CN118036886A - 面向电-气互联新型电力系统的动态安全裕度评估方法 - Google Patents
面向电-气互联新型电力系统的动态安全裕度评估方法 Download PDFInfo
- Publication number
- CN118036886A CN118036886A CN202410211914.6A CN202410211914A CN118036886A CN 118036886 A CN118036886 A CN 118036886A CN 202410211914 A CN202410211914 A CN 202410211914A CN 118036886 A CN118036886 A CN 118036886A
- Authority
- CN
- China
- Prior art keywords
- matrix
- node
- data
- model
- neural network
- 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 58
- 239000011159 matrix material Substances 0.000 claims abstract description 107
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 41
- 230000008878 coupling Effects 0.000 claims abstract description 34
- 238000010168 coupling process Methods 0.000 claims abstract description 34
- 238000005859 coupling reaction Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 230000008447 perception Effects 0.000 claims abstract description 5
- 239000007789 gas Substances 0.000 claims description 50
- 238000011156 evaluation Methods 0.000 claims description 35
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 239000003345 natural gas Substances 0.000 claims description 12
- 238000013499 data model Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 241000668842 Lepidosaphes gloverii Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种面向电‑气互联新型电力系统的动态安全裕度评估方法,涉及电力系统技术领域。基于电‑气互联新型电力系统的多时间尺度特性,测出并汇总节点在所有采样时刻的测量值,并进行数据转换及标准化处理;构建异构数据检测矩阵,通过对异构数据矩阵进行奇异值分解,得到特征值和最大特征向量,并进一步处理与节点状态对应构成样本数据集;搭建深度图卷积神经网络模型,并构建分布感知学习模块;输入处理后的数据集对模型进行训练;将实时运行数据进行均值移除处理后,将得到的左右奇异矩阵输入到训练好的模型中进行电‑气耦合网络安全裕度检测。本发明能够达到及时有效地评估系统运行安全裕度,避免停电连锁故障等重大事故的目的。
Description
技术领域
本发明涉及电力系统技术领域,尤其涉及一种面向电-气互联新型电力系统的动态安全裕度评估方法。
背景技术
随着我国产业不断向绿色转型发展,传统电力系统的基本架构也在不断改进和演变,为了促进不同类型能源的源、网、荷、储的深度融合互补和紧密互动,人们设计了电力-天然气网络耦合的新型电力系统,从而实现异质能源的规模化利用,并最终解决了社会经济发展过程中能源需求增长与能源紧缺之间的矛盾。然而,由于不同能源系统间的交互影响会造成系统的运行风险增加,导致单个系统的故障易造成电-气互联新型电力系统的大规模故障。因此,进行系统动态安全裕度评估具有重要意义,并且基于评估结果采取措施可以为系统的安全运行提供理论依据与技术支持。
由于系统日益复杂的关联耦合特性、不确定性与随机性,系统安全裕度评估研究更加复杂,其运行环境复杂使得耦合因素不仅容量巨大,且具有不确定性、异质性等特征,现有的单一方法很难在大数据中有效挖掘有价值的信息要素,也难以对具有不确定性和异质性的信息进行有效融合与分析。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种面向电-气互联新型电力系统的动态安全裕度评估方法,在能源统一分析框架下实现异构能量耦合运行机理,进而以此为核心获取多源信号变化随时空传播的衰减信息,最终提出人机多级协同决策的多维安全域计算方法,以达到及时有效地评估系统运行安全裕度,避免停电连锁故障等重大事故的目的。
为解决上述技术问题,本发明所采取的技术方案是:
一种面向电-气互联新型电力系统的动态安全裕度评估方法,包括如下步骤:
步骤1:基于电-气互联新型电力系统的多时间尺度特性,测出并汇总节点在所有采样时刻下的测量值,对其进行数据转换及标准化处理,使不同能源能够在同一量级进行分析;随后构建出异构数据检测矩阵,用于对耦合网络的安全裕度进行检测;
步骤2:通过对步骤1中得到的异构数据检测矩阵进行奇异值分解,得到其多元谱数据,包括特征值和最大特征向量;随后对特征值数据和最大特征向量进一步处理并与节点状态对应构成样本数据集;
步骤3:通过对步骤2中构建的数据集进行预处理,搭建深度图卷积神经网络模型,并构建分布感知学习模块以应用于神经网络模型中,使模型能够得到更为准确的电力系统信息表示;随后输入处理后的数据集对深度图卷积神经网络模型进行训练,以达到对电-气耦合网络系统进行安全裕度评估的目的;
步骤4:将电-气互联新型电力系统的实时运行数据进行均值移除处理后,将得到的左奇异矩阵、右奇异矩阵输入到步骤3中已经训练好的二维深度图卷积神经网络模型中进行电-气耦合网络安全裕度检测,并得到对应的检测结果。
进一步地,所述步骤1的具体方法为:
步骤1.1:将电力子网络和天然气子网络两种能源节点分别划分为不同时间尺度的数据模型进行分析;将电力系统的数据划分为短尺度数据模型,其检测变量为网络节点x处的电压Vx;将天然气系统的数据划分为长尺度数据模型,其检测变量为网络节点y处的压力Py;
步骤1.2:获取电-气互联新型电力系统的历史运行数据,i为节点编号,i=1,2,…,n;t为采样时刻,t=1,2,…,T;获取第i个网络节点在任意采样时刻t处检测变量的值
步骤1.3:对步骤1.2所获得的单个网络节点的检测变量数据进行如下的点乘加权转换:
其中,ψ为归一化函数;W1、W2、W3均为实常数构成的长度为2的行向量,k为加权系数,·为点乘运算;
步骤1.4:重复步骤1.2和步骤1.3的操作,分别测出每个节点在某个采样时刻的检测变量,并对其进行加权转换;随后将当前时刻采集到的数据按照节点顺序排列汇总成一个大小为n×1的检测矩阵Mt,
步骤1.5:对步骤1.4中得到的检测矩阵Mt的每一行mt进行标准化处理,使天然气和电力两种不同的能源能够在同一量级进行分析;标准化函数表达式为:
其中,mt为矩阵Mt的行向量,max(mt)为mt的最大值;
步骤1.6:将连续T个采样时刻得到的检测矩阵Mt(t=1,2,…,T)按照时间顺序堆叠构成一个大小为n*T的异构数据检测矩阵
进一步地,所述步骤2的具体方法为:
步骤2.1:对步骤1.6中获得的异构数据检测矩阵进行奇异值分解,得到其奇异值和奇异向量;
步骤2.1.1:通过对异构数据检测矩阵及其转置矩阵/>进行点乘运算,分别得到矩阵CtL和CtR,/>
步骤2.1.2:对矩阵CtL和CtR分别进行特征值分解,即:
步骤2.1.3:根据步骤2.1.2,将异构数据矩阵表示为:/>其中矩阵Et的对角线元素为矩阵/>的特征值λi;矩阵Ut的列向量uti为矩阵/>的左奇异向量,矩阵Vt的列向量vti为矩阵/>的右奇异向量;其中,i=1,2,…,n;
步骤2.2:对特征值λi进行数据标准化处理,使矩阵的所有特征值均满足标准正态分布,i=1,2,…,n;标准化公式为:
步骤2.3:分别对矩阵Ut和矩阵的Vt的每一列进行均值移除处理,使矩阵的每一列均满足标准正态分布,得到左、右奇异矩阵;
步骤2.3.1:对矩阵Ut的每一列进行均值移除处理,公式为:其中μ(uti)为uti的均值,σ(uti)为uti的标准差;
步骤2.3.2:对矩阵Vt的每一列进行均值移除处理,公式为:其中μ(vti)为vti的均值,σ(vti)为vti的标准差;
步骤2.3.3:分别将处理后的列向量和/>按节点顺序堆叠汇总成左奇异矩阵/>和右奇异矩阵/>
步骤2.4:从电-气耦合网络历史运行数据中获取得到每个节点的状态S,并对数据进行标记:
步骤2.5:将步骤2.3中进行均值移除处理后得到的左奇异矩阵右奇异矩阵/>与步骤2.4获取的电-气耦合网络节点历史运行状态S相对应,得到一个二分类样本数据集,用于对神经网络模型进行训练。
进一步地,所述步骤3的具体方法为:
步骤3.1:给节点嵌入特征H=[h1,h2,…,hn]T,然后通过考虑高斯的均值μ和协方差分量Σ,设计最终的图表示,以达到使用向量表示来概述高斯分布信息的目的;因此,将分布感知学习模块定义为:
步骤3.2:搭建深度图卷积神经网络模型,将步骤3.1中提出的分布感知学习模块应用到模型中;随后对步骤2.5中得到的样本数据集进行处理并输入到模型中,以达到对电-气耦合网络系统进行安全裕度评估的目的;
步骤3.2.1:在输入层中,导入步骤2.5中得到的样本数据集并将数据转换为独热编码,并生成邻接矩阵以表示与每个节点相连的其他节点的集合;随后对数据进行预处理,包括进行归一化操作、处理异常值、填充缺失值、将所有邻居列表填充到相同的长度;随后将处理好的数据输入到图卷积层中;
步骤3.2.2:在图卷积层中,首先对图结构中的节点和边进行特征提取,并应用步骤3.1中提出的分布感知学习模块为每个节点生成新的特征向量;使得每个节点除了包含自身的信息之外,还包含了邻居节点的信息,从而得到更为准确的电力系统信息表示;
步骤3.2.3:在池化层中,应用骤3.1中提出的分布感知学习模块,聚合节点邻域内的信息,将邻近节点的特征信息进行融合,形成新的特征表示,从而减少节点特征的维度,输出低维度特征向量;
步骤3.2.4:在全连接层中,将池化层输出的低维度特征向量与目标任务的标签进行连接,使得模型利用节点特征以及图结构信息进行最终的预测任务,并使节点的汇总特征向量映射到暂态稳定性评估的输出空间,最终得到每个节点的暂态稳定评估结果;此外,在全连接层中引入非线性激活函数ReLU;
步骤3.2.5:在神经网络模型中,应用图卷积神经网络模型作为消息传递函数:
其中,σ代表激活函数ReLU,Cl代表第l层节点的度数,即其邻居节点的个数,Nl表示第l层节点的个数,W(l)代表第l层的权重矩阵,H(l)表示第l层的节点特征矩阵;
步骤3.3:将步骤2.5中得到的二分类数据集作为样本集中的样本,采用Adam优化器对二维深度图卷积神经网络模型参数进行更新,并对二维深度图卷积神经网络进行训练,得到最终的实时二维深度卷积神经网络;
步骤3.3.1:对神经网络模型参数Λ进行随机初始化,并将样本集划分为训练集和测试集;
步骤3.3.2:从训练样本集中选择一部分训练样本输入到神经网络模型中,并得到模型输出的节点状态Strain,并采用Adam优化器对模型参数Λ进行更新;
步骤3.3.3:重复步骤3.3.1和步骤3.3.2,直至完成对样本集中所有样本的训练,并找出使得模型输出结果与目标输出结果之间绝对误差的平均值最小的参数Λmin,并将Λmin作为最终的神经网络模型的参数。
进一步地,所述步骤4的具体方法为:
步骤4.1:将经过步骤2.3中的均值移除处理后的左奇异矩阵和右奇异矩阵/>作为输入数据输入到步骤3已经训练好的二维深度图卷积神经网络模型当中,得到其对应的节点状态输出结果Sr:/>最终达到对电-气耦合网络系统进行安全裕度评估的目的;
步骤4.2:通过将步骤4.1中的神经网络模型输出的节点状态Sr与步骤2.4中从历史数据中获得的节点状态S进行比较,得出经过训练的二维深度图卷积神经网络模型的评估准确率;
步骤4.2.1:输出并比较每个节点的神经网络模型评估状态Sr和历史节点状态S,若Sr=S,表明此时电-气互联新型电力系统评估结果为模型输出结果;若Sr≠S,将神经网络模型评估状态Sr和历史节点状态S进行加权运算;最终节点状态评估结果表示为:
式中,α+β=1;
步骤4.2.2:通过计算得出模型的评估准确率其中n为节点总数,m为评估正确的节点个数;最终得出模型对电-气互联新型电力系统的安全裕度评估效果。
采用上述技术方案所产生的有益效果在于:本发明提供的面向电-气互联新型电力系统的动态安全裕度评估方法,提出了一种新的分布感知学习机制(DAL),与传统的图嵌入方法相比,可以学习到节点在不同时间点的分布特征,从而更准确地捕捉到节点之间的关系,以获得更好的暂态稳定性评估结果;与很多传统的暂态稳定评估方法相比,基于图卷积神经网络的方法可以自动学习系统的特征表示,避免了繁琐的模型建立过程,同时可以处理大规模复杂网络;该方法使用图卷积神经网络来学习电力系统中节点的表征,因此具有良好的可解释性。可以通过节点的表征来理解模型对电力系统动态安全裕度评估结果的影响。
附图说明
图1为本发明实施例提供的面向电-气互联新型电力系统的动态安全裕度评估方法流程图;
图2为本发明实施例提供的电-气耦合网络及典型耦合设备结构框图;
图3为本发明实施例提供的二维深度图卷积神经网络结构示意图;
图4为本发明实施例提供的深度图卷积神经网络训练过程流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例基于电-气互联新型电力系统的多时间尺度特性,测出并汇总节点在所有采样时刻下的测量值,对其进行数据转换及标准化处理,使不同能源能够在同一量级进行分析。随后构建出异构数据检测矩阵,用于对耦合网络的安全裕度进行检测。通过对异构数据矩阵进行奇异值分解,得到其多元谱数据,包括特征值和最大特征向量。随后对特征值数据和最大特征向量进一步处理并与节点状态对应构成样本数据集。
通过对构建的数据集进行预处理,搭建深度图卷积神经网络模型,并构建分布感知学习模块以应用于神经网络模型中,使模型能够得到更为准确的电力系统信息表示。随后输入处理后的数据集对其进行训练,并将节点状态S作为深度图卷积神经网络的目标输出结果,以达到对电-气耦合网络系统进行安全裕度评估的目的;
将电-气互联新型电力系统的实时运行数据进行均值移除处理后,将得到的左奇异矩阵、右奇异矩阵输入到训练好的二维深度图卷积神经网络模型中进行电-气耦合网络安全裕度检测,并得到对应的检测结果。
如图1所示,本实施例的方法具体如下所述。
步骤1:基于电-气互联新型电力系统的多时间尺度特性,测出并汇总节点在所有采样时刻下的测量值,对其进行数据转换及标准化处理,使不同能源能够在同一量级进行分析;随后构建出异构数据检测矩阵,用于对耦合网络的安全裕度进行检测。具体方法如下:
步骤1.1:由于电-气互联新型电力系统在时间尺度上拥有明显的差异,将电力子网络和天然气子网络两种能源节点分别划分为不同时间尺度的数据模型进行分析。由于电力系统在耦合系统的动态响应时间通常为秒级至分钟级,将电力系统的数据划分为短尺度数据模型,其检测变量为网络节点x处的电压Vx。由于天然气系统在耦合系统的动态响应时间通常为分钟级至小时级,将天然气系统的数据划分为长尺度数据模型,其检测变量为网络节点y处的压力Py。
步骤1.2:获取电-气互联新型电力系统的历史运行数据,i(i=1,2,…,n)为节点编号,t(t=1,2,…,T)为采样时刻,并获取其单个网络节点i在任意采样时刻t处检测变量的值
本实施例历史运行数据来源于如图2所示的电-气互联新型电力系统结构,包括53个节点,其中有20个天然气网络节点和33个电力网络节点。
步骤1.3:为了提升模型精度,对步骤1.2所获得的单个网络节点的检测变量数据进行如下的点乘加权转换:
其中,ψ为归一化函数;W1、W2、W3均为实常数构成的长度为2的行向量,k为加权系数,·为点乘运算。
步骤1.4:重复步骤1.2和步骤1.3的操作,分别测出每个节点在某个采样时刻的检测变量,并对其进行加权转换;随后将当前时刻采集到的数据按照节点顺序排列汇总成一个大小为n×1的检测矩阵Mt,
步骤1.5:对步骤1.4中得到的检测矩阵Mt的每一行mt进行标准化处理,使天然气和电力两种不同的能源能够在同一量级进行分析;标准化函数表达式为:
其中,mt为矩阵Mt的行向量,max(mt)为mt的最大值。
步骤1.6:将连续T个采样时刻得到的检测矩阵Mt(t=1,2,…,T)按照时间顺序堆叠构成一个大小为n*T的异构数据检测矩阵
步骤2:通过对步骤1.6中得到的异构数据检测矩阵进行奇异值分解,得到其多元谱数据,包括特征值和最大特征向量;随后对特征值数据和最大特征向量进一步处理并与节点状态对应构成样本数据集。具体方法如下:
步骤2.1:对步骤1.6中获得的异构数据检测矩阵进行奇异值分解,得到其奇异值和奇异向量,具体方法为:
步骤2.1.1:通过对异构数据检测矩阵及其转置矩阵/>进行点乘运算,分别得到矩阵CtL和CtR,/>
步骤2.1.2:对矩阵CtL和CtR分别进行特征值分解,即:
步骤2.1.3:根据步骤2.1.2,将异构数据矩阵表示为:/>其中矩阵Et的对角线元素为矩阵/>的特征值λi;矩阵Ut的列向量uti为矩阵/>的左奇异向量,矩阵Vt的列向量vti为矩阵/>的右奇异向量;其中,i=1,2,…,n。
步骤2.2:对特征值λi进行数据标准化处理,使矩阵的所有特征值均满足标准正态分布,i=1,2,…,n;标准化公式为:
步骤2.3:分别对矩阵Ut和矩阵的Vt的每一列进行均值移除处理,使矩阵的每一列均满足标准正态分布,得到左、右奇异矩阵,具体方法为:
步骤2.3.1:对矩阵Ut的每一列进行均值移除处理,公式为:其中μ(uti)为uti的均值,σ(uti)为uti的标准差;
步骤2.3.2:对矩阵Vt的每一列进行均值移除处理,公式为:其中μ(vti)为vti的均值,σ(vti)为vti的标准差;
步骤2.3.3:分别将处理后的列向量和/>按节点顺序堆叠汇总成左奇异矩阵/>和右奇异矩阵/>
步骤2.4:从电-气耦合网络历史运行数据中获取得到每个节点的状态S,并对数据进行标记:
步骤2.5:将步骤2.3中进行均值移除处理后得到的左奇异矩阵右奇异矩阵/>与步骤2.4获取的电-气耦合网络节点历史运行状态S相对应,得到一个二分类样本数据集,用于对神经网络模型进行训练。
步骤3:通过对步骤2.5中构建的数据集进行预处理,搭建深度图卷积神经网络模型,并构建分布感知学习模块以应用于神经网络模型中,使模型能够得到更为准确的电力系统信息表示;随后输入处理后的样本数据集对深度图卷积神经网络模型进行训练,以达到对电-气耦合网络系统进行安全裕度评估的目的;具体方法如下:
步骤3.1:给节点嵌入特征H=[h1,h2,…,hn]T,然后通过考虑高斯的均值μ和协方差分量Σ,设计最终的图表示,以达到使用向量表示来概述高斯分布信息的目的;因此,将分布感知学习模块定义为:
步骤3.2:搭建深度图卷积神经网络模型,如图3所示,为了能够学习到更为准确的电力系统信息表示,将步骤3.1中提出的分布感知学习模块应用到模型中;随后对步骤2.5中得到的样本数据集进行处理并输入到模型中,以达到对电-气耦合网络系统进行安全裕度评估的目的。具体方法为:
步骤3.2.1:在输入层中,导入步骤2.5中得到的样本数据集并将数据转换为独热编码,并生成邻接矩阵以表示与每个节点相连的其他节点的集合;随后对数据进行预处理,包括进行归一化操作、处理异常值、填充缺失值、将所有邻居列表填充到相同的长度,以提高数据质量,加快神经网络的训练速度,从而提高模型的泛化能力;随后将处理好的数据输入到图卷积层中;
步骤3.2.2:在图卷积层中,首先对图结构中的节点和边进行特征提取,并应用步骤3.1中提出的分布感知学习模块为每个节点生成新的特征向量;使得每个节点除了包含自身的信息之外,还包含了邻居节点的信息,从而得到更为准确的电力系统信息表示。在这个步骤中,将电力系统的拓扑结构和节点特征信息进行整合,有助于揭示节点之间的内在联系,从而学习到更为准确的电力系统信息表示,有助于提高模型的表达能力和泛化性能;
步骤3.2.3:在池化层中,应用骤3.1中提出的分布感知学习模块,聚合节点邻域内的信息,将邻近节点的特征信息进行融合,形成新的特征表示,从而减少节点特征的维度,以达到减少计算量、增强模型的泛化能力的目的。在池化操作中,保持节点的邻接关系不变,使得模型能够保留图的拓扑结构,对图结构的变化具有一定的不变性。此外,池化层减少了模型的复杂度,有助于防止过拟合现象的发生;
步骤3.2.4:在全连接层中,将池化层输出的低维度特征向量与目标任务的标签进行连接,使得模型利用节点特征以及图结构信息进行最终的预测任务,并使节点的汇总特征向量映射到暂态稳定性评估的输出空间,最终得到每个节点的暂态稳定评估结果;此外,在全连接层中引入非线性激活函数(ReLU),增加模型的非线性能力,同时也有助于提高模型的泛化能力,从而提高模型的预测性能;
步骤3.2.5:在神经网络模型中,应用图卷积神经网络模型作为消息传递函数:
其中,σ代表激活函数ReLU,Cl代表第l层节点的度数,即其邻居节点的个数,Nl表示第l层节点的个数,W(l)代表第l层的权重矩阵,H(l)表示第l层的节点特征矩阵。
步骤3.3:将步骤2.5中得到的二分类数据集作为样本集中的样本,采用Adam优化器对二维深度图卷积神经网络模型参数进行更新,并对二维深度图卷积神经网络进行训练,得到最终的实时二维深度卷积神经网络;
本实施例中,深度图卷积神经网络模型的训练方法如图4所示,包括以下步骤:
步骤3.3.1:对神经网络模型参数Λ进行随机初始化,并将样本集中的6400组数据样本随机选取5760组样本作为训练样本,640组样本作为测试样本;
步骤3.3.2:从训练样本集中每次选择64组训练样本输入到神经网络模型中,并得到模型输出的节点状态Strain,并采用Adam优化器对模型参数Λ进行更新;
步骤3.3.3:重复步骤3.3.1和步骤3.3.2,最大重复次数为300次,直至完成对训练样本集中所有样本的训练,并找出使得模型输出结果与目标输出结果之间绝对误差的平均值最小的参数Λmin,并将Λmin作为最终的神经网络模型的参数。
步骤4:将电-气互联新型电力系统的实时运行数据进行均值移除处理后,将得到的左奇异矩阵、右奇异矩阵输入到步骤3中已经训练好的二维深度图卷积神经网络模型中进行电-气耦合网络安全裕度检测,并得到对应的检测结果。具体方法如下:
步骤4.1:将经过步骤2.3中的均值移除处理后的左奇异矩阵和右奇异矩阵/>作为输入数据输入到步骤3已经训练好的二维深度图卷积神经网络模型当中,得到其对应的节点状态输出结果Sr:/>最终达到对电-气耦合网络系统进行安全裕度评估的目的;
步骤4.2:通过将步骤4.1中的神经网络模型输出的节点状态Sr与步骤2.4中从历史数据中获得的节点状态S进行比较,得出经过训练的二维深度图卷积神经网络模型的评估准确率,对方法的有效性进行验证;具体方法为:
步骤4.2.1:输出并比较每个节点的神经网络模型评估状态Sr和历史节点状态S,若Sr=S,表明此时电-气互联新型电力系统评估结果为模型输出结果;若Sr≠S,将神经网络模型评估状态Sr和历史节点状态S进行加权运算;最终节点状态评估结果表示为:
式中,α+β=1;
步骤4.2.2:通过计算得出模型的评估准确率其中n为节点总数,m为评估正确的节点个数;最终得出模型对电-气互联新型电力系统的安全裕度评估效果。
本实施例中,根据计算得到500组数据输出结果Sr,经过与历史节点状态S进行比较,其中425组Sr和S的结果相同,一致率为85%,也意味着微分布式能源状态监测准确率为85%。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (8)
1.一种面向电-气互联新型电力系统的动态安全裕度评估方法,其特征在于:包括如下步骤:
步骤1:基于电-气互联新型电力系统的多时间尺度特性,测出并汇总节点在所有采样时刻下的测量值,对其进行数据转换及标准化处理,使不同能源能够在同一量级进行分析;随后构建出异构数据检测矩阵,用于对耦合网络的安全裕度进行检测;
步骤2:通过对步骤1中得到的异构数据检测矩阵进行奇异值分解,得到其多元谱数据,包括特征值和最大特征向量;随后对特征值数据和最大特征向量进一步处理并与节点状态对应构成样本数据集;
步骤3:通过对步骤2中构建的数据集进行预处理,搭建深度图卷积神经网络模型,并构建分布感知学习模块以应用于神经网络模型中,使模型能够得到更为准确的电力系统信息表示;随后输入处理后的数据集对深度图卷积神经网络模型进行训练,以达到对电-气耦合网络系统进行安全裕度评估的目的;
步骤4:将电-气互联新型电力系统的实时运行数据进行均值移除处理后,将得到的左奇异矩阵、右奇异矩阵输入到步骤3中已经训练好的二维深度图卷积神经网络模型中进行电-气耦合网络安全裕度检测,并得到对应的检测结果。
2.根据权利要求1所述的面向电-气互联新型电力系统的动态安全裕度评估方法,其特征在于:所述步骤1的具体方法为:
步骤1.1:将电力子网络和天然气子网络两种能源节点分别划分为不同时间尺度的数据模型进行分析;将电力系统的数据划分为短尺度数据模型,其检测变量为网络节点x处的电压Vx;将天然气系统的数据划分为长尺度数据模型,其检测变量为网络节点y处的压力Py;
步骤1.2:获取电-气互联新型电力系统的历史运行数据,i为节点编号,i=1,2,…,n;t为采样时刻,t=1,2,…,T;获取第i个网络节点在任意采样时刻t处检测变量的值
步骤1.3:对步骤1.2所获得的单个网络节点的检测变量数据进行如下的点乘加权转换:
其中,ψ为归一化函数;W1、W2、W3均为实常数构成的长度为2的行向量,k为加权系数,·为点乘运算;
步骤1.4:重复步骤1.2和步骤1.3的操作,分别测出每个节点在某个采样时刻的检测变量,并对其进行加权转换;随后将当前时刻采集到的数据按照节点顺序排列汇总成一个大小为n×1的检测矩阵Mt,
步骤1.5:对步骤1.4中得到的检测矩阵Mt的每一行mt进行标准化处理,使天然气和电力两种不同的能源能够在同一量级进行分析;标准化函数表达式为:
其中,mt为矩阵Mt的行向量,max(mt)为mt的最大值;
步骤1.6:将连续T个采样时刻得到的检测矩阵Mt(t=1,2,…,T)按照时间顺序堆叠构成一个大小为n*T的异构数据检测矩阵
3.根据权利要求2所述的面向电-气互联新型电力系统的动态安全裕度评估方法,其特征在于:所述步骤2的具体方法为:
步骤2.1:对步骤1.6中获得的异构数据检测矩阵进行奇异值分解,得到其奇异值和奇异向量;
步骤2.1.1:通过对异构数据检测矩阵及其转置矩阵/>进行点乘运算,分别得到矩阵CtL和CtR,/>
步骤2.1.2:对矩阵CtL和CtR分别进行特征值分解,即:
步骤2.1.3:根据步骤2.1.2,将异构数据矩阵表示为:/>其中矩阵Et的对角线元素为矩阵/>的特征值λi;矩阵Ut的列向量uti为矩阵/>的左奇异向量,矩阵Vt的列向量vti为矩阵/>的右奇异向量;其中,i=1,2,…,n;
步骤2.2:对特征值λi进行数据标准化处理,使矩阵的所有特征值均满足标准正态分布,i=1,2,…,n;标准化公式为:
步骤2.3:分别对矩阵Ut和矩阵的Vt的每一列进行均值移除处理,使矩阵的每一列均满足标准正态分布,得到左奇异矩阵和右奇异矩阵/>
步骤2.4:从电-气耦合网络历史运行数据中获取得到每个节点的状态S,并对数据进行标记:
步骤2.5:将步骤2.3中进行均值移除处理后得到的左奇异矩阵右奇异矩阵/>与步骤2.4获取的电-气耦合网络节点历史运行状态S相对应,得到一个二分类样本数据集,用于对神经网络模型进行训练。
4.根据权利要求3所述的面向电-气互联新型电力系统的动态安全裕度评估方法,其特征在于:所述步骤2.3的具体方法为:
步骤2.3.1:对矩阵Ut的每一列进行均值移除处理,公式为:其中μ(uti)为uti的均值,σ(uti)为uti的标准差;
步骤2.3.2:对矩阵Vt的每一列进行均值移除处理,公式为:其中μ(vti)为vti的均值,σ(vti)为vti的标准差;
步骤2.3.3:分别将处理后的列向量和/>按节点顺序堆叠汇总成左奇异矩阵/>和右奇异矩阵/>
5.根据权利要求3所述的面向电-气互联新型电力系统的动态安全裕度评估方法,其特征在于:所述步骤3的具体方法为:
步骤3.1:给节点嵌入特征H=[h1,h2,…,hn]T,然后通过考虑高斯的均值μ和协方差分量Σ,设计最终的图表示,以达到使用向量表示来概述高斯分布信息的目的;因此,将分布感知学习模块定义为:
步骤3.2:搭建深度图卷积神经网络模型,将步骤3.1中提出的分布感知学习模块应用到模型中;随后对步骤2.5中得到的样本数据集进行处理并输入到模型中,以达到对电-气耦合网络系统进行安全裕度评估的目的;
步骤3.3:将步骤2.5中得到的二分类数据集作为样本集中的样本,采用Adam优化器对二维深度图卷积神经网络模型参数进行更新,并对二维深度图卷积神经网络进行训练,得到最终的实时二维深度卷积神经网络。
6.根据权利要求5所述的面向电-气互联新型电力系统的动态安全裕度评估方法,其特征在于:所述步骤3.2的具体方法为:
步骤3.2.1:在输入层中,导入步骤2.5中得到的样本数据集并将数据转换为独热编码,并生成邻接矩阵以表示与每个节点相连的其他节点的集合;随后对数据进行预处理,包括进行归一化操作、处理异常值、填充缺失值、将所有邻居列表填充到相同的长度;随后将处理好的数据输入到图卷积层中;
步骤3.2.2:在图卷积层中,首先对图结构中的节点和边进行特征提取,并应用步骤3.1中提出的分布感知学习模块为每个节点生成新的特征向量;使得每个节点除了包含自身的信息之外,还包含了邻居节点的信息,从而得到更为准确的电力系统信息表示;
步骤3.2.3:在池化层中,应用骤3.1中提出的分布感知学习模块,聚合节点邻域内的信息,将邻近节点的特征信息进行融合,形成新的特征表示,从而减少节点特征的维度,输出低维度特征向量;
步骤3.2.4:在全连接层中,将池化层输出的低维度特征向量与目标任务的标签进行连接,使得模型利用节点特征以及图结构信息进行最终的预测任务,并使节点的汇总特征向量映射到暂态稳定性评估的输出空间,最终得到每个节点的暂态稳定评估结果;此外,在全连接层中引入非线性激活函数ReLU;
步骤3.2.5:在神经网络模型中,应用图卷积神经网络模型作为消息传递函数:
其中,σ代表激活函数ReLU,Cl代表第l层节点的度数,即其邻居节点的个数,Nl表示第l层节点的个数,W(l)代表第l层的权重矩阵,H(l)表示第l层的节点特征矩阵。
7.根据权利要求5所述的面向电-气互联新型电力系统的动态安全裕度评估方法,其特征在于:所述步骤3.3的具体方法为:
步骤3.3.1:对神经网络模型参数Λ进行随机初始化,并将样本集划分为训练集和测试集;
步骤3.3.2:从训练样本集中选择一部分训练样本输入到神经网络模型中,并得到模型输出的节点状态Strain,并采用Adam优化器对模型参数Λ进行更新;
步骤3.3.3:重复步骤3.3.1和步骤3.3.2,直至完成对样本集中所有样本的训练,并找出使得模型输出结果与目标输出结果之间绝对误差的平均值最小的参数Λmin,并将Λmin作为最终的神经网络模型的参数。
8.根据权利要求5所述的面向电-气互联新型电力系统的动态安全裕度评估方法,其特征在于:所述步骤4的具体方法为:
步骤4.1:将经过步骤2.3中的均值移除处理后的左奇异矩阵和右奇异矩阵/>作为输入数据输入到步骤3已经训练好的二维深度图卷积神经网络模型当中,得到其对应的节点状态输出结果Sr:/>最终达到对电-气耦合网络系统进行安全裕度评估的目的;
步骤4.2:通过将步骤4.1中的神经网络模型输出的节点状态Sr与步骤2.4中从历史数据中获得的节点状态S进行比较,得出经过训练的二维深度图卷积神经网络模型的评估准确率;
步骤4.2.1:输出并比较每个节点的神经网络模型评估状态Sr和历史节点状态S,若Sr=S,表明此时电-气互联新型电力系统评估结果为模型输出结果;若Sr≠S,将神经网络模型评估状态Sr和历史节点状态S进行加权运算;最终节点状态评估结果表示为:
式中,α+β=1;
步骤4.2.2:通过计算得出模型的评估准确率其中n为节点总数,m为评估正确的节点个数;最终得出模型对电-气互联新型电力系统的安全裕度评估效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410211914.6A CN118036886A (zh) | 2024-02-27 | 2024-02-27 | 面向电-气互联新型电力系统的动态安全裕度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410211914.6A CN118036886A (zh) | 2024-02-27 | 2024-02-27 | 面向电-气互联新型电力系统的动态安全裕度评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118036886A true CN118036886A (zh) | 2024-05-14 |
Family
ID=90985512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410211914.6A Pending CN118036886A (zh) | 2024-02-27 | 2024-02-27 | 面向电-气互联新型电力系统的动态安全裕度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118036886A (zh) |
-
2024
- 2024-02-27 CN CN202410211914.6A patent/CN118036886A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647716B (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
CN106055918B (zh) | 一种电力系统负荷数据的辨识及修正方法 | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN110503153B (zh) | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 | |
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN112327189B (zh) | 一种基于knn算法的储能电池健康状态综合判断方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN115267945A (zh) | 一种基于图神经网络的雷电预警方法与系统 | |
CN114997578A (zh) | 一种基于深度学习的智慧风电场实时状态评估方法 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
CN111031064A (zh) | 一种检测电网假数据注入攻击的方法 | |
CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN114676779A (zh) | 基于鲁棒宽度网络的大气质量监测数据校准方法及系统 | |
CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
CN112949201B (zh) | 一种风速预测方法、装置、电子设备及存储介质 | |
CN112926686A (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN118036886A (zh) | 面向电-气互联新型电力系统的动态安全裕度评估方法 |
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 |