一种基于深度置信网络的电力系统暂态稳定评估方法与流程

本发明涉及电力系统技术领域，特别是一种基于深度置信网络的电力系统暂态稳定评估方法。

背景技术：

随着pmu在电网的逐步安装，控制中心已经能够从wams实时获取系统各个动态的响应信息。随着大数据技术的兴起，基于数据驱动的方法扩展了传统的模式识别类方法，这为工作人员从大数据的角度分析电力系统的安全稳定性奠定了基础。数据驱动型的暂态稳定判别模型，只需要构建输入量与输出量之间的映射模型，将系统的实时响应量输入到模型中，即可快速获得系统稳定与否的状态信息。

目前的故障后特征量，主要是通过固定延迟来获取，得到的特征量对于临界样本的识别度很低，同时，无法过多的反映出系统调速器、调压器等控制器的控制信息，导致模型的评估精度无法满足要求。

技术实现要素：

有鉴于此，本发明的目的是提出一种基于深度置信网络的电力系统暂态稳定评估方法，根据电力系统母线相角在摆动过程中的最大相角差值进行故障后特征量的提取，将特征输入到深度置信网络中，实现电力系统暂态稳定性的快速评估。

本发明采用以下方案实现：一种基于深度置信网络的电力系统暂态稳定评估方法，根据电力系统母线相角在摆动过程中的最大相角差值进行故障后特征量的提取，将特征输入到深度置信网络中，实现电力系统暂态稳定性的快速评估。

进一步地，包括以下步骤：

步骤s1：通过不同的故障信息获取大量的训练样本；通过对不同的运行工况、输电线路、故障位置、故障持续时间等的排列组合，获得大量的训练样本；

步骤s2：当故障发生时，提取故障发生前、故障发生时刻、故障清除时刻的特征量；所述特征量包括各母线的电压、电压相角和频率信息；

步骤s3：以电力系统内各母线的最大相角差值为阈值，提取故障后的特征量；

步骤s4：通过无监督的预训练和有监督的微调相结合，训练深度置信网络模型；

步骤s5：将实测的故障前、故障发生时刻、故障清除时刻和故障后的特征量输入到步骤s4训练的深度置信网络模型中，进行稳定性的评估。

进一步地，步骤s3具体为：各母线上的电压相角在故障清除后的最大相角差值δθt计算方法如下式：

δθt＝θmax,t-θmin,t；(1)

式中，θmax,t和θmin,t分别是系统内母线电压相角在t时刻所对应的最大相角和最小相角；当满足下式时，进行故障后特征量的提取，其中故障后特征量包括所有母线节点的电压、电压相角和频率信息：

δθt≥θset；(2)

式中，θset是所设定的相角阈值。

进一步地，步骤s4具体为：从最底部的一层受限玻尔兹曼机rbm开始训练，当充分完成对本层特征的学习之后，本层rbm的隐藏层作为下一层rbm的可视层，继续对下一层rbm进行训练，如此重复，直至所有rbm都得到了充分的训练；在顶层加入反向传播神经网络，根据标签信息，自上而下的将误差信息传播至每层rbm，从而对dbn参数进行全局的调整。

较佳的，步骤s5具体为，当实际系统发生故障时，提取故障发生前、故障发生时刻、故障清除时刻各母线的电压、电压相角和频率等信息；按照式(2)提取故障后的各母线的电压、电压相角和频率等信息。将信息输入到深度置信网络模型中进行稳定性的评估。

与现有技术相比，本发明有以下有益效果：

1、本发明提取的特征量能够更好地反映出系统稳定性的相关信息，从而为高精度的评估奠定基础；

2、本发明构建基于深度置信网络的评估模型，利用了深度学习的高分类性能，实现了电力系统暂态稳定性的快速评估。

附图说明

图1为本发明实施例的深度置信网络模型结构。

图2为本发明实施例的ieee39节点系统的接线图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本实施例提供了一种基于深度置信网络的电力系统暂态稳定评估方法，根据电力系统母线相角在摆动过程中的最大相角差值进行故障后特征量的提取，将特征输入到深度置信网络中，实现电力系统暂态稳定性的快速评估。

在本实施例中，包括以下步骤：

步骤s1：通过不同的故障信息获取大量的训练样本；通过对不同的运行工况、输电线路、故障位置、故障持续时间等的排列组合，获得大量的训练样本；

步骤s2：当故障发生时，提取故障发生前、故障发生时刻、故障清除时刻的特征量；所述特征量包括各母线的电压、电压相角和频率信息；

步骤s3：以电力系统内各母线的最大相角差值为阈值，提取故障后的特征量；

步骤s4：通过无监督的预训练和有监督的微调相结合，训练深度置信网络模型；

步骤s5：将实测的故障前、故障发生时刻、故障清除时刻和故障后的特征量输入到步骤s4训练的深度置信网络模型中，进行稳定性的评估。

在本实施例中，步骤s3具体为：各母线上的电压相角在故障清除后的最大相角差值δθt计算方法如下式：

δθt＝θmax,t-θmin,t；(1)

式中，θmax,t和θmin,t分别是系统内母线电压相角在t时刻所对应的最大相角和最小相角；当满足下式时，进行故障后特征量的提取，其中故障后特征量包括所有母线节点的电压、电压相角和频率信息：

δθt≥θset；(2)

式中，θset是所设定的相角阈值。

在本实施例中，如图1所示，步骤s4具体为：从最底部的一层受限玻尔兹曼机rbm开始训练，当充分完成对本层特征的学习之后，本层rbm的隐藏层作为下一层rbm的可视层，继续对下一层rbm进行训练，如此重复，直至所有rbm都得到了充分的训练；在顶层加入反向传播神经网络，根据标签信息，自上而下的将误差信息传播至每层rbm，从而对dbn参数进行全局的调整。

较佳的，在本实施例中，步骤s5具体为，当实际系统发生故障时，提取故障发生前、故障发生时刻、故障清除时刻各母线的电压、电压相角和频率等信息；按照式(2)提取故障后的各母线的电压、电压相角和频率等信息。将信息输入到深度置信网络模型中进行稳定性的评估。

本实施例所采用的仿真软件为psd-bpa，测试系统采用ieee-39节点系统(如图2所示)，带有调速器和调压器。系统负荷水平考虑90％、100％、110％负荷情况，故障均为三相短路，故障位置分别位于线路的10％、30％、50％、70％、90％处，故障持续时间分别为100ms、120ms、130ms、140ms、150ms、160ms、180ms、200ms、250ms、300ms，10个故障清除时间。通过仿真总共生成样本4950个，其中保持稳定的样本2933个，不稳定的样本2017个。按比例从保持稳定的样本和不稳定的样本中随机抽取样本数据组成训练集和测试集。

按照本实施例方法提取故障前、故障发生时刻、故障清除时刻、故障后的特征量信息。

对比了不同相角阈值时，基于深度置信网络的评估模型的准确率，其结果如表1所示。

表1不同相角阈值的判别结果

由上表可知，相角阈值的设定可以使得提取的临界情况的特征量之间的差异更加明显，同时基于深度置信网络的评估模型可以实现高精度的评估。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。