[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

本發明公開了一種基于主動學習的電力系統主導失穩模式判別方法，屬于電力系統穩定性分析領域。本發明將主動學習應用到主導失穩模式判別方法中，無需標注所有樣本，而僅主動地選擇部分最有信息含量的樣本來標注，以較少的樣本標注來達到較高的判別準確率。同時，在模型不確定性基礎上還考慮到樣本多樣性，以模型輸出概率信息熵為權重，通過加權k?means聚類的方法將樣本聚成k簇，分別從每一簇中選擇最接近聚類質心的樣本，保證了采樣的多樣性，避免所選樣本過于相似造成模型過擬合的問題。如此，本發明能夠減少樣本標注的成本，提高主導失穩模式判別模型實現效率，從而提高電力系統的安全性，實用性較強。

技術領域

本發明屬于電力系統穩定性分析領域，更具體地，涉及一種基于主動學習的電力系統主導失穩模式判別方法。

背景技術

電力系統的安全穩定運行對國家能源安全和經濟社會發展至關重要，其安全性和穩定性問題是系統規劃、運行、保護工作者重點關注的問題。在電力系統受到大擾動后快速、準確地判斷出其穩定和失穩以及主導失穩模式(電壓失穩、功角失穩)，將為緊急控制措施贏得時間，同時為采取何種措施提供依據，從而有效保證系統的安全穩定。

時域仿真、能量函數、分岔分析等是主導失穩模式判別的常用方法，但在應用到實際大電網時存在諸多困難。

隨著WAMS的發展，電力系統中數據不斷積累，同時深度學習方法的進步使得一些研究將深度學習方法應用到主導失穩模式判別中。深度學習可自動從原始量測數據或仿真數據中提取所需要的特征并建立起特征到主導失穩模式的映射關系。一些研究將深度學習應用到主導失穩模式判別中，取得了不錯的效果。深度學習方法可以擺脫復雜的物理機理，通過數據驅動方式直接作出準確判斷，在主導失穩模式判別問題中具有廣闊的應用前景。

然而，現有研究在訓練深度學習模型時采用監督學習方式，需要大量有標注樣本。事實上，主導失穩模式判別樣本標注無法直接通過仿真程序獲得，而需要根據電網專家經驗，由人工進行判斷和標注，需要花費較多的時間和人力成本，影響模型實現效率和適用性。

因此，如何減少對樣本標注量的需求，提升模型實現的效率，是目前亟待解決的技術問題。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于主動學習的電力系統主導失穩模式判別方法，其目的在于減少對樣本標注量的需求，提升模型實現的效率。

為實現上述目的，本發明提供了一種基于主動學習的電力系統主導失穩模式判別方法，包括：

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。

進一步地，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，包括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，解碼器由包括全連接層和反卷積層組成；