[發明專利]基于圖像化數據驅動的電力系統暫態穩定評估方法及系統

在審

• 申請號: 202211039019.8
• 申請日: 2022-08-29
• 公開（公告）號: CN115311509A
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 龍云;劉璐豪;梁雪青;盧有飛;趙宏偉;吳任博;陳明輝;張少凡;劉超;王歷曄;劉俊;彭鑫;李雨婷;趙譽;劉曉明
• 申請（專利權）人: 廣東電網有限責任公司廣州供電局
• 主分類號: G06V10/77
• 分類號: G06V10/77;G06V10/82;G06V10/764;G06F30/20;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 梁瑩

本發明公開了基于圖像化數據驅動的電力系統暫態穩定評估方法及系統，方法包括：構建特征備選集；根據特征備選集收集電力系統歷史運行數據及并利用仿真分析軟件生成暫穩仿真數據，構建樣本集合；對樣本集合進行數據預處理及利用暫態穩定指標進行樣本分類，按照時間和特征兩個方向將樣本集合中的樣本排列為二維矩陣，根據矩陣元素數值大小的不同賦予相應的灰度值，形成樣本的原始圖像；對原始圖像進行特征降維，得到特征圖像；構建暫態穩定評估卷積神經網絡模型；利用基于特征圖像的樣本集訓練暫態穩定評估卷積神經網絡模型并利用該訓練好的模型進行電力系統暫態穩定評估。本發明具有計算效率高、評估精度高、能實現實時監視和在線更新等優點。

技術領域

本發明涉及電力系統暫穩評估的技術領域，尤其涉及到基于圖像化數據驅動的電力系統暫態穩定評估方法及系統。

背景技術

近年來，隨著建立新型電力系統目標的提出，越來越多的電力電子設備和可再生能源接入電網中，這使得電力系統動態特性愈發復雜，電力系統發生暫態失穩的可能性進一步加大。同時，廣域測量系統和模式識別技術的發展為在線暫穩評估提供了海量數據，基于數據驅動的電力系統暫穩評估(Transient stability assessment，TSA)成為可能。

目前有三種常用的電力系統暫穩評估方法，分別是時域仿真法、直接法和人工智能方法。時域仿真法精確度較高且數學模型詳盡，然而工作量過大，計算速度慢；直接法計算效率高，但依賴于非線性系統穩定性分析理論，目前仍未有重大突破。隨著人工智能的發展，機器學習方法在TSA中的應用愈加廣泛，通過對系統大量的暫穩樣本進行離線訓練，建立學習機模型和樣本集的等價映射關系，將得到的模型用于暫態穩定性的離線/在線評估。目前常用于暫穩評估的機器學習方法主要有：決策樹(Decision Tree,DT)，深度置信網絡(Deep Belief Network,DBN)和支持向量機(Support Vector Machine,SVM)等，其中深度學習憑借其強大的學習能力在各方面都展現出了諸多優勢，逐漸成為目前TSA主流的方法之一。

目前TSA大多采用標準算例生成的數據集，然而實際電網的母線、發電機、線路等電力元件的數量巨大，難以實現TSA模型的實時監視和在線更新；而現有降維方法常常遺漏重要信息，導致預測精度下降，這將嚴重影響后續深度學習模型訓練和預測的快速進行，從而難以實現在線監測。面對來自于電網的高維數據特征時，直接使用原始時序數據進行模型訓練與預測常常會帶來極大的計算負擔以及過擬合的風險。

發明內容

本發明的目的在于克服現有技術的不足，提供一種計算效率高、評估精度高、能實現實時監視和在線更新的基于圖像化數據驅動的電力系統暫態穩定評估方法。

為實現上述目的，本發明所提供的技術方案為：一種基于圖像化數據驅動的電力系統暫態穩定評估方法，包括：

構建特征備選集；

根據特征備選集收集電力系統歷史運行數據及并利用仿真分析軟件生成暫穩仿真數據，構建樣本集合；每個樣本包含多維電氣特征，而每個電氣特征包含多個時間節點；

對樣本集合進行數據預處理及利用暫態穩定指標進行樣本分類，按照時間和特征兩個方向將樣本集合中的樣本排列為二維矩陣，根據矩陣元素數值大小的不同賦予相應的灰度值，形成樣本的原始圖像；

對原始圖像進行特征降維，得到原始圖像的特征圖像；

構建暫態穩定評估卷積神經網絡模型；

利用基于特征圖像的樣本集訓練構建的暫態穩定評估卷積神經網絡模型；

采用訓練完成的暫態穩定評估卷積神經網絡模型進行電力系統暫態穩定評估。

進一步地，讀入電力系統網架結構、發電機電磁功率、端電壓、功角、母線電壓信息，構建特征備選集。