【技术实现步骤摘要】
一种电网暂态稳定关键特征筛选方法、装置及系统
[0001]本专利技术属于电力系统分析
,具体涉及一种电网暂态稳定关键特征筛选方法、装置及系统。
技术介绍
[0002]随着高比例新能源接入、新型电力设备投入及联网规模扩大,电网运行复杂程度日益提高,监视电网运行情况、故障发生后对系统暂态稳定进行在线评估是实现系统实时稳定控制的前提。测量装置在电网中的进一步普及、高速通信网络的实现、特别是先进人工智能技术的发展,为系统在线稳定评估提供了实现的基础,目前有大量研究利用人工神经网络进行快速暂态稳定评估,通过深度神经网络分析电网运行特征与系统稳定状态之间的潜在映射关系。
[0003]但多电压等级的多级多区互联大电网,设备元件数量众多、运行状态特征数目庞大,给神经网络的模型训练带来了维度灾难,不仅耗费了大量的训练时间、降低了模型的泛化能力、削弱了模型的表现力,应用于实际电网也容易出现监测点过多、通信过于复杂、大量噪声引入等实际问题。因此,在庞大的系统运行特征量中筛选能够表征系统暂态稳定性的关键特征,通过这些少量的关键特征,既能全面描述系统运行状态又方便后续神经网络的训练,这是解决现实神经网络在线暂态稳定评估问题、制定安全稳定控制策略的关键。目前实际电网稳定控制系统多依据人工经验选择关键断面潮流作为系统运行关键特征,依此并针对特定单个故障制定安全稳定规则;不仅难以保证其准确性,也无法面对极端运行方式和预想故障以外的状况。因此,探索如何从海量的系统运行状态特征中,筛选能全面刻画系统运行方式与稳定状态的少量关键特征,提高深 ...
【技术保护点】
【技术特征摘要】
1.一种电网暂态稳定关键特征筛选方法,其特征在于,包括:获取样本数据,所述样本数据包括图节点特征、邻接矩阵和边特征矩阵,所述图节点特征为电网系统稳定运行时的节点注入量,所述邻接矩阵为故障切线后的母线连接关系,所述边特征矩阵为支路连接和切线情况;构建神经网络模型,所述神经网络模型包括顺次相连的自注意力网络层与消息传递网络层,所述自注意力网络层用于计算图节点特征的自注意力权重系数,并筛选出关键图节点特征;利用筛选出的关键图节点特征,以及样本数据中的邻接矩阵和边特征矩阵,训练所述神经网络模型;基于训练好的神经网络模型,选择正确预测的样本,计算出正确预测的样本中各图节点特征的自注意力权重系数均值,基于自注意力权重系数均值的排序结果,筛选出电网暂态稳定关键特征。2.根据权利要求1所述的一种电网暂态稳定关键特征筛选方法,其特征在于:所述图节点特征通过以下步骤获得:将电网母线视作节点,提取电网系统稳定运行时各电网母线注入的有功/无功与电压幅值/相角,作为图节点特征n为电网系统中母线数量;所述邻接矩阵的矩阵元素A
vw
表达式为:所述边特征矩阵的矩阵元素e
vw
的表达式为:3.根据权利要求1所述的一种电网暂态稳定关键特征筛选方法,其特征在于,所述获取神经网络模型步骤之前还包括:对获取到的样本数据,按物理量分类进行归一化预处理。4.根据权利要求1所述的一种电网暂态稳定关键特征筛选方法,其特征在于:所述关键图节点特征的筛选方法包括以下步骤:将样本数据中的所有图节点特征展平为长度为F的一维特征后,送入自注意力网络层;利用所述自注意力网络层计算出各一维特征的自注意力权重系数,删除自注意力权重系数小于设定阈值的一维特征,并将保留的一维特征恢复为图节点特征,形成关键图节点特征。5.根据权利要求4所述的一种电网暂态稳定关键特征筛选方法,其特征在于:所述自注意力权重系数的计算公式为:意力权重系数的计算公式为:其中,α
i
为第i个一维特征的自注意力权重系数,score
i
为第i个一维特征的注意力值;
为自注意力网络层中全连接层FC
FL
的参数矩阵,以正态分布为初始化方式;所述关键图节点特征通过以下步骤获得:对保留的N个一维特征进行特征值修正,得到经过筛选的带有权重的N个一维特征:x
i
=x
i
'*α
i
并将保留的N个一维特征恢复为原图结构的图节点特征6.根据权利要求4所述的一种电网暂态稳定关键特征筛选方法,其特征在于:所述利用筛选出关键图节点特征、邻接矩阵和边特征矩阵,训练所述神经网络模型,包括以下步骤:将筛选后的图节点特征,以及所述样本数据中的边特征矩阵和邻接矩阵,输入至消息传递网络层;利用消息传递网络层中的消息传递函数M
t
‑1和节点更新函数U
t
...
【专利技术属性】
技术研发人员:赖业宁,李兆伟,吴雪莲,李威,薛峰,王曼,陈凡,刘昀,赵美莲,
申请(专利权)人:南瑞集团有限公司南京工程学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。