[发明专利]一种电力系统暂态稳定预测模型的更新方法

说明书

本发明涉及一种电力系统暂态稳定预测模型的更新方法，属于电力系统稳定控制技术领域。首先对初始训练场景集考虑的运行工况和预想故障进行统计，根据未来场景的预测情况，将其与已训练场景的运行工况和预想故障进行对比，根据对比结果判断是否启动暂态稳定预测模型的更新过程。本发明将未来场景集分为未计算暂态稳定性的训练样本和已计算暂态稳定性的测试样本；通过计算训练样本的不确定指标，选择不确定指标高的训练样本进行完整时域仿真，计得到暂态稳定性结果。本发明方法减少了时域仿真的计算时间，减少了模型再训练时间，从而减少了暂态稳定预测模型的在线更新时间，更新得到的暂态稳定预测模型仍能保证较高的准确率，具有重要的实用价值。

技术领域

本发明涉及一种电力系统暂态稳定预测模型的更新方法，属于电力系统稳定控制技术领域。

背景技术

暂态稳定性破坏是电力系统发生大规模停电事故的重要原因，如何快速准确判断系统的暂态稳定性是电力系统安全防控要考虑的主要问题之一。近年来，智能电网建设的不断深入，使得电力系统中采集的运行数据日益丰富和完善，使得基于数据驱动的暂态稳定预测方法受到国内外学者的广泛关注。

由于电网网架结构、运行方式不断变化，若用彼时的数据得到的模型来预测此时电力系统的暂态稳定性，预测模型可能存在准确率降低甚至失效的情况，因此，基于人工智能的暂态稳定预测模型需要根据电网实际运行工况进行更新。在模型更新时，首先要根据运行工况和预想故障生成用于更新暂态稳定预测模型的新样本，然后，基于新样本重新训练暂态稳定评估模型。然而，生成海量数据、暂态稳定评估模型的更新都需要较多时间，将影响深度神经网络模型的在线应用。如何快速地更新暂态稳定预测模型，提高深度神经网络模型更新时的计算效率是亟需解决的问题。

发明内容

本发明的目的是提出一种电力系统暂态稳定预测模型的快速更新方法，采用深度神经网络构建电力系统暂态稳定预测模型，当电力系统运行工况、拓扑发生变化时，只通过时域仿真生成少量标记样本，利用少数标记样本对已生成的深度神经网络模型进行微调，进而降低暂态稳定预测模型的在线更新的计算时间，提高深度神经网络模型在暂态稳定预测方面的实用性。

本发明提出的电力系统暂态稳定预测模型的更新方法，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，P_Gi表示电力系统中第i台发电机的有功功率，V_Gi表示第i台发电机的机端电压幅值，P_Loadj表示电力系统中第j个负荷节点的有功负荷，Q_Loadj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；