CN116522594A - 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 - Google Patents
基于卷积神经网络的时间自适应暂态稳定预测方法及装置 Download PDFInfo
- Publication number
- CN116522594A CN116522594A CN202310308004.5A CN202310308004A CN116522594A CN 116522594 A CN116522594 A CN 116522594A CN 202310308004 A CN202310308004 A CN 202310308004A CN 116522594 A CN116522594 A CN 116522594A
- Authority
- CN
- China
- Prior art keywords
- prediction
- stability
- sample
- neural network
- convolutional neural
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 101
- 230000001052 transient effect Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004088 simulation Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000005520 cutting process Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 24
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013097 stability assessment Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于卷积神经网络的时间自适应暂态稳定预测方法及装置,包括:基于电力系统不同的运行工况,利用暂态稳定判据和极限切除时间方法对不同运行工况进行时域仿真;根据仿真获取故障切除后的发电机功角数据,并确定稳定状态的定性输出以及稳定裕度的定量输出生成样本案例集;利用样本案例集,在故障后的每个采样周期内构建并训练CNN模型,通过对验证集的测试得到CNN模型的预测误差;根据预测误差的概率密度构建稳定裕度预测值的置信区间,并对预测结果进行确定与不确定性的样本标定,判断系统临界稳定状态。本发明通过构建稳定裕度预测值的置信区间,对系统临界稳定情况进行识别并连续预测,提高了深度学习模型预测结果的可靠性和预测精度。
Description
技术领域
本发明涉及暂态稳定评估的技术领域,尤其涉及基于卷积神经网络的时间自适应暂态稳定预测方法及装置。
背景技术
近年来,随着广域测量系统的广泛部署,5G及其一些信息通信技术以及深度学习等人工智能技术的快速演进,对于高比例电力电子化和远距离大容量输电方式电力系统的暂态稳定评估,特别是暂态稳定预测(Transient Stability Prediction,TSP)问题带来了新的契机。从数据驱动角度出发,借助深度学习技术,将电网量测系统采集的多源异构数据进行特征提取和行为预测,对新一代电力系统安全稳定运行的预警预控具有重要意义。
卷积神经网络(Convolutional Neural Network,CNN)作为一种深度学习模型,因其强大的学习潜力及优秀的深层特征提取能力,在面向复杂电力系统的TSP问题得到广泛而深入的研究。然而,现有研究中基于CNN模型的TSP精度较低,而且这些研究大多数采用固定响应时间方案来实现,对于系统处于临界稳定的情况其预测结果可靠性不高。此外,基于CNN模型的TSP方法大多仅定性分析系统稳定状态(Stability Status,SS),而对稳定裕度(Stability Margin,SM)给出定量描述的研究较少。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了基于卷积神经网络的时间自适应暂态稳定预测方法及装置解决现有的基于CNN模型的TSP精度低,且采用的响应时间固定,对于系统处于临界稳定的情况其预测结果可靠性低的问题。
为解决上述技术问题,本发明提供如下技术方案:
第一方面,本发明实施例提供了基于卷积神经网络的时间自适应暂态稳定预测方法,包括:
基于电力系统不同的运行工况,利用暂态稳定判据和极限切除时间方法对所述不同运行工况进行时域仿真;
根据所述仿真获取故障切除后的发电机功角数据,并确定稳定状态的定性输出以及稳定裕度的定量输出生成样本案例集;
利用所述样本案例集,在故障后的每个采样周期内构建并训练CNN模型,通过对验证集的测试得到CNN模型的预测误差;
根据所述预测误差的概率密度构建稳定裕度预测值的置信区间,并对预测结果进行确定与不确定性的样本标定,判断系统临界稳定状态。
作为本发明所述的基于卷积神经网络的时间自适应暂态稳定预测方法的一种优选方案,其中:所述暂态稳定判据,表示为:
其中,|Δδmax|为仿真时间内任意两台发电机的最大功角差的绝对值;
所述极限切除时间方法,表示为:
SM=CCT-(tc-to)
其中,to为故障发生时刻,tc为故障切除时刻,CCT为极限切除时间。
作为本发明所述的基于卷积神经网络的时间自适应暂态稳定预测方法的一种优选方案,其中:利用样本案例集,在故障后的每个采样周期内构建并训练CNN模型,包括:所述样本案例集是根据所述不同工况下获得的系统稳定裕度,与所述时域仿真采集的发电机功角数据相对应所得到的样本案例集;
所述CNN模型,表示为:
f(Yi-1)=max(0,Yi-1)
Yi=pooling(Yi-1)
Yi=f(Yi-1Wi+bi)
其中,Yi为CNN第i层的特征矩阵,ki为第i层卷积核的权值矩阵,bi为第i层的偏置向量,代表卷积运算,f(·)为激活函数,pooling代表池化运算,Wi为全连接层的权重参数。
作为本发明所述的基于卷积神经网络的时间自适应暂态稳定预测方法的一种优选方案,其中:还包括:所述CNN模型回归层的激活函数定义为:
f(y')=y'
其中,y为稳定裕度SM实际值,y′为稳定裕度SM预测值;
所述CNN模型回归层的损失函数定义为:
其中,n为样本案例,k为样本且k∈[1,n],yk为第k个样本的稳定裕度SM实际值,y′k为第k个样本的稳定裕度SM预测值。
作为本发明所述的基于卷积神经网络的时间自适应暂态稳定预测方法的一种优选方案,其中:稳定裕度预测值的置信区间,包括:
所述CNN模型的预测误差的概率密度函数为F(x),则稳定裕度预测值以置信度1-α的置信区间,表示为:
其中,a1=α/2,a2=1-α/2,G(ε)为概率密度函数F(x)的反函数,Cup与Clow分别为置信区间的上限和下限。
作为本发明所述的基于卷积神经网络的时间自适应暂态稳定预测方法的一种优选方案,其中:还包括:
利用训练的CNN模型得到的预测结果,并根据概率密度函数的反函数G(α/2)和G(1-α/2)计算稳定裕度SM预测值的置信区间[Clow,Cup];
若所述区间的sgn(Clow)=sgn(Cup),则标定样本为确定样本并输出模型的预测结果;反之,若sgn(Clow)≠sgn(Cup),则标定样本为不确定样本并交由第2个采样周期训练的CNN模型进一步预测;
当连续m(m≥2)个采样周期的稳定状态SS预测结果相同时,或到达规定的截止时间为止,输出最终稳定状态SS与稳定裕度SM的预测结果。
作为本发明所述的基于卷积神经网络的时间自适应暂态稳定预测方法的一种优选方案,其中:对预测结果进行确定与不确定性的样本标定,并判断系统临界稳定状态,包括:
通过稳定裕度预测值的正负号定义暂态稳定状态,表示为:
其中,sgn(·)为数值的正负符号,y′为稳定裕度SM预测值,ξ为稳定裕度SM对应系统的稳定状态SS,ξ为1时表示系统稳定,ξ为-1时表示系统不稳定。
第二方面,本发明实施例提供了基于卷积神经网络的时间自适应暂态稳定预测装置,包括:
时域仿真模块,用于基于电力系统不同的运行工况,利用暂态稳定判据和极限切除时间方法对所述不同运行工况进行时域仿真;
数据获取模块,用于根据所述仿真获取故障切除后的发电机功角数据,并确定稳定状态的定性输出以及稳定裕度的定量输出生成样本案例集;
模型搭建实验模块,用于利用所述样本案例集,在故障后的每个采样周期内构建并训练CNN模型,通过对验证集的测试得到CNN模型的预测误差;
系统状态识别模块,用于根据所述预测误差的概率密度构建稳定裕度预测值的置信区间,并对预测结果进行确定与不确定性的样本标定,判断系统临界稳定状态。
第三方面,本发明实施例提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的基于卷积神经网络的时间自适应暂态稳定预测方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现所述基于卷积神经网络的时间自适应暂态稳定预测方法。
与现有技术相比,本发明的有益效果:本发明基于训练的CNN模型,利用暂态稳定判据和极限切除时间实现了对系统稳定状态与稳定裕度的定性、定量输出;通过估计CNN模型稳定裕度预测值的置信区间,对预测结果进行确定与不确定性标定,从而识别系统处于临界稳定的情况,并对系统临界稳定情况进行连续预测,提高了深度学习模型预测结果的可靠性和预测精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例所述的基于卷积神经网络的时间自适应暂态稳定预测方法及装置的CNN模型构建及训练流程图;
图2为本发明一个实施例所述的基于卷积神经网络的时间自适应暂态稳定预测方法及装置的CNN模型预测误差的概率密度分布图;
图3为本发明一个实施例所述的基于卷积神经网络的时间自适应暂态稳定预测方法的时间自适应暂态稳定预测示意图;
图4为本发明一个实施例所述的基于卷积神经网络的时间自适应暂态稳定预测方法及装置的CNN模型的预测性能图;
图5为本发明一个实施例所述的基于卷积神经网络的时间自适应暂态稳定预测方法及装置的稳定裕度实际值与其预测值的预测结果散点图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~3,为本发明的一个实施例,该实施例提供了基于卷积神经网络的时间自适应暂态稳定预测方法,包括:
S1:基于电力系统不同的运行工况,利用暂态稳定判据和极限切除时间方法对不同运行工况进行时域仿真;
更进一步的,暂态稳定判据,表示为:
其中,|Δδmax|为仿真时间内任意两台发电机的最大功角差的绝对值;
极限切除时间方法,表示为:
SM=CCT-(tc-to)
其中,to为故障发生时刻,tc为故障切除时刻,CCT为极限切除时间。
应说明的是,电力系统不同的运行工况是基于不同的负荷水平条件,在电力系统各条输电线路中的不同线路位置设置短路故障所构建的。
S2:根据仿真获取故障切除后的发电机功角数据,并确定稳定状态的定性输出以及稳定裕度的定量输出生成样本案例集;
在一个可选的实施例中,样本案例的生成,在一个特定系统中,考虑其多种运行方式和故障条件,借助时域仿真软件生成n个样本案例,对于第k(1≤k≤n)样本,假设to,k为系统故障发生时刻,tc,k为故障切除时刻;为可靠地确定系统暂态稳定状态,将故障清除后的时域仿真持续时间设为5s,利用暂态稳定判据对稳定状态进行标注,根据二分搜索法对第k样本的极限切除时间CCTk通过大量试错的时域模拟进行数值计算。
S3:利用样本案例集,在故障后的每个采样周期内构建并训练CNN模型,通过对验证集的测试得到CNN模型的预测误差;
更进一步的,利用样本案例集,在故障后的每个采样周期内构建并训练CNN模型,包括:样本案例集是根据不同工况下获得的系统稳定裕度,与时域仿真采集的发电机功角数据相对应所得到的样本案例集;
CNN模型,表示为:
f(Yi-1)=max(0,Yi-1)
Yi=pooling(Yi-1)
Yi=f(Yi-1Wi+bi)
其中,Yi为CNN第i层的特征矩阵,ki为第i层卷积核的权值矩阵,bi为第i层的偏置向量,代表卷积运算,f(·)为激活函数,pooling代表池化运算,Wi为全连接层的权重参数。
应说明的是,用Yi表示CNN第i层的特征矩阵,对于卷积层,其上一层的特征矩阵经过卷积核进行卷积运算,进而通过一个激活函数得到输出的特征矩阵;对于池化层,其上一层的特征矩阵可通过池化操作进行特征筛选;对于全连接层,其通过多个隐含层可对上一层的特征矩阵进行加权求和,进而经过激活函数得到输出的特征矩阵。
在一个可选的实施例中,常用的激活函数包括tanh、Sigmoid、线性整流函数(ReLU)等。其ReLU在实际中应用通过对特征矩阵的整流来加速权值梯度下降的收敛速度,全连接层通常与输出层连接,经过不同的激活函数以实现任务的分类或拟合,并利用建立的CNN模型学习电气量测数据和稳定裕度之间的映射关系。
还应说明的是,在故障后每个采样周期构建并训练CNN模型,这些模型的层间结构和训练方法都是相同的,都是由故障后每个采样周期的量测数据训练得到。
具体的,还包括:CNN模型回归层的激活函数定义为:
f(y')=y'
其中,y为稳定裕度SM实际值,y′为稳定裕度SM预测值;
CNN模型回归层的损失函数定义为:
其中,n为样本案例,k为样本且k∈[1,n],yk为第k个样本的稳定裕度SM实际值,y′k为第k个样本的稳定裕度SM预测值。
S4:根据预测误差的概率密度构建稳定裕度预测值的置信区间,并对预测结果进行确定与不确定性的样本标定,判断系统临界稳定状态;
更进一步的,稳定裕度预测值的置信区间,包括:
CNN模型的预测误差的概率密度函数为F(x),则稳定裕度预测值以置信度1-α的置信区间,表示为:
其中,a1=α/2,a2=1-α/2,G(ε)为概率密度函数的反函数,Cup与Clow分别为置信区间的上限和下限。
具体的,还包括:
利用训练的CNN模型得到的预测结果,并根据概率密度函数的反函数G(α/2)和G(1-α/2)计算稳定裕度SM预测值的置信区间[Clow,Cup];
若区间的sgn(Clow)=sgn(Cup),则标定样本为确定样本并输出模型的预测结果;反之,若sgn(Clow)≠sgn(Cup),则标定样本为不确定样本并交由第2个采样周期训练的CNN模型进一步预测;
当连续m(m≥2)个采样周期的稳定状态SS预测结果相同时,或到达规定的截止时间为止,输出最终稳定状态SS与稳定裕度SM的预测结果。
参见图2,在一个可选的实施例中,假设F(x)为CNN模型预测误差ε的概率密度函数,设置显著性水平α∈(0,1),则定义预测的稳定裕度y′以置信度1-α的置信区间。通过对验证集的测试可得到所提模型的预测误差,进而根据式(10)可获得每个样本预测值的置信区间[Clow,Cup]。若该区间的sgn(Clow)与sgn(Cup)相同,则标定该样本为确定样本并输出预测结果。反之,若sgn(Clow)与sgn(Cup)不相同时,则标定该样本为不确定样本,进而时间自适应暂态稳定预测方法对该样本进一步预测。
应说明的是,采用时间自适应暂态稳定预测方法对系统临界稳定情况进行连续预测,具有更高的预测精度,并提高了深度学习模型预测结果的可靠性。
更进一步的,对预测结果进行确定与不确定性的样本标定,并判断系统临界稳定状态,包括:
通过稳定裕度预测值的正负号定义暂态稳定状态,表示为:
其中,sgn(·)为数值的正负符号,y′为稳定裕度SM预测值,ξ为稳定裕度SM对应系统的稳定状态SS,ξ为1时表示系统稳定,ξ为-1时表示系统不稳定。
参见图3,在一个可选的实施例中,每个CNN回归模型n的层间结构和训练方法都是相同的,都是由故障后第Xn个采样周期的量测数据进行训练得到。时间自适应暂态稳定预测方法在线应用阶段时,在故障切除tc时后,获取故障后第1个采样周期(X1)的量测数据,进而利用CNN模型预测当前周期稳定状态与稳定裕度值,并根据G(α/2)和G(1-α/2)计算稳定裕度预测值的置信区间[Clow,Cup]。若该区间的sgn(Clow)=sgn(Cup),则输出该模型的预测结果。反之,若sgn(Clow)≠sgn(Cup),则根据图3所示可交由第2个采样周期(X2)训练的CNN模型进一步判别。以此类推,直至连续m(m≥2)个采样周期的稳定状态预测结果相同时,或到达规定的截止时间Xn为止,输出最终的预测结果。
上述为本实施例的基于卷积神经网络的时间自适应暂态稳定预测方法的示意性方案。需要说明的是,该基于卷积神经网络的时间自适应暂态稳定预测装置的技术方案与上述的基于卷积神经网络的时间自适应暂态稳定预测方法的技术方案属于同一构思,本实施例中基于卷积神经网络的时间自适应暂态稳定预测装置的技术方案未详细描述的细节内容,均可以参见上述基于卷积神经网络的时间自适应暂态稳定预测方法的技术方案的描述。
本实施例中基于卷积神经网络的时间自适应暂态稳定预测装置,包括:
时域仿真模块,用于基于电力系统不同的运行工况,利用暂态稳定判据和极限切除时间方法对不同运行工况进行时域仿真;
数据获取模块,用于根据仿真获取故障切除后的发电机功角数据,并确定稳定状态的定性输出以及稳定裕度的定量输出生成样本案例集;
模型搭建实验模块,用于利用样本案例集,在故障后的每个采样周期内构建并训练CNN模型,通过对验证集的测试得到CNN模型的预测误差;
系统状态识别模块,用于根据预测误差的概率密度构建稳定裕度预测值的置信区间,并对预测结果进行确定与不确定性的样本标定,判断系统临界稳定状态。
本实施例还提供一种计算设备,适用于基于卷积神经网络的时间自适应暂态稳定预测方法的情况,包括:
存储器和处理器;存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,实现如上述实施例提出的基于卷积神经网络的时间自适应暂态稳定预测方法。
该计算机设备可以是终端,该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例提出的实现基于卷积神经网络的时间自适应暂态稳定预测方法。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
实施例2
参照图1~5,为本发明的一个实施例,为了验证本发明的有益效果,借助Matlab软件,对采用卷积神经网络与置信区间的时间自适应暂态稳定预测方法的预测效果在一个IEEE50机145母线标准系统中进行仿真研究测试。
设置在故障切除后获取50台发电机的功角量测数据,共计50维数据作为模型的输入,为兼顾预测精度和计算效率,通过对卷积池化层数与连续卷积次数的大量实验,所构建CNN模型参数如表1所示:
表1模型参数
采用人工经验或者试错法的寻优实验方法,确定CNN模型的最优超参数,其中,Adam算法的学习率为0.001,L2正则化惩罚系数设为0.0001,批量大小600,训练迭代152次,且学习率衰减系数为0.1,其每50次迭代下降一次。
如图4所示,在故障清除后第1个采样周期获取功角数据所训练的CNN模型,其预测准确率达到了99.03%。图5为故障清除后第1个采样周期的4014个样本预测结果的散点图,从散点图中可以看出,误判或漏判的情况都处于电力系统的临界稳定或不稳定状态,其中,SM无限趋于零。故选择5%置信区间条件下的数值,其置信度α=0.95,G(α/2)=-0.0223及G(1-α/2)=0.0197。通过利用CNN模型的预测误差置信区间预测4014个样本的置信区间,可将这些样本标记为3613个确定样本与401不确定样本。其确定样本的预测准确率为99.92%,能够准确的区分正确样本与漏判、误判样本,表明了本发明所提置信区间方法能够有效筛选出易错样本,即识别靠近稳定边界样本。
通过对不同采样周期进行时间自适应暂态稳定预测方法预测,预测结果如表2,表3所示:
表2不同m数值的时间自适应暂态稳定预测方法的预测结果
表3基于m=4的时间自适应暂态稳定预测方法的预测结果
通过表2可以看出,本发明方法能够提高暂态稳定预测精度,表3的预测结果表明,m=4的时间自适应暂态稳定预测方法性能最佳,其预测准确率达到了99.63%。相较于图4,准确率提高了0.6%,并且误判率和漏判率分别减少了约75%、40%。且m=4的时间自适应暂态稳定预测方法仅通过第一次连续预测,就识别出了80%以上的不确定样本。随着时间的推移,在第15周期时仅剩2个样本未被确定,此时它的预测准确率已达到了99.60%,通过上述说明,本发明提出的时间自适应暂态稳定预测方法能够减少误判及漏判的发生,并提高了临界稳定样本预测结果的可靠性。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(ReadOnly,Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于卷积神经网络的时间自适应暂态稳定预测方法,其特征在于,包括:
基于电力系统不同的运行工况,利用暂态稳定判据和极限切除时间方法对所述不同运行工况进行时域仿真;
根据所述仿真获取故障切除后的发电机功角数据,并确定稳定状态的定性输出以及稳定裕度的定量输出生成样本案例集;
利用所述样本案例集,在故障后的每个采样周期内构建并训练CNN模型,通过对验证集的测试得到CNN模型的预测误差;
根据所述预测误差的概率密度构建稳定裕度预测值的置信区间,并对预测结果进行确定与不确定性的样本标定,判断系统临界稳定状态。
2.如权利要求1所述的基于卷积神经网络的时间自适应暂态稳定预测方法,其特征在于:
所述暂态稳定判据,表示为:
其中,|Δδmax|为仿真时间内任意两台发电机的最大功角差的绝对值;
所述极限切除时间方法,表示为:
SM=CCT-(tc-to)
其中,to为故障发生时刻,tc为故障切除时刻,CCT为极限切除时间。
3.如权利要求1或2所述的基于卷积神经网络的时间自适应暂态稳定预测方法,其特征在于,利用样本案例集,在故障后的每个采样周期内构建并训练CNN模型,包括:所述样本案例集是根据所述不同工况下获得的系统稳定裕度,与所述时域仿真采集的发电机功角数据相对应所得到的样本案例集;
所述CNN模型,表示为:
f(Yi-1)=max(0,Yi-1)
Yi=pooling(Yi-1)
Yi=f(Yi-1Wi+bi)
其中,Yi为CNN第i层的特征矩阵,ki为第i层卷积核的权值矩阵,bi为第i层的偏置向量,代表卷积运算,f(·)为激活函数,pooling代表池化运算,Wi为全连接层的权重参数。
4.如权利要求3所述的基于卷积神经网络的时间自适应暂态稳定预测方法,其特征在于,还包括:所述CNN模型回归层的激活函数定义为:
f(y')=y'
其中,y为稳定裕度SM实际值,y′为稳定裕度SM预测值;
所述CNN模型回归层的损失函数定义为:
其中,n为样本案例,k为样本且k∈[1,n],yk为第k个样本的稳定裕度SM实际值,y′k为第k个样本的稳定裕度SM预测值。
5.如权利要求4所述的基于卷积神经网络的时间自适应暂态稳定预测方法,其特征在于,稳定裕度预测值的置信区间,包括:
所述CNN模型的预测误差的概率密度函数为F(x),则稳定裕度预测值以置信度1-α的置信区间,表示为:
其中,a1=α/2,a2=1-α/2,G(ε)为概率密度函数F(x)的反函数,Cup与Clow分别为置信区间的上限和下限。
6.如权利要求4或5所述的基于卷积神经网络的时间自适应暂态稳定预测方法,其特征在于,还包括:
利用训练的CNN模型得到的预测结果,并根据概率密度函数的反函数G(α/2)和G(1-α/2)计算稳定裕度SM预测值的置信区间[Clow,Cup];
若所述区间的sgn(Clow)=sgn(Cup),则标定样本为确定样本并输出模型的预测结果;反之,若sgn(Clow)≠sgn(Cup),则标定样本为不确定样本并交由第2个采样周期训练的CNN模型进一步预测;
当连续m(m≥2)个采样周期的稳定状态SS预测结果相同时,或到达规定的截止时间为止,输出最终稳定状态SS与稳定裕度SM的预测结果。
7.如权利要求6所述的基于卷积神经网络的时间自适应暂态稳定预测方法,其特征在于,对预测结果进行确定与不确定性的样本标定,并判断系统临界稳定状态,包括:
通过稳定裕度预测值的正负号定义暂态稳定状态,表示为:
其中,sgn(·)为数值的正负符号,y′为稳定裕度SM预测值,ξ为稳定裕度SM对应系统的稳定状态SS,ξ为1时表示系统稳定,ξ为-1时表示系统不稳定。
8.基于卷积神经网络的时间自适应暂态稳定预测装置,其特征在于,包括:
时域仿真模块,用于基于电力系统不同的运行工况,利用暂态稳定判据和极限切除时间方法对所述不同运行工况进行时域仿真;
数据获取模块,用于根据所述仿真获取故障切除后的发电机功角数据,并确定稳定状态的定性输出以及稳定裕度的定量输出生成样本案例集;
模型搭建实验模块,用于利用所述样本案例集,在故障后的每个采样周期内构建并训练CNN模型,通过对验证集的测试得到CNN模型的预测误差;
系统状态识别模块,用于根据所述预测误差的概率密度构建稳定裕度预测值的置信区间,并对预测结果进行确定与不确定性的样本标定,判断系统临界稳定状态。
9.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于卷积神经网络的时间自适应暂态稳定预测方法的步骤。
10.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于卷积神经网络的时间自适应暂态稳定预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310308004.5A CN116522594A (zh) | 2023-03-24 | 2023-03-24 | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310308004.5A CN116522594A (zh) | 2023-03-24 | 2023-03-24 | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116522594A true CN116522594A (zh) | 2023-08-01 |
Family
ID=87393000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310308004.5A Pending CN116522594A (zh) | 2023-03-24 | 2023-03-24 | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522594A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117728405A (zh) * | 2024-02-05 | 2024-03-19 | 国网冀北电力有限公司 | 基于混合学习网络大模型的电力系统态势感知方法及装置 |
-
2023
- 2023-03-24 CN CN202310308004.5A patent/CN116522594A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117728405A (zh) * | 2024-02-05 | 2024-03-19 | 国网冀北电力有限公司 | 基于混合学习网络大模型的电力系统态势感知方法及装置 |
CN117728405B (zh) * | 2024-02-05 | 2024-05-03 | 国网冀北电力有限公司 | 基于混合学习网络大模型的电力系统态势感知方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tencaliec et al. | Flexible semiparametric generalized Pareto modeling of the entire range of rainfall amount | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN111625516A (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN113852432A (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN111931983A (zh) | 一种降水量预测方法及系统 | |
CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
KR20110034288A (ko) | 중수로 압력관 반경방향 크립 예측 방법 | |
KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
Li et al. | A LSTM-based method for comprehension and evaluation of network security situation | |
Su et al. | Statistical detection of weak pulse signal under chaotic noise based on Elman neural network | |
CN116307269B (zh) | 一种基于人工智能的光伏发电功率预测方法及装置 | |
CN109038550B (zh) | 基于电压静态稳定性的电力系统自复性指标计算方法 | |
CN116338502A (zh) | 一种基于随机噪声增强和循环神经网络的燃料电池寿命预测方法 | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
CN114049014A (zh) | 海上风电机组运行状态评估方法、装置及系统 | |
Huo et al. | Traffic anomaly detection method based on improved GRU and EFMS-Kmeans clustering | |
Bin et al. | Simple and effective fault diagnosis method of power lithium-ion battery based on GWA-DBN | |
CN112488295A (zh) | 交叉验证算法优化lstm网络继电器贮存寿命预测方法 | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
CN113705093B (zh) | 一种杆塔力学响应预测方法、装置、设备和介质 | |
CN116722545B (zh) | 基于多源数据的光伏发电预测方法和相关设备 |
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 |