电力系统暂态稳定监测方法、装置、终端设备及存储介质与流程

[0001]
本发明涉及电子电力技术领域，尤其涉及一种电力系统暂态稳定监测方法。


背景技术：

[0002]
近年来，随着人类社会对电力资源需求的不断增大，电网的复杂度以及负荷也在不断提升。这些给电力系统带来了巨大的安全隐患，特别是在电力系统暂态稳定性上。实时监测电力系统的稳定状态有利于采取及时有效的措施，保障电网的稳定持续运行。快速在线暂态稳定性判断是一种提供不稳定预警和系统预防性控制指导的基本工具。
[0003]
电力系统暂态稳定性现有的几种分析方法：时域法(通过求解微分方程求各发电机相功角的变化来判断稳定性)；能量法(利用李雅普诺夫能量函数求出稳定域)；bcu法(势能边界法与主导不稳定平衡点法的结合)；基于神经网络的方法(用电力系统中的特征量作为输入，利用神经网络的拟合能力建立输入-输出映射)。随着数据量的不断提升，数据驱动型技术(机器学习)提供了一种分析与解决问题的新思路，近年来的深度学习更是在各个领域都表现出了不可忽视的作用。而在电力系统分析中，传统的卷积神经网络(cnn)和循环神经网络(rnn)分别面临着忽视局部信息之间的联系以及训练与实际使用花费时间过长的问题，这些模型没有有效利用电力系统的拓扑特征，而电网的拓扑改变会对其暂态稳定特性产生很大的影响，因而导致了这些模型的泛化性能较差，当电网的拓扑发生改变之后，模型的预测精度会大幅下降。此外，目前数据驱动的功角暂态稳定分析模型中，多是对电力系统整体的暂态功角稳定性或者功角暂态裕度进行预测，无法精确到每一台发电机组，无法对每一台发电机组的稳定状态进行监测。


技术实现要素：

[0004]
本发明实施例的目的是提供一种电力系统暂态稳定监测方法，解决现有技术电力系统暂态稳定分析中由于未考虑电力系统的拓扑特征导致对电力系统暂态稳定监测不准确的问题，以及无法对每一台发电机组的稳定状态进行监测。
[0005]
为实现上述目的，本发明实施例提供了一种电力系统暂态稳定监测方法，包括以下步骤：
[0006]
获取电力系统采集得到的历史特征数据，系统采样从故障发生前采集到故障发生后；
[0007]
根据所述采集得到的历史特征数据，构造输入状态图序列，所述输入状态图序列根据故障发生前到故障发生后的时间序列上的每一个采样点对应的电力系统的状态图构成，其中，所述状态图以电力系统的母线作为节点进行构建；
[0008]
根据故障发生后的发电机的功角值，获取每个发电机的稳定状态结果，作为每一所述发电机对应的标签；
[0009]
将所述输入状态图序列和每一所述发电机的稳定状态结果输入到基于时空图卷积网络的模型训练，得到电力系统暂态稳定预测模型；
[0010]
当故障发生后，采集电力系统不同故障模式下的特征数据，构造输入状态图序列输入到电力系统暂态稳定预测模型，得到每一节点的失稳概率；
[0011]
根据每一所述节点的失稳概率，监测每台发电机的稳定状态。
[0012]
进一步的，所述将所述输入状态图序列和每一所述发电机的稳定状态结果输入到基于时空图卷积网络的模型训练，其中，所述基于时空图卷积网络的模型具体包括：
[0013]
所述时空图卷积网络由2个时空卷积块和1个输出层组成，所述时空卷积块包含两层时间卷积层和一层空间卷积层，所述空间卷积层位于所述两层时间卷积层的中间，且所述空间卷积层采用基于空域的图卷积。
[0014]
进一步的，所述状态图以电力系统的母线作为节点进行构建中，所述状态图具体通过以下步骤构建：
[0015]
(1)定义状态图g
t
，用于描述t时刻的电力系统状态；
[0016]
(2)定义图的节点集合v，表示电力系统中的母线集合，节点v
i
的特征向量集为6维向量[v
bus
,θ
bus
,p
g
,q
g
,p
l
,q
l
]，分别表示节点电压幅值大小、节点相角大小、节点的有功出力大小、节点的无功出力大小、节点的有功负荷大小、节点的无功负荷大小；
[0017]
(3)定义边的集合e，给定t时刻的电力系统节点导纳矩阵，则有当y
ij
≠0时，e
ij
∈e；当y
ij
＝0时，其中，y
ij
标记节点i和节点j的互导纳；
[0018]
则，所述输入状态图序列具体为：
[0019][0020]
其中，g
prefault
表示故障发生前电力系统的状态图，表示故障发生过程中的电力系统的状态图序列，包含故障发生的时间序列中的每一个采样点对应的状态图，表示故障发生后电力系统的状态图序列，包含故障发生后的时间序列中的每一个采样点对应的状态图。
[0021]
进一步的，所述根据故障发生后的发电机的功角值，获取每个发电机的稳定状态标记结果，作为每一所述发电机对应的标签，具体包括：
[0022]
获取长时间仿真后的预设时刻得到的电力系统的所有发电机中的最大功角对应的发电机i与最小功角对应的发电机j；
[0023]
分别统计其他发电机与发电机i、发电机j的功角的差的绝对值小于180的发电机数量，从发电机i、发电机j中选取与其他发电机的功角的差的绝对值小于180的发电机数量更多的发电机作为基准功角发电机；
[0024]
设置所述基准发电机的稳定状态为未失稳，并标记为0，计算其他发电机功角与所述基准发电机功角的差的绝对值，并将与所述基准发电机的功角的差的绝对值大于180的发电机标设置为失稳，标记为1，与所述基准发电机的功角的差的绝对值小于180的发电机标设置为未失稳，标记为0。
[0025]
进一步的，所述当故障发生后，采集电力系统不同故障模式下的特征数据，构造输入状态图序列输入到电力系统暂态稳定预测模型，得到每一节点的失稳概率，具体包括：
[0026]
将所述输入状态图序列输入到电力系统暂态稳定预测模型中，经过2层时空卷积块得到输出状态图序列；
[0027]
对于每一节点，提取所述输出状态图序列中的每个采样点对应的状态图上的所述节点对应的特征向量集进行拼接，得到每一节点的特征长向量；
[0028]
每一所述节点的特征长向量通过所述输出层的单层全连接层和sigmoid激活函数，输出得到每一所述节点的失稳概率。
[0029]
本发明实施例还提供了一种电力系统暂态稳定监测装置，包括：
[0030]
历史特征数据获取模块，用于获取电力系统采集得到的历史特征数据，系统采样从故障发生前采集到故障发生后；
[0031]
输入构造模块，用于根据所述采集得到的历史特征数据，构造输入状态图序列，所述输入状态图序列根据故障发生前到故障发生后的时间序列上的每一个采样点对应的电力系统的状态图构成，其中，所述状态图以电力系统的母线作为节点进行构建；
[0032]
标签获取模块，用于根据故障发生后的发电机的功角值，获取每个发电机的稳定状态结果，作为每一所述发电机对应的标签；
[0033]
模型训练模块，用于将所述输入状态图序列和每一所述发电机的稳定状态结果输入到基于时空图卷积网络的模型训练，得到电力系统暂态稳定预测模型；
[0034]
节点失稳概率获取模块，用于当故障发生后，采集电力系统不同故障模式下的特征数据，构造输入状态图序列输入到电力系统暂态稳定预测模型，得到每一节点的失稳概率；
[0035]
状态监测模块，用于根据每一所述节点的失稳概率，监测每一发电机的稳定状态。
[0036]
进一步的，所述模型训练模块中，所述基于时空图卷积网络的模型，具体包括：
[0037]
所述时空图卷积网络由2个时空卷积块和1个输出层组成，所述时空卷积块包含两层时间卷积层和一层空间卷积层，所述空间卷积层位于所述两层时间卷积层中间，且所述空间卷积层采用基于空域的图卷积。
[0038]
进一步的，所述节点失稳概率获取模块，具体用于：
[0039]
将所述输入状态图序列输入到电力系统暂态稳定预测模型中，通过2层时空卷积块处理得到输出状态图序列；
[0040]
对于每一节点，提取所述输出状态图序列中的每个采样点对应的状态图上的所述节点对应的特征向量集进行拼接，得到每一节点的特征长向量；
[0041]
每一所述节点的特征长向量通过输出层的单层全连接层和sigmoid激活函数，输出得到每一所述节点的失稳概率。
[0042]
作为本发明的优选实施例，本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的电力系统暂态稳定监测方法。
[0043]
本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的电力系统暂态稳定监测方法。
[0044]
与现有技术相比，具有如下有益效果：
[0045]
(1)本发明实施例提供的电力系统暂态稳定监测方法，采用基于时空图卷积网络构建电力系统暂态稳定预测模型，与其他神经网络相比，基于时空图卷积网络建模能充分挖掘和利用电力系统的拓扑信息和状态量随时间变化的信息，且能对输入特征进行时间相
关性和空间相关性两方面的数据挖掘，提高了模型的预测性能和泛化性，使其能适应电力系统的拓扑变化，使得模型的输出结果更为精准，从而使得输出得到的每一节点的失稳概率更加准确；
[0046]
(2)本发明通过在时空图卷积网络输入故障前、故障中和故障后的母线节点的状态变量以及系统的节点导纳矩阵进行时间和空间的相关性学习，获取状态图上的发电机节点的失稳概率，实现对每台发电机的暂态稳定状态的监测；
[0047]
(3)本发明基于时空图卷积网络进行建模，其中，所述时空图卷积网络的空间卷积层采用基于空域的图卷积，时间开销小，且能更好地挖掘电力系统状态图上的边对各个节点的影响，使得每一节点的失稳概率结果更加精准，从而更准确地检测每台发电机组的稳定状态。
附图说明
[0048]
图1是本发明提供的电力系统暂态稳定监测方法的一个实施例的流程示意图；
[0049]
图2是本发明提供的电力系统暂态稳定监测装置的一个实施例的结构示意图。
具体实施方式
[0050]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
参见图1，图1是本发明提供的电力系统暂态稳定监测方法的一个实施例的流程示意图；本发明实施例提供一种电力系统暂态稳定监测方法，包括步骤s1-s6：
[0052]
s1，获取电力系统采集得到的历史特征数据，系统采样从故障发生前采集到故障发生后。
[0053]
在本实施例中，通过时域仿真法或者利用wams系统对电力系统采集得到的历史数据作为学习样本集，采集间隔可以根据预设的时间间隔进行采集，系统采样从故障发生前一直采集到故障发生后，以便能从时间尺度上对电力系统暂态稳定性进行分析。
[0054]
s2，根据所述采集得到的历史特征数据，构造输入状态图序列，所述输入状态图序列根据故障发生前到故障发生后的时间序列上的每一个采样点对应的电力系统的状态图构成，其中，所述状态图以电力系统的母线作为节点进行构建。
[0055]
在本实施例中，给定故障发生前到故障发生后的母线、发电机的特征数据，可以把母线作为节点，构造电力系统的状态图，以便基于母线节点从时间序列上对节点的特征数据进行相关学习。
[0056]
具体的，所述状态图通过以下步骤进行构建：
[0057]
(1)定义状态图g
t
，用于描述t时刻的电力系统状态；
[0058]
(2)定义图的节点集合v，表示电力系统中的母线集合，节点v
i
的特征向量集为6维向量[v
bus
,θ
bus
,p
g
,q
g
,p
l
,q
l
]，分别表示节点电压幅值大小、节点相角大小、节点的有功出力大小、节点的无功出力大小、节点的有功负荷大小、节点的无功负荷大小；
[0059]
(3)定义边的集合e，给定t时刻的电力系统节点导纳矩阵，则有当y
ij
≠0时，e
ij
∈
e；当y
ij
＝0时，其中，y
ij
标记节点i和节点j的互导纳；
[0060]
则，所述输入状态图序列具体为：
[0061][0062]
其中，g
prefault
表示故障发生前电力系统的状态图，表示故障发生过程中的电力系统的状态图序列，包含故障发生的时间序列中的每一个采样点对应的状态图，表示故障发生后电力系统的状态图序列，包含故障发生后的时间序列中的每一个采样点对应的状态图。
[0063]
需要说明的是，上述故障发生的时间序列上的每个采样点分别为f1、f2、...、f
n
,上述故障发生后的时间序列中的每一个采样点分别为p1、p2、...、p
m
。
[0064]
s3，根据故障发生后的发电机的功角值，获取每个发电机的稳定状态结果，作为每一所述发电机对应的标签。
[0065]
需要说明的是，电力系统稳态运行时，系统中所有同步发电机均同步运行，即功角是稳定值。系统在受到干扰后，如果发电机转子经过一段时间的运动变化后仍能恢复同步运行，即功角能达到一个稳定值，则系统就是功角稳定的，否则就是功角不稳定。于是，根据潮流预测的发电机组功角值，我们可以用如下步骤获取一次事故后的发电机稳定情况：
[0066]
获取长时间仿真后的预设时刻得到的电力系统的所有发电机中的最大功角对应的发电机i与最小功角对应的发电机j；
[0067]
分别统计其他发电机与发电机i、发电机j的功角的差的绝对值小于180的发电机数量，从发电机i、发电机j中选取与其他发电机的功角的差的绝对值小于180的发电机数量更多的发电机作为基准功角发电机；
[0068]
设置所述基准发电机的稳定状态为未失稳，并标记为0，计算其他发电机功角与所述基准发电机功角的差的绝对值，并将与所述基准发电机的功角的差的绝对值大于180的发电机标设置为失稳，标记为1，与所述基准发电机的功角的差的绝对值小于180的发电机标设置为未失稳，标记为0。
[0069]
需要说明的是，在本方案中，对每一发电机的稳定状态标记不作具体的限制，可以是将稳定状态的发电机标记为1，不稳定的发电机标记为0，或者是其他的符号标记。
[0070]
s4，将所述输入状态图序列和每一所述发电机的稳定状态结果输入到基于时空图卷积网络的模型训练，得到电力系统暂态稳定预测模型。
[0071]
在本实施例中，所述时空图卷积网络(stgcn、全称spatial temporal graph convolutional networks)基于系统的母线节点进行建模，所述时空图卷积网络由2个时空卷积块(spatial-temporal convolution block)和1个输出层(output layer)组成，所述时空卷积块由两层时间卷积层和一层空间卷积层构成，所述空间卷积层采用基于空域的图卷积,具有时间开销小的优点，且能很好地挖掘边对各个节点的影响，从而有利于对每个节点的失稳概率进行精准地预测。
[0072]
s5，当故障发生后，采集电力系统不同故障模式下的特征数据，构造输入状态图序列输入到电力系统暂态稳定监测模型，得到每一节点的失稳概率。
[0073]
在本实施例中，步骤s5具体包括：
[0074]
将所述输入状态图序列输入到电力系统暂态稳定预测模型中，经过2层时空卷积块得到输出状态图序列；
[0075]
对于每一节点，提取所述输出状态图序列中的每个采样点对应的状态图上的所述节点对应的特征向量集进行拼接，得到每一节点的特征长向量；
[0076]
每一所述节点的特征长向量通过所述输出层的单层全连接层和sigmoid激活函数，输出得到每一所述节点的失稳概率。
[0077]
下面对本发明实施例的电力系统状态稳定预测模型的计算进行详细的介绍：
[0078]
步骤a：对第l个时空卷积块，进行以下的操作；
[0079]
步骤a-1：输入所述输入序列状态图序列t
gl-1
，首先在每个节点的时间维度上利用1维卷积核进行时间卷积，卷积后得到序列中每个状态图的每个节点的新特征，更新原状态图序列形成新的状态图序列t
gl-1(1)
；
[0080]
步骤a-2：对状态图序列t
gl-1(1)
的每个状态图，应用基于空域的图卷积(spatial convolution)，卷积核通过每个状态图的节点阻抗矩阵提取节点和节点之间的空间相关性，并计算新的节点特征，更新状态图序列形成新的状态图序列t
gl-1(2)
；
[0081]
步骤a-3：对b输出的序列，类似a中的操作，在每个节点的时间维度上进行时间卷积，输出状态图序列t
gl
；
[0082]
步骤b：堆叠2个时空卷积块，模型总输入状态图序列经过处理得到状态图序列
[0083]
步骤c：对发电机节点i，提取所述状态图序列中的每个采样点对应的状态图中发电机节点i所对应的特征向量进行拼接，形成特征长向量，经过单层全连接层和sigmoid激活函数后输出单个0～1之间的预测数值，表示该发电机失稳的概率。所有的发电机节点共用该全连接层。
[0084]
s6,根据每一所述节点的失稳概率，监测每台发电机的稳定状态。
[0085]
采用本发明提供的实施例，具有如下有益效果：
[0086]
(1)本发明实施例提供的电力系统暂态稳定监测方法，采用基于时空图卷积网络构建电力系统暂态稳定预测模型，能充分挖掘和利用电力系统的拓扑信息和状态量随时间变化的信息，以及对输入特征进行时间相关性和空间相关性两方面的数据挖掘，提高了模型的预测性能和泛化性，使其能适应电力系统的拓扑变化；
[0087]
(2)本发明通过在时空图卷积网络输入故障前、故障中和故障后的母线节点的状态变量以及系统的节点导纳矩阵进行时间和空间的相关性学习，获取状态图上的发电机节点的失稳概率，实现对每台发电机的暂态稳定状态的监测；
[0088]
(3)本发明基于时空图卷积网络进行建模，其中，所述时空图卷积网络的空间卷积层采用基于空域的图卷积，时间开销小，且能更好地挖掘电力系统状态图上的边对各个节点的影响，使得每一节点的失稳概率结果更加精准，从而更准确地检测每台发电机组的稳定状态。
[0089]
作为本发明提供的优选实施例，请参见图2，图2是本发明提供的电力系统暂态稳定监测装置的一个实施例的结构示意图，包括：
[0090]
历史特征数据获取模块1，用于获取电力系统采集得到的历史特征数据，系统采样
从故障发生前采集到故障发生后；
[0091]
输入构造模块2，用于根据所述采集得到的历史特征数据，构造输入状态图序列，所述输入状态图序列根据故障发生前到故障发生后的时间序列上的每一个采样点对应的电力系统的状态图构成，其中，所述状态图以电力系统的母线作为节点进行构建；
[0092]
标签获取模块3，用于根据故障发生后的发电机的功角值，获取每个发电机的稳定状态结果，作为每一所述发电机对应的标签；
[0093]
模型训练模块4，用于将所述输入状态图序列和每一所述发电机的稳定状态结果输入到基于时空图卷积网络的模型训练，得到电力系统暂态稳定预测模型；
[0094]
节点失稳概率获取模块5，用于当故障发生后，采集电力系统不同故障模式下的特征数据，构造输入状态图序列输入到电力系统暂态稳定预测模型，得到每一节点的失稳概率；
[0095]
状态监测模块6，用于根据每一所述节点的失稳概率，监测每一发电机的稳定状态。
[0096]
优选的，所述模型训练模块4中，所述基于时空图卷积网络的模型，具体包括：
[0097]
所述时空图卷积网络由2个时空卷积块和1个输出层组成，所述时空卷积块包含两层时间卷积层和一层空间卷积层，所述空间卷积层位于所述两层时间卷积层中间，且所述空间卷积层采用基于空域的图卷积。
[0098]
具体的，所述节点失稳概率获取模块5，具体用于：
[0099]
将所述输入状态图序列输入到电力系统暂态稳定预测模型中，通过2层时空卷积块处理得到输出状态图序列；
[0100]
对于每一节点，提取所述输出状态图序列中的每个采样点对应的状态图上的所述节点对应的特征向量集进行拼接，得到每一节点的特征长向量；
[0101]
每一所述节点的特征长向量通过输出层的单层全连接层和sigmoid激活函数，输出得到每一所述节点的失稳概率。
[0102]
本发明实施例还提供了一种终端设备。该设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个电力系统暂态稳定监测方法实施例中的步骤，例如图1所示的步骤s1至s6。
[0103]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
[0104]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储
器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0105]
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
[0106]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0107]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。