一种用于区域电网宽频振荡风险的评估方法与系统与流程

1.本发明涉及电力系统自动化技术领域，并且更具体地，涉及一种用于区域电网宽频振荡风险的评估方法与系统。


背景技术：

2.传统的电力系统振荡主要包括低频振荡以及ssr/sso，而现代“双高”电力系统中由于电力电子设备及其与电网多种元件之间交互作用，引发了具有宽频时变特性、强非线性等特点的新型振荡。与传统电力系统振荡机理不同，新型振荡主要是由电力电子控制引发的电磁振荡，频率范围涉及10-1-103hz，因此被称为“宽频振荡”。传统上，根据频率所处区间的不同将传统振荡与新型宽频振荡细分为低频振荡(0.1-2.5hz)、次/超同步振荡(数hz-2倍工频)和中高频振荡(百hz至超千hz)。传统低频振荡是由扰动系统中发电机转子间的摇摆特性主导的，形成机理包括负阻尼机理、强迫振荡机理、混沌机制以及参数谐振机制等。此外，可再生能源机组或变流器锁相环在机电尺度控制器参数不当引发的振荡也可能落入低频振荡的频率范围内，被称为“类机电”低频振荡。根据ieee定义，传统次同步振荡总体上分为两大类，分别是汽轮发电机组与串补系统耦合产生的ssr以及汽轮发电机组与快速控制器相互作用产生的sso。由风电等变流器式电源并网引起的新型次同步振荡与上述传统次同步振荡有着本质区别，机理上主要涉及风电机组的变流器控制与串补系统或弱交流电网的动态交互作用，通常被称为次同步控制相互作用(subsynchronous control interaction，ssci)。在新能源电力系统中，发生次同步功率振荡时，电压、电流谐波中除了含有次同步分量，往往还包含与之互补的超同步分量。由于实际电网中各类发电机组、串补以及快速控制器等是同时存在的，因此上述多种振荡形态通常并存，它们之间相互耦合与影响，形成了复杂多样的次/超同步振荡现象。
3.今年来，经典的深度型的卷积神经网络模型有lenet模型、alexnet模型、vgg-net模型、googlenet模型和resnet模型。随着应用领域的逐渐深入，深度卷积神经网络已经取得了较大的发展，受益于计算机硬件与软件的快速发展、大规模数据集的建立以及相关技术领域的突破，图像处理和目标识别的相关应用得到了全面的提升。卷积神经网络作为一门融合了计算机科学、统计学、脑神经学和社会学的综合学科，它促使计算机拥有如人类一般的智力。在许多危险工作、企业生产中，卷积神经网络可以代替工作人员实现识别、判定、分析等功能。在人工智能广泛普及的今天，依靠机器视觉和深度学习等前沿技术极大的提升了图像性问题的识别准确性。
4.在新型电力系统，区域电网将逐渐接入大量的新能源系统，即发生宽频振荡的风险程度与日俱增，由于新能源系统功率处理受天气影响因素较大，且加之传统机组开停机、检修灵活性的逐渐增加，电网发生宽频大面积振荡的风险逐渐增加，对区域电网进行季节性的宽频振荡风险评估逐渐成为电力系统运行所关注的核心问题之一。对新型电力系统特性下的区域电网进行季节性的宽频振荡风险评估预判有利于电力系统运行人员提前评估未来一定区间的电网发生宽频振荡的风险程度，并结合评估结果，对区域电网各个子区域
的开机方式、检修方式安排进行优化处理，降低大面积宽频振荡发生的概率。
5.由于宽频振荡系统性的发生以及电网中的传播机理尚不明确，从机理分析的角度已经由很多学者开展了相关研究，但由于大面积迅速的具有宽频振荡发生源的设备接入系统，其机理分析仍处于一个高度发展和讨论的阶段。尤其是在区域电网的整体风险评估方面，受限于现有的仿真手段，在电网运行控制上，快速地进行风险快速评估在先阶段通过仿真手段实现还尚需一定的时间。另一方面，随着深度学习计算机技术的发展及电网传感器——pmu配置的大面积推广，基于数据驱动的电网振荡分析逐渐成为电网振荡评估的解决方案之一。首先，针对任意一个给定的区域电网，由于已经具有了一定的先验知识，诸如电网拓扑结构、新能源系统接入电气节点、就地高精度pmu量测、传统火电机组的开停机等信息，使得对于一个基本拓扑结构的电网振荡特性规律有一定先验性数据积累，其次，由于卷积神经网络在深度学习技术领域的快速发展，卷积神经网络在驱动问题上的数据结构和计算框架结构在近年来快速发展，卷积神经网络在处理相对固定拓扑电网的宽频振荡全景分析上成为一种可能。


技术实现要素：

6.针对上述问题，本发明提出了一种用于区域电网宽频振荡风险的评估方法，包括：
7.采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型；
8.获取目标区域电网的异常波动数据，将所述异常波动数据作为风险预测数据输入至所述深度卷积模型，基于所述深度卷积模型识别区域电网的宽频振荡模态；
9.对所述深度卷积模型识别的区域电网的宽频振荡模态数据进行收集，获取宽频振荡集，根据所述宽频振荡集确定目标区域电网的宽频振荡风险。
10.可选的，采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型，包括：
11.采集区域电网异常波动的历史数据，并对所述历史数据进行预处理，获取同一时刻场景下的pmu两侧点多频振幅数据，将所述多频振幅数据转换为多通道彩图；
12.将所述多通道彩图作为预先搭建的深度卷积神经网络的输入数据，对所述深度卷积神经网络进行训练，获取深度卷积模型。
13.可选的，对所述历史数据进行预处理，获取同一时刻场景下的pmu两侧点多频振幅数据，包括：根据历史数据确定电网异常波动为非电网线路短路跳闸故障或机组跳闸故障所引起的大型波动，并将历史数据中单一时刻的一个振荡场景建立一个张量，并针对给定的电网区域建立一个多维矩阵，根据所述张量和多维矩阵获取同一时刻场景下的pmu两侧点多频振幅数据。
14.可选的，预先搭建的深度卷积神经网络，包括，激活函数；
15.所述激活函数，如下所示：
[0016][0017]
其中，g(x)为激活函数、e为常数、当x《0时g(x)的函数值为0，且梯度为0、当x》0时输出tanh函数。
[0018]
可选的，预先搭建的卷积神经网络，还包括：神经网络架构；
[0019]
所述神经网络架构卷积层的卷积核，如下所示：
[0020][0021]
其中，yn为第n个输出张量、xi为输入张量，为第i通道上的第n个卷积核，bn是偏置，m为总通道数的常量。
[0022]
可选的，对所述深度卷积神经网络进行训练，包括：对所述深度卷积神经网络的动态超参数进行调整；
[0023]
所述动态超参数，包括：epoch及batch参数、损失函数及学习速率。
[0024]
可选的，深度卷积神经网络进行训练时，以多进程多起点并行搜索交互的方式搜索最优解。
[0025]
可选的，采用全电磁仿真网络对所述宽频振荡模态数据进行收集。
[0026]
可选的，深度卷积模型识别区域电网的宽频振荡模态时，若识别失败或识别程度不满足要求，则锁定振荡源，根据振荡源确定宽频振荡模态，将确定的宽频振荡模态作为新模式装入所述深度卷积模型的堆栈式。
[0027]
本发明还提出了一种用于区域电网宽频振荡风险的评估系统，包括：
[0028]
训练单元，用于采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型；
[0029]
输出单元，用于获取目标区域电网的异常波动数据，将所述异常波动数据作为风险预测数据输入至所述深度卷积模型，基于所述深度卷积模型识别区域电网的宽频振荡模态；
[0030]
评估单元，用于对所述深度卷积模型识别的区域电网的宽频振荡模态数据进行收集，获取宽频振荡集，根据所述宽频振荡集确定目标区域电网的宽频振荡风险。
[0031]
可选的，采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型，包括：
[0032]
采集区域电网异常波动的历史数据，并对所述历史数据进行预处理，获取同一时刻场景下的pmu两侧点多频振幅数据，将所述多频振幅数据转换为多通道彩图；
[0033]
将所述多通道彩图作为预先搭建的深度卷积神经网络的输入数据，对所述深度卷积神经网络进行训练，获取深度卷积模型。
[0034]
可选的，训练单元对所述历史数据进行预处理，获取同一时刻场景下的pmu两侧点多频振幅数据，包括：根据历史数据确定电网异常波动为非电网线路短路跳闸故障或机组跳闸故障所引起的大型波动，并将历史数据中单一时刻的一个振荡场景建立一个张量，并针对给定的电网区域建立一个多维矩阵，根据所述张量和多维矩阵获取同一时刻场景下的pmu两侧点多频振幅数据。
[0035]
可选的，训练单元中预先搭建的深度卷积神经网络，包括，激活函数；
[0036]
所述激活函数，如下所示：
[0037][0038]
其中，g(x)为激活函数、e为常数、当x《0时g(x)的函数值为0，且梯度为0、当x》0时输出tanh函数。
[0039]
可选的，训练单元中预先搭建的卷积神经网络，包括：神经网络架构和激活函数；
[0040]
所述神经网络架构卷积层的卷积核，如下所示：
[0041][0042]
其中，yn为第n个输出张量、xi为输入张量，为第i通道上的第n个卷积核，bn是偏置，m为总通道数的常量；
[0043]
所述激活函数，如下所示：
[0044][0045]
其中，g(x)为激活函数、e为常数、当x《0时g(x)的函数值为0，且梯度为0、当x》0时输出tanh函数。
[0046]
可选的，训练单元对所述深度卷积神经网络进行训练，包括：对所述深度卷积神经网络的动态超参数进行调整；
[0047]
所述动态超参数，包括：epoch及batch参数、损失函数及学习速率。
[0048]
可选的，训练单元在进行深度卷积神经网络进行训练时，以多进程多起点并行搜索交互的方式搜索最优解，包括：
[0049]
使用n+1台cpu搜索最优解，且n》10，控制每台cpu从一个初始解开始迭代计算，获取计算结果，并将计算结果的适应值发送至统一服务器按照适应度排序；
[0050]
排序完成后，选择算子并采用选择算法根据适应值排序，若第n+1台cpu的计算结果不优于n台cpu的计算结果，则将本次迭代计算的最忧解随机分配至n台cpu；
[0051]
并控制n+1台cpu在继续执行迭代计算，当loss值低于阈值时终止迭代计算。
[0052]
可选的，输出单元采用全电磁仿真网络对所述宽频振荡模态数据进行收集。
[0053]
可选的，输出单元通过深度卷积模型识别区域电网的宽频振荡模态时，若识别失败或识别程度不满足要求，则锁定振荡源，根据振荡源确定宽频振荡模态，将确定的宽频振荡模态作为新模式装入所述深度卷积模型的堆栈式。
[0054]
再一方面，本发明还提供了一种计算设备，包括：一个或多个处理器；
[0055]
处理器，用于执行一个或多个程序；
[0056]
当所述一个或多个程序被所述一个或多个处理器执行时，实现如上述所述的一种用于区域电网宽频振荡风险的评估方法。
[0057]
再一方面，本发明还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如上述所述的一种用于区域电网宽频振荡风险的评估方法。
[0058]
与现有技术相比，本发明的有益效果为：
[0059]
本发明提供了一种用于区域电网宽频振荡风险的评估方法与系统，本发明方法，通过对历史数据进行预处理，对多振幅数据的转换，以及深度卷积神经网络的训练等，得到本发明的深度卷积模型，通过模型识别宽频振荡模态，通过本发明识别的宽频振荡，精度较高，也避免了基于机理模型的诸多影响因素带来的不确定性。
附图说明
[0060]
图1为本发明方法的流程图；
[0061]
图2为本发明方法dropout的示意图；
[0062]
图3为本发明方法的激活函数输出曲线图；
[0063]
图4为本发明方法深度卷积神经网络图；
[0064]
图5为本发明系统的结构图。
具体实施方式
[0065]
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
[0066]
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
[0067]
实施例1：
[0068]
本发明提出了一种用于区域电网宽频振荡风险的评估方法，如图1所示，包括：
[0069]
步骤s1、采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型；
[0070]
步骤s2，获取目标区域电网的异常波动数据，将所述异常波动数据作为风险预测数据输入至所述深度卷积模型，基于所述深度卷积模型识别区域电网的宽频振荡模态；
[0071]
步骤s3，对所述深度卷积模型识别的区域电网的宽频振荡模态数据进行收集，获取宽频振荡集，根据所述宽频振荡集确定目标区域电网的宽频振荡风险。
[0072]
其中，采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型，包括：
[0073]
采集区域电网异常波动的历史数据，并对所述历史数据进行预处理，获取同一时刻场景下的pmu两侧点多频振幅数据，将所述多频振幅数据转换为多通道彩图；
[0074]
将所述多通道彩图作为预先搭建的深度卷积神经网络的输入数据，对所述深度卷积神经网络进行训练，获取深度卷积模型。
[0075]
其中，对所述历史数据进行预处理，获取同一时刻场景下的pmu两侧点多频振幅数据，包括：根据历史数据确定电网异常波动为非电网线路短路跳闸故障或机组跳闸故障所引起的大型波动，并将历史数据中单一时刻的一个振荡场景建立一个张量，并针对给定的电网区域建立一个多维矩阵，根据所述张量和多维矩阵获取同一时刻场景下的pmu两侧点多频振幅数据。
[0076]
其中，预先搭建的深度卷积神经网络，包括，激活函数；
[0077]
所述激活函数，如下所示：
[0078][0079]
其中，g(x)为激活函数、e为常数、当x《0时g(x)的函数值为0，且梯度为0、当x》0时输出tanh函数。
[0080]
其中，预先搭建的深度卷积神经网络，包括：神经网络架构；
[0081]
所述神经网络架构卷积层的卷积核，如下所示：
[0082][0083]
其中，yn为第n个输出张量、xi为输入张量，为第i通道上的第n个卷积核，bn是偏置，m为总通道数的常量。
[0084]
其中，对所述深度卷积神经网络进行训练，包括：对所述深度卷积神经网络的动态超参数进行调整；
[0085]
所述动态超参数，包括：epoch及batch参数、损失函数及学习速率。
[0086]
其中，深度卷积神经网络进行训练时，以多进程多起点并行搜索交互的方式搜索最优解，包括：
[0087]
使用n+1台cpu搜索最优解，且n》10，控制每台cpu从一个初始解开始迭代计算，获取计算结果，并将计算结果的适应值发送至统一服务器按照适应度排序；
[0088]
排序完成后，选择算子并采用选择算法根据适应值排序，若第n+1台cpu的计算结果不优于n台cpu的计算结果，则将本次迭代计算的最忧解随机分配至n台cpu；
[0089]
并控制n+1台cpu在继续执行迭代计算，当loss值低于阈值时终止迭代计算。
[0090]
其中，全电磁仿真网络对所述宽频振荡模态数据进行收集。
[0091]
其中，深度卷积模型识别区域电网的宽频振荡模态时，若识别失败或识别程度不满足要求，则锁定振荡源，根据振荡源确定宽频振荡模态，将确定的宽频振荡模态作为新模式装入所述深度卷积模型的堆栈式。
[0092]
其中，步骤s1中对所述历史数据进行预处理，获取同一时刻场景下的pmu两侧点多频振幅数据，包括：根据历史数据确定电网异常波动为非电网线路短路跳闸故障或机组跳闸故障所引起的大型波动，并将历史数据中单一时刻的一个振荡场景建立一个张量，并针对给定的电网区域建立一个多维矩阵，根据所述张量和多维矩阵获取同一时刻场景下的pmu两侧点多频振幅数据。
[0093]
具体如下：
[0094]
首先基于d5000系统，将收集到的海量区域电网异常波动等各种历史数据，先进行人工初步分析以对数据有一定的认识，排除电网线路短路跳闸故障、机组跳闸故障所引起的大型波动，之后将数据将单一时刻的一个振荡场景建立一个张量(tensor)，设一个给定的区域电网为维的矩阵，(n*n*1*2*。。。*m)，其中：
[0095]
(1)l及n为将电网视为二维网格化之后的电气节点的坐标；
[0096]
(2)为给定电网给定关注的m
max
+1种频率的振荡频段。
[0097]
(例如给定区域电网中，只观测某个节点的0.1hz-100hz的宽频振荡，1hz至2hz的为m1，第ihz至第i+1hz的振荡情况存储于mi)
[0098]
对于每一个频段，基于给定电网的实际情况，可根据实际情况来划分频段。
[0099]
(3)同时刻下，区域电网扰动振幅特征系数：给定时刻下，对给定电气地理坐标的扰动进行prony分析，得出给定时刻下扰动波形记录的频谱分析，并依据所得出的评估分析
将频率置入tensor中给定地理电气节点的给定维度坐标之内。一般情况下，振幅可以被表示为：a＝(a1，a2，。。。an)，n为prony分析可得到的最大频段数量。
[0100]
其中步骤1中，深度卷积神经网络的搭建，包括，保护神经网络架构和激活函数的建立，卷积神经网络的核心为卷积层和池化层的搭建。
[0101]
卷积层，如下：
[0102]
卷积核背景，如下：
[0103]
卷积层是卷积神经网络最为关键的核心部分，其实现过程是通过一定大小的卷积核对输入信号矩阵以同等大小区域进行加权求和，与人工神经网络中所有神经元数据与所连接的权值相乘累加求和的过程相等价，而其实现的功能是通过卷积计算提取接收信号矩阵的特征，并向下一层输出特征映射。卷积操作是一种具备平移不变性的线性运算方法，它直接展示了信号的性质。
[0104]
下面给出卷积运算的数学表达式：
[0105]
假设有两个连续可积函数f(t)和g(t)，如果存在以下关系：
[0106][0107]
那么就称其为连续函数的卷积。卷积是函数f(t)和函数g(t)在一定数域范围内相乘再求和的结果，具体解释为将其中一个的函数翻转，在规定的数值范围内不断移动(滑窗扫描)，并与另一个函数进行乘法运算，再进行累加求和得到结果；
[0108]
卷积运算离散表达式如下：
[0109][0110]
上式的矩阵样式数学描述为：
[0111]
s(n)＝(f*g)(n)
[0112]
卷积运算的二维数学表达式如下：
[0113][0114]
卷积核的设计，如下：
[0115]
卷积层通过正向传播能使不同的卷积核与输入张量进行运算，从而输出不同的输出张量，卷积计算如下所示。
[0116][0117]
其中，yn为第n个输出张量、xi为输入张量，为第i通道上的第n个卷积核，bn是偏置，m为总通道数的常量；
[0118]
池化层，如下：
[0119]
池化是缩小高、长方向上的空间的运算，池化层一般有平均池化层和最大池化层两种，平均池化是计算目标区域的平均值，而最大池化是从目标区域中取出最大值，本发明采用最大池化层，其具有以下特征：没有要学习的参数、经过池化运算的输入输出数据通道数不发生变化以及对微小的位置变化具有鲁棒性。
[0120]
全链接层(带dropout)，如下：
[0121]
全连接层中每个结点都与前一层的所有结点进行连接，用来将提取到的特征表示
映射到样本的标记空间。因为其结点全连接的特性，通常全连接层的参数也是最多的。
[0122]
卷积神经网络通常会在卷积层和池化层之后再添加一到两层的全连接层，全连接层与其上一层的连接模式与人工神经网络类似，都是完全连接，这也说明了池化层存在的必要性，全连接层的作用是整合卷积层以及池化层所学习的能够区分类别的局部信息，并将这些信息映射到样本标记空间，cnn通过引入“dropout”技术来减小神经网络中过拟合现象的发生，如图2所示为dropout处理示意图，即在神经网络训练中以随机概率将神经元隐藏，再次训练更新时，将这些神经元节点舍弃。
[0123]
激活函数，如下：
[0124]
由于卷积运算对数据的处理是线性不变的，而训练出来的线性模型是不满足对现实世界复杂的数据进行分类，若只计入线性关系，则无论神经网络的层数有多深，它的输出都是由输入数据的线性运算得到，不在具有强大的分类能力。因此加入激活函数，使得网络模型具有接近非线性处理的能力。激活函数也是网络模型中极为重要的构成部分，加入非线性特性可以使得模型对数据具有更强的表述能力。
[0125]
激活函数最初的设计理念是参考了生物神经元模型，生物神经元会设置一个判决阈值，当输入信号值大于该阈值，则启动神经元，否则不启动神经元，激活函数的工作机制与该过程相一致，sigmoid、tanh和relu函数都是极为常见的激活函数。
[0126]
(a)sigmoid函数，这是曾经在神经网络中最常用的激活函数，它的数学表达式如下所示：
[0127][0128]
如图3的第一个曲线图所示，可以得到函数的输出值在0到1这个区域内，具有连续不间断单调递增和非线性的特点，是作为神经网络数据判断分类的不错选择，但是它也存在一定的劣势，当x趋于自变量取值范围两端时，输出函数值在自变量两端的变化范围很小，容易出现梯度消失的问题。同时函数输出均值非0，可能会造成目标函数震荡收敛速度降低。
[0129]
(b)tanh函数是在sigmoid函数做出了改进，因此它的形状与sigmoid函数相一致，数学表达式如下：
[0130][0131]
如图3的第二个曲线图所示，可以得到函数的输出值在-1到1这个区域内，这个改变使得函数输出均值为0，可以提升目标函数的收敛速度。但是还是没有很好的解决梯度消失问题。
[0132]
(c)relu函数是当下卷积神经网络领域最常用的激活函数，它的数学描述如下：
[0133]
g(x)＝max(0,x)
[0134]
如图3的第三个曲线图所示，可以得到函数的输出值在0到无穷大这个区域内，它本质上是一个比较分段函数，当x＜0时，函数值为0且梯度为0，而当x＞0时，函数输出值为x且梯度为1。所以relu函数完美的规避了梯度消失现象。但是当神经元的输入数值小于0时，对应的权值将不会再次被更新，更遗憾的是，relu函数输出不是以0为中心的——改动了输入数据的分布，下一层输入数据的分布跟前一层输入数据分布不同，会大大降低模型的训练速度，因为需要不断的适应不同的输入分布，拖慢了训练速度。
[0135]
激活函数如下，所示：
[0136][0137]
当x＜0时，函数值为0且梯度为0，规避了梯度消失现象；当x＞0时，输出与tanh函数，从而使得函数的输出值在0到1这个区域内，兼顾了收敛速度的提升。
[0138]
输出层，如下所示：
[0139]
输出层的目的是输出分类和预测数据的结果。同时通过不断迭代向前反馈误差，更新各层参数，计算损失函数以构建性能较好的模型。
[0140]
本发明所采用的卷积神经网络是由4个卷积层、4个池化层和2个全连接层所构成，如图4所示，其中将一个卷积层和一个池化层合并为神经网络中的一层，第一层中的卷积层有8个大小为5
×
5卷积核对输入信号图像的特征矩阵向量进行卷积运算，随后将卷积运算的结果交给同层的池化层进行采样运算，第一层池化层的池化核大小为2
×
2，移动步长为2
×
2。第二层中的卷积层使用16个大小为5
×
5卷积核对第一层输入的映射特征图进行卷积运算，随后将卷积运算的结果交给同层的池化层进行采样运算。第三层与第四层的结构规模相同，都是使用16个大小为3
×
3卷积核对上一层的输入的映射特征图进行卷积运算，而池化层的大小都跟前两层的大小相同。第五层与第六层都为全连接层，使用的是relu激活函数，其中，所有卷积层的移动步长都为1
×
1，池化层使用的都是最大池化。
[0141]
卷积神经网络首先对输入的图像数据进行预处理，将数据矩阵输送到卷积层进行卷积运算，通过设置卷积核的尺寸大小达到不同的特征提取效果。随后将提取的特征矩阵作为池化层的处理数据，池化层通过采样策略减少数据的大小，抑制过拟合现象出现。全连接层接收处理后的特征向量进行展开统计，经激活函数判断后输出结果。
[0142]
输出层，如下：
[0143]
输出层采用目前较为流行的softmax输出层。
[0144]
步骤1中，对所述深度卷积神经网络进行训练，包括：对所述深度卷积神经网络的动态超参数进行调整；
[0145]
所述动态超参数，包括：epoch及batch参数、损失函数及学习速率。
[0146]
该数组为一个1*4的1维数组；
[0147]
适应度函数为：每次网络训练完成之后的最终loss值；
[0148]
深度卷积神经网络进行训练时，以多进程多起点并行搜索交互的方式搜索最优解。
[0149]
设计算机cpu为n+1台(n》10)，每台cpu负责从一个初始解开始计算，每次m次迭代，完毕后，将适应值发至统一服务器进行比选，按照适应度排序。
[0150]
选择算子，采用选择算法将排名前percent％(percent《100，由人工根据经验设定和调整)，判断第n+1台cpu是否出现适应度优良于n台cpu计算结果的情况。若无，则将本次迭代最有解随机分配至n台cpu中的percent个计算机；n+1台计算机在独立的情况下继续执行计算操作。
[0151]
反复迭代，终止条件为loss低于阈值。
[0152]
采用全电磁仿真网络对所述宽频振荡模态数据进行收集。
[0153]
深度卷积模型识别区域电网的宽频振荡模态时，若识别失败或识别程度不满足要
求，则锁定振荡源，根据振荡源确定宽频振荡模态，将确定的宽频振荡模态作为新模式装入所述深度卷积模型的堆栈式。
[0154]
具体如下：
[0155]
首先设定：图像偏差阈值计算方法：采用改进三维欧式距离计算平面几何图形的相似度。即：
[0156]
d＝a*sprt[(x1-x2)^2+(y1-y2)^2+(z1-z2)^2]
[0157]
a的确定原则：最大的幅值所在地与判断出的最大的幅值所在地位置之间的距离，并归一化。有由人工调节一个该阈值。
[0158]
提取实际的振荡模态；并注入第三步所形成的卷积神经网络模式识别器；
[0159]
判断是否超过阈值，否，则忽略，模式识别器仍然使用；
[0160]
若是，则，将该模式追加入新的模式类型之中。
[0161]
实施例2：
[0162]
本发明还提出了一种用于区域电网宽频振荡风险的评估系统200，如图5所示，包括：
[0163]
训练单元201，用于采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型；
[0164]
输出单元202，用于获取目标区域电网的异常波动数据，将所述异常波动数据作为风险预测数据输入至所述深度卷积模型，基于所述深度卷积模型识别区域电网的宽频振荡模态；
[0165]
评估单元203，用于对所述深度卷积模型识别的区域电网的宽频振荡模态数据进行收集，获取宽频振荡集，根据所述宽频振荡集确定目标区域电网的宽频振荡风险。
[0166]
其中，训练单元201对所述历史数据进行预处理，获取同一时刻场景下的pmu两侧点多频振幅数据，包括：根据历史数据确定电网异常波动为非电网线路短路跳闸故障或机组跳闸故障所引起的大型波动，并将历史数据中单一时刻的一个振荡场景建立一个张量，并针对给定的电网区域建立一个多维矩阵，根据所述张量和多维矩阵获取同一时刻场景下的pmu两侧点多频振幅数据。
[0167]
其中，训练单元201采集区域电网异常波动的历史数据，基于所述历史数据获取深度卷积模型，包括：
[0168]
采集区域电网异常波动的历史数据，并对所述历史数据进行预处理，获取同一时刻场景下的pmu两侧点多频振幅数据，将所述多频振幅数据转换为多通道彩图；
[0169]
将所述多通道彩图作为预先搭建的深度卷积神经网络的输入数据，对所述深度卷积神经网络进行训练，获取深度卷积模型。
[0170]
其中，训练单元201中预先搭建的深度卷积神经网络，包括，激活函数；
[0171]
所述激活函数，如下所示：
[0172][0173]
其中，g(x)为激活函数、e为常数、当x《0时g(x)的函数值为0，且梯度为0、当x》0时输出tanh函数。
[0174]
其中，训练单元201中预先搭建的卷积神经网络，还包括：神经网络架构；
[0175]
所述神经网络架构卷积层的卷积核，如下所示：
[0176][0177]
其中，yn为第n个输出张量、xi为输入张量，为第i通道上的第n个卷积核，bn是偏置，m为总通道数的常量。
[0178]
其中，训练单元201对所述深度卷积神经网络进行训练，包括：对所述深度卷积神经网络的动态超参数进行调整；
[0179]
所述动态超参数，包括：epoch及batch参数、损失函数及学习速率。
[0180]
其中，训练单元201在进行深度卷积神经网络进行训练时，以多进程多起点并行搜索交互的方式搜索最优解，包括：
[0181]
使用n+1台cpu搜索最优解，且n》10，控制每台cpu从一个初始解开始迭代计算，获取计算结果，并将计算结果的适应值发送至统一服务器按照适应度排序；
[0182]
排序完成后，选择算子并采用选择算法根据适应值排序，若第n+1台cpu的计算结果不优于n台cpu的计算结果，则将本次迭代计算的最忧解随机分配至n台cpu；
[0183]
并控制n+1台cpu在继续执行迭代计算，当loss值低于阈值时终止迭代计算。
[0184]
其中，输出单元202采用全电磁仿真网络对所述宽频振荡模态数据进行收集。
[0185]
其中，输出单元202通过深度卷积模型识别区域电网的宽频振荡模态时，若识别失败或识别程度不满足要求，则锁定振荡源，根据振荡源确定宽频振荡模态，将确定的宽频振荡模态作为新模式装入所述深度卷积模型的堆栈式。
[0186]
实施例3：
[0187]
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specificintegrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种用于区域电网宽频振荡风险的评估方法步骤。
[0188]
实施例4：
[0189]
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定
的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种用于区域电网宽频振荡风险的评估方法的步骤。
[0190]
本发明提供了一种用于区域电网宽频振荡风险的评估方法与系统，本发明方法，通过对历史数据进行预处理，对多振幅数据的转换，以及深度卷积神经网络的训练等，得到本发明的深度卷积模型，通过模型识别宽频振荡模态，通过本发明识别的宽频振荡，精度较高，也避免了基于机理模型的诸多影响因素带来的不确定性。
[0191]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。本技术实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。
[0192]
本技术是参照根据本技术实施例的方法、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。
[0193]
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。
[0194]
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。
[0195]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0196]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。