【技术实现步骤摘要】
本专利技术涉及电力系统暂态稳定分析，特别是一种基于卷积神经网络-门控循环单元的暂态评估方法。
技术介绍
1、随着电力系统的快速发展以及大量可再生能源的不断接入，电力系统的正常运行面临着日益激增的风险以及挑战，系统在正常运行时遭受各种故障的影响，进而导致暂态失稳的可能性不断提高。一旦出现此问题并未采取控制措施，将直接导致发电机功角失步，严重时系统将解列崩溃，对大型企业的正常作业造成不可估计的损失；电力系统因故障导致暂态失稳的现象屡次发生，这些事故对电网的正常运行造成了极大冲击；现有技术的电力系统暂态稳定评估(transient stability assessment,tsa)技术中，存在单一模型导致特征提取存在局限性的问题，因此，需要设计一种基于卷积神经网络-门控循环单元的暂态评估方法来解决上述问题。
技术实现思路
1、本专利技术所要解决的技术问题是提供基于卷积神经网络-门控循环单元的暂态评估方法，综合考虑柔性负荷的运行特性和主动配电网不同时间尺度的运行需要，实现源网荷储的协同运行，为主动配电网的优化调度提供模型参考。
2、为实现上述技术效果，本专利技术所采用的技术方案是：
3、基于卷积神经网络-门控循环单元的暂态评估方法，包括：
4、s1，构建cnn卷积神经网络模型；
5、s2，构建gru门控循环单元结构；
6、s3，训练cnn+gru模型；
7、s4，输入数据预处理；
8、s5，稳态判据及样本标
9、s6，模型的分类性能评价指标及分类阈值。
10、优选地，步骤s1中，卷积神经网络cnn是深度学习领域中一种常用网络，cnn由输入层、隐含层以及输出层组成，但与神经网络不同的是，cnn隐含层由卷积层、池化层反复堆叠组成，其中卷积层由若干个特征平面组成，每个特征平面都由矩形排列的神经元组成，同一特征平面的神经元共享权重参数，共享的权重参数就是卷积核，卷积层利用卷积核进行卷积运算从而实现对局部数据的特征提取；池化层进行池化运算，通过该运算能显著降低数据维度并从卷积层提炼最具代表性特征；卷积层、池化层反复堆叠以实现抽象高阶特征的提取；输出层的结构与神经网络相同，一般又称为全连接层，通过全连接的方式得到输出结果；单卷积核cnn数据处理流程包括：
11、设原始输入为x＝[x1,x2,x3,…,xt,…,xs]t，x为s行d列的二维矩阵即x∈rs×d；卷积层中的卷积核对原始输入x进行卷积运算，运算过程如下所示：
12、ac＝f(wc*x+bc)；
13、其中，wc为卷积核对应的矩阵，“*”意为卷积运算，bc为卷积核偏置项，最终通过激活函数f得到运算结果ac，随后将数据传输至池化层；
14、卷积运算后紧接着进行池化运算，利用该运算能减少冗余数据，池化运算包括最大值池化以及平均值池化，运算过程包括：
15、ap＝pooling(ac)；
16、池化运算对2×2的局部接受域中的数据取最大值或平均值，与卷积运算类似，依次从左向右从上到下进行扫描(步距大小保持为1)，运算结束后将各部分的运算结果进行拼接最终得到ap。
17、max-pooling运算可以保留局部接受域中的最典型数据并将弱关联性部分剔除，所以在池化层中max-pooling运用最为普遍，而mean-pooling运算虽然可以对局部接受域数据求取算数平均值，权衡各数据对计算结果的影响，但存在重点数据筛选能力较差的问题，所以应用较少；卷积层与池化层重复堆叠经输出层得到模型的分类结果：
18、afc＝f(apwfc+bfc)；
19、y＝f(afcwfc+bfc)；
20、其中，wfc和bfc分别为全连接层的权重矩阵以及偏置项，y为模型计算结果；采用全连接的方式可以实现全局时序特征的组合。
21、当卷积层存在多个卷积核时，多个卷积核并列完成对局部感受域中数据的卷积运算，各自的卷积结果再分别进行池化运算，两者堆叠最后经全连接层输出计算结果，计算过程如下所示：
22、
23、
24、其中，与分别为第k个卷积核的参数矩阵以及对应的第k个偏置项，为第k个卷积核的运算结果，为第k个池化结果。
25、进一步地，cnn与传统神经网络的结果存在固有差异，所以cnn的训练过程与神经网络有所不同，神经网络训练过程只需考虑误差在不同层神经网络之间的传递问题，而cnn的误差传递方式存在以下三种情况：从全连接层传递至池化层，从池化层传递至卷积层，以及从卷积层传递至池化层。为方便推导，作两种记号：
26、(1)全连接层：为第l层中第j个节点的输入加权和，为的激活输出值；
27、(2)卷积、池化层：为第l层中第j个特征图的输入加权和，为的激活输出值；
28、故得到如下公式：
29、
30、此外，定义以下四种索引：
31、(1)设网络共有l层；
32、(2)若第l层为卷积层，则第j个节点到第l层中第i个节点的卷积核记为
33、(3)若第l层的第j个节点是由上层某些特征图卷积组合而来，则其索引记为其中，偏置项记为
34、(4)若第l-1层到第l层进行池化运算，则第j个特征图的池化参数记为
35、首先，cnn卷积层和池化层前向传播过程分别如下：
36、
37、
38、设n个带标签的样本构成样本集合，集合表示为{(z1,y1),(z2,y2),…,(zn,yn)}，其分类标签定义为：
39、
40、每个标签为zn的样本经cnn运算后相应输出结果为tn，故惩罚函数定义为：
41、
42、其中，代表单个样本产生的损失值，故惩罚函数e为单个样本产生的损失值en进行求和；与神经网络的训练过程相似，cnn的反向传播过程也是寻找一组最优的系统内部参数即从而最小化e的数值；损失值在反向传播过程中首先传入cnn的最外层即全连接层并进行求导运算，推导得到：
43、
44、此后，误差从池化层传递至卷积层，求导过程有公式：
45、
46、
47、
48、其中，up(·)定义为上采样函数，该函数能依据池化后的降维结果，逆向还原出卷积层的原始数据矩阵形状；定义为两个矩阵中的对应元素相乘，与卷积运算“*”有所不同，“*”是将卷积核矩阵与局部感受域矩阵的对应元素相乘后再进行求和，故运算结果为数字，而的运算结果为矩阵；rot180(·)定义为将矩阵沿左上右下对角线在空间中翻转180度；在偏置项b求偏导数的过程中进行求和运算的原因是：只有在所有子采样运算完成之后，偏置项才会被加入；最后，误差从池化层反向传递到卷积层的求导过程有如下公式：
49、
50、
51、其中本文档来自技高网...
【技术保护点】
1.基于卷积神经网络-门控循环单元的暂态评估方法，其特征在于，包括：
2.根据权利要求1所述的基于卷积神经网络-门控循环单元的暂态评估方法，其特征在于，步骤S1中，卷积神经网络模型由输入层、隐含层和输出层组成；单卷积核CNN数据处理流程包括：
3.根据权利要求1所述的基于卷积神经网络-门控循环单元的暂态评估方法，其特征在于，步骤S2中，门控循环单元包括重置门和更新门，重置门控制对前一时刻状态信息的忽略程度，更新门负责控制上一时刻状态信息对当前时刻状态的影响，两者协同工作能有效提取输入数据在较长时间序列里所包含的高阶特征，原始输入Xt与前一时间周期内的状态信息Ht-1经运算得到重置门结果Rt与更新门Zt，计算过程如下所示：
4.根据权利要求1所述的基于卷积神经网络-门控循环单元的暂态评估方法，其特征在于，步骤S3中，构建CNN+GRU模型包括建立CNN+GRU输入与输出之间的映射关系，具体如下：
5.根据权利要求1所述的基于卷积神经网络-门控循环单元的暂态评估方法，其特征在于，步骤S4中，输入数据预处理包括：
6.根据权利
7.根据权利要求1所述的基于卷积神经网络-门控循环单元的暂态评估方法，其特征在于，步骤S6的分类性能评价指标及分类阈值中，包括漏判样本以及误判样本，分别定义为FN以及FP；正确分类的样本包括稳定样本和失稳样本，分别定义为TP和TN；引入准确率Acc、精确率Pre、召回率Rec及Fβ分数共四种统计学指标评估模型的分类性能，对Pre、Rec两项指标进行修改，得到以下公式：
...【技术特征摘要】
1.基于卷积神经网络-门控循环单元的暂态评估方法，其特征在于，包括：
2.根据权利要求1所述的基于卷积神经网络-门控循环单元的暂态评估方法，其特征在于，步骤s1中，卷积神经网络模型由输入层、隐含层和输出层组成；单卷积核cnn数据处理流程包括：
3.根据权利要求1所述的基于卷积神经网络-门控循环单元的暂态评估方法，其特征在于，步骤s2中，门控循环单元包括重置门和更新门，重置门控制对前一时刻状态信息的忽略程度，更新门负责控制上一时刻状态信息对当前时刻状态的影响，两者协同工作能有效提取输入数据在较长时间序列里所包含的高阶特征，原始输入xt与前一时间周期内的状态信息ht-1经运算得到重置门结果rt与更新门zt，计算过程如下所示：
4.根据权利要求1所述的基于卷积神经网络-门控循环单元的暂态评估方法，其特征在于，步骤s3...
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。