[發明專利]一種電力系統擾動分類方法

在審

• 申請號: 202011132259.3
• 申請日: 2020-10-21
• 公開（公告）號: CN112633315A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 劉有志;蔣雨辰;張揚;李子康;劉灝;畢天姝
• 申請（專利權）人: 廣東電網有限責任公司廣州供電局;華北電力大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 黃家俊

1.一種基于堆疊去噪自編碼器和隨機森林分類器的電力系統擾動分類方法，其特征在于，包括以下步驟：

步驟1：利用離線的時域仿真法生成電力系統的擾動數據；

步驟2：將步驟1中通過離線仿真法所得到的擾動數據進行標準化處理；

步驟3：構造和訓練堆疊去噪自編碼器深度神經網絡，以擾動發生后0.5s內的頻率和電壓有效值作為堆疊去噪自編碼器的輸入，對堆疊去噪自編碼器進行訓練；

步驟4：利用步驟3中訓練后的堆疊去噪自編碼器對數據特征提取，得到高層次的特征表達；

步驟5：構造和訓練隨機森林分類器，并通過訓練后的隨機森林分類器對步驟4中所提取的高層次的特征進行分類，實現擾動識別。

2.根據權利要求1所述的電力系統擾動分類方法，其特征在于，步驟1中利用離線的時域仿真法生成擾動數據的過程具體為：分別選取三相短路3-φFlt、單相接地故障φ-gFlt、發電機出力降低GL、投負荷、切負荷、三相斷線LT共6種擾動類型進行仿真，系統算例為IEEE 10機39系統，仿真軟件為PSD-BPA，仿真時間為30s，仿真步長設置為0.02s，5s后觸發擾動，輸出各母線頻率與電壓有效值。

3.根據權利要求1所述的電力系統擾動分類方法，其特征在于，步驟2中所述進行標準化處理的過程為：假設PMU上送頻率為50Hz，則0.5s內的頻率和電壓分別表示為f,對于頻率和電壓信號分別進行標準化處理：

其中，為標準化后的數據，u和σ分別為Z對應變量的均值和標準差。

4.根據權利要求1所述的電力系統擾動分類方法，其特征在于，步驟3中所述堆疊去噪自編碼器SDAE是由去噪自編碼器DAE堆疊而成的深層網絡模型，所述構造和訓練堆疊去噪自編碼器深度神經網絡的過程包括以下子步驟：

S31：令為DAE的輸入數據，首先，以一定概率C對中的數據隨機置零，以得到損壞的擾動數據然后，DAE通過編碼操作將損壞的數據映射為隱層的特征表達h＝[h₁,h₂,…,h_t]^T，再通過解碼重構完整的樣本所述DAE編碼和解碼過程如下所示：

θ＝{W,b}

θ'＝{W',b'}

其中，W和W'分別是編碼矩陣和解碼矩陣；b和b'分別是編碼偏置向量和偏置偏差向量；θ和θ'分別是用于編碼和解碼的參數；f_θ和g_θ'是激活函數，在此使用Sigmoid函數：

S32：對SDEA進行訓練，在該過程中，以重建誤差最小為目標對參數進行調整：

其中是重構誤差,是指最小時對應的參數θ和θ'；對于預處理過的擾動數據集N為數據個數,其重構誤差表示為：

其中，為第i個預處理過的擾動數據，為的重構數據，MSE為均方差；

通過誤差的反向傳播和梯度下降算法得到最優的模型參數，參數更新過程如下：

其中，η為學習率；

在訓練過程中，SDAE通過自監督學習來對模型進行優化，具體為，將SDAE中的任意兩個相鄰層視為一個DAE，并以最小化重構誤差為目標，逐層對神經網絡進行訓練。

5.根據權利要求4所述的電力系統擾動分類方法，其特征在于，步驟4中，SDAE是以上個DAE的編碼特征作為下一個DAE的輸入數據進行正向傳播的。

6.根據權利要求5所述的電力系統擾動分類方法，其特征在于，所述步驟5中進一步包括：

所述隨機森林分類器是以多個決策樹DT作為弱分類器的一種集成算法分類器，其中，單個DT為分類回歸樹CART，對于給定的樣本集合D，其基尼系數為

其中，|C_k|是D_F中屬于第k類的樣本子集的個數，N為樣本個數，K為類別個數；Gini(D_F)表示中隨機選擇的樣本被錯誤分類的概率，Gini(D_F)越小，則表明D_F中選擇的樣本被錯誤分類的概率越低，即D_F的純度越高；

樣本特征集D_F根據特征F＝{F₁,F₂,…F_k}中特征F_j的特定值a分為D₁和D₂兩部分：

D₁＝{(x,y)∈D_F|A(x)＝a},D₂＝D_F-D₁

則在特征A的條件下，集合D的基尼系數為：

式中，|D₁|和|D₂|分別表示集合D₁和D₂中的樣本數；N是樣本數；

Gini(D_F,F_j＝a)表示集合D_F以及F_j＝a劃分后的不確定度；基尼指數的值越大，則樣本集的不確定度越大；

使用bootstrap抽樣的方法生成n個子數據集，并以基尼指數為分割準則生成n個子數據集以及對應的n個CART，從而構造隨機森林分類器；

通過用SDAE提取的高級特征訓練隨機森林分類器，實現擾動識別并分類。