一种时间自适应的电力系统在线暂态稳定评估方法技术方案

本发明专利技术涉及一种时间自适应的电力系统在线暂态稳定评估方法，本发明专利技术选取故障清除后长度为T的时间窗口的电网广域测量系统可测量动态数据作为输入特征，利用DBN进行特征抽取获得高阶特征，进而利用GRU进行离线训练得到高阶特征与电力系统暂态稳定性之间的映射关系，在线应用时，输入特征按时间递进的顺序输入，直至获得准确评估结果或者达到时间窗口长度停止。因此本发明专利技术提出的电力系统暂态稳定评估模型具有直接面向电网可测量数据、抗噪声干扰能力强、评估精度高、时间自适应强的特点。

A time adaptive method for on-line transient stability assessment of power systems

The invention relates to an on-line transient stability evaluation method of time adaptive power system. The invention selects the dynamic data of the power grid wide area measurement system with the length of T in length after the failure to measure the dynamic data as the input feature, uses the DBN to extract the high order features, and then uses the GRU for off-line training to get the high level. The mapping relationship between the order characteristics and the transient stability of the power system. In the online application, the input features are inputted in order of time, until the accurate evaluation results are obtained or the length of the time window is stopped. Therefore, the power system transient stability evaluation model proposed by this invention has the characteristics of directly facing the power grid measurable data, the strong ability to resist noise interference, the high accuracy of the evaluation and the strong adaptive time of the power system.

【技术实现步骤摘要】
一种时间自适应的电力系统在线暂态稳定评估方法
本专利技术属于电力系统自动化领域，涉及一种时间自适应的电力系统在线暂态稳定评估方法。
技术介绍
暂态稳定性是电力系统在遭受大干扰的情况下保持稳定的能力。在过去国内外发生的多起大停电事故中，暂态失稳是此类事件的主要因素，因此保持电力系统暂态稳定性在电力系统规划及运行中依然具有重要意义。为了满足日益增长的电力需求，负荷越来越接近电力传输能力，在这种情况下造成暂态失稳的后果是极其严重的，因此电力系统在线暂态稳定评估是必要也是很有前景的方法。基于机器学习的电力系统暂态稳定评估方法是最有潜力应用于在线的方法。目前基于机器学习进行暂态稳定评估的方法主要考虑在故障发生后，以系统的动态响应作为特征，获得输入特征与稳定状态之间的映射关系，一旦发生失稳就要采取紧急控制进行调节。这种方法能够获得较高的评估精度，但是其一般需要在故障清除后一段时间才进行暂态稳定评估。这个时间段越长，其评估精度越高，但预留给调度人员进行调节的时间可能不足。在故障清除早期也是可以准确评估电力系统暂态稳定性的，因此研究时间自适应的电力系统在线暂态稳定评估方法是解决这个问题的关键。
技术实现思路
为了解决上述问题，本专利技术提出了一种时间自适应的电力系统在线暂态稳定评估方法。这个方法具有面向底层测量数据、抗噪声干扰能力强、评估精度高、评估时间自适应的优点，适合电力系统在线暂态稳定评估。本专利技术提出的一种时间自适应的电力系统在线暂态稳定评估方法，其特征在于：利用深度置信网络(DBN)对电网底层可测量数据形成高层次特征X，离线使用故障清除后一个时间窗T的数据对GRU(GateRecurrentUnit)训练获得这些高层次特征与暂态稳定之间的映射关系，在线应用则是依次对故障清除后每个时刻的高层次特征xt进行暂态稳定评估，能够满足评估置信度或达到时间窗长度则停止评估。本专利技术采取的技术方案是：一种时间自适应的电力系统在线暂态稳定评估方法，其特征在于，包含以下步骤：步骤1：利用时域仿真方法产生若干种故障情况下的电网动态数据，选取故障切除后时间窗口T内的电网广域测量系统可测量数据作为输入特征集{x1,x2,…,xt…xT}，其中，电网广域测量系统可测量数据是指电网每个母线电压及其相角，xt＝[v1,v2,…,vn,θ1,θ2,…,θn]T，其中n为母线个数；步骤2：利用DBN进行特征抽取形成高阶特征集{X1,X2,…,Xt…XT}，具体是利用DBN由一层softmax层和m层受限玻尔兹曼机(RBM)栈式堆叠而成，无监督训练第一个RBM的连接权值和偏置，使得该RBM能够以最大概率重构输入特征，将训练好的第一个RBM的输出作为下一个RBM的输入进行特征重构，直至第m个RBM训练完成无监督训练，最后添加softmax层进行有监督训练进行网络参数微调，第m个RBM层输出即为高阶特征{X1,X2,…,Xt…XT}；步骤3：对GRU进行离线训练，获得高阶特征与电力系统暂态稳定之间的映射关系，离线训练时，输入为{X1,X2,…,Xt…XT}，输出为{y1,y2,…,yt,…,yT}，训练过程由前向传播和参数更新过程组成，设置迭代次数N和误差上限error；步骤4：在线应用时间自适应暂态稳定评估模型，依次对故障清除后每个时刻的高层次特征Xt进行暂态稳定评估，能够满足评估置信度或达到时间窗长度则停止评估，在线应用时间自适应暂态稳定评估模型的评估结果为式中α为置信因子，[0,α)∪(1-α,1]为置信区间；采用按时间递进的输入顺序，具体地，在故障清除后向模型输入x1，如果评估结果在置信区间内则停止评估，否则继续输入x2，结合上一时刻对x1评估所得“记忆”h1做出对电力系统稳定性的评估；直至得出评估结果或者到达评估时间窗长度T为止。在上述的一种时间自适应的电力系统在线暂态稳定评估方法，步骤2中单个RBM无监督训练过程如下：步骤2.1、RBM隐含层各单元相互独立，在给定可视层的状态v时，隐含层第j个神经单元的激活概率为其中bj为隐含层第j个神经单元的偏置，ωij为RBM网络第i个可视层单元和第j个隐含层单元之间的连接权重；步骤2.2、RBM隐含层各单元相互独立，在给定隐含层的状态h时，可视层第i个神经单元的激活概率为其中ai为隐含层第i个神经单元偏置；步骤2.3、对于数量为s的输入集{v1,v2,…,vs}，通过最大化RBM在输入集上的对数似然函数得到模型参数θ，即可将隐含层输出作为可视层的特征抽取，其中P(vk|h,θ)为在已知隐含层的状态h和参数θ下可视层的概率，用公式表达为：步骤2.4、参数更新公式为：进一步，式中，v(0)为原始输入集，v(l)为对v(0)进行l步吉布斯采样所得，ρ为动量项，η为学习率，bj为隐含层第j个神经单元的偏置，ωij为RBM网络第i个可视层单元和第j个隐含层单元之间的连接权重，ai为隐含层第i个神经单元偏置。在上述的一种时间自适应的电力系统在线暂态稳定评估方法，步骤3具体包括：步骤3.1：执行循环i＝1至i＝N；步骤3.2：执行循环t＝1至t＝T；步骤3.3：进行前向传播过程，W(z)，U(z)分别指的是输入和上一时刻隐层到更新门z的连接矩阵，W(r)，U(r)分别表示输入和上一时刻隐层到重置门r的连接矩阵，Wh，Uh分别表示输入和上一时刻的隐层到输出层的连接矩阵，Wout为输出权值矩阵；步骤3.4：进行反向传播过程，这是对权值参数进行更新的一个过程，定义单个样本误差为式中dt为样本实际输出值，那么其每次更新参数变化量为：其中Xt为t时刻输入，zt为t时刻更新门，zt为t时刻重置门，ht为t时刻输出层，yt为t时刻输出值，st-1为t-1时刻的记忆，rt+1为t+1时刻重置门，为t+1时刻重置门误差输出；步骤3.5：当迭代次数大于N或者样本总误差小于error时停止循环。见图2所示。本专利技术的特点及有益效果：本专利技术选取故障清除后长度为T的时间窗口的电网广域测量系统可测量动态数据作为输入特征，利用DBN进行特征抽取获得高阶特征，进而利用GRU进行离线训练得到高阶特征与电力系统暂态稳定性之间的映射关系，在线应用时，输入特征按时间递进的顺序输入，直至获得准确评估结果或者达到时间窗口长度停止。因此本专利技术提出的电力系统暂态稳定评估模型具有直接面向电网可测量数据、抗噪声干扰能力强、评估精度高、时间自适应强的特点，具体而言，本专利技术具有如下优点：(1)DBN能够对输入数据进行抽象表达获得高阶特征，可以直接输入可测量数据进行特征抽取进而可以滤除电网中噪声的影响，因此具有优异的抗干扰能力；(2)DBN特征抽取的过程存在有监督学习，因此可以形成面向暂态稳定性的特征，进一步提高GRU形成暂态稳定评估模型的评估精度，因此具有评估准确率高的特点；(3)时间窗口T越大，模型评估正确率越高。在线应用时，模型可以根据评估结果是否对下一时刻的特征数据进行评估，直至能够做出稳定性判断或者达到评估时间为止。换句话说，如果在早期可以做出稳定性的判断，那么就可以给调度员留下更多的做出反应，因此模型具有时间自适应的特点。本专利技术提出的一种时间自适应的电力系统在线暂态稳定评估方法可以应用于电力系统在线暂态稳定评估看，它能够在故障清除早进行暂态稳定评估，为调度员本文档来自技高网...

【技术保护点】
一种时间自适应的电力系统在线暂态稳定评估方法，其特征在于，包含以下步骤：步骤1：利用时域仿真方法产生若干种故障情况下的电网动态数据，选取故障切除后时间窗口T内的电网广域测量系统可测量数据作为输入特征集{x1,x2,…,xt…xT}，其中，电网广域测量系统可测量数据是指电网每个母线电压及其相角，xt＝[v1,v2,…,vn,θ1,θ2,…,θn]

【技术特征摘要】
1.一种时间自适应的电力系统在线暂态稳定评估方法，其特征在于，包含以下步骤：步骤1：利用时域仿真方法产生若干种故障情况下的电网动态数据，选取故障切除后时间窗口T内的电网广域测量系统可测量数据作为输入特征集{x1,x2,…,xt…xT}，其中，电网广域测量系统可测量数据是指电网每个母线电压及其相角，xt＝[v1,v2,…,vn,θ1,θ2,…,θn]T，其中n为母线个数；步骤2：利用DBN进行特征抽取形成高阶特征集{X1,X2,…,Xt…XT}，具体是利用DBN由一层softmax层和m层受限玻尔兹曼机(RBM)栈式堆叠而成，无监督训练第一个RBM的连接权值和偏置，使得该RBM能够以最大概率重构输入特征，将训练好的第一个RBM的输出作为下一个RBM的输入进行特征重构，直至第m个RBM训练完成无监督训练，最后添加softmax层进行有监督训练进行网络参数微调，第m个RBM层输出即为高阶特征{X1,X2,…,Xt…XT}；步骤3：对GRU进行离线训练，获得高阶特征与电力系统暂态稳定之间的映射关系，离线训练时，输入为{X1,X2,…,Xt…XT}，输出为{y1,y2,…,yt,…,yT}，训练过程由前向传播和参数更新过程组成，设置迭代次数N和误差上限error；步骤4：在线应用时间自适应暂态稳定评估模型，依次对故障清除后每个时刻的高层次特征Xt进行暂态稳定评估，能够满足评估置信度或达到时间窗长度则停止评估，在线应用时间自适应暂态稳定评估模型的评估结果为式中α为置信因子，[0,α)∪(1-α,1]为置信区间；采用按时间递进的输入顺序，具体地，在故障清除后向模型输入x1，如果评估结果在置信区间内则停止评估，否则继续输入x2，结合上一时刻对x1评估所得“记忆”h1做出对电力系统稳定性的评估；直至得出评估结果或者到达评估时间窗长度T为止。2.根据权利要求1所述的一种时间自适应的电力系统在线暂态稳定评估方法，其特征在于：步骤2中单个RBM无监督...

【专利技术属性】
技术研发人员：李军，潘飞来，梅其建，谢培元，彭毅晖，姜新凡，刘力，曾次玲，谭本东，杨军，
申请(专利权)人：国网湖南省电力有限公司娄底供电分公司，武汉大学，
类型：发明
国别省市：湖南,43