[發明專利]一種基于遷移學習的電力系統暫態穩定自適應評估方法

在審

• 申請號: 201911088617.2
• 申請日: 2019-11-08
• 公開（公告）號: CN110879917A
• 公開（公告）日: 2020-03-13
• 發明（設計）人: 吳俊勇;張若愚;李寶琴;邵美陽;盧育梓;段方維;楊瀅璇
• 申請（專利權）人: 北京交通大學;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: G06F30/20
• 分類號: G06F30/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 李博洋

本發明公開了一種基于遷移學習的電力系統暫態穩定自適應評估方法，該方法將故障切除后發電機功角軌跡簇的27個幾何特征的時序數據作為原始輸入特征；構建基于卷積神經網絡的暫穩預測模型，它由輸入特征、卷積層1、池化層1、卷積層2、池化層2、全連接層、分類層和輸出結果組成；并改進反向傳播算法的損失函數；最后利用遷移學習策略，將一種運行方式和拓撲結構系統下得到的預訓練模型的網絡結構、兩個卷積層、兩個池化層和全連接層的參數都遷移到新模型，僅隨機初始化分類層的參數，在新的運行方式和拓撲結構下，用新場景下的訓練樣本集對分類層進行訓練，即可使新模型很快地跟蹤電力系統的運行方式和拓撲結構的變化，保持較高預測準確率。

技術領域

本發明涉及電力系統領域，特別是涉及一種基于遷移學習的電力系統暫態穩定自適應評估方法。

背景技術

隨著現代電力系統規模不斷擴大，交直流混聯輸電方式的快速發展，新增設備的不斷增多以及新能源技術的廣泛應用，系統的運行狀態越來越接近其穩定極限，再加上網絡攻擊、電磁攻擊等人為蓄意破壞，其安全穩定問題日益嚴重，電網大面積停電事件時有發生。然而現代電力系統是一個高維的非線性系統，故障發生速度快，響應時間短，僅根據調度人員的經驗很難在短時間內做出準確的判斷，因此迫切需要一種快速準確的電網暫態穩定評估方法。

以機器學習和深度學習為工具的暫態穩定預測為電力系統暫態功角穩定預測的研究另辟蹊徑。中國專利公開號CN106849069A是基于Pin-SVM的電力系統暫態穩定評估方法，采用直接法的暫態動能等指標作為人工智能方法的樣本特征，采用最大相關最小冗余特征選擇方法對原始特征集進行特征壓縮，減少訓練時長的同時具有更高的準確率。中國專利公開號CN108551167A提出了一種基于XGBoost算法的電力系統暫態穩定判別方法，該方法將故障前的特征數據作為輸入，主要目的是為了起到故障預防的作用。中國專利公開號CN108964046A是一種基于故障清除后短時受擾軌跡的電力系統暫態穩定評估方法，構建卷積神經網絡建立發電機電氣量與系統暫態穩定性之間的映射關系，模型具有較強的魯棒性和評估性能。中國專利公開號CN104578053A提出了一種基于受擾電壓軌跡簇特征的電力系統暫態穩定性預測方法，將故障切除后發電機節點電壓幅值的時域軌跡簇構成原始數據集，計算軌跡簇的27個幾何特征，再采用Relief算法進行特征選擇，然后構造SVM預測模型。

已有的研究和發明成果均取得了較高的預測準確率，但是仍然存在不足。首先，初始特征的選擇對模型最終評估性能有很大影響，以上所提到的專利除了中國專利公開號CN104578053A以外，現有的特征選擇和提取方法一般會面臨當系統規模增大時，特征維數急劇上升的“維數災難”，使得已經訓練好的模型無法使用，需要重新訓練模型或另外設計新的特征提取方法，因此增大了模型的使用成本。其次，現有方法更多關注預測模型的準確性，忽視了穩定場景與失穩場景的誤分類成本差異，沒有考慮不平衡樣本訓練帶來的判別結果傾向性和誤分類的代價問題。此外，現有方法在追求更高準確率的同時忽視了模型實時跟蹤系統運行方式和拓撲結構變化的自適應能力，在遇到新的運行方式和拓撲結構時預測模型的識別準確率往往大幅度降低，或者需要對于每一種典型運行方式或拓撲結構訓練各自的暫穩預測器，實際應用中得先匹配場景和預測器，才能夠實現較為準確的暫態穩定預測結果，這樣不僅耗時耗資源，而且難以滿足在線運行的需求。

發明內容

本發明要解決的技術問題是克服電力系統故障發生速度快，響應時間短，僅根據調度人員的經驗很難在短時間內做出準確的判斷的缺陷，從而提供一種基于遷移學習的電力系統暫態穩定自適應評估方法。

為解決上述技術問題，本發明采用下述技術方案：

1.本發明提供一種基于遷移學習的電力系統暫態穩定自適應評估方法，包括以下內容：

步驟(1)：利用Matlab工具箱Power System Toolox 3.0仿真生成大量電力系統暫態穩定樣本數據集；