[发明专利]一种基于卷积神经网络CNN的电力系统暂态电压稳定评估方法

摘要

本发明涉及一种基于卷积神经网络CNN的电力系统暂态稳定评估方法，尤其是电力系统暂态电压稳定在线评估。为了解决在目前暂态电压传统评估方法无法满足准确性和快速性的问题，将CNN引入电力系统暂态稳定评估。技术方案主要分为两部分，第一步是离线训练：基于仿真数据进行预处理，得到36维输入特征量，形成训练集和测试集输入CNN，进行CNN网架结构和参数的优化，生成暂态稳定评估离线模型；第二步是获得故障后PMU量测数据构建36维特征量，输入训练好的暂态稳定评估离线模型，对暂态电压在线稳定状态进行评估。本发明解决在目前暂态电压传统评估方法无法满足准确性和快速性的问题，错误率低、测试时间短。

主权项

1.一种基于卷积神经网络CNN的电力系统暂态电压稳定评估方法，其特征在于，包括以下几个步骤：步骤1，进行卷积神经网络CNN离线训练，得到暂态稳定评估离线训练模型，具体包括：步骤1.1，利用Matlab和BPA，进行计算仿真，通过设置不同的运行方式和故障位置，来得到大量数据，并分为训练数据和测试数据步骤1.2，对步骤1.1中的故障数据进行预处理，构建36维特征量，并分为训练样本和测试样本，定义如下：特征量1为故障前发电机无功之和；特征量2～3为故障前节点的有功和无功之和；特征量4～5为故障前各支路有功和无功之和；特征量6～8为故障前节点电压最大值、最小值和均值；特征量9～11为故障前支路电流的最大值、最小值、方差；特征量12～14为t0故障发生时刻支路电流变化率的最大值、最小值、方差；特征量15～17为t0故障发生时刻节点电压变化率的最大值、最小值、方差；特征量18～20为t1故障切除时刻各发电机无功加速最大值、均值和方差；特征量21～23为t1故障切除时刻节点电压的最大值、最小值、方差；特征量24～26为t1故障切除时刻节点电压变化率的最大值、最小值、方差；特征量27～29为从t0到t1时刻各发电机增发无功的最大值，均值及方差；特征量30～32为从t0到t1时刻各节点电压相角变化量的最大值，均值与方差；特征量33～34为从t0到t1时刻支路有功和无功变化量之和；特征量35～36为从t0到t1时刻节点有功和无功变化量之和；步骤1.3，对应于每一个样本，根据母线电压持续低于0.75pu的时间不超过ls为电压稳定状态来确定样本的标签，形成测试集和样本集步骤1.4，根据训练集的大小和特点初步确定CNN的网络结构、卷积核的个数和大小，利用训练集进行训练，基于CNN训练过程中的损失函数来不断改变CNN网架结构、卷积核个数和大小，最终综合比较选出最优的CNN结构，具体方法是：卷积神经网络是一种特殊的深度学习人工神经网络，由输入层、隐含层、输出层组成，其中隐含层包括卷积层(convolution layer)、采样层(subsamping layer)和全连接层(fully connected layer)，卷积层和采样层交替出现，上一层的输出作为下一层的输入，而在最后是一维的全连接网络；卷积层由多个特征平面组成，不同特征平面对应的卷积核不一样，能够保证特征提取充分；卷积层输出为：式中，为卷积层l的输出，为卷积层l层输入，为对应的卷积核，M为卷积层l层的输入子集，f(·)为激活函数，B^l是加偏置，“*”为卷积符号；采样层S层(subsamping layer)每个特征矩阵都与卷积层C层一一对应，利用局部相关性，对卷积层的特征图进行特征采样，进行降维，能够在减少数据处理量得同时又保留有用信息，其输出为：其中，为采样层l的输出特征图，f(·)为激活函数，β^l是采样层S的权重系数，f_down(·)表示采样函数，表示采样层l的输入特征图，B^l是采样层的偏置；步骤1.6，利用测试集检测CNN的暂态电压稳定评估能力，若错误率小、测试时间短，说明选取的CNN网络结构及参数较好；反之，则需要重复步骤1.5，最后此CNN网架结构和参数作为暂态稳定评估离线训练模型步骤2，基于步骤1训练后得到的暂态稳定评估离线训练模型进行暂态电压在线实时稳定状态进行评估，具体包括：2.1获得电力系统实时电源管理单元(power management unit，PMU)量测原始数据数据2.2基于PMU量测原始数据进行预处理，即执行1.2步骤，构建36维的输入特征量2.3将构建好的36维特征量输入已经训练好的CNN暂态电压稳定评估离线训练模型2.4根据CNN暂态电压稳定评估离线训练模型的输出可以判断出电力系统暂态电压稳定与否。