基于深度学习的区域电网的电压暂降传播轨迹识别方法技术

本发明专利技术公开了一种基于深度学习的面向区域电网的电压暂降传播轨迹识别方法包括以下步骤：步骤1：构建融合识别模型，由SAE降维与AttUnet分类识别组成；步骤2：构建基于Flink的面向区域电网的大规模监测点并行实时模式识别平台，实现暂降数据采集

【技术实现步骤摘要】
基于深度学习的区域电网的电压暂降传播轨迹识别方法


[0001]本专利技术涉及电网，特别是一种基于深度学习的面向区域电网的电压暂降传播轨迹识别方法。

技术介绍

[0002]随着电网互联的进一步发展，电力系统扰动传播现象也更加突出，呈现出了各种机械波的表现形式，如果无法正确分析扰动在电网中的传播过程，从而提出适当的控制策略，极有可能造成连锁故障，最严重时甚至可以造成大面积的断电，由于电力传输过程中通常经历许多变压器和传输线，因此客户设备终端的电压暂降特性可能与故障时的电压暂降特性区别较大，输电网络上的电压暂降特性可以监测和评估，但在客户的工业设施中，通常需要根据电压暂降特性的传播规律计算网络终端的电压暂降特性，因此研究电压暂降的传播规律具有重要的意义，电压暂降在电网上的传播分为输电线路传播和变压器传播，两者均符合叠加定理，其中，输电线路上的传播仅与线路的阻抗相关，变压器上的传播则与电压暂降类型、变压器的连接和接地方式以及绕组有关，在电力系统中，各发电机和变电母线(节点)经输电线路连接成小世界网络，电网运行时的拓扑结构对系统的动态特性和暂降传播有显著影响，电能质量污染在电网中具有传播特性，导致节点间存在耦合效应，特别是对于相邻节点，由于它们相对于污染源的位置相似，节点之间的电能质量污染可能表现出强耦合关系，幅度和持续时间是电压暂降的主要特征，但由于电压暂降的起始点和持续时间在传播过程中没有发生变化，因此在区域电网传播过程中电压暂降幅值的变化情况成为研究的难点。
[0003]对于复杂的电压暂降事件，现有的监测系统采用监测点独立监测方式，收集的数据也是离散、孤立的，不能面向区域电网实现多监测点的实时扰动分析，不能充分表现复杂扰动的完整传播和综合信息，无法面向区域电网从完整的暂降传播过程中提取出同一暂降的传播轨迹，当电网发生暂降事件时，如何面向区域电网，基于同一时间截面下的各节点的动态关联特征，提取同一暂降在电网的传播轨迹成为研究暂降传播特性的关键，传统的数据表征学习识别算法难以处理大样本暂降数据集或当样本体量与特征向量维度庞大时，较高的算法复杂度会影响识别效果，现有的监测系统局限于单一监测点的实时监测，无法面对复杂的区域电网环境下多监测点实时关联分析计算，而高效准确的暂降识别算法和面向区域实时关联分析是提取同一暂降传播轨迹的前提。

技术实现思路

[0004]针对现有技术的缺陷，本专利技术提供了一种基于深度学习的面向区域电网的电压暂降传播轨迹识别方法。
[0005]一种基于深度学习的面向区域电网的电压暂降传播轨迹识别方法，包括以下步骤：
[0006]步骤1：构建融合识别模型，由SAE降维与AttUnet分类识别组成，输入为暂降三相
信号，SAE编码器为两层卷积层，隐含层为全连接层并经稀疏约束单元优化，解码器为两层反卷积层和一层卷积层，每一层经Batch Normalization(BN)归一化，并经ReLU激活，隐含层的低维特征再进入AttUnet识别，AttUnet编码器为2个卷积块和2个下采样层，卷积块均由2个卷积层组成，解码器为3个卷积层和2个上采样层，AG由1维卷积及ReLU、Sigmoid组成，来综合编码与解码输出特征，并将其代入Softmax进行分类，损失函数为交叉熵损失函数，通过多次训练最小化损失至达到纳什均衡，实现暂降事件分类；
[0007]步骤2：构建基于Flink的面向区域电网的大规模监测点并行实时模式识别平台，实现暂降数据采集
‑
处理
‑
存储一体化，Flume实时采集暂降发生时各个监测点的特征数据并经Kafka集群转发到Flink集群处理，进行基于滑动窗口的暂降轨迹提取，集群由Zookeeper进行统一管理，提取到的轨迹数据经数据库存储，用于传播特性研究，滑动窗口算法为：全网监测点暂降数据会进入滑动窗口，由其中的基本窗口对应区域电网所有的监测点进行一一处理，先识别暂降类型，再聚合判断，若为同一暂降事件在T秒内至少有Z个监测点捕捉到，则作为该事件在电网的传播轨迹，以该事件对应的多个监测点信息元组数组存入数据库中，单个元组对应单个监测点信息，由编号、幅值、暂降相、母线接入电源情况组成；
[0008]步骤3：构建基于GAT的传播轨迹幅值估计模型，轨迹数据经电网邻接矩阵转为可训练的图结构数据，通过2层8头和4头GAT网络并经拼接和平均模式聚合邻边节点特征来更新中心节点，然后将该新特征代入2层全连接层，输出维度分别为5和1，输出估计的幅值，模型采用eLU、tanh、BN进行激活，损失函数采用smoothL1分段函数进行优化，通过多次训练最小化估计幅值与真实幅值的误差，最终实现对未配置监测装置的节点在暂降传播中的幅值估计。
[0009]可选的，还包括：步骤4：验证模型的估计能力，将电网里移除监测装置的代表节点称为关键节点，关键节点的标准为连接关系即聚集程度、节点间、节点与电源间电气距离即电气距离与支撑水平，量化指标为区域电网中n个关键节点在监测周期内的平均电压暂降幅值组成的序列即电压暂降模式，模拟暂降传播实验15次，每次实验生成100次故障，通过比较关键节点在不同电网结构下的暂降模式，得出电网结构对暂降传播的影响规律，即传播特性。
[0010]进一步的，所述步骤1包括：步骤11：SAE输入层为原始数据A，编码器为两层卷积层，卷积核大小均为3
×
3，步长依次是1、2，隐含层为全连接层并经稀疏约束单元优化，解码器为两层反卷积层和一层卷积层，卷积核大小是2
×
2，步长为1，解码器输出为B，模型最小化A与B的误差，预训练好的SAE降维模型以隐含层低维特征C作为结果输出；步骤12：特征C进入AttUnet进行识别，AttUnet编码器为2个卷积块和2个下采样层，卷积块均由2个卷积核大小为3
×
3的卷积层组成，下采样为卷积核为2
×
2的最大池化层，向下提取特征为D，解码器为3个卷积层和2个上采样层，卷积层的卷积核大小均为3
×
3，上采样层卷积核为2
×
2，向上扩展的特征为E，AttUnet网络有2次跨层连接，连接前由AG综合D与E的特征，将其进入Softmax，得到各类别分布概率，进而进行暂降识别分类。
[0011]其中，所述步骤2包括：Flume实时采集的暂降数据流经Kafka上传到Flink集群进行轨迹提取，时间滑动窗口得到的监测点数据分散在内存中的基本窗口中，并发进行幅值计算、暂降识别、数据整合，然后对这一批数据进行聚合分析，若为同一暂降事件，T为1.5s，
Z为7，表示只有该暂降事件在时间区段1.5s内，有至少7个监测点捕捉到，才能将该监测点信息作为该暂降事件的传播轨迹进行存储。
[0012]本专利技术提出一种融合多层SAE和AttUnet的暂降识别方法，SAE通过对编码器和解码器的序列到序列的映射关系训练，隐含层向量空间特征作为低维的高精度特征表达进入AttUnet进一步提取特征和识别，AttUnet引入全局上下文信息，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的面向区域电网的电压暂降传播轨迹识别方法，其特征在于，包括以下步骤：步骤1：构建融合识别模型，由SAE降维与AttUnet分类识别组成，输入为暂降三相信号，SAE编码器为两层卷积层，隐含层为全连接层并经稀疏约束单元优化，解码器为两层反卷积层和一层卷积层，每一层经Batch Normalization(BN)归一化，并经ReLU激活，隐含层的低维特征再进入AttUnet识别，AttUnet编码器为2个卷积块和2个下采样层，卷积块均由2个卷积层组成，解码器为3个卷积层和2个上采样层，AG由1维卷积及ReLU、Sigmoid组成，来综合编码与解码输出特征，并将其代入Softmax进行分类，损失函数为交叉熵损失函数，通过多次训练最小化损失至达到纳什均衡，实现暂降事件分类；步骤2：构建基于Flink的面向区域电网的大规模监测点并行实时模式识别平台，实现暂降数据采集
‑
处理
‑
存储一体化，Flume实时采集暂降发生时各个监测点的特征数据并经Kafka集群转发到Fl ink集群处理，进行基于滑动窗口的暂降轨迹提取，集群由Zookeeper进行统一管理，提取到的轨迹数据经数据库存储，用于传播特性研究，滑动窗口算法为：全网监测点暂降数据会进入滑动窗口，由其中的基本窗口对应区域电网所有的监测点进行一一处理，先识别暂降类型，再聚合判断，若为同一暂降事件在T秒内至少有Z个监测点捕捉到，则作为该事件在电网的传播轨迹，以该事件对应的多个监测点信息元组数组存入数据库中，单个元组对应单个监测点信息，由编号、幅值、暂降相、母线接入电源情况组成；步骤3：构建基于GAT的传播轨迹幅值估计模型，轨迹数据经电网邻接矩阵转为可训练的图结构数据，通过2层8头和4头GAT网络并经拼接和平均模式聚合邻边节点特征来更新中心节点，然后将该新特征代入2层全连接层，输出维度分别为5和1，输出估计的幅值，模型采用eLU、tanh、BN进行激活，损失函数采用smoothL1分段函数进行优化，通过多次训练最小化估计幅值与真实幅值的误差，最终实现对未配置监测装置的节点在暂降传播中的幅值估计。2.根据权利要求1所述的识别方法，其特征在于，还包括：步骤4：验证模型的估计能力，将电网里移除监测装置的代表节点称为关键...

【专利技术属性】
技术研发人员：李慧蓬，樊瑞，张敏，赵军，张世锋，高乐，常潇，王腾鑫，祗会强，郭翔宇，
申请(专利权)人：国网山西省电力公司电力科学研究院，
类型：发明
国别省市：