【技术实现步骤摘要】
一种基于级联深度森林的电力系统暂态稳定评估方法
本专利技术属于电力系统安全稳定分析领域,尤其涉及一种基于级联深度森林的电力系统暂态稳定评估方法。技术背景现代电力系统的规模不断增大,网架结构日益复杂,对系统的安全稳定分析技术提出了更高的要求,暂态稳定评估即是其中的一个重要环节。如何在故障后快速准确地实现暂态稳定判别已成为电力系统近年来的研究热点。目前,电力系统暂态稳定分析手段主要包括时域仿真法、直接法和人工智能方法。时域仿真法数学模型直观且计算结果准确,但计算速度较慢,难以满足在线评估需求,因此被广泛用于离线分析与校核。直接法基于能量观点进行暂态稳定计算,物理意义明确,但计算结果比较保守,并且往往难以找到合适的能量函数。而电力系统中广域测量信息的不断丰富完善,则为人工智能、数据挖掘技术在暂态稳定研究中应用提供了广阔的前景。作为人工智能的核心技术,机器学习为实现暂态稳定评估提供了新的思路。从机器学习的角度来看,暂态稳定评估通常是一个二分类问题,即判断系统是否稳定。解决这一问题的关键在于,分类器通过离线训练从样本中学习特征量与系统暂态稳定状态之间的映射关系,在线应用时即可利用实时运行数据快速预测系统的暂态稳定性。人工神经网络、支持向量机、决策树等经典机器学习算法都已被应用于暂态稳定评估。然而这些模型大多都属于浅层模型,拟合能力有限,无法保证对复杂分类问题的泛化性能。近年来,迅速发展的深度学习技术在图像识别、自然语言处理和欺诈检测等任务上表现出了优于浅层模型的效果。包括卷积神经网络、深度置信网络和自动编码 ...
【技术保护点】
1.一种基于级联深度森林的电力系统暂态稳定评估方法,其特征在于,包括以下步骤:/n步骤1,构建仿真模型,并利用电力系统分析软件进行时域仿真得到样本集;/n步骤2,随机选择样本集中的50%作为训练集,其余50%构成测试集;/n步骤3,根据训练集训练级联深度森林模型,实现暂态稳定评估。/n
【技术特征摘要】
1.一种基于级联深度森林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,构建仿真模型,并利用电力系统分析软件进行时域仿真得到样本集;
步骤2,随机选择样本集中的50%作为训练集,其余50%构成测试集;
步骤3,根据训练集训练级联深度森林模型,实现暂态稳定评估。
2.根据权利要求1所述基于级联深度森林的电力系统暂态稳定评估方法,其特征在于:
步骤1中所述构建仿真模型具体为:
发电机采用六阶模型,负荷采用恒阻抗模型,故障类型设置为三相短路接地,单次仿真时长设置为20秒;
每次仿真采用不同的运行方式及故障条件,即设置不同的负荷水平、发电机出力水平、故障位置和故障持续时间;
步骤1中所述利用电力系统分析软件进行时域仿真得到样本集为:
每次仿真生成一个包含一组输入特征和对应标注的样本:
(xi,yi)
其中,w代表仿真次数,那么i∈[1,w],第i个样本的输入特征为:
xi={PGi,QGi,PLii,QLii,PLdi,QLdi,Vi,δBi}
同时记录仿真结束时刻各发电机之间的功角差δGi作为标注样本的依据;
PGi为第i个样本中故障切除时刻所有发电机有功功率,QGi为第i个样本中故障切除时刻所有发电机无功功率,PLii为第i个样本中故障切除时刻所有线路有功功率,QLii为第i个样本中故障切除时刻所有线路无功功率,PLdi为第i个样本中故障切除时刻所有负荷有功功率,QLdi为第i个样本中故障切除时刻所有负荷无功功率,Vi为第i个样本中故障切除时刻所有母线电压幅值,δBi为第i个样本中故障切除时刻所有母线电压相角,其中每一类输入特征都是一个集合,包含的具体特征数目与实际系统的拓扑结构有关,每个样本包含的特征总数可用n表示;
yi表示第i个样本中标注类型,若该次仿真结束时刻任意两发电机之间的功角差δGi均小于360度,就将该样本标注为0,即系统可以保持暂态过程的同步稳定稳定,否则将该样本标注为1,即失去暂态稳定;
经过w次仿真可以得到包含与仿真次数相同个数样本的数据集,即步骤1中所述样本集为:
D={(x1,y1),(x2,y2),…,(xw,yw)}。
3.根据权利要求1所述基于级联深度森林的电力系统暂态稳定评估方法,其特征在于:
步骤3中所述根据训练集训练级联深度森林模型,具体步骤如下:
步骤3.1,对深度森林采用的随机森林模型用极限随机树进行替换,具体如下:
随机森林由N棵决策树{h(x,Θk,k=1,...N)}组成;
其中,Θk是一个随机向量,表示一棵决策树的参数,所有的Θk,k=1,...,N均独立同分布;对于任意一个待预测样...
【专利技术属性】
技术研发人员:肖宜,雷鸣,周挺,刘昕,刘杰,秦少明,杨军,
申请(专利权)人:国网湖北省电力有限公司,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。