一种电力系统暂态稳定预测模型的更新方法技术方案

本发明专利技术涉及一种电力系统暂态稳定预测模型的更新方法，属于电力系统稳定控制技术领域。首先对初始训练场景集考虑的运行工况和预想故障进行统计，根据未来场景的预测情况，将其与已训练场景的运行工况和预想故障进行对比，根据对比结果判断是否启动暂态稳定预测模型的更新过程。本发明专利技术将未来场景集分为未计算暂态稳定性的训练样本和已计算暂态稳定性的测试样本；通过计算训练样本的不确定指标，选择不确定指标高的训练样本进行完整时域仿真，计得到暂态稳定性结果。本发明专利技术方法减少了时域仿真的计算时间，减少了模型再训练时间，从而减少了暂态稳定预测模型的在线更新时间，更新得到的暂态稳定预测模型仍能保证较高的准确率，具有重要的实用价值。

An update method of power system transient stability prediction model

【技术实现步骤摘要】
一种电力系统暂态稳定预测模型的更新方法
本专利技术涉及一种电力系统暂态稳定预测模型的更新方法，属于电力系统稳定控制

技术介绍
暂态稳定性破坏是电力系统发生大规模停电事故的重要原因，如何快速准确判断系统的暂态稳定性是电力系统安全防控要考虑的主要问题之一。近年来，智能电网建设的不断深入，使得电力系统中采集的运行数据日益丰富和完善，使得基于数据驱动的暂态稳定预测方法受到国内外学者的广泛关注。由于电网网架结构、运行方式不断变化，若用彼时的数据得到的模型来预测此时电力系统的暂态稳定性，预测模型可能存在准确率降低甚至失效的情况，因此，基于人工智能的暂态稳定预测模型需要根据电网实际运行工况进行更新。在模型更新时，首先要根据运行工况和预想故障生成用于更新暂态稳定预测模型的新样本，然后，基于新样本重新训练暂态稳定评估模型。然而，生成海量数据、暂态稳定评估模型的更新都需要较多时间，将影响深度神经网络模型的在线应用。如何快速地更新暂态稳定预测模型，提高深度神经网络模型更新时的计算效率是亟需解决的问题。
技术实现思路
本专利技术的目的是提出一种电力系统暂态稳定预测模型的快速更新方法，采用深度神经网络构建电力系统暂态稳定预测模型，当电力系统运行工况、拓扑发生变化时，只通过时域仿真生成少量标记样本，利用少数标记样本对已生成的深度神经网络模型进行微调，进而降低暂态稳定预测模型的在线更新的计算时间，提高深度神经网络模型在暂态稳定预测方面的实用性。本专利技术提出的电力系统暂态稳定预测模型的更新方法，包括以下步骤：(1)对一个具有N台发电机的电力系统，根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S0，根据S0和深度神经网络模型的构建方法，得到用于在线暂态稳定预测的初始深度神经网络模型C，统计初始场景集S0中各场景的运行工况和预想故障情况，具体包括以下步骤：(1-1)判断当前初始场景集S0是否为空集，如果S0不是空集，则转入步骤(1-2)，如果S0是空集，则根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S0：其中，Ok表示电力系统在场景k中线路和负荷的接入情况，Fk表示场景k中考虑的预想故障，通常包括故障位置、故障类型和故障切除时间，PGi表示电力系统中第i台发电机的有功功率，VGi表示第i台发电机的机端电压幅值，PLoadj表示电力系统中第j个负荷节点的有功负荷，QLoadj表示第j个负荷节点的无功负荷，Xk＝(xk,1,xk,2,…,xk,f)表示场景k中采集的f个输入特征，yk＝(y1k,y2k)表示场景k的暂态稳定性，设定yk＝(0,1)表示场景k中电力系统能够保持暂态稳定，yk＝(1,0)表示场景k中电力系统将暂态失稳；(1-2)判断深度神经网络模型C是否存在，如果C存在，则转入步骤(1-3)，如果C不存在，则利用深度神经网络构建步骤(1-1)中初始场景集S0的输入特征Xk与yk的映射关系，得到用于在线暂态稳定预测的初始深度神经网络模型C，其中深度神经网络模型可以使用深度卷积神经网络、深度置信神经网络、深度残差网络等，每一层的参数由人为设定，最终模型C的输出向量为且满足P(y1k＝1|Xk)+P(y2k＝1|Xk)＝1，其中，P(y1k＝1|Xk)表示当输入为Xk而输出为y1k＝1的概率，P(y2k＝1|Xk)表示当输入为Xk而输出为y2k＝1的概率，对两个概率的大小进行比较，若P(y1k＝1|Xk)≥P(y2k＝1|Xk)，则判断场景k中电力系统将失稳，若P(y1k＝1|Xk)<P(y2k＝1|Xk)，则判断场景k中电力系统能够保持稳定；(1-3)对步骤(1-1)得到的初始场景集S0中的Ok、Fk、PGi、VGi、PLoadj和QLoadj进行统计，得到Ok、Fk、PGi、VGi、PLoadj和QLoadj的分布情况，具体包括以下步骤：(1-3-1)对S0中所有场景中线路和负荷的接入情况进行两两比较，若两个场景中所有线路和负荷的接入情况完全相同，则认为是同一种线路和负荷接入方式，否则认为是两种线路和负荷接入方式，最终，得到包含u种线路和负荷接入方式的集合o_set＝{o(1),o(2),…,o(u)}，其中，o(a)表示集合o_set中的第a种线路和负荷接入方式，a＝1,…,u；(1-3-2)对S0中采用第a种线路和负荷接入情况o(a)涵盖的所有场景下的预想故障进行两两比较，若两种场景对应的预想故障类型、故障位置和故障切除时间完全相同，则认为是同一种预想故障，若两种场景对应的预想故障类型、故障位置和故障切除时间不完全相同，则认为是两种不同的预想故障，最终，第a种线路和负荷接入情况o(a)对应的所有场景共包含n(a)种预想故障，得到由n(a)种预想故障构成的集合f_set＝{f(a,1),f(a,2),…,f(a,n(a))}，其中，f(a,b)表示第a种线路和负荷接入情况o(a)对应的第b种预想故障,b＝1,…,n(a)；(1-3-3)对步骤(1-3-2)中第a种线路和负荷接入情况o(a)对应第b种预想故障f(a,b),b＝1,…,n(a)，分别统计得到f(a,b)涵盖的所有场景中第i台发电机的有功功率PGi和机端电压幅值VGi的上限值和下限值和第j个负荷节点的有功负荷PLoadj和无功负荷QLoadj的上限值和下限值：其中，M(a)为电力系统在第a种线路和负荷接入情况下的负荷节点数，PGi(a,b)为f(a,b)涵盖的所有场景中第i台发电机有功功率的下限值，为f(a,b)涵盖的所有场景中第i台发电机有功功率的上限值，VGi(a,b)为f(a,b)涵盖的所有场景中第i台发电机机端电压幅值的下限值，为f(a,b)涵盖的所有场景中第i台发电机机端电压幅值的上限值，PLoadj(a,b)为f(a,b)涵盖的所有场景中第j个负荷节点有功负荷的下限值，为场景f(a,b)中第j个负荷节点有功负荷的上限值，QLoadj(a,b)为f(a,b)涵盖的所有场景中第j个负荷节点无功负荷的下限值，为f(a,b)涵盖的所有场景中第j个负荷节点无功负荷的上限值；(2)设定暂态稳定预测模型的更新周期为T1，根据电力系统控制中心对未来T1到2T1时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算结果，得到未来T1到2T1时间内需要考虑的p+q种新场景S1，其中有p种场景包含在初始场景集S0中，构成新增场景集N0，有q种场景未包含在初始场景集S0中，构成新增场景集N1，p+q的值由人为设定，具体包括以下步骤：(2-1)根据当前时间判断下一个更新周期是否到来，如果下一个更新周期已经到来，则进行步骤(2-2)，如果下一个更新周期还未到来，则返回步骤(2-1)；(2-2)根据电力系统控制中心对未来T1到2T1时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算结果，得到电力系统未来T1到2T1时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算，得到未来T1到2T1时间内需要考虑的p+q种新场景构成的新场景集S1：其中，上标new表示与初始场景集S0相区别的新场景，上标l＝1,…,p+q是新场景编号，表示新场景集S1中的第l个新场景，p+q的值为新场景集S1的总场景数，其值由人为设本文档来自技高网...

【技术保护点】
1.一种电力系统暂态稳定预测模型的更新方法，其特征在于该方法包括以下步骤：(1)对一个具有N台发电机的电力系统，根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S0，根据S0和深度神经网络模型的构建方法，得到用于在线暂态稳定预测的初始深度神经网络模型C，统计初始场景集S0中各场景的运行工况和预想故障情况，具体包括以下步骤：(1‑1)判断当前初始场景集S0是否为空集，如果S0不是空集，则转入步骤(1‑2)，如果S0是空集，则根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S0：

【技术特征摘要】
1.一种电力系统暂态稳定预测模型的更新方法，其特征在于该方法包括以下步骤：(1)对一个具有N台发电机的电力系统，根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S0，根据S0和深度神经网络模型的构建方法，得到用于在线暂态稳定预测的初始深度神经网络模型C，统计初始场景集S0中各场景的运行工况和预想故障情况，具体包括以下步骤：(1-1)判断当前初始场景集S0是否为空集，如果S0不是空集，则转入步骤(1-2)，如果S0是空集，则根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S0：其中，Ok表示电力系统在场景k中线路和负荷的接入情况，Fk表示场景k中考虑的预想故障，通常包括故障位置、故障类型和故障切除时间，PGi表示电力系统中第i台发电机的有功功率，VGi表示第i台发电机的机端电压幅值，PLoadj表示电力系统中第j个负荷节点的有功负荷，QLoadj表示第j个负荷节点的无功负荷，Xk＝(xk,1,xk,2,…,xk,f)表示场景k中采集的f个输入特征，yk＝(y1k,y2k)表示场景k的暂态稳定性，设定yk＝(0,1)表示场景k中电力系统能够保持暂态稳定，yk＝(1,0)表示场景k中电力系统将暂态失稳；(1-2)判断深度神经网络模型C是否存在，如果C存在，则转入步骤(1-3)，如果C不存在，则利用深度神经网络构建步骤(1-1)中初始场景集S0的输入特征Xk与yk的映射关系，得到用于在线暂态稳定预测的初始深度神经网络模型C，其中深度神经网络模型可以使用深度卷积神经网络、深度置信神经网络、深度残差网络等，每一层的参数由人为设定，最终模型C的输出向量为且满足P(y1k＝1|Xk)+P(y2k＝1|Xk)＝1，其中，P(y1k＝1|Xk)表示当输入为Xk而输出为y1k＝1的概率，P(y2k＝1|Xk)表示当输入为Xk而输出为y2k＝1的概率，对两个概率的大小进行比较，若P(y1k＝1|Xk)≥P(y2k＝1|Xk)，则判断场景k中电力系统将失稳，若P(y1k＝1|Xk)<P(y2k＝1|Xk)，则判断场景k中电力系统能够保持稳定；(1-3)对步骤(1-1)得到的初始场景集S0中的Ok、Fk、PGi、VGi、PLoadj和QLoadj进行统计，得到Ok、Fk、PGi、VGi、PLoadj和QLoadj的分布情况，具体包括以下步骤：(1-3-1)对S0中所有场景中线路和负荷的接入情况进行两两比较，若两个场景中所有线路和负荷的接入情况完全相同，则认为是同一种线路和负荷接入方式，否则认为是两种线路和负荷接入方式，最终，得到包含u种线路和负荷接入方式的集合o_set＝{o(1),o(2),…,o(u)}，其中，o(a)表示集合o_set中的第a种线路和负荷接入方式，a＝1,…,u；(1-3-2)对S0中采用第a种线路和负荷接入情况o(a)涵盖的所有场景下的预想故障进行两两比较，若两种场景对应的预想故障类型、故障位置和故障切除时间完全相同，则认为是同一种预想故障，若两种场景对应的预想故障类型、故障位置和故障切除时间不完全相同，则认为是两种不同的预想故障，最终，第a种线路和负荷接入情况o(a)对应的所有场景共包含n(a)种预想故障，得到由n(a)种预想故障构成的集合f_set＝{f(a,1),f(a,2),…,f(a,n(a))}，其中，f(a,b)表示第a种线路和负荷接入情况o(a)对应的第b种预想故障,b＝1,…,n(a)；(1-3-3)对步骤(1-3-2)中第a种线路和负荷接入情况o(a)对应第b种预想故障f(a,b),b＝1,…,n(a)，分别统计得到f(a,b)涵盖的所有场景中第i台发电机的有功功率PGi和机端电压幅值VGi的上限值和下限值和第j个负荷节点的有功负荷PLoadj和无功负荷QLoadj的上限值和下限值：其中，M(a)为电力系统在第a种线路和负荷接入情况下的负荷节点数，PGi(a,b)为f(a,b)涵盖的所有场景中第i台发电机有功功率的下限值，为f(a,b)涵盖的所有场景中第i台发电机有功功率的上限值，VGi(a,b)为f(a,b)涵盖的所有场景中第i台发电机机端电压幅值的下限值，为f(a,b)涵盖的所有场景中第i台发电机机端电压幅值的上限值，PLoadj(a,b)为f(a,b)涵盖的所有场景中第j个负荷节点有功负荷的下限值，为场景f(a,b)中第j个负荷节点有功负荷的上限值，QLoadj(a,b)为f(a,b)涵盖的所有场景中第j个负荷节点无功负荷的下限值，为f(a,b)涵盖的所有场景中第j个负荷节点无功负荷的上限值；(2)设定暂态稳定预测模型的更新周期为T1，根据电力系统控制中心对未来T1到2T1时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算结果，得到未来T1到2T1时间内需要考虑的p+q种新场景S1，其中有p种场景包含在初始场景集S0中，构成新增场景集N0，有q种场景未包含在初始场景集S0中，构成新增场景集N1，p+q的值由人为设定，具体包括以下步骤：(2-1)根据当前时间判断下一个更新周期是否到来，如果下一个更新周期已经到来，则进行步骤(2-2)，如果下一个更新周期还未到来，则返回步骤(2-1)；(2-2)根据电力系统控制中心对未来T1到2T1时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算结果，得到电力系统未来T1到2T1时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算，得到未来T1到2T1时间内需要考虑的p+q种新场景构成的新场景集S1：其中，上标new表示与初始场景集S0相区别的新场景，上标l＝1,…,p+q是新场景编号，表示新场景集S1中的第l个新场景，p+q的值为新场景集S1的总场景数，其值由人为设定，Onewl表示电力系统在新场景l中线路和负荷的接入情况，Fnewl表示新场景l中考虑的预想故障，PGinewl表示电力系统在新场景l中第i台发电机的有功功率，VGinewl表示电力系统在新场景l中第i台发电机的机端电压幅值，PLoadjnewl表示电力系统在新场景l中第j个负荷节点的有功负荷，QLoadjnewl表示电力系统在新场景l中第j个负荷节点的无功负荷，Xnewl＝[xnewl,1,xnewl,2,…,xnewl,f]表示电力系统在新场景l中采集的f个输入特征，ynewl表示电力系统在新场景l的暂态稳定性，设定ynewk＝(0,1)表示新场景l中电力系统能够保持暂态稳定，ynewl＝(1,0)表示新场景l中电力系统将暂态失稳；(2-3)将新场景集S1中各个场景与初始场景集S0的所有场景进行对比，根据对比结果将S1中的场景划分到新增场景集N1和新增场景集N2，具体包括以下步骤：(2-3-1)将新场景编号l初始化为1；(2-3-2)将新场景编号l与p+q的大小进行对比，若l≤p+q，则进行步骤(2-3-3)，若l>p+q，则转到步骤(3)；(2-3-3)将新场景S1中第l个新场景对应的线路和负荷接入情况Onewl与步骤(1-3-1)得到的集合o_set进行对比，若Onewl与o_set中第t种线路和负荷接入情况o(t)相同,其中t为1到u之间的整数，则进行步骤(2-3-4)，若Onewl不属于集合o_set，则将第l个新场景对应的线路和负荷接入情况Onewl、预想故障Fnewl...

【专利技术属性】
技术研发人员：孙宏斌，郭庆来，周艳真，王彬，吴文传，张伯明，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11