[發明專利]一種基于一維卷積神經網絡的電力系統暫態穩定評估方法

在審

• 申請號: 201910187314.X
• 申請日: 2019-03-13
• 公開（公告）號: CN109886604A
• 公開（公告）日: 2019-06-14
• 發明（設計）人: 李向偉;許剛;劉向軍
• 申請（專利權）人: 華北電力大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06;G06F17/50;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于一維卷積神經網絡技術的電力系統暫態穩定評估方法，該方法首先利用電力系統中WAMS系統采集到的母線的電壓幅值和相角以及支路的有功、無功功率作為原始輸入數據，然后再對其進行數據預處理后形成訓練集；利用一維卷積神經網絡建立電力系統暫態穩定評估模型。該模型由一維卷積層、一維池化層和全連接輸出層組成。本發明利用卷積層和池化層進行特征提取，挖掘數據的隱藏模式，形成更有利于暫態穩定評估的高階特征，進而將其全連接層中進行評估。該方法具有較高的評估準確率，對于電力系統在線安全穩定評估具有重要意義。

技術領域

本發明涉及電力系統暫態穩定評估，特別是涉及一種基于一維卷積神經網絡的電力系統暫態穩定評估方法。

技術背景

日趨復雜的電力系統使得系統安全穩定控制面臨嚴峻考驗，因此需要探索魯棒性高且快速準確的暫態穩定評估方法，以便運行人員在遇到不安全系統狀態時能夠采取適當的預防控制措施。傳統暫穩評估方法中時域仿真法評估準確高但計算耗時長；直接法能快速提供暫態穩定評估結果，但只能給出近似結果，且難以用于復雜電力系統。因此傳統方法已不適用于當前局面下的電力系統。過去的幾年中，深度學習在圖像、語音及自然語言處理領域取得巨大突破。深度學習針對不同任務設計出相應的深層網絡結構，通過反向傳播算法發現大數據集中的復雜結構。其中，卷積神經網絡利用卷積運算提取不同的局部特征，常用于圖像領域，后來被證明對序列數據同樣有效，被成功用于自然語言建模及語音生成。區別于圖像領域的二維卷積神經網絡，處理序列數據采用一維卷積神經網絡。本發明提出一種基于一維卷積神經網絡的暫態穩定評估方法所提方法能有效挖掘系統暫態過程的全局時序信息，具有較好的評估性能。

發明內容

本發明要解決的技術問題是提供一種基于一維卷積神經網絡的電力系統暫態穩定評估方法，以克服現有技術中存在的問題。

為解決上述技術問題，本發明采用下述技術方案：

基于一維卷積神經網絡的電力系統暫態穩定評估方法，其特征在于，所述方法的步驟包括：

步驟1：通過時域仿真法或者利用WAMS系統對電力系統采集得到的歷史數據作為學習樣本集，系統采樣間隔為0.0083s，從故障發生前2周波點開始一直采集到故障切除后3周波，將母線的電壓幅值和相角以及支路的有功、無功功率作為樣本特征即模型的輸入；

步驟2：對樣本集進行數據初始化處理；

步驟3：根據發電機功角曲線對樣本數據進行標注，穩定樣本標注為1，不穩定樣本標注為0；

步驟4：構建基于一維卷積神經網絡的暫態穩定評估模型，并將步驟3中標注好的數據集劃分為訓練集和測試集；

步驟5：利用步驟4中構建的訓練集和測試集以評估準確率為標準對步驟4 中的暫態穩定評估模型進行尋優，保存最佳精度的模型；

步驟6：利用步驟2和步驟4對WAMS系統采集得到的新電力系統數據信息進行處理，構建測評數據集；

步驟7：利用步驟5中的最佳精度模型對測評數據集進行評估，得到穩定性結果。

所述步驟1中，利用暫態仿真或WAMS歷史數據作為學習樣本集，系統采樣間隔為0.0083s，從故障發生前2周波點開始一直采集到故障切除后3周波，將母線的電壓幅值和相角以及支路的有功功率作為樣本特征即模型的輸入，其中由于故障切除時間不是一個固定的常數，因此將以最大故障切除時間為基準對不足序列進行補零操作。

所述步驟2中的初始化方法將對樣本集進行初始化處理，初始化公式為：

其中表示初始特征第j列時間序列的t時刻的原始特征值，表示初始化后的特征值，和分別表示樣本集中所有樣本第j列所有特征值的均值和標準差。