一种基于深度神经网络的电力系统暂态稳定评估方法与流程
技术背景：随着电力电子元件的广泛应用以及全国联网的逐步实施，电力系统的复杂度日益提升，给系统安全带来严峻考验，也对电网在线暂态稳定评估(transientstabilityassessment,tsa)的快速性和精确性提出了更高要求。传统的时域仿真法和直接法[分别受限于其计算速度慢和建模困难，使得两种方法不能同时满足快速性和精确性要求。近年来，广域测量系统和机器学习方法的快速发展为问题的解决提供了新思路。
以往研究者对机器学习在电力系统暂态稳定评估上的应用做了许多工作，取得了较好的评估效果，但同时也有很大局限。一使用的传统方法使用的机器学习模型非线表达能力有限，在处理复杂问题时数据挖掘能力不强；二是传统方法并未考虑到wams数据采集存在噪声的情况，而传统方法在噪声条件下的表现不尽人意。
本发明在现有研究的基础上，克服传统方法的不足，进一步提高评估的准确性，提出一种基于双向长短时记忆网络和利用轻量梯度提升机改进的卷积神经网络的融合模型的暂态稳定评估方法。该方法所需数据容易采集，且能胜任在数据拥有噪声和异常值条件下的评估任务，在保持有较高准确率的同时还具有良好的稳定性和鲁棒性。
技术实现要素：
本发明要解决的技术问题是提供一种基于深度神经网络的电力系统暂态稳定评估方法，以克服现有技术中存在的问题。
为解决上述技术问题，本发明采用下述技术方案：
基于深度神经网络的电力系统暂态稳定评估方法，其特征在于，所述方法的步骤包括：
步骤1：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，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入。
步骤2：对样本集进行数据归一化处理。
步骤3：根据暂态稳定指标对样本数据进行标注，稳定样本标注为1，不稳定样本标注为0。
步骤4：构建基于双向长短时记忆网络和改进卷积神经网络的暂态稳定评估模型，并将步骤3中标注好的数据集按8：2划分为训练集/测试集，各子集通过均匀随机抽样从总样本集中取出，保证稳定/失稳样本比例与总体样本一致。
步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型。
步骤6：利用步骤2和步骤4对wams系统采集得到的新电力系统数据信息进行处理，构建测评数据集。
步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。所述步骤1中，利用暂态仿真或wams历史数据作为学习样本集，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入，其中由于故障切除时间不是一个固定的常数，因此将以最大故障切除时间为基准对不足序列进行补零操作，因此样本特征数据集x可表示为：
式中，v表示重要母线的电压，θ表示重要母线相角，p表示部分重要的与发电机母线直连线路的有功功率，t表示实际时间序列长度，tmax表示最大时间序列，bu表示共有bu条重要母线，br表示共有br条重要的与发电机母线直连线路。
所述步骤2中的归一化方法将对样本集进行归一化处理，归一化公式为：
其中
所述步骤3中，对于每个样本，依据暂态稳定指标tsi来对其进行暂态稳定标注，tsi的公式为：
其中δδmax为发生扰动后4s末任意两台发电机功角差最大值。对于每个样本，如果tsi为正，则系统是稳定的，样本标签标注为1；如果tsi为负，系统是不稳定的，样本标签标注为0。
所述步骤4中，构建的基于深度神经网络的电力系统暂态稳定评估模型是一个由一个输入层input、一个双向长短时记忆网络层bidirectionallstm、两个卷积层conv1和conv2、一个池化层pool、一个最大池化层maxpool和一个轻量梯度提升机输出层lgbm组成。
根据权利要求1所述的评估方法，其特征在于：通过各种典型运行方式下的数据集，对步骤4中的暂态稳定评估模型进行参数寻优，保持最佳模型。对步骤6中的在线预测数据集，利用步骤4中保持好的评估模型，得到稳定评估结果。
附图说明：下面结合附图对本发明的具体实施方式作进一步详细的说明：
图1示出本发明所述的一种基于深度神经网络的电力系统暂态稳定评估方法流程图；
图2示出本发明的模型结构图；
图3示出本实例中新英格兰10机39节点系统的拓扑结构图。
具体实施方式
步骤1：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，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入。
步骤2：对样本集进行数据归一化处理。
步骤3：根据暂态稳定指标对样本数据进行标注，稳定样本标注为1，不稳定样本标注为0。
步骤4：构建基于双向长短时记忆网络和改进卷积神经网络的暂态稳定评估模型，并将步骤3中标注好的数据集按8：2划分为训练集/测试集，各子集通过均匀随机抽样从总样本集中取出，保证稳定/失稳样本比例与总体样本一致。
步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型。
步骤6：利用步骤2和步骤4对wams系统采集得到的新电力系统数据信息进行处理，构建测评数据集。
步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。所述步骤1中，利用暂态仿真或wams历史数据作为学习样本集，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入，其中由于故障切除时间不是一个固定的常数，因此将以最大故障切除时间为基准对不足序列进行补零操作，因此样本特征数据集x可表示为：
式中，v表示重要母线的电压，θ表示重要母线相角，p表示部分重要的与发电机母线直连线路的有功功率，t表示实际时间序列长度，tmax表示最大时间序列，bu表示共有bu条重要母线，br表示共有br条重要的与发电机母线直连线路。
所述步骤2中的归一化方法将对样本集进行归一化处理，归一化公式为：
其中
所述步骤3中，对于每个样本，依据暂态稳定指标tsi来对其进行暂态稳定标注，tsi的公式为：
其中δδmax为发生扰动后4s末任意两台发电机功角差最大值。对于每个样本，如果tsi为正，则系统是稳定的，样本标签标注为1；如果tsi为负，系统是不稳定的，样本标签标注为0。
所述步骤4中，构建的基于深度神经网络的电力系统暂态稳定评估模型是一个由一个输入层input、一个双向长短时记忆网络层bidirectionallstm、两个卷积层conv1和conv2、一个池化层pool、一个最大池化层maxpool和一个轻量梯度提升机输出层lgbm组成。
根据权利要求1所述的评估方法，其特征在于：通过各种典型运行方式下的数据集，对步骤4中的暂态稳定评估模型进行参数寻优，保持最佳模型。对步骤6中的在线预测数据集，利用步骤4中保持好的评估模型，得到稳定评估结果。本发明的意义在于如下：本发明以深度神经网络技术为基础，以易于采集的数据为输入，利用双向长短时记忆网络和改进卷积神经网络搭建电力系统暂态稳定评估模型，利用dropout技术和adam算法提高模型的泛化性和收敛速度。该方法能够对电力系统的受扰时序响应数据进行处理，同时在噪声数据条件下依然有较好的表现，具有一定的工程使用价值。
下面通过一组实例对本发明进行进一步的说明。
本实例以新英格兰10机39节点系统为例，在离线学习阶段，以pss/e仿真生成学习样本集，发电机模型采用六阶模型，负荷为恒阻抗模型。分别设置了从80％到120％的五种负荷水平，在不同线路的10％，35％，50％，65％，90％处设置永久性三相短路故障，保护装置动作时间为故障发生后0.2s至0.6s，数据采样间隔为0.0083s。仿真共得到样本10200条，其中稳定样本7714条，失稳样本2486条，稳定/失稳样本比例为3:1。对数据集按8：2划分为训练集/测试集，各子集通过均匀随机抽样从总样本集中取出，保证稳定/失稳样本比例与总体样本一致。根据步骤1至步骤3将系统的测量数据归一化处理后作为模型输入，将标注的稳定与否标签作为输出，通过训练更新模型参数，保持最优模型。分别将模型用无噪声的纯净数据和具有10分贝噪声且具有1％异常值的数据进行测试，得到评估准确率分别为98.54％和98.33％，与其他方法相比，本发明所提方法具有较高的优越性。表1和表2分别展示了在纯净数据和含有噪声及异常值条件下本发明方法和其他方法的对比。
表1干净数据条件下的评估结果
tab.1assessmentresultsofcleandata
从表中可以看到在干净数据集下本发明算法具有最高的评估性能，准确率和召回率分别为98.53％和97.19％，对比另外两种深度学习模型，体现了融合模型能够利用各自优势对时间序列进行更好地处理。对比三种深度学习模型与三种机器学习模型可知，所用机器学习模型的准确率虽然都处于90％以上，但从召回率指标可以看出三种机器学习模型在样本比例不均的情况下更倾向于分类为比例较高样本；ann相较于另外两种模型而言性能较高，但因其结构不能较好地利用时间序列数据，因此其准确率和召回率仍不如三种深度学习模型。
表2噪声条件下的暂态稳定评估结果
tab.2assessmentresultsofnoisydata
由表可知本文所提算法的评估性能依然较其它算法有着很大优势，具有较好的稳定性，同时另外两种深度学习模型在含有缺失值和10db噪声数据下也保持着较机器学习更优越的抗噪性能。这是由于深度学习在有着强大的自动特征提取能力外还通过dropout操作保持了较高的泛化性能，因此不易陷入过拟合和局部最优，同时本文模型的lgbm结构也在一定程度上提高了模型的泛化性。ann也采用了和深度学习一样的正则化方法，因而其评估性能好于另外两种机器学习方法，但相对于深度学习模型，表现依然不尽如人意。
本文所描述的具体实施例仅作为本发明方法的应用举例说明，不能理解为对本发明的限制，本发明所属技术领域的技术人员可以在本发明的范围内对具体实施例进行替换、变化、补充或修改。
- 还没有人留言评论。精彩留言会获得点赞！