一种基于改进CNN模型的电网瞬态稳定性预测方法技术

本发明专利技术提供一种基于改进CNN模型的电网瞬态稳定性预测方法，属于电网监测和神经网络模型技术领域，解决了现有技术中预测结果不够全面准确的问题；包括步骤：S1、对待预测电网中原始数据进行数据清洗，并采集设定周期T内的有效数据；S2、提取有效数据中的发电机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据，进行最大最小归一化处理，获得预处理数据；S3、将预处理数据输入改进CNN模型构建的电网瞬态稳定性预测模型，获得预测结果；电网瞬态稳定性预测模型，由三个卷积神经网络通道、特征融合层和回归层所构成；本发明专利技术提出了改进模型的思路与结构，以及训练过程，具有更高准确性，能面对的故障类型更全面。能面对的故障类型更全面。能面对的故障类型更全面。

【技术实现步骤摘要】
一种基于改进CNN模型的电网瞬态稳定性预测方法


[0001]本专利技术属于电网监测和神经网络模型
，具体为一种基于改进CNN模型的电网瞬态稳定性预测方法。

技术介绍

[0002]如今，电力系统正在扩大，智能变电站的数量也在增加；新的在线监测和离线检测方法正在不断应用至供配电工作中。电力系统中大规模的电力设备，一直在产生大量的数据，这些数据具有大数据的特征。如何将这些复杂的、看似不相关的数据应用于变电站的智能评估，是目前电力系统发展中亟待解决的问题。
[0003]大数据分析是一种常见的数据处理方法。评价变电站的本质是评价电力设备的健康状况。若能提前得出有价值的数据，对电力系统进行全面准确地评估，判断每一个设备的健康状况，就可以在设备出现故障之前发现问题并安排故障处理，从而延长设备的服务时间，提高电网的供电可靠性；在大数据环境的基础下，新的诸如人工智能、神经网络等技术出现，为电力系统发展的数据处理部分带来了新的进步，但具体如何实现，还有待研究。
[0004]电网瞬态稳定性，通常称之为电力系统的暂态稳定性，是指电力系统在运行过程中，受到一个大的扰动后，经过一个暂态过程能否达到新的稳定运行状态或恢复到原来运行状态，即平衡点的能力；这是评价电网性能的重要指标，同时也为电网的结构发展与改进提供分析基础，因此，对电网瞬态稳定性进行预测，是电网监测工作中的重点之一。
[0005]现有技术已经在尝试使用卷积神经网络，即CNN网络，构建相应模型，来对电网暂态电压稳定过程进行快速评估；其要点在于依据暂态电压时序信息进行稳态潮流特征的选择以及故障特征的定义，取故障前的稳态节点电压、发电机有功和无功功率、负荷有功和无功功率作为CNN模型的输入特征。此方法存在一定的缺点：未考虑到故障的冲击程度以及故障的后续发展情况，仅对特定故障集中的情况能产生显著效果，对于其他故障类型的泛化应用能力不足，因此对电网瞬态稳定性预测也不够全面和准确。
[0006]因此，在电网数据计算中应用的CNN模型如何进行改进，使其在电网中对大量数据的监测处理过程，能准确高效的得出评估结果，形成新的电网瞬态稳定性预测方法，也成为了电网结构发展中的热点研究问题。

技术实现思路

[0007]针对现有技术关于电网瞬态稳定性预测的局限性问题，本专利技术提出了改进CNN模型的思路与具体的CNN模型结构，以及相应的训练过程；并有针对性的选取电网瞬态稳定性预测中的重要数据，进行分析，形成了具有新的电网瞬态稳定性预测方法，相比现有技术，具有更高的准确性，能面对的故障类型更全面。
[0008]本专利技术采用了以下技术方案来实现目的：
[0009]一种基于改进CNN模型的电网瞬态稳定性预测方法，包括如下步骤：
[0010]S1、对待预测电网中的原始数据进行数据清洗，数据清洗完成后，采集设定周期T
内的待预测电网中的有效数据；
[0011]S2、提取有效数据中的发电机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据，对这三类特征数据进行最大最小归一化处理，获得对应的三类预处理数据；
[0012]S3、将预处理数据输入电网瞬态稳定性预测模型，获得电网瞬态稳定性预测结果；
[0013]所述电网瞬态稳定性预测模型，以对CNN模型进行改进的方式构建，由三个卷积神经网络通道、一个特征融合层和一个回归层所构成。
[0014]进一步的，所述电网瞬态稳定性预测模型的具体构建方式为：将每一个卷积神经网络通道的输入端作为电网瞬态稳定性预测模型的输入，接收预处理数据；将每一个卷积神经网络通道的输出端均与特征融合层的输入端连接，将特征融合层的输出端与回归层的输入端相连接，回归层的输出即为预测结果的输出；
[0015]其中，每一个卷积神经网络通道的结构相同，构建方法也相同，均为：依次连接第一卷积层Conv1 3
×
1、第一池化层Pool1 2
×
1、第二卷积层Conv2 3
×
1、第二池化层Pool2 2
×
1、第三卷积层Conv3 2
×
1、第三池化层Pool3 2
×
1、第四卷积层Conv4_6 2
×
1和第四池化层Pool4 2
×
1；并将第四池化层Pool4 2
×
1的输出端连接特征融合层的输入端；
[0016]将经过最大最小归一化处理的发电机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据，分别作为一个卷积神经网络通道中第一卷积层Conv1 3
×
1的输入；
[0017]所述回归层的激活函数为H(s')＝s0，其中s'为特征融合层的输出结果；s0为预测得到的预测稳定裕度。
[0018]具体的，电网瞬态稳定性预测结果包括电网稳定状态δ，如下式：
[0019][0020]式中，当δ输出为1时，表示预测电网处于稳定状态，当δ输出为
‑
1时，表示预测电网处于不稳定状态。
[0021]进一步的，在步骤S3之前，还包括对电网瞬态稳定性预测模型的训练过程，具体为如下步骤：
[0022]A1、生成多类不同电网故障条件下的m个样本案例，采集设定周期T内每个样本案例的训练数据；
[0023]A2、对采集的训练数据进行特征提取，建立样品集P；
[0024]A3、构建初始的电网瞬态稳定性预测模型后，将样品集P输入，采用Adam优化算法，对初始的电网瞬态稳定性预测模型进行训练，得到训练后的电网瞬态稳定性预测模型，在实际预测中使用。
[0025]具体的，电网瞬态稳定性预测模型的回归层的损失函数L为：
[0026][0027]上式中，s
i
为样品集P中第i个样本案例在故障条件下的电网实际稳定裕度；s
0i
为第i个样本案例在故障条件下的预测实际稳定裕度。
[0028]进一步的，步骤A2中，样品集P的建立过程具体如下：
[0029]A21、对第i个样本案例进行时域仿真模拟，得到x
i
个对应故障条件下的模拟时域数据；
[0030]A22、对x
i
个模拟时域数据，使用二进制搜索法，得到第i个样本案例的极限截止时间t
iC
；
[0031]A23、依据第i个样本案例的极限截止时间t
iC
，得到第i个样本案例的电网实际裕度s
i
，如下式：
[0032]s
i
＝t
iC
‑
(t
i1
‑
t
i2
)
[0033]式中，t
i1
为第i个样本案例的电网故障出现时刻，t
i2
为第i个样本案例的电网故障消失时刻；
[0034]A24、对第i个样本案例的训练数据进行特征提取，得到对应的发电机功率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进CNN模型的电网瞬态稳定性预测方法，其特征在于，包括如下步骤：S1、对待预测电网中的原始数据进行数据清洗，数据清洗完成后，采集设定周期T内的待预测电网中的有效数据；S2、提取有效数据中的发电机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据，对这三类特征数据进行最大最小归一化处理，获得对应的三类预处理数据；S3、将预处理数据输入电网瞬态稳定性预测模型，获得电网瞬态稳定性预测结果；所述电网瞬态稳定性预测模型，以对CNN模型进行改进的方式构建，由三个卷积神经网络通道、一个特征融合层和一个回归层所构成。2.根据权利要求1所述的一种基于改进CNN模型的电网瞬态稳定性预测方法，其特征在于：所述电网瞬态稳定性预测模型的具体构建方式为：将每一个卷积神经网络通道的输入端作为电网瞬态稳定性预测模型的输入，接收预处理数据；将每一个卷积神经网络通道的输出端均与特征融合层的输入端连接，将特征融合层的输出端与回归层的输入端相连接，回归层的输出即为预测结果的输出；其中，每一个卷积神经网络通道的结构相同，构建方法也相同，均为：依次连接第一卷积层Conv1 3
×
1、第一池化层Pool1 2
×
1、第二卷积层Conv2 3
×
1、第二池化层Pool2 2
×
1、第三卷积层Conv3 2
×
1、第三池化层Pool3 2
×
1、第四卷积层Conv4_6 2
×
1和第四池化层Pool4 2
×
1；并将第四池化层Pool4 2
×
1的输出端连接特征融合层的输入端；将经过最大最小归一化处理的发电机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据，分别作为一个卷积神经网络通道中第一卷积层Conv1 3
×
1的输入；所述回归层的激活函数为H(s')＝s0，其中s'为特征融合层的输出结果；s0为预测得到的预测稳定裕度。3.根据权利要求2所述的一种基于改进CNN模型的电网瞬态稳定性预测方法，其特征在于：电网瞬态稳定性预测结果包括电网稳定状态δ，如下式：式中，当δ输出为1时，表示预测电网处于稳定状态，当δ输出为
‑
1时，表示预测电网处于不稳定状态。4.根据权利要求1所述的一种基于改进CNN模型的电网瞬态稳定性预测方法，其特征在于，在步骤S3之前，还包括对电网瞬态稳定性预测模型的训练过程，具体为如下步骤：A1、生成多类不同电网故障条件下的m个样本案例，采集设定周期T内每个样本案例的训练数据；A2、对采集的训练数据进行特征提取，建立样品集P；A3、构建初始的电网瞬态稳定性预测模型后，将样品集P输入，采用Adam优化算法，对初始的电网瞬态稳定性预测模型进行训练，得到训练后的电网瞬态稳定性预测模型，在实际预测中使用。5.根据权利要求4所述的一种基于改进CNN模型的电网瞬态稳定性预测方法，其特征在于：电网瞬态稳定性预测模型的回归层的损失函数L为：
上式中，s
i
为样品集P中第i个样本案例在故障条件下的电网实际稳定裕度；s
0i
为第i个样本案例在故障条件下的预测实际稳定裕度。6.根据权利要求4所述的一种基于改进CNN模型的电网瞬...

【专利技术属性】
技术研发人员：钟加勇，陈咏涛，吴彬，李俊杰，籍勇亮，何迎春，厉仄平，靳敏，
申请(专利权)人：国网重庆市电力公司国家电网有限公司，
类型：发明
国别省市：