[发明专利]一种时间自适应的电力系统在线暂态稳定评估方法

说明书

本发明涉及一种时间自适应的电力系统在线暂态稳定评估方法，本发明选取故障清除后长度为T的时间窗口的电网广域测量系统可测量动态数据作为输入特征，利用DBN进行特征抽取获得高阶特征，进而利用GRU进行离线训练得到高阶特征与电力系统暂态稳定性之间的映射关系，在线应用时，输入特征按时间递进的顺序输入，直至获得准确评估结果或者达到时间窗口长度停止。因此本发明提出的电力系统暂态稳定评估模型具有直接面向电网可测量数据、抗噪声干扰能力强、评估精度高、时间自适应强的特点。

技术领域

本发明属于电力系统自动化领域，涉及一种时间自适应的电力系统在线暂态稳定评估方法。

背景技术

暂态稳定性是电力系统在遭受大干扰的情况下保持稳定的能力。在过去国内外发生的多起大停电事故中，暂态失稳是此类事件的主要因素，因此保持电力系统暂态稳定性在电力系统规划及运行中依然具有重要意义。为了满足日益增长的电力需求，负荷越来越接近电力传输能力，在这种情况下造成暂态失稳的后果是极其严重的，因此电力系统在线暂态稳定评估是必要也是很有前景的方法。

基于机器学习的电力系统暂态稳定评估方法是最有潜力应用于在线的方法。目前基于机器学习进行暂态稳定评估的方法主要考虑在故障发生后，以系统的动态响应作为特征，获得输入特征与稳定状态之间的映射关系，一旦发生失稳就要采取紧急控制进行调节。这种方法能够获得较高的评估精度，但是其一般需要在故障清除后一段时间才进行暂态稳定评估。这个时间段越长，其评估精度越高，但预留给调度人员进行调节的时间可能不足。在故障清除早期也是可以准确评估电力系统暂态稳定性的，因此研究时间自适应的电力系统在线暂态稳定评估方法是解决这个问题的关键。

发明内容

为了解决上述问题，本发明提出了一种时间自适应的电力系统在线暂态稳定评估方法。这个方法具有面向底层测量数据、抗噪声干扰能力强、评估精度高、评估时间自适应的优点，适合电力系统在线暂态稳定评估。

本发明提出的一种时间自适应的电力系统在线暂态稳定评估方法，其特征在于：利用深度置信网络(DBN)对电网底层可测量数据形成高层次特征X，离线使用故障清除后一个时间窗T的数据对GRU(Gate Recurrent Unit)训练获得这些高层次特征与暂态稳定之间的映射关系，在线应用则是依次对故障清除后每个时刻的高层次特征x_t进行暂态稳定评估，能够满足评估置信度或达到时间窗长度则停止评估。

本发明采取的技术方案是：

一种时间自适应的电力系统在线暂态稳定评估方法，其特征在于，包含以下步骤：

步骤1：利用时域仿真方法产生若干种故障情况下的电网动态数据，选取故障切除后时间窗口T内的电网广域测量系统可测量数据作为输入特征集{x₁,x₂,…,x_t…x_T}，其中，电网广域测量系统可测量数据是指电网每个母线电压及其相角，x_t＝[v₁,v₂,…,v_n,θ₁,θ₂,…,θ_n]^T，其中n为母线个数；

步骤2：利用DBN进行特征抽取形成高阶特征集{X₁,X₂,…,X_t…X_T}，具体是利用DBN由一层softmax层和m层受限玻尔兹曼机(RBM)栈式堆叠而成，无监督训练第一个RBM的连接权值和偏置，使得该RBM能够以最大概率重构输入特征，将训练好的第一个RBM的输出作为下一个RBM的输入进行特征重构，直至第m个RBM训练完成无监督训练，最后添加softmax层进行有监督训练进行网络参数微调，第m个RBM层输出即为高阶特征{X₁,X₂,…,X_t…X_T}；