电力系统故障后功角失稳模式预判模型构建方法及其应用与流程

本发明属于电力系统失稳预判领域，更具体地，涉及一种电力系统故障后功角失稳模式的预判模型构建方法及其应用。

背景技术：

电力系统的安全稳定运行对国家能源安全和社会经济发展至关重要。在互联大电网中，稳定性问题更为突出，并且还表现出了新的不同的特点。在早期的小电网中，非周期的暂态失稳是安全稳定运行的最主要威胁。随着电网互联规模的变大，可再生能源比例的提高、电力电子变换装备使用的增多以及负荷水平的变重，电力系统动态特性变得越来越复杂，失稳形态变得更多，振荡失稳也成为一种常见的功角失稳情形。快速、准确地预测出大扰动后的电力系统的稳定和失稳以及失稳的类别，将为紧急控制措施赢得时间，同时为采取何种措施提供依据。但现有方法在快速性、准确性、预测精细度和适应性方面还存在一些问题。

例如，时域仿真法发展较成熟，其精度和速度能满足规划、设计和运行方式计算对暂稳分析的要求，适应性强、提供的信息丰富，但其计算负担重、耗时长，在线应用时难以满足要求。直接法不求解系统状态量的时间响应，可快速给出判断结果，但面向大电网时能量函数构造困难，或者只适用于经典发电机模型，且判断结果偏于保守。随着wams的发展，数据驱动的机器学习方法涌现出来。机器学习方法的问题在于特征提取严重依赖专家经验，需要反复试错，可能遗漏重要信息或造成冗余，且方法的性能在很大程度上取决于特征的选取，另外现有研究提取出的特征不直观、计算复杂，对传感器要求高。近几年发展起来的深度学习方法可解决这一问题，深度学习直面原始数据，自动提取所需要的特征，摆脱对专家经验的依赖，一些应用深度学习的方法取得了不错的效果。但是，现有采用深度学习的方法，仍不能实现失稳模式的高效精细判别，有些失稳模式被判定为稳定模态，这势必威胁到电力系统的安全稳定。

因此，如何快速准确预判失稳模式，是目前亟待解决的技术问题。

技术实现要素：

本发明提供一种电力系统故障后功角失稳模式的预判模型构建方法及其应用，用以解决现有预判方法不能实现失稳模式精细判别而导致不能可靠保证电力系统安全运行的技术问题。

本发明解决上述技术问题的技术方案如下：一种电力系统故障后功角失稳模式的预判模型构建方法，包括：

步骤1、从每组原始量测数据中提取其对应的观测窗口内的一组母线电压离散点集，并构建每组离散点集对应的电压幅值矩阵和电压相角矩阵；

步骤2、根据每组原始量测数据对应的功角曲线形态，确定其对应工况在所述观测窗口之后的预设时间段位置处的失稳模式标签信息；

步骤3、基于所有样本，通过监督学习，训练得到神经网络预判模型，其中，每个样本包括一组原始量测数据对应的所述电压幅值矩阵、所述电压相角矩阵和所述失稳模式标签信息。

本发明的有益效果是：由于同步转矩不足会导致电力系统暂态失稳，而阻尼转矩不足会导致电力系统振荡失稳，如若将失稳判定成稳定状态，势必威胁到电力系统的安全稳定。另外，只有快速、准确地判断出两种功角失稳模式的类别，才能有针对性地采取正确的紧急控制措施，减小大扰动造成的损失。因此，本发明首次进行功角失稳模式的预判模型构建，具体引入基于卷积神经网络的深度学习，训练用于电力系统功角稳定或失稳类别的预判。该方法根据大扰动后母线电压相量量测原始数据，训练可快速准确给出稳定或失稳类别(即同步转矩不足引起的暂态失稳或阻尼转矩不足引起的动态失稳)的预判模型，该预判模型可用于实际电力系统的失稳模式预判以为制定紧急控制措施提供依据。另外，该构建方法无需人工提取特征，摆脱对专家经验的依赖，无需逐层贪心不监督预训练，降低训练难度。因此，本发明构建得到的预判模型可在快速、准确的进行预判的同时，能够提高预判精细度，极大提高电力系统的安全性，实用性较强。

上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤1包括：

获取不同潮流运行工况、故障线路、故障位置和/或故障持续时间下的多组原始量测数据；提取每组原始量测数据在其对应的观测窗口内每相隔半周波的母线电压相量以构成电压幅值初始矩阵和电压相角初始矩阵；采用z-score标准化法，标准化所有所述电压幅值初始矩阵和所有所述电压相角初始矩阵，形成每组原始量测数据对应的电压幅值矩阵和电压相角矩阵。

本发明的进一步有益效果是：为了获得大量训练用的数据以及更好的与实际工况接近，可通过设置不同的潮流运行工况、故障线路、故障位置和/或故障持续时间，进行多次时域仿真，得到多组原始量测数据。提取每组原始量测数据在其对应的观测窗口内的所有母线电压相量，并在每组原始量测数据对应的所有母线电压向量中每隔半周波采样一点，形成该组原始量测数据对应的电压幅值初始矩阵和电压相角初始矩阵，保证采用真实的工况数据，以保证可靠预判。为了有相同量纲，采用z-score标准化法对所有电压幅值初始矩阵进行标准化，对所有电压相角初始矩阵进行标准化。

进一步，所述步骤1还包括：

向每组离散点集对应的电压幅值矩阵和电压相角矩阵中添加噪音数据，形成新的电压幅值矩阵和新的电压相角矩阵。

本发明的进一步有益效果是：在原始的矩阵数据中加入噪声，可直接用于训练预判模型，也可以在未加入噪声之前的样本训练得到的预判模型基础上，采用加入噪声的样本重新训练，以提高预判模型对量测系统噪声的鲁棒性。

进一步，所述步骤2中，所述根据每组原始量测数据对应的功角曲线形态，具体为：根据每组原始量测数据对应的功角曲线形态以及各功角失稳模式的形成因素。

进一步，所述失稳模式标签信息包括稳定模式、暂态失稳模式和动态失稳模式。

进一步，所述卷积神经网络预判模型包括：

卷积神经网络，用于从每个样本中提取特征向量，并发送至全连接神经网络；

所述全连接神经网络，用于基于每个样本对应的所述特征向量，通过非线性变换和softmax函数，对该样本进行分类。

进一步，所述卷积神经网络包括依次连接的卷积层、批标准化层、激活函数和dropout层；

所述全连接神经网络包括：依次连接的全连接层和dropout层，以及均与所述dropout层连接的三个神经元。

进一步，所述监督学习具体为：

采用带热重启的随机梯度下降法，并以交叉熵损失函数作为目标函数，进行监督学习，其中，在监督学习过程中，对卷积神经网络预判模型中不同层的输出结果进行可视化。

本发明的进一步有益效果是：该方法使用卷积神经网络自动地从原始量测数据中提取所需的特征，摆脱对专家经验的依赖，再通过全连接网络进行分类，从而通过深层神经网络建立起底层量测数据到功角失稳模式的复杂映射关系。在离线训练时，由于使用了relu激活、批标准化层(batchnormalization)、xavier初始化等新技术，该模型可直接监督学习，而无需贪心逐层无监督预训练的繁复过程；在监督学习过程中使用带“热重启”的随机梯度下降算法，使得模型将更趋向于收敛到“平坦且宽”的最优点，从而有很好的泛化能力。

本发明还提供一种电力系统故障后功角失稳模式预判方法，包括：

步骤1、在待测电力系统发生故障后，采集故障后段观测窗口的待测原始量测数据；

步骤2、基于如上所述的任一种电力系统故障后功角失稳模式的预判模型构建方法中步骤1的数据处理方法，对所述待测原始量测数据处理，得到一组电压幅值矩阵和电压相角矩阵；

步骤3、基于所述一组电压幅值矩阵和电压相角矩阵，采用如上所述的任一种电力系统故障后功角失稳模式的预判模型构建方法构建得到的神经网络预判模型，预判得到故障后功角失稳模式。

本发明的有益效果是：本发明首次进行功角失稳模式的预判，具体引入基于卷积神经网络的预判模型，进行电力系统功角稳定或失稳类别的预判。该方法根据大扰动后母线电压相量量测原始数据，即可快速准确给出稳定或失稳类别(即同步转矩不足引起的暂态失稳或阻尼转矩不足引起的动态失稳)，从而为制定紧急控制措施提供依据。另外，该方法无需人工提取特征，摆脱对专家经验的依赖。因此，本发明在快速、准确的进行预判的同时，能够提高预判精细度，极大提高电力系统安全性，实用性较强。

本发明还提供一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一种电力系统在故障后功角失稳模式预判方法和/或如上述一种电力系统在故障后功角失稳模式预判方法。

附图说明

图1为本发明实施例提供的一种电力系统故障后功角失稳模式的预判模型构建方法的示意性流程框图；

图2为本发明实施例提供的电力系统故障后功角失稳模式的预判模型构建及应用的流程图；

图3为本发明实施例提供的新英格兰10机39节点系统单线图；

图4为本发明实施例提供的预判模型训练过程中带热重启的随机梯度下降算法的学习率变化趋势图；

图5为本发明实施例提供的神经网络的架构示意图；

图6为本发明实施例提供的测试样本在神经网络不同层次特征空间中的可视化结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

实施例一

一种电力系统故障后功角失稳模式的预判模型构建方法100，如图1所示，包括：

步骤110、从每组原始量测数据中提取其对应的观测窗口内的一组母线电压离散点集，并构建每组离散点集对应的电压幅值矩阵和电压相角矩阵；

步骤120、根据每组原始量测数据对应的功角曲线形态，确定其对应工况在观测窗口之后的预设时间段位置处的失稳模式标签信息；

步骤130、基于所有样本，通过监督学习，训练得到神经网络预判模型，其中，每个样本包括一组原始量测数据对应的电压幅值矩阵、电压相角矩阵和失稳模式标签信息。

需要说明的是，将所有组的原始量测数据对应的所有样本随机分为训练集、验证集、测试集三部分，搭建基于卷积神经网络的预判模型，将训练集输入预判模型进行训练，根据验证集效果调节超参数，最后用测试集检验预判模型的性能。另外，失稳模式标签信息包括稳定态标签信息以及各失稳模式标签信息。

关于在观测窗口之后的预设时间段，需要说明的是，观测窗口一般很小，比如在故障发生后的0.25s内(具体时间由继电保护的动作特性决定，为故障可能持续的最长时间，可从历史数据中获得)，基于观测窗口内的数据，预测故障发生后的长期(比如故障发生后的20s处)的稳定性。通过训练神经网络的映射关系，能够使得通过观测窗口的数据预测后续时间段的稳定或失稳状态。

由于同步转矩不足会导致电力系统暂态失稳，而阻尼转矩不足会导致电力系统振荡失稳，如若将振动失稳判定成稳定状态，势必威胁到电力系统的安全稳定。另外，只有快速、准确地判断出两种功角失稳模式的类别，才能有针对性地采取正确的紧急控制措施，减小大扰动造成的损失。因此，本发明首次进行功角失稳模式的预判模型构建，具体引入基于卷积神经网络的深度学习，训练用于电力系统功角稳定或失稳类别的预判。该方法根据大扰动后母线电压相量量测原始数据，训练可快速准确给出稳定或失稳类别(即同步转矩不足引起的暂态失稳或阻尼转矩不足引起的动态失稳)的预判模型，该预判模型可用于实际电力系统的失稳模式预判以为制定紧急控制措施提供依据。另外，该构建方法无需人工提取特征，摆脱对专家经验的依赖，无需逐层贪心不监督预训练，降低训练难度。因此，本方法构建得到的预判模型可在快速、准确的进行预判的同时，能够提高预判精细度，极大提高电力系统的安全性，实用性较强。

需要说明的是，大扰动和小扰动是电力行业约定俗成的专业术语，这是为了便于分析和深入理解稳定问题，根据扰动的大小将功角稳定分为小干扰功角稳定和大干扰功角稳定(又叫暂态稳定)。小扰动小到能在平衡点处将电力系统非线性微分方程线性化，在此基础上对稳定问题进行研究而不影响精度；而大扰动稳定必须通过非线性微分方程进行研究。其中具体有多大、有多小，并没有定量的标准，一般工程上认为大扰动包括短路、切除输电线路等，小扰动包括：负荷的变化，风吹引起架空线路间的距离变化等。大扰动和小扰动一般要分开研究，采取不同的方法，本方法主要是研究短路故障后的稳定性，就是大扰动稳定问题。

优选的，步骤110包括：获取不同潮流运行工况、故障线路、故障位置和/或故障持续时间下的多组原始量测数据；提取每组原始量测数据在其对应的观测窗口内每相隔半周波的母线电压相量以构成电压幅值初始矩阵和电压相角初始矩阵；采用z-score标准化法，标准化所有电压幅值初始矩阵和所有电压相角初始矩阵，形成每组原始量测数据对应的电压幅值矩阵和电压相角矩阵。

需要说明的是，幅值矩阵和相角矩阵的形式如下：

式中，ui,j和θi,j(i＝1，2，…，t，j＝1，2，…，b)分别为第i个采样时刻第j个母线电压的幅值与相角，t为观测窗口长度对应的采样点数，b为电力系统内母线数。将两个矩阵层叠，作为模型输入的两个通道。观测窗口的长度设置为故障可能持续的最长时间，该时间可从历史故障数据中获得。

另外，z-score标准化的做法为：对于所有电压幅值初始矩阵，计算每个相同位置的平均值和标准差，每个电压幅值初始矩阵的每个位置的数据减去该位置的平均值再除以标准差，得到该电压幅值初始矩阵的该位置处标准化后的数值，相角矩阵处理同幅值矩阵，标准化以消除量纲。

为了获得大量训练用的数据以及更好的与实际工况接近，可通过设置不同的潮流运行工况、故障线路、故障位置和/或故障持续时间，进行多次时域仿真，得到多组原始量测数据。提取每组原始量测数据在其对应的观测窗口内的所有母线电压相量，并在每组原始量测数据对应的所有母线电压向量中每隔半周波采样一点，形成该组原始量测数据对应的电压幅值初始矩阵和电压相角初始矩阵，保证采用真实的工况数据，以保证可靠预判。为了有相同量纲，采用z-score标准化法，对所有电压幅值初始矩阵进行标准化，对所有电压相角初始矩阵进行标准化。

优选的，步骤110还包括：

向每组离散点集对应的电压幅值矩阵和电压相角矩阵中添加噪音数据，形成新的电压幅值矩阵和新的电压相角矩阵。

在原始的矩阵数据中加入噪声，可直接用于训练预判模型，也可以在未加入噪声之前的样本训练得到的预判模型基础上，采用加入噪声的样本重新训练，以提高预判模型对量测系统噪声的鲁棒性。

优选的，步骤120中，上述根据每组原始量测数据对应的功角曲线形态，具体为：根据每组原始量测数据对应的功角曲线形态以及各功角失稳模式的形成因素；形成因素为主导形成因素，

优选的，失稳模式标签信息包括稳定模式、暂态失稳模式和动态失稳模式。

根据《电力系统安全稳定导则》(dl755-2001)规定，根据导致功角不稳定的主导因素不同(同步力矩不足和阻尼力矩不足)，大扰动功角稳定可分为暂态稳定和动态稳定，其中暂态稳定指系统受到大扰动后第一、二摇摆的功角稳定性，其物理特性主要与同步转矩相关，判据是经过第一或第二个振荡周期不失步；动态稳定主要指系统受到大扰动后，在系统动态元件和控制装置的作用下的较长时间的功角稳定性，其物理特性主要与阻尼转矩相关，判据是在动态摇摆过程中发电机相对功角呈衰减振荡状态。按照dl755-2001，对样本进行标注，例如，稳定态标0，暂态失稳标1，动态失稳标2。

优选的，上述卷积神经网络预判模型包括：卷积神经网络和全连接神经网络。其中，卷积神经网络用于从每个样本中提取特征向量，并发送至全连接神经网络；全连接神经网络用于基于每个样本对应的特征向量，通过非线性变换和softmax函数，对该样本进行分类。

优选的，卷积神经网络包括依次连接的卷积层、批标准化层、激活函数和dropout层；全连接神经网络包括：依次连接的全连接层和dropout层，以及均与所述dropout层连接的三个神经元。

需要说明的是，最顶层设置三个神经元，每个神经元中通过softmax函数处理后得到标准化的概率，概率最大的神经元对应的类别作为模型预判结果。

优选的，上述监督学习具体为：采用带热重启的随机梯度下降法，并以交叉熵损失函数作为目标函数，进行监督学习，其中，在监督学习过程中，对卷积神经网络预判模型中不同层的输出结果进行可视化。

监督学习采用带热重启的随机梯度下降，控制学习率周期性变化；在每一个周期内学习率按余弦函数规律下降，在每一个周期结束时学习率重新回到最大值，这样模型将倾向于收敛到“宽而平坦”的最优点，有较好的泛化性能。其中，学习率周期性变化策略可为：

式中，lr0为初始学习率，t为训练总迭代次数，m为学习率变化的总周期数，epoch为当前迭代次数。

另外，测试模型性能不仅包括准确率等指标，还可以将神经网络不同层次特征空间中的测试样本点进行tsne(t-distributedstochasticneighborembedding)可视化，直观观察模型的分类效果，来监测模型分类性能。

该方法使用卷积神经网络自动地从原始量测数据中提取所需的特征，摆脱对专家经验的依赖，再通过全连接网络进行分类，从而通过深层神经网络建立起底层量测数据到功角失稳模式的复杂映射关系。在离线训练时，由于使用了relu激活、批标准化层(batchnormalization)、xavier初始化等新技术，该模型可直接监督学习，而无需贪心逐层无监督预训练的繁复过程；在监督学习过程中使用带“热重启”的随机梯度下降算法，使得模型将更趋向于收敛到“平坦且宽”的最优点，从而有很好的泛化能力。

为了更好的说明本发明，现举示例如下：

本发明方法流程如图2所示，以新英格兰10机39节点系统为例进行说明，其系统单线如图3所示，图中，g1-g10表示发电机，粗线1-39表示母线，细线表示输电线路，箭头表示负荷。在样本集生成阶段，进行暂稳仿真，模拟pmu和wmas系统采集的电压数据。故障前运行工况包括：70％，75％，80％，……，130％，共13种负荷水平，发电机出力水平根据负荷水平相应调整，并保证各母线电压在允许范围内。在系统内所有34条非变压器线路上设置三相金属性短路故障，短路位置分别为0％、20％、50％、80％，故障分别持续0.1s、0.15s、0.18s、0.20s、0.25s。仿真时长设置为20s，最终得到8840个带标签的样本(电压幅值矩阵、电压相角矩阵，以及失稳模式标签信息)。样本集随机分为70％、15％、15％三部分，分别为训练集、验证集、测试集。由于故障可能持续的最长时间为0.25s，因此将故障窗口设置为0.25s，即从每一个样本中提取故障后0.25s内的母线电压相量数据(每半周波采样一个点)。

离线训练阶段将训练集数据按步骤110所述进行z-score标准化后输入深度学习模型进行训练，验证集和测试集按同样的参数标准化。训练时使用xavier均匀分布对神经网络的权值进行初始化，进而按照带热重启的随机梯度下降算法训练，训练过程中控制学习率按如图4所示的周期性变化。根据验证集效果调节网络层数、卷积核尺寸、卷积步长等超参数，使得模型性能达到最优，训练好后以测试集检验之，最后得到神经网络框架如图5所示。测试结果的混淆矩阵如表1所示，准确率达到97.74％。

表1测试集结果的混淆矩阵

用同样的标准化输入数据，训练其他机器学习模型，包括决策树、判别分析、支持向量机、最近邻分类器等，测试结果列于表2中。测试结果表明，本方法基于卷积神经网络的功角失稳类别预判模型在评估准确率上较其他机器学习模型有较为明显的优势，准确率比其他算法中最高的支持向量机还要高出1.9％，另外相比于常规的随机梯度下降算法，不断地热重启也能提高准确率。

表2本方法基于卷积神经网络的方法与其他机器学习方法测试结果的对比

为了直观表示本方法中自动提取特征的能力和对功角失稳模式的辨识区分能力，使用tsne可视化方法，将深层神经网络中不同层次的高维特征空间中的测试样本点投影到二维平面可视化，如图6所示，图中越近的样本点表示其相似性越高，其中，图6中的“卷积输出特征”是指卷积神经网络与全连接神经网络相连的地方，也就是卷积神经网络的输出量；图6中的“次输出特征”是指全连接神经网络倒数第二层，也就是softmax前一层。输入数据，也就是在原始特征空间，不同类别样本大面积重叠，不能区分；而经过卷积神经网络处理后的特征表达已使得三类样本在一定程度上可以区分，不同类别的样本各自聚集成簇，重叠样本数目显著减少，由此可见卷积网络强大的特征提取能力，经过卷积网络处理后的表示方法将有助于下一步分类任务；而经全连接神经网络的非线性映射后次输出层(softmax前一层)的特征已经很好等区分出了三类样本，这样经过最顶层映射后输出的判别结果将具有较高的准确率。

本发明中将噪声添加到样本数据中重新训练，可使得模型具有较好的噪声鲁棒性。根据ieee标准(c37.118.2-2011)，在全体样本中加入信噪比为40db的高斯白噪声，重新训练，测试结果在表2中准确度(加噪声)一列，与不考虑噪声情况的差别列于“差别”一列。从结果可以看出，在考虑pmu的噪声干扰时，各模型的评估准确率都有一定程度的下降，但此时本发明的模型仍能保持97％的准确率，超过其他对比模型，另外该模型准确率仅下降0.7％，在其他对比模型中也处于较优水平。因此，本发明基于卷积神经网络的功角失稳模式预判模型对pmu噪声有较好的鲁棒性。

实施例二

一种电力系统故障后功角失稳模式预判方法200，包括：

步骤210、在待测电力系统发生故障后，采集故障后第一预设时间段的待测原始量测数据；

步骤220、基于如实施例一所述的一种电力系统故障后功角失稳模式的预判模型构建方法中步骤110的数据处理方法，对待测原始量测数据处理，得到一组电压幅值矩阵和电压相角矩阵；

步骤230、基于上述一组电压幅值矩阵和电压相角矩阵，采用如实施例一所述的任一种电力系统故障后功角失稳模式的预判模型构建方法构建得到的神经网络预判模型，预判得到故障后功角失稳模式。

例如，可将实施例一所训练和测试好的预判模型部署到控制中心，电力系统发生故障后，根据wams系统传回的观测窗口内的电压相量量测数据，按同样方法进行z-score标准化后输入预判模型，即可迅速获得功角稳定性和失稳模式的预判结果。

相关技术方案同实施例一，在此不再赘述。

首次进行功角失稳模式的预判，具体引入基于卷积神经网络的预判模型，进行电力系统功角稳定或失稳类别的预判。该方法根据大扰动后母线电压相量量测原始数据，即可快速准确给出稳定或失稳类别(即同步转矩不足引起的暂态失稳或阻尼转矩不足引起的动态失稳)，从而为制定紧急控制措施提供依据。另外，该方法无需人工提取特征，摆脱对专家经验的依赖。因此，本方法在快速、准确的进行预判的同时，能够提高预判精细度，极大提高电力系统安全性，实用性较强。

实施例三

一种存储介质，存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上实施例一所述任一种电力系统在故障后功角失稳模式预判方法和/或如上实施例二所述一种电力系统在故障后功角失稳模式预判方法。

相关技术方案同实施例一和实施例二，在此不再赘述。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。