一种面向大数据的电力系统暂态稳定评估方法
【技术领域】
[0001] 本发明属于电力系统暂态安全评估技术领域，涉及一种面向大数据的电力系统暂 态稳定快速评估方法。
【背景技术】
[0002] 随着电力系统信息化的不断进步、基于PMU的广域测量技术(WAMS)迅速发展，智能 电网电力系统的状态测量向高采样率、大范围、快速连续记录和海量存储的方向发展。当前 电力系统数据具有数据量大，数据类型复杂，数据发布范围广、数据采集传输速度快等典型 的大数据特征，智能电网的发展使电力系统进入大数据时代。
[0003] 电力系统是由发电、输电、配电和用电等多层次网络组成的电能生产与供给系统， 具有处理能量大，覆盖地域广、覆盖元件多、动态过程复杂、强非线性等特点，是最复杂的人 造系统之一，电力系统的暂态安全本身就是一个高维度非线性问题。
[0004] 目前针对电力系统暂态安全评估的方法有两种。第一种是利用离线分析，人工决 策的方式由调度人员凭自身经验来实现，这种方法对电网多变的运行方式适应性很差;第 二种方法是利用现代控制理论的相关方法，提取当前电网的暂稳特征，然后利用神经网络、 支持向量机等的工具对电网的暂态稳定进行判定，这种方法除了有易于陷入局部最小值陷 阱等问题外，通常还需要很长的训练和处理时间，很难满足电力系统大数据的实时性要求。
[0005] 虽然电力系大数据包含了能够表征当前电网暂态安全的所有信息，而如何在海量 数据中找到这些信息、合理利用这些信息，对电网暂态安全作出评估，是当前一个亟待解决 的问题。
【发明内容】
[0006] 为了解决上述技术问题，本发明提出一种面向大数据的电力系统暂态稳定评估方 法，解决传统神经网络算法易于陷入局部最小值陷阱等问题的同时，满足大数据的实时性 要求。
[0007] 本发明所采用的技术方案是：一种面向大数据的电力系统暂态稳定评估方法，其 特征在于，包括以下步骤：
[0008] 步骤1:根据实际电力系统特点，确定当前电力系统暂态稳定的判据；
[0009] 步骤2:设定训练及相关参数初始值；
[0010] 步骤3:确定暂态稳定基础特征库；
[0011] 步骤4:利用电力系统历史大数据完成样本训练；
[0012] 步骤5:提取当前电力系统中暂态稳定关键特征群数据，并将其送入到已训练好的 多极限学习单元(ELMs)中；
[0013] 步骤6:对多极限学习单元(ELMs)的输出结果进行综合评价决策，给出当前电力系 统的暂稳评估结果和当前结果的置信度。
[0014] 作为优选，步骤1中所述电力系统暂态稳定的判据，是能够表征当前电力系统暂态 是否稳定的参数值，当参数值越过某个阈值，就认定当前系统不能满足到暂态稳定要求。 [0015]作为优选，步骤2中所述训练及相关参数初始值包括极限学习单元ELM总数E、极限 学习单元ELM的输入特征个数f、隐含层节点数区间[j_min，j_max]、最大训练次数i_max。 [0016]作为优选，步骤4中所述利用电力系统历史大数据完成样本训练，其具体实现包括 以下子步骤：
[0017] 步骤4 · 1:对多极限学习单元(ELMs)进行集中训练学习；
[0018] 步骤4.2:步骤4.2:迭代计算基础特征库中各个特征对暂态稳定的权重系数，确定 关键特征群。
[0019] 作为优选，步骤4.1中所述对多极限学习单元(ELMs)进行集中训练学习，其具体流 程如下：
[0020] (1)执行第一次循环：i = l to最大训练次数i_max;
[0021 ] (2)执行第二次循环:e = l to极限学习单元ELM总数E;
[0022] (3)随机确定训练样本；
[0023] (4)随机确定当前被训练极限学习单元ELM隐含层节点数je [ jmin，jmax];
[0024] (5)在基础特征库随机挑选f个特征作为当前输入极限学习单元ELM，其中f为极限 学习单元ELM的输入特征个数；
[0025] (6)随机确定输入权值向量wj和bj ;
[0026] (7)计算βιΗ^Γ，其中:Η为神经网络隐层输出矩阵，T为样本矩阵；
[0027] (8)判断第二次循环是否循环完毕，若是则结束第二次循环；
[0028] (9)判断第一次循环是否循环完毕，若是则结束第一次循环。
[0029] 作为优选，步骤4.2中所述暂稳特征量权重系数，表征不同电量参数对样本之间的 区分能力;权重系数大的特征，对同类型样本输出结果的区分度小，即极限学习单元EML输 出值差别小;权重系数大的特征，对不同类型样本区分度较大，即极限学习单元EML输出值 差异大;而权重系数小的特征，其输出值对不同类型的样本并不敏感所述同类型样本是指 所有暂态稳定判定结果为安全或不安全的所有样本集合;所述不同类型样本是指不在样本 所在集合的其他样本。
[0030] 作为优选，步骤4.2中所述暂稳特征量权重系数，计算方法包括以下步骤：
[0031] (1)执行循环：i = l to最大训练次数i_max;
[0032]
[0033]
[0034] (4)判断循环是否循环完毕，若是则结束循环；
[0035] 其中:X表示某暂稳特征；你财―表示特征X最终的权重系数;心是第i次训练的样 本;Η是同类样本中离Ri最近的样本;Μ是不同类样本中离Ri最近的样本;val(X，R)是R样本 中特征X的值;函数disU，!?，!^ )计算特征X在样本R和V之间的相对对差别;N是本次实例样 本总数，它的存在使得料扑_ e [-1,1]。
[0036] 作为优选，步骤6中所述给出当前电力系统的暂稳评估结果和当前结果的置信度， 其置信区间的设置准则为：
[0037] 设当前电力系统处于暂态稳定状态，判定结果=1;当前电力系统不能够维持暂态 稳定状态，判定结果=_1，则对于ELMS中的每一个学习元的输出结果
[0038] 若 YeE[0.7，1.3]或 Yee[-l·3，-0·7]，当前ELM学习元输出可信:u = u+l;
[0039] 若Ye E [-0 · 7，0 · 7 ]，当前ELM学习元输出不可信:v = v+1。
[0040] 作为优选，步骤6中所述给出当前电力系统的暂稳评估结果和当前结果的置信度， 其暂稳判定准则为：
[0041 ] 设u表征在E个ELM学习元中，输出可信结果的ELM数;v表征不可信结果数；
[0042]若u〈80%*E，则当前ELMs可信输出没有达到阈值要求，当前结果不可信，判定失 败；
[0043] 若u>80%*E，且则当前系统暂态稳定；
[0044] 若u>80%*E，且Sf=1Te<〇,则当前系统不暂态稳定；
[0045] 置信度?
[0046] 本发明主要包括样本训练和结果评价两个阶段。样本训练阶段又分为ELMs的集中 学习和电网暂态关键特征的提取两个部分，前者为后续暂稳判断提供准确且可靠的数据支 撑;后者针对智能电网的大数据实时性要求对输入变量科学降维。结果评价阶段给出最终 的系统暂态稳定安全状态。与一般方法相比，本发明有益的效果为：
[0047] (1)设计了一种适用于大数据的评估系统，对电网大数据进行合理的降维，实现对 电网的安全状况全面、合理的评估；
[0048] (2)利用极端学习机自有的特点，采用集中的方法并行训练和使用多个EMLs，与传 统的神经网络相比，其具有显著的快速性;与单个EML相比，又具有更好的稳定性和高精度； [0049] (3)决策评价模块结合每一个ELM学习元的输出，结合合理的评判规则给出精确评 估结果的同时，还从统计学的角度给出了当前评估结果的置信度。
【附图说明】
[0050]图1为本发明实施例的流程图；
[0051 ]图2为本发明实施例的样本训练流程图；
[0052] 图3为本发明实施例中各个特征按权重系数的降序排列图。
【具体实施方式】
[0053] 下面将结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整的 描述，显然，所描述的实施例仅仅是本发明的一个实施例，而不是全部的实施例。基于发明 中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有实施例， 都属于本发明保护的范围。
[0054] 利用电力系统历史大数据对多极限学习单元（EXTREME LEARNING MACHINES， ELMs)进行集中学习训练，在海量数据中提取能够表征当前电力系统暂态稳定状况的关键 特征;然后将关键特征群输入到训练好的ELMs中，最后利用决策评价准则得出最终的暂态 稳定评价结果和结果的置信度。系统具有高精度的同时，还满足了智能电网大数据的快速 性要求。
[0055]极限学习单元(ELM)，是一种由输入层、隐含层和输出层构成的单隐含层前馈神经 网络，由于其隐含层结构相对简单(仅有一层），使其训练和判定的速度都较快，从结构上能 够满足大数据的实时性要求；由于其样本训练过程具有普遍的随机化概念，使其克服了传 统神经网络易于陷入最小值陷阱等的诸多缺点。单个极限学习单元(ELM)的训练方法已在 其他文献中有涉及，故本文只做简要介绍，设训练样本个数为n，用sigmoid函数作为激活函 数，单个ELM的训练方法如下：
[0056]输出函数为：
[0057]
[0058] 根据ELM的相关理论，（1)式可简写为：
[0059] Ηβ = Τ (2)
[0060] 其中：!1 = !1(￥1，'\￥2，'?3，一'?1，131，匕2，匕3，，"131，叉1，叉2叉3,111)，11为神经网络隐层输出矩 阵;Τ = [ti，t2，t3···. tn]T，Τ为样本矩阵;1为神经元个数;η为样本数。
[0061 ]对于单个样本训练过程，随机给定隐含节点数、输入权值向量Wj和bj，则输出权值 矩阵β = ?ΓιΤ，其中是η的广义逆矩阵。
[0062] 本实施例以ΙΕΕΕ57节点电力系统为研究对象，判定其在各种工况下的暂态稳定情 况。方法主要包括训练和决策两部分。样本训练部分又包括ELMs的集中训练和电网暂态关 键特征提取两个部分。决策部分首先在大数据中提取关键特征，然后将其送入已训练好的 一簇EMLs中，最后综合分析其输出后，给出暂稳评估结果和当前结果的置信度。
[0063] 请见图1，本发明提供的一种面向大数据的电力系统暂态稳定评估方法，包括以下 步骤：
[0064]步骤1:根据实际电力系统特点，确定当前电力系统暂态稳定的判据；电力系统暂 态稳定的判据，是能够表征当前电力系统暂态是否稳定的参数值，当参数值越过某个阈值， 就认定当前系统不能满足到暂态稳定要求。
[0065]步骤2:设定训练及相关参数初始值，包括极限学习单元ELM总数E、极限学习单元 ELM的输入特征个数f、隐含层节点数区间[j_min，j_max]、最大训练次数i_max。
[0066] 本实施例训练过程中，相关参数的类型及初值如下表1。
[0067] 表1相关参数的类型及初值
[0068] Luuciy」 步骤；3:佛疋酉念稳疋盎础狩祉洋；
[0070]步骤4:利用电力系统历史大数据完成样本训练，其具体实