一种基于深度神经网络的电力系统暂态稳定评估方法技术方案

本发明专利技术涉及一种基于深度神经网络技术的电力系统暂态稳定评估方法，该方法首先利用电力系统中WAMS系统采集到的重要母线的电压幅值和相角以及部分发电机直连线路的有功功率作为原始输入数据，然后再对其进行数据预处理后形成训练集；利用双向长短时记忆网络和改进卷积神经网络的融合模型建立电力系统暂态稳定评估模型。该模型由输入层、长短时记忆网络层、卷积层、池化层和轻量梯度提升机输出层组成。本发明专利技术利用双向长短时记忆网络结合卷积神经网络进行特征提取，挖掘数据的隐藏模式，形成更有利于暂态稳定评估的高阶特征，进而将其输入轻量梯度提升机中进行评估。该方法不仅能够具有较高的评估准确率，同时还可以较好地适应在测量数据含有噪声的条件下的评估性能，对于电力系统在线安全稳定评估具有重要意义。

A Method of Power System Transient Stability Assessment Based on Deep Neural Network

The present invention relates to a method of power system transient stability assessment based on deep neural network technology. The method first uses the voltage amplitude and phase angle of important buses collected by WAMS system in power system and the active power of some generators directly connected to the line as the original input data, and then preprocesses the data to form a training set, and uses bidirectional long-term and short-term memory network. A power system transient stability assessment model is established by combining the improved convolution neural network and the fusion model. The model consists of input layer, long-term and short-term memory network layer, convolution layer, pooling layer and output layer of lightweight gradient hoist. The method uses bidirectional long-term and short-term memory network combined with convolution neural network to extract features, mine hidden patterns of data, form higher-order features more conducive to transient stability assessment, and then input them into lightweight gradient hoist for evaluation. This method not only has a high accuracy of evaluation, but also can be well adapted to the evaluation performance under the condition that the measured data contain noise. It is of great significance to the on-line security and stability evaluation of power system.

【技术实现步骤摘要】
一种基于深度神经网络的电力系统暂态稳定评估方法
：本专利技术涉及电力系统暂态稳定评估，特别是涉及一种基于深度神经网络的电力系统暂态稳定评估方法。技术背景：随着电力电子元件的广泛应用以及全国联网的逐步实施，电力系统的复杂度日益提升，给系统安全带来严峻考验，也对电网在线暂态稳定评估(TransientStabilityAssessment,TSA)的快速性和精确性提出了更高要求。传统的时域仿真法和直接法[分别受限于其计算速度慢和建模困难，使得两种方法不能同时满足快速性和精确性要求。近年来，广域测量系统和机器学习方法的快速发展为问题的解决提供了新思路。以往研究者对机器学习在电力系统暂态稳定评估上的应用做了许多工作，取得了较好的评估效果，但同时也有很大局限。一使用的传统方法使用的机器学习模型非线表达能力有限，在处理复杂问题时数据挖掘能力不强；二是传统方法并未考虑到WAMS数据采集存在噪声的情况，而传统方法在噪声条件下的表现不尽人意。本专利技术在现有研究的基础上，克服传统方法的不足，进一步提高评估的准确性，提出一种基于双向长短时记忆网络和利用轻量梯度提升机改进的卷积神经网络的融合模型的暂态稳定评估方法。该方法所需数据容易采集，且能胜任在数据拥有噪声和异常值条件下的评估任务，在保持有较高准确率的同时还具有良好的稳定性和鲁棒性。
技术实现思路
：本专利技术要解决的技术问题是提供一种基于深度神经网络的电力系统暂态稳定评估方法，以克服现有技术中存在的问题。为解决上述技术问题，本专利技术采用下述技术方案：基于深度神经网络的电力系统暂态稳定评估方法，其特征在于，所述方法的步骤包括：步骤1：通过时域仿真法或者利用WAMS系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入。步骤2：对样本集进行数据归一化处理。步骤3：根据暂态稳定指标对样本数据进行标注，稳定样本标注为1，不稳定样本标注为0。步骤4：构建基于双向长短时记忆网络和改进卷积神经网络的暂态稳定评估模型，并将步骤3中标注好的数据集按8：2划分为训练集/测试集，各子集通过均匀随机抽样从总样本集中取出，保证稳定/失稳样本比例与总体样本一致。步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型。步骤6：利用步骤2和步骤4对WAMS系统采集得到的新电力系统数据信息进行处理，构建测评数据集。步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。所述步骤1中，利用暂态仿真或WAMS历史数据作为学习样本集，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入，其中由于故障切除时间不是一个固定的常数，因此将以最大故障切除时间为基准对不足序列进行补零操作，因此样本特征数据集x可表示为：式中，V表示重要母线的电压，θ表示重要母线相角，P表示部分重要的与发电机母线直连线路的有功功率，t表示实际时间序列长度，tmax表示最大时间序列，Bu表示共有Bu条重要母线，Br表示共有Br条重要的与发电机母线直连线路。所述步骤2中的归一化方法将对样本集进行归一化处理，归一化公式为：其中表示初始特征第j列时间序列的t时刻的原始特征值，表示归一化后的特征值，和分别表示样本集中所有样本第j列所有特征值的均值和标准差。所述步骤3中，对于每个样本，依据暂态稳定指标TSI来对其进行暂态稳定标注，TSI的公式为：其中Δδmax为发生扰动后4s末任意两台发电机功角差最大值。对于每个样本，如果TSI为正，则系统是稳定的，样本标签标注为1；如果TSI为负，系统是不稳定的，样本标签标注为0。所述步骤4中，构建的基于深度神经网络的电力系统暂态稳定评估模型是一个由一个输入层INPUT、一个双向长短时记忆网络层BidirectionalLSTM、两个卷积层CONV1和CONV2、一个池化层POOL、一个最大池化层MaxPOOL和一个轻量梯度提升机输出层LGBM组成。根据权利要求1所述的评估方法，其特征在于：通过各种典型运行方式下的数据集，对步骤4中的暂态稳定评估模型进行参数寻优，保持最佳模型。对步骤6中的在线预测数据集，利用步骤4中保持好的评估模型，得到稳定评估结果。附图说明：下面结合附图对本专利技术的具体实施方式作进一步详细的说明：图1示出本专利技术所述的一种基于深度神经网络的电力系统暂态稳定评估方法流程图；图2示出本专利技术的模型结构图；图3示出本实例中新英格兰10机39节点系统的拓扑结构图。具体实施方式步骤1：通过时域仿真法或者利用WAMS系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入。步骤2：对样本集进行数据归一化处理。步骤3：根据暂态稳定指标对样本数据进行标注，稳定样本标注为1，不稳定样本标注为0。步骤4：构建基于双向长短时记忆网络和改进卷积神经网络的暂态稳定评估模型，并将步骤3中标注好的数据集按8：2划分为训练集/测试集，各子集通过均匀随机抽样从总样本集中取出，保证稳定/失稳样本比例与总体样本一致。步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型。步骤6：利用步骤2和步骤4对WAMS系统采集得到的新电力系统数据信息进行处理，构建测评数据集。步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。所述步骤1中，利用暂态仿真或WAMS历史数据作为学习样本集，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入，其中由于故障切除时间不是一个固定的常数，因此将以最大故障切除时间为基准对不足序列进行补零操作，因此样本特征数据集x可表示为：式中，V表示重要母线的电压，θ表示重要母线相角，P表示部分重要的与发电机母线直连线路的有功功率，t表示实际时间序列长度，tmax表示最大时间序列，Bu表示共有Bu条重要母线，Br表示共有Br条重要的与发电机母线直连线路。所述步骤2中的归一化方法将对样本集进行归一化处理，归一化公式为：其中表示初始特征第j列时间序列的t时刻的原始特征值，表示归一化后的特征值，和分别表示样本集中所有样本第j列所有特征值的均值和标准差。所述步骤3中，对于每个样本，依据暂态稳定指标TSI来对其进行暂态稳定标注，TSI的公式为：其中Δδmax为发生扰动后4s末任意两台发电机功角差最大值。对于每个样本，如果TSI为正，则系统是稳定的，样本标签标注为1；如果TSI为负，系统是不稳定的，样本标签标注为0。所述步骤4中，构建的基于深度神经网络的电力系统暂态稳定评估模型是一个由一个输入层INPUT、一个本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的电力系统暂态稳定评估方法，其特征在于，包括以下步骤：步骤1：通过时域仿真法或者利用WAMS系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入。步骤2：对样本集进行数据归一化处理。步骤3：根据暂态稳定指标对样本数据进行标注，稳定样本标注为1，不稳定样本标注为0。步骤4：构建基于双向长短时记忆网络和改进卷积神经网络的暂态稳定评估模型，并将步骤3中标注好的数据集按8：2划分为训练集/测试集，各子集通过均匀随机抽样从总样本集中取出，保证稳定/失稳样本比例与总体样本一致。步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型。步骤6：利用步骤2和步骤4对WAMS系统采集得到的新电力系统数据信息进行处理，构建测评数据集。步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。

【技术特征摘要】
1.一种基于深度神经网络的电力系统暂态稳定评估方法，其特征在于，包括以下步骤：步骤1：通过时域仿真法或者利用WAMS系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入。步骤2：对样本集进行数据归一化处理。步骤3：根据暂态稳定指标对样本数据进行标注，稳定样本标注为1，不稳定样本标注为0。步骤4：构建基于双向长短时记忆网络和改进卷积神经网络的暂态稳定评估模型，并将步骤3中标注好的数据集按8：2划分为训练集/测试集，各子集通过均匀随机抽样从总样本集中取出，保证稳定/失稳样本比例与总体样本一致。步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型。步骤6：利用步骤2和步骤4对WAMS系统采集得到的新电力系统数据信息进行处理，构建测评数据集。步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。2.根据权利要求1所述的暂态稳定评估方法，其特征在于：所述步骤1中，利用暂态仿真或WAMS历史数据作为学习样本集，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将重要母线的电压幅值和相角以及部分重要的与发电机母线直连线路的有功功率作为样本特征即模型的输入，其中由于故障切除时间不是一个固定的常数，因此将以最大故障切除时间为基准对不足序列进行补零操作，因此...

【专利技术属性】
技术研发人员：李向伟，许刚，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11