CN116595448A - 基于卷积神经网络电力系统暂态稳定评估的方法 - Google Patents
基于卷积神经网络电力系统暂态稳定评估的方法 Download PDFInfo
- Publication number
- CN116595448A CN116595448A CN202310624178.2A CN202310624178A CN116595448A CN 116595448 A CN116595448 A CN 116595448A CN 202310624178 A CN202310624178 A CN 202310624178A CN 116595448 A CN116595448 A CN 116595448A
- Authority
- CN
- China
- Prior art keywords
- power system
- transient stability
- data
- evaluation
- evaluating
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 25
- 238000013097 stability assessment Methods 0.000 title description 4
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000013210 evaluation model Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 6
- 229910052799 carbon Inorganic materials 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 5
- 238000006386 neutralization reaction Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010523 cascade reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000368 destabilizing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- 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
- G06N3/08—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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
-
- 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]
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于卷积神经网络电力系统暂态稳定评估的方法，包括：采集待测特征数据，对所述待测特征数据进行预处理，对预处理后的数据进行稳定性分类获取分类结果，构建电力系统暂态稳定评估模型；对所述电力系统暂态稳定评估模型进行评估获取评估结果，所述评估结果结合评价指标完成对电力系统暂态稳定评估。本发明有利于降低大停电事故发生的概率，提升供电可靠性，为“碳达峰、碳中和”目标下的现代电力系统建设提供坚强的保障。
Description
技术领域
本发明属于电力暂态稳定评估技术领域，尤其涉及基于卷积神经网络电力系统暂态稳定评估的方法。
背景技术
近年来的多起大范围停电事故表明，世界各地的电力系统正经受着极端天气、偶发性自然灾害、人为电气误操作等因素带来的安全稳定考验。现代电网由于系统互联性高，电力系统复杂程度逐渐增加，若不能在扰动发生后及时判断系统的稳定状态并采取相应的控制措施，很有可能由单一故障引发连锁反应，进而演变为大规模停电事故。因此，电力系统暂态稳定评估对电网维持安全稳定运行具有重要意义。有效、准确、快速的暂态稳定评估可为调度运行人员提供各种事故下电力系统稳定性分析结果，若系统失稳，则可以快速开展紧急控制措施，防止故障范围进一步扩大。
目前电力行业主要应用时域仿真法与直接法进行暂态稳定评估，虽然评估结果较为准确，但面对不同负载水平、故障类型及清除时间的系统，需要进行大量的计算工作，且无法满足实时计算的需求，已然不适用于日益变化的现代电力系统。人工智能技术的飞速发展，为暂态稳定评估的研究提供了全新的思路。深度学习算法可以自动从输入数据中提取特征，并建立输入与输出的非线性高维模型，具有强大的非线性表达能力和模式识别能力。因此，基于深度学习的暂态稳定评估模型可以反映输入电力系统运行参数和系统的暂态稳定状态，且不需要对复杂的电网进行物理建模，弥补了传统暂态稳定评估方法无法进行实时运算的缺点，可满足在线实时预测的要求。同时，随着基于同步相量测量单元的广域测量技术在电力系统中的不断推广与应用，大量的电力数据得以采集与存储，为人工智能技术在电力系统领域的发展提供保障。因此亟需提出基于卷积神经网络电力系统暂态稳定评估的方法。
发明内容
为解决上述技术问题，本发明提出了基于卷积神经网络电力系统暂态稳定评估的方法，有利于降低大停电事故发生的概率，提升供电可靠性，为“碳达峰、碳中和”目标下的现代电力系统建设提供坚强的保障。
为实现上述目的，本发明提供了基于卷积神经网络电力系统暂态稳定评估的方法，包括：
采集待测特征数据，对所述待测特征数据进行预处理，对预处理后的数据进行稳定性分类获取分类结果，构建电力系统暂态稳定评估模型；
对所述电力系统暂态稳定评估模型进行评估获取评估结果，所述评估结果结合评价指标完成对电力系统暂态稳定评估。
可选的，所述待测特征数据包括母线电压幅值、相角和输电线路的有功潮流、无功潮流。
可选的，对所述待测特征数据进行预处理的方法包括：
对所述待测特征数据进行数据标准化处理获取所述待测特征数据的不平衡特征数据，对所述不平衡特征数据进行过采样处理，获取所述预处理后的数据。
可选的，对所述预处理后的数据进行稳定性分类过程中采用二元交叉熵函数：
其中，N为一个batch内的样本数，(y1，y0)为稳定样本与失稳样本的one-hot编码值，(p1,p0)为softmax层所输出类别的概率。
可选的，对所述电力系统暂态稳定评估模型进行评估获取评估结果的方法包括：
根据所述分类结果进行仿真，对仿真后的结果进行特征选择和样本标注获取结果数据，对所述结果数据进行数据标准化获取数据集；
基于所述数据集对所述电力系统暂态稳定评估模型进行训练和测试，获取测试后所述电力系统暂态稳定评估模型；
对所述电力系统暂态稳定评估模型进行评估，判断电力系统是否稳定，获取所述评估结果。
可选的，所述评估结果包括电力系统稳定状态和电力系统不稳定状态。
可选的，所述评价指标包括准确率Accuracy、精准率Precision、召回率Recall和F1-score，
其中，Ts表示将稳定样本判断为稳定的情况，Fs为漏判，表示将失稳样本误判为稳定样本，Fus为误判，表示将稳定样本误判为失稳样本，Tus表示将失稳样本判断为失稳的情况。
本发明技术效果：本发明公开了基于卷积神经网络电力系统暂态稳定评估的方法，采用深度学习模型从底层量测数据中自动提取和学习特征，无需人工选择二次特征，实现了量测数据端到端的暂态稳定在线评估。使用这样的特征构建方法可以最大程度地保证输入信息的完整性，避免人工特征所带来的主观因素对模型性能的影响。本发明采用了SVM-SMOTE算法对暂态失稳样本进行过采样，以达到样本均衡化，提高对失稳情况的预测精度。本发明学习能力强评估速度快，有利于降低大停电事故发生的概率，提升供电可靠性，为“碳达峰、碳中和”目标下的现代电力系统建设提供坚强的保障。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例SVM-SMOTE算法流程示意图；
图2为本发明实施例卷积神经网络结构图；
图3为本发明实施例基于卷积神经网络的暂态稳定评估模型预测流程示意图；
图4为本发明实施例基于卷积神经网络电力系统暂态稳定评估的方法流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1-4所示，本实施例中提供基于卷积神经网络电力系统暂态稳定评估的方法，包括：采集待测特征数据，对待测特征数据进行预处理，对预处理后的数据进行时序特征处理，对时序特征处理后的数据进行稳定性分类获取分类结果，构建电力系统暂态稳定评估模型；
对电力系统暂态稳定评估模型进行评估获取评估结果，评估结果结合评价指标完成对电力系统暂态稳定评估。
本发明采用母线电压幅值、相角和输电线路的有功潮流、无功潮流作为输入特征，表达如下：
X＝[V1，…，Vm，θ1，…，θm，Pl，…，Pn，Q1，…，Qn]，(Vm，θm，Pn，Qn)∈RT
其中，m为母线线路编号；n为输电线路编号，T为采样点个数，因此所对应的输入特征X是一个形如RT×2(m+n)的二维矩阵。
暂态稳定评估模型的输出结果即为模型的样本标签，暂态评估问题是一个二分类问题，通常采用暂态稳定指数(TransientStabilityIndex,TSI)来判断故障发生后的功角稳定性，TSI公式如下：其中，Δδmax为仿真时长内两发电机的最大相对功角。若TSI＞0则说明该样本为稳定样本，标签设置为1，若样本的TSI≤0则判定为失稳样本，标签设置为0。根据此判断原则，8670条样本数据中，含有稳定样本7159个、失稳样本1601个，稳定样本与失稳样本的比例接近5：1，是典型的样本不平衡数据集。
1.模型优化方法
为了使一维卷积神经网络的性能表现更好，模型做出了如下改进优化措施。
(1)过采样技术
由于暂态稳定评估问题的样本集为典型的不平衡样本，若不针对样本不平衡问题加以处理，则会导致模型学习到稳定样本多这样的先验信息，导致实际预测时在稳定类别的预测上精度高、失稳样本上表现差，从而无法保证失稳样本预测的正确率，导致运行人员无法及时采取措施。为解决上述样本不均衡问题，本发明采用了SVM-SMOTE算法对暂态失稳样本进行过采样，以达到样本均衡化，提高对失稳情况的预测精度。SVM-SMOTE技术的提出，是为了解决传统SMOTE过采样时存在的数据分布边缘化及边界模糊的问题。SMOTE算法通过在训练集上的随机失稳样本与其k近邻之间进行随机线性插值，形成新的样本，原理如下：Xnew＝Xm+λ(Xn-Xm)式中，Xnew为所生成的样本，Xm为属于少数类的失稳样本，Xn为样本Xm的k近邻样本。SVM在训练集上训练出SVM分类器，得到不稳定样本和稳定样本之间的边界区域。这种方法可以根据少数类支持向量周围的多数类样本的密度生成不同的插值策略，SVM-SMOTE算法流程如图1所示。
(2)数据标准化
由于输入特征含母线电压值、相角和输电线路的有功潮流、无功潮流，其各个数据量纲不同，因此需要进行数据归一化，本发明使用的是Min-Max标准化，此方法可对原始数据进行线性变换，将归一化后的结果映射至[0，1]的区间。对于待归一化的序列X＝{x1，x2，...，xn}：
(3)激活函数
由于ReLU函数可以解决梯度消失问题，且计算速度快于Sigmoid函数，因此本发明选择ReLU函数作为激活函数。本发明采用使用带泄露的ReLU(Leaky ReLU)作为激活函数，此激活函数定义如下：
(4)损失函数Crossentropy
损失函数是一个非负函数，它的作用是量化模型的预测结果与真实标签之间的差异，模型训练的过程即为找到让损失函数最小化的模型参数的过程。对于本发明中的二分类问题，通常选择用二元交叉熵函数(Crossentropy)作为损失函数，表示如下：
其中，N为一个batch内的样本数，(y1,y0)为稳定样本与失稳样本的one-hot编码值，稳定样本表示为y1＝(1，0)、失稳样本为y0＝(0，1)。(p1,p0)表示softmax层所输出的该类别的概率，当p1＞p0的时候，表示模型认为输入样本为稳定样本，p1＝p0表示模型认为输出样本为失稳样本。
(5)Adamax优化算法
神经网络的目的就是找到使损失函数最小化的参数，通常方法为沿着梯度下降的方向去更新参数，常用梯度下降方法有：随机梯度下降算法、动量梯度下降方法等学习率不变的优化算法及AdaGrad等学习率变化的方法。Adam将动量法与AdaGrad法相结合，不但将动量作为参数更新方向，而且可以自适应地调整学习率。学者Kingma提出了一种基于无穷范数的Adam改进算法——Adamax，此方法基于训练参数迭代更新神经网络的权重，且实现起来非常简单。因此为了提升CNN暂态稳定模型的训练速度与效果，本发明使用Adamax作为参数优化算法。
(6)Batch Normalization
Batch Normalization(简称为BN层)顾名思义是一种以mini-batch为单位的进行标准化的方法，在卷积神经网络模型中加入BN层可以有效地增大学习率与抑制过拟合。通常将BN层放置于激活函数层之前，其算法流程如下式所示，
其中mini-batch的输入数据为{x1，x2，...，xm}，式中的γ和β会进行自适应更新。
(7)全局平均池化层
全局平均池化层可替换掉密集的全连接层。与全连接层相比，它减小了模型参数量，同时可以防止过拟合，使学习到的特征鲁棒性更好。
2.模型结构设计
基于模型优化措施，本发明提出了一种四卷积层的电力系统暂态稳定评估模型如图2所示，单个样本的输入为一个146通道、50个时间步长的时序数据，输出为失稳或者稳定的分类结果。CNN模型由数据预处理器、时序特征提取器、稳定性分类器三个部分组成。数据预处理器包括去数据量纲的标准化操作与针对样本不平衡性进行处理的SVM-SMOTE过采样技术；时序特征提取器由四个卷积模块组成，每个模块包含一个卷积层、BN层、激活层与汇聚层；最后经过全局平均池化层对所提取的特征进行全局整合，后通过softmax分类器输出稳定或失稳的分类结果。
3.暂态稳定预测流程如图3所示，(1)数据集生成，通过时域仿真的方式在PSD-BPA软件中设置不同的故障信息与运行工况，得到暂态过程下的时序数据，采用暂态稳定指数作为稳定与失稳的判断指标，为每条数据打上相应的标签，然后将筛选后的特征进行去量纲的标准化处理，构成训练模型所需的数据集。(2)离线训练，将数据集按照4：1的比例划分为训练集和测试集，训练集通过SVM-SMOTE过采样算法实现训练样本均衡化，然后与验证集的数据一起输入CNN模型进行训练，CNN模型通过反向传播算法进行模型参数的寻优。模型完成训练后需要由测试集来判断输出模型是否达到应用标准，若未达到要求，则修改模型结构或超参数后继续训练。(3)在线评估，采用与离线训练相同的方式对PMU所采集到的量测数据进行标准化操作，然后输出到已训练好的模型之中，该模型可以快速给出稳定或失稳的预测结果，操作员根据模型的预测结果采取相应的措施，以最大限度减少故障可能造成的损失。
4.评价指标体系构建
评价指标包括准确率(Accuracy)：指分类结果中正确结果占总样本个数的比例，是一个针对所有样本的统计量，但对于不平衡样本的评价结果受大类样本的影响，Ts表示将稳定样本判断为稳定的情况，Fs为漏判，表示将失稳样本误判为稳定样本，Fus为误判，表示将稳定样本误判为失稳样本，Tus表示将失稳样本判断为失稳的情况。
精准率(Precision)：预测失稳样本的评估准确率，此指标数值越高，代表被误判为失稳样本的情况越少，
召回率(Recall)：实际失稳样本的评估准确率，此指标数值越高，代表失稳样本被漏判的现象越少，
F1-score：精准率与召回率的调和平均值，用于评价模型的综合性能，
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.基于卷积神经网络电力系统暂态稳定评估的方法，其特征在于，包括：
采集待测特征数据，对所述待测特征数据进行预处理，对预处理后的数据进行稳定性分类获取分类结果，构建电力系统暂态稳定评估模型；
对所述电力系统暂态稳定评估模型进行评估获取评估结果，所述评估结果结合评价指标完成对电力系统暂态稳定评估。
2.如权利要求1所述的基于卷积神经网络电力系统暂态稳定评估的方法，其特征在于，所述待测特征数据包括母线电压幅值、相角和输电线路的有功潮流、无功潮流。
3.如权利要求1所述的基于卷积神经网络电力系统暂态稳定评估的方法，其特征在于，对所述待测特征数据进行预处理的方法包括：
对所述待测特征数据进行数据标准化处理获取所述待测特征数据的不平衡特征数据，对所述不平衡特征数据进行过采样处理，获取所述预处理后的数据。
4.如权利要求1所述的基于卷积神经网络电力系统暂态稳定评估的方法，其特征在于，对所述预处理后的数据进行稳定性分类过程中采用二元交叉熵函数：
其中，N为一个batch内的样本数，(y1，y0)为稳定样本与失稳样本的one-hot编码值，(p1，p0)为softmax层所输出类别的概率。
5.如权利要求1所述的基于卷积神经网络电力系统暂态稳定评估的方法，其特征在于，对所述电力系统暂态稳定评估模型进行评估获取评估结果的方法包括：
根据所述分类结果进行仿真，对仿真后的结果进行特征选择和样本标注获取结果数据，对所述结果数据进行数据标准化获取数据集；
基于所述数据集对所述电力系统暂态稳定评估模型进行训练和测试，获取测试后所述电力系统暂态稳定评估模型；
对所述电力系统暂态稳定评估模型进行评估，判断电力系统是否稳定，获取所述评估结果。
6.如权利要求5所述的基于卷积神经网络电力系统暂态稳定评估的方法，其特征在于，所述评估结果包括电力系统稳定状态和电力系统不稳定状态。
7.如权利要求1所述的基于卷积神经网络电力系统暂态稳定评估的方法，其特征在于，所述评价指标包括准确率Accuracy、精准率Precision、召回率Recall和F1-score，
其中，Ts表示将稳定样本判断为稳定的情况，Fs为漏判，表示将失稳样本误判为稳定样本，Fus为误判，表示将稳定样本误判为失稳样本，Tus表示将失稳样本判断为失稳的情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310624178.2A CN116595448A (zh) | 2023-05-30 | 2023-05-30 | 基于卷积神经网络电力系统暂态稳定评估的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310624178.2A CN116595448A (zh) | 2023-05-30 | 2023-05-30 | 基于卷积神经网络电力系统暂态稳定评估的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116595448A true CN116595448A (zh) | 2023-08-15 |
Family
ID=87607880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310624178.2A Pending CN116595448A (zh) | 2023-05-30 | 2023-05-30 | 基于卷积神经网络电力系统暂态稳定评估的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116595448A (zh) |
-
2023
- 2023-05-30 CN CN202310624178.2A patent/CN116595448A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
| CN111523785A (zh) | 一种基于生成对抗网络的电力系统动态安全评估方法 | |
| CN111680875B (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 | |
| 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 | |
| CN113486078A (zh) | 一种分布式配电网运行监控方法及系统 | |
| CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
| 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 | |
| CN112069723A (zh) | 一种用于评估电力系统暂态稳定的方法及系统 | |
| 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 | |
| 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 | |
| CN114239703A (zh) | 主动配电系统故障诊断方法、系统、设备及存储介质 | |
| 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 | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
| CN116562121A (zh) | 基于XGBoost和FocalLoss结合的电缆老化状态评估方法 | |
| 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 | |
| CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
| CN116644358A (zh) | 基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法 | |
| Shaotong et al. | Location and identification of insulator and bushing based on YOLOv3-spp algorithm | |
| CN116595448A (zh) | 基于卷积神经网络电力系统暂态稳定评估的方法 | |
| 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 | |
| CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
| CN115510961A (zh) | 一种基于主动学习的社区综合能源系统运行安全评估方法 | |
| CN111628531B (zh) | 一种针对电力系统静态电压稳定评估的数据驱动方法 | |
| 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 |
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 |