【技术实现步骤摘要】
本专利技术属于电力系统暂态稳定评估的，具体涉及一种基于人工智能的自适应去噪暂态稳定评估方法。
技术介绍
1、随着电力系统中同步相量测量装置(phasor measurement unit,pmu)的发展，基于人工智能的电力系统暂态稳定评估(transient stability assessment,tsa)逐渐成为研究热点，人工智能不仅能够处理电力系统中大量的数据样本，对于不同故障的适应性强，而且计算速度快，能够满足实时tsa的需求。基于人工智能的tsa主要是通过离线训练大量的电力系统故障样本，寻找电气特征与电力系统运行状态之间的映射关系建立tsa模型。在实时输入pmu测量数据时，通过tsa模型进行在线评估。
2、tsa的准确性取决于输入数据的可靠性，然而，pmu的测量会受到时间同步和相量估计缺陷的影响。此外，数据在传输过程中可能会由于人工操作或通信故障而损坏。离线训练得到的模型往往难以适应实际中复杂的数据干扰，进而会影响评估结果的准确性。
3、现有的电力系统去噪评估模型大都是通过挖掘输入数据的深度特征进行去噪，提高评估模型的性能。公布号为cn113435113a的专利文献公开了一种电力系统暂态稳定评估方法及装置，通过构建高阶特征提取器与分类器进行tsa；公布号为cn111193260a的专利文献公开了一种自适应扩充数据的电力系统暂态稳定自动评估方法，考虑数据噪声对数据集进行扩充，来调整评估模型参数，实现tsa。上述方法没有考虑到实际的噪声既复杂又难以预测，如果输入噪声与训练模型的噪声不同，输出结果将不
4、综上所述，目前的电力系统暂态稳定去噪评估模型，没有充分考虑噪声的随机性及复杂性。本专利技术基于以上问题，提出了一种基于人工智能的电力系统自适应去噪tsa方法，对真实噪声进行拟合，基于高效准确的人工智能算法构建噪声识别模型与自适应去噪组合评估模型实现自适应去噪tsa。
技术实现思路
1、本专利技术的目的是提供了一种基于人工智能的自适应去噪暂态稳定评估方法，扩展了传统的电力系统去噪tsa方法，以适应电力系统噪声的随机性及复杂性，保障电力系统的暂态稳定性。本专利技术在噪声拟合方面，基于人工智能搭建了噪声识别模型；在电力系统tsa方面，建立了基于人工智能的自适应去噪组合评估模型，并利用人工智能中的优化算法优化评估模型参数，使其评估效果更加准确。
2、为了实现上述专利技术目的，本专利技术采用如下技术解决方案：
3、一种基于人工智能的自适应去噪暂态稳定评估方法，本方法包括以下步骤：
4、步骤1：选择采集到的故障清除后的0-2个周波内的电气特征作为原始特征，建立原始数据集；
5、步骤2：模拟真实电力系统的随机噪声，进行真实噪声建模；
6、步骤3：构建噪声识别模型，输出一组能够反映输入数据中噪声分布的权值；
7、步骤4：基于期望噪声数据训练单一去噪评估模型(single denoisingevaluation model,sdem)，对特定噪声水平的含噪输入数据输出评估结果；
8、步骤5：构建由多个sdem组成的自适应去噪组合评估模型(adaptive denoisingcombination evaluation model,adcem)，当将有噪声的实际数据输入adcem时，所有sdem和噪声识别模型将同时输出评估结果和噪声拟合结果，并能实时得到电力系统的暂态稳定评估(transient stability assessment,tsa)结果。
9、进一步地，在所述步骤1中，运用电力系统暂态稳定仿真，设置电力系统不同运行方式、故障位置及故障持续时间等，生成由故障清除后的0-2个周波内的发电机的有功及无功出力、母线电压及幅值、负荷有功及无功等电气特征，再根据暂态稳定指标，确定样本标签，由此构建原始特征数据集。
10、进一步地，在所述步骤2中，由于在实际电力系统中，电气信息的传播过程中噪声十分随机且复杂。为了描述噪声的随机性及复杂性，选用高斯白噪声拟合真实噪声，噪声的充分拟合对提高tsa性能至关重要。对真实噪声建模具体包含以下步骤：
11、步骤2-1：在原始数据中加入不同的高斯白噪声，可以得到一组期望噪声数据；
12、真实噪声用一个振幅的概率密度函数服从高斯分布且功率谱密度呈均匀分布的高斯白噪声来模拟；
13、步骤2-2：给不同特定信噪比的期望噪声功率赋值来表示随机噪声功率，给这一组数据分配权重来拟合实际的噪声分布。
14、通过在原始数据中加入不同的高斯白噪声，得到期望噪声数据，实际的噪声分布通过给这一组数据分配权重来拟合，其权重分配满足以下关系：
15、
16、式中：为需要表示的噪声功率；为第n个期望噪声数据的第i个噪声功率；wi为分配给第i个特定噪声的第i个权重。
17、进一步地，在所述步骤3中，建立基于递归神经网络(recursive neural network,rnn)的噪声识别模型，由基于高斯白噪声生成的期望噪声数据构成输入特征，真实数据作为标签，构成数据集，将其输入基于rnn的噪声识别模型中，其输出结果为每一组期望噪声数据与真实数据的相关权重系数w1-wn。
18、进一步地，在所述步骤4中，训练sdem包含以下步骤：
19、步骤4-1：构建基于深度置信网络(deep belief networks,dbn)的sdem；
20、dbn由若干层受限玻尔兹曼机(restricted boltzmann machine，rbm)栈式叠加组成，以dbn为基础进一步构建sdem。其中，最顶层的softmax回归层输出tsa识别的结果，其余层完成输入含噪声特征数据的特征提取，其结构满足以下关系：
21、
22、
23、p(hj＝1|v,θ)＝σ(bj+∑wijvi) (4)
24、p(vi＝1|h,θ)＝σ(ai+∑wijhj) (5)
25、
26、式中：e(v,h|θ)为dbn的输入层与隐藏层的联合系统能量函数；θ＝(w,a,b)为rbm模型的参数；vi、ai分别为第i个可见单元的状态和偏置；hj、bj分别为第j个隐藏单元的状态和偏置；wij则是第i个可见单元和第j个隐藏单元之间的连接权重；p(v,h|θ)为(v,h)的联合概率分布；σ为激活函数；z(θ)为配分函数；p(hj＝1|v,θ)、p(vi＝1|h,θ)表示激活函数；loss为损失函数；yi为第i个样本的真实标签，pi为第i个样本的预测结果。
27、步骤4-2：采用蛙跳优化算法(shuffled frog leaping algorithm,sfla)优化sdem参数，防止过拟合本文档来自技高网...
【技术保护点】
1.一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤1中，运用电力系统暂态稳定仿真，设置电力系统不同运行方式、故障位置及故障持续时间，生成由故障清除后的0-2个周波内的发电机的有功及无功出力、母线电压及幅值、负荷有功及无功电气特征，再根据暂态稳定指标，确定样本标签，由此构建原始特征数据集。
3.根据权利要求1所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤2中，真实噪声建模具体包含以下步骤：
4.根据权利要求3所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤2-1中，真实噪声用一个振幅的概率密度函数服从高斯分布且功率谱密度呈均匀分布的高斯白噪声来模拟。
5.根据权利要求3所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤2-2中，通过在原始数据中加入不同的高斯白噪声，得到期望噪声数据，实际的噪声分布通过给这一组数据分配权重来拟合，其权重分配满
6.根据权利要求1所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤3中，建立基于递归神经网络RNN的噪声识别模型，再将真实数据与期望噪声数据通过基于RNN的噪声识别模型进行拟合回归分析，应用噪声识别模型来识别实际噪声的分布，并输出权重系数。
7.根据权利要求6所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：建立基于RNN的噪声识别模型，由基于高斯白噪声生成的期望噪声数据构成输入特征，真实数据作为标签，构成数据集，将其输入基于RNN的噪声识别模型中，其输出结果为每一组期望噪声数据与真实数据的相关权重系数w1-wn。
8.根据权利要求1所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤4中，训练SDEM包含以下步骤：
9.根据权利要求8所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤4-1中，DBN由若干层受限玻尔兹曼机RBM栈式叠加组成，以DBN为基础进一步构建SDEM，其中，最顶层的softmax回归层输出TSA识别的结果，其余层完成输入含噪声特征数据的特征提取，其结构满足以下关系：
10.根据权利要求8所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤4-2中，采用SFLA优化SDEM的学习率η、网络层数n，第i层的权重和节点阈值，加快模型的学习速度，解决模型陷入局部最优的问题。
11.根据权利要求10所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤4-2中SFLA优化过程，首先需要初始化蛙群数量、位置及SDEM的待优化参数学习率η、网络层数n，第i层的初始权重和节点阈值；再将蛙群按照适应度函数分为不同子蛙群，其适应度函数由SDEM的损失函数表示；然后适应度低的蛙先在本子蛙群中寻优，若本子蛙群中没有比本身更优的位置则向全局最优位置靠近，如果新位置不如原位置则跳入随机位置，其满足以下关系：
12.根据权利要求8所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤4-3中，将生成的含噪电力系统特征数据集，根据不同的噪声水平输入不同的SFLA优化的SDEM进行模型训练，分别得到在相应噪声水平下的SDEM。
13.根据权利要求1所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤5中，基于建立的SDEM，在每一噪声水平下都训练相应的SDEM构成ADCEM，将不同噪声水平下的数据归一化应用于ADCEM离线训练，当在线应用时，将实际噪声数据输入ADCEM，所有的SDEM和噪声识别模型将同时输出评估结果和权值，以此得到电力系统TSA结果。其评估结果满足以下关系：
...【技术特征摘要】
1.一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤1中，运用电力系统暂态稳定仿真，设置电力系统不同运行方式、故障位置及故障持续时间，生成由故障清除后的0-2个周波内的发电机的有功及无功出力、母线电压及幅值、负荷有功及无功电气特征，再根据暂态稳定指标，确定样本标签，由此构建原始特征数据集。
3.根据权利要求1所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤2中，真实噪声建模具体包含以下步骤：
4.根据权利要求3所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤2-1中，真实噪声用一个振幅的概率密度函数服从高斯分布且功率谱密度呈均匀分布的高斯白噪声来模拟。
5.根据权利要求3所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤2-2中，通过在原始数据中加入不同的高斯白噪声，得到期望噪声数据，实际的噪声分布通过给这一组数据分配权重来拟合，其权重分配满足以下关系：
6.根据权利要求1所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：在所述步骤3中，建立基于递归神经网络rnn的噪声识别模型，再将真实数据与期望噪声数据通过基于rnn的噪声识别模型进行拟合回归分析，应用噪声识别模型来识别实际噪声的分布，并输出权重系数。
7.根据权利要求6所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：建立基于rnn的噪声识别模型，由基于高斯白噪声生成的期望噪声数据构成输入特征，真实数据作为标签，构成数据集，将其输入基于rnn的噪声识别模型中，其输出结果为每一组期望噪声数据与真实数据的相关权重系数w1-wn。
8.根据权利要求1所述的一种基于人工智能的自适应去噪暂态稳定评估方法，其特征在于：...
【专利技术属性】
技术研发人员：张磊，刘颂凯，胡伟，黄悦华，李斯吾，杨楠，李振华，叶婧，赵辛欣，程紫娟，
申请(专利权)人：三峡大学，
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。