基于BP神经网络的电力网络节点脆弱性评估方法技术

本发明专利技术公开了基于BP神经网络的电力网络节点脆弱性评估方法，包括：搭建电力训练网络和电力测试网络模型；获取电气特征矩阵；构建特征数据提取算法；获取向量维度统一化电气特征矩阵；获取电力网络节点电气抽象特征矩阵；定义节点电气特征标签；构建节点特征属性；构建待归一化数据集合并归一化；搭建BP神经网络训练模型；将电力测试网络输入到BP神经网络训练模型，得到反归一化处理后测试值；获取优先保护节点集合施加重点保护；该方法全面考虑了电力网络拓扑结构和电气特性，提取电气特征维度统一，适用于高维数、非线性的大规模复杂电网脆弱性评估，对所有电网具有普适性，快速精准获得优先保护集合，能有效提高电力系统安全稳定运行效率。稳定运行效率。稳定运行效率。

【技术实现步骤摘要】
基于BP神经网络的电力网络节点脆弱性评估方法


[0001]本专利技术电力系统安全稳定运行
，特别是涉及到一种基于BP神经网络的电力网络节点脆弱性评估方法。

技术介绍

[0002]随着全球能源互联网的迅速发展，电力网络作为能源互联网的最重要组成部分，在其发展中扮演着至关重要的角色。因此对电力系统运行时的薄弱环节和潜在的危险进行分析，得出电网的脆弱性评估，加强对脆弱单元的防范与保护，从而提高电力系统安全与稳定运行，具有重要意义。随着电网规模的不断扩大，电网已经成为高维数、非线性的大规模复杂人工网络，极大的丰富了电力系统数据库中的数据量，使电力系统进入了大数据时代。如何有效利用这些海量数据，并从中挖掘出有价值信息以服务于电力网络脆弱性评估，便成了脆弱性研究的崭新领域。
[0003]目前，电力系统脆弱性机理的研究主要包括结构脆弱性和状态脆弱性，根据研究机理的不同，提出了结构脆弱评估指标和状态脆弱性评估指标。对于电力系统结构脆弱性的研究，主要是基于复杂网络理论，对电网拓扑结构固有的脆弱性进行研究；电力系统状态脆弱性评估，主要有暂态稳定分析以及基于概率论的评估方法，重点考虑电网运行时各状态参数的变化情况。
[0004]当前对电力系统脆弱性评估的方法中，确定脆弱性的电力系统基本特征数据的提取往往依赖于人工经验，存在人工提取节点特征效果的不确定性；电力网络节点脆弱性评估则依赖于建立的数学模型、采用的电力系统基本特征以及模型参数的准确性。然而，实际电力系统是一个复杂的非线性系统，各种物理限制和饱和约束使得建立准确的数学模型十分困难。随着电网运行规模的扩大和复杂度的增加，传统的电网脆弱性评估模型缺乏准确性以及科学的指导，已不能满足对电力网络节点脆弱性进行快速准确评估的要求。
[0005]因此，通过机器学习算法自动提取和优化电力网络特征数据，以提高脆弱性评估速度与精度，促进电力网络节点脆弱性评估方法的实用化具有重要的理论学术和工程应用意义，也是下一代信息技术运用于电力系统安全保护的重要实践。

技术实现思路

[0006]为克服上述技术不足，本专利技术提出了一种基于BP神经网络的电力网络节点脆弱性评估方法，该方法搭建的电力网络节点脆弱性评估模型，是基于BP神经网络进行的跨网络预测，对不同规模的电力网络更具有普适性。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]基于BP神经网络的电力网络节点脆弱性评估方法，具体包括以下步骤：
[0009]S1：分别搭建包含若干个独立电力网络的电力训练网络拓扑结构模型以及包括单个独立电力网络的电力测试网络拓扑结构模型；
[0010]S2：基于复杂网络理论提取电力训练网络中各独立电力网络的网络拓扑特性以及
电力测试网络的网络拓扑特性，所述网络拓扑特性包括节点度值、节点介数中心性、节点接近中心性、节点特征向量中心性、节点聚类系数以及节点类型；
[0011]S3：获取电力训练网络中各独立电力网络以及电力测试网络中的电气特征矩阵，所述电气特征矩阵包括功率传输分布因子矩阵，电气距离矩阵以及最大传输容量矩阵；
[0012]S4：计算电力训练网络中各独立电力网络的网络效率，计算移除所述独立电力网络中任一个节点后的网络效率下降率；
[0013]S5：采用机器学习中非对称形式的卷积核和池化窗口，依据所述电力训练网络中各独立电力网络和电力测试网络的电气特征矩阵维度大小构建特征数据提取算法；
[0014]S6：根据所述特征数据提取算法，获取电力训练网络中各独立电力网络和电力测试网络的行向量维度统一化电气特征矩阵；
[0015]S7：对所述向量维度统一化电气特征矩阵进行归一化处理，获取行向量维数统一、数据归一化的各独立电力网络和电力测试网络所对应的电力网络节点电气抽象特征矩阵，所述电力网络节点电气抽象特征矩阵包括功率传输分布因子抽象特征矩阵、电气距离抽象特征矩阵、最大传输容量抽象特征矩阵；
[0016]S8：提取电力网络节点电气抽象特征矩阵行向量中的元素，并将其定义为电力训练网络中各独立电力网络和电力测试网络中的节点电气特征标签；
[0017]S9：根据电力训练网络中各独立电力网络和电力测试网络的网络拓扑特性以及节点电气特征标签，构建电力训练网络中各独立电力网络和电力测试网络的节点特征属性；
[0018]S10：将S4中移除所述独立电力网络中任一个节点后的网络效率下降率， S7中电力网络节点电气抽象特征矩阵包括功率传输分布因子抽象特征矩阵、电气距离抽象特征矩阵、最大传输容量抽象特征矩阵，S9中节点特征属性中的网络拓扑特性包括节点度值、节点介数中心性、节点接近中心性、节点特征向量中心性、节点聚类系数以及节点类型形成待归一化数据集合；
[0019]S11：对S10待归一化数据集合中的每一项数据进行归一化处理；
[0020]S12：搭建BP神经网络训练模型，所述BP神经网络包括输入层、隐含层及输出层，搭建所述BP神经网络训练模型的具体步骤包括：
[0021]S121：确定BP神经网络中输入层、隐含层及输出层各层的神经元个数；
[0022]S122：将节点电气特征标签和S11中归一化后的节点特征属性，包括节点度值、节点介数中心性、节点接近中心性、节点特征向量中心性、节点聚类系数以及节点类型作为BP神经网络输入层的输入参数；
[0023]S123：将S11中归一化后的移除节点后节点所在独立电力网络的网络效率下降率作为BP神经网络输出层的输出参数；
[0024]S124：将训练集输入到BP神经网络中，建立输入层电力网络节点特征属性与输出层节点移除后网络效率下降率之间的非线性映射，完成BP神经网络训练模型的搭建；
[0025]S13：将电力测试网络输入到S12中搭建的BP神经网络训练模型，获取电力测试网络节点移除后网络效率下降率的测试结果，并对所述测试结果进行反归一化，得到反归一化处理后的节点移除后网络效率下降率的测试值；
[0026]S14：根据所述电力测试网络的网络效率下降率的测试值，建立电力测试网络节点脆弱度集合，并根据节点脆弱度集合中所有元素的网络效率下降率大小进行降序排序，将
排名靠前的节点添加至重点保护节点集合中，得到优先保护节点集合，对集合中的节点施加重点保护。
[0027]进一步的，将所述电力训练网络拓扑结构模型和电力测试网络拓扑结构模型中的发电机、负荷和变电站抽象为网络拓扑结构模型中的节点，将所述电力训练网络拓扑结构模型和电力测试网络拓扑结构模型中的输电线路、变压器支路抽象为网络拓扑结构模型中的边，所述电力训练网络拓扑结构模型可表示为：
[0028][0029]式(1)中，表示选取N个独立的电力网络作为电力训练网络中的样本数据，电力训练网络拓扑结构模型包含N个独立的电力网络拓扑结构模型，表示电力训练网络拓扑结构模型中第k个独立电网中的所有节点类型的集合，包含发电机节点集负荷节点集变电站节点集变电站节点集表示电力训练网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于BP神经网络的电力网络节点脆弱性评估方法，其特征在于，所述节点脆弱性评估方法具体包括以下步骤：S1：分别搭建包含若干个独立电力网络的电力训练网络拓扑结构模型以及包括单个独立电力网络的电力测试网络拓扑结构模型；S2：基于复杂网络理论提取电力训练网络中各独立电力网络的网络拓扑特性以及电力测试网络的网络拓扑特性，所述网络拓扑特性包括节点度值、节点介数中心性、节点接近中心性、节点特征向量中心性、节点聚类系数以及节点类型；S3：获取电力训练网络中各独立电力网络以及电力测试网络中的电气特征矩阵，所述电气特征矩阵包括功率传输分布因子矩阵，电气距离矩阵以及最大传输容量矩阵；S4：计算电力训练网络中各独立电力网络的网络效率，计算移除所述独立电力网络中任一个节点后的网络效率下降率；S5：采用机器学习中非对称形式的卷积核和池化窗口，依据所述电力训练网络中各独立电力网络和电力测试网络的电气特征矩阵维度大小构建特征数据提取算法；S6：根据所述特征数据提取算法，获取电力训练网络中各独立电力网络和电力测试网络的行向量维度统一化电气特征矩阵；S7：对所述向量维度统一化电气特征矩阵进行归一化处理，获取行向量维数统一、数据归一化的各独立电力网络和电力测试网络所对应的电力网络节点电气抽象特征矩阵，所述电力网络节点电气抽象特征矩阵包括功率传输分布因子抽象特征矩阵、电气距离抽象特征矩阵、最大传输容量抽象特征矩阵；S8：提取电力网络节点电气抽象特征矩阵行向量中的元素，并将其定义为电力训练网络中各独立电力网络和电力测试网络中的节点电气特征标签；S9：根据电力训练网络中各独立电力网络和电力测试网络的网络拓扑特性以及节点电气特征标签，构建电力训练网络中各独立电力网络和电力测试网络的节点特征属性；S10：将S4中移除所述独立电力网络中任一个节点后的网络效率下降率，S7中电力网络节点电气抽象特征矩阵包括功率传输分布因子抽象特征矩阵、电气距离抽象特征矩阵、最大传输容量抽象特征矩阵，S9中节点特征属性中的网络拓扑特性包括节点度值、节点介数中心性、节点接近中心性、节点特征向量中心性、节点聚类系数以及节点类型形成待归一化数据集合；S11：对S10待归一化数据集合中的每一项数据进行归一化处理；S12：搭建BP神经网络训练模型，所述BP神经网络包括输入层、隐含层及输出层，搭建所述BP神经网络训练模型的具体步骤包括：S121：确定BP神经网络中输入层、隐含层及输出层各层的神经元个数；S122：将节点电气特征标签和S11中归一化后的节点特征属性，包括节点度值、节点介数中心性、节点接近中心性、节点特征向量中心性、节点聚类系数以及节点类型作为BP神经网络输入层的输入参数；S123：将S11中归一化后的移除节点后节点所在独立电力网络的网络效率下降率作为BP神经网络输出层的输出参数；S124：将训练集输入到BP神经网络中，建立输入层电力网络节点特征属性与输出层节点移除后网络效率下降率之间的非线性映射，完成BP神经网络训练模型的搭建；
S13：将电力测试网络输入到S12中搭建的BP神经网络训练模型，获取电力测试网络节点移除后网络效率下降率的测试结果，并对所述测试结果进行反归一化，得到反归一化处理后的节点移除后网络效率下降率的测试值；S14：根据所述电力测试网络的网络效率下降率的测试值，建立电力测试网络节点脆弱度集合，并根据节点脆弱度集合中所有元素的网络效率下降率大小进行降序排序，将排名靠前的节点添加至重点保护节点集合中，得到优先保护节点集合，对集合中的节点施加重点保护。2.根据权利要求1所述基于BP神经网络的电力网络节点脆弱性评估方法，其特征在于，将所述电力训练网络拓扑结构模型和电力测试网络拓扑结构模型中的发电机、负荷和变电站抽象为网络拓扑结构模型中的节点，将所述电力训练网络拓扑结构模型和电力测试网络拓扑结构模型中的输电线路、变压器支路抽象为网络拓扑结构模型中的边，所述电力训练网络拓扑结构模型可表示为：式(1)中，表示选取N个独立的电力网络作为电力训练网络中的样本数据，电力训练网络拓扑结构模型包含N个独立的电力网络拓扑结构模型，表示电力训练网络拓扑结构模型中第k个独立电网中的所有节点类型的集合，包含发电机节点集负荷节点集变电站节点集变电站节点集表示电力训练网络拓扑结构模型中的所有边集合；所述电力测试网络拓扑结构模型可表示为：G
P
＝(V
P
,E
P
)
ꢀꢀꢀꢀꢀ
(2)式(1)中，G
p
表示选取单个独立电力网络作为电力测试网络中的样本数据，V
P
表示电力测试网络拓扑结构模型中的所有节点类型集合，包含发电机节点集负荷节点集V
lP
，变电站节点集V
tP
，E
P
表示电力测试网络拓扑结构模型中的所有边集合。3.根据权利要求2所述基于BP神经网络的电力网络节点脆弱性评估方法，其特征在于，所述电力训练网络中各独立电力网络的网络效率计算以第k个独立电网的网络效率计算为例，其计算过程如式(3)所示：式(3)中，为电力训练网络中第k...

【专利技术属性】
技术研发人员：黄涛，周俊杰，黎晨，张守冀，杨凤林，雷霞，
申请(专利权)人：西华大学，
类型：发明
国别省市：