【技术实现步骤摘要】
本专利技术属于电力系统运维，特别是涉及到一种基于数据驱动的基于数据驱动的静态电压稳定性评估与趋势预测方法。
技术介绍
1、近年来，新能源发电技术得到了快速发展，但这也给电力系统稳定运行带来了重大挑战。一方面，新能源发电技术受环境影响较大，直接增大了电力系统运行状态的波动性和时变性，增大了电力系统稳定性计算的规模，进而对稳定性计算的效率提出了更高要求。另一方面，相较于传统的同步机组，新能源抗干扰能力不足，当发生大规模潮流转移、直流闭锁、无功支撑不足等均会导致电压崩溃，使电力系统调度困难增大。在人工智能技术的发展下，经过大量数据训练的数据驱动类算法可以快速准确的进行稳定性预测与评估。
2、目前数据驱动类算法中，基于求解潮流方程和雅可比矩阵的灵敏度法、特征值法和非线性规划法在面对大型互联电网时，存在计算耗时长、建模困难问题；基于策略表的控制方法因故障前进行故障假设，所以无法全面覆盖所有故障类型且存在决策失误的风险；响应驱动的控制方法存在计算精度不足、故障处理方法不到位的缺点；单一的决策树存在数据处理规模小的缺点。单一的卷积神经网络为黑箱建模，存在数据处理过程不可见的缺点。
3、因此现有技术当中亟需要一种新型的技术方案来解决这一问题。
技术实现思路
1、本专利技术所要解决的技术问题是：提供一种基于数据驱动的静态电压稳定性评估与趋势预测方法，其采用卷积神经网络进行电力系统静态电压稳定裕度的预测，得到pv、qv曲线，并计算出裕度指标，利用决策树进一步处理裕度指标，由决策
2、基于数据驱动的静态电压稳定性评估与趋势预测方法，包括以下步骤，并且以下步骤顺次进行：
3、步骤一、截取一段时间内电力系统所有节点的历史数据作为数据集，所述数据集中包括各采样时刻的输入特性、输出特性和相应的历史样本基尼系数，其中输入特性为各节点的有功功率、无功功率、电压幅值和电压薄弱节点的电压，输出特性为各节点的稳定裕度指标，所述稳定裕度指标包括静态电压裕度kp、节点无功裕度kqi和电压薄弱节点的节点电压裕度kvi，对数据集中的数据进行平铺、归一化操作，获得训练集；
4、步骤二、建立卷积神经网络模型，利用训练集中输入特性作为输入，输出特性作为输出对卷积神经网络模型进行训练，获得训练后的卷积神经网络模型；
5、步骤三、建立决策树模型；
6、步骤四、将训练集中的数据经过训练后的卷积神经网络模型后获得预测的电力系统有功功率和电压pv曲线、无功功率和电压qv曲线极限点以及静态电压裕度kp、节点无功裕度kqi以及电压薄弱节点的节点电压裕度kvi，作为决策树模型的输入，以训练集中对应的历史样本基尼系数作为决策树模型的输出，对决策树模型进行训练，获得训练后决策树模型，并且相应获得电力系统静态电压裕度kp、节点无功裕度kqi以及电压薄弱节点的节点电压裕度kvi的预测值；
7、步骤五、将实测的电力系统各节点的有功功率、无功功率、电压幅值和电压薄弱节点的电压依次经过训练后的卷积神经网络模型和训练后决策树模型，获得预测的电力系统pv、qv曲线极限点、各节点的静态电压裕度kp、节点无功裕度kqi以及电压薄弱节点的节点电压裕度kvi，再利用训练后决策树模型将实测下的系统静态电压划分为稳定和不稳定，完成静态电压稳定性评估。
8、所述卷积神经网络模型的建立过程如下：
9、步骤1：输入层
10、将电力系统训练集中的输入特性和输出特性作为卷积神经网络模型的输入；
11、步骤2：卷积层
12、所述卷积层用于提取输入的数据集中的节点参数和稳定裕度之间的关系，在此层将步骤1中输入数据与卷积核进行一维卷积后输出到下一层：
13、
14、其中，x(i)为卷积层输入数据集中第i个元素，y(i)为卷积后输出数据集中第i个元素，z(c)为每一次卷积对应的卷积核，c表示为卷积的次数，m为卷积的总次数；
15、步骤3：激活层
16、所述的激活层用于激活隐藏神经元，采用max函数激活提高模型收敛性：
17、f(u)＝max(0,u)
18、其中，u表示激活层的输入，u≤0的情况下，f(u)取0，u>0的情况下，f(u)取u；
19、步骤4：池化层
20、所述的池化层用于数据降维，将卷积后的数据进行合理丢弃，防止模型过拟合，采用平均池化的方法，使数据取样完整，提高预测准确性：
21、
22、其中，v(i+k)池化层输入的第i个数据，k为池化层输入的数据维度，y(i)为池化层输出的第i个数据；
23、步骤5：全连接层
24、所述的全连接层将提取出的特征配以权重，此处是由卷积层提取出的各个特征与稳定裕度之间的关系配以权重，此权重y在迭代过程中进行变化：
25、y＝aω+b
26、其中ω为神经元权重，b为偏置，a是上一次迭代过程中的权重；
27、步骤6：优化模型参数
28、采用随机梯度下降算法(sgd)优化模型参数：
29、
30、w＝w-ηδw
31、其中，q为训练集样本，δw为梯度，w为绝对值较小的随机向量，η为学习率；
32、此过程为迭代过程，设置好相应的学习率，通过计算卷积神经网络损失函数对每个参数的梯度，并将其乘以学习率，确定参数的调整方向和步长，从而实现模型参数的优化；
33、所述的卷积神经网络损失函数为均方误差，公式如下：
34、
35、其中，λ为模型参数，x为训练集，p为训练集的大小，d为输出层神经元集合，td为数据集真实值，od为卷积神经网络实际输出；
36、步骤8：卷积神经网络预测结果评价采用均方根误差(rmse)、平均绝对误差(mae)和决定系数(r2)，表示如下：
37、平均绝对误差(mae)：
38、
39、均方根误差(rmse)：
40、
41、决定系数(r2)：
42、
43、其中t为样本总数，yi为实际值，为预测值，为平均值。
44、所述决策树为cart分类决策树，包括初始基尼系数gini计算、基尼系数gini划分和决策树剪枝；
45、所述的初始基尼系数gini计算公式为：
46、
47、其中x为样本集；pi为第i类样本占总样本的概率，此处表示为历史数据中稳定和不稳定两类样本各自在样本中所占的比例；为样本的类别个数；
48、所述的基尼系数gini划分公式为：
49、
50、其中x1和x2是样本根据属性a划分的两个子集，
51、划分基尼本文档来自技高网...
【技术保护点】
1.基于数据驱动的静态电压稳定性评估与趋势预测方法，其特征是：包括以下步骤，并且以下步骤顺次进行，
2.根据权利要求1所述的基于数据驱动的静态电压稳定性评估与趋势预测方法，其特征是：所述卷积神经网络模型的建立过程如下：
3.根据权利要求1所述的基于数据驱动的静态电压稳定性评估与趋势预测方法，其特征是：所述决策树为CART分类决策树，包括初始基尼系数Gini计算、基尼系数Gini划分和决策树剪枝；
【技术特征摘要】
1.基于数据驱动的静态电压稳定性评估与趋势预测方法，其特征是：包括以下步骤，并且以下步骤顺次进行，
2.根据权利要求1所述的基于数据驱动的静态电压稳定性评估与趋势预测方法，其特征是：所述卷积神经网络模...
【专利技术属性】
技术研发人员：贾依霖，刘宇，高洋，郝睿，高雷，刘艳秋，朱皓泽，关克斯，祝湘博，孟令卿，王睿，王怡博，王晓健，单丽君，
申请(专利权)人：国网辽宁省电力有限公司鞍山供电公司，
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。