基于交叉熵卷积神经网络的电力系统风险评估方法及系统

本发明属于电力系统风险评估，本发明涉及一种基于交叉熵卷积神经网络的电力系统风险评估方法及系统。

背景技术：

1、在电力系统风险评估领域，主要有两种基本算法：解析法和仿真法。解析法（又称状态枚举法）通过枚举电力系统的所有可能状态并分析每个状态来计算系统的风险指标。然而，随着系统元件数量的增加，状态数量呈指数增长，使得解析法在处理大规模系统时变得不切实际，因此通常应用于小规模系统的风险评估或筛选关键故障状态。而仿真法，如蒙特卡罗仿真，通过随机抽样系统的可能状态来估计风险指标。该方法的准确性高度依赖于样本数量，因此在追求高精度评估时面临高计算成本。

2、为了解决这些挑战，近年来先进的机器学习技术被引入到电力系统风险评估中，旨在通过数据驱动的方法提高评估的效率和准确性。这些方法尝试通过使用机器学习算法来探索风险参数及其影响因素之间的复杂非线性关系，以在准确性和计算速度之间找到平衡。特别是，深度学习技术，如卷积神经网络（cnns），因其在图像处理和时间序列数据分析等领域的出色表现而受到关注。在电力系统风险评估中，cnns通过从历史数据中学习模式和特征，可以快速评估系统风险水平，从而支持系统优化和调度。

3、然而，cnns在实际应用于大规模电力系统风险评估时面临一些挑战。实际电力系统通常表现出高可靠性，导致随机抽样方法获得的训练数据严重偏斜，并存在大量0值标签，从而影响cnns的训练效果。此外，传统的cnn在处理深层网络时容易出现梯度消失问题，限制了网络深度的增加和模型学习能力的提升，导致其泛化能力有限，在面对新的或未见过的系统状态时预测准确性可能显著下降。

技术实现思路

1、本发明的目的在于提供一种基于交叉熵卷积神经网络的电力系统风险评估方法及系统，通过引入基于交叉熵技术的数据构建算法，自动识别并优先处理对风险指数至关重要的系统状态，提高了训练数据集中有效样本的比例，从而显著提升了模型的训练质量和预测精度。

2、实现本发明目的的技术解决方案为：

3、一种基于交叉熵的神经网络训练数据构建方法，包括以下步骤：

4、s01：使用强迫停运率对发电机组和输电线路状态进行抽样，将抽样得到元件状态与系统负荷水平结合以获得系统状态；

5、s02：根据当前系统状态，获得可能的负荷削减量；

6、s03：计算风险指标函数和似然比，更新修正强迫停运率，得到交叉熵迭代中故障样本，为迭代次数；

7、s04：对于当前系统状态和可能的负荷削减量，使用运行参数矩阵构建神经网络训练数据的输入和相应的标签。

8、优选的技术方案中，步骤s01中获得系统状态后还包括：

9、根据使用的负荷模型对系统负荷水平进行随机抽样，然后更新，使用潮流和最优潮流工具分析当前系统状态。

10、优选的技术方案中，步骤s03中计算风险指标函数和似然比的公式为：

11、

12、

13、其中，是发电机组和输电线路的总数，是第个系统状态样本中第个元件状态，其中表示成功状态，表示故障状态，是一个向量，其元素是发电机组和输电线路的强迫停运率，是第个元素，是强迫停运率的第个元素。

14、优选的技术方案中，步骤s03中更新修正强迫停运率的每个元素：

15、

16、其中，为更新因子，为每次迭代的交叉熵样本数。

17、优选的技术方案中，步骤s04中运行参数矩阵包括母线导纳矩阵：

18、

19、母线上可用发电功率矩阵：

20、

21、母线上负荷功率矩阵：

22、

23、母线间传输容量矩阵：

24、

25、其中，n表示系统母线的数量，表示第个母线和第个母线之间的互导纳，表示第个母线的自导纳，表示第个母线上总的可用发电容量，表示第个母线上的总负荷需求，表示第个母线和第个母线之间的最大可用传输容量。

26、本发明还公开了一种基于交叉熵卷积神经网络的电力系统风险评估方法，包括以下步骤：

27、构建基于交叉熵的卷积神经网络；

28、使用上述任一项所述的方法构建神经网络的输入数据；

29、通过训练后的基于交叉熵的卷积神经网络得到电力系统负荷削减量与系统状态变量之间的关系；

30、分析系统状态，计算风险指标函数。

31、优选的技术方案中，所述基于交叉熵的卷积神经网络包含层，每层实现一个变换，其中表示层数，和是三个连续操作的复合函数：先卷积运算，然后是批量归一化运算和修正线性单元，是一个展平操作，将二维特征图重构为一维数据，和均由全连接层和修正线性单元组成，的输出为负荷削减量。

32、优选的技术方案中，所述批量归一化通过零中心化和缩放来归一化输入，每层使用两个参数以适应，使用当前小批量的均值和标准差对输入进行标准化，如下公式：

33、

34、

35、

36、

37、其中，是输入均值向量，在整个小批量上评估，是小批量中的实例数量，是输入标准差向量，在整个小批量上评估，是实例的零中心化和归一化输入向量，是避免除以零的小数，是层的输出缩放参数向量，表示向量元素间乘法，是层的输出移位参数向量，是批量归一化的输出，它是输入的重新缩放和移位版本。

38、对于推理阶段，不再为每个小批量重新计算均值和方差，而是使用训练期间通过移动平均估计的值，调整的数学公式为：

39、

40、其中，是用于预测的均值向量，初始值为0，是用于预测的方差向量，初始值为1，是动量标量，在每批训练后，和将更新，当模型训练完成后，和的值已确定，并直接用于预测阶段。

41、本发明又公开了一种基于交叉熵卷积神经网络的电力系统风险评估系统，包括：

42、卷积神经网络构建模块，构建基于交叉熵的卷积神经网络；

43、输入数据获取模块，使用上述任一项所述的方法构建神经网络的输入数据；

44、预测模块，通过训练后的基于交叉熵的卷积神经网络得到电力系统负荷削减量与系统状态变量之间的关系；

45、风险评估模块，分析系统状态，计算风险指标函数。

46、本发明又公开了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述任一项所述的基于交叉熵的神经网络训练数据构建方法。

47、本发明与现有技术相比，其显著优点为：

48、1. 提高数据样本的有效性：

49、传统的随机采样方法会导致高可靠性电力系统的训练数据集存在严重偏差，包含大量0值标签，影响模型的训练效果。本发明通过引入基于交叉熵技术的数据构建算法，自动识别并优先处理对风险指数至关重要的系统状态，提高了训练数据集中有效样本的比例，从而显著提升了模型的训练质量和预测精度。

50、2.减少梯度消失问题：

51、传统的卷积神经网络在处理深层网络时容易出现梯度消失问题，限制了网络深度的增加和模型学习能力的提升。本发明在cnn架构中引入了批量归一化（batchnormalization, bn）层，有效缓解了梯度消失问题，增强了模型的泛化能力，使其在面对新的或未见过的系统状态时，预测准确性显著提高。

52、3. 提升风险评估的精度和效率：

53、本发明通过改进的cnn模型和优化的数据样本构建方法，显著提高了风险评估的精度。具体表现为负荷削减预测的准确性得到了显著改善。此外，由于深度学习技术能够快速分析和处理大量历史数据，本发明的方法在评估效率上也有显著提升，能够更迅速地完成大规模电力系统的风险评估。

54、4. 降低计算成本：

55、相较于传统的模拟方法（如蒙特卡罗模拟），本发明通过数据驱动的方法有效平衡了评估精度与计算速度。改进后的cnn能够在较少样本的情况下达到高精度的评估结果，从而大幅降低了计算成本，尤其是在进行高精度评估时。

56、5. 增强系统优化和调度支持：

57、由于本发明所提出的方法能够快速、准确地评估系统风险水平，它为电力系统的优化和调度提供了有力支持。通过及时、准确地识别潜在风险，电力系统运营者可以更好地制定应对策略，优化资源配置，提升系统的整体可靠性和稳定性。

58、综上所述，本发明通过创新的数据构建算法和改进的cnn架构，不仅显著提升了电力系统风险评估的精度和效率，还有效降低了计算成本，增强了系统优化和调度的支持能力，具有广泛的应用前景和显著的实用价值。