S4.1、利用暂态稳定评估模型对所有未标注样本进行稳定性预测；
S4.2、按下式计算所有未标注样本的不确定性指标；
Figure BDA0003793190250000031
步骤S4.3、按不确定性指标对所有未标注样本进行排序，取排序前10％的未标注样本构成未标注样本池；
步骤S4.4、利用k-medoids算法对未标注样本池里面的样本进行聚类，将聚类后的样本组合在一起形成待标注样本集；
步骤S4.5、针对待标注样本集中的待标注样本，设置目标电力系统的预想故障集，进行基于时域仿真的暂态稳定分析，以目标电力系统暂态稳定性作为目标属性对所述待标注样本进行标注，将新标注的样本添加到暂态稳定样本集
Figure BDA0003793190250000032
并从未标注样本集
Figure BDA0003793190250000033
中删除；
步骤S4.6、利用更新后的暂态稳定样本集
Figure BDA0003793190250000034
对暂态稳定评估模型进行模型参数更新学习。
作为优化，
Figure BDA0003793190250000035
Figure BDA0003793190250000036
作为优化，S5的具体方法为：
S5.1、在电力系统实时运行阶段，通过目标电力系统的SCADA系统的状态估计模块获取目标电力系统的相关运行参数的实时值；
S5.2、将所述相关运行参数输入至所述暂态稳定评估模型中，利用所述暂态稳定评估模型快速预估当前目标电力系统的运行工况的暂态稳定性，将预估结果返回给电网运行调度人员，若当前目标电力系统的运行工况被判别为失稳，则还应返回告警信号。
作为优化，S5.2中，对当前目标电力系统的运行工况是否失稳的判断方法依托于S4所训练构建的深度贝叶斯神经网络，具体步骤如下：
S5.2.1、设置蒙特卡洛前馈运算的总次数NMCFF＝100，并设置输入特征x为目标电力系统的相关运行参数的实时值；
S5.2.2、置循环变量s＝1；
S5.2.3、对随机变量∈按标准正态分布
Figure BDA0003793190250000037
进行随机抽样，并按w＝μ+log(1+exp(ρ))·∈计算深度贝叶斯神经网络的权重参数w；
S5.2.4、根据抽样生成的权重参数w，对深度贝叶斯神经网络进行前馈运算，得到暂态稳定分类的预测结果y；
S5.2.5、判断置循环变量s是否大于NMCFF，若是，跳转至S5.2.6；若否，置循环变量s＝s+1，并返回第S5.2.3；
S5.2.6、根据前述循环中NMCFF次蒙特卡洛前馈运算的结果，设NMCFF次蒙特卡洛前馈运算中共有Nstable次判断系统运行方式为“暂态稳定”、同时有Nunstable次判断系统运行方式为“暂态失稳”，进一步计算系统暂态稳定和暂态失稳的概率分别为Nstable/NMCFF和Nunstable/NMCFF；
S5.2.7、若Nstable/NMCFF>Nunstable/NMCFF，则判断目标电力系统的运行工况为“暂态稳定”；反之，若Nstable/NMCFF<Nunstable/NMCFF，则判断目标电力系统的运行工况为“暂态失稳”。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明提出一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，利用基于深度贝叶斯神经网络的暂态稳定评估模型可以给出其预测结果来评估电力系统的暂态稳定，结合主动学习框架来提高样本筛选的效率、减少冗余样本的仿真资源消耗，提高离线样本仿真和暂态稳定评估模型训练的效率。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：
图1为一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法的流程图。
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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
本发明通过下述技术方案实现：
如图1所示，一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，包括：
S1、在离线阶段，针对目标电力系统，对所述目标电力系统的电网潮流方式进行随机抽样生成电网潮流方式数据集。
本实施例中，步骤S1中，生成电网潮流方式数据集的具体方法为：
S1.1、针对目标电力系统，根据日负荷曲线确定目标电力系统的负荷水平的波动范围，在目标电力系统初始潮流方式基础上，按下式同步调整发电机有功出力以及负荷有功功率、无功功率，生成不同负荷水平下电网潮流方式；
Figure BDA0003793190250000051
Figure BDA0003793190250000052
Figure BDA0003793190250000053
式中，
Figure BDA0003793190250000054
和
Figure BDA0003793190250000055
分别为目标电力系统的初始潮流方式的发电机有功出力以及负荷有功功率、无功功率初始值，其中，
Figure BDA0003793190250000056
表示目标电力系统的发电机集合，
Figure BDA0003793190250000057
表示负荷集合，γ为负荷水平的比例系数，PG，i、PL，j和QL，j即为调整后的发电机有功出力以及负荷有功功率、无功功率；
S1.2、根据目标电力系统的分区信息，随机抽取两个分区，分为第一分区和第二分区，对第一分区，统计第一分区总有功发电量初始值，在(0,20％]倍初始值的范围内进行随机抽样得到该第一分区的总有功发电增长量，按第一分区内各第一发电机的初始有功出力比例将总有功发电增长量分配到各第一发电机(发电机的初始有功出力即为前述的
Figure BDA0003793190250000058
这里需要确定目标电力系统的第一分区内接入了哪些第一发电机，然后计算这些第一发电机的
Figure BDA0003793190250000059
的比例)；对第二分区，通过减少等量的有功发电来实现全电力系统的有功平衡，即按该第二分区内各第二发电机的初始有功出力比例将减少量分配到各第二发电机同理，需要确定第二分区含有哪些第二发电机，然后计算这些第二发电机的
Figure BDA00037931902500000510
的比例。
电网分区是指根据电网结构特征对电网划分为若干个“区内紧密联系、区间弱联系”的子区域电网。电网分区本身是一个研究课题，但本发明未涉及电网分区的方法研究。
针对一个目标电网(目标电力系统)，它的电网分区(即分区总数、每一个分区由哪些母线组成)一般是电网调度运行人员已事先明确掌握的。
S1.3、将步骤S1.1和步骤S1.2得到的数据进行汇总，得到电网潮流方式数据集。
S2、采用k-medoids算法聚类从所述电网潮流方式数据集中提取代表性电网潮流方式样本，通过暂态稳定仿真分析生成含目标属性的电网潮流方式样本集。
本实施例中，S2中，生成含目标属性的电网潮流方式样本集的具体方法为：
步骤S2.1、获取目标电力系统各分区的输电断面，针对S1得到的电网潮流方式数据集中所有电网潮流方式样本，统计各输电断面的有功功率输电量；
步骤S2.2、以所有输电断面的有功功率作为电网潮流方式样本的特征属性，采用k-medoids算法对电网潮流方式进行聚类分析得到代表性电网潮流方式样本，并提取聚类中心的代表性电网潮流方式样本；
基于k-medoids算法的聚类分析，将S1生成的电网潮流方式样本(电网潮流方式数据集)被分类为若干类，类内的电网潮流方式样本具有相似性，经过聚类分析后，本发明利用聚类中心所对应的电网潮流方式样本作为每一个聚类的“代表性电网潮流方式样本”。
步骤S2.3、针对代表性电网潮流方式样本，设置电网预想故障集，进行基于时域仿真的暂态稳定分析，以目标电力系统暂态稳定性作为目标属性对所述代表性电网潮流方式样本进行标注，生成暂态稳定样本集
Figure BDA0003793190250000061
同时未标注的所述代表性电网潮流方式样本构成未标注样本集
Figure BDA0003793190250000062
时域仿真是现有且常用的方法，这里就不再赘述了。
标注方法：
针对代表性电网潮流方式样本(1个样本)，设置电网预想故障集(如500kV输电线路首端发生三相短路故障的情形，假设目标电力系统有NC个预想故障)。每次取一个预想故障，利用电力系统综合稳定程序PSASP进行时域仿真计算，PSASP程序输出目标电力系统在代表性电网潮流方式下发生该预想故障后的发电机功角轨迹数据，按下式计算暂态稳定指标(Transient Stability Index，TSI)：
Figure BDA0003793190250000063
Figure BDA0003793190250000064
式中，Δδmax为时域仿真期间的最大机组对功角差。t表示时间变量，假设预想故障在初始时刻(0秒时刻)发生，而时域仿真计算的最终时刻为T并取T＝20秒，
Figure BDA0003793190250000065
为目标电力系统的发电机集合，δ表示发电机功角，而δi(t)和δj(t)分别代指第t秒时刻第i台发电机和第j台发电机的功角。
当TSI>0时，目标电力系统在给定预想故障下可以保持暂态稳定；反之，当TSI<0时，目标电力系统在给定预想故障下发生暂态失稳。
遍历NC个预想故障，对每一个预想故障均按上述TSI指标判断暂态稳定性。当目标电力系统在所有NC个预想故障下均保持暂态稳定时，相应的代表性电网潮流方式样本的目标属性为“暂态稳定”并进行记录；反之，当目标电力系统在任意一个预想故障下发生暂态失稳，那么相应的代表性电网潮流方式样本的目标属性为“暂态失稳”并进行记录。
S3、构建基于深度贝叶斯神经网络的暂态稳定评估模型，利用含目标属性的电网潮流方式样本集中的样本数据对所述暂态稳定评估模型的参数进行训练。
本实施例中，S3的具体实现方法为：
S3.1、以目标电力系统各发电机的有功出力作为输入特征，以目标电力系统暂态稳定性作为输出目标，构建基于深度贝叶斯神经网络的暂态稳定评估模型；这里的暂态稳定评估模型是代指前述“深度贝叶斯神经网络”，在此强调该深度贝叶斯神经网络是用于暂态稳定评估的。
S3.2、基于S2产生的暂态稳定样本集
Figure BDA0003793190250000071
完成基于深度贝叶斯神经网络的暂态稳定评估模型的参数训练。
本实施例中，所述深度贝叶斯神经网络(Deep Bayesian Neural Network,DBNN)的结构为多层感知机(Multi-layer Perception,MLP)模型。
基于深度贝叶斯神经网络的模型参数服从一定的概率分布模型，并非常规神经网络的唯一值。因此，不同于神经网络前馈计算，贝叶斯神经网络预测的数学表达如下式所示，需通过蒙特卡洛抽样并求解输出期望来得到预测结果。
Figure BDA0003793190250000072
由于深度贝叶斯神经网络网络参数后验分布难以直接求得，因此需结合变分推理和Bayes-by-BackProp算法，通过最小化后验分布与变分分布的Kullback-Leibler散度来求取网络参数的变分分布，并以变分分布来近似表征后验分布。最小化Kullback-Leibler散度的数学表达式为：
Figure BDA0003793190250000073
变分分布一般采用正态分布，式中θ为待求取的变分分布参数(即正态分布的均值与方差)。采用重参数化(Reparameterization)来对变分分布参数进行训练寻优。取神经网络的权重参数的变分后验分布是独立的高斯分布，每一个权重参数均可以根据该变分后验高斯分布的均值μ和标准差σ通过随机抽样得到。为了保证标准差为非负值，进一步对标准差进行参数化，设置
σ＝log(1+exp(ρ))
由此变分后验分布的参数即为θ＝{μ，ρ}，而针对网络权重参数的抽样可以按下式得到：
w＝μ+log(1+exp(ρ))·∈
式中，随机变量∈服从标准正态分布，即
Figure BDA0003793190250000074
通过应用变分推理和重参数化技巧，基于Bayes by Backprop算法在每一步参数训练的算法流程如下：
(1)按标准正态分布对随机变量∈进行抽样；
(2)按下式计算网络权重参数w；
w＝μ+log(1+exp(ρ))·∈
(3)按下式估算当前batch训练数据下的预测损失；
Figure BDA0003793190250000081
(4)按下式计算均值的梯度：
Figure BDA0003793190250000082
(5)按下式计算标准差参数的梯度：
Figure BDA0003793190250000083
(6)按下式更新变分后验分布的参数：
Figure BDA0003793190250000084
上述流程第4-6步，可以从现有PyTorch、TensorFlow等机器学习库中调用SGD、ADAM等优化器完成。重复上述流程，直至每一个batch的训练数据都遍历了，完成当前epoch的参数学习；并进一步重复每一个epoch直至达到预先设置模型训练的总迭代次数，最终得到用于电力系统暂态稳定评估的基于深度贝叶斯神经网络的暂态稳定评估模型。
w为暂态稳定评估模型(亦即深度贝叶斯神经网络模型)的权重参数，权重参数w由公式w＝μ+log(1+exp(ρ))·∈计算得到，其中，μ和ρ为深度贝叶斯神经网络模型的变分参数、需通过上述“基于Bayes by Backprop算法的参数训练”来确定，∈为随机变量且
Figure BDA0003793190250000085
Figure BDA0003793190250000086
为给定样本集
Figure BDA0003793190250000087
的预测损失量值，θ为变分参数集合、即θ＝{μ，ρ}。Δμ和Δρ表示
Figure BDA0003793190250000088
对变分参数μ和ρ的梯度。α为SGD、ADAM等优化器的学习率，可取PyTorch、TensorFlow等机器学习库的默认设置值。
S4、采用基于最小可信度的主动学习方法从所述电网潮流方式样本集中获取待标注样本，更新电网潮流方式样本集并对训练后的所述暂态稳定评估模型的参数进行更新。
本实施例中，S4的具体方法为：
S4.1、利用暂态稳定评估模型对所有未标注样本进行稳定性预测；
S4.2、按下式计算所有未标注样本的不确定性指标；
Figure BDA0003793190250000091
式中，
Figure BDA0003793190250000092
表示暂态稳定样本集，x表示未标注样本的输入特征，y为未标注样本的目标属性(即“暂态稳定”或“暂态失稳”的二分类目标)，ω表示深度贝叶斯神经网络的权重参数；
Figure BDA0003793190250000093
Figure BDA0003793190250000094
表示给定暂态稳定训练样本集为
Figure BDA0003793190250000095
待分析样本输入为x的情况下，预测结果y为类别c的后验概率；
Figure BDA0003793190250000096
Figure BDA0003793190250000097
表示给定暂态稳定样本集下，权重参数ω的后验概率，
Figure BDA0003793190250000098
即为根据权重参数ω的后验概率
Figure BDA0003793190250000099
计算的期望值，
Figure BDA00037931902500000910
即为不确定性指标。
步骤S4.3、按不确定性指标对所有未标注样本进行排序，取排序(从大到小)前10％的未标注样本构成未标注样本池；
步骤S4.4、利用k-medoids算法对未标注样本池里面的样本进行聚类，将聚类后的样本组合在一起形成待标注样本集；
步骤S4.5、针对待标注样本集中的待标注样本，设置目标电力系统的预想故障集(如500kV输电线路首端发生三相短路故障)，进行基于时域仿真的暂态稳定分析，以目标电力系统暂态稳定性作为目标属性对所述待标注样本进行标注，将新标注的样本添加到暂态稳定样本集
Figure BDA00037931902500000911
并从未标注样本集
Figure BDA00037931902500000912
中删除；
步骤S4.6、利用更新后的暂态稳定样本集
Figure BDA00037931902500000913
对暂态稳定评估模型进行模型参数更新学习。
S5、在电力系统实时运行阶段，通过SCADA系统采集电力系统的相关运行参数，将所述相关运行参数输入至参数更新后的所述暂态稳定评估模型中，利用所述暂态稳定评估模型预判电力系统的暂态稳定性。
本实施例中，S5的具体方法为：
S5.1、在电力系统实时运行阶段，通过目标电力系统的SCADA系统的状态估计模块获取目标电力系统的相关运行参数的实时值；这里的相关运行参数包括发电机有功出力、输电线路有功潮流和无功潮流、节点电压幅值和相位。
S5.2、将所述相关运行参数输入至所述暂态稳定评估模型中，利用所述暂态稳定评估模型快速预估当前目标电力系统的运行工况的暂态稳定性，将预估结果(预估结果即目标电力系统“暂态稳定”或“暂态失稳”的二分类预测结果)返回给电网运行调度人员，若当前目标电力系统的运行工况被判别为失稳，则还应返回告警信号。
本发明中，对当前目标电力系统的运行工况是否失稳的判断方法依托于S4所训练构建的深度贝叶斯神经网络，具体步骤如下：
S5.2.1、设置蒙特卡洛前馈运算的总次数NMCFF＝100，并设置输入特征x为目标电力系统的相关运行参数的实时值；
S5.2.2、置循环变量s＝1；
S5.2.3、对随机变量∈按标准正态分布
Figure BDA0003793190250000101
进行随机抽样，并按w＝μ+log(1+exp(ρ))·∈计算深度贝叶斯神经网络的权重参数w；
S5.2.4、根据抽样生成的权重参数w，对深度贝叶斯神经网络进行前馈运算，得到暂态稳定分类的预测结果y；
S5.2.5、判断置循环变量s是否大于NMCFF，若是，跳转至S5.2.6；若否，置循环变量s＝s+1，并返回第S5.2.3；
S5.2.6、根据前述循环中NMCFF次蒙特卡洛前馈运算的结果，设NMCFF次蒙特卡洛前馈运算中共有Nstable次判断系统运行方式为“暂态稳定”、同时有Nunstable次判断系统运行方式为“暂态失稳”，进一步计算系统暂态稳定和暂态失稳的概率分别为Nstable/NMCFF和Nunstable/NMCFF；
S5.2.7、若Nstable/NMCFF>Nunstable/NMCFF，则判断目标电力系统的运行工况为“暂态稳定”；反之，若Nstable/NMCFF<Nunstable/NMCFF，则判断目标电力系统的运行工况为“暂态失稳”。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，其特征在于，包括：
S1、在离线阶段，针对目标电力系统，对所述目标电力系统的电网潮流方式进行随机抽样生成电网潮流方式数据集；
S2、采用k-medoids算法聚类从所述电网潮流方式数据集中提取代表性电网潮流方式样本，通过暂态稳定仿真分析生成含目标属性的电网潮流方式样本集；
S3、构建基于深度贝叶斯神经网络的暂态稳定评估模型，利用含目标属性的电网潮流方式样本集中的样本数据对所述暂态稳定评估模型的参数进行训练；
S4、采用基于最小可信度的主动学习方法从所述电网潮流方式样本集中获取待标注样本，更新电网潮流方式样本集并对训练后的所述暂态稳定评估模型的参数进行更新；
S5、在电力系统实时运行阶段，通过SCADA系统采集电力系统的相关运行参数，将所述相关运行参数输入至参数更新后的所述暂态稳定评估模型中，利用所述暂态稳定评估模型预判电力系统的暂态稳定性。
2.根据权利要求1所述的一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，其特征在于，步骤S1中，生成电网潮流方式数据集的具体方法为：
S1.1、针对目标电力系统，根据日负荷曲线确定目标电力系统的负荷水平的波动范围，在目标电力系统初始潮流方式基础上，按下式同步调整发电机有功出力以及负荷有功功率、无功功率，生成不同负荷水平下电网潮流方式；
Figure FDA0003793190240000011
Figure FDA0003793190240000012
Figure FDA0003793190240000013
式中，
Figure FDA0003793190240000014
和
Figure FDA0003793190240000015
分别为目标电力系统的初始潮流方式的发电机有功出力以及负荷有功功率、无功功率初始值，
Figure FDA0003793190240000016
表示目标电力系统的发电机集合，
Figure FDA0003793190240000017
表示负荷集合，γ为负荷水平的比例系数，PG，i、PL，j和QL，j即为调整后的发电机有功出力以及负荷有功功率、无功功率；
S1.2、根据目标电力系统的分区信息，随机抽取两个分区，分为第一分区和第二分区，对第一分区，统计第一分区总有功发电量初始值，在(0,20％]倍初始值的范围内进行随机抽样得到该第一分区总有功发电增长量，按第一分区内各第一发电机的初始有功出力比例将增长量分配到各第一发电机；对第二分区，通过减少等量的有功发电来实现全电力系统的有功平衡，即按该第二分区内各第二发电机的初始有功出力比例将减少量分配到各第二发电机；
S1.3、将步骤S1.1和步骤S1.2得到的数据进行汇总，得到电网潮流方式数据集。
3.根据权利要求1所述的一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，其特征在于，S2中，生成含目标属性的电网潮流方式样本集的具体方法为：
步骤S2.1、获取目标电力系统各分区的输电断面，针对S1得到的电网潮流方式数据集中所有电网潮流方式样本，统计各输电断面的有功功率输电量；
步骤S2.2、以所有输电断面的有功功率作为电网潮流方式样本的特征属性，采用k-medoids算法对电网潮流方式进行聚类分析得到代表性电网潮流方式样本，并提取聚类中心的代表性电网潮流方式样本；
步骤S2.3、针对代表性电网潮流方式样本，设置电网预想故障集，进行基于时域仿真的暂态稳定分析，以目标电力系统暂态稳定性作为目标属性对所述代表性电网潮流方式样本进行标注，生成暂态稳定样本集
Figure FDA0003793190240000021
同时未标注的所述代表性电网潮流方式样本构成未标注样本集
Figure FDA0003793190240000022
4.根据权利要求1所述的一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，其特征在于，S3的具体实现方法为：
S3.1、以目标电力系统各发电机的有功出力作为输入特征，以目标电力系统暂态稳定性作为输出目标，构建基于深度贝叶斯神经网络的暂态稳定评估模型；
S3.2、基于S2产生的暂态稳定样本集
Figure FDA0003793190240000023
完成基于深度贝叶斯神经网络的暂态稳定评估模型的参数训练。
5.根据权利要求1或4所述的一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，其特征在于，所述深度贝叶斯神经网络的结构为多层感知机模型。
6.根据权利要求1所述的一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，其特征在于，S4的具体方法为：
S4.1、利用暂态稳定评估模型对所有未标注样本进行稳定性预测；
S4.2、按下式计算所有未标注样本的不确定性指标；
Figure FDA0003793190240000024
式中，
Figure FDA0003793190240000025
表示暂态稳定样本集，x表示未标注样本的输入特征，y为未标注样本的目标属性(即“暂态稳定”或“暂态失稳”的二分类目标)，ω表示深度贝叶斯神经网络的权重参数；
Figure FDA0003793190240000026
Figure FDA0003793190240000027
表示给定暂态稳定训练样本集为
Figure FDA0003793190240000028
待分析样本输入为x的情况下，预测结果y为类别c的后验概率；
Figure FDA0003793190240000031
Figure FDA0003793190240000032
表示给定暂态稳定样本集下，权重参数ω的后验概率，
Figure FDA0003793190240000033
即为根据权重参数ω的后验概率
Figure FDA0003793190240000034
计算的期望值，
Figure FDA0003793190240000035
即为不确定性指标。
步骤S4.3、按不确定性指标对所有未标注样本进行排序，取排序前10％的未标注样本构成未标注样本池；
步骤S4.4、利用k-medoids算法对未标注样本池里面的样本进行聚类，将聚类后的样本组合在一起形成待标注样本集；
步骤S4.5、针对待标注样本集中的待标注样本，设置目标电力系统的预想故障集，进行基于时域仿真的暂态稳定分析，以目标电力系统暂态稳定性作为目标属性对所述待标注样本进行标注，将新标注的样本添加到暂态稳定样本集
Figure FDA0003793190240000036
并从未标注样本集
Figure FDA0003793190240000037
中删除；
步骤S4.6、利用更新后的暂态稳定样本集
Figure FDA0003793190240000038
对暂态稳定评估模型进行模型参数更新学习。
7.根据权利要求6所述的一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，其特征在于，
Figure FDA0003793190240000039
Figure FDA00037931902400000310
式中，
Figure FDA00037931902400000311
表示暂态稳定样本集，x表示未标注样本的输入特征，y为未标注样本的目标属性(即“暂态稳定”或“暂态失稳”的二分类目标)，ω表示深度贝叶斯神经网络的权重参数。大写C表示分类问题的类别集合，小写c表示第c个分类，
Figure FDA00037931902400000312
表示给定暂态稳定训练样本集为
Figure FDA00037931902400000313
待分析样本输入为x的情况下，预测结果y为类别c的后验概率，
Figure FDA00037931902400000314
表示给定暂态稳定样本集
Figure FDA00037931902400000315
下，权重参数ω的后验概率，
Figure FDA00037931902400000316
表示考虑概率分布
Figure FDA00037931902400000317
的期望值。
8.根据权利要求1所述的一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，其特征在于，S5的具体方法为：
S5.1、在电力系统实时运行阶段，通过目标电力系统的SCADA系统的状态估计模块获取目标电力系统的相关运行参数的实时值；
S5.2、将所述相关运行参数输入至所述暂态稳定评估模型中，利用所述暂态稳定评估模型快速预估当前目标电力系统的运行工况的暂态稳定性，将预估结果返回给电网运行调度人员，若当前目标电力系统的运行工况被判别为失稳，则还应返回告警信号。
9.根据权利要求8所述的一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，其特征在于，所述目标电力系统的相关运行参数包括发电机有功出力、输电线路有功潮流和无功潮流、节点电压幅值和相位。
10.根据权利要求9所述的一种基于深度贝叶斯主动学习的电力系统暂态稳定评估方法，其特征在于，S5.2中，对当前目标电力系统的运行工况是否失稳的判断方法依托于S4所训练构建的深度贝叶斯神经网络，具体步骤如下：
S5.2.1、设置蒙特卡洛前馈运算的总次数NMCFF＝100，并设置输入特征x为目标电力系统的相关运行参数的实时值；
S5.2.2、置循环变量s＝1；
S5.2.3、对随机变量∈按标准正态分布
Figure FDA0003793190240000041
进行随机抽样，并按w＝μ+log(1+exp(ρ))·∈计算深度贝叶斯神经网络的权重参数w；
S5.2.4、根据抽样生成的权重参数w，对深度贝叶斯神经网络进行前馈运算，得到暂态稳定分类的预测结果y；
S5.2.5、判断置循环变量s是否大于NMCFF，若是，跳转至S5.2.6；若否，置循环变量s＝s+1，并返回第S5.2.3；
S5.2.6、根据前述循环中NMCFF次蒙特卡洛前馈运算的结果，设NMCFF次蒙特卡洛前馈运算中共有Nstable次判断系统运行方式为“暂态稳定”、同时有Nunstable次判断系统运行方式为“暂态失稳”，进一步计算系统暂态稳定和暂态失稳的概率分别为Nstable/NMCFF和Nunstable/NMCFF；
S5.2.7、若Nstable/NMCFF>Nunstable/NMCFF，则判断目标电力系统的运行工况为“暂态稳定”；反之，若Nstable/NMCFF<Nunstable/NMCFF，则判断目标电力系统的运行工况为“暂态失稳”。
CN202210962626.5A 2022-08-11 2022-08-11 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法 Pending CN115329669A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210962626.5A CN115329669A (zh) 2022-08-11 2022-08-11 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210962626.5A CN115329669A (zh) 2022-08-11 2022-08-11 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法

Publications (1)

Publication Number Publication Date
CN115329669A true CN115329669A (zh) 2022-11-11

Family

ID=83923248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210962626.5A Pending CN115329669A (zh) 2022-08-11 2022-08-11 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法

Country Status (1)

Country Link
CN (1) CN115329669A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115986746A (zh) * 2022-12-16 2023-04-18 南方电网数字电网研究院有限公司 基于软传感器的预测方法、装置、计算机设备和存储介质
CN117390418A (zh) * 2023-12-05 2024-01-12 国网湖北省电力有限公司经济技术研究院 一种风电并网系统暂态稳定评估方法、系统及设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115986746A (zh) * 2022-12-16 2023-04-18 南方电网数字电网研究院有限公司 基于软传感器的预测方法、装置、计算机设备和存储介质
CN115986746B (zh) * 2022-12-16 2024-03-26 南方电网数字电网研究院有限公司 基于软传感器的预测方法、装置、计算机设备和存储介质
CN117390418A (zh) * 2023-12-05 2024-01-12 国网湖北省电力有限公司经济技术研究院 一种风电并网系统暂态稳定评估方法、系统及设备
CN117390418B (zh) * 2023-12-05 2024-03-08 国网湖北省电力有限公司经济技术研究院 一种风电并网系统暂态稳定评估方法、系统及设备

Similar Documents

Publication Publication Date Title
CN115329669A (zh) 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法
US9043254B2 (en) Method for computer-aided closed-loop and/or open-loop control of a technical system
CN110417011B (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
CN109214708B (zh) 基于交叉熵理论优化支持向量机的电力系统风险评估方法
Hagmar et al. Voltage instability prediction using a deep recurrent neural network
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
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN111478314A (zh) 一种电力系统暂态稳定评估方法
CN109066651B (zh) 风电-负荷场景的极限传输功率的计算方法
CN111638707A (zh) 基于som聚类和mpca的间歇过程故障监测方法
CN104539601A (zh) 动态网络攻击过程可靠性分析方法及系统
CN113642652A (zh) 生成融合模型的方法、装置和设备
CN112001531B (zh) 基于有效载荷能力的风电短期运行容量可信度评估方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
Smirnov Intelligent decision support system for the control of complex technical systems
Tiwary et al. Multi-dimensional ANN application for active power flow state classification on a utility system
CN115660425A (zh) 风偏闪络风险评价方法、系统、设备、可读存储介质
CN115577290A (zh) 一种基于深度学习的配网故障分类及源定位方法
CN116204771A (zh) 电力系统暂态稳定关键特征选择方法、装置及产品
Zhao et al. A fast and accurate transient stability assessment method based on deep learning: WECC case study
CN113054653A (zh) 基于VGGNet-SVM的电力系统暂态稳定评估方法
Sun et al. Reliability growth prediction method based on GA-Elman neural network
Basia et al. Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries
CN116595883B (zh) 数值反应堆实时在线系统状态修正方法
Babiceanu Complex manufacturing and service enterprise systems: modeling and computational framework

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