一种基于主成分分析与卷积神经网络的动态安全评估方法与流程

本发明涉及电力系统动态安全评估领域，具体涉及一种基于主成分分析与卷积神经网络的动态安全评估方法。

背景技术：

随着电力系统不断变化的重组以及系统广域互联的大规模发展和可再生能源(尤其是风力发电)的渗透日益提高，这使得对电力系统运行状态的预测变得困难，当电力系统在形成广域互联的同时，受大扰动事故波及的范围也因此扩大，发生大停电事故的风险也随之提升。电力系统的规模不断扩大，使得电力系统的运行环境更加复杂多变，潜在的紧急事故更增加了电网的动态不安全风险。因此电力系统的安全运行问题正面临着巨大的挑战。如何快速地、准确地评估电力系统的安全状态成为了当前电力人员关注的关键问题之一。然而，由于实际电力系统规模庞大，运行条件多样，当前在线动态安全评估的方法越来越难以满足实际的需求。因此，研究具有高适应性、高精度的动态安全评估方法，对于现代电力系统的建设与发展具有重要意义。

目前对电力系统动态安全评估的研究主要包含两个方面，基于机理分析的方法和基于数据驱动的方法。基于机理分析的方法包括直接法和时域仿真两大类，其中法包括势能边界法、扩展等面积法、主导不平衡法、暂态能量法、扩展等面积法等，该方法基于李雅普诺夫稳定性理论，通过利用函数来反映电力系统的动态安全特性，来判断系统动态安全性。而时域仿真法基于大规模非线性微分方程，通过求解微分方程来构建系统的动态安全指标。随着广域测量系统的快速发展和电力系统中同步相量测量单元的广泛应用，一些数据驱动方法已经得到了应用。如决策树(decisiontree，dt)、人工神经网络(artificialneuralnetwork，ann)、极限学习机(extremelearningmachine，elm)、支持向量机(supportvectormachine，svm)等。但目前现有的电力系统动态安全评估方法，仍然存在一些不足如：

(1)传统机理分析方法主要依赖于离线计算，其中时域仿真法依赖于建模的准确性，并且计算量庞大、计算时间长；由于现代电力系统的规模不断扩大，该方法难以对大规模样本进行分析，难以满足实时动态安全评估对计算速度的要求、无法提供稳定裕度信息等诸多缺陷；

(2)传统数据驱动方法应用于电力系统动态安全评估时，往往没有考虑实际电网运行可能存在的多种影响因素，比如训练样本集的效率问题，对评估结果未做评价，对动态安全信息不能提供可视化。同时训练时间过长、难以适用于大规模数据。在实际运行的电力系统中经常会出现一些意外情况，传统的动态安全评估模型难以对这些意外情况进行评估。

如上所述，传统方法已难以满足现代电力系统动态安全评估的需要，急需一种能够满足高适应性、高精度的实时评估方法。

技术实现要素：

本发明的目的是为了提供一种有利于提高评估速度和预测精度的动态安全评估方法，有利于系统运行人员及时采取预防控制措施，提高电力系统运行的稳定性，供电的可靠性。

本发明的目的是这样实现的：

一种基于主成分分析与卷积神经网络的动态安全评估方法，包括以下步骤：

步骤一)：基于电力系统历史运行数据以及对系统故障的模拟仿真，获取系统运行数据样本，构建动态安全指标，形成相应的初始样本集；

步骤二)：针对初始样本集，使用主成分分析方法，以实现数据压缩和降维的目的，生成高效样本集；

步骤三)：输入高效样本集，训练卷积神经网络(convolutionneuralnetwork，cnn)，得到电力系统动态安全评估模型，更新高效样本集，以完成对评估模型的更新；

步骤四)：基于电力系统实时运行数据，利用持续更新的动态安全评估模型完成对电力系统实时动态安全状态的评估，得到实时动态安全评估结果。

在步骤一)中，基于电力系统历史运行数据与预想事故集，进行潮流分析和时域仿真，以此获得初始样本集。

在进行时域仿真时，得到各运行状态下各故障位置的极限切除时间(criticalclearingtime，cct)，确定各个故障位置对应的cct，在cct大于act时，构建的暂态安全指标为tsm，如公式(1)所示：

式中：ccti为电力系统某个位置在事故i下的极限切除时间；acti为故障点在事故i下的实际切除时间；tsmi为该位置的暂态安全裕度；tsm的定义如公式(2)所示：

在步骤一)中，对初始样本集进行标准归一化，如公式(3)所示：

式中：为某运行变量经过标准归一化后的值；xi为该运行变量的原始值；xi_min为所获取样本中该变量的最小值；xi_max为所获取样本中该变量的最大值；通过此方式使所有变量的值都在0至1内变化。

在步骤二)中，在使用主成分分析方法时，具体包含以下步骤：

(一)：将步骤一)中获得初始样本集构造为的p维向量，其中p为特征变量的数量，n为样本数量，将其构造为由主要成分w(i＝1,2,...,p)表达的形式，如公式(4)所示：

(二)：求解主成分，具体包括以下步骤：

(1)求初始样本集均值初始样本集的协方差矩阵s；

(2)求解特征方程|s-λi|＝0，其中i为单位矩阵；

(3)求解特征值所对应的单位特征向量；

(4)写出主成分表达式；

(5)设定主成分的选取规则。

完成以上步骤以生成高效样本集，达到数据压缩和降维的目的，同时也提取的目的，生成高效样本集；

在步骤三)中，基于主成分分析得到高效样本集，结合每个特征相应的tsm，训练cnn，得到关键特征和相应tsm的映射关系，以此构建基于cnn的电力系统动态安全模型。

在步骤三)中，在电力系统运行中，在遇到意外因素时，则进行模型更新步骤，以此来不断更新电力系统动态安全评估模型，在获得更新后的样本集后，使用离线训练模型继续训练，以获得更新后的动态安全评估模型。

在步骤四)中，利用同步相量测量单元及广域监测系统实时采集电力系统运行变量，基于实时的数据，利用更新后的动态安全评估模型对电力系统动态安全状态进行预测，并得到在线动态安全评估结果。

采用上述技术方案，能达到的技术效果在于：

(1)通过使用主成分分析方法，能够对原始数据集进行压缩和降维，节省了离线训练所消耗的时间；

(2)本发明基于高效样本集与cnn构建动态安全评估模型，降低了计算负担的同时进一步提升了整体评估模型的精度；

(3)本发明构建的动态安全评估模型，还基于实际电力系统运行中可能出现的情况，考虑了一些影响因素，以此进行模型的更新，能给予模型较好的鲁棒性。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1是本发明方法流程图；

图2是本发明提出的主成分分析流程图；

图3是本发明提出的在线动态安全评估模型；

图4是本发明实施例5种不同模型性能对比图；

图5是本发明实施例5种不同模型训练时间和预测时间对比图。

具体实施方式

一种基于主成分分析与卷积神经网络的动态安全评估方法,如图1所示，具体包括以下步骤：

步骤一)：基于电力系统历史运行数据以及对系统的一系列故障的模拟仿真，获取系统运行数据样本，构建动态安全指标，形成相应的初始样本集；

步骤二)：针对初始样本集，使用主成分分析方法，以实现数据压缩和降维的目的，生成高效样本集；

步骤三)：输入高效样本集，训练cnn，得到电力系统动态安全评估模型，更新高效样本集，以完成对评估模型的更新；

步骤四)：基于电力系统实时运行数据，利用持续更新的动态安全评估模型完成对电力系统实时动态安全状态的评估，得到实时动态安全评估结果。

在步骤一)中：基于电力系统历史运行数据与预想事故集，进行详细的潮流分析和时域仿真，以此获得初始样本集。

利用pss/e软件进行时域仿真，得到各运行状态下各故障位置的cct。通过一系列仿真，确定各个故障位置对应的cct。通常当cct大于act时，系统的运行状态被判断为安全。因此，构建的暂态安全指标，即tsm，如公式(1)所示：

式中：ccti为电力系统某个位置在事故i下的极限切除时间；acti为故障点在事故i下的实际切除时间；tsmi为该位置的暂态安全裕度。tsm的定义如公式(2)所示：

在仿真中，通过检查任意两台发电机的最大转子角偏差是否超过360度来判断系统的稳定性。

为了减轻机器计算负担，对初始样本集进行标准归一化，如公式(3)所示：

式中：为某运行变量经过标准归一化后的值；xi为该运行变量的原始值；xi_min为所获取样本中该变量的最小值；xi_max为所获取样本中该变量的最大值；通过此方式使所有变量的值都在0至1内变化。

在步骤二)中：主成分分析其基本思想是将大量相关变量替换为一组少量的自变量，同时尽可能地保留原始变量的信息。如图2所示，具体包含以下步骤：

(一)：将步骤一)得到初始样本集设定为的p维向量，其中p为特征的数量，n为样本数量，将其构造为由主要成分w(i＝1,2,...,p)表达的形式，如公式(4)所示：

公式(4)满足以下要求：

(i)每个主成分的系数平方和为1，即a1i²+a2i²+...+api²＝1；

(ii)主成分之间相互独立，无重叠的信息，即cov(wi,wj)＝0,i≠j,i,j＝1,2,...,p；

(iii)主成分的方差依次递减，重要性依次递减，即var(w1)≥var(w2)≥...≥var(wp)。

(二)：求解主成分，具体步骤如下所示：

(1)求初始样本集均值求初始样本集的协方差矩阵，如公式(5)所示：

(2)求解特征方程|s-λi|＝0，如公式(6)所示：

解得p个特征根为λ1,λ2,...,λp(λ1≥λ2≥...≥λp)；

(3)求λk所对应的单位特征向量αk(k＝1,2,...,p)，通过求解方程组(s-λki)＝0得到，如公式(7)所示

式中：αk为单位向量，则a1k²+a2k²+...+apk²＝1，所求得的解如公式(8)所示：

(4)写出主成分表达式，如公式(9)所示：

(5)主成分的选取规则如下：

定义m个主成分的累计方差贡献率β，如公式(10)所示：

在应用中，选定m个主成分，并使累计方差贡献率满足一定的阀值，当阀值越接近1时，主成分从样本集中提取的特征越多。用m个主成分形成的矩阵，代替初始样本集矩阵x用于后续数据分析。因此达到数据压缩和降维的目的，同时提取了数据的主要特征。

在步骤三)中：基于主成分分析得到高效样本集，结合每个特征相应的tsm，训练cnn，得到关键特征和相应tsm的映射关系，以此构建基于cnn的电力系统动态安全模型。在电力系统实际运行中，往往涉及一些意外的因素，包括：紧急事故、电网检修计划、经济调度、波峰/波谷变化、负荷特性的变化、发电机/负载功率分布变化；因此离线训练无法覆盖所有可能存在的运行状态，需要进行模型更新步骤，以此来不断更新电力系统动态安全评估模型。根据一些意外因素，获得更新后的样本集，使用离线训练模型继续训练，以获得更新后的动态安全评估模型。

在步骤四)中：本发明提出的在线评估模型流程如图3所示，利用同步相量测量单元及广域监测系统实时采集电力系统运行变量，基于实时的数据，利用更新后的动态安全评估模型对电力系统动态安全状态进行预测，并得到最终的在线评估结果。

实施例：

在本发明中使用ieee39节点系统中进行测试，该系统包含39个节点、10台发电机以及46条传输线。本次测试都是一台装有intelcorei7处理器和8gb内存的计算机上进行执行。对该系统采用基于此发明提出的动态安全评估方案，并对提出的动态安全评估模型的性能进行了检验。本次测试采用的是10倍交叉验证方法，所示各项试验重复10次，直到精度的均值和标准差趋于稳定。基于历史运行数据以及一系列仿真，共生成了4800个样本用于训练和测试。采用残差平方误差r²和均方根误差(rootmeansquarederror，rmse)指标检验了模型的性能，r²、rmse的定义如公式(11)、公式(12)所示：

式中：s是样本集，n是样本的数量，xi是优化的输入特征量，yi是相应的tsm值，d(xi)是评估值，是yi的均值。

训练和测试使用了5种不同的模型，其他4种模型包括：逻辑回归(logisticregression，lr)、svm、回归树(regressiontree，rt)和ann。如图4所示，给出了5种不同的模型的性能测试结果；如图5所示，给出了5种不同的模型测试所消耗的时间。

通常，r²越大，表明模型性能越好；而rmse越小，代表模型的误差越小，即性能越好。由图4可知，cnn模型r²最大，rmse最小，并且由图5可知cnn模型训练时间和预测时间都是最短的。说明和另外4种模型相比，cnn评估模型有着最优秀的性能。

为了验证在电力系统实际运行时，拓扑变化对系统运行的影响以及本发明模型适应电力系统拓扑变化的鲁棒性，本次测试对ieee39节点测试系统的一些拓扑关系进行了改变。改变后生成的新样本用于测试，如表1所示，给出了不同的网络拓扑结构以及测试结果。

表1

结果表明了本发明模型对适应拓扑变化时具有较好的鲁棒性，可以应用电力系统的实际运行中。