[发明专利]一种基于一维卷积神经网络的电力系统暂态稳定评估方法

说明书

本发明涉及一种基于一维卷积神经网络技术的电力系统暂态稳定评估方法，该方法首先利用电力系统中WAMS系统采集到的母线的电压幅值和相角以及支路的有功、无功功率作为原始输入数据，然后再对其进行数据预处理后形成训练集；利用一维卷积神经网络建立电力系统暂态稳定评估模型。该模型由一维卷积层、一维池化层和全连接输出层组成。本发明利用卷积层和池化层进行特征提取，挖掘数据的隐藏模式，形成更有利于暂态稳定评估的高阶特征，进而将其全连接层中进行评估。该方法具有较高的评估准确率，对于电力系统在线安全稳定评估具有重要意义。

技术领域

本发明涉及电力系统暂态稳定评估，特别是涉及一种基于一维卷积神经网络的电力系统暂态稳定评估方法。

技术背景

日趋复杂的电力系统使得系统安全稳定控制面临严峻考验，因此需要探索鲁棒性高且快速准确的暂态稳定评估方法，以便运行人员在遇到不安全系统状态时能够采取适当的预防控制措施。传统暂稳评估方法中时域仿真法评估准确高但计算耗时长；直接法能快速提供暂态稳定评估结果，但只能给出近似结果，且难以用于复杂电力系统。因此传统方法已不适用于当前局面下的电力系统。过去的几年中，深度学习在图像、语音及自然语言处理领域取得巨大突破。深度学习针对不同任务设计出相应的深层网络结构，通过反向传播算法发现大数据集中的复杂结构。其中，卷积神经网络利用卷积运算提取不同的局部特征，常用于图像领域，后来被证明对序列数据同样有效，被成功用于自然语言建模及语音生成。区别于图像领域的二维卷积神经网络，处理序列数据采用一维卷积神经网络。本发明提出一种基于一维卷积神经网络的暂态稳定评估方法所提方法能有效挖掘系统暂态过程的全局时序信息，具有较好的评估性能。

发明内容

本发明要解决的技术问题是提供一种基于一维卷积神经网络的电力系统暂态稳定评估方法，以克服现有技术中存在的问题。

为解决上述技术问题，本发明采用下述技术方案：

基于一维卷积神经网络的电力系统暂态稳定评估方法，其特征在于，所述方法的步骤包括：

步骤1：通过时域仿真法或者利用WAMS系统对电力系统采集得到的历史数据作为学习样本集，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将母线的电压幅值和相角以及支路的有功、无功功率作为样本特征即模型的输入；

步骤2：对样本集进行数据初始化处理；

步骤3：根据发电机功角曲线对样本数据进行标注，稳定样本标注为1，不稳定样本标注为0；

步骤4：构建基于一维卷积神经网络的暂态稳定评估模型，并将步骤3中标注好的数据集划分为训练集和测试集；

步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4 中的暂态稳定评估模型进行寻优，保存最佳精度的模型；

步骤6：利用步骤2和步骤4对WAMS系统采集得到的新电力系统数据信息进行处理，构建测评数据集；

步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。

所述步骤1中，利用暂态仿真或WAMS历史数据作为学习样本集，系统采样间隔为0.0083s，从故障发生前2周波点开始一直采集到故障切除后3周波，将母线的电压幅值和相角以及支路的有功功率作为样本特征即模型的输入，其中由于故障切除时间不是一个固定的常数，因此将以最大故障切除时间为基准对不足序列进行补零操作。

所述步骤2中的初始化方法将对样本集进行初始化处理，初始化公式为：

其中表示初始特征第j列时间序列的t时刻的原始特征值，表示初始化后的特征值，和分别表示样本集中所有样本第j列所有特征值的均值和标准差。