一种基于多源信息的电力系统暂态稳定评估方法

1.本发明属于电力系统暂态稳定评估领域，尤其涉及一种基于多源信息与深度学习的暂态稳定评估方法。


背景技术：

2.暂态稳定性评估是电力系统安全稳定分析的主要问题之一，准确地对电力系统进行暂态稳定评估对电力系统风险防控策略的制定至关重要。因此，暂态稳定评估方法对电力系统的安全稳定运行起着重要的作用。当前的暂态稳定评估方法可以主要分为时域仿真法和直接法，每种方法都有各自适应的时间尺度和数据类型。
3.时域仿真法(time domain simulation，tds)又称间接法，其基本思想是采用数值积分算法求解出描述受扰前后的系统微分代数方程组时间解，进而根据各发电机转子振荡曲线判断系统的稳定性。由于该算法具有良好的模型适应性和结果可靠性，在学术研究和实际生产中得到了较为广泛的应用。但时域仿真算法也存在着以下局限性：计算量大，计算耗时多，计算效率低；该算法虽能通过时域仿真得到受扰系统微分代数方程组的时间解，但尚没有统一、明确的稳定判据可供使用，仅能根据功角曲线振荡趋势或一定时间窗口内最大相对功角差等工程经验方法进行粗略判断，判断准确度有待提高。直接法借助于能量函数即利用李雅普诺夫理论对电力系统稳定性进行分析研究，相较于时域仿真法，该算法不需要对故障后的系统进行耗时的时域仿真，同时可以提供系统(不)稳定程度的量度；除了能量函数法外，扩展等面积法(extended equalarea criteria,eeac)亦为直接法的一个重要分支。该方法基于单机无穷大系统的“等面积法则”，将系统中的多台发电机分成同调的两群，进而等效为单机无穷大系统。当系统暂态过程表现为两机群摇摆模式时，该算法的分析结论相当有效，但在分析多摇摆模式时，该算法难以适用。无论时域仿真法还是直接法，其在计算效率、模型适应性或是算法稳定性方面存在一定的劣势有待进一步研究。
4.深度学习作为机器学习的一个分支，它旨在构建更深层的结构来加强模型在海量数据中捕捉隐含特征的能力。与传统的暂态稳定评估方法比较而言，深度学习有一系列能够进行非线性变换的隐含层，从而能够挑战更加复杂的环境与问题。然而，由于深度学习“黑箱”性导致算法改进方法具有一定的局限性。针对以上问题，本发明提出一种基于多源信息的暂态稳定评估方法，综合利用电力系统中多源信息，提高预测准确性。因此，将深度学习理论应用到电力系统领域，是能源电力转型发展的重要支撑，也是电网发展的必然选择。


技术实现要素：

5.为实现上述目的，本发明提供了一种基于多源信息与深度学习的电力系统暂态稳定评估方法，所述暂态稳定评估方法包括以下步骤：
6.步骤1：通过改变系统运行状态和故障条件，对ieee39节点系统使用电力系统分析综合程序(psasp)7.x进行批量时域仿真构造海量数据集；
7.步骤2：综合考虑影响系统暂态稳定的影响因素，将运行信息和故障信息作为卷积神经网络(convolutional neural network,cnn)模型的输入特征，采用2种不同的特征融合方案对特征进行分阶段融合，并形成不同的暂态稳定评估模型；
8.步骤3：利用训练建立的暂态稳定评估模型，对测试集进行暂态稳定评估，并得出结果；
9.步骤4：利采用混淆矩阵工具中的准确率acc、查准率prec、查全率recall和 f1-score指标综合评估模型性能；
10.步骤5：对所建立的暂态稳定评估模型进行可视化展示。
11.可选的，所述暂态稳定评估模型可以表示为如下公式：
[0012][0013]
其中，为模型的输出量，即t时刻暂态稳定评估结果。y作为模型的输入量，是电力系统的运行信息(如电压、负荷和发电机出力等)。t，l,l，p
l
也是模型的输入，分别为故障时间、故障位置、线路和负荷水平。
[0014]
本发明首次将进行特征提取后的故障信息与运行信息作为模型的输入特征，形成一种基于多源数据融合的电力系统暂态稳定评估方法。相比于当前的暂态稳定评估方法，本发明在评估准确度和泛化能力上均有显著提高，为电网合理调度提供依据，具有工业应用价值。
[0015]
可选的，所述步骤1中对ieee39节点系统使用电力系统分析综合程序(psasp)7.x 进行批量时域仿真构造海量数据集，故障参数设置为：线路负荷水平为70％～120％以10％步长增加的6种负荷情况，故障均为三相短路故障，持续时间分别设定为0.1、0.15s、 0.2s，故障位置为1％、50％、99％，仿真时长为5s，共生成1836个初始样本数据。
[0016]
可选的，所述步骤2中将运行信息和故障信息作为卷积神经网络(convolutionalneural network,cnn)模型的输入特征，采用2种不同的特征融合方案对特征进行分阶段融合。本发明选取故障时间、故障位置、线路和负荷水平4个特征作为故障特征；选取电力系统中电压、负荷和发电机出力等特征作为运行特征。不同的特征融合方案分别为：(1)输入阶段并行输入，保持模型的网络结构和网络参数不变，将系统运行特征与故障特征在模型的输入阶段进行融合，以并行的方式输入模型完成训练；(2) 输出阶段串行输入，保持模型的网络结构和网络参数不变，将系统运行特征与故障特征在模型的输出阶段进行融合，以串行的方式输入模型完成训练；(3)作为对照组，不考虑故障特征，仅将运行特征作为输入样本完成模型训练。
[0017]
可选的，所述步骤3中随机分层抽样选取样本中的70％作为训练集，而剩余30％样本作为测试集。
[0018]
可选的，所述卷积神经网络(convolutional neural network,cnn)通过设置参数循环进行算法优化，分别计算卷积核和学习率不同的准确率预测，然后在固定参数后，对比不同的优化方式(rmsprop、sgd和adam)对模型的影响，最后选择adam算法作为优化算法。
[0019]
可选的，所述步骤4中综合评估指标准确率acc、查准率prec、查全率recall和 f1-score用公式可表示为：
[0020]
[0021][0022][0023][0024]
tp、tn、fp、fn为混淆矩阵分类结果。
[0025]
可选的，所述步骤5中采用t-sne算法将不同方案中特征映射到低维空间，对评估模型进行可视化展示。
[0026]
本发明与现有技术相比，具有如下优点与有益效果：
[0027]
本发明所述的基于多源信息与深度学习的暂态稳定评估方法，一方面通过卷积神经网络(convolutional neural network,cnn)对输入数据进行深度特征挖掘，提高模型对原始数据的特征提取和降维能力，并通过引入dropout技术(源自adam方式中)来减少训练过程中的过拟合现象，提高预测准确性；另一方面，综合考虑影响系统暂态稳定的影响因素，将运行信息和故障信息作为卷积神经网络(convolutional neuralnetwork,cnn)模型的输入特征，更好的实现了运行信息和故障信息的综合利用，避免特征维度差别对准确率的影响，从而进一步提高了预测准确性。
附图说明
[0028]
图1为本发明所述基于多源信息与深度学习的暂态稳定评估方法的总体流程图。
[0029]
图2为本发明所述卷积神经网络cnn的模型示意图。
[0030]
图3为特征融合方案示意图。
[0031]
图4为采用不同优化算法(rmsprop、sgd、adam)时cnn模型学习曲线。
[0032]
图5为使用不同特征融合方案的模型混淆矩阵。图中(a)为对照组，(b)为方案 1(输入阶段并行输入),(c)为方案2(输出阶段串行输入)。
[0033]
图6为采用t-sne算法将对照组方案中特征映射到低维空间的可视化结果图。
[0034]
图7为采用t-sne算法将方案1中特征映射到低维空间的可视化结果图。
[0035]
图8为采用t-sne算法将方案2中特征映射到低维空间的可视化结果图。
具体实施方式
[0036]
下面结合具体实施例对本发明作进一步说明。
[0037]
本发明针对当前暂态稳定评估计算量大且准确度不高的问题，在实施例中，将电力系统运行信息和故障信息作为卷积神经网络(convolutional neural network,cnn)模型的输入特征，通过深度学习方法进行暂态稳定评估。下面将实施的方案进行详细描述。
[0038]
参照图1所示，图1是本发明基于多源信息与深度学习的电力系统暂态稳定评估方法的总体流程图，所述基于多源信息与深度学习的暂态稳定评估方法包含以下步骤：
[0039]
步骤1：以新英格兰10机39节点系统为算例，发电机模型采用二阶经典模型，负荷采用恒定阻抗模式。通过改变系统运行状态和故障条件，使用电力系统分析综合程序(psasp)7.x进行批量时域仿真构造海量数据集。
[0040]
步骤2：综合考虑影响系统暂态稳定的影响因素，将运行信息和故障信息作为cnn 模型的输入特征，采用3种不同的特征融合方案对特征进行分阶段融合，并形成不同的暂态稳定评估模型。参照图2所示，图2展示了卷积神经网络(convolutional neural network,cnn)模型示意图。完整的cnn网络包括卷积层、池化层和全连接层3个层级结构，卷积层主要通过对输入层进行特征提取，通过激活函数增强模型对非线性数据的处理能力，卷积层的计算过程表示为：
[0041][0042]
其中，hi表示卷积神经网络第i层的特征，wi表示第i层权值向量；表示卷积核与上一层特征的卷积操作，第i层的偏移向量bi相加，再通过非线性激励函数f(x)得到下一层的特征。
[0043]
池化层主要对卷积层的数据进行数据提取和降维，不仅降低信息的冗余性还可以在一定程度上防止过拟合。池化层的计算过程表示为：
[0044]hi
＝subsampling(h
i-1
)
[0045]
通过与上一层网络所有神经元进行全连接，全连接层整合卷积层或者池化层中具有类别区分性的局部信息。卷积神经网络(convolutional neural network,cnn)的训练目标是最小化损失网络的函数，通常采用交叉熵函数：
[0046][0047]
训练过程中，卷积神经网络(convolutional neural network,cnn)通常采用梯度下降法进行优化，逐层更新卷积神经网络的各个层的可训练参数权重(wi)和偏移量(bi)，并采用学习速率参数(η)用于调整反向传播速度：
[0048][0049][0050]
3种不同的特征融合方案参照图3所示。如对照组所示不考虑故障特征，仅将运行特征作为输入样本，用训练集训练一个卷积神经网络模型；如方案一所示保持模型的网络结构和网络参数不变，将系统运行特征与故障特征在模型的输入阶段进行融合，以并行的方式输入模型，用新的训练集重新训练一个新的卷积神经网络模型；如方案二所示保持模型的网络结构和网络参数不变，将系统运行特征与故障特征在模型的输出阶段进行融合，以串行的方式输入模型完成训练。
[0051]
参照图4所示，图4为卷积核和学习率固定后损失函数值曲线，其中图4左侧图为训练集上的损失函数值曲线，图4右侧图为测试集上的损失函数值曲线，虚线表示为 rmsprop，点线表示为sgd，实线表示使用adam，可以看到虽然训练集中蓝线的收敛速度大于点线和实线，但在测试集中，虚线出现了损失函数增大的趋势，在训练后期高于点线和实线，出现过拟合现象。综上，选择adam算法作为优化算法。
[0052]
步骤3：利用训练建立的暂态稳定评估模型，对测试集进行暂态稳定评估，并得出结果。
[0053]
步骤4：为了直观展现不同特征融合方式对模型性能影响，本发明首先使用混淆矩阵直接观察模型在各个类别上的表现，混淆矩阵参照图5所示。然后再采用混淆矩阵工具中的准确率acc、查准率prec、查全率recall和f1-score指标综合评估模型性能。
[0054]
步骤5：采用t-sne算法将不同方案中特征映射到低维空间，对评估模型进行可视化展示。参照图6、7、8所示，图6、7、8分别为采用3种不同的特征融合方案对特征进行分阶段融合模型的可视化结果图。
[0055]
本发明所述的基于多源信息与深度学习的电力系统暂态稳定评估方法采用的梯度优化算法为适应性矩估计算法(adam),模型中采用
‘
dropout’方法来减少训练过程中的过拟合现象。在训练过程中，dropout技术通过按照一定概率将网络中的隐含神经元随机丢弃，即将该神经元的输入与输出置零，一方面能够有效的减少模型中内部参数的数量，另一方面也相当于变相增加了模型输入数据的多样性，从而一定程度上减轻了过拟合现象。
[0056]
本发明针对当前暂态稳定评估计算量大且准确度不高的问题，在实施例中，将电力系统运行信息和故障信息作为卷积神经网络cnn模型的输入特征，通过深度学习方法进行暂态稳定评估，具有更高的准确率与更强的泛化能力，具有工程应用价值。
[0057]
以上所述实施例仅为本发明专利之较佳的实施例，并非以此限制本发明的实施范围，凡是利用本发明说明书及附图内容所做的等效结构或等效功能变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明专利保护范围。