一种自适应扩充数据的电力系统暂态稳定自动评估方法与流程

本发明涉及一种自适应扩充数据的电力系统暂态稳定自动评估方法，属于电力系统稳定分析技术领域。

背景技术：

暂态稳定性破坏是电力系统发生大规模停电事故的重要原因，如何快速准确判断电力系统的暂态稳定性是电力系统安全防控要考虑的重要问题之一。近年来，诸如支持向量机、极限学习机等数据驱动方法已经被用于分析预设故障下的电力系统暂态稳定性。随着信息、通信技术的高速发展，电网的可观性及可控性水平大幅提高，多元广域信息的获取和利用为数据驱动的暂态稳定评估新方法的研究提供了数据支撑，但也引入了噪声和信息通信网络失效的风险。传统基于数据的暂态稳定分析方法的研究往往假定信息系统提供的信息是完整、及时、准确的。一旦通信系统出现延时、故障或受到恶意攻击，将严重影响暂态稳定分析功能的时效性和准确性，甚至导致错误分析和决策。亟需研究在信息扰动场景下鲁棒的暂态稳定评估方法。

技术实现要素：

本发明的目的是提出一种自适应扩充数据的电力系统暂态稳定自动评估方法，通过自适应的增加含噪声和部分发电机信息缺失的数据，提升暂态稳定智能评估模型在信息扰动下鲁棒性。

本发明提出的自适应扩充数据的电力系统暂态稳定自动评估方法，包括以下步骤：

(1)对具有n台发电机的电力系统，根据电力系统历史运行情况和运行人员经验，对s种运行工况在f种故障下的暂态稳定性进行时域仿真计算，得到s×f种运行场景数据构成的数据集d0＝(x^k，y^k)，其中，上标k表示第k种运行场景，k＝1,2,…,s×f，y^k表示基于第k种运行场景极限切除时间cct^k的暂态稳定裕度指标：

其中，tcl^k表示第k种运行场景的故障清除时间，故障清除时间根据继电保护历史动作情况设定，取值范围为0.05s～0.3s，cct^k表示第k种运行场景的极限切除时间，通过仿真计算反复试探得到，x^k表示第k种运行场景的特征向量：

x^k＝[pgi^k(t)/pgi^k(0),δi^k(t),ωi^k(t),αi^k(t),ei^k(t)]

其中，pgi^k(t)表示故障清除后第t个采样点的发电机有功功率，pgi^k(0)表示故障发生前发电机有功功率，δi^k(t)表示故障清除后第t个采样点的发电机转子角度，ωi^k(t)表示故障清除后第t个采样点的发电机转子角速度，αi^k(t)表示故障清除后第t个采样点的发电机转子角加速度，ei^k(t)表示故障清除后第t个采样点的发电机动能，下标i表示电力系统中的第i台发电机，i＝1,2,…,n，t表示第t个采样点，t＝1,2,…,n，n为设定的采样点数，采样频率选为电力系统的额定频率；

(2)采用线性归一化方法，对步骤(1)的数据集d0中的特征向量x^k进行归一化，得到归一化后的数据集其中表示归一化后的特征向量；

(3)从步骤(2)的数据集d1中随机抽取种场景作为训练集dtrain，剩余个样本作为验证集dverify，其中表示对0.8×s×f向下取整；

(4)设计一个深度神经网络模型c0，其中，深度神经网络模型c0的输入为步骤(2)中归一化后的特征向量深度神经网络模型c0的输出为步骤(1)暂态稳定评估指标y^k，神经网络的层数和每一层的神经元个数由人为设定，采用adam算法和训练集dtrain对深度神经网络模型参数进行求解，adam算法迭代中的训练轮次和批数量由人为设定；

(5)统计电力系统历史量测数据中的噪声含量和量测信息缺失的发电机台数，考虑数据噪声和发电机量测信息缺失，根据步骤(3)的验证集dverify生成一个新验证集dverify-new，具体包括以下步骤：

(5-1)从电力系统调度中心获取历史量测数据中的噪声含量，根据历史量测数据中噪声含量的统计结果得到新验证集dverify-new中最小噪声方差σmin、最大噪声方差σmax和噪声步长δσ；

(5-2)依次在验证集dverify的所有归一化特征向量上分别叠加方差为σmin、σmin+δσ、σmin+2δσ、……、σmax的高斯白噪声，得到新验证集dverify-noisy；

(5-3)从电力系统调度中心获取历史量测数据中的量测信息缺失的发电机台数，根据历史量测数据中量测信息缺失的发电机台数的统计结果，得到新验证集中缺失信息的发电机最小台数mmin和最大台数mmax；

(5-4)依次在验证集dverify的所有归一化特征向量上分别随机设置mmin、mmin+1、mmin+2、……、mmax台发电机的特征信息缺失，用剩余发电机相应特征的平均值作为缺失值，得到新验证集dverify-miss；

(5-5)将步骤(5-2)的新验证集dverify-noisy和步骤(5-4)的新验证集dverify-miss合并，得到新验证集dverify-new；

(6)根据步骤(3)的训练集dtrain以及电力系统历史量测数据中的缺失信息的发电机台数统计信息，对训练集进行扩充，利用扩充后的训练集对步骤(4)的深度神经网络模型c0进行微调，通过多次迭代计算自适应确定扩充数据的规模，得到最终用于暂态稳定评估的深度神经网络模型m，具体包括如下步骤：

(6-1)设迭代次数r的初值为0，最大迭代次数为rmax，第r次迭代中得到的暂态稳定评估的深度神经网络模型为cr，下标r表示迭代次数，所有迭代中深度神经网络模型的最大综合评估指标emax的初值为0；

(6-2)利用深度神经网络模型cr，分别对步骤(3)的验证集dverify和步骤(5)的新验证集dverify-new中的所有场景进行暂态稳定评估，通过cr的暂态稳定评估结果与真实暂态稳定标签的对比，得到综合评估指标er，具体包括如下步骤：

(6-2-1)利用深度神经网络模型cr对步骤(3)的验证集dverify中的所有场景进行暂态稳定评估，通过暂态稳定评估结果与真实暂态稳定标签的对比，得到评估准确率a1：

其中，表示深度神经网络模型cr对验证集dverify中第j1个场景的评估结果，表示验证集dverify中第j1个场景的暂态稳定评估指标；

(6-2-2)利用深度神经网络模型cr对步骤(5)的新验证集dverify-new中的所有场景进行暂态稳定评估，通过暂态稳定评估结果与真实暂态稳定标签的对比，得到评估准确率a2：

其中，表示深度神经网络模型cr对验证集dverify-new中第j2个场景的评估结果，表示验证集dverify-new中第j2个场景的暂态稳定评估指标；

(6-2-3)计算深度神经网络模型cr的综合评估指标er，计算公式如下：

er＝w1×a1+w2×a2

其中，w1、w2为人为设定的权重，且满足w1+w2＝1，且w1≥0，w2≥0；

(6-3)将综合评估指标er的值与emax进行对比，若er≤emax，则模型cr-1即为最终的暂态稳定评估模型m，转入步骤(7)，若er>emax，则令emax＝er，转入步骤(6-4)；

(6-4)从步骤(3)的初始训练集dtrain中有放回地随机抽取d个运行场景，依次对d个运行场景的特征向量分别叠加噪声和设置部分发电机信息缺失，得到新数据集dadd，具体包括如下步骤：

(6-4-1)设迭代次数e＝0，从初始训练集dtrain中有放回地随机抽取d个运行场景，构成数据集dselect；

(6-4-2)令e:＝e+1；

(6-4-3)随机生成两个随机数g1和g2，其中g1∈[σmin，σmax]且g1∈r，g2∈[mmin，mmax]且g2∈n；

(6-4-4)从数据集dselect中取出第e个运行场景；

(6-4-5)依次在步骤(6-4-4)取出的第e个运行场景的归一化特征向量上分别叠加方差为g1的高斯白噪声得到新运行场景，将得到的新运行场景放入数据集dadd中；

(6-4-6)依次在步骤(6-4-4)取出的第e个运行场景的归一化特征向量上随机去掉g2台发电机，然后用剩余发电机相应特征的平均值作为缺失值，得到新运行场景，将得到新运行场景放入数据集dadd中；

(6-4-7)将e和d的大小进行对比，若e≥d，则转入步骤(6-5)，若e<d，则转入步骤(6-4-2)；

(6-5)利用adam算法和dtrain∪dadd中的样本对深度神经网络模型cr进行微调，微调的训练轮次和批数量由人为设定，得到新的深度神经网络模型cr+1；

(6-6)令r:＝r+1，转入步骤(6-2)；

(7)当电力系统发生故障后，采集电力系统实测数据，得到步骤(1)中所需的输入特征，利用步骤(2)的归一化方法对数据进行归一化处理，将归一化处理后的数据输入至步骤(6-3)得到的暂态稳定评估模型m中，暂态稳定评估模型m的输出即为暂态稳定评估结果，实现自适应扩充数据的电力系统暂态稳定自动评估。

本发明提出的一种自适应扩充数据的电力系统暂态稳定智能评估方法，其优点是：

本发明方法采集电力系统在故障切除后数据，针对故障后的暂态稳定评估问题，通过增加噪声和随机设置部分发电机信息缺失的方式将原有数据集扩充，然后采用深度神经网络对扩充后的数据集进行学习，根据模型在验证集上的性能自适应确定数据扩充的比例，得到最终的暂态稳定智能评估模型。本发明方法对数据进行预处理并从中随机选择数据得到训练集和验证集，考虑含噪声数据和部分发电机信息缺失后的数据对训练集和验证集进行扩充，采用不同扩充规模的训练数据对模型进行训练，利用模型对验证集的综合评估效果来自适应地确定训练数据扩充规模，得到最终的暂态稳定评估模型，并用于电力系统暂态稳定的自动评估。由于模型在训练中考虑了数据噪声和发电机信息缺失两种情况，能够显著提高暂态稳定评估模型在噪声和信息缺失情况下的鲁棒性，更具有实用价值。

具体实施方式

本发明提出的自适应扩充数据的电力系统暂态稳定自动评估方法，包括以下步骤：

(1)对具有n台发电机的电力系统，根据电力系统历史运行情况和运行人员经验，对s种运行工况在f种故障下的暂态稳定性进行时域仿真计算，得到s×f种运行场景数据构成的数据集d0＝(x^k，y^k)，其中，上标k表示第k种运行场景，k＝1,2,…,s×f，y^k表示基于第k种运行场景极限切除时间cct^k的暂态稳定裕度指标：

其中，tcl^k表示第k种运行场景的故障清除时间，故障清除时间根据继电保护历史动作情况设定，取值范围为0.05s～0.3s，cct^k表示第k种运行场景的极限切除时间，通过仿真计算反复试探得到，x^k表示第k种运行场景的特征向量：

其中，表示故障清除后第t个采样点的发电机有功功率，表示故障发生前发电机有功功率，表示故障清除后第t个采样点的发电机转子角度，表示故障清除后第t个采样点的发电机转子角速度，表示故障清除后第t个采样点的发电机转子角加速度，表示故障清除后第t个采样点的发电机动能，下标i表示电力系统中的第i台发电机，i＝1,2,…,n，t表示第t个采样点，t＝1,2,…,n，n为设定的采样点数，采样频率选为电力系统的额定频率；

(2)采用线性归一化方法，对步骤(1)的数据集d0中的特征向量x^k进行归一化，得到归一化后的数据集其中表示归一化后的特征向量；

(3)从步骤(2)的数据集d1中随机抽取种场景作为训练集dtrain，剩余个样本作为验证集dverify，其中表示对0.8×s×f向下取整；

(4)设计一个深度神经网络模型c0，其中，深度神经网络模型c0的输入为步骤(2)中归一化后的特征向量深度神经网络模型c0的输出为步骤(1)暂态稳定评估指标y^k，神经网络的层数和每一层的神经元个数由人为设定，在本发明的一个实施例中，除输入以外的神经网络共5层，每一层的神经元个数为500、100、50、20、1，采用adam算法和训练集dtrain对深度神经网络模型参数进行求解，adam算法迭代中的训练轮次和批数量由人为设定，在本发明的一个实施例中，训练轮次为200，批数量为100；

(5)统计电力系统历史量测数据中的噪声含量和量测信息缺失的发电机台数，考虑数据噪声和发电机量测信息缺失，根据步骤(3)的验证集dverify生成一个新验证集dverify-new，具体包括以下步骤：

(5-1)从电力系统调度中心获取历史量测数据中的噪声含量，根据历史量测数据中噪声含量的统计结果得到新验证集dverify-new中需要考虑的最小噪声方差σmin、最大噪声方差σmax和噪声步长δσ；

(5-2)依次在验证集dverify的所有归一化特征向量上分别叠加方差为σmin、σmin+δσ、σmin+2δσ、……、σmax的高斯白噪声，得到新验证集dverify-noisy；

(5-3)从电力系统调度中心获取历史量测数据中的量测信息缺失的发电机台数，根据历史量测数据中量测信息缺失的发电机台数的统计结果，得到新验证集中需要考虑的缺失信息的发电机最小台数mmin和最大台数mmax；

(5-4)依次在验证集dverify的所有归一化特征向量上分别随机设置mmin、mmin+1、mmin+2、……、mmax台发电机的特征信息缺失，用剩余发电机相应特征的平均值作为缺失值，得到新验证集dverify-miss；

(5-5)将步骤(5-2)的新验证集dverify-noisy和步骤(5-4)的新验证集dverify-miss合并，得到新验证集dverify-new；

(6)根据步骤(3)的训练集dtrain以及电力系统历史量测数据中的缺失信息的发电机台数统计信息，对训练集进行扩充，利用扩充后的训练集对步骤(4)的深度神经网络模型c0进行微调，通过多次迭代计算自适应确定扩充数据的规模，得到最终用于暂态稳定评估的深度神经网络模型m，具体包括如下步骤：

(6-1)设迭代次数r的初值为0，最大迭代次数为rmax，第r次迭代中得到的暂态稳定评估的深度神经网络模型为cr，下标r表示迭代次数，所有迭代中深度神经网络模型的最大综合评估指标emax的初值为0；

(6-2)利用深度神经网络模型cr，分别对步骤(3)的验证集dverify和步骤(5)的新验证集dverify-new中的所有场景进行暂态稳定评估，通过cr的暂态稳定评估结果与真实暂态稳定标签的对比，得到综合评估指标er，当r＝0时即为步骤(4)得到的深度神经网络模型c0，具体包括如下步骤：

(6-2-1)利用深度神经网络模型cr对步骤(3)的验证集dverify中的所有场景进行暂态稳定评估，通过暂态稳定评估结果与真实暂态稳定标签的对比，得到评估准确率a1：

其中，表示深度神经网络模型cr对验证集dverify中第j1个场景的评估结果，表示验证集dverify中第j1个场景的暂态稳定评估指标；

(6-2-2)利用深度神经网络模型cr对步骤(5)的新验证集dverify-new中的所有场景进行暂态稳定评估，通过暂态稳定评估结果与真实暂态稳定标签的对比，得到评估准确率a2：

其中，表示深度神经网络模型cr对验证集dverify-new中第j2个场景的评估结果，表示验证集dverify-new中第j2个场景的暂态稳定评估指标；

(6-2-3)计算深度神经网络模型cr的综合评估指标er，计算公式如下：

er＝w1×a1+w2×a2

其中，w1、w2为人为设定的权重，且满足w1+w2＝1，且w1≥0，w2≥0；

(6-3)将综合评估指标er的值与emax进行对比，若er≤emax，则模型cr-1即为最终的暂态稳定评估模型m，转入步骤(7)，若er>emax，则令emax＝er，转入步骤(6-4)；

(6-4)从步骤(3)的初始训练集dtrain中有放回地随机抽取d个运行场景，依次对d个运行场景的特征向量分别叠加噪声和设置部分发电机信息缺失，得到新数据集dadd，具体包括如下步骤：

(6-4-1)设迭代次数e＝0，从初始训练集dtrain中有放回地随机抽取d个运行场景，构成数据集dselect；

(6-4-2)令e:＝e+1；

(6-4-3)随机生成两个随机数g1和g2，其中g1∈[σmin，σmax]且g1∈r，g2∈[mmin，mmax]且g2∈n；

(6-4-4)从数据集dselect中取出第e个运行场景；

(6-4-5)依次在步骤(6-4-4)取出的第e个运行场景的归一化特征向量上分别叠加方差为g1的高斯白噪声得到新运行场景，将得到的新运行场景放入数据集dadd中；

(6-4-6)依次在步骤(6-4-4)取出的第e个运行场景的归一化特征向量上随机去掉g2台发电机，然后用剩余发电机相应特征的平均值作为缺失值，得到新运行场景，将得到新运行场景放入数据集dadd中；

(6-4-7)将e和d的大小进行对比，若e≥d，则转入步骤(6-5)，若e<d，则转入步骤(6-4-2)；

(6-5)利用adam算法和dtrain∪dadd中的样本对深度神经网络模型cr进行微调，微调的训练轮次和批数量由人为设定，在本专利的一个实施例中，训练轮次为10，批数量为100，得到新的深度神经网络模型cr+1；

(6-6)令r:＝r+1，转入步骤(6-2)；

(7)当电力系统发生故障后，采集电力系统实测数据，得到步骤(1)中所需的输入特征，利用步骤(2)的归一化方法对数据进行归一化处理，将归一化处理后的数据输入至步骤(6-3)得到的暂态稳定评估模型m中，暂态稳定评估模型m的输出即为暂态稳定评估结果，实现自适应扩充数据的电力系统暂态稳定自动评估。