CN116911161A - 一种结合数据增强的深度学习暂态电压稳定评估方法 - Google Patents
一种结合数据增强的深度学习暂态电压稳定评估方法 Download PDFInfo
- Publication number
- CN116911161A CN116911161A CN202310649763.8A CN202310649763A CN116911161A CN 116911161 A CN116911161 A CN 116911161A CN 202310649763 A CN202310649763 A CN 202310649763A CN 116911161 A CN116911161 A CN 116911161A
- Authority
- CN
- China
- Prior art keywords
- data
- transient voltage
- voltage stability
- data set
- samples
- 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 54
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000013210 evaluation model Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000003064 k means clustering Methods 0.000 claims abstract description 6
- 238000000638 solvent extraction Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000246 remedial effect Effects 0.000 claims description 3
- 238000013097 stability assessment Methods 0.000 abstract description 12
- 238000012360 testing method Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 5
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/045—Combinations of 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
- G06N3/0475—Generative networks
-
- 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
- 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
- H02J2203/20—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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种结合数据增强的深度学习暂态电压稳定评估方法,包括以下步骤:步骤1:通过时域仿真获得历史运行数据,基于约束划分k均值COP k‑means聚类算法标记所有数据的类标签,生成原始小数据集;步骤2:构建离线数据集;步骤3:构建基于DLCDRC的暂态电压稳定评估模型;步骤4:基于相量测量单元PMU采集实时测量数据,并用已训练的DLCDRC模型评估暂态电压稳定状态,完成在线暂态电压稳定评估。本发明提出了一种结合数据增强的深度学习暂态电压稳定评估方法,以针对电力系统中昂贵且琐碎的数据采集和注释的困难,从而解决了如何使基于深度学习的暂态电压稳定评估模型在小型训练数据集上工作良好的问题。
Description
技术领域
本发明属于电力系统暂态电压稳定评估领域,具体涉及一种结合数据增强的深度学习暂态电压稳定评估技术。
背景技术
暂态电压稳定评估一直被认为是确保电力系统安全稳定运行的关键任务。随着电力市场的改革,老化的火电厂的退役和快速增长的负荷需求,电力传输容量正在接近其极限,这严重威胁着当今电力系统的电压稳定性。由于可再生能源固有的可变性和不确定性,可再生能源发电和感应电机负载的不断增加也对系统电压稳定性提出了新的挑战。因此,如何准确、及时地检测电力系统的暂态电压稳定评估状态已经成为一个具有挑战性和紧迫性的问题。
一些基于机器学习的数据驱动方法致力于解决上述暂态电压稳定评估问题。例如申请公布号为CN111756034A的专利文献公开了一种基于图时空网络的电力系统暂态电压稳定评估方法,所述图时空网络模型是根据仿真样本集,以图时空网络进行分类学习得到的,输出电力系统的暂态电压稳定情况;申请公布号为CN109033702A的专利文献公开了一种基于卷积神经网络CNN的电力系统暂态稳定评估方法,为了解决在目前暂态电压传统评估方法无法满足准确性和快速性的问题,将CNN引入电力系统暂态稳定评估。尽管上述深度学习模型被引入到暂态电压稳定评估领域,但上述方法缺乏可靠的定量判据,且如何使深度学习模型在小训练数据集上工作良好仍然是一个相当具有挑战性的任务。
综上所述,目前的电力系统暂态电压稳定评估方法缺乏可靠的定量判据,获得带有准确标签的大规模、平衡的数据既困难又昂贵,且对于如何使深度学习模型在小训练数据集上工作良好缺乏一定研究。
发明内容
本发明提出了一种结合数据增强的深度学习暂态电压稳定评估方法,以针对电力系统中昂贵且琐碎的数据采集和注释的困难,从而解决了如何使基于深度学习的暂态电压稳定评估模型在小型训练数据集上工作良好的问题。
为了解决上述技术问题,本发明采用的技术方案为:
一种结合数据增强的深度学习暂态电压稳定评估方法,包括以下步骤:
步骤1:通过时域仿真获得历史运行数据,基于约束划分k均值COP k-means聚类算法标记所有数据的类标签,生成原始小数据集;
步骤2:基于一种混合注意机制的生成对抗网络MA-GAN,建立数据增强框架,构建离线数据集;
步骤3:基于离线数据集,训练基于一种新的双线性协同判别回归分类DLCDRC算法的暂态电压稳定评估模型,构建基于DLCDRC的暂态电压稳定评估模型;
步骤4:基于相量测量单元PMU采集实时测量数据,并用已训练的DLCDRC模型评估暂态电压稳定状态,完成在线暂态电压稳定评估。
在步骤1中,对于给定的电力系统,对所有可能的扰动后系统行为执行时域仿真,以获得全面的历史运行数据。采用COP k-means半监督聚类算法获得数据集的所有类标签。最后,生成原始小数据集;
在步骤1中,生成原始小数据集的过程如下:
步骤1-1:基于时域仿真获得历史运行数据,生成了N个样本,可表示为
D={X1,X2,…,Xj,…,XN},j∈[1,N] (1)
式中:D为历史运行数据;Xj为第j个样本数据;N是所有样本的个数;
步骤1-2:在基于COP k-means的半监督聚类学习过程中,获得数据集的所有类标签;
步骤1-3:生成得到一个原始小数据集,其中所有样本都有类标签。在原始小数据集中,N个实例的输入D由与暂态电压稳定状态密切相关的3个运行变量组成。
在步骤1-2中,包括以下步骤:
1)输入时间序列数据库{X1,…,Xs,…,XN}和Must-link/Cannot-link约束;
2)初始化聚类中心Xoβ,对于簇Cβ={X1,…,Xs,…,XN},其中心表示为Xoβ={Xoβ,1,…,Xoβ,i,…,Xoβ,d},计算如下:
式中:k为有k个簇的时间序列数据库;Xs的第j个点是Psj;Xoβ,i为顺序元素的集合;
3)根据以下等式计算每个样本Xs和聚类中心Xoβ之间的距离,并将Xs分配给中心更近的聚类;
式中:d是每个样本Xs的维度;D(Xs,Xoβ)是欧氏范数定义的距离;
以一维Xs数据为例,具体表示如下:
式中:Psj和Poβj分别是一维时间序列Xs和Xoβ的第j个元素;
4)如果分配不符合Must-link/Cannot-link约束,则根据约束重新分配样本Xs;
5)在步骤2)和步骤4)之间迭代,直到收敛;
6)输出所有样本对应的类标签。
在步骤1-3中,包括以下步骤:
生成得到一个原始小数据集,其中所有样本都有类标签。在原始小数据集中,N个实例的输入D由与暂态电压稳定状态密切相关的3个运行变量组成。本发明中,这3个量分别为母线电压幅值、有功功率和无功功率,分别表示为:
Xj={Uj,1,Uj,2,…,Uj,q,Pj,1,Pj,2,…,Pj,q,Qj,1,Qj,2,…,Qj,q},1<t<q (6)
式中:Xj为时域仿真第j个样本的时间序列集合;L为系统母线数;Xj的维数为3L。这里,每个时间序列的长度是相同的。式(6)中,q=T/Δt为时间序列的长度,T为观测时间窗大小,Δt为采样时间。
在步骤4中,在线应用阶段,PMU采集实时测量数据。一旦获得测量值,将其输入评估模型,通过训练得到其最优参数。然后,可以立即确定系统的暂态电压稳定评估结果。如果评估结果表明系统不能保持稳定状态,必须立即采取补救控制措施,防止系统电压崩溃;否则,评估模型将继续监视系统的稳定性状态。
与现有技术相比,本发明具有如下技术效果:
1)提出基于COP k-means半监督聚类算法来确定根据领域知识无法直观区分稳定状态的样本标签。同时构建了基于MA-GAN的数据增强框架,能够很好地处理小型训练数据集,是电力系统稳定性分析领域的一种新方法;
2)提出了一种基于DLCDRC算法的暂态电压稳定评估模型,能够实现对现代复杂电力系统的暂态电压稳定状态的准确、高效地在线评估。相较于一般的深度学习模型,所提出的基于DLCDRC算法的在线暂态电压稳定评估模型具有更高的运算效率和分类精度,且泛化能力更强。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1是本发明方法流程图;
图2是本发明COP k-means聚类算法的流程图;
图3是本发明MA-GAN的网络结构示意图;
图4是本发明实例中改进的IEEE10机39节点系统示意图。
具体实施方式
一种结合数据增强的深度学习暂态电压稳定评估方法,如图1所示,包括以下步骤:
步骤1:通过时域仿真获得历史运行数据,基于COP k-means聚类算法标记所有数据的类标签,生成原始小数据集;
步骤2:基于一种MA-GAN,建立数据增强框架,构建离线训练集;
步骤3:基于离线数据集,训练基于DLCDRC算法的暂态电压稳定评估模型,构建基于DLCDRC的暂态电压稳定评估模型;
步骤4:基于PMU采集实时测量数据,并用已训练的DLCDRC模型评估暂态电压稳定状态,完成在线暂态电压稳定评估。
在步骤1中,具体的,对于给定的电力系统,对所有可能的扰动后系统行为执行时域仿真,以获得全面的历史运行数据。关于各种系统运行条件,通过设置不同的故障类型、故障位置和故障清除时间以及不同的可能运行参数来模拟意外情况的发生。采用COP k-means半监督聚类算法获得数据集的所有类标签,避免了无监督聚类方法的盲目性和使用专业知识标记不同样本所需的大量时间。最后,生成原始小数据集。具体过程如下:
步骤1-1:基于时域仿真获得历史运行数据,生成了N个样本,可表示为
D={X1,X2,…,Xj,…,XN},j∈[1,N] (1)
式中:D为历史运行数据;Xj为第j个样本数据;N是所有样本的个数。
步骤1-2:根据领域知识,得到一些样本的标签。例如,如果所有事故后母线电压都在目标标幺值A以上或目标标幺值B以下,则可标记为稳定或不稳定。考虑到精确标记的样本作为先验知识可以引导聚类过程到良好的搜索空间,在基于COP k-means的半监督聚类学习过程中,根据领域知识作为数据标注的先验信息,获得数据集的所有类标签。
COP k-means聚类算法的流程图如图2所示,其原理如下:
1)输入时间序列数据库{X1,…,Xs,…,XN}和Must-link/Cannot-link约束;
2)初始化聚类中心Xoβ,对于簇Cβ={X1,…,Xs,…,XN},其中心表示为Xoβ={Xoβ,1,…,Xoβ,i,...,Xoβ,d},计算如下:
式中:k为有k个簇的时间序列数据库;Xs的第j个点是Psj;Xoβ,i为顺序元素的集合。
3)根据以下等式计算每个样本Xs和聚类中心Xoβ之间的距离,并将Xs分配给中心更近的聚类。
式中:d是每个样本Xs的维度;D(Xs,Xoβ)是欧氏范数定义的距离。
以一维Xs数据为例,具体表示如下:
式中:Psj和Poβj分别是一维时间序列Xs和Xoβ的第j个元素;
4)如果分配不符合Must-link/Cannot-link约束,则根据约束重新分配样本Xs;
5)在步骤2)和步骤4)之间迭代,直到收敛;
6)输出所有样本对应的类标签。
步骤1-3:生成得到一个原始小数据集,其中所有样本都有类标签。在原始小数据集中,N个实例的输入D由与暂态电压稳定状态密切相关的3个运行变量组成。本发明中,这3个量分别为母线电压幅值、有功功率和无功功率,分别表示为:
Xj={Uj,1,Uj,2,…,Uj,q,Pj,1,Pj,2,…,Pj,q,Qj,1,Qj,2,…,Qj,q},1<t<q (6)
式中:Xj为时域仿真第j个样本的时间序列集合;L为系统母线数;Xj的维数为3L。这里,每个时间序列的长度是相同的。式(6)中,q=T/Δt为时间序列的长度,T为观测时间窗大小,Δt为采样时间。
在步骤2中,具体的,如何使基于深度学习的暂态电压稳定评估模型在小型训练数据集上工作良好是一个具有挑战性和紧迫性的问题。虽然通过偶然性模拟可以直接生成足够大的数据集,但这种数据生成过程通常是繁琐和低效的。而数据增强提供了一种低成本、高效的方法,通过标签保留转换来人为地膨胀具有代表性和多样化的训练数据集。为此,本发明提出了一种MA-GAN模型,通过聚合原始小数据集和来自MA-GAN的人工膨胀训练集来建立数据增强框架,构建离线训练集。
本发明提出了一种MA-GAN模型,以解决无法有效捕捉样本重要特征的问题。该模型通过捕捉不同位置特征的重要性,可以得到对应区域的权重参数,加快网络的收敛速度。同时,该模型不仅可以最大限度地提取每一层的特征来进行样本生成,还能够灵活地捕获局部和全局连接,具有较高的表达能力和较低的模型复杂度。如图3所示为MA-GAN的网络结构示意图。
1)自注意力机制:为了在效率和巨大的感受野之间建立平衡,增加感受野的大小,增加了自我注意机制。
2)通道注意力机制:通道关注模块通过学习自动获得每个特征通道的重要性。然后,根据这种重要性,它增强了有用的特征,并抑制了当前任务中不太有价值的特征。对于通道维度特征融合,卷积操作默认融合输入特征图的所有通道。
3)谱归一化的权重标准技术:引入谱范数归一化参数矩阵,将梯度限制在固定范围内,减缓鉴别器的收敛速度,从而提高了训练稳定性。
在步骤3中,具体的,基于离线数据集,训练基于DLCDRC算法的暂态电压稳定评估模型,提取电力系统关键运行变量和相应的类标签之间的映射关系,建立基于DLCDRC算法的暂态电压稳定评估模型。
本发明提出的DLCDRC算法由深度损失函数和组合距离度量两部分组成,该算法基于深度损失函数和组合距离度量来最小化类内重建误差(Within Class ReconstructionError,WCRE)和最大化类间协作重建误差(Collaborative between ClassReconstruction Error,CBCRE),从而确定判别子空间,提高了模型评估的效率。具体DLCDRC算法的原理如下:
步骤3-1:将训练样本投影成矩阵形式,并对训练和测试的样本进行归一化处理;
步骤3-2:计算训练样本的投影矩阵,并评估每个训练样本的类内和类间重建向量;
步骤3-3:以最小重建误差值构造CBCRE和WCRE,有效地最大化了CBCRE和WCRE之间的比率;
步骤3-4:对测试样本进行分类,使重构误差值最小。
在步骤4中,具体的,在线应用阶段,PMU采集实时测量数据。一旦获得测量值,将其输入评估模型,通过训练得到其最优参数。然后,可以立即确定系统的暂态电压稳定评估结果。如果评估结果表明系统不能保持稳定状态,必须立即采取补救控制措施,防止系统电压崩溃;否则,评估模型将继续监视系统的稳定性状态。需要注意的是,在线应用阶段,训练好的模型可以定期更新,以提高所提出的智能系统在各种运行条件下对突发情况的适应性。
实施例:
本发明使用的实施例基于改进的IEEE10机39节点系统,分别用2个等发电量的风电场替换原系统同步发电机G7、G8,其系统拓扑如图4所示。本次测试包括本发明方法所述所有步骤,测试运行平台为CPU:Intel i7-10875H/16GB,仿真平台为MATLAB与Python。
在本次测试中,使用详细的时域仿真来生成原始小数据集。时域仿真考虑了故障类型、故障位置、故障持续时间等多种不同的运行条件,以覆盖不同的事故和运行条件。首先,设置80%、90%、100%、110%和120%共五种负荷水平;然后考虑的故障类型为三相短路故障,且故障位置分别设置在各条输电线路的0%、20%、40%、60%、80%处;此外当短路故障发生在0.1s时,故障持续时间为0.1s、0.3s和0.5s。基于上述设置,时域仿真得到包含1200个样本的原始小数据集,采样时间为0.01s。通过将数据增强产生的样本加入到原始小数据集中,最终得到10640个样本的数据集,用于后续分析。在本发明中,将上述数据集按照3:1的比例随机分为训练数据集和测试数据集。
选取Wasserstein距离和Frechet Inception距离作为定量评价指标,验证基于MA-GAN的数据增强所获得的生成样本的多样性和质量(WD值越低,说明两种分布相似,生成的样品质量越好;FID值越低,生成数据的质量和多样性越好)。其中Pr和Pg分别为真实样本分布和生成样本分布,具体计算如下:
式中:Π(Pr,Pg)为分布Pr和Pg组合起来的所有可能的联合分布γ的集合,xr和xg分别为真实样本和生成样本。
FID(Pr,Pg)=||μr-μg||+Tr[covr+covg-2(covrcovg)1/2] (8)
式中:FID将Pr和Pg建模为具有均值μr和μg以及经验协方差covr和covg的高斯分布。
另外,选取评价指标Acc和Mcc来测试基于DLCDRC算法的暂态电压稳定评估模型的分类性能(Acc定义为整体准确率,值越大,表明评估模型的分类性能越好;Mcc的值落在(-1,1),越接近1,表明评估模型的分类性能更好)。其中TP为评估正确的稳定样本,FN为评估错误的稳定样本,FP为评估错误的不稳定样本,TN为评估正确的不稳定样本。具体表达式如下:
为了检验本发明所提出的深度对抗性数据增强框架在亲和性和多样性方面的性能以及验证本文所使用的MA-GAN的有效性,将其与相同条件下的条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)进行了比较。
表1
评估指标 | MA-GAN | CGAN |
WD | 4.56 | 5.31 |
FID | 2.19 | 2.40 |
如表1所示,与CGAN相比,MA-GAN模型的WD值提高了21.9%,FID值提高了8.75%,在亲和性、质量和多样性方面表现出更好的性能。也就是说,MA-GAN模型可以生成高质量数据的合成数据,显示了其突出的数据增强优势。
表2
数据集 | Acc(数据增强后) | Acc(无数据增强) |
测试集 | 99.44% | 95.76% |
训练集 | 99.51% | 95.94% |
此外,本文提出的数据增强前后的准确率如表2所示,从表2可以发现,通过基于MA-GAN的数据增强,训练和测试的准确率都有了显著的提高。这一事实表明,数据增强是一种有效的工具,可以使所提出的基于深度学习的评估模型在小型数据集上很好地工作。
为了展示本发明基于DLCDRC算法的暂态电压稳定评估模型显著的分类性能,将其与其他的分类器模型作测试对比,使用相同的输入样本测试了其他五种方法,即线性判别回归分类(Linear Discriminant Regression Classification,LRC)、长短期记忆网络(Long Short Term Memory,LSTM)、决策树(DecisionTree,DT)和支持向量机(SupportVector Machine,SVM)。在整体准确率Acc和MCC方面的比较结果如表3所示。
表3
模型 | Acc | Mcc |
DLCDRC | 99.44% | 0.9888 |
LRC | 97.14% | 0.9432 |
LSTM | 96.39% | 0.9285 |
DT | 92.33% | 0.8406 |
SVM | 84.33% | 0.6669 |
从表中可以看出,较其他分类器模型相比,基于DLCDRC算法的评估模型具有更显著的分类性能,Acc、Mcc分别高达99.44%和0.9888,可见分类性能满足实际需要,符合本发明要达到的目的。
Claims (5)
1.一种结合数据增强的深度学习暂态电压稳定评估方法,其特征在于,包括以下步骤:
步骤1:通过时域仿真获得历史运行数据,基于约束划分k均值COP k-means聚类算法标记所有数据的类标签,生成原始小数据集;
步骤2:基于一种混合注意机制的生成对抗网络MA-GAN,建立数据增强框架,构建离线数据集;
步骤3:基于离线数据集,训练基于一种新的双线性协同判别回归分类DLCDRC算法的暂态电压稳定评估模型,构建基于DLCDRC的暂态电压稳定评估模型;
步骤4:基于相量测量单元PMU采集实时测量数据,并用已训练的DLCDRC模型评估暂态电压稳定状态,完成在线暂态电压稳定评估。
2.根据权利要求1所述的方法,其特征在于:在步骤1中,对于给定的电力系统,对所有可能的扰动后系统行为执行时域仿真,以获得全面的历史运行数据,采用COP k-means半监督聚类算法获得数据集的所有类标签,最后,生成原始小数据集;
在步骤1中,生成原始小数据集的过程如下:
步骤1-1:基于时域仿真获得历史运行数据,生成了N个样本,可表示为
D={X1,X2,…,Xj,…,XN},j∈[1,N] (1)
式中:D为历史运行数据;Xj为第j个样本数据;N是所有样本的个数;
步骤1-2:在基于COP k-means的半监督聚类学习过程中,获得数据集的所有类标签;
步骤1-3:生成得到一个原始小数据集,其中所有样本都有类标签,在原始小数据集中,N个实例的输入D由与暂态电压稳定状态密切相关的3个运行变量组成。
3.根据权利要求2所述的方法,其特征在于,在步骤1-2中,包括以下步骤:
1)输入时间序列数据库{X1,…,Xs,…,XN}和Must-link/Cannot-link约束;
2)初始化聚类中心Xoβ,对于簇Cβ={X1,…,Xs,…,XN},其中心表示为Xoβ={Xoβ,1,…,Xoβ,i,…,Xoβ,d},计算如下:
式中:k为有k个簇的时间序列数据库;Xs的第j个点是Psj;Xoβ,i为顺序元素的集合;
3)根据以下等式计算每个样本Xs和聚类中心Xoβ之间的距离,并将Xs分配给中心更近的聚类;
式中:d是每个样本Xs的维度;D(Xs,Xoβ)是欧氏范数定义的距离;
以一维Xs数据为例,具体表示如下:
式中:Psj和Poβj分别是一维时间序列Xs和Xoβ的第j个元素;
4)如果分配不符合Must-link/Cannot-link约束,则根据约束重新分配样本Xs;
5)在步骤2)和步骤4)之间迭代,直到收敛;
6)输出所有样本对应的类标签。
4.根据权利要求2所述的方法,其特征在于,在步骤1-3中,包括以下步骤:
生成得到一个原始小数据集,其中所有样本都有类标签,在原始小数据集中,N个实例的输入D由与暂态电压稳定状态密切相关的3个运行变量组成,这3个量分别为母线电压幅值、有功功率和无功功率,分别表示为:
Xj={Uj,1,Uj,2,…,Uj,q,Pj,1,Pj,2,…,Pj,q,Qj,1,Qj,2,…,Qj,q},1<t<q (6)
式中:Xj为时域仿真第j个样本的时间序列集合;L为系统母线数;Xj的维数为3L,这里,每个时间序列的长度是相同的,式(6)中,q=T/Δt为时间序列的长度,T为观测时间窗大小,Δt为采样时间。
5.根据权利要求1所述的方法,其特征在于:在步骤4中,在线应用阶段,PMU采集实时测量数据,一旦获得测量值,将其输入评估模型,通过训练得到其最优参数,然后,可以立即确定系统的暂态电压稳定评估结果,如果评估结果表明系统不能保持稳定状态,必须立即采取补救控制措施,防止系统电压崩溃;否则,评估模型将继续监视系统的稳定性状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310649763.8A CN116911161A (zh) | 2023-06-02 | 2023-06-02 | 一种结合数据增强的深度学习暂态电压稳定评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310649763.8A CN116911161A (zh) | 2023-06-02 | 2023-06-02 | 一种结合数据增强的深度学习暂态电压稳定评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116911161A true CN116911161A (zh) | 2023-10-20 |
Family
ID=88351871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310649763.8A Pending CN116911161A (zh) | 2023-06-02 | 2023-06-02 | 一种结合数据增强的深度学习暂态电压稳定评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911161A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2023
- 2023-06-02 CN CN202310649763.8A patent/CN116911161A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
Malbasa et al. | Voltage stability prediction using active machine learning | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN110718910B (zh) | 贝叶斯优化LightGBM的暂态稳定评估方法 | |
CN108832619A (zh) | 基于卷积神经网络的电力系统暂态稳定评估方法 | |
CN109842373A (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN106250934B (zh) | 一种缺陷数据的分类方法及装置 | |
CN109344517A (zh) | 一种新能源汽车的高压绝缘故障诊断方法 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN109086527A (zh) | 一种基于风电机组运行状态的实用化等值建模方法 | |
CN105512808A (zh) | 一种面向大数据的电力系统暂态稳定评估方法 | |
CN109325607A (zh) | 一种短期风电功率预测方法及系统 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN111680875A (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 | |
CN116911161A (zh) | 一种结合数据增强的深度学习暂态电压稳定评估方法 | |
Shinde et al. | Real-time detection of critical generators in power systems: A deep learning HCP approach | |
Wang et al. | Online analysis of voltage security in a microgrid using convolutional neural networks | |
CN113283491A (zh) | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 | |
CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN110569888A (zh) | 基于有向无环图支持向量机的变压器故障诊断方法及装置 | |
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 | |
Zhang et al. | Towards multi-scenario power system stability analysis: An unsupervised transfer learning method combining DGAT and data augmentation | |
CN113702767A (zh) | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 |
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 |