[发明专利]一种电力系统暂态稳定预测模型的更新方法

权利要求书

1.一种电力系统暂态稳定预测模型的更新方法，其特征在于该方法包括以下步骤：

(1)对一个具有N台发电机的电力系统，根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S₀，根据S₀和深度神经网络模型的构建方法，得到用于在线暂态稳定预测的初始深度神经网络模型C，统计初始场景集S₀中各场景的运行工况和预想故障情况，具体包括以下步骤：

(1-1)判断当前初始场景集S₀是否为空集，如果S₀不是空集，则转入步骤(1-2)，如果S₀是空集，则根据电力系统历史运行情况和运行人员经验，得到由z种场景构成的初始场景集S₀：

其中，O^k表示电力系统在场景k中线路和负荷的接入情况，F^k表示场景k中考虑的预想故障，通常包括故障位置、故障类型和故障切除时间，表示电力系统中第i台发电机的有功功率，表示第i台发电机的机端电压幅值，表示电力系统中第j个负荷节点的有功负荷，表示第j个负荷节点的无功负荷，X^k＝(x_k,1,x_k,2,…,x_k,f)表示场景k中采集的f个输入特征，y^k＝(y₁^k,y₂^k)表示场景k的暂态稳定性，设定y^k＝(0,1)表示场景k中电力系统能够保持暂态稳定，y^k＝(1,0)表示场景k中电力系统将暂态失稳；

(1-2)判断深度神经网络模型C是否存在，如果C存在，则转入步骤(1-3)，如果C不存在，则利用深度神经网络构建步骤(1-1)中初始场景集S₀的输入特征X^k与y^k的映射关系，得到用于在线暂态稳定预测的初始深度神经网络模型C，其中深度神经网络模型可以使用深度卷积神经网络、深度置信神经网络、深度残差网络，每一层的参数由人为设定，最终模型C的输出向量为且满足P(y₁^k＝1|X^k)+P(y₂^k＝1|X^k)＝1，其中，P(y₁^k＝1|X^k)表示当输入为X^k而输出为y₁^k＝1的概率，P(y₂^k＝1|X^k)表示当输入为X^k而输出为y₂^k＝1的概率，对两个概率的大小进行比较，若P(y₁^k＝1|X^k)≥P(y₂^k＝1|X^k)，则判断场景k中电力系统将失稳，若P(y₁^k＝1|X^k)P(y₂^k＝1|X^k)，则判断场景k中电力系统能够保持稳定；

(1-3)对步骤(1-1)得到的初始场景集S₀中的O^k、F^k、P^k_Gi、V^k_Gi、P^k_Loadj和Q^k_Loadj进行统计，得到O^k、F^k、P^k_Gi、V^k_Gi、P^k_Loadj和Q^k_Loadj的分布情况，具体包括以下步骤：

(1-3-1)对S₀中所有场景中线路和负荷的接入情况进行两两比较，若两个场景中所有线路和负荷的接入情况完全相同，则认为是同一种线路和负荷接入情况，否则认为是两种线路和负荷接入情况，最终，得到包含u种线路和负荷接入情况的集合o_set＝{o(1),o(2),…,o(u)}，其中，o(a)表示集合o_set中的第a种线路和负荷接入情况，a＝1,…,u；

(1-3-2)对S₀中采用第a种线路和负荷接入情况o(a)涵盖的所有场景下的预想故障进行两两比较，若两种场景对应的预想故障类型、故障位置和故障切除时间完全相同，则认为是同一种预想故障，若两种场景对应的预想故障类型、故障位置和故障切除时间不完全相同，则认为是两种不同的预想故障，最终，第a种线路和负荷接入情况o(a)对应的所有场景共包含n(a)种预想故障，得到由n(a)种预想故障构成的集合f_set＝{f(a,1),f(a,2),…,f(a,n(a))}，其中，f(a,b)表示第a种线路和负荷接入情况o(a)对应的第b种预想故障,b＝1,…,n(a)；

(1-3-3)对步骤(1-3-2)中第a种线路和负荷接入情况o(a)对应第b种预想故障f(a,b),b＝1,…,n(a)，分别统计得到f(a,b)涵盖的所有场景中第i台发电机的有功功率P_Gi和机端电压幅值V_Gi的上限值和下限值和第j个负荷节点的有功负荷P_Loadj和无功负荷Q_Loadj的上限值和下限值：

其中，M(a)为电力系统在第a种线路和负荷接入情况下的负荷节点数，P_Gi(a,b)为f(a,b)涵盖的所有场景中第i台发电机有功功率的下限值，为f(a,b)涵盖的所有场景中第i台发电机有功功率的上限值，V_Gi(a,b)为f(a,b)涵盖的所有场景中第i台发电机机端电压幅值的下限值，为f(a,b)涵盖的所有场景中第i台发电机机端电压幅值的上限值，P_Loadj(a,b)为f(a,b)涵盖的所有场景中第j个负荷节点有功负荷的下限值，为场景f(a,b)中第j个负荷节点有功负荷的上限值，Q_Loadj(a,b)为f(a,b)涵盖的所有场景中第j个负荷节点无功负荷的下限值，为f(a,b)涵盖的所有场景中第j个负荷节点无功负荷的上限值；

(2)设定暂态稳定预测模型的更新周期为T₁，根据电力系统控制中心对未来T₁到2T₁时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算结果，得到未来T₁到2T₁时间内需要考虑的p+q种新场景S₁，其中有p种场景包含在初始场景集S₀中，构成新增场景集N₀，有q种场景未包含在初始场景集S₀中，构成新增场景集N₁，p+q的值由人为设定，具体包括以下步骤：

(2-1)根据当前时间判断下一个更新周期是否到来，如果下一个更新周期已经到来，则进行步骤(2-2)，如果下一个更新周期还未到来，则返回步骤(2-1)；

(2-2)根据电力系统控制中心对未来T₁到2T₁时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算结果，得到电力系统未来T₁到2T₁时间内的发电预测信息、负荷预测信息、线路投切计划和潮流计算，得到未来T₁到2T₁时间内需要考虑的p+q种新场景构成的新场景集S₁：

其中，上标new表示与初始场景集S₀相区别的新场景，上标l＝1,…,p+q是新场景编号，表示新场景集S₁中的第l个新场景，p+q的值为新场景集S₁的总场景数，其值由人为设定，O^newl表示电力系统在新场景l中线路和负荷的接入情况，F^newl表示新场景l中考虑的预想故障，表示电力系统在新场景l中第i台发电机的有功功率，表示电力系统在新场景l中第i台发电机的机端电压幅值，表示电力系统在新场景l中第j个负荷节点的有功负荷，表示电力系统在新场景l中第j个负荷节点的无功负荷，X^newl＝[x_newl,1,x_newl,2,…,x_newl,f]表示电力系统在新场景l中采集的f个输入特征，y^newl表示电力系统在新场景l的暂态稳定性，设定y^newl＝(0,1)表示新场景l中电力系统能够保持暂态稳定，y^newl＝(1,0)表示新场景l中电力系统将暂态失稳；

(2-3)将新场景集S₁中各个场景与初始场景集S₀的所有场景进行对比，根据对比结果将S₁中的场景划分到新增场景集N₁和新增场景集N₂，具体包括以下步骤：

(2-3-1)将新场景编号l初始化为1；

(2-3-2)将新场景编号l与p+q的大小进行对比，若l≤p+q，则进行步骤(2-3-3)，若lp+q，则转到步骤(3)；

(2-3-3)将新场景S₁中第l个新场景对应的线路和负荷接入情况O^newl与步骤(1-3-1)得到的集合o_set进行对比，若O^newl与o_set中第t种线路和负荷接入情况o(t)相同,其中t为1到u之间的整数，则进行步骤(2-3-4)，若O^newl不属于集合o_set，则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi^newl、第i台发电机的机端电压幅值V_Gi^newl、第j个负荷节点的有功负荷P_Loadj^newl、第j个负荷节点的无功负荷Q_Loadj^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-4)将新场景S₁中第l个新场景对应的预想故障F^newl与步骤(1-3-2)中第t种线路和负荷接入情况o(t)对应的所有n(t)种预想故障f(t,1),f(t,2),…,f(t,n(t))一一进行对比，若预想故障F^newl与o(t)对应的第r种预想故障f(t,r)相同，r为1到n(t)之间的整数，则进行步骤(2-3-5)，若预想故障F^newl与o(t)对应的所有n(t)种预想故障都不相同，则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi^newl、第i台发电机的机端电压幅值V_Gi^newl、第j个负荷节点的有功负荷P_Loadj^newl、第j个负荷节点的无功负荷Q_Loadj^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-5)将新场景S₁中的第l个新场景对应的第i台发电机的有功功率P_Gi^newl与P_Gi(t,r)和的大小进行比较，其中P_Gi(t,r)为f(t,r)涵盖的所有场景中第i台发电机有功功率的下限值，为f(t,r)涵盖的所有场景中第i台发电机有功功率的上限值，若满足：则进行步骤(2-3-6)，若不满足：则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi^newl、第i台发电机的机端电压幅值V_Gi^newl、第j个负荷节点的有功负荷P_Loadj^newl、第j个负荷节点的无功负荷Q_Loadj^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-6)将新场景S₁中的第l个新场景对应的第i台发电机的机端电压幅值V_Gi^newl与V_Gi(t,r)和的大小进行比较，其中V_Gi(t,r)为f(t,r)涵盖的所有场景中第i台发电机机端电压幅值的下限值，为f(t,r)涵盖的所有场景中第i台发电机机端电压幅值的上限值，若满足：则进行步骤(2-3-7)，若不满足：则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi^newl、第i台发电机的机端电压幅值V_Gi^newl、第j个负荷节点的有功负荷P_Loadj^newl、第j个负荷节点的无功负荷Q_Loadj^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-7)将新场景S₁中的第l个新场景对应的第j个负荷节点的有功负荷P_Loadj^newl与P_Loadj(t,r)和的大小进行比较，其中P_Loadj(t,r)为f(t,r)涵盖的所有场景中第j个负荷节点的有功负荷的下限值，为f(t,r)涵盖的所有场景中第j个负荷节点的有功负荷的上限值，若满足：则进行步骤(2-3-8)，若不满足：则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi^newl、第i台发电机的机端电压幅值V_Gi^newl、第j个负荷节点的有功负荷P_Loadj^newl、第j个负荷节点的无功负荷Q_Loadj^newl和输入特征X^newl放入新增场景集N₁，并转到步骤(2-3-9)；

(2-3-8)将新场景S₁中的第l个新场景对应的第j个负荷节点的无功负荷Q_Loadj^newl与Q_Loadj(t,r)和的大小进行比较，其中Q_Loadj(t,r)为f(t,r)涵盖的所有场景中第j个负荷节点的无功负荷的下限值，为f(t,r)涵盖的所有场景中第j个负荷节点的无功负荷的上限值，若满足：则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi^newl、第i台发电机的机端电压幅值V_Gi^newl、第j个负荷节点的有功负荷P_Loadj^newl、第j个负荷节点的无功负荷Q_Loadj^newl和输入特征X^newl放入新增场景集N₀，并转到步骤(2-3-9)，若不满足：则将第l个新场景对应的线路和负荷接入情况O^newl、预想故障F^newl、第i台发电机的有功功率P_Gi^newl、第i台发电机的机端电压幅值V_Gi^newl、第j个负荷节点的有功负荷P_Loadj^newl、第j个负荷节点的无功负荷Q_Loadj^newl和输入特征X^newl放入新增场景集N₁中，并转到步骤(2-3-9)；

(2-3-9)令l:＝l+1，返回步骤(2-3-2)；

(3)根据新增场景集N₀、N₁和初始深度神经网络模型C，进行时域仿真计算和模型微调，更新得到最终的暂态稳定预测模型，具体包括以下步骤：

(3-1)对新增场景集N₁包含的新场景数q进行判断，若q＝0，则无需对模型C更新，返回步骤(2)；若q≠0，从N₀和N₁中分别随机抽取h个样本作为测试样本集Test，剩余p+q-2h个样本构成样本集D₁，利用数值计算方法对Test中的所有场景进行时域仿真，得到Test中所有场景的暂态稳定标签；

(3-2)利用深度神经网络模型C对Test集合中h个测试样本进行预测，根据预测结果迭代进行时域仿真计算和模型训练，更新得到最终的暂态稳定预测模型，具体包括以下步骤：

(3-2-1)设定迭代次数o初始化为0，样本集D₂初始化为空集，设定每次抽取u个新样本，设定预测准确率阈值A_set，迭代终止次数表示向上取整；

(3-2-2)利用深度神经网络模型C对测试集Test中h个测试样本进行预测，得到预测准确率A_pred，将A_pred的值与A_set进行比较，若A_pred≥A_set，则当前的深度神经网络模型C就作为更新后的电力系统暂态稳定预测模型，并将样本集D₂与S₀的所有场景取并集，作为新的初始场景集S₀，若A_predA_set，则转入步骤(3-2-3)；

(3-2-3)将o的值与o_set进行比较，若o≥o_set，则当前的深度神经网络模型C就作为更新后的电力系统暂态稳定预测模型，并将样本集D₂与S₀的所有场景取并集，作为新的初始场景集S₀，若oo_set，则转入步骤(3-2-4)；

(3-2-4)令o:＝o+1，将样本集D₁中所有样本的输入特征X^newg作为模型C的输入，得到D₁中所有样本X^newg在模型C的输出P(y₂^newg＝1|X^newg))，其中g＝1,…,p+q-2h-(u×o)，P(y₁^newg＝1|X^newg)表示当输入为X^newg而输出y₁^newg＝1的概率，P(y₂^newg＝1|X^newg)表示当输入为X^newg而输出y₂^newg＝1的概率，然后计算D₁中所有样本的不确定性指标e^newg

e^newg＝min{P(y₁^newg＝1|X^newg),P(y₂^newg＝1|X^newg)}

其中min{·}表示取最小值；

(3-2-5)将D₁中所有样本的不确定性指标e^newg从大到小排列，取e^newg的值排在前u的样本，利用数值计算方法对u个样本进行时域仿真，得到u个样本的暂态稳定类别标签y^newg；

(3-2-6)将步骤(3-2-5)中的u个样本加入至训练集D₂，并从D₁中移除已经标记的u个样本，利用Adam算法和D₂中的样本对深度神经网络模型C进行微调，迭代m次，得到新的深度神经网络模型C，其中，m的值由人为设定；

(3-2-7)转入步骤(3-2-2)。