[发明专利]一种电力系统暂态稳定预防及紧急协调控制辅助决策方法

权利要求书

1.一种电力系统暂态稳定预防及紧急协调控制辅助决策方法，其特征在于，包括如下步骤：

S1，获取电网实时运行工况，通过完成训练的贝叶斯深度神经网络模型预判电网实时运行工况的暂态稳定性，其中，运行工况包括有电网运行拓扑结构信息以及日前机组；

S2，训练的贝叶斯深度神经网络模型构建暂态稳定约束，将暂态稳定约束与电网准稳态调度运行约束相结合，建立电力系统暂态稳定预防及紧急协调控制决策模型；

S3，通过基于高斯过程代理模型的贝叶斯优化算法对电力系统暂态稳定预防及紧急协调控制决策模型进行迭代，生成电力系统暂态稳定预防及紧急协调控制策略。

2.根据权利要求1所述的一种电力系统暂态稳定预防及紧急协调控制辅助决策方法，其特征在于，所述步骤S1中，在电力系统中抽样生成随机运行工况得到运行工况数据库，在电力系统中预设故障集与运行工况数据库进行目标电力系统的暂态稳定性的仿真分析，在分析处理后得到的暂态稳定样本数据集，并建立贝叶斯深度神经网络模型，通过Bayes-by-Backprop算法训练贝叶斯深度神经网络模型，获得完成训练的贝叶斯深度神经网络模型。

3.根据权利要求2所述的一种电力系统暂态稳定预防及紧急协调控制辅助决策方法，其特征在于，贝叶斯深度神经网络模型为：

式中，表示暂态稳定样本数据集，表示电网运行工况以及后续紧急控制的输入特征，表示给定输入特征为的情况下潜在的输出结果，表示给定输入特征为的情况下，贝叶斯深度神经网络输出结果为的条件概率，表示给定训练数据为的情况下，贝叶斯神经网络权重参数为w的后验概率，表示给定输入特征为并且取权重参数为w的情况下，输出结果为的条件概率，表示数学期望计算，表示给定权重参数的后验概率为的情况下，输出结果为的后验概率。

4.根据权利要求2所述的一种电力系统暂态稳定预防及紧急协调控制辅助决策方法，其特征在于，Bayes-by-Backprop算法训练贝叶斯深度神经网络模型的过程如下：

S41，通过标准正态分布对随机变量∈进行抽样；

S42，通过下式计算网络权重参数w；

w＝t(θ,∈)＝μ+log(1+exp(ρ))·∈

θ表示变分分布的超参数，θ＝{μ，ρ}，∈为服从均值为0，标准差为1的正态分布的随机量；

S43，通过下式计算当前batch训练数据下的预测损失；

n为随机抽样的总次数，w⁽ⁱ⁾表示第i次按S42抽样得到的随机值，log为自然对数运算，q(w⁽ⁱ⁾|θ)表示给定变分分布超参数为θ的情况下，权重参数w的条件后验概率，P(w⁽ⁱ⁾)表示权重参数w取w⁽ⁱ⁾的先验概率，表示给定权重参数w取w⁽ⁱ⁾的情况下，贝叶斯神经网络对先验数据集进行估计的准确率，表示给定变分分布超参数为θ的情况下，贝叶斯神经网络对先验数据集进行估计，估计结果与实际结果的误差函数，即预测损失；；

S44，通过下式计算均值的梯度：

Δ_μ表示预测损失对参数μ的梯度，表示f(w,θ)对w的偏微分，表示对μ的偏微分；

S45，通过下式计算标准差参数的梯度：

Δ_ρ表示预测损失对参数ρ的梯度；

S46，通过下式更新变分后验分布的参数：

α是贝叶斯神经网络进行参数训练的学习率，μ←μ-αΔ_μ表示将学习以后的更新值赋给参数μ；

重复上述S41-S46的流程，直至遍历了所有的batch的训练数据，完成当前epoch的参数学习；

重复所有的epoch，直至达到预先设置的模型训练总迭代次数，获得完成训练的贝叶斯深度神经网络模型。

5.根据权利要求1所述的一种电力系统暂态稳定预防及紧急协调控制辅助决策方法，其特征在于，步骤S2中所述的暂态稳定约束为：

式中，表示第n个预想故障的贝叶斯神经网络稳定评估规则，η_n为预测的暂态稳定裕度，τ为保守性的稳定裕度下限值。