CN117235495A - 一种物理信息嵌入的功角状态估测方法及计算机可读介质 - Google Patents
一种物理信息嵌入的功角状态估测方法及计算机可读介质 Download PDFInfo
- Publication number
- CN117235495A CN117235495A CN202311063848.4A CN202311063848A CN117235495A CN 117235495 A CN117235495 A CN 117235495A CN 202311063848 A CN202311063848 A CN 202311063848A CN 117235495 A CN117235495 A CN 117235495A
- Authority
- CN
- China
- Prior art keywords
- sequence
- neural network
- transient
- power angle
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000001052 transient effect Effects 0.000 claims abstract description 328
- 238000013528 artificial neural network Methods 0.000 claims abstract description 159
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 103
- 238000013210 evaluation model Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000011156 evaluation Methods 0.000 claims abstract description 67
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 31
- 238000012795 verification Methods 0.000 claims description 25
- 238000013097 stability assessment Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram 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
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 230000000368 destabilizing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种物理信息嵌入的功角状态估测方法及计算机可读介质。本发明确定了基于物理信息嵌入序列到序列的暂态功角轨迹预测模型及基于级联卷积神经网络的暂态稳定评估模型的输入和输出特征;构建并训练得到最优的物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,获取暂态功角轨迹;构建级联卷积神经网络的暂态稳定评估模型,训练得到最优暂态稳定评估模型,级联卷积神经网络的暂态稳定评估模型以预测的暂态功角轨迹输入,评估暂态稳定情况;输入实际数据实现暂态评估。本发明有效结合传统时域仿真方法的物理规律与深度学习算法,能快速可靠地预测电网的功角轨迹,能够快速准确地实现暂态稳定评估。
Description
技术领域
本发明属于人工智能领域,尤其涉及一种物理信息嵌入的功角状态估测方法及计算机可读介质。
背景技术
新型电力系统的不断建设和发展给电网带来了重大挑战,尤其在引入大量新能源和分布式能源的情况下,电网逐渐演变为低惯量的弱电网,稳定性形态变得愈加复杂,带来了很多挑战和风险,这增加了电网停电事件的发生频率和影响程度,影响电网的安全稳定运行。有效的暂态稳定评估方法能够迅速识别电力系统的暂态稳定趋势,以便于制定及时地稳定控制策略,以确保系统的安全稳定运行,为了给电网暂态稳定预防控制提供稳定情况判断并及时采取控制措施,保证电网的安全稳定运行。因此,探索快速准确的暂态稳定评估方法具有重要意义。
传统时域仿真方法它以稳态潮流解为初值,对表示系统状态量的微分方程组和反映网络结构的代数方程组进行逐步积分求解,其计算精度高但速度慢。随着人工智能技术的快速发展,深度学习模型在暂态稳定评估中显示出良好的性能并能有效提升暂态稳定评估的快速性。
目前电网基于功角轨迹的暂态稳定评估的代表方法有:
专利申请号为CN202210080335.3公开的一种基于改进卷积残差记忆网络和门控循环单元的两阶段暂态稳定预测方法,该方法采用门控循环单元预测发电机功角轨迹,以故障切除后20个步长的发电机功角轨迹作为输入,预测未来时刻的功角轨迹。但该预测方法无法了解模型内部的工作原理和决策过程,无法解释模型为什么做出了某个特定的预测或输出,单纯通过深度学习的方法实现预测存在局限性。另外进行评估时采取的输入长度固定,暂态功角稳定评估若选取较短的曲线会导致特征信息太少使得评估准确性不高,若选取较长的曲线会导致特征信息冗余且影响评估的快速性,尤其是面对严重的故障,无法及时采取紧急措施。
发明内容
为了解决现有技术的不足,本发明提出了一种物理信息嵌入的功角状态估测方法及计算机可读介质。
本发明方法的技术方案为一种物理信息嵌入的功角状态估测方法,其特征在于:
获取基于物理信息嵌入序列到序列的暂态功角轨迹预测模型及基于级联卷积神经网络的暂态稳定评估模型的输入和输出特征;
构建并训练得到最优的物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,获取暂态功角轨迹;
构建级联卷积神经网络的暂态稳定评估模型,训练得到最优暂态稳定评估模型;
级联卷积神经网络的暂态稳定评估模型以预测的暂态功角轨迹输入,评估暂态稳定情况;
输入实际数据至最优物理信息嵌入至序列到序列神经网络暂态功角轨迹预测模型,实现暂态评估。
本发明方法的具体步骤如下:
步骤1:构建序列到序列神经网络暂态功角轨迹预测模型的每组输入特征、每组输出特征,构建级联卷积神经网络暂态稳定评估模型的每组输入特征、每组输出特征,通过预处理以及样本划分得到级联卷积神经网络暂态稳定评估模型的训练样本集、验证样本集、测试样本集;
步骤2:将物理信息嵌入序列到序列神经网络暂态功角轨迹预测模型,以构建基于物理信息嵌入序列到序列神经网络的暂态功角轨迹预测模型;
步骤3:将训练物理信息嵌入至序列到序列神经网络暂态功角轨迹预测模型,得到最优的物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,获取暂态功角轨迹;
步骤4:构建级联卷积神经网络的暂态稳定评估模型;
步骤5:通过级联卷积神经网络的暂态稳定评估模型进行训练与模型评估;
步骤6:通过PMU获取实际暂态数据,输入给最优物理信息嵌入至序列到序列神经网络暂态功角轨迹预测模型进行预测得到未来功角序列,将未来功角序列输入给最优级联卷积神经网络的暂态稳定评估模型,实现暂态稳定评估。
作为优选,步骤1所述构建序列到序列神经网络暂态功角轨迹预测模型的每组输入特征、每组输出特征,具体如下:
基于kunder系统设置K组初始负荷水平、故障位置、故障时长的参数组合并进行暂态仿真作为预训练数据;另外在多个机组中随机选取一台机组替换为VSG控制下的新能源机组,在相同K组参数设置下进行暂态仿真,生成微调数据;
所述预训练数据和微调数据均包含每组初始负荷水平、故障位置、故障时长的参数组合下每个机组故障清除后每个时刻的功角、转速、机械功率、电磁功率;
所述序列到序列神经网络的暂态功角轨迹预测模型的每组输入特征,由每组初始负荷水平、故障位置、故障时长的参数组合下多个机组故障清除后故障清除后第0个时刻、故障清除后第1个时刻、...、故障清除后第T个时刻的功角、转速、机械功率、电磁功率构成;
其中,Xi表示第i个样本的输入数据,表示第i个样本于t时刻的输入特征,包含有第i个样本于t时刻的功角/>转速/>机械功率/>电磁功率/>
步骤1所述构建序列到序列神经网络暂态功角轨迹预测模型的每组输出特征,具体如下:
所述序列到序列神经网络暂态功角轨迹预测模型的每组输出特征,由每组初始负荷水平、故障位置、故障时长的参数组合下多个机组故障清除后故障清除后第0个时刻、故障清除后第T+1个时刻、...、故障清除后第T+L个时刻的功角、转速、机械功率、电磁功率构成;
其中,Yi表示第i个样本的输出结果,表示第i个样本于t时刻的输出特征,包含有第i个样本于t时刻的功角/>转速/>
级联卷积神经网络暂态稳定评估模型的每组输入特征,由每组初始负荷水平、故障位置、故障时长的参数组合下多个机组故障清除后故障清除后第0个时刻、故障清除后第1个时刻、...、故障清除后第T’个时刻的功角构成;
级联卷积神经网络暂态稳定评估模型的每组输出特征,由每组初始负荷水平、故障位置、故障时长的参数组合的稳定标签构成;
每组初始负荷水平、故障位置、故障时长的参数组合下的稳定标签,由每组初始负荷水平、故障位置、故障时长的参数组合下的暂态功角稳定评估指标定义所得;
每组初始负荷水平、故障位置、故障时长的参数组合下的暂态功角稳定评估指标,具体计算方式如下:
其中,TSIi表示第i组的暂态功角稳定评估指标,δi max表示第i组样本下系统中时刻为20s时的最大功角。
若TSIi>0,则级联卷积神经网络暂态稳定评估模型的第i组输出特征为系统暂态稳定,即级联卷积神经网络暂态稳定评估模型的第i组初始负荷水平、故障位置、故障时长的参数组合的稳定标签为系统暂态稳定;
若TSIi<0,则级联卷积神经网络暂态稳定评估模型的第i组输出特征为系统暂态失稳,即级联卷积神经网络暂态稳定评估模型的第i组初始负荷水平、故障位置、故障时长的参数组合的稳定标签为系统暂态失稳;
步骤1所述通过预处理以及样本划分得到级联卷积神经网络暂态稳定评估模型的训练样本集、验证样本集、测试样本集,具体如下:
将序列到序列神经网络暂态功角轨迹预测模型的每组输入特征进行Min-Max归一化处理,得到序列到序列神经网络暂态功角轨迹预测模型的每组输入样本;
将序列到序列神经网络暂态功角轨迹预测模型的每组输出特征进行Min-Max归一化处理,得到序列到序列神经网络暂态功角轨迹预测模型的每组输出标签;
将级联卷积神经网络暂态稳定评估模型的每组输出特征进行Min-Max归一化处理,得到级联卷积神经网络暂态稳定评估模型的每组输入样本;
将级联卷积神经网络暂态稳定评估模型的每组输出特征,作为级联卷积神经网络暂态稳定评估模型的每组输出标签;
将序列到序列神经网络暂态功角轨迹预测模型的K组输入样本按照一定比例,随机划分为序列到序列神经网络暂态功角轨迹预测模型的训练样本集、序列到序列神经网络暂态功角轨迹预测模型的测试样本集,将序列到序列神经网络暂态功角轨迹预测模型的测试样本集作为序列到序列神经网络暂态功角轨迹预测模型的验证样本集;
获取序列到序列神经网络暂态功角轨迹预测模型的训练样本集中每个样本对应的输出标签、测试样本集中每个样本对应的输出标签、验证样本集中每个样本对应的输出标签;
将级联卷积神经网络暂态稳定评估模型的多组输入样本按照一定比例,按照序列到序列神经网络暂态功角轨迹预测模型的随机种子,划分为级联卷积神经网络暂态稳定评估模型的训练样本集、级联卷积神经网络暂态稳定评估模型的验证样本集,将序列到序列神经网络暂态功角轨迹预测模型的输出集合作为级联卷积神经网络暂态稳定评估模型的测试样本集。
获取级联卷积神经网络暂态稳定评估模型的训练样本集中每个样本对应的输出标签、测试样本集中每个样本对应的输出标签、验证样本集中每个样本对应的输出标签;
作为优选,步骤2所述将物理信息模型嵌入序列到序列神经网络暂态功角轨迹预测模型,具体如下:
所述序列到序列神经网络暂态功角轨迹预测模型由编码器模型、解码器模型、全连接层级联构成;
所述的编码器模型和解码器模型均由双层GRU神经网络构成;
所述编码器模型,捕捉序列到序列神经网络暂态功角轨迹预测模型的训练样本集中每个样本的输入特征并转化为隐藏状态即序列到序列神经网络暂态功角轨迹预测模型的训练样本集中第i个样本故障清除后第T个时刻的隐藏状态。
所述解码器以编码器的输出作为解码器模型的初始隐状态。解码器处理第一个时间时刻的输入为/>其余时刻的输入为解码器上一个时刻的输出/>最终得到T+1~T+L时间内的输出/>
解码器的输出通过全连接层处理,输出T+1~T+L间内的功角和转速序列,即其中波浪线表示为序列到序列神经网络暂态功角轨迹预测模型的预测值。
全连接层输出得到的功角和转速序列经过物理约束模块处理,输入数据满足暂态稳定动态方程,具体设计如下:
暂态稳定动态方程为一组微分方程,功角和转速之间的微分方程可以以如下公式表达:
其中表示微分算子,f表示线性函数。
对微分方程组采用龙格库塔法将解离散化,采用q阶的龙格库塔法处理后可以表示为:
其中,为第i个样本故障清除后第t个时刻的第m阶中间步骤的功角,amn表示中间阶的系数矩阵,bn表示最终阶的系数;
将所述离散的龙格库塔法嵌入进序列到序列神经网络中,构建物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型;
暂态稳定动态方程转化形成为转速与功角之间的物理约束模块,以全连接层输出的功角与转速序列作为输入,经过龙格库塔法离散后的公式中获得满足暂态稳定动态方程约束下的功角值;
物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型的损失函数包含通用神经网络损失函数项RMSE1和暂态稳定动态方程转化的物理损失项RMSE2,RMSE表示均方根误差,其函数设计如下:
RMSE=αRMSE1+βRMSE2
其中,为序列到序列神经网络暂态功角轨迹预测模型第i个样本故障清除后第t个时刻的的真实观测特征值,包含功角和转速;/>表示序列到序列神经网络暂态功角轨迹预测模型第i个样本故障清除后第t个时刻的的输出特征预测值,包含功角和转速;/>表示序列到序列神经网络暂态功角轨迹预测模型第i个样本故障清除后第t个时刻的的输出转速预测值;/>表示序列到序列神经网络暂态功角轨迹预测模型第i个样本故障清除后第t个时刻的的输出转速预测值;RMSE1为物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型预测出的转速和功角与真实转速、功角观测值之间的均方根误差,RMSE2表示物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型预测功角和转速代入暂态稳定动态方程的误差,该部分误差量化了预测值是否满足物理约束,引导模型的参数优化方向;两部分损失可通过调整数据损失比例系数α和物理损失比例系数β来平衡;
作为优选,步骤3所述将训练物理信息嵌入至序列到序列神经网络暂态功角轨迹预测模型,具体如下:
分别使用预训练数据的物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型训练集样本和微调数据的物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型训练集样本训练物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,在每一轮次训练后,将物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型的验证样本送入训练后的功角轨迹预测模型中来验证功角预测模型的性能,取验证效果最佳的一次训练参数作为最终的模型参数,获取并保存最优模型;
步骤3所述获取暂态功角轨迹,具体如下:
将物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型的测试集样本输入给最优物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,得到预测的功角和转速序列。
作为优选,步骤4所述构建级联卷积神经网络的暂态稳定评估模型,具体如下:
级联卷积神经网络的暂态稳定评估模型包含有多级卷积神经网络,各级卷积神经网络均采用卷积层、池化层、激活函数Relu、全连接层和softmax层,最终得到稳定评估结果及其置信度。
所述稳定评估结果及其置信度经由全连接层和softmax处理得到,全连接层的输出维度设置为2,分别对应稳定和不稳定的预测值,经过softmax层输出归一化后的稳定与不稳定概率,选取最大概率的情况作为稳定评估结果,其概率作为稳定评估结果的置信度。
对步骤3预测的功角序列设置多个截止点,对应多级卷积神经网络,即第一、二、三级卷积神经网络分别采取第一、二、三个时间截止点的功角曲线,输出暂态稳定评估情况及置信度;
级联卷积神经网络的暂态稳定评估模型按照层级逐一运行,当某一级的评估结果置信水平达到预设的稳定性阈值时,认为其暂态稳定评估情况可靠,否则会运行至下一级卷积神经网络;
作为优选,步骤5所述基于级联卷积神经网络的暂态稳定评估模型的训练与模型评估,具体如下:
所述级联卷积神经网络的暂态稳定评估模型在训练过程中,不考虑置信度是否大于阈值,各级卷积神经网络同步进行训练,在测试过程中,只有当置信度小于阈值时才运行下一级卷积神经网络;
对于级联卷积神经网络的暂态稳定评估模型的性能评估,由于暂态数据集的样本不均衡性和非稳定情况错分代价大的特点,仅准确率的评估可能不足以全面评判模型对失稳情况的辨识能力;
针对失稳情况综合使用准确率Acc、查准率Prec、查全率Recall和F1-score指标对级联卷积神经网络的暂态稳定评估模型的性能进行评估计指标计算公式可表述为:
式中:TP表示标签为稳定,预测正确的样本数量,FP表示标签为失稳的错误预测样本数量,FN表示标签为稳定的错误预测样本数量,TN表示标签为失稳,预测正确的样本数量。
本发明还提供了一种计算机可读介质,所述计算机可读介质存储电子设备执行的计算机程序,当所述计算机程序在电子设备上运行时,执行所述物理信息嵌入的功角状态估测方法的步骤。
本发明将电力系统暂态稳定的基本规律纳入到神经网络模型的设计中去,能有效的预测电网的功角轨迹,有效结合了传统时域仿真方法的物理信息与深度学习算法,兼顾了功角预测的可靠性与快速性;以依据预测出来的轨迹,级联CNN暂态稳定评估模型通过置信度阈值判断机制实现非固定评估长度的暂态稳定评估。
说明书附图
图1:本发明实施例的方法流程图;
图2:本发明实施例的仿真场景示意图;
图3:本发明实施例的所涉基于物理信息嵌入的序列到序列的暂态功角轨迹预测模型框架图;
图4:本发明实施例的基于级联卷积神经网络的暂态稳定评估方法框架图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
下面结合图1-4介绍本发明实施例的方法为一种物理信息嵌入的功角状态估测方法,具体包括以下步骤:
步骤1:构建序列到序列神经网络暂态功角轨迹预测模型的输入特征、输出特征,构建级联卷积神经网络暂态稳定评估模型的输入特征、输出特征,生成样本数据并对样本数据进行预处理,将样本数据划分为训练样本集、验证样本集和测试样本集。
步骤1所述构建序列到序列神经网络暂态功角轨迹预测模型的每组输入特征、每组输出特征,具体如下:
基于kunder系统设置K组初始负荷水平、故障位置、故障时长的参数组合并进行暂态仿真作为预训练数据;另外在多个机组中随机选取一台机组替换为VSG控制下的新能源机组,在相同K组参数设置下进行暂态仿真,生成微调数据;
实验场景采用kundur电网作为算例,系统包含节点母10个,4台发电机,如图2所示。暂态仿真计算及数据处理等工作均基于python脚本工具完成。
通过仿真和实验,所有负荷在基准负荷水平的90%~120%范围内变化,并添加标准差为0.1的噪声,避免单一运行状态导致的算法拟合空间过小的情况,采用牛顿拉夫逊法计算潮流,确定运行条件;事件设置为于1.0s任意母线的三相接地故障并在0.05~0.2秒内随机时间清除故障。仿真步长设置为半波时长,即0.01s。生成以全部为传统机组电力系统样本数据作为预训练数据,将第四台发电机被替换为VSG控制下的新能源机组,生成含构网型新能源电力系统的微调数据。
所述预训练数据和微调数据均包含每组初始负荷水平、故障位置、故障时长的参数组合下每个机组故障清除后每个时刻的功角、转速、机械功率、电磁功率;
所述序列到序列神经网络的暂态功角轨迹预测模型的每组输入特征,由每组初始负荷水平、故障位置、故障时长的参数组合下多个机组故障清除后故障清除后第0个时刻、故障清除后第1个时刻、...、故障清除后第T个时刻的功角、转速、机械功率、电磁功率构成;
其中,Xi表示第i个样本的输入数据,表示第i个样本于t时刻的输入特征,包含有第i个样本于t时刻的功角/>转速/>机械功率/>电磁功率/>
步骤1所述构建序列到序列神经网络暂态功角轨迹预测模型的每组输出特征,具体如下:
所述序列到序列神经网络暂态功角轨迹预测模型的每组输出特征,由每组初始负荷水平、故障位置、故障时长的参数组合下多个机组故障清除后故障清除后第0个时刻、故障清除后第T+1个时刻、...、故障清除后第T+L个时刻的功角、转速、机械功率、电磁功率构成;
其中,Yi表示第i个样本的输出结果,表示第i个样本于t时刻的输出特征,包含有第i个样本于t时刻的功角/>转速/>
级联卷积神经网络暂态稳定评估模型的每组输入特征,由每组初始负荷水平、故障位置、故障时长的参数组合下多个机组故障清除后故障清除后第0个时刻、故障清除后第1个时刻、...、故障清除后第T’个时刻的功角构成;
级联卷积神经网络暂态稳定评估模型的每组输出特征,由每组初始负荷水平、故障位置、故障时长的参数组合的稳定标签构成;
每组初始负荷水平、故障位置、故障时长的参数组合下的稳定标签,由每组初始负荷水平、故障位置、故障时长的参数组合下的暂态功角稳定评估指标定义所得;
每组初始负荷水平、故障位置、故障时长的参数组合下的暂态功角稳定评估指标,具体计算方式如下:
其中,TSIi表示第i组的暂态功角稳定评估指标,δi max表示第i组样本下系统中时刻为20s时的最大功角。
若TSIi>0,则级联卷积神经网络暂态稳定评估模型的第i组输出特征为系统暂态稳定,即级联卷积神经网络暂态稳定评估模型的第i组初始负荷水平、故障位置、故障时长的参数组合的稳定标签为系统暂态稳定;
若TSIi<0,则级联卷积神经网络暂态稳定评估模型的第i组输出特征为系统暂态失稳,即级联卷积神经网络暂态稳定评估模型的第i组初始负荷水平、故障位置、故障时长的参数组合的稳定标签为系统暂态失稳;
将序列到序列神经网络暂态功角轨迹预测模型的每组输入特征进行Min-Max归一化处理,得到序列到序列神经网络暂态功角轨迹预测模型的每组输入样本;
将序列到序列神经网络暂态功角轨迹预测模型的每组输出特征进行Min-Max归一化处理,得到序列到序列神经网络暂态功角轨迹预测模型的每组输出标签;
将级联卷积神经网络暂态稳定评估模型的每组输出特征进行Min-Max归一化处理,得到级联卷积神经网络暂态稳定评估模型的每组输入样本;
将级联卷积神经网络暂态稳定评估模型的每组输出特征,作为级联卷积神经网络暂态稳定评估模型的每组输出标签;
将序列到序列神经网络暂态功角轨迹预测模型的K组输入样本按照一定比例,随机划分为序列到序列神经网络暂态功角轨迹预测模型的训练样本集、序列到序列神经网络暂态功角轨迹预测模型的测试样本集,将序列到序列神经网络暂态功角轨迹预测模型的测试样本集作为序列到序列神经网络暂态功角轨迹预测模型的验证样本集;
获取序列到序列神经网络暂态功角轨迹预测模型的训练样本集中每个样本对应的输出标签、测试样本集中每个样本对应的输出标签、验证样本集中每个样本对应的输出标签;
将级联卷积神经网络暂态稳定评估模型的多组输入样本按照一定比例,按照序列到序列神经网络暂态功角轨迹预测模型的随机种子,划分为级联卷积神经网络暂态稳定评估模型的训练样本集、级联卷积神经网络暂态稳定评估模型的验证样本集,将序列到序列神经网络暂态功角轨迹预测模型的输出集合作为级联卷积神经网络暂态稳定评估模型的测试样本集。
获取级联卷积神经网络暂态稳定评估模型的训练样本集中每个样本对应的输出标签、测试样本集中每个样本对应的输出标签、验证样本集中每个样本对应的输出标签;
以故障清除至故障清除后0.2s内的输入特征作为输入数据,以故障清除后0.2s至0.5s的功角和转速作为输出数据,生成样本,最终共计生成场景2080个,其中预训练有效样本数1921个,微调有效样本数1403,按照8:2的比例划分训练样本集与测试样本集,测试样本集复用为验证样本集。
步骤2:将物理信息嵌入序列到序列神经网络暂态功角轨迹预测模型,以构建基于物理信息嵌入序列到序列神经网络暂态功角轨迹预测模型;
步骤2所述序列到序列神经网络暂态功角轨迹预测模型由编码器模型、解码器模型、全连接层级联构成;
所述的编码器模型和解码器模型均由双层GRU神经网络构成;
所述编码器模型,捕捉序列到序列神经网络暂态功角轨迹预测模型的训练样本集中每个样本的输入特征并转化为隐藏状态即序列到序列神经网络暂态功角轨迹预测模型的训练样本集中第i个样本故障清除后第T个时刻的隐藏状态。
所述解码器以编码器的输出作为解码器模型的初始隐状态。解码器处理第一个时间时刻的输入为/>其余时刻的输入为解码器上一个时刻的输出/>最终得到T+1~T+L时间内的输出/>
解码器的输出通过全连接层处理,输出T+1~T+L间内的功角和转速序列,即其中波浪线表示为序列到序列神经网络暂态功角轨迹预测模型的预测值;
全连接层输出得到的功角和转速序列经过物理约束模块处理,输入数据满足暂态稳定动态方程,具体设计如下:
暂态稳定动态方程为一组微分方程,功角和转速之间的微分方程可以以如下公式表达:
其中表示微分算子,f表示线性函数。
对微分方程组采用龙格库塔法将解离散化,采用q阶的龙格库塔法处理后可以表示为:
其中,为第i个样本故障清除后第t个时刻的第m阶中间步骤的功角,amn表示中间阶的系数矩阵,bn表示最终阶的系数;
将所述离散的龙格库塔法嵌入进序列到序列神经网络中,构建物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,结构如图3所示;
暂态稳定动态方程转化形成为转速与功角之间的物理约束模块,以全连接层输出的功角与转速序列作为输入,经过龙格库塔法离散后的公式中获得满足暂态稳定动态方程约束下的功角值;
物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型的损失函数包含通用神经网络损失函数项RMSE1和暂态稳定动态方程转化的物理损失项RMSE2,RMSE表示均方根误差,其函数设计如下:
RMSE=αRMSE1+βRMSE2
其中,为序列到序列神经网络暂态功角轨迹预测模型第i个样本故障清除后第t个时刻的的真实观测特征值,包含功角和转速;/>表示序列到序列神经网络暂态功角轨迹预测模型第i个样本故障清除后第t个时刻的的输出特征预测值,包含功角和转速;/>表示序列到序列神经网络暂态功角轨迹预测模型第i个样本故障清除后第t个时刻的的输出转速预测值;/>表示序列到序列神经网络暂态功角轨迹预测模型第i个样本故障清除后第t个时刻的的输出转速预测值;RMSE1为物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型预测出的转速和功角与真实转速、功角观测值之间的均方根误差,RMSE2表示物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型预测功角和转速代入暂态稳定动态方程的误差,该部分误差量化了预测值是否满足物理约束,引导模型的参数优化方向。两部分损失可通过调整数据损失比例系数α和物理损失比例系数β来平衡;
步骤3:训练物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,得到最优的物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,获取暂态功角轨迹;
在训练过程中,先预设模型的各参数,其中输入长度为20,预测长度为30,输入特征维度为16,输出特征维度为2,学习率为3e-4,隐藏层大小为128,训练轮次为80,训练批次大小为64,优化器选择为Adam,模型损失函数为RMSE。分别使用预训练数据的物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型训练集样本和微调数据的物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型训练集样本训练物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,在每一轮次训练后,将物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型的验证样本送入训练后的功角轨迹预测模型中来验证功角预测模型的性能,取验证效果最佳的一次训练参数作为最终的模型参数,获取并保存最优模型。
将物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型的测试集样本输入给最优物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,得到预测的功角和转速序列;
为验证本发明所涉方法的有效性和优越性,将本发明所涉模型与seq2seq时序预测模型进行比较,如下表1所示。结果表明,本发明所涉模型的各项评估指标均有较大提升,足以证明所涉方法能够有效提升模型的性能。本发明模型和数仿真计算在获取相同时间长度下功角所耗时间比较如表2所示,为避免偶然情况,以100次场景进行测试,取平均值为平均耗时。
表1:所涉模型与seq2seq时序预测模型的功角轨迹预测效果
表2:所涉模型与时域仿真计算的功角轨迹耗时比较
步骤4:构建级联卷积神经网络的暂态稳定评估模型
级联卷积神经网络的暂态稳定评估模型包含有多级卷积神经网络,各级卷积神经网络均采用卷积层、池化层、激活函数Relu、全连接层和softmax层,最终得到稳定评估结果及其置信度;
所述稳定评估结果及其置信度经由全连接层和softmax处理得到,全连接层的输出维度设置为2,分别对应稳定和不稳定的预测值,经过softmax层输出归一化后的稳定与不稳定概率,选取最大概率的情况作为稳定评估结果,其概率作为稳定评估结果的置信度;
对步骤3预测的功角序列设置多个截止点,对应多级卷积神经网络,即第一、二、三级卷积神经网络分别采取第一、二、三个时间截止点的功角曲线,输出暂态稳定评估情况及置信度;
级联卷积神经网络的暂态稳定评估模型按照层级逐一运行,当某一级的评估结果置信水平达到预设的稳定性阈值时,认为其暂态稳定评估情况可靠,否则会运行至下一级卷积神经网络,级联卷积神经网络的暂态稳定评估模型如图4所示。
步骤5:基于级联卷积神经网络的暂态稳定评估模型的训练与模型评估;
各级卷积神经网络均采用选择一维卷积神经网络,其卷积核大小为3×3,学习率设置为3e-3,训练轮次为100,训练批次大小为64,优化器选用Adam,损失函数为交叉熵损失函数,各级卷积神经网络的输入长度T′逐级增加。
所述级联卷积神经网络的暂态稳定评估模型在训练过程中,不考虑置信度是否大于阈值,各级卷积神经网络同步进行训练,在测试过程中,只有当置信度小于阈值时才运行下一级卷积神经网络。
级联CNN的级数设置为3,3级CNN的输入长度依次设置为故障清除后20,40,50步长的数据量,当输入评估长度短时,为确保评估结果的准确性,其置信度要求较高,而随着评估长度增加,置信度可适当降低,故设置级联CNN各级可信阈值设置分别为0.92,0.85,0.7。
对于级联卷积神经网络的暂态稳定评估模型的性能评估,由于暂态数据集的样本不均衡性和非稳定情况错分代价大的特点,仅准确率的评估可能不足以全面评判模型对失稳情况的辨识能力。因此,本文针对失稳情况综合使用了准确率(Acc)、查准率(Prec)、查全率(Recall)和F1-score等指标对级联卷积神经网络的暂态稳定评估模型的性能进行评估计指标计算公式可表述为:
式中:TP表示标签为稳定,预测正确的样本数量,FP表示标签为失稳的错误预测样本数量,FN表示标签为稳定的错误预测样本数量,TN表示标签为失稳,预测正确的样本数量。
三级CNN各自的评估性能如表3所示。
表3:不同CNN各自的评估性能表
以步骤3预测的功角轨迹设置三个截止点,分别作为第一、二、三级卷积神经网络的输入。卷积神经网络按照层级逐一运行,当某一级的评估结果置信水平达到预设的稳定性阈值时,认为其暂态稳定评估情况可靠,否则会运行至下一级卷积神经网络。在此配置下,级联卷积神经网络的暂态稳定评估模型的准确率达到了98.93%。级联卷积神经网络暂态稳定评估模型可以有效地提取不同曲线长度的暂态特征,通过基于置信度阈值判断机制的多阶段评估构架,快速准确地判断电力系统稳定性。
步骤6:通过PMU获取实际暂态数据,输入给最优物理信息嵌入至序列到序列神经网络暂态功角轨迹预测模型进行预测得到未来功角序列,将未来功角序列输入给最优级联卷积神经网络的暂态稳定评估模型,实现暂态稳定评估。
本发明的具体实施例还提供了一种计算机可读介质。
所述计算机可读介质为服务器工作站;
所述服务器工作站存储电子设备执行的计算机程序,当所述计算机程序在电子设备上运行时,使得所述电子设备执行本发明实施例的物理信息嵌入的功角状态估测方法的步骤。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种物理信息嵌入的功角状态估测方法,其特征在于:
获取基于物理信息嵌入序列到序列的暂态功角轨迹预测模型及基于级联卷积神经网络的暂态稳定评估模型的输入和输出特征;
构建并训练得到最优的物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,获取暂态功角轨迹;
构建级联卷积神经网络的暂态稳定评估模型,训练得到最优暂态稳定评估模型;
级联卷积神经网络的暂态稳定评估模型以预测的暂态功角轨迹输入,评估暂态稳定情况;
输入实际数据至最优物理信息嵌入至序列到序列神经网络暂态功角轨迹预测模型,实现暂态评估。
2.根据权利要求1所述的物理信息嵌入的功角状态估测方法,其特征在于,包括以下步骤:
步骤1:构建序列到序列神经网络暂态功角轨迹预测模型的每组输入特征、每组输出特征,构建级联卷积神经网络暂态稳定评估模型的每组输入特征、每组输出特征,通过预处理以及样本划分得到级联卷积神经网络暂态稳定评估模型的训练样本集、验证样本集、测试样本集;
步骤2:将物理信息嵌入序列到序列神经网络暂态功角轨迹预测模型,以构建基于物理信息嵌入序列到序列神经网络的暂态功角轨迹预测模型;
步骤3:将训练物理信息嵌入至序列到序列神经网络暂态功角轨迹预测模型,得到最优的物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,获取暂态功角轨迹;
步骤4:构建级联卷积神经网络的暂态稳定评估模型;
步骤5:通过级联卷积神经网络的暂态稳定评估模型进行训练与模型评估;
步骤6:通过PMU获取实际暂态数据,输入给最优物理信息嵌入至序列到序列神经网络暂态功角轨迹预测模型进行预测得到未来功角序列,将未来功角序列输入给最优级联卷积神经网络的暂态稳定评估模型,实现暂态稳定评估。
3.根据权利要求2所述的物理信息嵌入的功角状态估测方法,其特征在于:
步骤1所述构建序列到序列神经网络暂态功角轨迹预测模型的每组输入特征、每组输出特征,具体如下:
基于kunder系统设置K组初始负荷水平、故障位置、故障时长的参数组合并进行暂态仿真作为预训练数据;另外在多个机组中随机选取一台机组替换为VSG控制下的新能源机组,在相同K组参数设置下进行暂态仿真,生成微调数据;
所述预训练数据和微调数据均包含每组初始负荷水平、故障位置、故障时长的参数组合下每个机组故障清除后每个时刻的功角、转速、机械功率、电磁功率;
所述序列到序列神经网络的暂态功角轨迹预测模型的每组输入特征,由每组初始负荷水平、故障位置、故障时长的参数组合下多个机组故障清除后故障清除后第0个时刻、故障清除后第1个时刻、...、故障清除后第T个时刻的功角、转速、机械功率、电磁功率构成;
其中,Xi表示第i个样本的输入数据,表示第i个样本于t时刻的输入特征,包含有第i个样本于t时刻的功角/>转速/>机械功率/>电磁功率/>
4.根据权利要求3所述的物理信息嵌入的功角状态估测方法,其特征在于:
步骤1所述构建序列到序列神经网络暂态功角轨迹预测模型的每组输出特征,具体如下:
所述序列到序列神经网络暂态功角轨迹预测模型的每组输出特征,由每组初始负荷水平、故障位置、故障时长的参数组合下多个机组故障清除后故障清除后第0个时刻、故障清除后第T+1个时刻、...、故障清除后第T+L个时刻的功角、转速、机械功率、电磁功率构成;
其中,Yi表示第i个样本的输出结果,表示第i个样本于t时刻的输出特征,包含有第i个样本于t时刻的功角/>转速/>
级联卷积神经网络暂态稳定评估模型的每组输入特征,由每组初始负荷水平、故障位置、故障时长的参数组合下多个机组故障清除后故障清除后第0个时刻、故障清除后第1个时刻、...、故障清除后第T’个时刻的功角构成;
级联卷积神经网络暂态稳定评估模型的每组输出特征,由每组初始负荷水平、故障位置、故障时长的参数组合的稳定标签构成;
每组初始负荷水平、故障位置、故障时长的参数组合下的稳定标签,由每组初始负荷水平、故障位置、故障时长的参数组合下的暂态功角稳定评估指标定义所得;
每组初始负荷水平、故障位置、故障时长的参数组合下的暂态功角稳定评估指标,具体计算方式如下:
其中,TSIi表示第i组的暂态功角稳定评估指标,δi max表示第i组样本下系统中时刻为20s时的最大功角;
若TSIi>0,则级联卷积神经网络暂态稳定评估模型的第i组输出特征为系统暂态稳定,即级联卷积神经网络暂态稳定评估模型的第i组初始负荷水平、故障位置、故障时长的参数组合的稳定标签为系统暂态稳定;
若TSIi<0,则级联卷积神经网络暂态稳定评估模型的第i组输出特征为系统暂态失稳,即级联卷积神经网络暂态稳定评估模型的第i组初始负荷水平、故障位置、故障时长的参数组合的稳定标签为系统暂态失稳。
5.根据权利要求4所述的物理信息嵌入的功角状态估测方法,其特征在于:
步骤1所述通过预处理以及样本划分得到级联卷积神经网络暂态稳定评估模型的训练样本集、验证样本集、测试样本集,具体如下:
将序列到序列神经网络暂态功角轨迹预测模型的每组输入特征进行Min-Max归一化处理,得到序列到序列神经网络暂态功角轨迹预测模型的每组输入样本;
将序列到序列神经网络暂态功角轨迹预测模型的每组输出特征进行Min-Max归一化处理,得到序列到序列神经网络暂态功角轨迹预测模型的每组输出标签;
将级联卷积神经网络暂态稳定评估模型的每组输出特征进行Min-Max归一化处理,得到级联卷积神经网络暂态稳定评估模型的每组输入样本;
将级联卷积神经网络暂态稳定评估模型的每组输出特征,作为级联卷积神经网络暂态稳定评估模型的每组输出标签;
将序列到序列神经网络暂态功角轨迹预测模型的K组输入样本按照一定比例,随机划分为序列到序列神经网络暂态功角轨迹预测模型的训练样本集、序列到序列神经网络暂态功角轨迹预测模型的测试样本集,将序列到序列神经网络暂态功角轨迹预测模型的测试样本集作为序列到序列神经网络暂态功角轨迹预测模型的验证样本集;
获取序列到序列神经网络暂态功角轨迹预测模型的训练样本集中每个样本对应的输出标签、测试样本集中每个样本对应的输出标签、验证样本集中每个样本对应的输出标签;
将级联卷积神经网络暂态稳定评估模型的多组输入样本按照一定比例,按照序列到序列神经网络暂态功角轨迹预测模型的随机种子,划分为级联卷积神经网络暂态稳定评估模型的训练样本集、级联卷积神经网络暂态稳定评估模型的验证样本集,将序列到序列神经网络暂态功角轨迹预测模型的输出集合作为级联卷积神经网络暂态稳定评估模型的测试样本集;
获取级联卷积神经网络暂态稳定评估模型的训练样本集中每个样本对应的输出标签、测试样本集中每个样本对应的输出标签、验证样本集中每个样本对应的输出标签。
6.根据权利要求5所述的物理信息嵌入的功角状态估测方法,其特征在于:
步骤2所述将物理信息模型嵌入序列到序列神经网络暂态功角轨迹预测模型,具体如下:
所述序列到序列神经网络暂态功角轨迹预测模型由编码器模型、解码器模型、全连接层级联构成;
所述的编码器模型和解码器模型均由双层GRU神经网络构成;
所述编码器模型,捕捉序列到序列神经网络暂态功角轨迹预测模型的训练样本集中每个样本的输入特征并转化为隐藏状态即序列到序列神经网络暂态功角轨迹预测模型的训练样本集中第i个样本故障清除后第T个时刻的隐藏状态;
所述解码器以编码器的输出作为解码器模型的初始隐状态;
解码器处理第一个时间时刻的输入为其余时刻的输入为解码器上一个时刻的输出最终得到T+1~T+L时间内的输出/>
解码器的输出通过全连接层处理,输出T+1~T+L间内的功角和转速序列,即其中波浪线表示为序列到序列神经网络暂态功角轨迹预测模型的预测值;
全连接层输出得到的功角和转速序列经过物理约束模块处理,输入数据满足暂态稳定动态方程,具体设计如下:
暂态稳定动态方程为一组微分方程,功角和转速之间的微分方程可以以如下公式表达:
其中表示微分算子,f表示线性函数;
对微分方程组采用龙格库塔法将解离散化,采用q阶的龙格库塔法处理后可以表示为:
其中,为第i个样本故障清除后第t个时刻的第m阶中间步骤的功角,amn表示中间阶的系数矩阵,bn表示最终阶的系数;
将所述离散的龙格库塔法嵌入进序列到序列神经网络中,构建物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型;
暂态稳定动态方程转化形成为转速与功角之间的物理约束模块,以全连接层输出的功角与转速序列作为输入,经过龙格库塔法离散后的公式中获得满足暂态稳定动态方程约束下的功角值;
物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型的损失函数包含通用神经网络损失函数项RMSE1和暂态稳定动态方程转化的物理损失项RMSE2,RMSE表示均方根误差,其函数设计如下:
RMSE=αRMSE1+βRMSE2
其中,为序列到序列神经网络暂态功角轨迹预测模型第i个样本故障清除后第t个时刻的的真实观测特征值,包含功角和转速;/>表示序列到序列神经网络暂态功角轨迹预测模型第i个样本故障清除后第t个时刻的的输出特征预测值,包含功角和转速;/>表示序列到序列神经网络暂态功角轨迹预测模型第i个样本故障清除后第t个时刻的的输出转速预测值;/>表示序列到序列神经网络暂态功角轨迹预测模型第i个样本故障清除后第t个时刻的的输出转速预测值;RMSE1为物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型预测出的转速和功角与真实转速、功角观测值之间的均方根误差,RMSE2表示物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型预测功角和转速代入暂态稳定动态方程的误差,该部分误差量化了预测值是否满足物理约束,引导模型的参数优化方向;两部分损失可通过调整数据损失比例系数α和物理损失比例系数β来平衡。
7.根据权利要求6所述的物理信息嵌入的功角状态估测方法,其特征在于:
步骤3所述将训练物理信息嵌入至序列到序列神经网络暂态功角轨迹预测模型,具体如下:
分别使用预训练数据的物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型训练集样本和微调数据的物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型训练集样本训练物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,在每一轮次训练后,将物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型的验证样本送入训练后的功角轨迹预测模型中来验证功角预测模型的性能,取验证效果最佳的一次训练参数作为最终的模型参数,获取并保存最优模型;
步骤3所述获取暂态功角轨迹,具体如下:
将物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型的测试集样本输入给最优物理信息嵌入的序列到序列神经网络暂态功角轨迹预测模型,得到预测的功角和转速序列。
8.根据权利要求7所述的物理信息嵌入的功角状态估测方法,其特征在于:
步骤4所述构建级联卷积神经网络的暂态稳定评估模型,具体如下:
级联卷积神经网络的暂态稳定评估模型包含有多级卷积神经网络,各级卷积神经网络均采用卷积层、池化层、激活函数Relu、全连接层和softmax层,最终得到稳定评估结果及其置信度;
所述稳定评估结果及其置信度经由全连接层和softmax处理得到,全连接层的输出维度设置为2,分别对应稳定和不稳定的预测值,经过softmax层输出归一化后的稳定与不稳定概率,选取最大概率的情况作为稳定评估结果,其概率作为稳定评估结果的置信度;
对步骤3预测的功角序列设置多个截止点,对应多级卷积神经网络,即第一、二、三级卷积神经网络分别采取第一、二、三个时间截止点的功角曲线,输出暂态稳定评估情况及置信度;
级联卷积神经网络的暂态稳定评估模型按照层级逐一运行,当某一级的评估结果置信水平达到预设的稳定性阈值时,认为其暂态稳定评估情况可靠,否则会运行至下一级卷积神经网络,级联卷积神经网络的暂态稳定评估模型。
9.根据权利要求8所述的物理信息嵌入的功角状态估测方法,其特征在于:
步骤5所述基于级联卷积神经网络的暂态稳定评估模型的训练与模型评估,具体如下:
所述级联卷积神经网络的暂态稳定评估模型在训练过程中,不考虑置信度是否大于阈值,各级卷积神经网络同步进行训练,在测试过程中,只有当置信度小于阈值时才运行下一级卷积神经网络;
对于级联卷积神经网络的暂态稳定评估模型的性能评估,由于暂态数据集的样本不均衡性和非稳定情况错分代价大的特点,仅准确率的评估可能不足以全面评判模型对失稳情况的辨识能力;
针对失稳情况综合使用准确率Acc、查准率Prec、查全率Recall和F1-score指标对级联卷积神经网络的暂态稳定评估模型的性能进行评估计指标计算公式可表述为:
式中:TP表示标签为稳定,预测正确的样本数量,FP表示标签为失稳的错误预测样本数量,FN表示标签为稳定的错误预测样本数量,TN表示标签为失稳,预测正确的样本数量。
10.根据权利要求9所述的物理信息嵌入的功角状态估测方法,其特征在于:
一种计算机可读介质,其存储电子设备执行的计算机程序,当所述计算机程序在电子设备上运行时,使得所述电子设备执行如权利要求1-9任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311063848.4A CN117235495A (zh) | 2023-08-22 | 2023-08-22 | 一种物理信息嵌入的功角状态估测方法及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311063848.4A CN117235495A (zh) | 2023-08-22 | 2023-08-22 | 一种物理信息嵌入的功角状态估测方法及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117235495A true CN117235495A (zh) | 2023-12-15 |
Family
ID=89097589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311063848.4A Pending CN117235495A (zh) | 2023-08-22 | 2023-08-22 | 一种物理信息嵌入的功角状态估测方法及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235495A (zh) |
-
2023
- 2023-08-22 CN CN202311063848.4A patent/CN117235495A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
Liu et al. | Research on fault diagnosis of wind turbine based on SCADA data | |
CN110570122A (zh) | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 | |
CN109214708A (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 | |
CN110796281B (zh) | 基于改进深度信念网络的风电机组状态参数预测方法 | |
CN111191832A (zh) | 一种台风灾害配电网杆塔故障预测方法及系统 | |
CN110874665B (zh) | 用于风力发电机组的控制装置和方法 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN115935807A (zh) | 基于图马尔可夫神经网络的诊断模型的训练方法 | |
CN115564310A (zh) | 一种基于卷积神经网络的新能源电力系统可靠性评估方法 | |
CN110766215B (zh) | 基于特征自适应选择和wdnn的风电爬坡事件预测方法 | |
CN116611741B (zh) | 基于风电设备的服役质量指数体系构建方法及系统 | |
CN112465136A (zh) | 一种水电机组劣化预测方法和系统 | |
CN117235495A (zh) | 一种物理信息嵌入的功角状态估测方法及计算机可读介质 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
Bouzem et al. | Probabilistic and Reliability Analysis of an Intelligent Power Control for a Doubly Fed Induction Generator-Based Wind Turbine System | |
Zheng et al. | Fault prediction of fan gearbox based on deep belief network | |
CN113054653A (zh) | 基于VGGNet-SVM的电力系统暂态稳定评估方法 | |
CN117390418B (zh) | 一种风电并网系统暂态稳定评估方法、系统及设备 | |
He et al. | Condition Evaluation Method of Wind Turbine Based on Real-time Reliability | |
Ou et al. | Fault Prediction Model of Wind Power Pitch System Based on BP Neural Network | |
CN116480535A (zh) | 风机部件温度类故障检测方法、系统及风电机组 |
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 |