[发明专利]基于卷积神经网络的电力系统暂态稳定评估方法

说明书

本发明公开了一种基于卷积神经网络的电力系统暂态稳定评估方法，该方法将电力系统中WAMS系统采集到的各母线电压幅值和相角的时域响应信息作为原始输入特征；借鉴处理图片像素的方法，通过卷积神经网络和Dropout技术构建电力系统暂态稳定评估模型。该模型由输入层、卷积层、池化层、全连接层和Softmax输出层组成。本发明无需人工提取输入特征，而是根据WAMS系统得到的实时响应信息，直接进行电力系统暂态稳定性判断；本发明大大减少了网络训练参数，减小了训练难度，提高了训练效率，有效地防止了过拟合，具有较高的评估准确率和极强的泛化能力。

技术领域

本发明涉及电力系统暂态稳定评估和深度学习技术，特别是涉及一种基于卷积神经网络的电力系统暂态稳定评估方法。

背景技术

电网的稳定运行直接关系到人民的生产生活和社会的正常运转。随着电力系统规模不断扩大，交直流混联输电方式的发展，新增设备的不断增多以及新能源技术的应用，系统的运行状态越来越接近其稳定极限，其安全稳定问题日益严重，电网大面积停电事件时有发生，迫切需要一种能够快速准确的实现电网稳定评估的方法。

时域仿真法直观、信息量丰富、可适用于各种元件规模和大规模电力系统，但计算速度慢、依赖于系统模型和参数、不能直接给出系统的稳定裕度值。暂态能量函数法可以快速做出稳定判断，不必计算整个系统的运行轨迹，但该方法只考虑了简单模型的系统，只能对首摆稳定性做出评估，分析结果容易偏于保守。等值法可以定量的评估暂态稳定性，但是它评估的正确性依赖于临界机群的正确识别。随着人工智能的迅速崛起，研究者们逐渐重视起基于机器学习的电力系统暂态稳定评估方法，并进行了大量探索。但这种方法存在一下不足：(1)需要进行繁复的人工特征提取工作，且不好的特征会降低模型的评估精度，甚至使模型失效；(2)容易出现过拟合导致模型泛化能力不足。中国专利公开号CN201710616969是基于机器学习法进行的暂态稳定评估，提出了基于深度置信网络构建暂态稳定评估模型，提高了评估计算速度和评估精度。但其使用的输入特征较多，面临WAMS信息缺失的可能性较大，且该方法未对较少训练集数量情形下的模型泛化能力做评估，限制了该方法的工程实际应用。《中国电机工程学报》2018年第38卷第3期学术论文《基于深度置信网络的电力系统暂态稳定评估方法》将深度学习方法引入电力系统暂态稳定评估，也提出了一种基于深度置信网络的暂态稳定评估方法。该方法比常用的传统机器学习评估方法准确率更高，且在少量训练样本和含有无关特征情况下获得优越的评估性能。但该模型需要依赖人工经验进行特征提取，未能发挥人工神经网络自动提取特征的优势，缺乏科学指导。中国专利公开号CN201710893041基于深度学习技术进行的电力系统暂态稳定评估，提出了一种利用堆叠自动编码器对特征变量逐层进行特征提取，形成高阶特征，然后使用卷积神经网络构建稳定分类模型。然而该专利并未指明样本集提取了哪些具体的特征变量向量，另外也没有利用具体实施例进行验证，因此该方法表述不清，在一定程度上降低了该方法的可信度，影响工程实际应用。

本发明在现有研究基础上，克服现有方法的不足，提出一种基于卷积神经网络的电力系统暂态稳定评估方法，该方法无需人工提取输入特征，大大减少了网络训练参数，减小了训练难度，提高了训练效率，有效地防止了过拟合，显著提高了模型的评估准确率和泛化能力。从而实现了高效率、高精度、泛化能力强的电力系统在线暂态稳定评估。

发明内容

本发明要解决的技术问题是提供一种基于卷积神经网络的电力系统暂态稳定评估方法，以克服现有技术中存在的问题。

为解决上述技术问题，本发明采用下述技术方案：

基于卷积神经网络的电力系统暂态稳定评估方法，其特征在于，所述方法的步骤包括：

步骤(1)，利用时域暂态稳定仿真技术生成学习样本集或者利用WAMS系统对电力系统采集得到的历史数据信息作为学习样本集。系统采样频率为每周波一个采样点，从故障发生时刻的前一个采样点开始，记录系统采集到的各母线的电压幅值和相角的时域响应信息，作为样本特征即为评估模型的输入。