一种基于卷积神经网络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卷积神经网络的电网瞬态稳定性预测方法，属于电力系统电网监测技术领域，解决了传统方法难以对如今复杂结构的电网进行稳定性评估工作的问题；步骤包括：S1、获取电网大数据，构建电网状态评估模型，对所述电网大数据进行评估；S2、依据评估后的电网大数据，建立样本案例集，并使用所述样本案例集，训练多通道多特征融合卷积神经网络回归模型；S3、采用与步骤S1相同的方式，获取实际电网大数据并进行评估，通过训练完成的多通道多特征融合卷积神经网络回归模型，进行电网瞬态稳定性预测；本发明专利技术的方法将新技术应用至电力系统监测领域中，具有降低电网瞬态稳定性预测难度、降低误报率和漏报率的优点。降低误报率和漏报率的优点。降低误报率和漏报率的优点。

【技术实现步骤摘要】
一种基于卷积神经网络的电网瞬态稳定性预测方法


[0001]本专利技术属于电力系统电网监测
，涉及电网瞬态稳定性预测过程，具体为一种基于卷积神经网络的电网瞬态稳定性预测方法。

技术介绍

[0002]随着社会经济的进步，电力系统的电网规模也在不断扩大，因此电网的结构变的越来越复杂；在电力需求不断增加的同时，对电力稳定性的要求也越来越严格，因此保持电网的高稳定性与高可靠性，是非常重要的。
[0003]随着电网的快速发展扩张，电网结构的复杂化，现有技术对电网的可靠性评估变的越来越困难；在复杂的电网结构中，传统方法已很难完成对电网状态和系统稳定性的评估工作，从而很难为电网预防和应急控制提供参考信息。
[0004]诸如人工智能、边缘计算和大数据等新技术的快速发展，为电网状态检测、扰动评估和系统稳定性预测等电力系统技术问题带来了新的解决思路；那么如何具体应用新技术，实现对复杂结构电网的监测，替代传统方法，已成为电力系统发展中亟待解决的问题。

技术实现思路

[0005]为了解决
技术介绍
中提到的问题，将新技术应用至电力系统监测领域中，本专利技术在大数据环境下基于卷积神经网络，提出了一种对电网瞬态稳定性进行预测的方法；该方法可有效解决现有技术中电网瞬态稳定性预测难度大，误报率高和漏报率高的问题。
[0006]本专利技术采用了以下技术方案来实现目的：
[0007]一种基于卷积神经网络的电网瞬态稳定性预测方法，包括如下步骤：
[0008]S1、获取电网大数据，构建电网状态评估模型，对所述电网大数据进行评估；
[0009]S2、依据评估后的电网大数据，建立样本案例集，并使用所述样本案例集，训练多通道多特征融合卷积神经网络回归模型；
[0010]S3、获取实际电网大数据并进行评估，通过训练完成的多通道多特征融合卷积神经网络回归模型，进行电网瞬态稳定性预测。
[0011]进一步的，步骤S1中，构建电网状态评估模型，对电网大数据进行评估的具体过程如下：
[0012]S11、采集多种信息管理系统的大数据源，获得多类数据；
[0013]S12、将获得的数据划分为实时状态数据、定时状态数据和静态数据；
[0014]S13、对所述实时状态数据、定时状态数据和静态数据进行数据清洗操作；数据清洗的方法包括：去除错误数据，补充不完整的数据和删除多余的数据；
[0015]S14、将清洗完成后的各类数据转换成结构化数据，对结构化数据的强关联规则进行采集；
[0016]S15、依据采集到的结构化数据的强关联规则，进行评估，得出评估结果。
[0017]具体的，在步骤S15后，还包括：
[0018]S16、将步骤S11至S15的过程作为标准化模型，从而完成电网状态评估模型的构建，并应用于实际电网大数据的评估工作中。
[0019]进一步的，步骤S15中，对结构化数据的强关联规则进行评估，具体如下：
[0020]S151、判断被评估的数据是否为数值数据，若是，则进入步骤S152；若不是，则进入步骤S153；
[0021]S152、采用AHP层次分析和模糊数学相结合的方法，对电力设备的劣化程度进行从高至低的排序，对排序中的电力设备赋予对应的权重，得出评估结果；
[0022]S153、根据电力设备的健康状况，以打分方式对电力设备进行评价，打分分值高于设定值则作为健康状态好的电力设备，并赋予高分结果；打分分值低于设定值则作为健康状态差的电力设备，并赋予低分结果；从而得出评估结果。
[0023]具体的，所述信息管理系统，包括在线检测系统、生产管理系统、调度自动化系统、线路故障定位系统、地理信息系统、雷达监控定位系统和气象信息系统。
[0024]具体的，所述实时状态数据，包括在线检测数据、实时监测数据、环境气象数据和电网运行数据；所述定时状态数据，包括离线实验数据和人工检查数据；所述静态数据，包括账本数据和故障缺陷历史数据。
[0025]进一步的，所述实时状态数据，包括发动机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据；针对电网运行的随机性和低惯性，CNN模型固定的单一输入特征不能全面准确地表征被干扰系统的行为状态；因此，选择发电机功率角特征、堆叠稀疏自动编码器特征和随机矩阵特征这三个特征集作为CNN模型的多变量输入特征空间。
[0026]进一步的，步骤S2中，建立样本案例集的过程如下：
[0027]S21、将所述发动机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据，融合为一个特征集，作为卷积神经网络的输入数据，输入后得到卷积神经网络的输出；
[0028]S22、依据如下公式：
[0029][0030]式中，代表任何两台发电机在仿真时间内的最大功率角差的绝对值；π为圆周率；
[0031]计算得出极限截止时间的稳定值λ；并将达到稳定值的时间对应于第i个样本的极限截止时间t
c
；
[0032]S23、考虑到特定系统中的多种运行模式和故障条件，在时域仿真软件的帮助下，生成了m样本案例；对于样本，假定t1是电力系统故障出现的时刻，t2是故障消失的时刻，为了可靠地确定瞬态稳定状态，故障清除后的仿真持续时间被设定为5s；依据如下公式：
[0033]SM
i
＝t
c
‑
(t1‑
t2)
[0034]得到第i个样本的稳定边际SM
i
；
[0035]式中，t1是电力系统故障的出现时刻；t2是故障的消失时刻；样本i的范围为1≤i≤m，m为样本的总个数；t
c
由步骤S22得出；
[0036]S24、依据得到的多个样本中不同的稳定边际，与步骤S21中卷积神经网络的输出进行匹配，从而建立所述样本案例集。
[0037]进一步的，将建立完成的样本案例集输入多通道多特征融合卷积神经网络回归模型中，进行训练，得到训练完成的多通道多特征融合卷积神经网络回归模型；其中的训练过程具体为，依据如下公式：
[0038][0039]式中，L(S，S
O
)为损失值；S为实际稳定裕度；S
i
为第i个样本的实际稳定裕度；S
Oi
为第i个样本的预测稳定裕度；m为样本的总个数；
[0040]建立多通道多特征融合卷积神经网络回归模型的损失函数模型，依据损失函数模型对多通道多特征融合卷积神经网络回归模型进行参数调整，从而实现对多通道多特征融合卷积神经网络回归模型的训练。
[0041]进一步的，步骤S3中，进行电网瞬态稳定性预测的过程具体为：
[0042]采用与步骤S1相同的方式获取实际电网大数据，评估处理后，将实际电网大数据输入训练完成的多通道多特征融合卷积神经网络回归模型，依据如下公式：
[0043][0044]对多通道多特征融合卷积神经网络回归模型的输出进行激活，得到稳定裕度预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的电网瞬态稳定性预测方法，其特征在于，包括如下步骤：S1、获取电网大数据，构建电网状态评估模型，对所述电网大数据进行评估；S2、依据评估后的电网大数据，建立样本案例集，并使用所述样本案例集，训练多通道多特征融合卷积神经网络回归模型；S3、获取实际电网大数据并进行评估，通过训练完成的多通道多特征融合卷积神经网络回归模型，进行电网瞬态稳定性预测。2.根据权利要求1所述的一种基于卷积神经网络的电网瞬态稳定性预测方法，其特征在于，步骤S1中，构建电网状态评估模型，对电网大数据进行评估的具体过程如下：S11、采集多种信息管理系统的大数据源，获得多类数据；S12、将获得的数据划分为实时状态数据、定时状态数据和静态数据；S13、对所述实时状态数据、定时状态数据和静态数据进行数据清洗操作；S14、将清洗完成后的各类数据转换成结构化数据，对结构化数据的强关联规则进行采集；S15、依据采集到的结构化数据的强关联规则，进行评估，得出评估结果。3.根据权利要求2所述的一种基于卷积神经网络的电网瞬态稳定性预测方法，其特征在于，在步骤S15后，还包括：S16、将步骤S11至S15的过程作为标准化模型，从而完成电网状态评估模型的构建，并应用于实际电网大数据的评估工作中。4.根据权利要求2所述的一种基于卷积神经网络的电网瞬态稳定性预测方法，其特征在于：步骤S15中，对结构化数据的强关联规则进行评估，具体如下：S151、判断被评估的数据是否为数值数据，若是，则进入步骤S152；若不是，则进入步骤S153；S152、采用AHP层次分析和模糊数学相结合的方法，对电力设备的劣化程度进行从高至低的排序，对排序中的电力设备赋予对应的权重，得出评估结果；S153、根据电力设备的健康状况，以打分方式对电力设备进行评价，打分分值高于设定值则作为健康状态好的电力设备，并赋予高分结果；打分分值低于设定值则作为健康状态差的电力设备，并赋予低分结果；从而得出评估结果。5.根据权利要求2所述的一种基于卷积神经网络的电网瞬态稳定性预测方法，其特征在于：所述信息管理系统，包括在线检测系统、生产管理系统、调度自动化系统、线路故障定位系统、地理信息系统、雷达监控定位系统和气象信息系统。6.根据权利要求2所述的一种基于卷积神经网络的电网瞬态稳定性预测方法，其特征在于：所述实时状态数据，包括在线检测数据、实时监测数据、环境气象数据和电网运行数据；所述定时状态数据，包括离线实验数据和人工检查数据；所述静态数据，包括账本数据和故障缺陷历史数据。7.根据权利要求6所述的一种基于卷积神经网络的电网瞬态稳定性预测方法，其特征在于：所述实时状态数据，包括发动机功率角特征...

【专利技术属性】
技术研发人员：钟加勇，黄林，田鹏，籍勇亮，宫林，吕小红，李俊杰，厉仄平，
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：