[發明專利]一種基于主動學習的電力系統主導失穩模式判別方法

有效

• 申請號: 202110687214.0
• 申請日: 2021-06-21
• 公開（公告）號: CN113435492B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 姚偉;石重托;湯涌;艾小猛;文勁宇;黃彥浩;郭強
• 申請（專利權）人: 華中科技大學;中國電力科學研究院有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F17/18
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 尹麗媛;李智

1.一種基于主動學習的電力系統主導失穩模式判別方法，其特征在于，包括以下步驟：

S1，進行多組暫穩仿真，并離散采樣仿真結果中的電壓數據和功角數據，作為樣本集；其中，每一樣本包括電壓數據和功角數據；

S2，采用深度自編碼器進行表征學習，將所述樣本集中各樣本壓縮成低維稠密向量；

S3，對S2中得到的低維稠密向量進行k-means聚類，并對每一個聚類簇中最接近簇質心的低維稠密向量對應的樣本標注主導失穩模式類別，得到k個標注樣本；

S4，用所有標注樣本訓練卷積神經網絡模型，并利用訓練后的卷積神經網絡模型對所述樣本集中未標注的樣本進行預測，得到每一個未標注樣本對應的信息熵；

S5，以S4中得到的信息熵為權重，對所述樣本集中未標注的樣本對應的低維稠密向量進行加權k-means聚類；并對每一個聚類簇中最接近簇質心的低維稠密向量對應的樣本標注主導失穩模式類別，得到k個新的標注樣本；

S6，重復S4-S5，直至所述卷積神經網絡模型的測試準確率達到預設目標值或達到預設迭代次數。

2.根據權利要求1所述的一種基于主動學習的電力系統主導失穩模式判別方法，其特征在于，步驟S2中，所述深度自編碼器包括編碼器和解碼器；其中，所述編碼器采用雙輸入結構，對應功角輸入和電壓輸入，編碼器由卷積層和全連接層組成；所述解碼器采用雙輸出結構，對應功角輸出和電壓輸出，解碼器由全連接層和反卷積層組成；

所述深度自編碼器的訓練采用自監督方式，以最小化編碼器輸入和解碼器輸出之間的差異為目標。

3.根據權利要求2所述的一種基于主動學習的電力系統主導失穩模式判別方法，其特征在于，所述深度自編碼器的訓練目標函數選用均方誤差。

4.根據權利要求1所述的一種基于主動學習的電力系統主導失穩模式判別方法，其特征在于，所述主導失穩模式包括穩定、功角失穩和電壓失穩三種類別。

5.根據權利要求4所述的一種基于主動學習的電力系統主導失穩模式判別方法，其特征在于，步驟S4中信息熵的計算公式為：

其中，x_i為第i個未標注樣本，Entropy(x_i)為第i個未標注樣本的信息熵，y_j為第j種主導失穩模式類別，j＝1,2,3，P_θ(y_j|x_i)為卷積神經網絡預測的x_i屬于第j種主導失穩模式類別的概率。

6.根據權利要求5所述的一種基于主動學習的電力系統主導失穩模式判別方法，其特征在于，步驟S5中加權k-means聚類的表達式為：

其中，χ^U為未標注樣本集；z_i，k∈{0，1}，z_{i， k} 為表示 標記樣本x_i是否屬于第k個聚類簇的變量；f(x_i)為深度自編碼器提取出的樣本x_i的低維特征；μ_k為第k個聚類簇的簇質心。

7.根據權利要求1所述的一種基于主動學習的電力系統主導失穩模式判別方法，其特征在于，步驟S4中卷積神經網絡為包含擠壓-激勵模塊的雙輸入卷積神經網絡，輸入為電壓和功角，輸出為主導失穩模式類別為穩定、功角失穩、電壓失穩的概率。