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方案

一种基于生成对抗网络的电力系统动态安全评估方法，包括以下步骤：步骤1：构建一个包含大量运行变量和暂态稳定裕度安全指标的初始样本集；步骤2：构建一个包含关键特征数据及TSMs标签的高效样本集；步骤3：得到能够准确填补缺失数据的GAN模型和动态安全评估模型；步骤4：通过智能系统实时检测PMUs数据的完整性，若数据完整，则将数据直接输入到DSA模型进行电力系统的DSA；若有数据缺失，则将PMUs采集的不完整数据输入到GAN模型进行缺失数据的填补，再将填补的完整数据集输入DSA模型进行电力系统的DSA。本发明专利技术提出了一种基于GAN的电力系统DSA方法，针对电力系统数据缺失的问题能够快速、准确的填补缺失数据并对系统进行DSA，有利于电力操作人员快速采取控制措施，避免发生故障和经济损失。

【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，一旦它们被更改，或者智能系统不能预先判断丢失数据的详细位置，模型可能会变得无效，所以必须进行模型更新。授权公告号为CN109144987A的专利文献公开了一种电力负荷大数据缺失值的高效精确填补法，涉及电力系统负荷大数据预处理
，用于有效解决远程智能终端设备从用户侧获取海量的状态参数时含有的大量的缺失值的问题。该专利技术通过导入一组以矩阵形式呈现的电力负荷数据，经过基本清洗，然后运用算法，利用拉依达准则以及误差阈值判别法则，通过分层数值比较，列、横向关联性分析，再结合权值模型，合理的分配权值，最终科学的找到了较好的值用来填补缺失值,有效的实现了对电力系统负荷大数据缺失值的精确填补，为电力系统发电和调度侧对用户负荷行为的研究提供了保障。它的缺陷在于：①使用基于数学模型的方法生成缺失数据，与基于数据驱动的方法相比，数据生成的速率相对较低；②该填补缺失数据的方法未能直接给出生成数据的预测概率，且缺少充分的实验证明该方法在电力系统安全评估中的适用性，在可行性和可扩展性方面仍有提升的空间。
技术实现思路
针对上述不足，本文提出了一种在不依赖PMUs可观测性和网络拓扑下，建立了一个生成对抗网络(GenerativeAdversarialNets，GAN)模型来填补缺失数据，并采用Adam算法优化GAN模型，使GAN模型具有较高的评估精度和计算效率。最后将新生成的数据输入到DSA模型进行评估，实现对电力系统的DSA。为了实现上述专利技术的目的，采用了以下方案：一种基于生成对抗网络的电力系统动态安全评估方法，包括以下步骤：步骤1：基于电力系统PMUs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，构建一个包含大量运行变量和暂态稳定裕度(TransientStabilityMargins，TSMs)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TSMs指标高度相关的特征，构建一个包含关键特征数据及TSMs标签的高效样本集；步骤3：利用构建的高效样本集对GAN和卷积神经网络(ConvolutionalNeuralNetwork，CNN)进行离线训练及更新，得到能够准确填补缺失数据的GAN模型和DSA模型；步骤4：通过智能系统实时检测PMUs数据的完整性，若数据完整，则将数据直接输入到DSA模型进行电力系统的DSA；若有数据缺失，则将PMUs采集的不完整数据输入到GAN模型进行缺失数据的填补，再将填补的完整数据集输入DSA模型进行电力系统的DSA。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：TSM≥α→安全标签1(2)TSM<α→不安全标签0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。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(数据不包含在历史运行数据和故障仿真数据中)，进行GAN模型和DSA模型的更新。针对GAN模型的训练，基于获得的高效样本集，GAN模型的训练过程可分为两步：固定生成器参数来更新判别器和固定判别器参数来更新生成器。训练GAN模型的同时，基于所构建的高效样本集，对DSA模型进行离线训练。首先构建一些输入特征，再对所构建的输入特征进行筛选形成一定大小的输入，同时还要输出该样本的动态稳定状态作为有监督地训练CNN的样本标签。再随机地将样本分为训练样本测试样本。训练样本用来训练CNN，测试样本用来验证训练好的CNN的性能。通过构建t0故障发生时刻和t1故障切除时刻的相关特征，来进行电力系统的DSA。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。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表示将本文档来自技高网...

【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