一种基于深度学习融合模型的电力系统暂态稳定评估方法与流程

本发明涉及电力系统暂态稳定评估，特别是涉及一种基于深度学习融合模型的电力系统暂态稳定评估方法。

技术背景

电力系统的快速发展给安全稳定运行带来严峻考验，电力系统的在线暂态稳定评估需要快速性和精确性，而传统的机器学习方法难以满足在电力系统暂态稳定评估上的应用，本发明在现有研究的基础上，克服传统方法的不足，进一步提高评估的准确性，提出一种基于卷积神经网络和长短时记忆网络的融合模型的暂态稳定评估方法。该方法所需数据容易采集，且具有较好地评估性能。

技术实现要素：

本发明要解决的技术问题是提供一种基于深度学习融合模型的电力系统暂态稳定评估方法，以克服现有技术中存在的问题。

为解决上述技术问题，本发明采用下述技术方案：

基于深度学习融合模型的电力系统暂态稳定评估方法，其特征在于，所述方法的步骤包括：

步骤1：通过时域仿真法或者利用wams系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，采集范围包括：故障发生前2周波至故障发生后3周波以及故障切除前3周波至故障切除后6周波两段序列数据，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入；

步骤2：为了减小不同量纲对模型的影响，对样本集进行数据归一化处理；

步骤3：根据发电机故障后的功角差对样本数据进行标注，稳定样本标注为01，不稳定样本标注为10；

步骤4：构建基于卷积神经网络和长短时记忆网络融合模型的暂态稳定评估方法，并将步骤3中标注好的数据集按7：3划分为训练集和测试集；

步骤5：利用步骤4中构建的训练集和测试集以评估准确率和召回率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型；

步骤6：利用步骤2和步骤4，对wams系统新采集得到的故障数据进行处理，建立评估数据集；

步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。

所述步骤1中，所述步骤1中，通过时域仿真法或者利用wams系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，采集范围包括：故障发生前2周波至故障发生后3周波以及故障切除前3周波至故障切除后6周波两段序列数据，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入，因此样本特征数据集x可表示为：

其中v和θ表示所选用的母线的电压幅值和相角，tf，tk分别表示故障发生时间和故障切除时间，p表示在所选用的与发电机母线直连的线路的有功功率，n和m表示共选择了哪条母线和m条线路。

所述步骤2中的归一化方法将对样本集进行归一化处理，归一化公式为：

其中表示初始特征第j列时间序列的t时刻的原始特征值，表示归一化后的特征值，和分别表示样本集中所有样本第j列所有特征值的均值和标准差。

所述步骤3中，对于每个样本，依据发电机故障后的功角差来对其进行暂态稳定标注，其计算公式为：

其中δδmax为发生扰动后4s末任意两台发电机功角差最大值，对于每个样本，如果tsi为正，则系统是稳定的，样本标签标注为1；如果tsi为负，系统是不稳定的，样本标签标注为0。

所述步骤4中，构建的基于深度学习融合模型的电力系统暂态稳定评估模型是一个由两个卷积层conv1和conv2、两个池化层pool1和pool2、一个长短时记忆网络层lstm和一个全连接输出层fc组成。

根据权利要求1所述的评估方法，其特征在于：通过各种典型运行方式下的数据集，对步骤4中的暂态稳定评估模型进行参数寻优，保持最佳模型，对步骤6中的在线预测数据集，利用步骤4中保持好的评估模型，得到稳定评估结果。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明：

图1示出本发明所述的一种基于深度学习融合模型的电力系统暂态稳定评估方法流程图；

图2示出本发明的模型结构图；

图3示出本实例中新英格兰10机39节点系统的拓扑结构图。

具体实施方式

步骤1：通过时域仿真法或者利用wams系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，采集范围包括：故障发生前2周波至故障发生后3周波以及故障切除前3周波至故障切除后6周波两段序列数据，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入；

步骤2：为了减小不同量纲对模型的影响，对样本集进行数据归一化处理；

步骤3：根据发电机故障后的功角差对样本数据进行标注，稳定样本标注为01，不稳定样本标注为10；

步骤4：构建基于卷积神经网络和长短时记忆网络融合模型的暂态稳定评估方法，并将步骤3中标注好的数据集按7：3划分为训练集和测试集；

步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型；

步骤6：利用步骤2和步骤4，对wams系统新采集得到的故障数据进行处理，建立评估数据集；

步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。

所述步骤1中，通过时域仿真法或者利用wams系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，采集范围包括：故障发生前2周波至故障发生后3周波以及故障切除前3周波至故障切除后6周波两段序列数据，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入，因此样本特征数据集x可表示为：

其中v和θ表示所选用的母线的电压幅值和相角，tf，tk分别表示故障发生时间和故障切除时间，p表示在所选用的与发电机母线直连的线路的有功功率，n和m表示共选择了哪条母线和m条线路。

所述步骤2中的归一化方法将对样本集进行归一化处理，归一化公式为：

其中表示初始特征第j列时间序列的t时刻的原始特征值，表示归一化后的特征值，和分别表示样本集中所有样本第j列所有特征值的均值和标准差，对于每个样本，依据发电机故障后的功角差来对其进行暂态稳定标注，其计算公式为：

其中δδmax为发生扰动后4s末任意两台发电机功角差最大值，对于每个样本，如果tsi为正，则系统是稳定的，样本标签标注为1；如果tsi为负，系统是不稳定的，样本标签标注为0。

所述步骤4中，构建的基于深度学习融合模型的电力系统暂态稳定评估模型是一个由两个卷积层conv1和conv2、两个池化层pool1和pool2、一个长短时记忆网络层lstm和一个全连接输出层fc组成。

根据权利要求1所述的评估方法，其特征在于：通过各种典型运行方式下的数据集，对步骤4中的暂态稳定评估模型进行参数寻优，保持最佳模型，对步骤6中的在线预测数据集，利用步骤4中保持好的评估模型，得到稳定评估结果。

本发明的意义在于如下：本发明以深度学习融合模型技术为基础，以易于采集的数据为输入，利用卷积神经网络和长短时记忆网络搭建电力系统暂态稳定评估模型，该方法具有较好的评估准确率，能够胜任现阶段下的暂态稳定评估任务。

下面通过一组实例对本发明进行进一步的说明。

本实例以新英格兰10机39节点系统为例，进行模型性能评估。通过电力系统暂态稳定仿真共得到样本10200条，其中稳定样本7714条，失稳样本2486条，稳定/失稳样本比例为3:1。根据步骤1至步骤3将系统的测量数据归一化处理后作为模型输入，将标注的稳定与否标签作为输出，通过训练更新模型参数，保持最优模型。将本发明与其他模型进行对比，结果如下表所示。

表1模型的评估结果

tab.1assessmentresultsofmodels

从表中可以看到在本发明算法具有最高的评估性能，准确率和召回率分别为98.33％和96.39％，体现了本发明的应用价值。本文所描述的具体实施例仅作为本发明方法的应用举例说明，不能理解为对本发明的限制，本发明所属技术领域的技术人员可以在本发明的范围内对具体实施例进行替换、变化、补充或修改。