基于深度置信网络的暂态稳定性实时评估方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度置信网络的暂态稳定性实时评估方法及装置，其中，方法包括：利用时域仿真技术生成学习样本集；将系统量测作为模型输入，并将稳定状态作为模型输出，通过非监督预训练和监督精确调整更新深度置信网络的网络参数，形成暂态稳定评估模型；将故障清除时刻系统实测数据输入暂态稳定评估模型，预测系统的暂态稳定性。该方法可以使用DBN来自动提取电力系统特征，以用于暂态稳定性评估，可同时满足暂态稳定实时评估计算速度和精度的要求，实现暂态稳定性实时评估，提高评估效率，且提高评估的精确度，简单易实现。

Real time evaluation method and device of transient stability based on deep belief network

The invention discloses a depth based on belief network transient stability real-time evaluation method and device, wherein the method comprises: generating learning sample set by time domain simulation technology; the system measurement as the model input, and the steady state as the output of the model, through the supervision of pre training and supervision accurately adjust the network parameters to update the depth of confidence the network, the formation of transient stability assessment model; fault clearing time data input system transient stability assessment model, transient stability prediction system. This method can automatically extract the characteristics of the power system using DBN, for transient stability assessment, which can meet the real-time assessment of the transient stability calculation speed and accuracy requirements, to achieve real-time transient stability assessment, improve the evaluation efficiency, and improve the evaluation accuracy, simple and easy to realize.

【技术实现步骤摘要】
基于深度置信网络的暂态稳定性实时评估方法及装置
本专利技术涉及电力系统安全稳定分析
，特别涉及一种基于深度置信网络的暂态稳定性实时评估方法及装置。
技术介绍
大型电力系统的互联现象越来越普遍，其目的是提高发、输电的可靠性与经济性，但系统规模的扩大，使得电网结构和运行方式复杂多样化，导致系统稳定性问题更加突出。一旦发生大的暂态故障，若对电网的状态不能及时做出准确评估并采取措施，极可能导致连锁事故的发生，严重时导致系统解列成若干相互独立的孤岛，引发大面积停电等严重后果。相关技术中，暂态稳定性实时评估是利用故障清除后系统量测信息判断系统是否能够恢复稳定运行的过程，目前暂态稳定性评估的方法主要有时域仿真法和直接分析法。然而，时域仿真法具有计算精度高的特点，但是受限于数值积分的速度，时域仿真法的计算速度难以满足在线评估的要求；直接分析法具有计算速度快的特点，但是受限于电力系统模型的精度，直接分析法通常只能分析较为简单的电力系统，计算精度难以满足大型电力系统评估的要求。因此，相关技术均存在一定缺陷，有待改进。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专本文档来自技高网...

【技术保护点】
一种基于深度置信网络的暂态稳定性实时评估方法，其特征在于，包括以下步骤：利用时域仿真技术生成学习样本集；将系统量测作为模型输入，并将稳定状态作为模型输出，通过非监督预训练和监督精确调整更新深度置信网络的网络参数，形成暂态稳定评估模型；以及将故障清除时刻系统实测数据输入所述暂态稳定评估模型，预测系统的暂态稳定性。

【技术特征摘要】
1.一种基于深度置信网络的暂态稳定性实时评估方法，其特征在于，包括以下步骤：利用时域仿真技术生成学习样本集；将系统量测作为模型输入，并将稳定状态作为模型输出，通过非监督预训练和监督精确调整更新深度置信网络的网络参数，形成暂态稳定评估模型；以及将故障清除时刻系统实测数据输入所述暂态稳定评估模型，预测系统的暂态稳定性。2.根据权利要求1所述的基于深度置信网络的暂态稳定性实时评估方法，其特征在于，所述通过非监督预训练和监督精确调整更新深度置信网络的网络参数，进一步包括：训练第一个RBM(1)，并且将RBM(1)的隐含层神经元的激活概率作为RBM(2)的输入，再次训练第二个RBM(2)，然后将RBM(2)的隐含层神经元的激活概率作为RBM(3)的输入，直至训练完所有RBM(k)；在每个RBM(RestrictedBoltzmannMachine，限制玻尔兹曼机)都预训练一遍后，获取所述每个RBM的连接关系矩阵；对于任意RBM，记输入层变量为x，且输出层变量为h，以学习RBM得到参数W，使得符合样本D的概率似然函数P(x)最大，其中，采用梯度下降法来计算所述参数W，以对所述网络参数逐层非监督预训练。3.根据权利要求2所述的基于深度置信网络的暂态稳定性实时评估方法，其特征在于，在使得符合样本D的概率似然函数P(x)最大的过程中，损失评估函数L(W,D)等于负的概率似然函数：其中，E(x,h)为RBM的能量，Z(W)为归一化因子；所述损失评估函数L相对于所述参数W的梯度为：其中，<·>data表示满足输入数据分布的期望，<·>model表示满足RBM分布的期望；另外，对所述RBM(1)添加网络稀疏化约束，使得所述损失评估函数为：进而，所述损失评估函数相对于所述参数W的梯度为：4.根据权利要求2或3所述的基于深度置信网络的暂态稳定性实时评估方法，其特征在于，还包括：在所述每个RBM都预训练之后，将所有RBM展开并顺序连接合成得到完整的深度置信网络；根据具体任务来设计所述损失评估函数，并利用反向传播算法调整所述深度置信网络的参数；以及获取所述深度置信网络的参数矩阵。5.根据权利要求1-4任一项所述的基于深度置信网络的暂态稳定性实时评估方法，其特征在于，所述损失评估函数为逻辑...

【专利技术属性】
技术研发人员：郑乐，胡伟，邵广惠，徐兴伟，侯凯元，
申请(专利权)人：清华大学，国家电网公司东北分部，国家电网公司，
类型：发明
国别省市：北京,11