[發明專利]結合人工特征和殘差網絡的電力系統暫態穩定預測方法

有效

• 申請號: 201910529608.6
• 申請日: 2019-06-19
• 公開（公告）號: CN110224401B
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 孫宏斌;郭慶來;周艷真;王彬;吳文傳;張伯明
• 申請（專利權）人: 清華大學;國網遼寧省電力有限公司電力科學研究院;國家電網有限公司
• 主分類號: H02J3/00
• 分類號: H02J3/00;G06Q10/04;G06Q50/06
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 羅文群

1.一種結合人工特征和殘差網絡的電力系統暫態穩定預測方法，其特征在于，該方法包括以下步驟：

(1)對具有N臺發電機的電力系統，根據電力系統歷史運行情況和運行人員經驗，對s種運行工況在f種故障下的暫態穩定性進行時域仿真計算，得到s×f種運行場景的特征向量X^k和暫態穩定性y^k，其中，上標k表示第k種運行場景，k＝1,2,…,s×f，y^k＝(0,1)表示電力系統在故障清除后能夠保持暫態穩定，y^k＝(1,0)表示電力系統在故障清除后不能保持暫態穩定，故障清除時間根據人工經驗設定，第k種運行場景中故障清除后n個采樣點的發電機有功功率P_Gi^k、發電機轉子角度δ_i^k、發電機轉子角速度ω_i^k、發電機母線的電壓幅值V_Gi^k和發電機母線的電壓相角θ_Gi^k構成特征向量X^k：

X^k＝[P_Gi^k(t),δ_i^k(t),ω_i^k(t),V_Gi^k(t),θ_Gi^k(t)]

其中，下標i表示電力系統中的第i臺發電機，i＝1,2,…,N，t表示第t個采樣點，t＝1,2,…,n，n為人為設定的采樣點數，采樣頻率選為電力系統的額定頻率；

(2)根據步驟(1)中的特征向量X^k＝[P_Gi^k(t),δ_i^k(t),ω_i^k(t),V_Gi^k(t),θ_Gi^k(t)]，計算如下30×n個人為定義的人工特征：

人工特征其中0_-表示故障發生前的最后一個采樣值

人工特征

人工特征

人工特征

人工特征Y₅^k(t)＝Y₃^k(t)-Y₄^k(t)

人工特征Y₆^k(t)＝Y₂^k(t)/Y₁^k(t)

人工特征

人工特征

人工特征

人工特征

人工特征Y₁₁^k(t)＝Y₉^k(t)-Y₁₀^k(t)

人工特征Y₁₂^k(t)＝Y₈^k(t)/Y₇^k(t)

人工特征

人工特征

人工特征

人工特征

人工特征Y₁₇^k(t)＝Y₁₅^k(t)-Y₁₆^k(t)

人工特征Y₁₈^k(t)＝Y₁₄^k(t)/Y₁₃^k(t)

人工特征

人工特征

人工特征

人工特征

人工特征Y₂₃^k(t)＝Y₂₁^k(t)-Y₂₂^k(t)

人工特征Y₂₄^k(t)＝Y₂₀^k(t)/Y₁₉^k(t)

人工特征

人工特征

人工特征

人工特征

人工特征Y₂₉^k(t)＝Y₂₇^k(t)-Y₂₈^k(t)

人工特征Y₃₀^k(t)＝Y₂₆^k(t)/Y₂₅^k(t)

將上述30×n個人工特征Y_p^k(t)進行最大最小歸一化，其中，下標p＝1,…,30，得到歸一化后的人工特征歸一化的公式為：

(3)將每種場景的特征向量X^k＝[P_Gi^k(t),δ_i^k(t),ω_i^k(t),V_Gi^k(t),θ_Gi^k(t)]進行最大最小歸一化，按照發電機維度、變量維度和時間維度排列成三維數據然后設置卷積層、池化層、殘差單元和全連接層，結合步驟(2)中的30×n個歸一化后的人工特征得到暫態穩定預測模型M的結構，具體包括以下步驟：

(3-1)將步驟(1)得到的每一種運行場景下的特征向量X^k＝[P_Gi^k(t),δ_i^k(t),ω_i^k(t),V_Gi^k(t),θ_Gi^k(t)]進行最大最小歸一化，歸一化的公式為：

然后，將歸一化后的數據按照發電機維度、時間維度和變量維度排列成三維數據該三維數據的維度為N×n×5；

(3-2)結合步驟(2)中的人工特征和深度學習中的殘差網絡，設計得到暫態穩定預測模型M的結構，M的輸入數據是步驟(2)得到的歸一化后的人工特征和步驟(3-1)得到的三維數據M的輸出是O_k²，當O_k²＝(0,1)時，表示電力系統在第k種運行場景下能夠保持暫態穩定，當O_k²＝(1,0)時，表示電力系統在第k種運行場景下不能保持暫態穩定，模型M由如下多個單元堆疊而成：

(3-2-1)卷積層：

利用c個卷積核w_l和一個偏置矩陣V⁰對步驟(3-1)中第k種運行場景的三維數據進行卷積操作，得到特征向量O_k，其中，l＝1,…,c，卷積核w_l和偏置矩陣V⁰是步驟(4)的待求參數，w_l∈R^a×d，R^a×d表示a×d維矩陣，且矩陣中每一個元素都是實數，a和d的值取為奇數，且滿足a≤N，d≤n，卷積核的個數c≥5；

(3-2-2)池化層：

對特征向量O_k進行最大池化，獲得池化后的特征A_k⁰；

(3-2-3)堆疊的m個殘差單元：

利用深度殘差網絡中堆疊的m個殘差單元，對步驟(3-2-3)的池化后特征A_k⁰進行特征提取，其中，第f個殘差單元的輸出為：

A_k^f＝σ(σ(A_k^f-1*J_l^f,1+V^f,1)*J_l^f,2+V^f,2+A_k^f-1)

其中，上標f＝1,…,m，m為殘差單元的總數，m的值由人為設定，σ()是ReLU激活函數，A_k^f是第f個殘差單元的輸出，A_k^f-1是第f-1個殘差單元的輸出，J_l^f,1是第f級殘差單元使用的第一層卷積層的第l個卷積核，J_l^f,2是第f級殘差單元使用的第二層卷積層的第l個卷積核，l＝1,…,c，V^f,1是第f級殘差單元使用的第一層卷積層的偏置矩陣，V^f,2是第f級殘差單元使用的第二層卷積層的偏置矩陣，卷積核J_l^f,1和J_l^f,2、偏置矩陣V_l^f,1和V_l^f,2是步驟(4)的待求參數；

(3-2-4)池化層：

對第m級殘差單元的輸出A_k^m進行最大池化，獲得池化后特征Q_k；

(3-2-5)批歸一化層：

利用批歸一化方法，對步驟(3-2-4)的池化后特征Q_k進行歸一化處理，得到歸一化后的特征U_k；

(3-2-6)平鋪層：

利用平鋪函數，將步驟(3-2-5)的歸一化特征U_k平鋪為h×1維特征向量V_k，其中h的大小由歸一化特征U_k的維度決定；

(3-2-7)第一層全連接層：

將步驟(2)得到的30×n個歸一化后的人工特征與步驟(3-2-6)的h×1維特征向量V_k合并為Z_k，Z_k是(h+30×n)×1維向量，然后將Z_k輸入到第一層全連接層中，得到第一層全連接層的輸出為O_k¹：

O_k¹＝σ(GZ_k+b¹)

其中，上標1表示第一層全連接層，權重矩陣G∈R^g×h，R^g×h表示g×h維矩陣，且矩陣中每一個元素都是實數，第一層全連接層的偏置向量b¹∈R^g×1，R^g×1表示g×1維向量，且向量中每一個元素都是實數，g表示全連接層的輸出維度，第一層全連接層的輸出維度由人為設定，取值范圍設為g∈(2,h+30×n)，權重矩陣G和偏置向量b¹是步驟(4)的待求參數；

(3-2-8)第二層全連接層：

將步驟(3-2-7)的輸出O_k¹輸入到第二層全連接層中，得到第二層全連接層的輸出為O_k²：

O_k²＝Softmax(HO_k¹+b²)

其中，上標2表示第二層全連接層，權重矩陣H∈R^2×g，R^2×g表示2×g維矩陣，且矩陣中每一個元素都是實數，第二層全連接層的偏置向量b²∈R^2×1，R^2×1表示2×1維向量，且向量中每一個元素都是實數，Softmax()是Softmax激活函數，權重矩陣H和偏置向量b²均為步驟(4)的待求參數；

(4)根據步驟(1)得到的s×f個樣本和基于自適應矩估計的梯度下降算法，即Adam算法，迭代計算M中的待求參數，得到最終的暫態穩定預測模型，具體包括如下步驟：

(4-1)從步驟(1)得到的s×f個樣本中隨機抽取個樣本作為訓練集，剩余個樣本作為驗證集，其中表示對0.8×s×f向下取整；

(4-2)設定一個集合S＝{e_max,A_max,M_max}，其中A_max是迭代過程中得到暫態穩定預測模型的最高預測準確率，e_max是取得最高預測準確率A_max時的迭代次數，M_max是第e_max次迭代得到的暫態穩定預測模型，記迭代次數為r，最大迭代次數為r_max，最小迭代次數為r_min，其中r_max和r_min的值由人為設定，并滿足r_max＞r_min≥10，設迭代次數r的初值為0，e_max初值為0，A_max的初值為-1，模型M_max設為空；

(4-3)將迭代次數r與最大迭代次數r_max進行比較：

(4-3-1)若r≥r_max，則集合S中的M_max作為最終的電力系統暫態穩定預測模型；

(4-3-2)若r＜r_max，則令r:＝r+1，轉入步驟(4-4)；

(4-4)利用步驟(4-1)的訓練集和Adam算法，計算步驟(3)中模型M的所有待求參數，包括w_l、V⁰、J_l^f,1、J_l^f,2、V_l^f,1、V_l^f,2、G、H、b¹和b²，得到第r次迭代當前參數對應的暫態穩定預測模型M_r；

(4-5)利用M_r對步驟(4-1)驗證集中所有樣本的暫態穩定性進行預測，得到預測準確率，記為A_r，將A_r的值與A_max進行比較：

(4-5-1)若A_rA_max，則令e_max＝r，A_max＝A_r，M_max＝M_r，更新得到新的集合S，然后轉入步驟(4-3)；

(4-5-2)若A_r≤A_max，則將e_max的值與r和r-r_min的值進行比較，如果滿足r-r_min≤e_max≤r，則轉入步驟(4-3)，如果不滿足r-r_min≤e_max≤r，則停止迭代，取集合S中的M_max作為最終的電力系統暫態穩定預測模型；

(5)獲取故障切除后發電機的有功功率、轉子角度、轉子角速度、電壓幅值和電壓相角，經過計算并輸入至步驟(4)得到的電力系統暫態穩定預測模型中，得到暫態穩定預測結果，具體包括如下步驟：

(5-1)利用離線時域仿真計算或直接采集電力系統廣域測量信息系統的量測數據，得到故障清除后n個采樣點的發電機有功功率P_Gi(t)、發電機轉子角度δ_i(t)、發電機轉子角速度ω_i(t)、發電機母線的電壓幅值V_Gi(t)和發電機母線的電壓相角θ_Gi(t)，構成初始輸入特征，其中t＝1,…,n；

(5-2)對步驟(5-1)的初始輸入特征計算得到步驟(2)定義的30×n個歸一化后的人工特征；

(5-3)利用步驟(3-1)的最大最小歸一化對初始輸入特征進行歸一化處理后并排列成N×n×5的三維數據；

(5-4)將步驟(5-2)得到的30×n個歸一化后的人工特征和步驟(5-3)得到的N×n×5的三維數據共同輸入至步驟(4)得到的電力系統暫態穩定預測模型中，得到電力系統的暫態穩定預測結果。