基于迁移学习的电力系统主导失稳模式识别方法及系统技术方案

本发明专利技术公开了一种基于迁移学习的电力系统主导失稳模式识别方法及系统，属于电力系统稳定性判断领域，方法包括：利用源域训练深度神经网络模型；主导失稳模式识别过程中出现新工况时，仿真获取新工况下的状态数据以形成目标域；将目标域和源域中的状态数据分别输入深度神经网络模型，经由特征提取网络进行特征提取后输出相对应的特征数据；基于特征数据之间的局部最大平均差异计算源域与目标域之间的分布差异损失，利用源域计算深度神经网络模型的交叉熵分类损失，并对分布差异损失和交叉熵分类损失进行加权求和得到最终损失；根据最终损失优化深度神经网络模型并进行主导失稳模式识别。令深度神经网络模型具备适应电力系统中未知工况的能力。中未知工况的能力。中未知工况的能力。

【技术实现步骤摘要】
基于迁移学习的电力系统主导失稳模式识别方法及系统


[0001]本专利技术属于电力系统稳定性判断领域，更具体地，涉及一种基于迁移学习的电力系统主导失稳模式识别方法及系统。

技术介绍

[0002]电力系统的运行稳定性与社会经济的可持续发展密切相关。为了保证电力系统运行在一个安全稳定的状态，电力公司需要每年进行大规模的数字仿真工作，数字仿真为电力系统的运行方式、稳控措施制定提供了很强的指导，在实际工程中具有重要意义。
[0003]电网仿真可以分为仿真计算和仿真数据分析两个部分，前者为后者提供数据支持。在仿真计算过程中，会生成大量的高维、稀疏且复杂的仿真数据。目前，大部分的仿真数据方法还是通过人工实现，严重依赖专家经验同时耗费大量人力、精力。在仿真数据分析中，电力系统发生故障后失稳，暂态功角失稳和暂态电压失稳会交织出现。然而，现有的研究以及工程实践表明，系统失稳必然由一种失稳模式主导，不同的失稳模式对应不同的控制策略。现阶段基于物理机理的主导失稳模式判别方法存在着适应性不强、计算复杂等问题，难以适应大规模的仿真数据分析过程。而人工智能方法则具有快速判别、适应能力强的优点，可以在仿真数据分析中发挥很大作用。
[0004]传统的机器学习方法需要专家手动提取特征，严重依赖专家经验且具有一定的主观性，很难保证模型的适用性。近几年来兴起的深度学习方法具有很强的特征提取能力，可以实现从原始数据到目标之间的端对端学习，无需依赖专家进行繁琐的特征提取工程，进而极大地提升机器学习模型的适应能力。然而，深度学习模型往往鲁棒性较差，尤其是当应用过程中的样本与训练中使用的样本分布差异较大时，其结果会出现很大的偏差，进而影响仿真数据分析中主导失稳模式识别的准确率。一般而言，在应用深度学习训练好的模型进行主导失稳模式识别时，很可能会出现需要判断失稳的样本工况是训练时不存在的，例如潮流发生转移、故障持续时间、故障位置和电网拓扑改变等；在这些情况下，深度学习模型的效果会受到很大影响。

技术实现思路

[0005]针对现有技术的缺陷和改进需求，本专利技术提供了一种基于迁移学习的电力系统主导失稳模式识别方法及系统，其目的在于令深度神经网络模型具备适应电力系统中未知工况的能力。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种基于迁移学习的电力系统主导失稳模式识别方法，包括：S1，仿真获取不同工况下电力系统的状态数据，以及获取相应的人工标注结果，以形成源域，利用所述源域训练预置的深度神经网络模型，所述深度神经网络模型包括依次连接的特征提取网络和全连接分类网络；S2，利用所述深度神经网络模型进行电力系统主导失稳模式识别时，若出现新工况，仿真获取所述新工况下电力系统的状态数据以形成目标域；S3，将所述目标域和所述源域中的状态数据分别输入所述深度
神经网络模型，经由所述特征提取网络进行特征提取后输出相对应的特征数据；S4，基于所述特征数据之间的局部最大平均差异计算所述源域与目标域之间的分布差异损失，利用所述源域计算所述深度神经网络模型的交叉熵分类损失，并对所述分布差异损失和所述交叉熵分类损失进行加权求和得到最终损失；S5，根据所述最终损失优化所述深度神经网络模型，利用优化后的深度神经网络模型进行电力系统主导失稳模式识别。
[0007]更进一步地，所述S4中还包括：分别计算与同一类别对应的源域的特征数据和目标域的特征数据之间的最大平均差异，并按照各类别在所有类别中的占比对各类别对应的最大平均差异进行加权，得到所述局部最大平均差异，所述类别为电力系统主导失稳模式的种类。
[0008]更进一步地，所述局部最大平均差异为：
[0009][0010]其中，为所述局部最大平均差异，C为主导失稳模式的类别数，为源域，为目标域，X
i
为源域中第i个状态数据，X
j
为目标域中第j个状态数据，为X
i
对应的特征数据，为X
j
对应的特征数据，为源域中第c个类别的样本在源域所有类别的样本中的占比，为目标域中第c个类别的样本在目标域所有类别的样本中的占比，Φ(
·
)为映射函数，为RKHS空间的二范数。
[0011]更进一步地，所述最终损失为：
[0012][0013]其中，为所述最终损失，n
s
为源域的样本数量，J(
·
)为交叉熵分类损失函数，为X
i
对应的特征数据，X
i
为源域中第i个状态数据，f(
·
)为所述深度神经网络模型的输出，为X
i
对应的人工标注结果，α为权重系数，为所述局部最大平均差异。
[0014]更进一步地，所述特征提取网络和全连接分类网络均为多层网络，所述S5中优化所述深度神经网络模型包括：冻结所述特征提取网络中最后一层之外的其它层，优化所述特征提取网络的最后一层以及所述全连接分类网络的所有层。
[0015]更进一步地，所述深度神经网络模型中，最后一层神经网络采用softmax函数作为激活函数，其他层神经网络采用ReLU函数作为激活函数。
[0016]更进一步地，所述状态数据包括母线电压和相角，所述S1包括：仿真获取不同工况下电力系统的母线电压和相角，并生成相应的母线电压矩阵和相角矩阵；采用z
‑
score标准化方法分别对所述母线电压矩阵和相角矩阵进行归一化处理，基于归一化处理后的结果生成相应的人工标注结果；以所述母线电压和相角为输入，以所述人工标注结果为标签，训练所述深度神经网络模型。
[0017]按照本专利技术的另一个方面，提供了一种基于迁移学习的电力系统主导失稳模式识别系统，包括：源域获取模块，用于仿真获取不同工况下电力系统的状态数据，以及获取相
应的人工标注结果，以形成源域；预训练模块，用于利用所述源域训练预置的深度神经网络模型，所述深度神经网络模型包括依次连接的特征提取网络和全连接分类网络；目标域获取模块，用于利用所述深度神经网络模型进行电力系统主导失稳模式识别时，若出现新工况，仿真获取所述新工况下电力系统的状态数据以形成目标域；特征提取模块，用于将所述目标域和所述源域中的状态数据分别输入所述深度神经网络模型，经由所述特征提取网络进行特征提取后输出相对应的特征数据；最终损失计算模块，用于基于所述特征数据之间的局部最大平均差异计算所述源域与目标域之间的分布差异损失，利用所述源域计算所述深度神经网络模型的交叉熵分类损失，并对所述分布差异损失和所述交叉熵分类损失进行加权求和得到最终损失；优化及识别模块，用于根据所述最终损失优化所述深度神经网络模型，利用优化后的深度神经网络模型进行电力系统主导失稳模式识别。
[0018]按照本专利技术的另一个方面，提供了一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行如上所述的基于迁移学习的电力系统主导失稳模式识别方法。
[0019]按照本专利技术的另一个方面，提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的电力系统主导失稳模式识别方法，其特征在于，包括：S1，仿真获取不同工况下电力系统的状态数据，以及获取相应的人工标注结果，以形成源域，利用所述源域训练预置的深度神经网络模型，所述深度神经网络模型包括依次连接的特征提取网络和全连接分类网络；S2，利用所述深度神经网络模型进行电力系统主导失稳模式识别时，若出现新工况，仿真获取所述新工况下电力系统的状态数据以形成目标域；S3，将所述目标域和所述源域中的状态数据分别输入所述深度神经网络模型，经由所述特征提取网络进行特征提取后输出相对应的特征数据；S4，基于所述特征数据之间的局部最大平均差异计算所述源域与目标域之间的分布差异损失，利用所述源域计算所述深度神经网络模型的交叉熵分类损失，并对所述分布差异损失和所述交叉熵分类损失进行加权求和得到最终损失；S5，根据所述最终损失优化所述深度神经网络模型，利用优化后的深度神经网络模型进行电力系统主导失稳模式识别。2.如权利要求1所述的基于迁移学习的电力系统主导失稳模式识别方法，其特征在于，所述S4中还包括：分别计算与同一类别对应的源域的特征数据和目标域的特征数据之间的最大平均差异，并按照各类别在所有类别中的占比对各类别对应的最大平均差异进行加权，得到所述局部最大平均差异，所述类别为电力系统主导失稳模式的种类。3.如权利要求2所述的基于迁移学习的电力系统主导失稳模式识别方法，其特征在于，所述局部最大平均差异为：其中，为所述局部最大平均差异，C为主导失稳模式的类别数，为源域，为目标域，X
i
为源域中第i个状态数据，X
j
为目标域中第j个状态数据，为X
i
对应的特征数据，为X
j
对应的特征数据，为源域中第c个类别的样本在源域所有类别的样本中的占比，为目标域中第c个类别的样本在目标域所有类别的样本中的占比，Φ(
·
)为映射函数，为RKHS空间的二范数。4.如权利要求1
‑
3任一项所述的基于迁移学习的电力系统主导失稳模式识别方法，其特征在于，所述最终损失为：其中，为所述最终损失，n
s
为源域的样本数量，J(
·
)为交叉熵分类损失函数，为X
i
对应的特征数据，X
i
为源域中第i个状态数据，f(
·
)为所述深度神经网络模型的输出，为X
i
对应的人工标注结果，α为权重系数，为所述局部最大平均差异。5.如权利要求1所...

【专利技术属性】
技术研发人员：姚伟，张润丰，石重托，文劲宇，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：