一种基于深度学习的电力系统暂态稳定评估方法及系统技术方案

本发明专利技术公开了一种基于深度学习的暂态稳定评估方法及系统，包括：构建暂态稳定评估原始特征集；建立离线预想事故集；基于互信息理论自适应建立堆叠降噪自动编码器特征提取模型，实现原始输入的多层特征提取；建立支持向量机集成回归模型，判断固定预想事故下多种运行方式的暂态稳定裕度；生成多个未来运行方式及在线预想事故集；利用各个预想事故对应的支持向量机集成回归模型预测暂态稳定裕度指标，对不同运行方式下系统的暂态稳定程度进行严重度分级。本发明专利技术与现有的分布式并行计算技术相结合，最终实现既能自适应确定具有大量网络节点和多个隐藏层的深度学习模型的最佳网络结构，又能快速准确的评估电力系统的暂态稳定程度，满足在线应用要求。

【技术实现步骤摘要】
一种基于深度学习的电力系统暂态稳定评估方法及系统
本专利技术属于电力系统动态安全评估领域，尤其涉及一种基于深度学习的电力系统暂态稳定评估方法及系统。
技术介绍
近年来，我国特高压交直流混联电网规模不断扩大，高渗透率间歇性新能源发电和海量柔性负荷响应加剧了电网源荷双侧的不确定性，大电网运行方式和动态行为日趋复杂，自然灾害的频发使可能产生的预想事故场景更加复杂，对调度运行的统筹决策水平和协同控制能力提出了更高要求。与此同时，随着智能电网建设的不断深入，各级调控中心积累了大量调度运行数据，基于数据进行电力系统动态安全评估具有在线计算速度快、容易生成决策用的启发规则等优点，可与传统的基于模型的安全稳定分析方法构成良好的互补。基于数据挖掘技术进行在线安全稳定评估为大电网的智能调度控制提供了新的思路。目前用于暂态稳定评估的数据挖掘方法大多是浅层学习模型，如支持向量机、决策树和极限学习机等，其局限性在于对复杂函数的表征能力有限，计算复杂度高，泛化能力差。因此，深度学习模型被引入暂态稳定评估问题中，如深度信念网络、堆叠自动编码器等。深度学习利用多层非线性网络结构逼近复杂函数，学习输入数据的分布式特征本文档来自技高网...

【技术保护点】
1.一种基于深度学习的暂态稳定评估方法，其特征在于，包括：根据电力系统运行特性，构建暂态稳定评估原始特征集；建立离线预想事故集，对每一个预想事故随机生成相应的样本集；基于互信息理论对每一个预想事故自适应建立堆叠降噪自动编码器特征提取模型，实现原始输入的多层特征提取；以堆叠降噪自动编码器提取的各层特征作为支持向量机子学习器的输入，建立支持向量机集成回归模型，预测固定预想事故下多种运行方式的暂态稳定裕度指标；基于在线运行方式，利用计划数据和预测数据，生成多个未来运行方式及在线预想事故集；利用各个固定预想事故对应的支持向量机集成回归模型预测暂态稳定裕度指标，基于效用理论对不同运行方式下系统的暂态稳定...

【技术特征摘要】
1.一种基于深度学习的暂态稳定评估方法，其特征在于，包括：根据电力系统运行特性，构建暂态稳定评估原始特征集；建立离线预想事故集，对每一个预想事故随机生成相应的样本集；基于互信息理论对每一个预想事故自适应建立堆叠降噪自动编码器特征提取模型，实现原始输入的多层特征提取；以堆叠降噪自动编码器提取的各层特征作为支持向量机子学习器的输入，建立支持向量机集成回归模型，预测固定预想事故下多种运行方式的暂态稳定裕度指标；基于在线运行方式，利用计划数据和预测数据，生成多个未来运行方式及在线预想事故集；利用各个固定预想事故对应的支持向量机集成回归模型预测暂态稳定裕度指标，基于效用理论对不同运行方式下系统的暂态稳定程度进行严重度分级。2.如权利要求1所述的一种基于深度学习的暂态稳定评估方法，其特征在于，所述暂态稳定评估原始特征集包括：故障前的系统特征、故障点及其邻近区域内的单机特征以及预想事故的位置和持续时间。3.如权利要求1所述的一种基于深度学习的暂态稳定评估方法，其特征在于，所述基于互信息理论对每一个预想事故自适应建立堆叠降噪自动编码器特征提取模型，具体为：第一步：定义一个规模较小的初始堆叠降噪自动编码器网络结构，输入层节点数等于输入特征维数；同时设定基于MIFS信息度量标准的评价函数J(f)的阈值。第二步：确定第i个隐层的节点数。新增m个节点，整体进行权重初始化，计算已有节点权重向量的J(f)。第三步：判断J(f)是否大于阈值。如果小于阈值，返回第二步；否则删除新增节点，进行第四步。第四步：判断m是否等于1。如果m不等于1，采用变步长法增加节点，为向下取整，返回第二步；如果m等于1，从当前节点数中减去1即为该隐层节点数。第五步：运行已建立的i个隐层的堆叠降噪自动编码器，判断暂稳评估效果是否有改善，即暂态稳定裕度预测的精度是否提高。如果有改善，i＝i+1，返回第2步；如果没有改善，i-1个隐层即为堆叠降噪自动编码器的最终网络结构。第六步：使用堆叠降噪自动编码器的i-1个隐层输出，即i-1个不同抽象程度的特征表达作为后续暂态稳定评估的输入，用于后续的大电网安全风险态势感知。4.如权利要求1所述的一种基于深度学习的暂态稳定评估方法，其特征在于，所述暂态稳定裕度指标是极限切除时间和故障切除时间之差。5.如权利要求1所述的一种基于深度学习的暂态稳定评估方法，其特征在于，基于效用理论对不同运行方式下系统的暂态稳定程度进行严重度分级，具体为：其中，T为设定的阈值，M为暂态稳定裕度指标；当暂态稳定裕度指标大于T时，认为系统完全没有暂态失稳风险；当暂态稳定裕度指标小于0时，认为系统会发生暂态失稳；当暂态稳定裕度指标属于区间[0,T]时，使用指数函数作为该区间内的严重度函数。6.如权利要求5所述的一种基于深度学习的暂态稳定评估方法，其特征在于，将样本的...

【专利技术属性】
技术研发人员：李常刚，尹雪燕，刘玉田，张琦兵，苏大威，
申请(专利权)人：山东大学，国网江苏省电力有限公司，
类型：发明
国别省市：山东,37