CN118171722A - 基于深度学习含高比例新能源电网n-1故障方法及装置 - Google Patents

基于深度学习含高比例新能源电网n-1故障方法及装置 Download PDF

Info

Publication number
CN118171722A
CN118171722A CN202311667898.3A CN202311667898A CN118171722A CN 118171722 A CN118171722 A CN 118171722A CN 202311667898 A CN202311667898 A CN 202311667898A CN 118171722 A CN118171722 A CN 118171722A
Authority
CN
China
Prior art keywords
neural network
fault
new energy
power
output
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
Application number
CN202311667898.3A
Other languages
English (en)
Inventor
李德鑫
王长江
庄冠群
王澎
张海锋
王伟
高松
王佳蕊
刘亚东
张家郡
孟祥东
李成钢
刘畅
张懿夫
彭晓宇
刘鸣泰
陈超
付宇泽
张钰
董运昌
孟涛
陈璟毅
韩文琪
刘宸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd
State Grid Jilin Electric Power Corp
Northeast Electric Power University
Original Assignee
Northeast Dianli University
Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd
State Grid Jilin Electric Power Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Dianli University, Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd, State Grid Jilin Electric Power Corp filed Critical Northeast Dianli University
Priority to CN202311667898.3A priority Critical patent/CN118171722A/zh
Publication of CN118171722A publication Critical patent/CN118171722A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于深度学习含高比例新能源电网N‑1故障及装置，所述方法包括：获取电力系统数据；根据N‑1问题特征确定全连接神经网络的结构；根据所获取电力系统数据确定全连接神经网络的输入输出特征向量；确定损失函数loss，根据输入输出特征向量对神经网络参数进行更新；评估更新后的训练模型的效果，以均方差以及平均绝对误差为指标；若训练模型的效果不理想，重新调整神经网络参数，否则，输入待N‑1分析电力系统数据并输出故障分析结果。所述装置包括：处理器和存储器。本发明解决了故障分析面临的计算挑战，提高了计算速度且遍历了更复杂全面的场景。

Description

基于深度学习含高比例新能源电网N-1故障方法及装置
技术领域
本发明涉及电力系统领域，尤其涉及一种基于深度学习含高比例新能源电网N-1故障方法。
背景技术
N-1安全故障分析是保证系统安全的重要分析工具，对电力系统进行N-1故障分析[1-2]，可以保障电力系统运行的安全性和可靠性。随着高比例可再生能源接入电力系统将带来强不确定性[3-4]，受限于计算机的计算能力，电力系统传统N-1计算将面临模型求解负担重与计算频次激增之间的矛盾，导致现有分析方法难以适用，面临难以兼顾高精度、快速度与低成本的挑战。
考虑N-1安全约束的电力系统N-1故障分析问题包含了海量N-1安全约束，即使采用现有Cplex、Gurobi等商业求解器也难以有效地直接求解大规模实际系统模型。然而，根据工程实际经验所有N-1安全约束中仅有小部分约束是起作用的，其它都是冗余约束。
因此，目前工业界普遍先对无安全约束的最优潮流问题进行求解，再迭代地增加约束到模型中进行求解，该方法一般能够获得最优解但需要多次迭代，计算时间难以满足愈发窄小的调度时间窗要求。
人工智能[5]正在成为构建新型电力系统的重要支撑技术。当前，人工智能在电力行业不同场景应用过程中表现出了不同的适用性与性能水平，深度学习算法作为人工智能技术的典型代表，可以将深度学习应用于N-1故障分析[6-10]。近年来，快速发展的深度学习技术为有效解决安全约束最优潮流问题提供了新的途径。N-1故障分析过程可视为“输入”(系统运行条件)与“输出”(起作用约束集)之间的非线性关系。使用经过训练的神经网络，输入待N-1故障分析数据可以快速且准确得到电力系统故障状态。现有技术中新能源渗透率不断提高带来的N-1故障分析愈发复杂的情况，系统安全面临的形势更加严峻，无法完全覆盖数量巨大的高阶N-1故障的情况。
发明内容
本发明提供了一种基于深度学习含高比例新能源电网N-1故障方法及装置，本发明实现了利用全连接神经网络代替系统最优负荷削减计算过程，挖掘了最优负荷削减计算过程中复杂的非线性关系，根据输入故障前系统状态直接映射系统最优负荷削减量，从影响的角度筛选对系统威胁最大的故障状态；为应对日益增长的不确定性对电力系统运行的影响，N-1故障分析除计及支路开断外还需考虑新能源波动等不确定性场景，所提出的方法解决了故障分析面临的计算挑战，提高了计算速度且遍历了更复杂全面的场景，详见下文描述：
第一方面、一种基于深度学习含高比例新能源电网N-1故障方法，所述方法包括：
获取系统电力系统数据；根据N-1问题特征确定全连接神经网络的结构；根据所获取电力系统数据确定神经网络输入输出特征向量；确定损失函数loss，根据输入输出特征向量对神经网络参数进行更新；
评估更新后的训练模型的效果，以均方差以及平均绝对误差为指标；
若训练模型的效果不理想，重新调整神经网络参数，否则，输入待N-1分析电力系统数据并输出故障分析结果。其中，所述方法以系统负荷削减和发电机出力总成本最小为目标函数，表达如下：
min∑(α△PLm+βPGr1)
其中，α为负荷削减成本系数，β为发电机出力成本系数，△PLm为负荷节点m的负荷削减量，PGr1为发电机r在系统处于故障状态时的有功发电功率。
其中，所述电力系统数据为：
考虑N-1故障发生时节点负荷、节点发电机功率、系统拓扑结构；保存数据包括注入有功功率、自电纳矩阵以及电力系统总负荷削减量。其中，所述输入输出特征向量为：
将节点注入功率构造为表征新能源出力变化与负荷变化的特征向量，将节点自电纳矩阵构造为表征拓扑变化的特征向量；选择用系统的失负荷量表征系统影响，作为输出特征向量。
第二方面、一种基于深度学习含高比例新能源电网N-1故障装置，所述装置包括：
获取与确定模块，用于获取系统电力系统数据，确定全连接神经网络的结构，确定神经网络输入输出特征向量；
更新模块，用于确定损失函数loss，根据输入输出特征向量对神经网络参数进行更新；
评估模块，用于评估更新后的训练模型的效果，以均方差以及平均绝对误差为指标；
输出模块，用于若训练模型的效果不理想，重新调整神经网络参数，否则，输出故障分析结果。
其中，所述电力系统数据为：考虑N-1故障发生时节点负荷、节点发电机功率、系统拓扑结构；保存数据包括注入有功功率、自电纳矩阵以及电力系统总负荷削减量。其中，所述输入输出特征向量为：
将节点注入功率构造为表征新能源出力变化与负荷变化的输入特征向量，将节点自电纳矩阵构造为表征拓扑变化的输入特征向量；选择用系统的失负荷量表征系统影响，作为输出特征向量。
第三方面、一种基于深度学习含高比例新能源电网N-1故障装置，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法。
第四方面、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行第一方面中的任一项所述的方法。
本发明提供的技术方案的有益效果是：
1、本发明从传统N-1问题出发，解决了考虑新能源以及负荷不确定性的传统N-1校验问题的计算耗时问题；
2、本发明实现了模型驱动和数据驱动的结合，采用深度神经网络代替了N-1问题中核心最优负荷削减量计算问题，有效避免复杂迭代寻优过程，通过离线训练，在线应用，实现了N-1故障快速分析；
3、本发明实现提速计算的同时，通过准备有限的场景训练深度神经网络，得到了可以应用于无限场景的深度神经网络，实现了智能化。
附图说明
图1为基于深度学习的含高比例新能源电网N-1故障分析方法的流程图；
图2为全连接神经网络结构的示意图；
图3为IEEE RTS-79系统的拓扑图；
图4为一种基于深度学习含高比例新能源电网N-1故障装置的结构示意图；
图5为一种基于深度学习含高比例新能源电网N-1故障装置的另一结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
本发明实施例引入深度神经网络，通过研究N-1校验中输入与输出特征之间的联系，通过神经网络提取非线性特征，有效替代了最优负荷削减模型，达到了快速校验复杂N-1场景的问题，进而对故障集进行筛选，极大的提高了N-1故障的分析效率。
实施例1
本发明实施例提供了一种基于深度学习含高比例新能源电网N-1故障方法，如图1所示，该方法包括以下步骤：
101：获取RTS-79系统电力系统数据；
其中，该步骤具体为：
(1.1)具体方法为，在满足系统一系列等式约束和不等式约束条件下，通过Matpower工具箱进行最优负荷削减计算，以发电机出力总成本最小为目标函数，计算故障状态负荷削减量Lc；
(1.2)考虑新能源以及负荷的不确定性，其中新能源风场风速服从威布尔分布，负荷服从在基准值[0.8,1.2]间均匀分布，从而得到3800组N-1阶训练数据；
(1.3)保存数据包括24个节点(含新能源节点)的注入有功功率、自电纳矩阵以及电力系统总负荷削减量。
102：确定全连接神经网络的结构；
其中，该步骤102为：
(2.1)根据高比例新能源N-1问题的特点确定神经网络结构，确定输入层、隐藏层以及输出层，确定神经元个数；
(2.2)确定各层激活函数R。
103：确定神经网络输入输出特征向量；
(3.1)根据步骤101中的内容确定深度神经网络模型表征拓扑不确定性的特征向量输入Xin_B；
(3.2)根据步骤101中的内容确定深度神经网络模型表征新能源出力以及负荷波动不确定性的特征向量输入Xin_Pi；
(3.3)确定输出特征向量Yout。
104：确定损失函数loss，根据输入输出特征向量对神经网络参数进行更新；
(4.1)采用自适应参数更新算法对模型权重值以及偏置值进行更新；
(4.2)迭代次数达到设定值或者训练过程中满足早停法时，深度神经网络训练结束。
其中，早停法为本领域技术人员所公知，本发明实施例对此不做赘述。
105：评估更新后的训练模型的效果，以均方差以及平均绝对误差为指标；
106：若训练模型的效果不理想，重新执行步骤102调整神经网络参数，否则，执行步骤107；
107：输出故障分析结果。
综上所述，本发明实施例通过上述步骤101-107研究N-1故障分析中输入与输出特征之间的联系，通过神经网络提取非线性特征，有效替代了最优负荷削减模型，在确定初始故障后，反复求解潮流并开断过载支路，以避免线路因过载跳闸而导致大面积停电事故的发生，通过对故障集进行筛选，从影响的角度筛选出对系统威胁最大的故障状态，达到了快速校验复杂N-1场景的问题，极大的提高了N-1故障的分析效率，为电网的调度和运行人员提供准确的信息以实现对电网的监视和防御，能够极大程度的避免电网出现大面积停电事故。
实施例2
下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：
201：其中，获得电力系统数据具体方法为，在满足系统一系列等式约束和不等式约束条件下，即公式(2-9)，以系统负荷削减和发电机出力总成本最小为目标函数，如公式(1)，进行最优负荷削减计算，计算故障状态负荷削减量Lc；
目标函数：
min∑(α△PLm+βPGr1) (1)
约束条件：
∑PGr1-∑△Pij-∑PLm0＝0 (4)
-Pij,max≤△Pij≤Pij,max (5)
0≤△PLn≤PLn0,max (6)
PGr,min≤PGr1≤PGr,max (7)
QGr,min≤QGr1≤QGr,max (8)
0.95≤ui≤1.05 (9)
式中：α为负荷削减成本系数；β为发电机出力成本系数；△PLm为负荷节点m的负荷削减量；Pi为节点注入有功功率，Qi为节点注入有功功率；Vi和Vj为节点电压幅值；Gij为支路电导；δij为相角差；Bij为支路电纳。△Pij为线路ij的潮流损耗；PLm0为电力系统负荷节点m的负荷量；PGr1为发电机r在系统处于故障状态时的有功发电功率；Pij,max为线路ij允许的最大载流量；PGr,min、PGr,max分别为发电机r的有功功率的下限和上限；QGr,min、QGr,max分别为发电机r的无功功率的下限和上限；ui为节点i的电压。
其中，新能源风场风速服从威布尔分布，负荷服从在基准值[0.8,1.2]间均匀分布，从而得到3800组N-1阶训练数据。
风场风速以及出力具体模型如公式(10-12)：
式中：c和k分别为威布尔分布的度参数和形状参数，分别反映风电的平均风速及威布尔分布的偏斜度；Pt为t时刻风电机组的出力；Pr为风电机组额定功率；Vci、Vr、Vco分别表示风电机組的切入风速、额定风速和切除风速。A、B和C均为风电机组出力模型参数；Vt为t时刻风电机组的风速。
最优负荷削减计算后，通过公式(13)保存数据包括24个节点(含新能源节点)的注入有功功率以及自电纳矩阵以及电力系统总负荷削减量。
Pi＝PGi+Pwi-PDi (13)
式中，Pwi为节点i处风能出力的有功功率，PGi为发电机组出力，PDi为负荷大小。
202：确定全连接神经网络的结构主要包括：确定神经网络层数以及神经元个数，重点关注每层神经元的激活函数；
根据万能逼近原理，全连接神经网络能够以任意精度逼近任意连续函数，选择该神经网络挖掘最优负荷削减分析特征。模型结构包括：输入层、隐藏层以及输出层。由于ReLU函数的分段线性公式，ReLU避免了梯度消失效应。然而，数据预处理后的输出可以小于零，但是ReLU不能达到小于零的值。因此，最后一层的激活函数被设计为线性函数确定各层激活函数，输入层为线性激活函数，隐藏层为ReLU激活函数，输出层为线性激活函数，当i＝1,2,3…,L-1时，第i层激活函数如公式(14)所示：
Ri(x)＝max(0,x) (14)
当i＝L时，第i层激活函数如公式(15)所示：
RL(x)＝x (15)
式中，x为神经元输入，即电力系统仿真模拟数据，Ri(x)为第i层激活函数；RL(x)为第L层激活函数。
203：确定神经网络的输入输出特征向量；
其中，高比例可再生能源电网不仅面临各种不确定性，还具有高维复杂非线性特征，包括：①新能源出力、负荷等连续型输入与系统状态间的非线性特征；②系统拓扑结构的离散型输入与系统状态间的非线性特征。设计与之相匹配的深度神经网络基本结构，建立适应于源-网-荷变化的数据驱动潮流分析模型是需首要解决的关键问题。
节点注入功率能够有效地反映新能源出力(Pw)情况以及负荷需求(PDi)情况，且节点注入功率的维度较小。因此，直接将节点注入功率构造为表征新能源出力变化与负荷变化的特征向量；相比新能源及负荷变化而言，拓扑结构变化可能给系统状态带来更大的影响，拓扑变化后的节点自电纳矩阵能够很好地反应系统变化情况。将节点注入功率构造为表征新能源出力变化与负荷变化的特征向量，将节点自电纳矩阵构造为表征拓扑变化的特征向量。选择用系统的失负荷量表征系统影响，作为输出特征向量。
特征向量如公式(16-18)所示：
Xin_B＝[Bii] (17)
Yout＝[Lc] (18)
其中，Xin_Pi为表征不确定性的输入特征向量；Pwi为节点i处风能出力的有功功率，PGi为发电机组出力，PDi为负荷大小；Xin_B为表征拓扑变化的输入特征向量；Bii为节点自电纳矩阵；Yout为输出特征向量；Lc为负荷削减量。
204：确定损失函数loss，选择参数更新算法对神经网络参数进行更新。
确定采用均方误差作为目标函数loss如公式(19)所示：
其中，m训练样本数，L为层数，Yout为N-1故障分析的输出特征向量，Xin为N-1故障分析的输入特征向量，第一层函数，/>为第L层函数。
当i＝1,2,3…,L-1时，具体函数如公式(20)所示：
其中，bi为偏置矩阵，wi为权重矩阵，Xi为第i层输入特征向量。
当i＝L时，具体函数如公式(21)所示：
其中，bL为偏置矩阵，wi为权重矩阵，XL为第L层输入特征向量。
选择量化共轭梯度算法更新参数，量化共扼梯度法是一种优化算法，可以用于求解高维线性方程组的解，是通过最小化函数来达到最优解的目的。量化共扼梯度法的优点是能够快速搜索最优解，并且可以高效地处理大型数据集。
首先按正态分布随机初始化参数θ(WL,bL)，确定隐含层层数及每层神经元个数；然后，根据第一步收集的输入特征向量Xin与计算深度神经网络输出值Yout，并进一步根据输出特征向量真值与式(19)计算得到损失函数loss；其次根据公式(23-24)更新深度神经网络参数θ；最后，根据新的参数θ重复上述步骤，直到迭代次数(epoch)超过阈值或者训练过程满足早停法条件后，深度神经网络训练结束。
神经网络前馈传递函数如公式(22)：
其中，W为权重矩阵，b为偏置矩阵。
基于目标函数选择算法对参数θ进行更新如公式(23-24)所示：
θ＝θ-ηg (24)
其中，为目标函数对θ变量的偏导数，η为神经网络的学习率。
当迭代次数达到设定值或者训练过程中满足早停法深度神经网络训练结束，设定最大迭代次数1000次，当目标函数均方误差小于0.01时训练阶数，最大交叉验证次数5次，学习率0.05。
205：通过测试集验证系统的泛化效果，模型在训练集和验证集上获得良好的性能并不意味着它可以在未见过的数据上表现良好。
为了评估模型的泛化性能，需要使用测试集来测试模型对未见过的数据的预测能力。通过8:2比例随机划分训练集与测试集，以确保测试结果的准确性。评估更新后的训练模型效果，以均方差以及平均绝对误差为指标。同时，为了对比不同方法的性能，设计了如下指标以衡量对大量场景的负荷削减量计算精度：PLc为负荷削减量绝对计算误差超过0.5MW的概率。
均方误差MSE和平均绝对误差MAE是在回归问题中常用的评价指标，用于衡量预测值与真实值之间的误差大小。
均方误差(MSE)定义为预测值与真实值差值的平方的均值，可以表示为公式(25)：
其中，n是样本数量，yi是真实值，yout是预测值。
平均绝对误差(MAE)定义为预测值与真实值差值的绝对值的均值，可以表示为公式(26)：
其中，MSE和MAE都是非负值，值越小表示预测与真实值的差异越小，模型的拟合效果越好。
206：应用完成训练的模型，通过输入系统输入特征数据，获得当前状态的最优负荷削减量，从而判断当前系统的安全运行状态，从影响的角度筛选出对系统威胁最大的故障状态，分析N-1故障，为系统安全调度提供实时信息。
综上所述，本发明实施例通过上述步骤201-206有效替代了最优负荷削减模型，达到了快速校验复杂N-1场景的问题，进而对故障集进行筛选，极大的提高N-1故障分析效率。
实施例3
下面结合具体实例，针对本发明实施例所提的基于深度学习的含高比例新能源电网N-1故障分析方法，本例以IEEE RTS79节点系统为例进行仿真分析与验证，IEEE RTS79节点系统拓扑图如图2所示，详见下文描述：
IEEE RTS 79系统包含32台发电机，33条输电线路，5台变压器，17个负荷节点，总装机容量为3405MW，系统最大负荷为2850MW。在RTS-79系统中，对于负荷的不确定性，假设母线负荷的实际功率在基准值[0.8，1.2]范围内呈均匀分布，采用Excel生成随机数，对24个节点负荷进行有功功率均匀分布，考虑电脑计算负担问题，在RTS-79系统中，抽样了10组负荷，得到当前的负荷削减量。在此基础上，加入新能源不确定性，修改16节点常规机组为风机，随机抽取10种出力情况。进行3800次最优负荷削减计算，计算时长约2.5小时。得到38×10×10共3800组数据，包括38种支路故障，10种负荷波动，10种新能源出力波动。
神经网络方面，包括3个隐藏层，每层100个神经元，神经网络结构如图3所示。采用均方误差作为损失函数，使用量化共轭梯度算法作为训练函数，采用随机样本选择。最大迭代次数2000，学习率0.05，均方误差目标0.01。检查验证100，调整隐藏层激活函数为ReLU激活函数，调整输出层激活函数为线性函数。所有仿真均在配备Intel(R)Core(TM)i5-8300HCPU2.30GHz 8GB RAM的PC上执行。
超参数设置
算例 隐藏层 训练样本数
IEEE RTS 79 [100 100 100] 3800
1)计算精度分析
利用状态枚举法枚举IEEE RTS 79测试系统所有可能出现的N-1场景，分别采用Matpower与训练完成的全连接神经网络计算各阶故障状态的影响。
采用均方误差以及平均绝对误差对比了本方法与传统模型法在IEEE RTS 79测试系统中的计算精度。
准确预测场景数量与总场景数量做比，得到PLc＝97.0255％。
1)计算效率分析
快速筛选高影响N-1故障状态：
筛选高影响N-1故障状态，验证本发明的高影响故障筛选方法的准确性，将测试集706组数据作为对比组，统计采用传统方法以及所提方法计算时长，其结果如下表所示。
传统方法 所提出方法
1864s 0.0167s
经过训练的神经网络，速度提升效果175849倍。
上述算例结果表明，所提出方法在计算精度以及计算时间上满足预设要求。
实施例4
一种基于深度学习含高比例新能源电网N-1故障装置，参见图4，该装置包括：
获取与确定模块，用于获取系统电力系统数据，根据N-1问题特征确定全连接神经网络的结构；根据所获取电力系统数据确定神经网络输入输出特征向量；更新模块，
确定损失函数loss，根据输入输出特征向量对神经网络参数进行更新；
评估模块，用于评估更新后的训练模型的效果，以均方差以及平均绝对误差为指标；
输出模块，用于若训练模型的效果不理想，重新调整神经网络参数，否则，输出故障分析结果。
其中，电力系统数据为：考虑N-1故障发生时节点负荷、节点发电机功率、系统拓扑结构；保存数据包括注入有功功率、自电纳矩阵以及电力系统总负荷削减量。。
其中，输入输出特征向量为：
将节点注入功率构造为表征新能源出力变化与负荷变化的输入特征向量，将节点自电纳矩阵构造为表征拓扑变化的输入特征向量；选择用系统的失负荷量表征系统影响，作为输出特征向量。
综上所述，本发明实施例通过上述模块及子模块有效替代了最优负荷削减模型，达到了快速校验复杂N-1场景的问题，进而对故障集进行筛选，极大的提高N-1故障分析效率。
实施例5
一种基于深度学习含高比例新能源电网N-1故障装置，参见图5，该装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1-2中的方法步骤，详见下文描述：
获取系统电力系统数据；确定全连接神经网络的结构；确定神经网络输入输出特征向量；
确定损失函数loss，确定损失函数loss，根据输入输出特征向量对神经网络参数进行更新；
评估更新后的训练模型的效果，以均方差以及平均绝对误差为指标；
若训练模型的效果不理想，重新调整神经网络参数，否则，输出故障分析结果。
其中，以系统负荷削减和发电机出力总成本最小为目标函数，表达如下：
min∑(α△PLm+βPGr1)
其中，α为负荷削减成本系数，β为发电机出力成本系数，△PLm为负荷节点m的负荷削减量，PGr1为发电机r在系统处于故障状态时的有功发电功率。
其中，获取系统电力系统数据为：
考虑N-1故障发生时节点负荷、节点发电机功率、系统拓扑结构；保存数据包括注入有功功率、自电纳矩阵以及电力系统总负荷削减量。其中，确定神经网络输入输出特征向量为：确定深度神经网络模型表征拓扑不确定性的特征向量输入Xin_B；确定深度神经网络模型表征新能源出力以及负荷波动不确定性的特征向量输入Xin_Pi；确定输出特征向量Yout。
其中，输入输出特征向量为：
将节点注入功率构造为表征新能源出力变化与负荷变化的特征向量，将节点自电纳矩阵构造为表征拓扑变化的特征向量；选择用系统的失负荷量表征系统影响，作为输出特征向量。
这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
上述的处理器1和存储器2的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件，具体实现时，本发明实施例对执行主体不做限制，根据实际应用中的需要进行选择。
存储器2和处理器1之间通过总线3传输数据信号，本发明实施例对此不做赘述。
基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，存储介质包括存储的程序，在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。
该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。
这里需要指出的是，以上实施例中的可读存储介质描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。
计算机可以是通用计算机、专用计算机、计算机网络、或者其它可编程装置。计算机指令可以存储在计算机可读存储介质中，或者通过计算机可读存储介质进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。
参考文献
[1]李雪,孙霆锴,侯恺等.极端天气下电力系统大范围随机设备故障的N-k安全分析及筛选方法[J].中国电机工程学报,2020,40(16):5113-5126.
[2]杨燕,杨知方,余娟等.基于深度学习的含不确定性N-1安全校核方法[J].中国电机工程学报,2021,41(08):2716-2725.
[3]Tiantian Qian,Fei Shi,Ke Wang,Shengchun Yang,Jian Geng,Yaping Li,Qiuwei Wu,N-1static security assessment method for power grids with highpenetration rate of renewable energy generation,
Electric Power Systems Research,Volume 211,2022,108200,ISSN 0378-7796.
[4]Y.Du,F.Li,J.Li and T.Zheng,"Achieving 100x Acceleration for N-1Contingency Screening With Uncertain Scenarios Using Deep ConvolutionalNeural Network,"in IEEE Transactions on Power Systems,vol.34,no.4,pp.3303-3305,July 2019,doi:10.1109/TPWRS.2019.2914860.
[5]丁明,吴义纯,张立军.风电场风速概率分布参数计算方法的研究[J].中国电机工程学报,2005(10):107-110.
[6]张硕,李庚银,周明.含风电场的发输电系统可靠性评估[J].中国电机工程学报,2010,30(07):8-14.
[7]韩笑,郭剑波,蒲天骄等.电力人工智能技术理论基础与发展展望(一)：假设分析与应用范式[J].中国电机工程学报,2023,43(08):2877-2891.
[8]余娟,杨燕,杨知方等.基于深度学习的概率能量流快速计算方法[J].中国电机工程学报,2019,39(01):22-30+317.
[9]Ziheng Dong,Kai Hou,Hongmin Meng,Xiaodan Yu,Hongjie Jia,Data-driven power system reliability evaluation based on stacked denoising auto-encoders,Energy Reports,Volume 8,Supplement 1,2022,Pages 920-927,ISSN 2352-4847.
[10]Bingchen Zhang,Kai Hou,Ziheng Dong,Zeyu Liu,Xinglin Wang,Stacked-denoising-auto-encoder-based reliability assessment method for power systemoperation,Energy Reports,Volume 9,Supplement 1,2023,Pages 505-511,ISSN 2352-484
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于深度学习含高比例新能源电网N-1故障方法，其特征在于，所述方法包括：
获取电力系统数据；根据N-1问题特征确定全连接神经网络的结构；根据所获取电力系统数据确定全连接神经网络的输入输出特征向量；
确定损失函数loss，根据输入输出特征向量对神经网络参数进行更新；
评估更新后的训练模型的效果，以均方差以及平均绝对误差为指标；
若训练模型的效果不理想，重新调整神经网络参数，否则，输入待N-1分析电力系统数据并输出故障分析结果。
2.根据权利要求1所述的一种基于深度学习含高比例新能源电网N-1故障方法，其特征在于，所述方法以电力系统负荷削减和发电机出力总成本最小为目标函数，表达如下：
min∑(α△PLm+βPGr1)
其中，α为负荷削减成本系数，β为发电机出力成本系数，△PLm为负荷节点m的负荷削减量，PGr1为发电机r在系统处于故障状态时的有功发电功率。
3.根据权利要求1所述的一种基于深度学习含高比例新能源电网N-1故障方法，其特征在于，所述电力系统数据为：N-1故障发生时节点负荷、节点发电机功率、系统拓扑结构；将注入有功功率、自电纳矩阵以及电力系统总负荷削减量进行保存。
4.根据权利要求1所述的一种基于深度学习含高比例新能源电网N-1故障方法，其特征在于，所述输入输出特征向量为：
将节点注入功率构造为表征新能源出力变化与负荷变化的输入特征向量，将节点自电纳矩阵构造为表征拓扑变化的输入特征向量；选择用系统的失负荷量表征系统影响，作为输出特征向量。
5.一种基于深度学习含高比例新能源电网N-1故障装置，其特征在于，所述装置包括：
获取与确定模块，用于获取系统电力系统数据，根据N-1问题特征确定全连接神经网络的结构，根据所获取电力系统数据确定全连接神经网络的输入输出特征向量；
更新模块，用于确定损失函数loss，根据输入输出特征向量对神经网络参数进行更新；
评估模块，用于评估更新后的训练模型的效果，以均方差以及平均绝对误差为指标；
输出模块，用于若训练模型的效果不理想，重新调整神经网络参数，否则，输入待N-1分析电力系统数据并输出故障分析结果。
6.根据权利要求5所述的一种基于深度学习含高比例新能源电网N-1故障装置，其特征在于，所述电力系统数据为：N-1故障发生时节点负荷、节点发电机功率、系统拓扑结构；将注入有功功率、自电纳矩阵以及电力系统总负荷削减量进行保存。
7.根据权利要求5所述的一种基于深度学习含高比例新能源电网N-1故障装置，其特征在于，所述输入输出特征向量为：
将节点注入功率构造为表征新能源出力变化与负荷变化的输入特征向量，将节点自电纳矩阵构造为表征拓扑变化的输入特征向量；选择用系统的失负荷量表征系统影响，作为输出特征向量。
8.一种基于深度学习含高比例新能源电网N-1故障装置，其特征在于，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-4中的任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行权利要求1-4中的任一项所述的方法。
CN202311667898.3A 2023-12-06 2023-12-06 基于深度学习含高比例新能源电网n-1故障方法及装置 Pending CN118171722A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311667898.3A CN118171722A (zh) 2023-12-06 2023-12-06 基于深度学习含高比例新能源电网n-1故障方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311667898.3A CN118171722A (zh) 2023-12-06 2023-12-06 基于深度学习含高比例新能源电网n-1故障方法及装置

Publications (1)

Publication Number Publication Date
CN118171722A true CN118171722A (zh) 2024-06-11

Family

ID=91351451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311667898.3A Pending CN118171722A (zh) 2023-12-06 2023-12-06 基于深度学习含高比例新能源电网n-1故障方法及装置

Country Status (1)

Country Link
CN (1) CN118171722A (zh)

Similar Documents

Publication Publication Date Title
CN114006370B (zh) 一种电力系统暂态稳定分析评估方法及系统
Wen et al. Data‐driven transient frequency stability assessment: A deep learning method with combined estimation‐correction framework
CN112287605B (zh) 一种基于图卷积网络加速的潮流校核方法
CN109066651B (zh) 风电-负荷场景的极限传输功率的计算方法
CN113837432A (zh) 一种物理-数据联合驱动的电力系统频率预测方法
CN117424201A (zh) 电力系统暂态稳定可解释评估方法、系统、设备及存储介质
CN115549187A (zh) 一种风电并网的稳定性评估方法
CN114050568A (zh) 基于多元经验模态分解的强迫振荡源定位方法及装置
Qian et al. N-1 static security assessment method for power grids with high penetration rate of renewable energy generation
CN117132132A (zh) 基于气象数据的光伏发电功率预测方法
CN111401792A (zh) 一种基于极限梯度提升决策树的动态安全评估方法
Cao et al. Deep learning-based online small signal stability assessment of power systems with renewable generation
CN110991741A (zh) 一种基于深度学习的断面约束概率预警方法及系统
CN106056305A (zh) 一种基于状态聚类的发电系统可靠性快速评估方法
Lin et al. A physical-data combined power grid dynamic frequency prediction methodology based on adaptive neuro-fuzzy inference system
Zhang et al. Prediction for the maximum frequency deviation of post-disturbance based on the deep belief network
CN118171722A (zh) 基于深度学习含高比例新能源电网n-1故障方法及装置
CN113177717B (zh) 一种基于影响增量灵敏度的输电系统韧性快速评估方法
Zhang et al. CNN‐LSTM based power grid voltage stability emergency control coordination strategy
CN114548762A (zh) 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统
CN113659636A (zh) 分布不确定性条件下N-k分布鲁棒机组控制方法及装置
Wang et al. Ensemble Learning Model of Power System Transient Stability Assessment Based on Bayesian Model Averaging Method
CN114139809A (zh) 基于XGBoost电力系统动态频率响应曲线预测方法及系统
Chen et al. A Spatial-temporal Frequency Nadir Prediction Method Based on ConvLSTM with Attention
Udurume et al. Synthetic data generation using GAN for RUL prediction of supercapacitors

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