CN117390418B - 一种风电并网系统暂态稳定评估方法、系统及设备 - Google Patents
一种风电并网系统暂态稳定评估方法、系统及设备 Download PDFInfo
- Publication number
- CN117390418B CN117390418B CN202311649322.4A CN202311649322A CN117390418B CN 117390418 B CN117390418 B CN 117390418B CN 202311649322 A CN202311649322 A CN 202311649322A CN 117390418 B CN117390418 B CN 117390418B
- Authority
- CN
- China
- Prior art keywords
- sample
- input
- model
- gaussian
- constructing
- 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.)
- Active
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 70
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 239000000203 mixture Substances 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 22
- 238000010248 power generation Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 50
- 238000009826 distribution Methods 0.000 claims description 48
- 238000010276 construction Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000013097 stability assessment Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 6
- ULGZDMOVFRHVEP-RWJQBGPGSA-N Erythromycin Chemical compound O([C@@H]1[C@@H](C)C(=O)O[C@@H]([C@@]([C@H](O)[C@@H](C)C(=O)[C@H](C)C[C@@](C)(O)[C@H](O[C@H]2[C@@H]([C@H](C[C@@H](C)O2)N(C)C)O)[C@H]1C)(C)O)CC)[C@H]1C[C@@](C)(OC)[C@@H](O)[C@H](C)O1 ULGZDMOVFRHVEP-RWJQBGPGSA-N 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 description 20
- 230000000694 effects Effects 0.000 description 9
- 101150100654 pacC gene Proteins 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004364 calculation method 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
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种风电并网系统暂态稳定评估方法、系统及设备，首先获取风力发电的风速与风向数据，构建输入样本与高斯混合模型，然后通过确定每个样本的类别概率，迭代更新模型参数，获得模型的最大似然估计，并进行样本聚类，获得不同样本类别的样本集，并自适应训练，构建自适应深度随机配置网络模型，评估风电并网系统的暂态稳定性；在应用中，基于高斯混合模型，将风速与风向作为随机变量，构建不同类别的样本集，降低了不确定性对暂态稳定评估的影响，并构建自适应的评估模型，利用不同类别的样本集训练，使其可以适应不同的风力出电情况，提高了准确率。本发明降低了风电出力不确定性影响，提高了评估输出的准确率。
Description
技术领域
本发明涉及一种暂态稳定评估手段，属于风力发电技术领域，尤其涉及一种风电并网系统暂态稳定评估方法、系统及设备。
背景技术
风电作为一种可再生能源，风力发电在电力系统的地位日益重要，随着风力发电设备的投资不断增加，并网发电的风力发电设备越来越多，而风力发电的输出功率并不稳定，并网设备电力电子器件繁多，频繁的功率波动对电网的暂态稳定性会造成一定的冲击，可能引发电力系统不可预知的潜在事故风险。
近年来，人工智能技术越来越普及，在研究领域大量使用人工智能进行暂态稳定性的评估，传统的机器学习方法依赖大量的样本数据，而电力系统是典型的时变系统，变量始终是处于变化之中，存在着样本难以采集的问题，加上风电本身稳定性欠佳，导致基于人工智能对电网暂态定性评估的计算量和难度均较大，训练或者预测结果不尽如人意，因此，亟需一种可以有效提高评估输出准确率的手段，以降低风电出力不确定性的影响。
发明内容
本发明的目的是克服现有技术中存在的以上缺陷与问题，提供一种可以提高评估输出准确率，降低风电出力不确定性影响的一种风电并网系统暂态稳定评估方法、系统及设备。
为实现以上目的，本发明的技术解决方案是：一种风电并网系统暂态稳定评估方法，包括：
S1、获取风力发电的风速与风向数据，构建输入样本；
S2、基于输入样本，构建包含若干个高斯模型的高斯混合模型；
S3、计算输入样本的后验概率确定每个输入样本属于每个类别的概率，迭代更新高斯混合模型的参数，获得高斯混合模型的最大似然估计；
S4、求得每个输入样本概率最大的高斯模型，将其作为类别标签，并以类别标签划分样本类别，进行样本聚类，获得不同样本类别的样本集；
S5、构建深度随机配置网络模型，并基于不同样本类别的样本集构建输入特征集，对深度随机配置网络模型进行自适应训练，从而获得自适应深度随机配置网络模型；
S6、基于输入样本与电气故障数据构建输入特征量，获得输入特征集；
S7、将输入特征集输入至自适应深度随机配置网络模型中，从而评估风电并网系统的暂态稳定性。
所述构建输入样本是指：
将获取的风速与风向数据分别进行归一化至区间[0，1]之间的实数，并通过组合方式构建二维随机变量的输入样本集[x1，x2，x3，...，xm]，输入样本集中的输入样本为xi＝(v，θ)，i＝1，2，3，...，m，其中：v为风速，θ为以正北为起点的风向角度。
所述构建包含若干个高斯模型的高斯混合模型是指：
采用多变量高斯分布构建高斯混合模型，令多变量高斯分布的概率密度函数为：
其中：为多维随机变量，即输入样本xi；μ为多个变量的均值；∑为多个变量的协方差；D为变量的维度；
令高斯混合模型的概率分布为：
其中：K为高斯混合模型所包含的高斯模型的个数；为第k个高斯模型的分布概率密度函数；xi为输入样本；αk、μk、/>分别为第k个高斯模型的权重、均值与协方差；
所需估计的参数为：则对于每个输入样本xi，其最大似然函数定义为：
其中：为所需估计的参数。
所述步骤S3， 具体包括：
S31、设置遵循二元分布的隐藏变量zj＝[z1，z2，...，zN]，j＝1，2，...，N，并随机初始化参数αk、μk和
其中：N为量测数目；αk、μk、分别为第k个高斯模型的权重、均值与协方差；
S32、基于隐藏变量和参数αk、μk和计算输入样本xi属于第k个高斯分布的后验概率P(zj＝k|xi)，其表达式如下：
S33、基于后验概率和量测数目N时的所有输入样本，计算更新后的参数，其表达式如下：
其中：Nk为中间参数；
S34、对需要估计的参数进行迭代，直至参数无变化，获得高斯混合模型的最大似然估计。
所述步骤S4，具体包括：
S41、按照赤池信息准则AIC与AIC变化率判断最佳聚类中心的个数，其表达式如下：
AIC＝2K0-θ(x)；
其中：为高斯混合模型的最大似然函数，K0为聚类中心的数量，/>和/>分别表示聚类中心为K0和K0+1时的AIC值；
S42、将输入样本按照以风速与风向为随机变量的高斯分布进行样本聚类，从而获得对应的样本集，并从中剔除异常的离群样本，获得不同样本类别的样本集。
所述步骤S5，具体包括：
S51、构建深度随机配置网络模型，其包括输入层、若干隐藏层与输出层；
S52、基于自适应正态分布，配置深度随机配置网络模型中的每一层参数的权重与偏差，并采用焦点损失函数L，进行自适应训练评估输出权值，从而获得自适应深度随机配置网络模型；所述焦点损失函数L的表达式为：
其中：N0为样本数量；α为权重系数；γ为损失权重系数；p为预测值；y为真实值。
所述步骤S6，具体包括：
S61、采集故障发生时的电气数据，并结合输入样本构建输入特征量；所述输入特征量包括：母线电压幅值、母线电压相位角、发电机有功功率、发电机无功功率、负荷有功功率、负荷无功功率、风速和风向；
S62、对输入特征量使用标准分数进行标准化处理，从而获得输入特征集。
所述步骤S7中，基于暂态稳定判据进行评估风电并网系统的暂态稳定性；所述暂态稳定判据如下：
根据暂态稳定指标TSI将输入特征集的输入特征划分为暂态稳定与暂态失稳两种情形，其表达式如下：
其中：Δδmax为任意两台发电机之间的最大功差角；
设定暂态稳定阈值ζ∈[-1，1]，当TSI＞ζ时，表示风电并网系统稳定，样本标签设置为1；当TSI＜ζ时，表示风电并网系统失稳，样本标签设置为0。
一种风电并网系统暂态稳定评估系统，所述系统包括：
输入样本构建模块，用于获取风力发电的风速与风向数据，构建输入样本；
所述输入样本构建模块用于根据以下步骤构建输入样本；
将获取的风速与风向数据分别进行归一化至区间[0，1]之间的实数，并通过组合方式构建二维随机变量的输入样本集[x1，x2，x3，...，xm]，输入样本集中的输入样本为xi＝(v，θ)，i＝1，2，3，...，m，其中：v为风速，θ为以正北为起点的风向角度；
高斯混合模型构建模块，用于基于输入样本，构建包含若干个高斯模型的高斯混合模型；
所述高斯混合模型构建模块根据以下步骤构建高斯混合模型；
采用多变量高斯分布构建高斯混合模型，令多变量高斯分布的概率密度函数为：
其中：为多维随机变量，即输入样本xi；μ为多个变量的均值；∑为多个变量的协方差；D为变量的维度；
令高斯混合模型的概率分布为：
其中：K为高斯混合模型所包含的高斯模型的个数；为第k个高斯模型的分布概率密度函数；xi为输入样本；αk、μk、/>分别为第k个高斯模型的权重、均值与协方差；
所需估计的参数为：则对于每个输入样本xi，其最大似然函数定义为：
其中：为所需估计的参数；
高斯混合模型参数迭代模块，用于计算输入样本的后验概率确定每个输入样本属于每个类别的概率，迭代更新高斯混合模型的参数，获得高斯混合模型的最大似然估计；
样本聚类分析模块，用于求得每个输入样本概率最大的高斯模型，将其作为类别标签，并以类别标签划分样本类别，进行样本聚类，获得不同样本类别的样本集；
自适应深度随机配置网络模型构建模块，用于构建深度随机配置网络模型，并基于不同样本类别的样本集构建输入特征集，对深度随机配置网络模型进行自适应训练，从而获得自适应深度随机配置网络模型；
输入特征集构建模块，用于基于输入样本与电气故障数据构建输入特征量，获得输入特征集；
所述输入特征集构建模块用于根据以下步骤获得输入特征集；
S61、采集故障发生时的电气数据，并结合输入样本构建输入特征量；所述输入特征量包括：母线电压幅值、母线电压相位角、发电机有功功率、发电机无功功率、负荷有功功率、负荷无功功率、风速和风向；
S62、对输入特征量使用标准分数进行标准化处理，从而获得输入特征集；
暂态稳定性评估模块，用于将输入特征集输入至自适应深度随机配置网络模型中，从而评估风电并网系统的暂态稳定性。
一种风电并网系统暂态稳定评估设备，所述设备包括处理器以及存储器；
所述存储器用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；
所述处理器用于根据所述计算机程序代码中的指令执行所述的风电并网系统暂态稳定评估方法。
与现有技术相比，本发明的有益效果为：
1、本发明一种风电并网系统暂态稳定评估方法、系统及设备中，首先获取风力发电的风速与风向数据，构建输入样本与高斯混合模型，然后通过确定每个样本属于每个类别的概率，迭代更新高斯混合模型的参数，获得高斯混合模型的最大似然估计，并进行样本聚类，获得不同样本类别的样本集，随后构建自适应深度随机配置网络模型，评估风电并网系统的暂态稳定性；本设计在应用中，基于高斯混合模型，将风速与风向作为高斯分布的随机变量，构建不同类别的样本集，降低了风电处理的不确定性对电力系统暂态稳定评估的影响，并构建自适应的评估模型，利用不同类别的样本集训练评估模型，使模型可以适应不同的风力出电情况，提高了评估输出的准确性。因此，本发明降低了风电出力不确定性影响，提高了评估输出的准确率。
2、本发明一种风电并网系统暂态稳定评估方法、系统及设备中，基于自适应正态分布构建隐藏层参数，改为自适应均匀分布生成参数，并且采用焦点损失函数作为模型的损失函数，不仅提高了评估模型的准确率，同时也提高了模型的运算速率。因此，本发明不仅准确率较高，而且效率较高。
附图说明
图1是本发明的方法步骤示意图。
图2是本发明的评估流程示意图。
图3是本发明中实施例1的自适应深度随机配置网络模型DeepSCN的结构示意图。
图4是本发明中实施例1的高斯混合模型在不同聚类中心下的表现示意图。
图5是本发明中实施例1的分类模型误差示意图。
图6是本发明的系统结构示意图。
图7是本发明的设备结构示意图。
图中：输入样本构建模块1、高斯混合模型构建模块2、高斯混合模型参数迭代模块3、样本聚类分析模块4、自适应深度随机配置网络模型构建模块5、输入特征集构建模块6、暂态稳定性评估模块7、处理器8、存储器9、计算机程序代码91。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
实施例1：
参见图1-图3，一种风电并网系统暂态稳定评估方法，包括：
S1、获取风力发电的风速与风向数据，构建输入样本；
进一步的，构建输入样本是指：
将获取的风速与风向数据分别进行归一化至区间[0，1]之间的实数，并通过组合方式构建二维随机变量的输入样本集[x1，x2，x3，...，xm]，输入样本集中的输入样本为xi＝(v，θ)，i＝1，2，3，...，m，其中：v为风速，θ为以正北为起点的风向角度。
优选的，所述风速与风向数据，可以通过时域仿真获取的包括模拟电力系统运行波动、改变故障位置、故障时间、模拟不同季节的风速及风向变化及随机风干扰下的原始样本集合中的风向和风速；也可以是来自于真实的风力发电出力参数中的风向和风速数据；所述输入样本中的成对的风向和风速属于同一时刻。
S2、基于输入样本，构建包含若干个高斯模型的高斯混合模型；
所述高斯混合模型GMM为多个高斯分布的线性组合，根据变量个数不同，其高斯分布应相应的选择单变量高斯分布与多变量高斯分布，本技术方案中的变量个数为两个，因此选择采用多变量高斯分布进行分析；
所述构建包含若干个高斯模型的高斯混合模型是指：
采用多变量高斯分布构建高斯混合模型，令多变量高斯分布的概率密度函数为：
其中：为多维随机变量，即输入样本xi；μ为多个变量的均值；∑为多个变量的协方差；D为变量的维度；
令高斯混合模型的概率分布为：
其中：K为高斯混合模型所包含的高斯模型的个数；为第k个高斯模型的分布概率密度函数；xi为输入样本；αk、μk、/>分别为第k个高斯模型的权重、均值与协方差；
所需估计的参数为：则对于每个输入样本xi，其最大似然函数定义为：
其中：为所需估计的参数。
S3、计算输入样本的后验概率确定每个输入样本属于每个类别的概率，迭代更新高斯混合模型的参数，获得高斯混合模型的最大似然估计；
进一步的，所述步骤S3，具体包括：
S31、设置遵循二元分布的隐藏变量zj＝[z1，z2，...，zN]，j＝1，2，...，N，并随机初始化参数αk、μk和
其中：N为量测数目；αk、μk、分别为第k个高斯模型的权重、均值与协方差；
优选的，由于输入样本xi属于哪一个高斯分布是未知的，在此引入遵循二元分布的隐藏变量，是为了衡量输入样本xi服从第k个高斯分布的概率，采用的是期望最大化估计参数化EM方法来估计参数。
所述每个输入样本属于每个类别的概率是指：高斯混合模型由k个不同的高斯模型组成，每一个高斯模型均具有对应的高斯分布，即k个聚类中心对应了k个类别，则其含义为每个输入样本属于k个类别的每一个类别的概率。
S32、基于隐藏变量和参数αk、μk和计算输入样本xi属于第k个高斯分布的后验概率P(zj＝k|xi)，其表达式如下：
优选的，上式中的分子与分母参照多变量高斯分布的概率密度函数的表达式改写而来，改写过程中将替换为输入样本xi，令μ为二维变量的均值，∑为二维变量的协方差，变量的维度D＝2。
S33、基于后验概率和量测数目N时的所有输入样本，计算更新后的参数，其表达式如下：
进一步的，引入中间参数Nk，便于计算更新后的参数；
S34、根据步骤S32与S33更新需要估计的参数直至参数不再发生变化，获得高斯混合模型的最大似然估计。
S4、求得每个输入样本概率最大的高斯模型，将其作为类别标签，并以类别标签划分样本类别，进行样本聚类，获得不同样本类别的样本集；
进一步的，所述步骤S4，具体包括：
S41、按照赤池信息准则AIC与AIC变化率判断最佳聚类中心的个数，其表达式如下：
其中：为高斯混合模型的最大似然函数，K0为聚类中心的数量，/>和/>分别表示聚类中心为K0和K0+1时的AIC值；当AIC与AIC变化率均最小时，对应的聚类中心的个数为最佳，在获取聚类中心的最佳个数后，再次进行样本聚类；在操作时可以设置5-9个聚类中心，即二元高斯分布的数量，使得输入样本按照构建的以风速与风向为随机变量的高斯分布进行样本聚类，从而得到对应的样本集。
S42、将输入样本按照以风速与风向为随机变量的高斯分布进行样本聚类，从而获得对应的样本集，并从中剔除异常的离群样本，获得不同样本类别的样本集。
优选的，对于变速风电机组来说，风速VW与风机出力的功率P需满足如下关系：
其中：ρ为空气密度；Ar为风机叶片的扫风面积；Vin和Vout分别为风力机的切入风速和切出风速；Cp为风能利用系数；λ为叶尖速比；θ0为桨距角。
当风速低于Vin和高于Vout时，风电出力为0，因此在聚类结果中，风速过高和过低与实际风电出力不匹配，则无法满足风速VW与风机出力的功率P关系的中间项内容，为避免这些样本影响后续评估，应将对应的输入样本作为异常的离群样本进行剔除。
S5、构建深度随机配置网络模型，并基于不同样本类别的样本集构建输入特征集，对深度随机配置网络模型进行自适应预训练，获得自适应深度随机配置网络模型；
进一步的，所述步骤S5，具体包括：
S51、构建深度随机配置网络模型，其包括输入层、若干隐藏层与输出层；
如图3所示，图中左侧为输入层，中间为若干隐藏层，右侧为输出层；令输入为X＝{x0.1，x0.2，......，x0.d}，T为输出；隐藏层中的φ为Sigmoid激活函数。
S52、基于自适应正态分布，配置深度随机配置网络模型中的每一层参数的权重与偏差，并采用焦点损失函数L，进行自适应训练评估输出权值，从而获得自适应深度随机配置网络模型；所述焦点损失函数L的表达式为：
其中：N0为样本数量；α为权重系数；γ为损失权重系数；p为预测值；y为真实值；所述预测值p与真实值y的取值为0或者1；当预测值p或者真实值y的取值为0时，表示预测样本或者真实样本为失稳样本，当预测值p或者真实值y的取值为1时，表示预测样本或者真实样本为稳定样本。
优选的，由于风电运行中，大部分时间是平稳运行，极少数状态是发生故障或者异常，这样可能导致输入自适应深度随机配置网络模型DeepSCN的样本不平衡，本技术方案中优选采用焦点损失函数解决样本不平衡的问题，即采用焦点损失函数评估输出权值，通过焦点损失函数可以降低预测值与真实值为1时，一定距离内稳定样本相邻的若干样本的权重值，越靠近稳定样本的相邻样本的权重降低的越多，从而实现样本过多的类别的权重下降，可见，通过焦点损失函数L能够增加失稳样本的关注度，降低数据不平衡问题对自适应深度随机配置网络模型DeepSCN的性能影响。
S6、结合输入样本与电气故障数据构建输入特征量，获得输入特征集；
进一步的，S61、采集故障发生时的电气数据，并结合输入样本构建输入特征量；所述输入特征量包括：母线电压幅值、母线电压相位角、发电机有功功率、发电机无功功率、负荷有功功率、负荷无功功率、风速和风向；
优选的，所述电气数据是指：电力系统中的同步相量测量单元PMU和广域测量系统WAMS采集到的故障发生时刻的电气数据作为时域仿真时模型的输入，并结合输入样本构建输入特征量。
S62、对输入特征量使用标准分数进行标准化处理，从而获得输入特征集。
所述标准化处理如下：
其中：为标准化后的数据，xE为任一类型的数据，μE为该类型数据的平均值，σE为数据的方差。
S7、将输入特征集输入至自适应深度随机配置网络模型中，从而评估风电并网系统的暂态稳定性。
进一步的，所述步骤S7中，基于暂态稳定判据进行评估风电并网系统的暂态稳定性；所述暂态稳定判据如下：
根据暂态稳定指标TSI将输入特征集的输入特征划分为暂态稳定与暂态失稳两种情形，其表达式如下：
其中：Δδmax为任意两台发电机之间的最大功差角；
并设定暂态稳定阈值ζ∈[-1，1]，当TSI＞ζ时，表示风电并网系统稳定，样本标签设置为1；当TSI＜ζ时，表示风电并网系统失稳，样本标签设置为0。
优选的，所述暂态稳定阈值ζ取值为0.1。
优选的，本技术方案中的自适应深度随机配置网络模型中采用混淆矩阵作为评价的工具，其评价指标如下：
其中：PACC表示分类模型的分类准确率；TP为稳定样本判断正确的样本数量；TN为失稳样本的判断正确的数量；FP为稳定样本判断错误的样本数量；FN为失稳样本判断错误的样本数量；PMAR为召回率，即稳定样本预测正确的概率；PFAR为假正率，即失稳样本被判为稳定的概率。
考虑到本技术所构建的样本集为不平衡样本集，且在实际生活中，对电力系统暂态失稳时的关注度更高，此时PACC在一定程度上失效，为了均衡考虑样本，在以上指标的基础上采用了马修斯相关系数MCC综合评价指标，其表达式如下：
其中：马修斯相关系数MCC的取值为[-1，1]，当MCC为-1时，则表示模型分类结果与实际完全相反；当MCC为0时，则表示模型分类的效果不如随机分类效果；当MCC取1时，表示模型分类效果与真实情况完全一致。
参见图4-图5，本实施例中，在改进的IEEE39节点系统上进行了算例分析测试，以验证模型的有效性。所有的训练和测试均处于同一台计算机下实现，计算机硬件条件为Core i5-11300H、16GBRAM和GTX 1660Ti 6G。
利用PSASP作为仿真平台，在节点30、31处，用风力发电机取代传统发电机，其中传统发电机使用5阶模型，风力发电机采用直驱式。
在基本负荷水平的80％至120％范围内模拟负荷波动，同时随机调整发电机出力，保证系统功率平衡，将母线电压保持在0.95—1.05pu，并模拟三相短路故障，分别应用于各线路的20％、35％、50％、65％、80％位置，在故障发生0.1s后清除故障，模拟时间为5s。
在样本集构建阶段，对每个偶然事件设置稳定性标签，最后，获得了9319个样本，其中稳定样本6687个，失稳样本2632个，随后将样本集划分为训练集和测试集，比例为7：3。
设置自适应深度随机配置网络模型DeepSCN有4个隐藏层，隐藏节点最大数Lmax＝100；最大候选节点Tmax＝30；隐藏层激活函数采用Sigmoid函数；学习率设为0.001；焦点损失函数中权重系数α设为0.25，损失权重系统γ设为2，接下来的模型性能分析都基于以上参数。自适应深度随机配置网络模型DeepSCN简称自适应DeepSCN，下同。
将已生成的样本的风速、风向数据输入高斯混合模型GMM进行聚类分析，如图4所示，分别设置5、6、7、8、9个聚类中心，根据AIC与AIC变化率判断设置最优的聚类个数，当具有6个聚类中心时，此时的AIC与AIC变化率最小，分别为2354与1.23％，也即此时的高斯混合模型GMM聚类效果达到最优，因此设置6个聚类中心，即K＝6,由于当前算例的输入特征集由仿真生成，其仿真的风机模型服从风速VW与风机出力的功率P关系的中间项内容，因此并没有出现离群的异常样本，但在实际电力系统的样本集中由于采集记录失误可能会出现异常样本需要将其删除。
如图5所示，为了验证本技术方案所采用的损失函数对模型的性能提升有帮助，将采用焦点损失函数与常用的交叉熵损失函数的自适应深度随机配置网络模型DeepSCN进行对比，在分类性能上，采用焦点损失函数的模型比采用常规交叉熵损失函数的分类模型误差小，且对于失稳样本的分类误差降低尤为明显，由此可以看出，焦点损失函数在本技术方案所用样本集中，对评估模型的性能提升较明显，具有较好的处理不平衡数据集的能力，对比结果如下表所示。
| 交叉熵损失函数 | 焦点损失函数 | |
| MCC | 0.889 | 0.961 |
| PFAR | 6.42％ | 1.97％ |
| PMAR | 3.74％ | 1.43％ |
| PACC | 95.52％ | 98.43％ |
由于所生成的6个样本集几乎已经包含了所有的风电出力情况，因此，采用6个样本集训练各自的自适应深度随机配置网络模型DeepSCN，并按照样本数量赋予不同模型相应的权重，使模型适用于几乎所有的风电出力情况，以此适应风电出力的不确定性对TSA的干扰。为了验证模型的性能提升，将其评估结果与DeepSCN构建的模型评估结果进行对比。
在由2796个样本组成的测试集中，有2033个稳定样本，和763个失稳样本，由混淆矩阵分别计算获得模型的评价指标如下表所示。
| 性能评价指标 | 自适应DeepSCN | DeepSCN |
| PACC | 98.43％ | 95.71％ |
| PMAR | 1.43％ | 3.84％ |
| PFAR | 1.97％ | 5.50％ |
| MCC | 0.961 | 0.894 |
使用自适应深度随机配置网络模型DeepSCN，其准确率为98.43％，其中，2033个稳定样本中有2004个样本判断正确，PMAR为1.43％；763个失稳样本中有748个样本判断正确，PFAR为1.97％；MCC为0.961，数值接近1，说明模型的分类效果较好。
与采用常规的DeepSCN模型相比，可以看出，模型的性能有较明显提升，而在准确率方面，自适应深度随机配置网络模型DeepSCN较常规DeepSCN提高2.72％，稳定样本的分类与失稳样本的分类效果都有提高，由MCC的对比结果显示，自适应深度随机配置网络模型DeepSCN的分类效果提高了0.67％。因此，对于常规DeepSCN的自适应改进存在一定的效果。
同时，将自适应DeepSCN与增量式随机向量函数链网络(Incremental RandomVector Functional-Link neural Network，IRVFLNN)、SVM、LSTM、深度神经网络(DeepNeural Network，DNN)等常见模型进行对比，其结果如下表所示。
| 模型 | PACC | PMAR | PFAR | MCC |
| IRVFLNN | 94.35％ | 4.97％ | 7.47％ | 0.861 |
| SVM | 94.31％ | 4.77％ | 8.13％ | 0.859 |
| LSTM | 97.39％ | 2.46％ | 3.01％ | 0.935 |
| DNN | 96.32％ | 3.39％ | 4.46％ | 0.909 |
| 自适应DeepSCN | 98.43％ | 1.43％ | 1.97％ | 0.961 |
可以看出本技术方案中所采用的自适应DeepSCN模型与大多数模型相比表现较好，虽然相较LSTM的表现，在数据呈现上优势不大，但是在建模过程中，LSTM需要耗费更多的时间进行参数调整，而自适应DeepSCN在构建时可以自适应调整参数，节省了大部分时间。此外，通过比较MCC，可以看出，模型在处理不平衡数据集时也有较好的表现。
本实施例中，我们还在改进的IEEE68节点系统上，进行模型的泛化性检验。
将IEEE68节点系统节点59、62、64处的常规发电机等容量替换为双馈直驱风力发电机，其余的样本生成设置与前述的改进的IEEE39节点系统设置相同。
最终，生成了7584个样本，其中：稳定样本5911个，失稳样本1673个。
将本技术方案的自适应DeepSCN与其他模型对比，对比结果如下表所示。
| 模型 | PACC | PMAR | PFAR | MCC |
| DeepSCN | 91.76％ | 6.94％ | 12.32％ | 0.793 |
| SVM | 90.76％ | 7.82％ | 13.63％ | 0.769 |
| LSTM | 94.73％ | 4.43％ | 8.13％ | 0.865 |
| DNN | 93.51％ | 5.51％ | 9.70％ | 0.835 |
| 自适应DeepSCN | 98.14％ | 1.77％ | 2.75％ | 0.948 |
从表中可以看出，自适应的DeepSCN评估模型在参数不变而样本集改变的情况下，仍能保持较好的性能，相较于改进前的DeepSCN模型，PACC提高了6.38％，通过观察MCC可以看出，样本的拟合程度也明显高于其他模型。由此，可以证明本技术方案的自适应深度随机配置网络模型具有较好的泛化性，在电网规模变大的情况下，仍具有较好的表现力。
实施例2：
参见图6，一种风电并网系统暂态稳定评估系统，包括：
输入样本构建模块1，用于获取风力发电的风速与风向数据，构建输入样本；
进一步的，所述输入样本构建模块1用于根据以下步骤构建输入样本；
将获取的风速与风向数据分别进行归一化至区间[0，1]之间的实数，并通过组合方式构建二维随机变量的输入样本集[x1，x2，x3，...，xm]，输入样本集中的输入样本为xi＝(v，θ)，i＝1，2，3，...，m，其中：v为风速，θ为以正北为起点的风向角度；
高斯混合模型构建模块2，用于基于输入样本，构建包含若干个高斯模型的高斯混合模型；
进一步的，所述高斯混合模型构建模块2根据以下步骤构建高斯混合模型；
采用多变量高斯分布构建高斯混合模型，令多变量高斯分布的概率密度函数为：
其中：为多维随机变量，即输入样本xi；μ为多个变量的均值；∑为多个变量的协方差；D为变量的维度；
令高斯混合模型的概率分布为：
其中：K为高斯混合模型所包含的高斯模型的个数；为第k个高斯模型的分布概率密度函数；xi为输入样本；αk、μk、/>分别为第k个高斯模型的权重、均值与协方差；
所需估计的参数为：则对于每个输入样本xi，其最大似然函数定义为：
其中：为所需估计的参数；
高斯混合模型参数迭代模块3，用于计算输入样本的后验概率确定每个输入样本属于每个类别的概率，迭代更新高斯混合模型的参数，获得高斯混合模型的最大似然估计；
进一步的，所述高斯混合模型参数迭代模块3用于根据以下步骤迭代参数；
S31、设置遵循二元分布的隐藏变量zj＝[z1，z2，...，zN]，j＝1，2，...，N，并随机初始化参数αk、μk和
其中：N为量测数目；αk、μk、分别为第k个高斯模型的权重、均值与协方差；
S32、基于隐藏变量和参数αk、μk和计算输入样本xi属于第k个高斯分布的后验概率P(zj＝k|xi)，其表达式如下：
S33、基于后验概率和量测数目N时的所有输入样本，计算更新后的参数，其表达如下：
/>
其中：Nk为中间参数；
S34、对需要估计的参数进行迭代，直至参数无变化，获得高斯混合模型的最大似然估计；
样本聚类分析模块4，用于求得每个输入样本概率最大的高斯模型，将其作为类别标签，并以类别标签划分样本类别，进行样本聚类，获得不同样本类别的样本集；
进一步的，所述样本聚类分析模块4用于根据以下步骤获得不同样本类别的样本集；
S41、按照赤池信息准则AIC与AIC变化率判断最佳聚类中心的个数，其表达式如下：
其中：为高斯混合模型的最大似然函数，K0为聚类中心的数量，/>和/>分别表示聚类中心为K0和K0+1时的AIC值；
S42、将输入样本按照以风速与风向为随机变量的高斯分布进行样本聚类，从而获得对应的样本集，并从中剔除异常的离群样本，获得不同样本类别的样本集；
自适应深度随机配置网络模型构建模块5，用于构建深度随机配置网络模型，并基于不同样本类别的样本集构建输入特征集，对深度随机配置网络模型进行自适应训练，从而获得自适应深度随机配置网络模型；
进一步的，所述自适应深度随机配置网络模型构建模块5用于根据以下步骤构建自适应深度随机配置网络模型；
S51、构建深度随机配置网络模型，其包括输入层、若干隐藏层与输出层；
S52、基于自适应正态分布，配置深度随机配置网络模型中的每一层参数的权重与偏差，并采用焦点损失函数L，进行自适应训练评估输出权值，从而获得自适应深度随机配置网络模型；所述焦点损失函数L的表达式为：
其中：N0为样本数量；α为权重系数；γ为损失权重系数；p为预测值；y为真实值；
输入特征集构建模块6，用于结合输入样本与电气故障数据构建输入特征量，获得输入特征集；
进一步的，所述输入特征集构建模块6用于根据以下步骤获得输入特征集；
S61、采集故障发生时的电气数据，并结合输入样本构建输入特征量；所述输入特征量包括：母线电压幅值、母线电压相位角、发电机有功功率、发电机无功功率、负荷有功功率、负荷无功功率、风速和风向；
S62、对输入特征量使用标准分数进行标准化处理，从而获得输入特征集；
暂态稳定性评估模块7，用于将输入特征集输入至自适应深度随机配置网络模型中，从而评估风电并网系统的暂态稳定性；
进一步的，所述暂态稳定性评估模块7用于根据以下步骤评估风电并网系统的暂态稳定性；
根据暂态稳定指标TSI将输入特征集的输入特征划分为暂态稳定与暂态失稳两种情形，其表达式如下：
其中：Δδmax为任意两台发电机之间的最大功差角；
并设定暂态稳定阈值ζ∈[-1，1]，当TSI＞ζ时，表示风电并网系统稳定，样本标签设置为1；当TSI＜ζ时，表示风电并网系统失稳，样本标签设置为0。
实施例3：
参见图7，一种风电并网系统暂态稳定评估设备，所述设备包括处理器8以及存储器9；
所述存储器9用于存储计算机程序代码91，并将所述计算机程序代码91传输给所述处理器8；
所述处理器8用于根据所述计算机程序代码91中的指令执行所述的风电并网系统暂态稳定评估方法。
一般来说，用以实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAn)、只读存储器(ROn)、可擦式可编程只读存储器(EKROn或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROn)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一个或多个程序设计语言或其组合来编写用以执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Snalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Kython语言和基于TensorFlow、KyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意个类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述设备和非临时性计算机可读存储介质，可以参见对一种风电并网系统暂态稳定评估方法及有益效果的具体描述，在此不再赘述。
尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种风电并网系统暂态稳定评估方法，其特征在于，包括：
S1、获取风力发电的风速与风向数据，构建输入样本；
S2、基于输入样本，构建包含若干个高斯模型的高斯混合模型；
S3、计算输入样本的后验概率确定每个输入样本属于每个类别的概率，迭代更新高斯混合模型的参数，获得高斯混合模型的最大似然估计；
S4、求得每个输入样本概率最大的高斯模型，将其作为类别标签，并以类别标签划分样本类别，进行样本聚类，获得不同样本类别的样本集；
S5、构建深度随机配置网络模型，并基于不同样本类别的样本集构建输入特征集，对深度随机配置网络模型进行自适应训练，从而获得自适应深度随机配置网络模型；
S6、基于输入样本与电气故障数据构建输入特征量，获得输入特征集；
S7、将输入特征集输入至自适应深度随机配置网络模型中，从而评估风电并网系统的暂态稳定性；
所述构建输入样本是指：
将获取的风速与风向数据分别进行归一化至区间[0，1]之间的实数，并通过组合方式构建二维随机变量的输入样本集[x1，x2，x3，...，xm]，输入样本集中的输入样本为xi＝(v，θ)，i＝1，2，3，...，m，其中：v为风速，θ为以正北为起点的风向角度；
所述构建包含若干个高斯模型的高斯混合模型是指：
采用多变量高斯分布构建高斯混合模型，令多变量高斯分布的概率密度函数为：
其中：为多维随机变量，即输入样本xi；μ为多个变量的均值；∑为多个变量的协方差；D为变量的维度；
令高斯混合模型的概率分布为：
其中：K为高斯混合模型所包含的高斯模型的个数；为第k个高斯模型的分布概率密度函数；xi为输入样本；αk、μk、/>分别为第k个高斯模型的权重、均值与协方差；
所需估计的参数为：则对于每个输入样本xi，其最大似然函数定义为：
其中：为所需估计的参数；
所述步骤S6，具体包括：
S61、采集故障发生时的电气数据，并结合输入样本构建输入特征量；所述输入特征量包括：母线电压幅值、母线电压相位角、发电机有功功率、发电机无功功率、负荷有功功率、负荷无功功率、风速和风向；
S62、对输入特征量使用标准分数进行标准化处理，从而获得输入特征集。
2.根据权利要求1所述的一种风电并网系统暂态稳定评估方法，其特征在于：
所述步骤S3，具体包括：
S31、设置遵循二元分布的隐藏变量zj＝[z1，z2，…，zN]，j＝1，2，…，n，并随机初始化参数αk、μk和
其中：N为量测数目；αk、μk、分别为第k个高斯模型的权重、均值与协方差；
S32、基于隐藏变量和参数αk、μk和计算输入样本xi属于第k个高斯分布的后验概率P(zj＝k|xi)，其表达式如下：
S33、基于后验概率和量测数目N时的所有输入样本，计算更新后的参数，其表达式如下：
其中：Nk为中间参数；
S34、对需要估计的参数进行迭代，直至参数无变化，获得高斯混合模型的最大似然估计。
3.根据权利要求1所述的一种风电并网系统暂态稳定评估方法，其特征在于：
所述步骤S4，具体包括：
S41、按照赤池信息准则AIC与AIC变化率判断最佳聚类中心的个数，其表达式如下：
其中：为高斯混合模型的最大似然函数，K0为聚类中心的数量，/>和/>分别表示聚类中心为K0和K0+1时的AIC值；
S42、将输入样本按照以风速与风向为随机变量的高斯分布进行样本聚类，从而获得对应的样本集，并从中剔除异常的离群样本，获得不同样本类别的样本集。
4.根据权利要求1所述的一种风电并网系统暂态稳定评估方法，其特征在于：
所述步骤S5，具体包括：
S51、构建深度随机配置网络模型，其包括输入层、若干隐藏层与输出层；
S52、基于自适应正态分布，配置深度随机配置网络模型中的每一层参数的权重与偏差，并采用焦点损失函数L，进行自适应训练评估输出权值，从而获得自适应深度随机配置网络模型；所述焦点损失函数L的表达式为：
其中：N0为样本数量；α为权重系数；γ为损失权重系数；p为预测值；y为真实值。
5.根据权利要求1所述的一种风电并网系统暂态稳定评估方法，其特征在于：
所述步骤S7中，基于暂态稳定判据进行评估风电并网系统的暂态稳定性；所述暂态稳定判据如下：
根据暂态稳定指标TSI将输入特征集的输入特征划分为暂态稳定与暂态失稳两种情形，其表达式如下：
其中：Δδmax为任意两台发电机之间的最大功差角；
设定暂态稳定阈值ζ∈[-1，1]，当TSI＞ζ时，表示风电并网系统稳定，样本标签设置为1；当TSI＜ζ时，表示风电并网系统失稳，样本标签设置为0。
6.一种风电并网系统暂态稳定评估系统，其特征在于，该系统应用于权利要求1-5任一项所述的方法，所述系统包括：
输入样本构建模块(1)，用于获取风力发电的风速与风向数据，构建输入样本；
所述输入样本构建模块(1)用于根据以下步骤构建输入样本；
将获取的风速与风向数据分别进行归一化至区间[0，1]之间的实数，并通过组合方式构建二维随机变量的输入样本集[x1，x2，x3，...，xm]，输入样本集中的输入样本为xi＝(v，θ)，i＝1，2，3，...，m，其中：v为风速，θ为以正北为起点的风向角度；
高斯混合模型构建模块(2)，用于基于输入样本，构建包含若干个高斯模型的高斯混合模型；
所述高斯混合模型构建模块(2)根据以下步骤构建高斯混合模型；
采用多变量高斯分布构建高斯混合模型，令多变量高斯分布的概率密度函数为：
其中：为多维随机变量，即输入样本xi；μ为多个变量的均值；∑为多个变量的协方差；D为变量的维度；
令高斯混合模型的概率分布为：
其中：K为高斯混合模型所包含的高斯模型的个数；为第k个高斯模型的分布概率密度函数；xi为输入样本；αk、μk、/>分别为第k个高斯模型的权重、均值与协方差；
所需估计的参数为：则对于每个输入样本xi，其最大似然函数定义为：
其中：为所需估计的参数；
高斯混合模型参数迭代模块(3)，用于计算输入样本的后验概率确定每个输入样本属于每个类别的概率，迭代更新高斯混合模型的参数，获得高斯混合模型的最大似然估计；
样本聚类分析模块(4)，用于求得每个输入样本概率最大的高斯模型，将其作为类别标签，并以类别标签划分样本类别，进行样本聚类，获得不同样本类别的样本集；
自适应深度随机配置网络模型构建模块(5)，用于构建深度随机配置网络模型，并基于不同样本类别的样本集构建输入特征集，对深度随机配置网络模型进行自适应训练，从而获得自适应深度随机配置网络模型；
输入特征集构建模块(6)，用于基于输入样本与电气故障数据构建输入特征量，获得输入特征集；
所述输入特征集构建模块(6)用于根据以下步骤获得输入特征集；
S61、采集故障发生时的电气数据，并结合输入样本构建输入特征量；所述输入特征量包括：母线电压幅值、母线电压相位角、发电机有功功率、发电机无功功率、负荷有功功率、负荷无功功率、风速和风向；
S62、对输入特征量使用标准分数进行标准化处理，从而获得输入特征集；
暂态稳定性评估模块(7)，用于将输入特征集输入至自适应深度随机配置网络模型中，从而评估风电并网系统的暂态稳定性。
7.一种风电并网系统暂态稳定评估设备，其特征在于：
所述设备包括处理器(8)以及存储器(9)；
所述存储器(9)用于存储计算机程序代码(91)，并将所述计算机程序代码(91)传输给所述处理器(8)；
所述处理器(8)用于根据所述计算机程序代码(91)中的指令执行权利要求1-5中任一项所述的风电并网系统暂态稳定评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311649322.4A CN117390418B (zh) | 2023-12-05 | 2023-12-05 | 一种风电并网系统暂态稳定评估方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311649322.4A CN117390418B (zh) | 2023-12-05 | 2023-12-05 | 一种风电并网系统暂态稳定评估方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117390418A CN117390418A (zh) | 2024-01-12 |
| CN117390418B true CN117390418B (zh) | 2024-03-08 |
Family
ID=89437698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311649322.4A Active CN117390418B (zh) | 2023-12-05 | 2023-12-05 | 一种风电并网系统暂态稳定评估方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390418B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112217207A (zh) * | 2020-10-20 | 2021-01-12 | 南方电网科学研究院有限责任公司 | 一种暂态电压稳定裕度预测方法及装置 |
| CN113746087A (zh) * | 2021-08-19 | 2021-12-03 | 浙江大学 | 基于ctgan的电网暂稳样本可控生成以及评估方法和系统 |
| CN115329669A (zh) * | 2022-08-11 | 2022-11-11 | 国网四川省电力公司电力科学研究院 | 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法 |
| CN115392133A (zh) * | 2022-09-21 | 2022-11-25 | 西安理工大学 | 采用高斯混合模型的风电场最优聚类等值方法 |
| CN115936539A (zh) * | 2023-02-03 | 2023-04-07 | 国网浙江省电力有限公司电力科学研究院 | 考虑风电功率预测误差的静态电压稳定性快速评估方法 |
| EP4254705A1 (en) * | 2022-03-30 | 2023-10-04 | Fundación Tecnalia Research & Innovation | Computer-implemented method or assessment of a power distribution grid |
| CN116911161A (zh) * | 2023-06-02 | 2023-10-20 | 三峡大学 | 一种结合数据增强的深度学习暂态电压稳定评估方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020096560A1 (en) * | 2018-11-05 | 2020-05-14 | General Electric Company | Power system measurement based model calibration with enhanced optimization |
| CN110518631B (zh) * | 2019-07-30 | 2020-11-20 | 华北电力大学 | 一种直驱风电机组的稳定性评估方法及系统 |
| CN113177357B (zh) * | 2021-04-29 | 2022-08-09 | 清华大学 | 一种电力系统暂态稳定评估方法 |
-
2023
- 2023-12-05 CN CN202311649322.4A patent/CN117390418B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112217207A (zh) * | 2020-10-20 | 2021-01-12 | 南方电网科学研究院有限责任公司 | 一种暂态电压稳定裕度预测方法及装置 |
| CN113746087A (zh) * | 2021-08-19 | 2021-12-03 | 浙江大学 | 基于ctgan的电网暂稳样本可控生成以及评估方法和系统 |
| EP4254705A1 (en) * | 2022-03-30 | 2023-10-04 | Fundación Tecnalia Research & Innovation | Computer-implemented method or assessment of a power distribution grid |
| CN115329669A (zh) * | 2022-08-11 | 2022-11-11 | 国网四川省电力公司电力科学研究院 | 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法 |
| CN115392133A (zh) * | 2022-09-21 | 2022-11-25 | 西安理工大学 | 采用高斯混合模型的风电场最优聚类等值方法 |
| CN115936539A (zh) * | 2023-02-03 | 2023-04-07 | 国网浙江省电力有限公司电力科学研究院 | 考虑风电功率预测误差的静态电压稳定性快速评估方法 |
| CN116911161A (zh) * | 2023-06-02 | 2023-10-20 | 三峡大学 | 一种结合数据增强的深度学习暂态电压稳定评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| Deep stochastic configuration networks with optimised model and hyper-parameters;Matthew J. Felicetti等;Information Sciences;431-441 * |
| 基于半监督MPSVM的电力系统暂态稳定评估;曲锐;王世荣;辛文龙;;广东电力(04);83-90 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117390418A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| CN109447441B (zh) | 一种考虑新能源机组不确定性的暂态稳定风险评估方法 | |
| CN112288147B (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
| CN115017787A (zh) | 基于智能算法的风电场电压穿越特性等值建模方法及系统 | |
| CN112001644A (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| Yin et al. | Deep learning based feature reduction for power system transient stability assessment | |
| CN112821424A (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
| CN113205125A (zh) | 一种基于XGBoost的特高压换流阀运行状态评估方法 | |
| CN111401792A (zh) | 一种基于极限梯度提升决策树的动态安全评估方法 | |
| CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
| CN112036718B (zh) | 一种考虑新能源不确定性的电力系统安全风险评估方法 | |
| CN113673788A (zh) | 基于分解误差修正和深度学习的光伏发电功率预测方法 | |
| CN117390418B (zh) | 一种风电并网系统暂态稳定评估方法、系统及设备 | |
| CN112598148A (zh) | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 | |
| CN116896093A (zh) | 一种风电场并网振荡稳定性在线分析与优化方法 | |
| CN116306236A (zh) | 一种基于gru-lstm-fc组合网络的风电场动态等值建模方法及系统 | |
| CN113128130B (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 | |
| CN113048012B (zh) | 基于混合高斯模型的风电机组偏航角度识别方法和装置 | |
| CN111814394A (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 | |
| CN111798049B (zh) | 一种基于集成学习与多目标规划的电压稳定评估方法 | |
| He | Machine Learning Based Method for Transient Stability Assessment of Power Systems | |
| CN116258265A (zh) | 基于ga-bp神经网络的新型电力系统短路电流在线预测方法 | |
| CN116430118A (zh) | 电网谐波污染程度的评价方法、装置及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |