基于深度神经网络的交直流混联电网暂态稳定判断方法技术

本发明专利技术涉及一种基于深度神经网络的交直流混联电网暂态稳定判断方法，属于电网暂态稳定评估领域。现代电网出现了信息物理融合与大电网复杂互联等新特征，对电力系统暂态稳定评估方法产生了极大的影响。为了能够适应未来电网出现的新特性，本发明专利技术将深度学习方法引入电力系统暂态稳定判断；通过仿真获取能够反应交直流电网系统特征的暂态样本数据集，利用深度学习架构对特征数据集与稳定结果之间的映射关系进行训练。采用改进的IEEE新英格兰10机39节点作为测试系统，相较于常用的浅层学习方法支持向量机、决策树，本发明专利技术所采用的的技术方案能够更快实现暂态稳定评估，评估准确率更高，泛化能力更强。

【技术实现步骤摘要】
基于深度神经网络的交直流混联电网暂态稳定判断方法
本专利技术属于电力系统暂态稳定判断领域，具体为一种基于深度神经网络的交直流混联电网暂态稳定判断方法。
技术介绍
伴随着智能电网建设的快速推进，未来智能电网将会呈现电力电子化、信息物理融合和大电网复杂互联等新特征，这都会给未来电力系统暂态稳定判断(transientstabilityassessment，TSA)的工作带来很大的挑战。随着人工智能技术迅速崛起，基于机器学习和深度学习技术的电力系统暂态稳定判断方法从模式识别的角度另辟蹊径，逐渐进入人们的视野，被人们认为是未来电力系统暂态稳定判断的新方法和关键技术之一。由于交直流混联电网的运行方式复杂多变、高维度、非线性等特性，多数浅层学习方法对于电网运行特征的处理能力略显不足，当处理复杂暂态判断分类问题时，这些方法的泛化能力会受到较大的约束。近几年来随着深度学习技术(DL，deeplearning)的跨越式发展，为电网暂态稳定判断研究提供了一条崭新的思路，即通过搭建多个隐藏层的学习模型，通过大量的电网数据学习更有用的特征，从而提高电力系统暂态稳定判断的准确率与泛化能力。
技术实现思路
为了解决上述所存在的问题，本专利技术提出了一种基于深度神经网络(DNN)的交直流混联电网暂态稳定判断方法。本专利技术包括步骤：步骤一：交直流混联电网系统的搭建以及系统暂态原始数据集的获取，具体如下所示：采用新英格兰10机39节点测试系统作为系统原型，在原系统的16节点位置加入了一个两端直流模型，安排直流功率为1000MW，组成一个交直流混联电网系统。故障信息设置主要从以下三个方面考虑：系统的负荷水平、故障持续的时间、故障发生的位置。分别选取选取80％，90％，100％，110％，120％，130％共6种负荷水平，故障持续时间分别为4周波，5周波，6周波，7周波，8周波，10周波共6种持续时间，故障发生的位置分别为线路的0％，50％，80％共3处，仿真时长为200周波，频率为50Hz，采用PSD-BPA对系统进行仿真，获取暂态原始数据集。步骤二：样本数据集的具体描述，具体说明如下：交直流混联电网的暂态样本数据集主要包括两个部分：样本集X与标签集Y。样本集X作为深度神经网络模型的输入，标签集Y作为模型训练的目标，将X和Y简单描述如下：式(1)中行向量看做暂态样本数量，列向量看做每个样本的特征数量，即一共m个样本，每个样本有n个特征属性，作为深度神经网络模型的输入。标签集Y考虑稳定与不稳定两种情况，即Y共有2种类别具体描述如下：式(2)中[y1,y2,y3……ym]都是行向量，采用One-Hot编码，即y＝[1,0]代表稳定标签，y＝[0,1]代表失稳标签。步骤三：系统暂态样本特征的选择，具体描述如下：深度神经网络模型关键一步就是样本特征变量的选择，通常要选取物理意义明确，代表系统运行状态的特征。动态特征与静态特征；从空间方面考虑，可以考虑发电机参数特征与电网参数特征；发电机的特征参数涵盖了功角、转子速度、角加速度、转子动能等常见的影响稳定的因素；电网方面主要包括总出力、总负荷、母线电压等；此外本专利技术针对交直流混联电网系统的暂态稳定，额外加入直流电压、直流功率两个特征变量。具体的暂态特征选择见下表1所示。表1样本特征选取步骤四：采用搭建好的深度神经网络模型对样本数据进行训练,具体描述如下所示：(1)将样本特征数据输入到深度神经网络模型中，样本数据到达第一层隐藏层，经过函数加权变换，得到第一层隐含层的输出结果如下：g1＝f(w1x+b1)(3)式(3)中是f该隐含层的激活函数(ActivationFunction)，w1是权重矩阵，b1是偏置，g1是该隐含层的输出结果。同理可知第i层隐藏层的输出为：gi＝f(wigi-1+bi)(4)深度神经网络模型中所有隐含层的激活函数均采用Relu激活函数，具体数学描述如下：(2)经过多个隐藏层之后，得到深度神经网络模型的输出结果如下所示：y＝f'(wngn-1+bn)(6)其中wn、bn分别是权重矩阵和偏置矩阵，gn-1是上一层的输出结果，f'是输出层的激活函数，这里采用softmax函数，具体的数学描述如下所示：式(7)中的输出都在0到1之间，并且其总和为1，分别是各个类别的概率。(3)深度神经网络模型本质上是一个分类模型，损失函数采用交叉熵(CrossEntropy)函数，具体的数学描述如下：式(8)中的为网络的实际输出，y为真实结果的标签，J作为一个误差衡量标准，代表模型输出与真实标签之间的误差，采用Adam算法进行训练，使误差降至最小。步骤五：将步骤一获取的原始数据，经过步骤二、三的处理与特征选择输入到步骤四的深度神经网络模型中进行训练与测试，获得交直流混联电网暂态稳定判断的结果与准确率。本专利技术的有益效果：本专利技术根据深度神经网络处理高维数据能力强，能够挖掘更深层次数据特征的优点，将深度学习技术与交直流混联电网暂态稳定判断结合起来，更好的处理大电网数据复杂互联、数据维度较高的特性，电网数据能够充分的得到训练，能够提高交直流混联电网暂态判断的准确率，具有很好的鲁棒性与泛化能力，从而实现交直流混联电网的快速暂态稳定判断。附图说明图1是本专利技术的暂态稳定判断流程图；图2是本专利技术交直流电网拓扑结构图；图3是本专利技术深度神经网络(DNN)结构图；图4是本专利技术深度神经网络训练准确率示意图；图5是本专利技术深度神经网络训练误差示意图；图6是本专利技术暂态稳定判断的混淆矩阵示意图。具体实施方式下面结合说明书附图和具体实施例对本专利技术的技术方案进行清楚、完整的描述。图1所示是本专利技术的暂态判断流程图，本专利技术采用的交直流混联电网拓扑结构由图2展示，该系统一共有10台发电机，39条母线，46条线路，本专利技术安排发电机有功出力为6158MW，系统有功负荷6098.5MW。采用PSD-BPA进行软件仿真一共生成了4968个样本，其中稳定样本4150个，失稳样本818个。对4968个数据样本进行数据归一化处理，本专利技术采用z-score方法，数学描述如下所示：式(1)中的中的m、σ分别是数据的均值与标准差，x、分别是处理前后的数据样本，经过处理之后的样本数据具有均值为0，方差为1的特性。将4968个样本数据随机划分为训练集和测试集两个部分，训练集所占比例为0.7，测试集所占比例为0.3，保持数据集中稳定和不稳定样本的比例不变，训练集部分是用于训练DNN判断模型，测试集部分用于模型的性能判断。步骤一：交直流混联电网系统的搭建以及系统暂态原始数据集的获取，具体如下所示：采用新英格兰10机39节点测试系统作为系统原型，在原系统的16节点位置加入了一个两端直流模型，安本文档来自技高网...

【技术保护点】
1.基于深度神经网络的交直流混联电网暂态稳定判断方法，其特征方法包括以下步骤：/n步骤一：搭建交直流混联电网系统以及获取系统暂态原始数据集/n采用新英格兰10机39节点测试系统作为系统原型，在系统原型的16节点位置加入一个两端直流模型，安排直流功率为1000MW，组成一个交直流混联电网系统；/n故障信息设置时考虑以下三方面：系统的负荷水平、故障持续的时间、故障发生的位置；采用PSD-BPA对系统进行仿真，仿真时长为200周波，频率为50Hz，获取暂态原始数据集；/n步骤二：描述样本数据集/n交直流混联电网的暂态样本数据集主要包括两个部分：样本集X与标签集Y；样本集X作为深度神经网络模型的输入，标签集Y作为深度神经网络模型训练的目标，将X和Y描述如下：/n

【技术特征摘要】
1.基于深度神经网络的交直流混联电网暂态稳定判断方法，其特征方法包括以下步骤：
步骤一：搭建交直流混联电网系统以及获取系统暂态原始数据集
采用新英格兰10机39节点测试系统作为系统原型，在系统原型的16节点位置加入一个两端直流模型，安排直流功率为1000MW，组成一个交直流混联电网系统；
故障信息设置时考虑以下三方面：系统的负荷水平、故障持续的时间、故障发生的位置；采用PSD-BPA对系统进行仿真，仿真时长为200周波，频率为50Hz，获取暂态原始数据集；
步骤二：描述样本数据集
交直流混联电网的暂态样本数据集主要包括两个部分：样本集X与标签集Y；样本集X作为深度神经网络模型的输入，标签集Y作为深度神经网络模型训练的目标，将X和Y描述如下：



式(1)中行向量为暂态样本数量，列向量为每个样本的特征数量，即一共m个样本，每个样本有n个特征属性；
标签集Y考虑稳定与不稳定两种情况，即Y共有2种类别具体描述如下：



式(2)中[y1,y2,y3……ym]都是行向量，采用One-Hot编码，即y＝[1,0]代表稳定标签，y＝[0,1]代表失稳标签；
步骤三：选择系统暂态样本特征
选取样本特征包括发电机的功角、转子速度、角加速度、转子动能；电网的总出力、总负荷、母线电压、直流电压、直流功率；
步骤四：采用深度神经网络模型对样本数据进行训练
(1)将样本特征数据输入到深度神经网络模型中，样本特征数据到达第一层隐藏层，经过函数加权变换，得到第一层隐含层的输出结果如下：
g1＝f(w1x+...

【专利技术属性】
技术研发人员：张业宇，郭剑波，曾平良，马士聪，赵兵，
申请(专利权)人：杭州电子科技大学，中国电力科学研究院有限公司，国网湖北省电力有限公司，
类型：发明
国别省市：浙江;33