基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法

本发明涉及电力系统暂态稳定评估，特别是涉及基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法。

背景技术：

1、目前，我国的电网正处于高速发展时期，随着各行各业的飞速发展，电网负荷需求日益增加。同时，在“碳达峰、碳中和”的发展背景下，可再生能源比例不断提高，增加了电网的不确定性，这为电力系统的安全稳定运行带来了新的挑战。为了达到可靠供电的目标，一个大规模的电力系统必须能够承受各种干扰并保持稳定运行。若电力系统发生故障却没有及时采取有效的控制措施，将会导致系统解列甚至崩溃，引发大面积停电，给国民生产、生活与经济造成不可挽回的损失。

2、近年来世界各地的电力系统正经受着极端天气、偶发性自然灾害、人为电气误操作等因素带来的安全稳定考验。现代电网由于系统互联性高，电力系统复杂程度逐渐增加，若不能在扰动发生后及时判断系统的稳定状态并采取相应的控制措施，很有可能由单一故障引发连锁反应，进而演变为大规模停电事故。因此，电力系统暂态稳定评估对电网维持安全稳定运行具有重要意义。有效、准确、快速的暂态稳定评估可为调度运行人员提供各种事故下电力系统稳定性分析结果，若系统失稳，则可以快速开展紧急控制措施，防止故障范围进一步扩大。

3、目前电力行业主要应用时域仿真法与直接法进行暂态稳定评估，虽然评估结果较为准确，但面对不同负载水平、故障类型及清除时间的系统，需要进行大量的计算工作，且无法满足实时计算的需求，已然不适用于日益变化的现代电力系统。人工智能技术的飞速发展，为暂态稳定评估的研究提供了全新的思路。深度学习算法可以自动从输入数据中提取特征，并建立输入与输出的非线性高维模型，具有强大的非线性表达能力和模式识别能力。因此，基于深度学习的暂态稳定评估模型可以反映输入电力系统运行参数和系统的暂态稳定状态，且不需要对复杂的电网进行物理建模，弥补了传统暂态稳定评估方法无法进行实时运算的缺点，可满足在线实时预测的要求。同时，随着基于同步相量测量单元(phasor measurement unit,pmu)的广域测量技术(widearea measurement system,wams)在电力系统中的不断推广与应用，大量的电力数据得以采集与存储，为人工智能技术在电力系统领域的发展提供保障。

技术实现思路

1、本发明的目的是提供基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法，通过构建bcnn模型进行电力系统暂态稳定状态预测，能够输出预测不确定性反映模型对预测结果的信心程度。

2、为实现上述目的，本发明提供了如下方案：

3、基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法，包括：

4、采集电力系统pmu量测数据并进行处理，获取电力系统暂态过程时序数据，基于所述电力系统暂态过程时序数据构建数据集；

5、构建基于贝叶斯卷积神经网络的电力系统不确定性暂态稳定评估模型，基于所述数据集对所述模型进行训练和测试，获取最终模型；

6、利用所述最终模型进行电力系统的在线暂态稳定评估，获取所述电力系统的暂态稳定状态预测结果和所述预测结果的不确定性估计。

7、进一步地，所述电力系统pmu量测数据包括：电力系统的母线电压幅值、相角和输电线路的有功潮流、无功潮流。

8、进一步地，对所述电力系统pmu量测数据进行处理包括：

9、对所述电力系统pmu量测数据进行数据的特征选择和样本标注，然后进行去量纲的标准化操作，生成标准化的电力系统暂态过程时序数据。

10、进一步地，构建基于贝叶斯卷积神经网络的电力系统暂态稳定评估模型包括：

11、在卷积神经网络的基础上引入贝叶斯理论和预测不确定性进行概率建模，构建所述基于贝叶斯卷积神经网络的电力系统不确定性暂态稳定评估模型。

12、进一步地，所述预测不确定性包括：随机不确定性和认知不确定性，所述随机不确定性通过模型的输出度量，所述认知不确定性通过在模型的参数上设置概率分布的方式度量，将所述随机不确定性和所述认知不确定性统称为预测不确定性。

13、进一步地，在所述卷积神经网络的基础上引入贝叶斯理论和预测不确定性进行概率建模包括：

14、利用贝叶斯理论对所述卷积神经网络参数的先验概率作出假设，获取给定参数情况下的概率模型；采用变分推断近似真实的后验分布，获取变分分布与后验分布之间的kl散度，所述kl散度表示变分分布与后验分布之间的相似性；基于所述概率模型和所述变分分布与后验分布之间的kl散度，引入不确定性，对所述预测不确定性进行建模。

15、进一步地，基于所述数据集对所述模型进行训练包括：

16、将所述数据集中的部分数据作为训练集样本，所述模型根据所述训练集样本学习输入特征与暂态稳定状态之间的非线性映射关系，并实现特征提取和分类预测，其中，模型在训练过程中采用贝叶斯反向传播算法学习所述训练集样本中的数据并进行参数更新，达到函数最小化。

17、进一步地，基于所述数据集对所述模型进行测试包括：

18、将所述数据集中的部分数据作为测试集样本，基于所述测试集样本测试训练后的模型的泛化能力，并判断所述训练后的模型预测精度是否达到要求，若未达到要求，则重新修改所述训练后的模型的超参数和网络结构继续训练，若达到要求，则将所述训练后的模型保存为所述最终模型，并用于电力系统的在线应用。

19、进一步地，利用所述最终模型进行电力系统的在线暂态稳定评估，获取所述电力系统的暂态稳定状态预测结果和所述预测结果的不确定性估计包括：

20、将pmu量测数据进行标准化操作后输入所述最终模型中，所述最终模型输出预测结果，并计算所述预测结果的预测不确定性；若模型输出的预测不确定性大于预设不确定度阈值，则判定为所述预测结果不可信，所述量测数据需要交由人类专家判断所述电力系统的暂态稳定状态；若模型输出的预测不确定性小于所述预设不确定度阈值，则判定为所述预测结果可信，所述预测结果即为所述电力系统的暂态稳定状态。

21、本发明的有益效果为：

22、本发明构建的bcnn模型虽然预测精度略低于cnn模型，但面对噪声数据及特征缺失数据具有较强的鲁棒性，对小数据集有较强的适应性；模型所输出的预测不确定性可以反映模型对预测结果的信心程度；运行人员可根据具体需求设置不确定性阈值，以来改善预测结果。

技术特征：

1.基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法，其特征在于，包括：

2.根据权利要求1所述的基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法，其特征在于，所述电力系统pmu量测数据包括：电力系统的母线电压幅值、相角和输电线路的有功潮流、无功潮流。

3.根据权利要求2所述的基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法，其特征在于，对所述电力系统pmu量测数据进行处理包括：

4.根据权利要求1所述的基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法，其特征在于，构建基于贝叶斯卷积神经网络的电力系统暂态稳定评估模型包括：

5.根据权利要求4所述的基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法，其特征在于，所述预测不确定性包括：随机不确定性和认知不确定性，所述随机不确定性通过模型的输出度量，所述认知不确定性通过在模型的参数上设置概率分布的方式度量，将所述随机不确定性和所述认知不确定性统称为预测不确定性。

6.根据权利要求5所述的基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法，其特征在于，在所述卷积神经网络的基础上引入贝叶斯理论和预测不确定性进行概率建模包括：

7.根据权利要求1所述的基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法，其特征在于，基于所述数据集对所述模型进行训练包括：

8.根据权利要求1所述的基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法，其特征在于，基于所述数据集对所述模型进行测试包括：

9.根据权利要求1所述的基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法，其特征在于，利用所述最终模型进行电力系统的在线暂态稳定评估，获取所述电力系统的暂态稳定状态预测结果和所述预测结果的不确定性估计包括：

技术总结
本发明涉及基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法，包括：采集电力系统PMU量测数据并进行处理，获取电力系统暂态过程时序数据，基于所述电力系统暂态过程时序数据构建数据集；构建基于贝叶斯卷积神经网络的电力系统不确定性暂态稳定评估模型，基于所述数据集对所述模型进行训练和测试，获取最终模型；利用所述最终模型进行电力系统的在线暂态稳定评估，获取所述电力系统的暂态稳定状态预测结果和所述预测结果的不确定性估计。本发明所构建的模型面对噪声数据及特征缺失数据具有较强的鲁棒性，对小数据集有较强的适应性且运行人员可根据具体需求设置不确定性阈值，以来改善预测结果。

技术研发人员：张靖,袁梦薇,何宇,严儒井,胡克林,傅晓帆,叶永春,古庭蕴,李博文
受保护的技术使用者：贵州大学
技术研发日：
技术公布日：2024/1/14