【技术实现步骤摘要】
一种基于生成对抗网络的电力系统动态安全评估方法
本专利技术涉及电力系统动态安全评估领域,具体涉及一种基于生成对抗网络的电力系统动态安全评估方法。
技术介绍
随着可再生能源的日益普及和需求侧的积极响应,电力系统引入了更多的不确定性,这对电力系统的动态安全评估(DynamicSecurityAssessment,DSA)提出了极大的挑战。一般而言,传统的DSA模型输入是完整的,并且总是在线可供应用的。然而,由于同步相量测量单元(PhasorMeasurementUnits,PMUs)故障、通信拥塞/故障、甚至网络攻击等实际问题,会影响到电力系统的动态安全评估。虽然传统的方法都是基于完整的数据输入,但是如果缺少数据,这些方法就会失效。因此,迫切需要容错方法来在数据丢失的情况下使电力系统能保持安全稳定的性能。目前,通常采用决策树方法、基于特征估计的方法和基于特征集成学习的方法来缓解缺失数据的不利影响。决策树方法常常使用相邻的树节点数据来替换丢失的数据,然而其性能往往不理想。基于特征估计的方法可以直接预测PMUs缺失的数据,但需要针对不同的PMUs数据缺失情况训练大量的分类器,增加训练负担。基于特征集成学习的算法通过设计特征集成模型,用于有策略地将受约束的PMUs的数据集合作为训练数据库,进一步利用该数据库训练单个DSA模型。在PMUs数据缺失的任何条件下,可用分类器的集成都可以用最少的单个分类器实现最大的系统可观测性,从而保持较高的精度和计算效率。然而,这些方法完全依赖于PMUs的可观测性和网络拓扑,一旦它们 ...
【技术保护点】
1.一种基于生成对抗网络的电力系统动态安全评估方法,其特征在于,包括以下步骤:/n步骤1:基于电力系统同步向量测量装置收集的历史运行数据和经过一系列故障仿真产生的仿真数据,构建包含运行变量和暂态稳定裕度安全指标的初始样本集;/n步骤2:对获得的初始样本集进行数据预处理,通过特征选择筛选出与暂态稳定裕度指标高度相关的特征,构建包含关键特征数据及暂态稳定裕度标签的高效样本集;/n步骤3:利用构建的高效样本集对生成对抗网络和卷积神经网络进行离线训练及更新,得到能够准确填补缺失数据的生成对抗网络模型和动态安全评估模型;/n步骤4:通过智能系统实时检测同步向量测量装置数据的完整性,若数据完整,则将数据直接输入到动态安全评估模型进行电力系统的动态安全评估;若有数据缺失,则将同步向量测量装置采集的不完整数据输入到生成对抗网络模型进行缺失数据的填补,再将填补的完整数据集输入动态安全评估模型进行电力系统的动态安全评估。/n
【技术特征摘要】
1.一种基于生成对抗网络的电力系统动态安全评估方法,其特征在于,包括以下步骤:
步骤1:基于电力系统同步向量测量装置收集的历史运行数据和经过一系列故障仿真产生的仿真数据,构建包含运行变量和暂态稳定裕度安全指标的初始样本集;
步骤2:对获得的初始样本集进行数据预处理,通过特征选择筛选出与暂态稳定裕度指标高度相关的特征,构建包含关键特征数据及暂态稳定裕度标签的高效样本集;
步骤3:利用构建的高效样本集对生成对抗网络和卷积神经网络进行离线训练及更新,得到能够准确填补缺失数据的生成对抗网络模型和动态安全评估模型;
步骤4:通过智能系统实时检测同步向量测量装置数据的完整性,若数据完整,则将数据直接输入到动态安全评估模型进行电力系统的动态安全评估;若有数据缺失,则将同步向量测量装置采集的不完整数据输入到生成对抗网络模型进行缺失数据的填补,再将填补的完整数据集输入动态安全评估模型进行电力系统的动态安全评估。
2.根据权利要求1所述的一种基于生成对抗网络的电力系统动态安全评估方法,其特征在于:在步骤1中,基于电力系统历史数据和经过一系列故障仿真产生的仿真数据,构建一个包含大量系统运行变量(如:各节点的电压幅值、负载;各发电机的有功、无功出力;各分流器的无功出力;各节点之间的潮流、有功/无功损失)和TSMs安全指标的初始样本集;
TSM指标的构建如公式(1)所示:
式中:CCTi为电力系统某个位置在事故i下的极限切除时间;ACTi为故障点在事故i下的实际切除时间;TSMi为该位置的暂态稳定裕度;
基于构建的TSMs指标,建立相应的安全分类规则,设置一个适当且可接受的阈值α来区分样本的状态,安全分类规则的构建如公式(2)所示:
3.根据权利要求1所述的一种基于生成对抗网络的电力系统动态安全评估方法,其特征在于:在步骤2中,首先对数据进行预处理,采用最大信息系数(MaximalInformationCoefficient,MIC)探究上述涉及的各种系统运行变量之间的线性和非线性关系,筛选出与TSMs指标高度相关的特征,构建一个高效样本集,以此降低GAN模型和DSA模型的训练负担。
4.根据权利要求1至3其中之一所述的一种基于生成对抗网络的电力系统动态安全评估方法,其特征在于:在步骤3中,基于构建的高效样本集,对GAN模型和DSA模型进行训练,训练过程分为两步:离线训练阶段和更新阶段;在离线训练阶段,采用电力系统的历史运行数据进行GAN模型和DSA模型的离线训练;在更新阶段,采用一系列故障仿真产生的仿真数据和因电力系统运行过程中拓扑结构发生改变而产生的新数据,进行GAN模型和DSA模型的更新。
5.根据权利要求1所述的一种基于生成对抗网络的电力系统动态安全评估方法,其特征在于:在步骤4中,通过判断数据的完整性来确定是否需要GAN填补数据,其中GAN填补缺失数据的性能如公式(3)所示:
式中:Nt是测试实例总数;和是实际数据值和预测缺失数据值。
6.根据权利要求1或5所述的一种基于生成对抗网络的电力系统动态安全评估方法,其特征在于:在步骤4中,电力系统的DSA是一个二分类问题,通过构建预测的准确率(AC)、预测的精确率(PR)与召回率(RE)的调和平均值F1指标来判别DSA模型的预测性能,其中AC、PR、RE和F1的表达式分别如公式(4)-(7)所示:
式中:F11表示将实际是稳定状态的样本识别预测为稳定状态的样本数;F10表示将实际是稳定状态的样本识别预测为不稳定状态的样本数;F01表示将实际是不稳定状态的样本识别预测为稳定状态的样本数;F00表示将实际是不稳定状态的样本识...
【专利技术属性】
技术研发人员:刘颂凯,刘炼,刘峻良,陈浩,张涛,李文武,李欣,郭攀锋,刁良涛,邱立,曹成,王丰,李丹,
申请(专利权)人:三峡大学,
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。