一种自适应扩充数据的电力系统暂态稳定自动评估方法技术方案

本发明专利技术涉及一种自适应扩充数据的电力系统暂态稳定智能评估方法，属于电力系统稳定分析技术领域。首先采集电力系统在故障切除后数据，得到训练集和验证集；利用深度神经网络训练算法对训练集进行训练，得到初始暂态稳定评估模型；考虑数据噪声和部分发电机信息缺失情况，对训练集和验证集进行扩充，采用不同扩充规模的训练集对暂态稳定评估模型进行微调，直到暂态稳定评估模型对扩充后的验证集的评估性能不再提高，从而得到最终的暂态稳定评估模型；当电力系统发生故障后，采集相应的输入特征，输入至暂态稳定评估模型中，得到最终的暂态稳定评估结果。本方法能够显著提高暂态稳定评估模型在噪声和信息缺失情况下的鲁棒性，更具有实用价值。

An automatic evaluation method of power system transient stability based on adaptive extended data

【技术实现步骤摘要】
一种自适应扩充数据的电力系统暂态稳定自动评估方法
本专利技术涉及一种自适应扩充数据的电力系统暂态稳定自动评估方法，属于电力系统稳定分析

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，如何快速准确判断电力系统的暂态稳定性是电力系统安全防控要考虑的重要问题之一。近年来，诸如支持向量机、极限学习机等数据驱动方法已经被用于分析预设故障下的电力系统暂态稳定性。随着信息、通信技术的高速发展，电网的可观性及可控性水平大幅提高，多元广域信息的获取和利用为数据驱动的暂态稳定评估新方法的研究提供了数据支撑，但也引入了噪声和信息通信网络失效的风险。传统基于数据的暂态稳定分析方法的研究往往假定信息系统提供的信息是完整、及时、准确的。一旦通信系统出现延时、故障或受到恶意攻击，将严重影响暂态稳定分析功能的时效性和准确性，甚至导致错误分析和决策。亟需研究在信息扰动场景下鲁棒的暂态稳定评估方法。
技术实现思路
本专利技术的目的是提出一种自适应扩充数据的电力系统暂态稳定自动评估方法，通过自适应的增加含噪声和部分发电机信息缺失的数据本文档来自技高网...

【技术保护点】
1.一种自适应扩充数据的电力系统暂态稳定自动评估方法，其特征在于该方法包括以下步骤：/n(1)对具有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，对s种运行工况在f种故障下的暂态稳定性进行时域仿真计算，得到s×f种运行场景数据构成的数据集D

【技术特征摘要】
1.一种自适应扩充数据的电力系统暂态稳定自动评估方法，其特征在于该方法包括以下步骤：
(1)对具有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，对s种运行工况在f种故障下的暂态稳定性进行时域仿真计算，得到s×f种运行场景数据构成的数据集D0＝(Xk，yk)，其中，上标k表示第k种运行场景，k＝1,2,…,s×f，yk表示基于第k种运行场景极限切除时间CCTk的暂态稳定裕度指标：



其中，tclk表示第k种运行场景的故障清除时间，故障清除时间根据继电保护历史动作情况设定，取值范围为0.05s～0.3s，CCTk表示第k种运行场景的极限切除时间，通过仿真计算得到，Xk表示第k种运行场景的特征向量：
Xk＝[PGik(t)/PGik(0),δik(t),ωik(t),αik(t),Eik(t)]
其中，PGik(t)表示故障清除后第t个采样点的发电机有功功率，PGik(0)表示故障发生前发电机有功功率，δik(t)表示故障清除后第t个采样点的发电机转子角度，ωik(t)表示故障清除后第t个采样点的发电机转子角速度，αik(t)表示故障清除后第t个采样点的发电机转子角加速度，Eik(t)表示故障清除后第t个采样点的发电机动能，下标i表示电力系统中的第i台发电机，i＝1,2,…,N，t表示第t个采样点，t＝1,2,…,n，n为设定的采样点数，采样频率选为电力系统的额定频率；
(2)采用线性归一化方法，对步骤(1)的数据集D0中的特征向量Xk进行归一化，得到归一化后的数据集其中表示归一化后的特征向量；
(3)从步骤(2)的数据集D1中随机抽取种场景作为训练集Dtrain，剩余个样本作为验证集Dverify，其中表示对0.8×s×f向下取整；
(4)设计一个深度神经网络模型C0，其中，深度神经网络模型C0的输入为步骤(2)中归一化后的特征向量深度神经网络模型C0的输出为步骤(1)暂态稳定评估指标yk，神经网络的层数和每一层的神经元个数由人为设定，采用Adam算法和训练集Dtrain对深度神经网络模型参数进行求解，Adam算法迭代中的训练轮次和批数量由人为设定；
(5)统计电力系统历史量测数据中的噪声含量和量测信息缺失的发电机台数，考虑数据噪声和发电机量测信息缺失，根据步骤(3)的验证集Dverify生成一个新验证集Dverify-new，具体包括以下步骤：
(5-1)从电力系统调度中心获取历史量测数据中的噪声含量，根据历史量测数据中噪声含量的统计结果得到新验证集Dverify-new中最小噪声方差σmin、最大噪声方差σmax和噪声步长Δσ；
(5-2)依次在验证集Dverify的所有归一化特征向量上分别叠加方差为σmin、σmin+Δσ、σmin+2Δσ、……、σmax的高斯白噪声，得到新验证集Dverify-noisy；
(5-3)从电力系统调度中心获取历史量测数据中的量测信息缺失的发电机台数，根据历史量测数据中量测信息缺失的发电机台数的统计结果，得到新验证集中缺失信息的发电机最小台数Mmin和最大台数Mmax；
(5-4)依次在验证集Dverify的所有归一化特征向量上分别随机设置Mmin、Mmin+1、Mmin+2、……、Mmax台发电机的特征信息缺失，用剩余发电机相应特征的平均值作为缺失值，得到新验证集Dverify-miss；
(5-5)将步骤(5-2)的新验证集Dverify-noisy和步骤(5-4)的新验证集Dverify-miss合并，得到新验证集Dverify-new；
(6)根据步骤(3)的训练集Dtrain以及电力系统历史量测数据中的缺失信息的发电机台数统计信息，对训练集进行扩充，利用扩充后的训练集对步骤(4)的深度神经网络模型C0进行微调，通过多...

【专利技术属性】
技术研发人员：孙宏斌，周艳真，郭庆来，王彬，吴文传，兰健，王铮澄，张宇谦，段方维，杨滢璇，刘芮彤，韩月，李铁，张艳军，崔岱，
申请(专利权)人：清华大学，国网辽宁省电力有限公司电力科学研究院，国网辽宁省电力有限公司，国家电网有限公司，
类型：发明
国别省市：北京;11