【技术实现步骤摘要】
本专利技术涉及电力系统，具体涉及基于半监督学习的电网暂态电压稳定样本标定方法及设备。
技术介绍
1、目前国内外广泛采用基于固定电压阈值和时间阈值的工程判据作为电网暂态电压稳定的监测和判定标准，即当电网中节点电压低于给定阈值并超过预设时间窗时，判定电网将发生暂态电压失稳，否则判定电网将维持暂态电压稳定。其关键阈值和监测时间窗的设定往往依赖于电网运行人员的主观经验，面对不同场景和不同电网时缺乏足够的适应性，其判定结果的准确性和可靠性均难以保证。
2、现有技术中，电网暂态电压稳定在线监测和评估，以机器学习方法为核心，发展了数据驱动的电网暂态电压稳定评估技术。这类技术首先通过时域仿真等方式收集待监测电网的各种暂态运行场景，生成大量暂态电压稳定样本，接着将生成的样本输入至机器学习模型中进行学习，由此生成用于在线监测的暂态电压稳定评估模型。这类技术在样本生成过程中通常采用基于固定电压阈值和时间阈值的工程判据对各暂态运行场景的稳定或失稳类别进行标定，这将导致所得到的样本可靠性不足。
技术实现思路
1、有鉴于此，本专利技术提供了基于半监督学习的电网暂态电压稳定样本标定方法及设备，用以至少解决现有技术数据驱动的电网暂态电压稳定评估技术中样本质量难以提升的问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、基于半监督学习的电网暂态电压稳定样本标定方法，包括以下步骤：
4、s1.分别获取个暂态运行场景下电网中各负荷节点形成的暂态电压响应轨迹，，
5、s2.根据电压时序数据集对每个暂态运行场景的稳定类别进行初步标定，并将类别标记结果集成为一个类标号数据集；
6、s3.将和分别作为输入数据和输出数据，构建电压稳定样本集，并将中稳定类别处于未知状态的样本集成为样本子集，样本数目记为，将中剩余的数据集成为样本子集，样本数目记为，其中；
7、s4.分别采用半监督聚类学习方法和半监督分类学习方法对中个样本的稳定类别进行标定并分别对应获得标定结果和，并分别将标定结果和集合为结果数据集和，其中；
8、s5.对和进行交互校验，将所有通过交互校验的样本从移动至，完成对和的更新；
9、s6.重复迭代s4-s5，直至中所有样本均通过相互校验或重复迭代次数达到次，将最后一次迭代得到的作为的最终标定结果，合并最终更新得到的样本子集和，导出完整的样本集作为暂态电压稳定状态明确的最终样本集。
10、优选的，s1的具体内容包括：
11、收集电网在未来小时内可能出现的个暂态运行场景，采用机电暂态时域仿真方法对收集的个暂态运行场景进行次时域仿真，在每次时域仿真结束后采集所述电网中各负荷节点的暂态电压响应轨迹。
12、优选的，s2的具体内容包括：
13、s21.根据分别计算每个暂态运行场景下的最大李雅普诺夫指数；
14、s22.根据对所有暂态运行场景的稳定类别进行初步标定；
15、s23.将类别标记结果集成为一个类标号数据集。
16、优选的，s21的具体内容包括：
17、在监测时间窗下，第个暂态运行场景的最大李雅普诺夫指数为：
18、式中，为对暂态电压响应轨迹进行采样的时间间隔，为监测时间窗所包含的采样点数，，为最大李雅普诺夫指数计算过程中用于估计响应轨迹偏差的初始轨迹采样点数，为初始轨迹采样点序号，，为暂态电压响应轨迹中第个采样点的各负荷节点电压向量，其中代表等采样点序号。
19、优选的，s22的具体内容包括：
20、给定判断阈值，；
21、若，则判定该暂态运行场景处于明显稳定状态，并将该暂态运行场景的类别标记为；
22、若，则判定该暂态运行场景处于明显失稳状态，并将该暂态运行场景的类别标记为；
23、若，则判定该暂态运行场景处于未知状态，并将该暂态运行场景的类别标记为。
24、优选的，在s3中：
25、中的样本为稳定类别处于未知状态的样本，将的样本集成为样本子集，样本数目记为，中剩余的的样本集成为类别已知的样本子集，样本数目记为。
26、优选的，s4中获得结果数据集的具体内容包括：
27、采用基于卷积神经元的自动编码器算法对中所有样本的输入数据进行无监督学习，从自动编码器中提取隐藏层特征信息；
28、将提取得到的隐藏层特征信息作为输入，以中的所有样本类别信息为监督信息，采用半监督聚类算法对中的所有样本类别信息进行聚类标定：
29、若聚类标定结果为稳定，将当前样本的类别标定为；
30、若聚类标定结果为失稳，将当前样本的类别标定为；
31、完成中个样本的聚类标定后，将所有集合为结果数据集。
32、优选的，s4中获得结果数据集的具体内容包括：
33、采用基于长短时记忆单元的自动编码器算法对中所有样本的输入数据进行无监督学习；
34、将编码器神经网络进行复制，并将复制得到的编码器神经网络与全连接层和softmax激活层进行连接，构建长短时记忆单元分类模型，接着将中的所有样本输入至所构建的长短时记忆单元分类模型进行监督性微调训练，得到训练后的长短时记忆单元分类模型；
35、将中的所有样本输入至训练后的长短时记忆单元分类模型进行分类标定：
36、若分类标定结果为稳定，将当前样本的类别标定为；
37、若分类标定结果为失稳，将当前样本的类别标定为；
38、完成中个样本的分类标定后，将所有集合为结果数据集。
39、优选的，s5中对和进行交互校验的具体内容包括：
40、若，则表示中的第个样本通过了交互校验；
41、若，则表示中的第个样本未通过交互校验。
42、一种基于半监督学习的电网暂态电压稳定样本标定设备，包括存储器、处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器执行计算机程序时实现基于半监督学习的电网暂态电压稳定样本标定方法。
43、经由上述的技术方案可知，与现有技术相比，本专利技术公开了一种基于半监督学习的电网暂态电压稳定样本标定方法及设备，具有以下有益效果：解决了突破数据驱动的电网暂态电压稳定评估技术中样本质量难以提升的问题，有效保障海量暂态电压稳定样本的生成质量，为现有数据驱动的电网暂态电压稳定评估技术在实际电网中的实施和应用提供重要支撑。
本文档来自技高网...【技术保护点】
1.基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，S1的具体内容包括：
3.根据权利要求1所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，S2的具体内容包括：
4.根据权利要求3所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，S21的具体内容包括：
5.根据权利要求1所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，S22的具体内容包括：
6.根据权利要求1所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，在S3中：
7.根据权利要求1所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，S4中获得结果数据集的具体内容包括：
8.根据权利要求1所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，S4中获得结果数据集的具体内容包括：
9.根据权利要求1所述的基于半监督学习的电网暂态电压稳定样本标定方
10.一种基于半监督学习的电网暂态电压稳定样本标定设备，基于权利要求1-9任意一项所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，包括存储器、处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器执行计算机程序时实现基于半监督学习的电网暂态电压稳定样本标定方法。
...【技术特征摘要】
1.基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，s1的具体内容包括：
3.根据权利要求1所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，s2的具体内容包括：
4.根据权利要求3所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，s21的具体内容包括：
5.根据权利要求1所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，s22的具体内容包括：
6.根据权利要求1所述的基于半监督学习的电网暂态电压稳定样本标定方法，其特征在于，在s3中：
7.根据权...
【专利技术属性】
技术研发人员：朱利鹏，邵诗雨，蒲贞洪，黄玮芝，侯杰，陈苏阳，卢梓豪，李仁，皮柳，李操仑，
申请(专利权)人：湖南大学，
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。