主导失稳模式判别模型构建方法、主导失稳模式判别方法技术

本发明专利技术公开了一种主导失稳模式判别模型构建方法、主导失稳模式判别方法，电力系统稳定性分析领域。本发明专利技术针对功角失稳和电压失稳存在的耦合交织特性，将深度学习应用到主导失稳模式判断中，构建一种含SENet模块的双输入卷积神经网络模型，引入SENet模块可建模神经网络通道间信息，自适应学习和调整各通道相加时的权值，放大有用的特征并抑制对当前任务用处不大的特征，在模型训练完成后即可根据大扰动后的母线电压、发电机功角量测数据或仿真数据快速、准确判断出系统是否会失稳以及属于功角失稳还是电压失稳，为控制措施的选择和协调提供依据，极大提高电力系统的安全性，实用性较强。

【技术实现步骤摘要】
主导失稳模式判别模型构建方法、主导失稳模式判别方法
本专利技术属于电力系统稳定性分析领域，更具体地，涉及一种主导失稳模式判别模型构建方法、主导失稳模式判别方法。
技术介绍
电力系统的安全稳定运行对国家能源安全和经济社会发展至关重要，其安全性和稳定性问题是系统规划、运行、保护工作者重点关注的问题。电力系统的失稳严重危害系统安全运行，造成重大经济损失甚至人身伤害。在早期的小电网中，暂态功角失稳是最主要的失稳形式。但随着电网互联规模的变大，负荷的变重，电网运行点越来越接近其传输极限，对电压稳定造成了比较大的威胁。在城市和工业区，空调和电动机等动态负荷的大量使用使得电压稳定问题更为严重。因此在现代电力系统中，电力系统失稳形式变得更多样更复杂。而不同形式的失稳需采取不同的紧急控制措施才可能使系统恢复稳定：功角失稳需要采取切发电机措施，电压失稳需切负荷。因此，快速、准确地判断出大扰动后电力系统的稳定和失稳以及主导失稳模式，将为紧急控制措施赢得时间，同时为采取何种措施提供依据，从而有效保证系统的安全稳定。但实际上两种失稳模式经常交织耦合在一起同时出现：功角失稳会导致振荡中心低电压，电压失稳也可能引发功角失稳，给二者主导性的区分和判别带来了较大的难度。现有方法在快速性、准确性和适应性方面还存在问题：时域仿真法发展早，较成熟，适应性强、提供的信息丰富，但计算负担重，耗时长，在线应用时难以满足要求；且仿真结果的分析比较困难，严重依赖专家经验。能量函数、分叉分析等方法难以应用到实际大电网和包含复杂控制器的电网。随着WAMS的发展，电力系统中数据不断积累，同时深度学习方法的进步使得将深度学习方法应用到主导失稳模式判别成为可能。深度学习可摆脱对专家经验的依赖，自动从原始量测数据或仿真数据中提取所需要的特征并完成失稳模式判别及分类的任务。目前已有一些研究将深度学习应用到单一的功角稳定判别或单一的电压稳定判别中，取得了不错的效果，但尚未考虑功角稳定和电压稳定的相互影响和耦合，以及如何对功角稳定与电压稳定的主导性进行区分，这使得控制措施的选择没有针对性，影响电力系统的安全稳定运行。因此，如何快速准确判断主导失稳模式，是目前亟待解决的技术问题。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种主导失稳模式判别模型构建方法、主导失稳模式判别方法，其目的在于现有判别方法不能实现失稳模式主导性判别而导致不能可靠保证电力系统安全运行的技术问题。为实现上述目的，按照本专利技术的一个方面，提供了一种主导失稳模式判别模型构建方法，包括：S1.分别设置不同的潮流运行工况、负荷电动机成分比例、故障线路、故障位置和故障持续时间进行多组暂稳仿真；S2.从故障发生后输出的测量数据中离散采样母线电压和发电机功角，统一采样得到的母线电压和发电机功角的量纲后，排列成两个矩阵的形式，形成每组测量数据对应的电压矩阵和功角矩阵；S3.结合专家经验对每组测量数据确定其所属主导失稳模式标签信息；S4.将每组测量数据对应的电压矩阵、功角矩阵，以及对应的标签输入主导失稳模式判别网络，通过监督学习，训练得到主导失稳模式判别模型；所述主导失稳模式判别网络包括双输入卷积神经网络、SENet网络、全连接神经网络；双输入卷积神经网络，用于从输入的电压矩阵和功角矩阵中分别自动提取所需特征，得到每个样本对应的特征向量；SENet网络，对双输入卷积神经网络通道间相关关系进行显式建模，自适应学习和调整各通道相加形成输出特征图时的权值；全连接神经网络，用于接收每个样本对应的特征向量，通过非线性变换和softmax函数，对该样本进行分类。进一步地，步骤S2中统一母线电压和发电机功角的量纲，具体为，采用Z-score标准化对母线电压和发电机功角进行标准化。进一步地，主导失稳模式标签信息包括稳定模式、功角失稳和电压失稳。进一步地，专家经验具体包括功角先摆开为功角失稳，电压先崩溃为电压失稳；发电机机端故障为功角失稳；从控制措施有效性判断，切发电机有效的为功角失稳，切负荷有效的为电压失稳；系统局部孤立部分的失稳不影响其余主系统的稳定性，为稳定模式。进一步地，SENet网络具体执行过程包括挤压和激励；其中，挤压，通过全局平均池化将每一输入通道内的信息汇聚，形成一个表征通道间相关关系的多维统计量；激励，首先将输入的多维统计量通过一个全连接的瓶颈环节进行压缩，然后扩展成原始大小并通过非线性的sigmoid函数限幅，生成不同通道相加时的权重。进一步地，步骤S4中所述监督学习具体为：采用Adam优化算法，并以交叉熵损失函数作为目标函数进行监督学习，在监督学习过程中，动态调整学习率。按照本专利技术的另一方面提供了一种主导失稳模式判别方法，包括：S1.在电力系统发生故障后，采集故障后的母线电压与功角数据；S2.统一采样得到的母线电压和发电机功角的量纲后，排列成两个矩阵的形式，形成一组电压矩阵和功角矩阵；S3.将电压矩阵和功角矩阵输入训练好的主导失稳模式判别模型，得到故障后的主导失稳模式。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果。由于功角失稳需采取切发电机等措施，电压失稳需采取切负荷等措施，而二者又相互交织，只有快速准确地判断出功角失稳和电压失稳的主导性，才能使得控制措施起到应有的效果。因此，本专利技术首次将深度学习应用到主导失稳模式判断中，构建一种含SENet模块的双输入卷积神经网络模型，引入SENet模块可建模神经网络通道间信息，自适应学习和调整各通道相加时的权值，放大有用的特征并抑制对当前任务用处不大的特征，在模型训练完成后即可根据大扰动后的电压、功角量测数据或仿真数据快速、准确判断出系统是否会失稳以及属于功角失稳还是电压失稳，为控制措施的选择和协调提供依据，极大提高电力系统的安全性，实用性较强。附图说明图1为本专利技术实施例提供的主导失稳模式判别模型构建方法的流程图；图2为本专利技术实施例提供的主导失稳模式判别网络的架构示意图；图3为本专利技术实施例提供的SENet结构示意图；图4为本专利技术实施例提供的SENet具体实现的神经网络架构图；图5为本专利技术实施例提供的中国电科院8机36节点系统单线图；图6为本专利技术实施例提供的训练过程损失函数变化曲线图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。参考图1，本专利技术实施例提供了一种主导失稳模式判别模型构建方法，其特征在于，包括：S1.分别设置不同的潮流运行工况、负荷电动机成分比例、故障线路、故障位置和故障持续时间进行多组暂稳仿真；例如可以设置负荷水平在标准本文档来自技高网...

【技术保护点】
1.一种主导失稳模式判别模型构建方法，其特征在于，包括：/nS1.分别设置不同的潮流运行工况、负荷电动机成分比例、故障线路、故障位置和故障持续时间进行多组暂稳仿真；/nS2.从故障发生后输出的测量数据中离散采样母线电压和发电机功角，统一采样得到的母线电压和发电机功角的量纲后，排列成两个矩阵的形式，形成每组测量数据对应的电压矩阵和功角矩阵；/nS3.结合专家经验对每组测量数据确定其所属主导失稳模式标签信息；/nS4.将每组测量数据对应的电压矩阵、功角矩阵，以及对应的标签输入主导失稳模式判别网络，通过监督学习，训练得到主导失稳模式判别模型；/n所述主导失稳模式判别网络包括双输入卷积神经网络、SENet网络、全连接神经网络；/n双输入卷积神经网络，用于从输入的电压矩阵和功角矩阵中分别自动提取所需特征，得到每个样本对应的特征向量；/nSENet网络，对双输入卷积神经网络通道间相关关系进行显式建模，自适应学习和调整各通道相加形成输出特征图时的权值；/n全连接神经网络，用于接收每个样本对应的特征向量，通过非线性变换和softmax函数，对该样本进行分类。/n

【技术特征摘要】
1.一种主导失稳模式判别模型构建方法，其特征在于，包括：
S1.分别设置不同的潮流运行工况、负荷电动机成分比例、故障线路、故障位置和故障持续时间进行多组暂稳仿真；
S2.从故障发生后输出的测量数据中离散采样母线电压和发电机功角，统一采样得到的母线电压和发电机功角的量纲后，排列成两个矩阵的形式，形成每组测量数据对应的电压矩阵和功角矩阵；
S3.结合专家经验对每组测量数据确定其所属主导失稳模式标签信息；
S4.将每组测量数据对应的电压矩阵、功角矩阵，以及对应的标签输入主导失稳模式判别网络，通过监督学习，训练得到主导失稳模式判别模型；
所述主导失稳模式判别网络包括双输入卷积神经网络、SENet网络、全连接神经网络；
双输入卷积神经网络，用于从输入的电压矩阵和功角矩阵中分别自动提取所需特征，得到每个样本对应的特征向量；
SENet网络，对双输入卷积神经网络通道间相关关系进行显式建模，自适应学习和调整各通道相加形成输出特征图时的权值；
全连接神经网络，用于接收每个样本对应的特征向量，通过非线性变换和softmax函数，对该样本进行分类。


2.根据权利要求1所述的一种主导失稳模式判别模型构建方法，其特征在于，步骤S2中统一母线电压和发电机功角的量纲，具体为，采用Z-score标准化对母线电压和发电机功角进行标准化。


3.根据权利要求1所述的一种主导失稳模式判别模型构建方法，其特征在于，主导失稳模式标签信息包括稳定...

【专利技术属性】
技术研发人员：姚伟，石重托，汤涌，艾小猛，文劲宇，黄彦浩，郭强，
申请(专利权)人：华中科技大学，中国电力科学研究院有限公司，
类型：发明
国别省市：湖北;42