基于门控循环单元深度学习模型的电压暂降状态评估方法技术

本发明专利技术公开了发明专利技术基于门控循环单元深度学习模型的电压暂降状态评估方法，采集每种运行工况下的监测节点电压数据A和待评估节点电压数据B；计算A和B的三相电压均方根值，形成电压暂降样本数据C；对A和B进行归一化预处理后形成电压数据E和电压数据F；取F中的最小值进行区段划分，并进行编号形成L；将E与L形成电压暂降样本数据M；将M划分为样本集；进行训练后获得训练后模型；进行拟合验证，选出最优模型；将监测节点采集到的实际电压数据输入至最优模型中，输出数据即为待评估节点的电压暂降状态分析结果。本发明专利技术在一定程度上降低了经济成本，且提高了可靠性。且提高了可靠性。且提高了可靠性。

【技术实现步骤摘要】
基于门控循环单元深度学习模型的电压暂降状态评估方法


[0001]本专利技术属于电力系统分析
，具体涉及一种基于门控循环单元深度学习模型的电压暂降状态评估方法。

技术介绍

[0002]电能质量直接关系到电力系统的安全高效运行。电能质量中的电压暂降问题备受关注，已成为学术界及工业界亟待解决的问题。电压暂降不仅给利益相关方带来了巨额的经济损失，还可能会造成极大的社会影响，尤其是对以半导体、数字化和信息化等技术为核心的高端制造业造成的损失更大。
[0003]精准的电压暂降状态评估，即准确评估电网内各个节点电压暂降程度，对厘清事件责任、改善电网电能质量具有重要意义，具有重要的研究意义和现实意义。然而，大规模分布式电源的接入根本性地改变了单电源辐射型配电网结构，加剧了电网结构的复杂性、不确定性且极大地改变了电力系统的暂态响应特性，电压暂降发生后的电气特征量将发生深刻变化。现有的电压暂降状态评估方法各有缺点：实时监测统计法基于实时统计数据，直观准确的可以评估电压暂降频次，但存在经济成本高、监测周期长的问题；随机预估法利用随机模型进行评估，但是易受主观因素影响、结果可靠性低的问题。事实上，电压暂降多数是由故障引起的，可以借助于电网中已经广泛安装了的电能质量监测设备，研究一种能够有效利用有限电网节点的监测数据，实现全网中各个节点的电压暂降状态评估。

技术实现思路

[0004]本专利技术的目的是提供基于门控循环单元深度学习模型的电压暂降状态评估方法，解决了现有技术中经济成本高、结果易受主观因素影响、可靠性低的问题。
[0005]本专利技术所采用的技术方案是，
[0006]基于门控循环单元深度学习模型的电压暂降状态评估方法，具体按照如下步骤进行：
[0007]步骤1：结合待评估的电力系统网络，在不同工况下，分别改变电力系统网络中短路容量、接地电阻、故障类型、故障持续时间、故障起止时刻、负荷容量、线路阻抗、故障线路；其中，故障类型包括单相故障、两相故障、三相故障；
[0008]利用电网中已经安装的电压测量设备，采集每种运行工况下的监测节点电压数据A、待评估节点电压数据B；其中，每组监测节点电压数据A和待评估节点电压数据B对应的应为同一工况；
[0009]步骤2：计算监测节点电压数据A和待评估节点电压数据B的三相电压均方根值，若监测节点电压数据A或者待评估节点电压数据B的电压均方根值下降为额定值的10％～90％，则将该监测节点电压数据A及对应的待评估节点电压数据B形成电压暂降样本数据C；
[0010]步骤3：对步骤2中的监测节点电压数据A和待评估节点电压数据B进行归一化预处理后形成对应监测节点A的电压数据E和对应待评估节点电压数据B的电压数据F；其中，电
压数据E与电压数据F对应的为同一工况；
[0011]步骤4：取电压数据F中的最小值，进行区段划分，并进行编号形成L；
[0012]步骤5：将电压数据E与编号L形成多组电压暂降样本数据M；
[0013]步骤6：将电压暂降样本数据M，采用随机划分方式，按照7：2：1划分为训练样本集、验证样本集、测试样本集；
[0014]步骤7：构建门控循环单元深度学习模型的整体结构；
[0015]步骤8：对步骤7的门控循环单元深度学习模型使用步骤6的训练样本集进行训练后获得训练后模型；
[0016]步骤9：对步骤7的门控循环单元深度学习模型使用步骤6的验证样本集进行过拟合验证；若准确率下降≤3％，则判定此时的门控循环单元深度学习模型未出现了过拟合现象；若准确率下降>3％，则判定此时门控循环单元深度学习模型出现过拟合现象；此时，则需要重新按照步骤8进行门控循环单元深度学习模型训练，修改隐含层层数，神经元数量，学习率，世代数目，迭代次数，丢弃率等超参数，直至门控循环单元深度学习模型未出现过拟合现象时，则将该门控循环单元深度学习模型作为最优模型；
[0017]步骤10：使用监测节点采集到的实际电压数据，将其输入步骤9所获得的最优模型中，输出数据即为待评估节点的电压暂降状态分析结果。
[0018]本专利技术的特点还在于；
[0019]步骤2具体为：对监测节点电压数据A和待评估节点电压数据B进行如下公式(1)的均方根值：
[0020][0021]其中，N为每个周期采集的数据点数，x1，x2，x3，
……
，x
N
依次为每个周期内的各采样数据点所对应的数据值。
[0022]步骤3具体为：对监测节点电压数据A和待评估节点电压数据B进行如下公式(2)的归一化处理，获得预处理数据；
[0023][0024]其中，x
*
为归一化后的数据输出，x为原始数据，x
max
为输入的样本数据中的最大值，x
min
为输入的样本数据中的最小值。
[0025]步骤4中，若电压数据F中的最小值≥0.9，则编号为1；若电压数据F 中的最小值≥0.8且<0.9，则编号为2；若电压数据F中的最小值≥0.7且<0.8，则编号为3；若电压数据F中的最小值≥0.6且<0.7，则编号为4；若电压数据F中的最小值≥0.5且<0.6，则编号为5；若电压数据F中的最小值<0.5，则编号6。
[0026]步骤7具体为：门控循环单元深度学习模型的整体模型结构可以划分为三个部分，输入层、隐含层、输出层；第一部分为输入层，第二部分为隐含层，第三部分为输出层；输入层仅包含一层输入层，为模型提供数据输入接口，将电压数据E处理为可以高效运算与批处理的矩阵数据；隐含层部分包含多个隐含层，隐含层中含有门控循环单元层，批规范化层，
丢弃层，全连接层；输出层部分为一层Softmax层。
[0027]步骤8具体为：使用反向传播算法进行参数更新，使用Adam优化器来进行训练，损失函数为交叉墒损失函数；输入数据为电压数据E矩阵格式数据，输出数据为待评估节点的电压暂降状态；其中可以调节隐含层层数，神经元数量，激活函数类型，学习率，世代数目，迭代次数，丢弃率等模型超参数；每次训练遍历训练集中的每一个训练数据，每次遍历被称为一个世代，使神经网络模型进行多个世代训练。
[0028]本专利技术基于门控循环单元深度学习模型的电压暂降状态评估方法的有益效果是：通过采用基于独立循环神经模型，建立监测节点电压数据与待评估节点电压暂降状态之间的深层非线性关系，进行电压暂降状态评估问题，解决了现有技术中经济成本高、结果易受主观因素影响、可靠性低的问题。
附图说明
[0029]图1为基于门控循环单元深度学习模型的电压暂降状态评估方法的模型结构示意图；
[0030]图2为基于门控循环单元深度学习模型的电压暂降状态评估方法中准确率的训练迭代更新图。
具体实施方式
[0031]下面结合附图和具体实施方式，对本专利技术基于门控循环单元深度学习模型的电压暂降本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于门控循环单元深度学习模型的电压暂降状态评估方法，其特征在于，具体按照如下步骤进行：步骤1：结合待评估的电力系统网络，在不同工况下，分别改变电力系统网络中短路容量、接地电阻、故障类型、故障持续时间、故障起止时刻、负荷容量、线路阻抗、故障线路；其中，故障类型包括单相故障、两相故障、三相故障；利用电网中已经安装的电压测量设备，采集每种运行工况下的监测节点电压数据A、待评估节点电压数据B；其中，每组监测节点电压数据A和待评估节点电压数据B对应的应为同一工况；步骤2：计算监测节点电压数据A和待评估节点电压数据B的三相电压均方根值，若监测节点电压数据A或者待评估节点电压数据B的电压均方根值下降为额定值的10％～90％，则将该监测节点电压数据A及对应的待评估节点电压数据B形成电压暂降样本数据C；步骤3：对步骤2中的监测节点电压数据A和待评估节点电压数据B进行归一化预处理后形成对应监测节点A的电压数据E和对应待评估节点电压数据B的电压数据F；其中，电压数据E与电压数据F对应的为同一工况；步骤4：取电压数据F中的最小值，进行区段划分，并进行编号形成L；步骤5：将电压数据E与编号L形成电压暂降样本数据M；步骤6：将电压暂降样本数据M，采用随机划分方式，按照7：2：1划分为训练样本集、验证样本集、测试样本集；步骤7：构建门控循环单元深度学习模型的整体结构；步骤8：对步骤7的门控循环单元深度学习模型使用步骤6的训练样本集进行训练后获得训练后模型；步骤9：对步骤7的门控循环单元深度学习模型使用步骤6的验证样本集进行过拟合验证；若准确率下降≤3％，则判定此时的门控循环单元深度学习模型未出现了过拟合现象；若准确率下降>3％，则判定此时门控循环单元深度学习模型出现过拟合现象；此时，则需要重新按照步骤8进行门控循环单元深度学习模型训练，修改隐含层层数，神经元数量，学习率，世代数目，迭代次数，丢弃率等超参数，直至门控循环单元深度学习模型未出现过拟合现象时，则将该门控循环单元深度学习模型作为最优模型；步骤10：使用监测节点采集到的实际电压数据，将其输入步骤9所获得的最优模型中，输出数据即为待评估节点的电压暂降状态分析结果。2.根据权利要求1所述的基于门控循环单元深度学习模型的电压暂降状态评估方法，其特征在于，步骤2具体为：对监测节点电压数据A和待评估节点电压数据B进行...

【专利技术属性】
技术研发人员：邓亚平，张晓晖，席晓莉，贾颢，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：