交直流混联电网稳定性智能分析方法及装置制造方法及图纸

本申请涉及电力系统稳定性分析技术领域，特别涉及一种交直流混联电网稳定性智能分析方法及装置，其中，方法包括：确定限制玻尔兹曼机模型，利用多层受限玻尔兹曼机RBM设计深度置信网络DBN结构；确定深度置信网络训练方法，通过非监督学习方式学习原始特征空间中的数据分布特点；确定基于邻域元素分析的损失评估函数，并更新DBN结构的参数，得到电力系统的最终稳定性评估模型，以评估电力系统的瞬时稳定性。由此，解决了相关技术中通过离线时域仿真获得仿真样本，导致系统智能化分析的实时性和准确性较低，无法保障交直流混联电力系统安全稳定的运行，降低了系统的安全性和稳定性等问题。题。题。

【技术实现步骤摘要】
交直流混联电网稳定性智能分析方法及装置


[0001]本申请涉及电力系统稳定性分析
，特别涉及一种交直流混联电网稳定性智能分析方法及装置。

技术介绍

[0002]相关技术中，通过离线时域仿真获得了大量的仿真样本，并利用机器学习算法建立电力系统特征与瞬态稳定性之间的映射关系，可以对系统的稳定性进行智能化分析评估，为电网的实际运行监控提供了良好的技术支撑。
[0003]然而，相关技术中通过离线时域仿真获得仿真样本，导致系统智能化分析的实时性和准确性较低，无法保障交直流混联电力系统安全稳定的运行，降低了系统的安全性和稳定性，亟待解决。

技术实现思路

[0004]本申请提供一种交直流混联电网稳定性智能分析方法及装置，以解决相关技术中通过离线时域仿真获得仿真样本，导致系统智能化分析的实时性和准确性较低，无法保障交直流混联电力系统安全稳定的运行，降低了系统的安全性和稳定性等问题。
[0005]本申请第一方面实施例提供一种交直流混联电网稳定性智能分析方法，包括以下步骤：确定限制玻尔兹曼机模型，利用多层RBM(Restricted Boltzmann Machine，受限玻尔兹曼机)设计DBN(Deep Boltzmann Machine，深度置信网络)结构；确定深度置信网络训练方法，通过非监督学习方式学习原始特征空间中的数据分布特点；确定基于邻域元素分析的损失评估函数，并更新所述DBN结构的参数，得到电力系统的最终稳定性评估模型，以评估所述电力系统的瞬时稳定性。
[0006]可选地，在本申请的一个实施例中，所述确定深度置信网络训练方法，通过非监督学习方式学习原始特征空间中的数据分布特点，包括：获取每个RBM的连接关系矩阵；将所有的RBM展开，依次连接成完整的DBN，并根据目标任务设计损失评估函数，利用反向传播算法调整网路的参数，得到所述DBN的参数矩阵。
[0007]可选地，在本申请的一个实施例中，所述获取每个RBM的连接关系矩阵，包括：由底层向上层逐层训练时，对所述所有的RBM的第一RBM进行训练，并将所述第一RBM的隐含层神经元的激活概率作为第二RBM的输入，直至所述所有的RBM预训练完成，得到所述每个RBM的连接关系矩阵。
[0008]可选地，在本申请的一个实施例中，所述更新所述DBN结构的参数，包括：计算目标函数相对于DBN参数的梯度；根据所述目标函数相对于DBN参数的梯度以预设非监督预训练和监督参数策略更新所述DBN参数。
[0009]可选地，在本申请的一个实施例中，所述梯度的计算公式为：
[0010][0011]其中，表示第一项为目标函数相对于第i个样本在特征空间中映射向量的梯度，O
ECA
表示第i个样本评估正确期望加上其他所有样本分类正确期望的和，p
ij
表示样本j属于样本i邻域的概率，d
ij
表示可用距离。
[0012]本申请第二方面实施例提供一种交直流混联电网稳定性智能分析装置，包括：设计模块，用于确定限制玻尔兹曼机模型，利用多层受限玻尔兹曼机RBM设计深度置信网络DBN结构；学习模块，用于确定深度置信网络训练方法，通过非监督学习方式学习原始特征空间中的数据分布特点；评估模块，用于确定基于邻域元素分析的损失评估函数，并更新所述DBN结构的参数，得到电力系统的最终稳定性评估模型，以评估所述电力系统的瞬时稳定性。
[0013]可选地，在本申请的一个实施例中，所述学习模块包括：获取单元，用于获取每个RBM的连接关系矩阵；计算单元，用于将所有的RBM展开，依次连接成完整的DBN，并根据目标任务设计损失评估函数，利用反向传播算法调整网路的参数，得到所述DBN的参数矩阵。
[0014]可选地，在本申请的一个实施例中，所述获取单元进一步用于由底层向上层逐层训练时，对所述所有的RBM的第一RBM进行训练，并将所述第一RBM的隐含层神经元的激活概率作为第二RBM的输入，直至所述所有的RBM预训练完成，得到所述每个RBM的连接关系矩阵。
[0015]可选地，在本申请的一个实施例中，所述更新所述DBN结构的参数，包括：计算目标函数相对于DBN参数的梯度，根据所述目标函数相对于DBN参数的梯度以预设非监督预训练和监督参数策略更新所述DBN参数。
[0016]可选地，在本申请的一个实施例中，所述梯度的计算公式为：
[0017][0018]其中，表示第一项为目标函数相对于第i个样本在特征空间中映射向量的梯度，O
ECA
表示第i个样本评估正确期望加上其他所有样本分类正确期望的和，p
ij
表示样本j属于样本i邻域的概率，d
ij
表示可用距离。
[0019]本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的交直流混联电网稳定性智能分析方法。
[0020]本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质
存储计算机程序，该程序被处理器执行时实现如上的交直流混联电网稳定性智能分析方法。
[0021]本申请实施例可以利用多层受限玻尔兹曼机RBM设计深度置信网络DBN结构，并确定深度置信网络训练方法，通过非监督学习方式学习原始特征空间中的数据分布特点，从而确定基于邻域元素分析的损失评估函数，并更新DBN结构的参数，得到电力系统的最终稳定性评估模型，以评估电力系统的瞬时稳定性，进而有效的保障了交直流混联电力系统安全稳定的运行，提升了系统的安全性和稳定性。由此，解决了相关技术中通过离线时域仿真获得仿真样本，导致系统智能化分析的实时性和准确性较低，无法保障交直流混联电力系统安全稳定的运行，降低了系统的安全性和稳定性等问题。
[0022]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0023]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0024]图1为根据本申请实施例提供的一种交直流混联电网稳定性智能分析方法的流程图；
[0025]图2为本申请一个具体实施例的深度置信网络监督参数精调的示意图；
[0026]图3为本申请一个具体实施例的深度置信网络非监督预训练的示意图；
[0027]图4为根据本申请实施例的交直流混联电网稳定性智能分析装置的结构示意图；
[0028]图5为根据本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0029]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0030]下面参考附图描述本申请实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交直流混联电网稳定性智能分析方法，其特征在于，包括以下步骤：确定限制玻尔兹曼机模型，利用多层受限玻尔兹曼机RBM设计深度置信网络DBN结构；确定深度置信网络训练方法，通过非监督学习方式学习原始特征空间中的数据分布特点；以及确定基于邻域元素分析的损失评估函数，并更新所述DBN结构的参数，得到电力系统的最终稳定性评估模型，以评估所述电力系统的瞬时稳定性。2.根据权利要求1所述的方法，其特征在于，所述确定深度置信网络训练方法，通过非监督学习方式学习原始特征空间中的数据分布特点，包括：获取每个RBM的连接关系矩阵；将所有的RBM展开，依次连接成完整的DBN，并根据目标任务设计损失评估函数，利用反向传播算法调整网路的参数，得到所述DBN的参数矩阵。3.根据权利要求2所述的方法，其特征在于，所述获取每个RBM的连接关系矩阵，包括：由底层向上层逐层训练时，对所述所有的RBM的第一RBM进行训练，并将所述第一RBM的隐含层神经元的激活概率作为第二RBM的输入，直至所述所有的RBM预训练完成，得到所述每个RBM的连接关系矩阵。4.根据权利要求1所述的方法，其特征在于，所述更新所述DBN结构的参数，包括：计算目标函数相对于DBN参数的梯度；根据所述目标函数相对于DBN参数的梯度以预设非监督预训练和监督参数策略更新所述DBN参数。5.根据权利要求4所述的方法，其特征在于，所述梯度的计算公式为：其中，表示第一项为目标函数相对于第i个样本在特征空间中映射向量的梯度，O
ECA
表示第i个样本评估正确期望加上其他所有样本分类正确期望的和，p
ij
表示样本j属...

【专利技术属性】
技术研发人员：胡伟，张宇栋，汤凡，孙云超，梁晓斌，张鑫，龚正宇，李鑫，刘佳钰，张馨月，
申请(专利权)人：清华大学，
类型：发明
国别省市：