一种基于深度前馈神经网络和数值积分灵敏度的快速紧急控制方法技术

本发明专利技术公开了一种基于深度前馈神经网络和数值积分灵敏度的快速紧急控制方法。该方法构建了包含“分类神经网络”和“拟合神经网络”的双层深度前馈神经网络，通过短时间的数值积分提取暂态稳定性能指标作为神经网络的输入，经过深度前馈神经网络进行暂稳定性评估以及暂态稳定约束函数值计算；结合数值积分灵敏度最终获得暂态稳定约束函数关于紧急控制量的梯度及灵敏度；最后根据所得各个控制变量的灵敏度应用最优控制变量的寻优方法获得最终的紧急控制策略；本发明专利技术将绝大部分时间原始系统上的数值积分转化为神经网络计算，在保留原始系统暂态稳定约束函数计算性质的同时大幅减少了计算量。

【技术实现步骤摘要】
一种基于深度前馈神经网络和数值积分灵敏度的快速紧急控制方法
本专利技术属于电力系统自动化，涉及一种适用于在线计算的电力系统紧急控制方法，尤其涉及一种基于深度前馈神经网络和数值积分灵敏度的快速紧急控制方法。
技术介绍
电网的不断扩大和电力市场的出现使得电力系统的运行环境更加复杂，对电网安全稳定运行的要求也越来越高。尽管我国在稳定控制系统领域已经有相当多的研究成果，但是还存在诸多不足。稳定控制中“离线计算、实时匹配”的方式计算量大，对运行方式和网络结构变化适应能力差，很容易出现失配情况；“在线预决策、实时匹配”测量误差和传送丢失都有可能造成所确定的系统运行方式与实际运行方式失配，从而造成预决策失误；“实时决策、实时控制”则是最理想的稳定控制手段，它要求根据检测到的故障信息，按当时接线方式和潮流方式，超实时计算并实施控制，完全避免运行工况和故障的失配问题。但相应的技术难度最大，要求有能够对受扰系统做出快速准确预测和控制的良好算法，如何开发出新的算法解决这类系统的快速紧急控制问题值得研究。神经网络在电力系统暂态稳定紧急控制领域已有一些相关的研究成果。然而目前的方法存在着局限性：首先，在大规模电力系统实际应用中，现有方法所应用的方法中神经网络的输入维度太大，例如选取每一台发电机的有功功率作为输入会使得输入维度过高，从而使样本获得和神经网络训练需要巨大的计算工程量，并可能产生困难。相应的，与这样高维数据样本所对应的神经网络规模巨大，涉及到的神经网络计算部分计算量巨大，不适宜实现大规模电力系统紧急控制的在线应用；其次，现有的方法所使用神经网络一般仍是具有简单结构的神经网络，其结构相应单一，已经不足以表达现今大规模电力系统的高维度与强非线性，并且没有应用到深度学习领域的最新研究成果；最后，现有方法更多的选用故障前稳态的系统变量作为神经网络的输入，并不能充分反应故障发生后系统的暂态变化性质，应该寻求真正能够反映事故严重性的指标或反映系统在事故后稳定程度的指标。
技术实现思路
本专利技术目的是为了解决电力系统紧急控制策略计算中，现有的紧急控制算法计算量大，计算速度不能满足电力系统在线计算要求的缺点，提供一种基于深度前馈神经网络和数值积分灵敏度的快速紧急控制方法。本专利技术是通过以下技术方案实现的：一种基于深度前馈神经网络和数值积分灵敏度的快速紧急控制方法，包括以下步骤：步骤1：对原始系统进行暂态稳定数值积分计算直至时刻TDPNN(TDPNN＞Tc)；步骤2：提取暂态稳定性能指标；步骤3：应用深度前馈神经网络进行暂态稳定性评估；步骤4：计算暂态稳定约束函数关于紧急控制量的控制灵敏度，包括：计算暂态稳定约束函数关于暂态稳定性能指标的梯度；应用数值积分灵敏度的方法计算暂态稳定性能指标关于紧急控制量的梯度；最终获得暂态稳定约束函数关于紧急控制量的梯度以及灵敏度；步骤5：根据所获得的控制灵敏度计算暂态稳定紧急控制策略。上述技术方案中：步骤2中所述的暂态稳定性能指标的提取方法如下：步骤2中所应用的暂态稳定性能指标选取原则参考文献“在线动态安全评估中事故扫描的综合性能指标法”，该篇文献最终选定了以下14个暂态稳定性能指标进行研究，见表1。表1暂态稳定性能指标根据本专利技术提出的快速紧急控制方法，提出新的选取原则并最终选取了4个暂态稳定性能指标：指标Ip3和Ip4与指标Ip5和Ip6实际上是相互关联的，在实际应用中如果选择指标Ip5和Ip6首先会使得梯度求取过程显含发电机的惯性时间常数，使得求取的梯度绝对数值大幅增加，进而使得以级数作为基本单位的切机与切负荷控制量对于目标函数的数值影响过于剧烈，严重影响到算法的寻优过程。另一方面，选择指标Ip5和Ip6作为神经网络的输入会因为发电机惯性时间常量的存在使得输入数据的数值跨度增大并且分布更不均匀，将影响到输入数据的归一化效果，进而影响神经网络的训练效果，因此结合以上考虑指标Ip3和Ip4更适合本算法。另一方面，IP7～IP14的表达中都包含发电机的电磁功率Pe，而Pe与系统运行变量有关，如果暂态稳定性能指标包含运行变量，则暂态稳定性能指标关于紧急控制变量的梯度将无法简单求取，所以算法舍弃了性能指标IP7～IP14。最终所确定的暂态性能指标为：其中，TDPNN为算法所设定的短时间原始系统数值积分结束时刻；Ng为系统中的发电机数量；δDLNNi为发电机i在TDPNN时刻的转子角度；δ0i为发电机i在事故前时刻的转子角度；ωDLNNi为发电机i在TDPNN时刻的转子角速度；步骤3中所述的对暂态稳定性评估的方法具体如下：暂态稳定约束函数如下：θ(u)＝max|δi(Tend|u)-δj(Tend|u)|≤π(2)其中δi(Tend|u)表示控制量为u时，第i台发电机在Tend时刻的功角；θ(u)≤π表明在Tend时刻系统中发电机转子间最大相对摇摆角不大于180°，反映了系统保持暂态稳定性的要求。算法采用如下的方法应用深度前馈神经网络进行暂态稳定性评估：(1)离线时训练两个神经网络，“分类神经网络”与“拟合神经网络”：分类神经网络的输入为暂态稳定性能指标，满足暂态稳定约束(2)的样本输出值设定为0，不满足暂态稳定约束(2)的样本输出值设定为1；拟合神经网络的输入为暂态稳定性能指标，输出即为暂态稳定约束函数值；(2)在线计算时先将暂态稳定性能指标输入分类神经网络，如果判定为系统暂态稳定则算法结束；如果判定为暂态失稳则再输入拟合神经网络计算暂态稳定函数值。步骤4中该专利技术提出的暂态稳定约束函数关于紧急控制量的控制灵敏度计算方法如下：(1)暂态稳定约束函数关于紧急控制量梯度▽θ(u)的整体求解假设选取了m暂态稳定性能指标IP1,IP2,...,IPm作为神经网络的输入，如果这m个暂态稳定性能指标是在某一时刻提取，则它们之间并不包含任何函数关系，暂态稳定约束函数的全微分可以表示为：假定紧急控制策略包含切机控制量uG与切负荷控制量uL，则各暂态性能指标的全微分为将式(4)代入(3)，有进而有因此，可以最终得到(2)暂态稳定约束函数关于暂态稳定性能指标的梯度计算首先说明深度前馈神经网络的结构：深度前馈神经网络的隐层个数超过2层(包括2层)时，其网络结构如图2所示。这里需要指出的是深度前馈神经网络的拓扑结构是：多隐层、全连接且有向无环。基于图2，给出网络输入与输出之间的数学模型：若输入x∈Rm，输出y∈Rs，隐层的输出即为：需要注意的是，除去输入层h(0)与输出层h(L)，隐层的个数共计L-1层，对应的超参数(层数、隐单元个数、激活函数)为：注意n0＝m和nL＝s，并且待学习的参数即为：那么神经网络输入与输出y的关系为：根据上述对深度前馈神经网络输入输出关系的描述公式(12)，可得到：同理有由于前馈神经网络的每一隐层间的各神经元互不相连，相隔隐层间的各神经元互不相连，且相邻层间的神经元相互全连接，则神经网络层间的梯度符合导数的链式法则，则在实际的仿真中，输入x∈Rm即为暂态稳定性能指标，而输出y∈Rs即为暂态稳定约束函数值。(3)暂态稳定性能指标关于紧急控制量梯度的计算针对步骤2中所选取的4个暂态稳定性能指标，部分也即梯度▽IPi(u)的求解过程与文献“电力系统暂态稳定控制决策算法”所属梯度求解方法类似(所有字符含义与文献本文档来自技高网...

【技术保护点】
1.一种基于深度前馈神经网络和数值积分灵敏度的快速紧急控制方法，其特征在于，该方法包括以下步骤：步骤1：对原始系统进行暂态稳定数值积分计算直至某时刻TDPNN，满足TDPNN＞Tc，Tc为紧急控制措施执行时刻；步骤2：提取暂态稳定性能指标；步骤3：应用深度前馈神经网络进行暂态稳定性评估；步骤4：计算暂态稳定约束函数关于紧急控制量的梯度，包括：计算暂态稳定约束函数关于暂态稳定性能指标的梯度；应用数值积分灵敏度的方法计算暂态稳定性能指标关于紧急控制量的梯度；最终获得暂态稳定约束函数关于紧急控制量的梯度以及控制灵敏度；步骤5：根据所获得的控制灵敏度计算暂态稳定紧急控制策略。

【技术特征摘要】
1.一种基于深度前馈神经网络和数值积分灵敏度的快速紧急控制方法，其特征在于，该方法包括以下步骤：步骤1：对原始系统进行暂态稳定数值积分计算直至某时刻TDPNN，满足TDPNN＞Tc，Tc为紧急控制措施执行时刻；步骤2：提取暂态稳定性能指标；步骤3：应用深度前馈神经网络进行暂态稳定性评估；步骤4：计算暂态稳定约束函数关于紧急控制量的梯度，包括：计算暂态稳定约束函数关于暂态稳定性能指标的梯度；应用数值积分灵敏度的方法计算暂态稳定性能指标关于紧急控制量的梯度；最终获得暂态稳定约束函数关于紧急控制量的梯度以及控制灵敏度；步骤5：根据所获得的控制灵敏度计算暂态稳定紧急控制策略。2.根据权利1要求所述的基于深度前馈神经网络和数值积分灵敏度的快速紧急控制方法，其特征在于，所述的暂态稳定约束函数关于紧急控制量的梯度计算采用结合神经网络梯度计算以及数值积分灵敏度计算的综合梯度计算方法，包括以下步骤：步骤4.1：计算暂态稳定约束函数关于暂态稳定性能指标的梯度深度前馈神经网络的拓扑结构是：多隐层、全连接且有向无环。网络输入与输出之间的模型：若输入x∈Rm，输出y∈Rs，隐层的输出即为：需...

【专利技术属性】
技术研发人员：王建全，高一凡，肖谭南，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33