[发明专利]一种电力系统暂态稳定评估方法

说明书

本发明涉及一种电力系统暂态稳定评估方法，属于电力系统稳定分析技术领域。首先对电力系统不同运行工况和预设故障进行暂态稳定仿真，采集电力系统在故障发生前的数据，通过暂态稳定标签的统计结果和最大最小归一化方法得到不同预设故障下的数据集；然后，基于Jaccard距离和Hausdorff距离构建不同预设故障的相似性评价指标，基于相似性评价指标对不同预设故障的数据集进行聚类；对每个聚类内的不同预设故障依次训练权值共享的多任务孪生神经网络，得到用于暂态稳定评估的多个多任务孪生神经网络。本方法考虑了暂态稳定评估中不同预设故障的相似性，利用相似预设故障的不同数据集训练孪生网络，有利于提高暂态稳定评估模型的泛化能力，从而提高暂态稳定评估结果的准确性。

技术领域

本发明属于电力系统稳定分析技术领域，涉及一种电力系统暂态稳定评估方法。

背景技术

暂态稳定性破坏是电力系统发生大规模停电事故的重要原因，如何快速准确判断电力系统的暂态稳定性是电力系统安全防控要考虑的重要问题之一。近年来，诸如支持向量机、极限学习机等数据驱动方法已经被用于分析预设故障下的电力系统暂态稳定性。一般来说，由于故障仍未发生，往往采用稳态数据作为输入特征。由于电力系统在同一种运行方式不同预设故障下的暂态稳定性不同，一般利用不同预设故障下的数据集分别构建多个机器学习模型的方式，得到多个不同预设故障下的暂态稳定评估模型。

事实上，相似预设故障下的数据集具有相似性，得到的暂态稳定评估模型也具有相似性。如果对相似的数据集分开训练不同的暂态稳定评估模型，会使相似数据集之间无法充分利用，在有限数据集下不利于模型性能的提升。本发明引入多任务学习和孪生网络，提出一种考虑多预设故障下基于多任务孪生网络的电力系统暂态稳定评估方法。采用聚类方法对不同预设故障下的数据集进行聚类，按照不同预设故障之间的相似度评价指标将不同预设故障分为不同聚类；采用多任务孪生神经网络对同一聚类中不同预设故障下的数据集进行学习，相当于有效地增加每个预设故障暂态稳定评估任务的训练数据量，有利于提高预设故障下暂态稳定评估模型的泛化能力。

发明内容

本发明的目的是提出一种电力系统暂态稳定评估方法，针对预设故障下的暂态稳定评估问题，采用聚类方法对不同预设故障下的数据集进行聚类，按照相似度将数据集分为不同聚类，然后分别对同一聚类中不同预设故障对应的数据集进行训练，构建得到用于多种预设故障下暂态稳定评估的多任务孪生神经网络。通过相似数据集和多任务孪生神经网络有效提高暂态稳定评估模型的准确率。

本发明提出的电力系统暂态稳定性预测方法，首先从暂态稳定仿真数据中采集电力系统在故障发生前的数据和暂态稳定标签，通过对暂态稳定标签的统计结果和最大最小化方法得到不同预设故障下的数据集；然后，基于Jaccard距离和Hausdorff距离构建不同预设故障的相似性评价指标，采用聚类算法实现对不同预设故障的聚类；依次对每个聚类内的不同预设故障训练参数共享的孪生神经网络，得到用于暂态稳定评估的多任务孪生神经网络；最后，根据暂态稳定标签的统计结果，以及暂态稳定评估的多任务孪生神经网络，得到电力系统在所有f个预设故障下的暂态稳定评估结果。

本发明提出的电力系统暂态稳定评估方法，其优点是：

本发明的电力系统暂态稳定评估方法，能够考虑电力系统中多个预设故障数据集之间存在的相似性，构建了基于Jaccard距离指标和Hausdorff距离指标的相似性评价指标，基于相似性评价指标对不同预设故障的数据集进行聚类；然后，对同一聚类内的不同预设故障训练参数共享的多任务孪生神经网络用于暂态稳定评估，采用不同预设故障下的数据集训练参数共享的孪生神经网络，相当于增加了每个任务的训练数据量，从而提高了用于电力系统暂态稳定评估模型的泛化能力，有利于提高电力系统暂态稳定评估结果的准确性。

附图说明

图1是本发明方法的流程框图。

图2是本发明方法步骤(4-1)的示意图。

具体实施方式