[发明专利]基于图像化数据驱动的电力系统暂态稳定评估方法及系统

说明书

本发明公开了基于图像化数据驱动的电力系统暂态稳定评估方法及系统，方法包括：构建特征备选集；根据特征备选集收集电力系统历史运行数据及并利用仿真分析软件生成暂稳仿真数据，构建样本集合；对样本集合进行数据预处理及利用暂态稳定指标进行样本分类，按照时间和特征两个方向将样本集合中的样本排列为二维矩阵，根据矩阵元素数值大小的不同赋予相应的灰度值，形成样本的原始图像；对原始图像进行特征降维，得到特征图像；构建暂态稳定评估卷积神经网络模型；利用基于特征图像的样本集训练暂态稳定评估卷积神经网络模型并利用该训练好的模型进行电力系统暂态稳定评估。本发明具有计算效率高、评估精度高、能实现实时监视和在线更新等优点。

技术领域

本发明涉及电力系统暂稳评估的技术领域，尤其涉及到基于图像化数据驱动的电力系统暂态稳定评估方法及系统。

背景技术

近年来，随着建立新型电力系统目标的提出，越来越多的电力电子设备和可再生能源接入电网中，这使得电力系统动态特性愈发复杂，电力系统发生暂态失稳的可能性进一步加大。同时，广域测量系统和模式识别技术的发展为在线暂稳评估提供了海量数据，基于数据驱动的电力系统暂稳评估(Transient stability assessment，TSA)成为可能。

目前有三种常用的电力系统暂稳评估方法，分别是时域仿真法、直接法和人工智能方法。时域仿真法精确度较高且数学模型详尽，然而工作量过大，计算速度慢；直接法计算效率高，但依赖于非线性系统稳定性分析理论，目前仍未有重大突破。随着人工智能的发展，机器学习方法在TSA中的应用愈加广泛，通过对系统大量的暂稳样本进行离线训练，建立学习机模型和样本集的等价映射关系，将得到的模型用于暂态稳定性的离线/在线评估。目前常用于暂稳评估的机器学习方法主要有：决策树(Decision Tree,DT)，深度置信网络(Deep Belief Network,DBN)和支持向量机(Support Vector Machine,SVM)等，其中深度学习凭借其强大的学习能力在各方面都展现出了诸多优势，逐渐成为目前TSA主流的方法之一。

目前TSA大多采用标准算例生成的数据集，然而实际电网的母线、发电机、线路等电力元件的数量巨大，难以实现TSA模型的实时监视和在线更新；而现有降维方法常常遗漏重要信息，导致预测精度下降，这将严重影响后续深度学习模型训练和预测的快速进行，从而难以实现在线监测。面对来自于电网的高维数据特征时，直接使用原始时序数据进行模型训练与预测常常会带来极大的计算负担以及过拟合的风险。

发明内容

本发明的目的在于克服现有技术的不足，提供一种计算效率高、评估精度高、能实现实时监视和在线更新的基于图像化数据驱动的电力系统暂态稳定评估方法。

为实现上述目的，本发明所提供的技术方案为：一种基于图像化数据驱动的电力系统暂态稳定评估方法，包括：

构建特征备选集；

根据特征备选集收集电力系统历史运行数据及并利用仿真分析软件生成暂稳仿真数据，构建样本集合；每个样本包含多维电气特征，而每个电气特征包含多个时间节点；

对样本集合进行数据预处理及利用暂态稳定指标进行样本分类，按照时间和特征两个方向将样本集合中的样本排列为二维矩阵，根据矩阵元素数值大小的不同赋予相应的灰度值，形成样本的原始图像；

对原始图像进行特征降维，得到原始图像的特征图像；

构建暂态稳定评估卷积神经网络模型；

利用基于特征图像的样本集训练构建的暂态稳定评估卷积神经网络模型；

采用训练完成的暂态稳定评估卷积神经网络模型进行电力系统暂态稳定评估。

进一步地，读入电力系统网架结构、发电机电磁功率、端电压、功角、母线电压信息，构建特征备选集。