一种可迁移的电力系统主导失稳模式判别方法

1.本发明属于电力系统稳定性分析领域，更具体地，涉及一种可迁移的电力系统主导失稳模式判别方法。


背景技术：

2.电力系统的安全稳定运行对能源安全和经济社会发展至关重要，其安全性和稳定性问题是系统规划、运行、保护工作者重点关注的问题。在电力系统受到大扰动后快速、准确地判断出其稳定和失稳以及主导失稳模式(电压失稳、功角失稳)，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，从而有效保证系统的安全稳定。
3.时域仿真、能量函数、分岔分析等是主导失稳模式判别的常用方法，但在应用到实际大电网时存在诸多困难。近年来，一些研究将深度学习应用到主导失稳模式识别中，深度学习方法可以摆脱复杂的物理机理，学习从仿真数据或量测数据到稳定性及主导失稳模式之间的映射关系，根据数据直接做出判断，在主导失稳模式判别问题中具有广阔的应用前景。
4.深度学习方法采用数据驱动的方式，所有知识都是从数据中学得的，因而要求数据集具有较好的表征性。但在实际中，训练数据集不可能涵盖所有可能的运行工况，即实际运行中可能出现数据集中没有的工况。此时深度学习模型的性能会有下降，影响主导失稳模式判别准确性，进而影响电力系统安全稳定运行。
5.深度学习模型对新方式的适应一般需要基于新方式(目标域)下的标注样本进行重新训练，或通过迁移学习方法进行微调。然而，所需样本数量较多，需要的人工标注成本较高，影响模型适应的效率。并且对目标域样本的标注需求没有针对性，标注某些目标域样本可能对模型适应帮助不大。
6.因此，如何减少对目标域样本标注量的需求，实现主导失稳模式判别的深度学习模型的快速迁移，是目前亟待解决的技术问题。


技术实现要素：

7.针对现有技术的以上缺陷或改进需求，本发明提供了一种可迁移的电力系统主导失稳模式判别方法，其目的在于减少对目标域样本标注量的需求，提升主导失稳模式识别模型的迁移效率。
8.为实现上述目的，按照本发明的第一方面，提供了一种可迁移的电力系统主导失稳模式判别方法，包括：
9.s1，基于源域样本集训练第一深度神经网络模型m0；
10.s2，在目标域场景下进行多组暂稳仿真，提取仿真结果中电压数据和功角数据的统计特征，作为目标域样本集；
11.s3，基于m0获取各未标注的目标域样本的边际概率，对边际概率值较小的前n个目标域样本的主导失稳模式类别进行标注，得到第一样本集；将所述第一样本集加入到源域
样本集中，得到混合样本集，基于混合样本集对m0进行训练，得到第二深度神经网络模型m
t
；
12.s4，基于m
t
获取各未标注的目标域样本的边际概率，对边际概率值较小的前n个目标域样本的主导失稳模式类别进行标注，得到第二样本集；
13.s5，计算m
t
和m0对所述混合样本集中各源域样本的预测概率值之差，将差值较大的前m个源域样本删除；并将所述第二样本集加入进行删除操作后的混合样本集中；
14.s6，基于进行删除和加入操作之后的混合样本集对m
t
进行参数微调；
15.s7，重复s4-s6，直至m
t
在所述目标域样本集上的测试准确率达到预设目标值或达到预设迭代次数。
16.优选地，所述在目标域场景下进行多组暂稳仿真，包括：
17.在新的潮流工况下，设置不同的故障线路、故障位置和故障持续时间进行多组暂稳仿真。
18.优选地，基于m0或m
t
获取各未标注的目标域样本的边际概率，包括：
[0019][0020]
其中，xi为第i个未标注的目标域样本，margin(xi)为其边际概率，把xi输入至m0或m
t
，其中，t为迭代次数，为m0或m
t
计算的对xi预测概率分布中概率最大的主导失稳模式类别的概率值，为概率分布中概率第二大的主导失稳模式类别的概率值。
[0021]
优选地，所述计算m
t
和m0对各源域样本的预测概率值之差，包括：
[0022][0023]
其中，si为源域中第i个样本，dist_deviation(si)为其预测概率分布改变量，为第二深度神经网络模型m
t
对si的预测概率分布向量，为第一深度神经网络模型m0对si的预测概率分布向量。
[0024]
优选地，所述电压数据和功角数据的统计特征包括：平均值、标准差、包络线、以及所述平均值、标准差、包络线的一阶和二阶变化率。
[0025]
优选地，所述主导失稳模式包括稳定、功角失稳和电压失稳三种类别。
[0026]
优选地，所述基于所述混合样本集对所述第二深度神经网络模型m
t
进行参数微调，包括：
[0027]
基于所述混合样本集，采用微调的迁移学习方法对所述第二深度神经网络模型m
t
进行训练。
[0028]
按照本发明的第二方面，提供了一种可迁移的电力系统主导失稳模式判别系统，包括：计算机可读存储介质和处理器；
[0029]
所述计算机可读存储介质用于存储可执行指令；
[0030]
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如第一方面所述的方法。
[0031]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0032]
1、针对基于深度神经网络的主导失稳模式识别模型对电力系统运行方式改变的
适应性问题，本发明提出一种可迁移的主导失稳模式判别方法，结合主动学习和迁移学习，充分利用源域样本和源域模型信息，同时通过少量目标域标注样本实现模型的快速迁移，提高模型适用性；同时减少对目标域样本标注量的需求，提升主导失稳模式识别模型的迁移效率。
[0033]
2、本发明提出的可迁移的主导失稳模式判别方法，在样本层面，通过正向主动学习(query+)主动选择模型最不确定的目标域样本交予专家标注，通过反向主动学习(query
–
)主动删除偏离目标域样本分布的源域样本，组合成混合样本集，混合样本集引入了目标域最有价值的新信息，又保留了源域中与目标域接近的样本蕴含的信息；在模型层面，通过迁移学习中最常用的fine-tune方法，基于混合样本集对源域模型进行微调，实现模型的快速更新和迁移。如此，本发明通过正向和反向的主动学习和迁移学习的结合，使得基于深度学习的主导失稳模式判别方法迁移过程降低对目标域样本标注的需求，相比直接重新训练、随机选择目标域样本以及不使用源域样本效果更好，可降低样本标注的时间成本，提高模型迁移效率，保证电力系统安全稳定运行。
附图说明
[0034]
图1为本发明实施例提供的基于主动迁移学习的电力系统主导失稳模式判别方法的迁移过程示意图；
[0035]
图2为本发明实施例提供的主动迁移学习中正向主动学习(query+)和反向主动学习(query
–
)结合的流程图；
[0036]
图3为本发明实施例提供的用于电力系统主导失稳模式判别的神经网络架构图；
[0037]
图4为本发明实施例提供的中国电科院8机36节点系统单线图；
[0038]
图5为本发明实施例提供的主动迁移学习方法与其他主动学习以及常规被动学习效果的对比图；
[0039]
图6为本发明实施例提供的主动迁移方法与单独的query(+)和单独的query(
–
)的效果对比图；
[0040]
图7为本发明实施例提供的基于模型与样本结合的主动迁移方法，与基于模型主动迁移、基于样本主动迁移的效果对比图。
具体实施方式
[0041]
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。
[0042]
本发明实施例提供一种可迁移的电力系统主导失稳模式判别方法，如图1-2所示，包括：
[0043]
s1，基于源域样本集训练第一深度神经网络模型m0。
[0044]
具体地，通过深度神经网络挖掘从仿真数据到电力系统主导失稳模式的映射关系。
[0045]
优选地，所述主导失稳模式包括稳定、功角失稳和电压失稳三种类别。
[0046]
其中，所述第一深度神经网络模型即为初始源域深度神经网络模型。
[0047]
准备源域样本集，并基于源域样本集训练得到初始源域深度神经网络模型。第一深度神经网络模型即为初始源域深度神经网络模型m0，为前期已训练好当前正在使用的深度神经网络模型(即当前用于进行电力系统主导失稳模式判别的模型)，源域样本为训练源域模型使用的样本。
[0048]
优选地，所述初始源域深度神经网络模型采用一维卷积神经网络模型，如图3所示。当电力系统运行方式发生改变时，源域模型的性能会下降，影响主导失稳模式的正确判别，甚至影响系统安全稳定运行。
[0049]
s2，在目标域场景下进行多组暂稳仿真，提取仿真结果中电压数据和功角数据的统计特征，作为目标域样本。
[0050]
可以理解的是，所述目标域样本为未标注的目标域样本。
[0051]
优选地，所述在目标域场景下进行多组暂稳仿真，包括：
[0052]
在新的潮流工况下，设置不同的故障线路、故障位置和故障持续时间进行多组暂稳仿真。
[0053]
具体地，根据目标域场景(即电力系统的运行工况发生变化)，进行多组暂稳仿真，从仿真结果的电压数据和功角数据中提取统计特征，生成目标域未标注样本，放入目标域未标注样本池中。
[0054]
也即，在新的潮流工况下，设置不同的故障线路、故障位置和故障持续时间进行多组暂稳仿真，离散采样仿真结果中的电压数据和功角数据，计算统计特征，得到无标注(即没有对应的电力系统失稳模式的判别结果)的主导失稳模式判别样本集，将无标注样本放入样本池中。
[0055]
优选地，所述电压数据和功角数据的统计特征包括：平均值、标准差、包络线、以及所述平均值、标准差、包络线的一阶和二阶变化率。
[0056]
也即，所述深度神经网络模型输入为根据电力系统仿真所得的功角数据和电压数据提取的统计特征，包含平均值、标准差、包络线及其一、二阶变化率等，共30维。
[0057]
进一步地，统计特征选择如表1所示。
[0058]
表1表征电压和功角曲线的统计特征
[0059][0060]
s3，基于m0获取各目标域样本的边际概率，对边际概率值较小的前n个目标域样本的主导失稳模式类别进行标注，得到第一样本集；将所述第一样本集加入到源域样本集中，得到混合样本集，基于混合样本集对m0进行训练，得到第二深度神经网络模型m
t
。
[0061]
也即，基于第一深度神经网络模型m0获取各目标域未标注样本的边际概率，并按
边际概率值从小到大对所述各目标域未标注样本进行排序；将前n个目标域未标注样本的主导失稳模式类别进行标注，得到第一目标域样本集；将所述第一样本集加入到源域样本集中，得到混合样本集，基于混合样本集对所述第一源域深度神经网络模型进行训练，得到第二深度神经网络模型m
t
。
[0062]
其中，所述第二深度神经网络模型即为m
t
。
[0063]
具体地，根据第一深度神经网络模型获取样本池中的目标域未标注样本的预测概率值，通过正向主动学习从目标域样本池中挑选出当前模型最不确定的n个目标域未标注样本，并标注其主导失稳模式类别(例如：人工标注)。
[0064]
优选地，目标域未标注样本的不确定性通过边际概率来度量，也即，所述基于第一深度神经网络模型获取各目标域未标注样本的边际概率，包括：
[0065][0066]
其中，xi为第i个目标域未标注样本，margin(xi)为其边际概率，把xi输入至第一深度神经网络模型m0，为模型m0计算的对xi预测概率分布中概率最大的主导失稳模式类别的概率值，为概率分布中概率第二大的主导失稳模式类别的概率值。正向主动学习从中挑选边际概率最小(即最不确定)的n个样本。给予模型最不确定的样本以正确的标签并使其参与到模型训练中，对模型训练和性能提升帮助最大。
[0067]
s4，基于m
t
获取各未标注的目标域样本的边际概率，对边际概率值较小的前n个目标域样本的主导失稳模式类别进行标注，得到第二样本集。
[0068]
也即，基于第二深度神经网络模型获取未标注的目标域样本的边际概率，并按边际概率值从小到大对所述目标域各未标注样本进行排序；将前n个目标域未标注样本的主导失稳模式类别进行标注，得到第二目标域样本集；
[0069]
所述基于第二深度神经网络模型获取各目标域未标注样本的边际概率，包括：
[0070][0071]
其中，xi为第i个未标注的目标域样本，margin(xi)为其边际概率，把xi输入至第二深度神经网络模型m
t
，其中，t为迭代次数，为第二深度神经网络模型m
t
计算的对xi预测概率分布中概率最大的主导失稳模式类别的概率值，为概率分布中概率第二大的主导失稳模式类别的概率值。正向主动学习从中挑选边际概率最小(即最不确定)的n个样本。给予模型最不确定的样本以正确的标签并使其参与到模型训练中，对模型训练和性能提升帮助最大。
[0072]
也即，基于m0或m
t
获取各目标域样本或各未标注的目标域样本的边际概率，包括：
[0073][0074]
其中，xi为第i个未标注的目标域样本，margin(xi)为其边际概率，把xi输入至第一深度神经网络模型m0或第二深度神经网络模型m
t
，其中，t为迭代次数，为m0或m
t
计算的对xi预测概率分布中概率最大的主导失稳模式类别的概率值，为概率分布中概率第二大的主导失稳模式类别的概率值。
[0075]
s5，计算m
t
和m0对所述混合样本集中各源域样本的预测概率值之差，将差值较大的前m个源域样本删除；并将所述第二样本集加入进行删除操作后的混合样本集中。
[0076]
也即，计算所述第二深度神经网络模型和第一深度神经网络模型对混合样本集中各源域样本的预测概率值之差，并按照差值从大到小对所述各源域样本进行排序，将前m个源域样本从所述混合样本集中删除；并将所述第二目标域样本集加入所述混合样本集中。
[0077]
具体地，分别计算当前神经网络模型m
t
和初始源域神经网络模型m0对源域样本的预测概率分布，通过反向主动学习从源域样本集中删去预测概率分布改变最大的m个样本。
[0078]
优选地，当前模型m
t
和源域初始模型的预测概率分布改变，也即所述计算所述第二深度神经网络模型和第一深度神经网络模型对各源域样本的预测概率值之差，包括：
[0079][0080]
其中，si为源域中第i个样本，dist_deviation(si)为其预测概率分布改变量，为第二深度神经网络模型m
t
对si的预测概率分布向量，为第一深度神经网络模型m0对si的预测概率分布向量。反向主动学习选择模型预测概率分布改变最大的源域样本，将其删除。
[0081]
源域模型m0是全部基于源域样本分布学习得到的，而当前模型m
t
中还包含很多目标域样本的信息(即迭代过程中加入了目标域样本)。若某源域样本较接近目标域样本分布，则基于包含该源域样本在内的源域样本集训练的m0和基于包含目标域样本的数据集训练的m
t
对其的预测概率值应该接近；反之，若某源域样本偏离目标域样本分布，则m
t
和m0的预测值差异会很大，此时将其从训练集中删除对模型适应目标域帮助更大。因而通过反向主动学习选择模型预测概率分布改变最大的m个源域样本，将其删除。
[0082]
s6，基于进行删除和加入操作之后的混合样本集对所述第二深度神经网络模型m
t
进行参数微调。
[0083]
优选地，所述基于所述混合样本集对所述第二深度神经网络模型进行参数微调，包括：
[0084]
基于所述混合样本集，采用微调的迁移学习方法对所述第二深度神经网络模型进行训练。
[0085]
具体地，将s4选择的n个第二目标域样本累加到s5中删去m个样本后剩余的混合样本集中，基于进行删除和加入操作之后的混合样本集对当前模型m
t
进行参数微调。
[0086]
基于混合样本集，采用最常用的迁移学习方法，即微调，采取较小的学习率对当前模型进行训练。也即，基于混合样本集，采用微调(fine-tuning)的迁移学习方法对模型进行训练。
[0087]
s7，重复s4-s6，或直至所述第二深度神经网络模型m
t
在所述目标域样本集上的测试准确率达到预设目标值或达到预设迭代次数。此时模型可用于目标域。
[0088]
需要说明的是，在每一次迭代中正向主动学习加入模型最不确定的目标域样本，反向主动学习剔除与目标域差异大的源域样本，组成的混合样本集引入了目标域最有价值
的新信息，又保留了源域中与目标域接近的样本中蕴含的信息，相比于仅有目标域样本和随机选择目标域样本有更多的信息量。同时通过迁移学习方法微调源域模型，充分利用了源域模型中的信息。主动学习和迁移学习的结合，降低了对目标域标注样本的需求量，降低了迁移成本，提高了迁移效率。因此，当电力系统运行工况变化时，可通过上述主动迁移学习步骤使得模型快速适应新工况。
[0089]
下面以一个具体的例子对本发明提供的方法进行进一步说明。
[0090]
以中国电科院8机36节点测试系统为例对上述方法进行具体说明，系统单线图如图4所示。在psasp软件上进行暂稳仿真，模拟pmu和wams系统采集的电压数据。故障前运行工况包括90％，100％，110％三种负荷水平，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。在所有26条非变压器线路上设置三相金属性短路故障，短路位置分别为线路位置的2％，20％，50％，80％，98％，故障分别持续0.05s，0.15s，0.25s或0.3s。仿真时长设置为20s，最终得到7800个样本，作为源域。划分训练、测试集后，提取统计特征并训练源域模型。
[0091]
为模拟系统运行工况发生变化，依次考虑各条线路退出运行，在类似的设置下进行暂稳仿真，共生成样本4914个，作为目标域，随机划分训练集和测试集。
[0092]
优选的，设置n为50，m为500，即每一轮迭代中新增目标域样本50个，删除源域样本500个。设置微调学习率为1e-5
。在每一轮迭代微调模型后，测试模型在目标域测试集上的效果并记录。为排除训练和测试的偶然性，重复进行5次，取测试准确率的平均值。
[0093]
为验证本发明所提方法的效果，进行多组对比实验分别验证主动学习和迁移学习的效果。
[0094]
主动学习部分，除选择边际概率最小的样本外，还在其他条件相同的情况下测试采用信息熵采样以及随机采样(被动学习)的效果，结果如图5所示。可见对于同样数量的目标域标注样本，通过边际概率主动学习选择出的样本比信息熵采样和随机选择的样本使得模型学习的效果好。从另一方面看，要达到某一设定的准确率，主动学习需要的标注样本数量少于随机对照，可减少在主导失稳模式判别模型中在迁移中所需的目标域样本标注的成本。
[0095]
进一步对比验证正向主动学习(query+)和反向主动学习(query
–
)结合的效果。分别测试query+与query
–
结合以及单独的query+和单独的query
–
的效果，结果如图6所示。可见通过二者结合引入目标域新样本，剔除源域与目标域差异大的样本效果比仅用目标域样本和仅用源域样本效果好。
[0096]
进一步对比验证迁移学习的效果。分别测试1.只用目标域数据，从头开始主动学习，与源域无关(非迁移)；2.不用源域数据，主动选择目标域样本，对源域模型微调(基于模型参数的迁移)；3.主动选择目标域样本，利用源域样本并主动删除与目标域分布差别大的源域样本，通过混合样本集训练新模型(基于样本的迁移)；4.主动选择目标域样本，利用源域样本并主动删除与目标域分布差别大的源域样本，通过混合样本集微调源域模型(两种迁移的综合)。结果如图7所示，分别验证了基于模型参数迁移、基于样本迁移的效果以及二者结合更好的效果。
[0097]
因此，在迁移过程中，正向主动学习加入模型最不确定的目标域样本，反向主动学习剔除与目标域差异大的源域样本，组成的混合样本集引入了目标域最有价值的新信息，
又保留了源域中与目标域接近的样本中蕴含的信息，相比于仅有目标域样本和随机选择目标域样本有更多的信息量。同时通过迁移学习方法微调源域模型，充分利用了源域模型中的信息。主动学习和迁移学习的结合，降低了对目标域标注样本的需求量，降低了迁移成本，提高了迁移效率，保障了电力系统安全稳定运行。
[0098]
下面对本发明提供的可迁移的电力系统主导失稳模式判别系统进行描述，下文描述的可迁移的电力系统主导失稳模式判别系统与上文描述的可迁移的电力系统主导失稳模式判别方法可相互对应参照。
[0099]
本发明实施例提供一种可迁移的电力系统主导失稳模式判别，包括：计算机可读存储介质和处理器；
[0100]
所述计算机可读存储介质用于存储可执行指令；
[0101]
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如上述任一实施例所述的方法。
[0102]
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。