一种基于改进深度置信网络的电力系统暂态稳定评估方法与流程

本发明属于电力系统稳定性分析，特别是涉及到一种基于稀疏降噪自动编码器和深度置信网络相结合的电力系统暂态稳定评估方法。

背景技术：

1、随着电力系统接入新能源电源的比例逐渐加大，区域电网之间的互联关系日渐复杂，负荷种类的多样性及数目的巨额增加，电网故障会给整个电力系统造成巨大的损失。新型电力系统的暂态稳定评估显得尤为重要。目前，电力系统暂态稳定评估方法主要包括时域仿真法，直接法和人工智能方法。对于人工智能方法而言无需建立系统复杂的数学模型，只要构建系统特征量与系统稳定性之间的映射关系，就可以保证训练网络满足实效性和准确性的要求。而对于网络输入数据的选择处理方面，第一类方法是采用故障发生前的潮流量作为输入特征，该方法可以有效的在故障发生前确定影响系统稳定的因素；第二类方法主要按照故障发生前、故障发生时以及故障发生后的时刻进行选取数据，根据故障前后母线及线路的电气量以及同步机的动能作为输入特征进行研究。而对于网络学习方面，有人工神经网络、决策树、支持向量机等。而上述传统的网络学习算法在输入特征的分析提取能力方面还有所缺欠，在暂态稳定评估的准确率上无法达到最优，需要根据人工经验来辅助决策输入特征的选取。另外在面对复杂场景时，传统算法也无法普遍适应。

2、综上所述，现有技术当中亟需要一种基于改进深度置信网络的电力系统暂态稳定评估研究方法，以解决此类问题。

技术实现思路

1、本发明所要解决的技术问题是：提供一种基于改进深度置信网络的电力系统暂态稳定评估方法用于解决传统的暂态稳定评估准确率无法达到最优，需要根据人工经验来辅助决策输入特征的选取；另外在面对复杂场景时，传统算法也无法普遍适应等技术问题。

2、一种基于改进深度置信网络的电力系统暂态稳定评估方法，包括以下步骤，并且以下步骤顺次进行，

3、步骤一、选取指定个数的暂态稳定评估原始特征变量，对选定的电力系统进行各种工况下的时域仿真，按照选取的原始特征变量提取相应的特征量作为数据样本，将稳定工况的数据样本标记为(10)，将不稳定工况的数据样本标记为(01)，将数据样本随机按照指定个数分成训练样本和测试样本后对数据样本分别进行归一化处理；

4、步骤二、将归一化处理后的训练样本作为原始数据x(i)对稀疏降噪自动编码器sdae进行训练，稀疏降噪自动编码器sdae通过对输入的原始数据进行编码操作得到隐层，再对隐层进行解码操作得到重构数据，然后计算重构数据与原始数据之间的误差l(x,z)；

5、再加入稀疏性限制后代价函数：

6、

7、其中，s为隐藏层节点数量；ρ是稀疏性参数通常是1个接近于0的数，是第j个神经元的平均活跃度，使ρ与两者相等实现稀疏性限制；β为稀疏惩罚因子；

8、获得并输出稀疏性限制后代价函数值最小时对应的权值矩阵w和偏置矩阵b；

9、步骤三、利用多个受限玻尔兹曼机(restrictedboltzmann machine，rbm)串联和一层bp神经网络构成深度置信网络dbn，利用步骤二中输出的权值矩阵和偏置矩阵初始化深度置信网络dbn的参数；

10、步骤四、利用归一化处理后的训练样本逐层训练串联的rbm，在每一层rbm中，用数据向量来推断隐层，再把得到的隐层向量当作下一层的数据向量进行训练，获得深度置信网络dbn的模型参数，之后利用bp算法对深度置信网络dbn的模型参数进行微调，深度置信网络dbn训练完成；

11、步骤五、将训练完成的深度置信网络用于实际电力系统，获得评估该电力系统的暂态稳定评估结果，所述暂态稳定评估结果为稳定或失稳。

12、所述步骤四中获得深度置信网络dbn的模型参数的具体方法为：

13、rbm模型作为一个双层的神经网络包含着隐藏层与可见层，并且二者之间是全连接的，但是各层之间的神经元互不干涉，隐藏层神经元的取值通常为0或1并服从伯努利分布，其中隐含层特征向量表示为：

14、hi＝σ(wihi-1+bi)

15、其中，hi为第i隐藏层特征向量，wi、bi分别为第i个隐含层的权值和偏置向量，hi-1为第i-1层隐藏层特征向量，σ为激活函数；

16、输入层神经元取二值变量或实数值，rbm是基于能量的概率分布模型，可见层节点v和隐藏层节点h共同构建的能量函数为：

17、

18、θ＝{ai,bj,wij}

19、其中，n、m分别为可见层和隐藏层神经元个数，ai、bj分别为可见层和隐藏层神经元的偏置，vi为第i个可见层节点，hj为第i个隐藏层节点，wij为可见层神经元i与隐层神经元j的连接权重，θ为模型参数的集合,得到给定v和h的概率分布为：

20、

21、其中，z(θ)为归一化系数；

22、可见层神经元i和隐藏层神经元j的条件概率为：

23、

24、

25、为了更好的拟合训练数据，需要求解上式的θ值，该θ值通过最大化rbm在训练数据上的对数似然函数得到，其中x代表输入数据，获得模型参数θ*：

26、

27、其中，p(x|θ)表示rbm网络表示的玻尔兹曼的边缘分布。

28、通过上述设计方案，本发明可以带来如下有益效果：

29、基于稀疏降噪自动编码器和深度置信网络的电力系统暂态稳定评估方法对系统输入特征量具有较好特征分解及提取能力，减少了一些无关特征量对系统暂态稳定状况评估的干扰，并且在深度置信网络中利用rbm串联结构，将大量高维数据转换为少量低维数据从而进行表示，形成的低维高阶特征更有利于暂态稳定评估，从而保证了模型的评估准确率。

30、本发明产品和现有技术相比具有以下特点：

31、通过首先训练单层稀疏降噪自动编码器得到的权值和偏置初始化深度置信网络模型的方法，使传统深度置信网络在一定程度上克服了易发生局部最优的弊端，提高了模型的评估性能。在输入样本数量有限时，本发明所提方法的准确率具有更明显优势。通过大量测试表明，单层稀疏降噪自动编码器和深度置信网络模型结合的方法对复杂系统及工况具有良好的适应能力。与传统向量机相比，在输入特征中含有与系统无关的特征时，算法的评估准确率更高且基本不随无关特征数量的增加而降低。

技术特征：

1.一种基于改进深度置信网络的电力系统暂态稳定评估方法，其特征是：包括以下步骤，并且以下步骤顺次进行，

2.根据权利要求1所述的一种基于改进深度置信网络的电力系统暂态稳定评估方法，其特征是：所述步骤四中获得深度置信网络dbn的模型参数的具体方法为：

技术总结
一种基于改进深度置信网络的电力系统暂态稳定评估方法属于电力系统稳定性分析技术领域。本发明通过首先训练单层稀疏降噪自动编码器得到的权值和偏置初始化深度置信网络模型的方法，使传统深度置信网络在一定程度上克服了易发生局部最优的弊端，提高了模型的评估性能。在输入样本数量有限时，本发明所提方法的准确率具有更明显优势。通过大量测试表明，单层稀疏降噪自动编码器和深度置信网络模型结合的方法对复杂系统及工况具有良好的适应能力。与传统向量机相比，在输入特征中含有与系统无关的特征时，算法的评估准确率更高且基本不随无关特征数量的增加而降低。

技术研发人员：祁峰,张轶平,武文斌
受保护的技术使用者：国网黑龙江省电力有限公司
技术研发日：
技术公布日：2024/1/15