【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...
【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：
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。