[發明專利]一種基于深度學習融合模型的電力系統暫態穩定評估方法

在審

• 申請號: 201910187342.1
• 申請日: 2019-03-13
• 公開（公告）號: CN109921414A
• 公開（公告）日: 2019-06-21
• 發明（設計）人: 李向偉;許剛
• 申請（專利權）人: 華北電力大學
• 主分類號: H02J3/00
• 分類號: H02J3/00;H02H7/22
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于深度學習融合模型技術的電力系統暫態穩定評估方法，該方法首先對電力系統典型故障設置仿真，提取重要母線的電壓幅值和相角以及部分發電機直連線路的在故障發生前后以及故障切除前后的部分時間序列數據作為原始輸入數據，然后再對其進行數據預處理后形成訓練集；利用卷積神經網絡網絡和長短時記憶網絡的融合模型建立電力系統暫態穩定評估模型。該模型由卷積層、池化層、長短時記憶網絡層和全連接輸出層組成。本發明利用卷積神經網絡提取長時間序列信息，結合長短期記憶網絡進行特征挖掘，最后利用全連接神經網絡進行暫態穩定評估。該方法具有較好的評估性能，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深度學習融合模型的電力系統暫態穩定評估方法。

技術背景

電力系統的快速發展給安全穩定運行帶來嚴峻考驗，電力系統的在線暫態穩定評估需要快速性和精確性，而傳統的機器學習方法難以滿足在電力系統暫態穩定評估上的應用，本發明在現有研究的基礎上，克服傳統方法的不足，進一步提高評估的準確性，提出一種基于卷積神經網絡和長短時記憶網絡的融合模型的暫態穩定評估方法。該方法所需數據容易采集，且具有較好地評估性能。

發明內容

本發明要解決的技術問題是提供一種基于深度學習融合模型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：

基于深度學習融合模型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，采集范圍包括：故障發生前2 周波至故障發生后3周波以及故障切除前3周波至故障切除后6周波兩段序列數據，將重要母線的電壓幅值和相角以及部分重要的與發電機母線直連線路的有功功率作為樣本特征即模型的輸入；

步驟2：為了減小不同量綱對模型的影響，對樣本集進行數據歸一化處理；

步驟3：根據發電機故障后的功角差對樣本數據進行標注，穩定樣本標注為 01，不穩定樣本標注為10；

步驟4：構建基于卷積神經網絡和長短時記憶網絡融合模型的暫態穩定評估方法，并將步驟3中標注好的數據集按7：3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和召回率為標準對步驟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系統新采集得到的故障數據進行處理，建立評估數據集；

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，所述步驟1中，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，采集范圍包括：故障發生前2周波至故障發生后3周波以及故障切除前3周波至故障切除后6周波兩段序列數據，將重要母線的電壓幅值和相角以及部分重要的與發電機母線直連線路的有功功率作為樣本特征即模型的輸入，因此樣本特征數據集x 可表示為：

其中V和θ表示所選用的母線的電壓幅值和相角，t_f，t_k分別表示故障發生時間和故障切除時間，P表示在所選用的與發電機母線直連的線路的有功功率，n 和m表示共選擇了哪條母線和m條線路。

所述步驟2中的歸一化方法將對樣本集進行歸一化處理，歸一化公式為：