基于LSTM双结构模型的电力系统暂态稳定预测方法技术方案

本发明专利技术公开了一种基于LSTM双结构模型的电力系统暂态稳定预测方法，先利用开源框架Keras搭建LSTM双结构模型，然后通过迭代循环的方式训练LSTM双结构模型，得到训练好的训练LSTM双结构模型，最后将待检测的电压、电流处理成输入矩阵后输入至训练好的LSTM双结构模型，继而获得故障线路位置信息，然后根据故障线路位置信息，判断发生故障后电力系统的暂态稳定性。

Power system transient stability prediction method based on LSTM double structure model

【技术实现步骤摘要】
基于LSTM双结构模型的电力系统暂态稳定预测方法
本专利技术属于电力系统暂态稳定性预测
，更为具体地讲，涉及一种基于LSTM双结构模型的电力系统暂态稳定预测方法。
技术介绍
近年来，由于电网互联、大规模间歇式能源的并网运行、柔性交流输电系统的投运，使得电力系统的结构、协调控制日趋复杂。当如此大规模的电力系统在运行时，其物理变化过程十分复杂，在此背景下，电力系统的安全稳定运行问题愈加突出。电力系统在给人们带来科学技术的进步和财富的同时，也伴随着灾害事故，并对人类的生命财产构成威胁。当电力系统遭受短路故障等扰动时，若能提前预测出该扰动是否会导致电力系统失稳，以及时采取有效的预防措施，则对电力系统的安全稳定运行具有重大的意义。由于人工智能方向高速发展，人工智能在各个领域开始崭露头角，在电力系统领域，为建设智能电网提供了很多新思路。由于相量测量单元(PMU)和广域监测系统(WAMS)在电网中的大规模布局，多年来已经采集了海量的电网历史数据，为人工智能应用于暂态稳定分析提供了数据基础。而传统的机器学习算法在暂态稳定评估中应用单一，主本文档来自技高网...

【技术保护点】
1.一种基于LSTM双结构模型的电力系统暂态稳定预测方法，其特征在于，包括以下步骤：/n(1)、利用开源框架Keras搭建LSTM双结构模型/n以循环神经网络RNN的变体长短期记忆网络LSTM为基础，基于电力系统暂态故障的故障特征，设计双向长短期记忆网络Bi-Lstm，作为LSTM双重结构模型的特征提取模块，其中，Bi-Lstm中的LSTM单元个数设置为n个；/n(2)、训练LSTM双结构模型/n(2.1)、采集不同故障情况下，电网中发生故障的线路在不同时刻时的电压和电流，记为U

【技术特征摘要】
1.一种基于LSTM双结构模型的电力系统暂态稳定预测方法，其特征在于，包括以下步骤：
(1)、利用开源框架Keras搭建LSTM双结构模型
以循环神经网络RNN的变体长短期记忆网络LSTM为基础，基于电力系统暂态故障的故障特征，设计双向长短期记忆网络Bi-Lstm，作为LSTM双重结构模型的特征提取模块，其中，Bi-Lstm中的LSTM单元个数设置为n个；
(2)、训练LSTM双结构模型
(2.1)、采集不同故障情况下，电网中发生故障的线路在不同时刻时的电压和电流，记为Uij、Iij，其中，i＝1,2,…,t，j＝1,2,…l，t表示采样的总时刻，l为电网中线路的条数；
(2.2)、将采集到的电压和电流值按照采集时间顺序构成输入矩阵；



(2.3)、获取Bi-Lstm网络的输出矩阵
按照时间先后顺序，以输入矩阵的每一行作为输入，正序输入至LSTM双结构模型，那么，每个LSTM单元的输出记为hik，k＝1,2…,n，hik表示第i个时刻第k个LSTM单元的正向隐层输出；
按照时间先后顺序，以输入矩阵的每一行作为输入输入，反序输入至LSTM双结构模型，那么，每个LSTM单元的输出记为h′ik，k＝1,2…,n，h′ik表示第i个时刻第k个LSTM单元的反向隐层输出；
将各个LSTM单元的正向、反向隐层输出按照时间先后顺序构成Bi-Lstm网络的输出矩阵；



(2.4)、通过展平模块将Bi-Lstm网络的输出矩阵展平成一维数据，记为hf；
hf＝[h11h12…h1nh21…htnh′11h′12…h′1nh′21…h′tn]
(2.5)、利用注意力机制模块关注电网中各线路发生故障前后的电压电流；
(2.5.1)、按照时间先后顺序，以Bi-Lstm网络的输出矩阵的每一行作为输入，计算各行输入数据的注意力权重αi；



其中，变量ei满足：

或
其中，为待学习的参数，其初值为初始化随机值；
(2.5.2)、关注发生故障线路并输；



将关注后的所有故障线路的电压电流通过一维数据输出为：

【专利技术属性】
技术研发人员：刘群英，章凡，霍欣莉，衡一佳，李博文，司永达，陈树恒，张昌华，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51