一种电力系统主导失稳模式识别模型构建方法及应用技术方案

本发明专利技术公开了一种电力系统主导失稳模式识别模型构建方法及应用，属于电力系统稳定性判断领域。包括：获取少量有标注样本和大量无标注样本构成训练集；采用训练集训练模型，所述模型包括两个并联的相同结构的神经网络，即第一子网络和第二子网络；训练过程中，将有标注样本和无标注样本输入第二子网络，通过计算有标注样本的监督学习的交叉熵损失和无标注样本的一致化损失训练更新网络权重；将相同的无标注样本输入至第一子网络，通过第一子网络历史权重和第二子网络的权重进行加权后更新第一子网络的权重；当第二子网络和第一子网络的输出一致时，得到训练好的模型，输出概率最大的主导失稳模式，本发明专利技术可以降低对有标注样本的依赖，识别精度高。识别精度高。识别精度高。

【技术实现步骤摘要】
一种电力系统主导失稳模式识别模型构建方法及应用


[0001]本专利技术属于电力系统稳定性判断领域，更具体地，涉及一种电力系统主导失稳模式识别模型构建方法及应用。

技术介绍

[0002]电力系统运行的稳定性与社会经济的可持续发展密切相关。为了保证电力系统运行在一个安全稳定的状态，电力公司需要每年进行大规模的数字仿真工作，数字仿真为电力系统的运行方式、稳控措施制定提供了很强的指导，在实际工程中具有重要意义。
[0003]电网仿真可以分为仿真计算和仿真数据分析两个部分，其中前者为后者提供数据支持。在仿真计算过程中，会生成大量的高维、稀疏且复杂的仿真数据。现阶段，大部分的仿真数据方法还是采用人工进行，严重依赖专家经验同时耗费大量人力、精力。在仿真数据分析中，一种典型的情况是：电力系统发生故障后失稳，暂态功角失稳和暂态电压失稳会交织出现。功角失稳表现为系统受到扰动后同步发电机不再保持同步运行的现象。从系统能量的角度上讲，功角失稳是由于系统发生故障并且失稳后，多余的加速不平衡能量无法被系统势能所消纳造成的，因而针对功角失稳占主导的情况，通常采用切发电机的控制措施使得系统恢复稳定运行。从物理机理角度分析，电压失稳主要是由于负荷对系统的电流要求太大，最终超过了等值电流源所能提供给的最大电流，反映出来就是系统动态无功支撑不足，因此电压失稳采取的控制措施通常是切负荷。如果将功角失稳误判为电压失稳，那么会造成控制措施的误动作进而使得故障加重。
[0004]现有的研究以及工程实际表明系统失稳必然由一种失稳模式主导，不同的失稳模式对应了不同的控制策略。现有一些理论判据和实用准则可以在一定程度上识别功角失稳和电压失稳，但是这些方法的使用均要求负荷和振荡中心具有较强的电气联系，难以涵盖所有的失稳情况，对于实际复杂大电网的应用效果也难以保证。现有主导失稳模式识别方法的缺陷导致了现阶段仿真数据分析中通常采用人工依赖专家经验进行判断的方式，工作效率低、难以保证准确率。而人工智能方法则具有快速判别、适应能力强的优点，可以在仿真数据分析中发挥很大作用。
[0005]传统的机器学习方法需要专家手动提取特征，严重依赖专家经验且具有一定的主观性，很难保证模型的适用性。近几年来兴起的深度学习方法则具有很强的特征提取能力，可以实现从原始数据到目标之间的端对端学习，无需依赖专家进行繁琐的特征提取工程，进而极大地提升机器学习模型的适应能力。然而，深度学习的优良性能是建立在对大量有标注样本进行监督学习的基础之上，电网仿真数据的获取成本很低，一般设置较为全面的仿真初始条件即可获得海量的样本。然而，电力系统主导失稳模式识别这一问题的标注成本是比较昂贵的，一些功角失稳与电压失稳现象交织出现的样本往往需要通过多次切机或者切负荷仿真才能确定其主导性，会大大增加标注样本的成本，以我国东北电网(千节点级)为例，需要数万个样本才能达到较高的判断准确率，大大增加了样本标注的成本。
[0006]为了降低模型对标注样本的依赖，常用的方法是半监督学习。半监督学习认为无
标签样本也带有大量有助于分类的信息，模型融合了有标签样本和无标签样本共同优化模型。因此，如何利用基于半监督深度学习方法进行电力系统仿真数据分析中的主导失稳模式的判别是一个亟待填补的空缺。

技术实现思路

[0007]针对现有技术的缺陷和改进需求，本专利技术提供了一种电力系统主导失稳模式识别模型构建方法及应用，其目的在于降低对有标注样本的依赖，同时提升模型对主导失稳模式类型识别精度。
[0008]为实现上述目的，按照本专利技术的一个方面，提供了一种电力系统主导失稳模式识别模型构建方法，该方法包括：
[0009]获取少量有标注样本和大量无标注样本构成训练集，所述训练集包括：样本为观测时间窗口内电力系统故障状态下母线电压的幅值矩阵和相角矩阵，标签为该样本对应的主导失稳模式；
[0010]采用所述训练集训练模型，所述模型包括两个并联的相同结构的深度卷积神经网络，分别作为第一子网络和第二子网络；训练过程中，
[0011]将有标注样本和无标注样本输入至第二子网络，通过计算有标注样本的监督学习的交叉熵损失和无标注样本的一致化损失训练并更新所述第二子网络的权重，输出为概率最大的主导失稳模式；
[0012]将相同的无标注样本输入至第一子网络，通过第一子网络的历史权重和第二子网络的权重进行加权平均后更新所述第一子网络的权重，输出为概率最大的主导失稳模式；
[0013]当所述第二子网络和所述第一子网络的输出一致时，得到训练好的模型，输出概率最大的主导失稳模式。
[0014]进一步地，所述第一子网络和第二子网络的无标注样本上分别施加有不同的扰动，所述扰动是施加在虚拟对抗方向上的第一扰动向量和第二扰动向量，所述虚拟对抗方向为使扰动向量添加前后所述第一子网络和第二子网络输出的条件概率变化量最大的方向。
[0015]进一步地，所述第一扰动向量μ'和第二扰动向量μ分别为：
[0016][0017][0018]其中，
[0019]Δ
KL
(μ',x2,θ')＝KL[p'(y2|x2,θ')||p'(y2|x2+μ',θ')]，
[0020]Δ
KL
(μ,x2,θ)＝KL[p(y2|x2,θ)||p(y2|x2+μ,θ)]，
[0021]x2为无标注样本的输入特征，y2为对应的标签，θ'、θ分别为第一子网络和第二子网络的权重参数，KL是KL散度计算函数，表示为施加扰动前后每个子网络输出的差异，p'(y2|x2)和p(y2|x2)分别是第一子网络和第二子网络的输出，||μ'||2≤ε和||μ||2≤ε分别是限制第一子网络和第二子网络扰动最大值的L2正则。
[0022]进一步地，通过一致化正则判定所述第二子网络和所述第一子网络的输出是否一
致。
[0023]进一步地，所述第一子网络的权重更新表达式为：
[0024]θ
′
t
＝αθ
′
t
‑1+(1
‑
α)θ
t
，
[0025]其中，θ
′
t
和θ
t
分别为第一子网络和第二子网络第t轮训练中的权重参数，t为正整，α为权重超参数。
[0026]进一步地，所述第二子网络的损失值表示为：
[0027][0028]其中，
[0029]J(x2,θ,μ,θ',μ')＝Ε(f(x2,θ,μ),f'(x2,θ',μ'))，
[0030]x1为有标注样本的输入特征，y1为对应的标签，x2为无标注样本的输入特征，为交叉熵损失函数，Ε为散度函数,f(x2,θ,μ)为第二子网络的输出,f'(x2,θ',μ')为第一子网络的输出，θ和θ'分别为第二子网络和第一子网络的参数。
[0031]进一步地，所述深度卷积神经网络包括：多个二维卷积层、最大值池化层、批标准化层以及多层全连接层；
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力系统主导失稳模式识别模型构建方法，其特征在于，该方法包括：获取少量有标注样本和大量无标注样本构成训练集，所述训练集包括：样本为观测时间窗口内电力系统故障状态下母线电压的幅值矩阵和相角矩阵，标签为该样本对应的主导失稳模式；采用所述训练集训练模型，所述模型包括两个并联的相同结构的深度卷积神经网络，分别作为第一子网络和第二子网络；训练过程中，将有标注样本和无标注样本输入至第二子网络，通过计算有标注样本的监督学习的交叉熵损失和无标注样本的一致化损失训练并更新所述第二子网络的权重，输出为概率最大的主导失稳模式；将相同的无标注样本输入至第一子网络，通过第一子网络的历史权重和第二子网络的权重进行加权平均后更新所述第一子网络的权重，输出为概率最大的主导失稳模式；当所述第二子网络和所述第一子网络的输出一致时，得到训练好的模型，输出概率最大的主导失稳模式。2.根据权利要求1所述的模型构建方法，其特征在于，所述第一子网络和第二子网络的无标注样本上分别施加有不同的扰动，所述扰动是施加在虚拟对抗方向上的第一扰动向量和第二扰动向量，所述虚拟对抗方向为使扰动向量添加前后所述第一子网络和第二子网络输出的条件概率变化量最大的方向。3.根据权利要求2所述的模型构建方法，其特征在于，所述第一扰动向量μ'和第二扰动向量μ分别为：向量μ分别为：其中，Δ
KL
(μ',x2,θ')＝KL[p'(y2|x2,θ')||p'(y2|x2+μ',θ')]，Δ
KL
(μ,x2,θ)＝KL[p(y2|x2,θ)||p(y2|x2+μ,θ)]，x2为无标注样本的输入特征，y2为对应的标签，θ'、θ分别为第一子网络和第二子网络的权重参数，KL是KL散度计算函数，表示为施加扰动前后每个子网络输出的差异，p'(y2|x2)和p(y2|x2)分别是第一子网络和第二子网络的输出，||μ'||2≤ε和||μ||2≤ε分别是限制第一子网络和第二子网络扰动最大值的L2正则。4.根据权利要求3所述的模型构建方法，其特征在于，通过一致化正则判定所述第一子网络和所述第二子网络的输出是否一致。5.根据权利要求4所述的模型构建方法，其特征在于，所述第一子网络的权...

【专利技术属性】
技术研发人员：姚伟，张润丰，石重托，文劲宇，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：