一种结合持续学习更新的电力系统暂态稳定评估方法技术方案

本发明专利技术公开了一种结合持续学习更新的电力系统暂态稳定评估方法包括：将底层量测数据构造成三维特征图作为模型的输入，利用深度残差收缩网络建立特征输入与稳定结果输出之间的映射关系，从而实现端到端的暂态稳定评估；将持续学习算法引入模型，建立SCP

【技术实现步骤摘要】
一种结合持续学习更新的电力系统暂态稳定评估方法


[0001]本专利技术涉及电力系统暂态稳定评估
，具体为一种结合持续学习更新的电力系统暂态稳定评估方法。

技术介绍

[0002]随着现代电力系统的快速发展，可再生能源渗透率和电力电子设备不断增加，区域互联下电力系统规模不断扩大，电力系统的动态特性变得越来越复杂。当电力系统受到干扰时，更容易发生暂态失稳问题，暂态失稳是造成电网发生大停电的重要原因。因此，快速准确的电力系统暂态稳定评估对电力系统的安全稳定运行至关重要。
[0003]目前暂态稳定计算的方法有时域仿真法，直接法和人工智能法。时域仿真法虽计算精度高，但计算耗时长，难以在线应用。直接法在面对复杂的大电网时，其高度简化的模型难以进行准确可靠的评估，适应性不高。近年来，随着同步相量量测技术的不断发展，广域测量信息系统(Wide Area Measurement System，WAMS)不断完善，通过在电网中部署的相量测量单元(PMU)可以同步获取大量系统的动态信息。人工智能算法利用其数据以及相应的稳定性结论，构造输入特征与输出结论之间的映射关系，无需建立复杂的数学模型，便能实现快速，准确的暂态稳定评估。随着数据驱动技术的快速发展，深度学习为电力系统暂态稳定评估提供了新的思路。如深度置信网络(DBN)、堆栈自编码器(SAE)，卷积神经网络(CNN)、长短期记忆网络(LSTM)等。然而，当系统的运行方式和拓扑结构发生较大变化时，基于固定分布数据训练的预测模型的精度就会显著下降，因此，能够持续在线应用的TSA仍然是一个巨大的挑战。有学者将迁移学习(Transfer Learning)应用于模型的更新，此方法虽然能够减少了更新时间，且基于迁移学习更新后的模型虽然在新场景下表现好但遗忘了在旧场景学习到的知识，现实电力系统中新场景是不断变化的，需要反复训练的海量数据会导致模型的更新速度跟不上数据的积累速度，而持续学习算法能够解决的模型的灾难性遗忘问题。所以，有必要对具有持续学习能力模型的电力系统暂态稳定评估方法进行研究。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述存在的问题，提出了本专利技术。
[0006]因此，本专利技术解决的技术问题是：如何解决的模型的灾难性遗忘问题并只需使用新场景的数据就能对模型进行更新强化，同时不遗忘旧任务。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种结合持续学习更新的电力系统暂态稳定评估方法，包括：
[0008]基于数据对模型进行离线训练，将底层量测数据构造成三维特征图作为模型的输入，利用深度残差收缩网络建立特征输入与稳定结果输出之间的映射关系，从而实现端到
端的暂态稳定评估；
[0009]在线应用时，将持续学习算法引入模型，建立评估模型；
[0010]当系统拓扑结构和运行方式发生较大变化导致模型预测精度下降时，对模型进行更新模型训练。
[0011]作为本专利技术所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述模型的输入包括：
[0012]初选择故障切除后5个周波的母线电压幅值与相角作为初始输入特征，构造2
×
N
×
B三维输入特征图，其中2代表通道数，N代表采样点数，每半个周波采样一次，B代表系统母线节点数。
[0013]作为本专利技术所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述稳定结果作为输出表示为：
[0014][0015]其中，T
SI
表示稳定的判据参考暂态指数，Δδ
max
表示仿真时间内任意2台发电机之间的最大功角差绝对值。
[0016]作为本专利技术所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述稳定结果还包括：
[0017]当T
SI
＞0时，表示系统暂态稳定，样本标注为0；
[0018]当T
SI
≤0时，系统暂态失稳，样本标注为1，工作人员依据标注，对样本标注为1的系统故障进行检查排除。
[0019]作为本专利技术所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述深度残差收缩网络包括：
[0020]深度残差收缩网络是在残差网络的基础上的一种改进网络，所述收缩指的是软阈值化，是降噪算法的关键步骤；
[0021]在深度残差收缩网络中，通过注意力机制自动设置软阈值化所需要的阈值；
[0022]作为本专利技术所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述深度残差收缩网络的整体还包括：
[0023]输入层，卷积层，一系列残差收缩模块以及最后的全局平均池化层和全连接输出层。
[0024]作为本专利技术所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述预测精度下降包括：
[0025]通过PSS/E仿真软件设置不同的新能源渗透率，不同的负荷水平，不同线路的三相短路故障以及不同的故障持续时间，生成三种不同的数据集对预测模型进行训练和更新；
[0026]所述评估模型包括SCP
‑
DRSN暂态稳定评估模型。
[0027]作为本专利技术所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述三种不同的数据集包括：基本数据集D0，数据集D1，数据集D2[0028]所述基本数据集D0包括，覆盖系统的基本大多数运行工况的数据集；
[0029]所述数据集D1包括，反映系统拓扑结构变化的数据集，通过断开若干输电线和发电机实现；
[0030]所述数据集D2包括，模拟系统潮流发生重大变化，发电调度场景的数据集，通过改变发电机终端功率分布实现。
[0031]作为本专利技术所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述持续学习算法包括：
[0032]持续学习算法SCP能够解决的模型的灾难性遗忘问题；
[0033]根据持续学习中基于正则化的方法，在新任务的损失函数中会添加正则项以限制模型每个权重参数的变化，让机器在学新任务的时候能保留旧任务上学得的知识。
[0034]作为本专利技术所述的结合持续学习更新的电力系统暂态稳定评估方法的一种优选方案，其中，所述新任务的损失函数，表示为：
[0035][0036]其中，L
′
(θ)表示模型旧损失函数；θ表示模型的第i个参数，表示在旧任务上学得的模型的第i个参数，正则系数b
i
表示第i个参数对旧任务的重要程度，b
i
越大，第i个参数就越重要。
[0037]本专利技术的有益效果：本专利技术提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
所述基本数据集D0包括，覆盖系统的基本大多数运行工况的数据集；所述数据集D1包括，反映系统拓扑结构变化的数据集，通过断开若干输电线和发电机实现；所述数据集D2包括，模拟系统潮流发生重大变化，发电调度场景的数据集，通过改变发电机终端功率分布实现。9.如权利要求1所述的结合持续学习更新的电力系统暂态稳定评估方法，其特征在于，所述持续学习算法包括：持续学习算法SCP能够解决的模型的灾难性遗忘问题；根据持续学习中基于正则化的方法，在新任务的损失函数中会添加正则项...

【专利技术属性】
技术研发人员：李庆生，龙家焕，张兆丰，张裕，李震，廖泽伟，张彦，刘金森，陈巨龙，杨婕睿，王卓月，孙斌，徐玉韬，罗重科，范俊秋，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：