[发明专利]电力系统暂态稳定的预测模型的训练及预测方法、装置

说明书

本发明公开了一种电力系统暂态稳定的预测模型的训练及预测方法、装置，该训练方法包括：获取电力系统的历史运行数据，对历史运行数据进行处理得到第一样本数据集；第一样本数据集包括正样本数据及负样本数据，正样本数据用以表征所述电力系统处于稳定状态，负样本数据用以表征电力系统处于不稳定状态；利用第一样本数据集对神经网络融合模型进行训练，得到电力系统暂态稳定预测模型；其中，神经网络融合模型为根据双向长短时记忆网络、卷积神经网络和支持向量机构建的神经网络融合模型，通过实施本发明，利用双向长短时记忆网络和卷积神经网络网络进行提取特征向量，将特征向量输入支持向量机进行稳定预测，提高电力系统暂态稳定的预测准确率。

技术领域

本发明涉及电力系统技术领域，具体涉及一种电力系统暂态稳定的预测模型的训练及预测方法、装置。

背景技术

电力系统的稳定运行直接关系到人们的生产生活和社会的正常运转。随着电力系统规模不断扩大，交直流混联输电方式的发展，新增设备的不断增多以及新能源技术的应用，电力系统的运行状态越来越接近其稳定极限，其安全稳定问题日益严重，电力系统出现大面积停电的事件时有发生，迫切需要一种能够快速准确的进行电网暂态稳定评估的方法，目前业界常用机器学习方法来进行电网暂态稳定评估，但是，目前业界常用的机器学习方法很难捕捉到电力系统的运行数据中时间维度信息，使得电力系统暂态稳定的评估方法准确率不高。

发明内容

有鉴于此，本发明实施例提供了一种电力系统暂态稳定的预测模型的训练及预测方法、装置，以解决基于机器学习方法的电力系统暂态稳定的评估方法准确率不高的问题。

根据第一方面，本发明实施例提供了一种电力系统暂态稳定预测模型的训练方法，包括：获取电力系统的历史运行数据，对所述历史运行数据进行处理得到第一样本数据集；所述第一样本数据集包括正样本数据及负样本数据，所述正样本数据用以表征所述电力系统处于稳定状态，所述负样本数据用以表征所述电力系统处于不稳定状态；利用所述第一样本数据集对神经网络融合模型进行训练，得到电力系统暂态稳定预测模型；其中，所述神经网络融合模型为根据双向长短时记忆网络、卷积神经网络和支持向量机构建的神经网络融合模型。

结合第一方面，在第一方面第一实施方式中，所述利用所述第一样本数据集对神经网络融合模型进行训练，得到电力系统暂态稳定预测模型，包括：将所述第一样本数据集按照预设的比例划分为训练集、验证集和测试集；利用所述训练集对神经网络融合模型进行训练，得到初始电力系统暂态稳定预测模型；利用所述验证集验证所述初始电力系统暂态稳定预测模型的预测结果是否准确；如果准确，利用所述测试集确定所述初始电力系统暂态稳定预测模型的准确率；判断所述准确率与预设标准值的差值是否小于准确率阈值；如果所述差值小于准确率阈值，则将所述初始电力系统暂态稳定预测模型确定为所述电力系统暂态稳定预测模型。

结合第一方面第一实施方式，在第一方面第二实施方式中，如果所述初始电力系统暂态稳定预测模型的预测结果不准确，根据验证结果调整所述初始电力系统暂态稳定预测模型的参数，并返回利用所述验证集验证所述初始电力系统暂态稳定预测模型的预测结果是否准确的步骤。

结合第一方面，在第一方面第三实施方式中，对所述历史运行数据进行处理得到第一样本数据集，包括：根据预设的采集范围和时间间隔，利用时域仿真法或广域监测系统对所述历史运行数据进行采集，得到第二样本数据集；对所述第二样本数据集进行归一化处理，得到第三样本数据集；对所述第三样本数据集进行标注，得到所述第一样本数据集。

结合第一方面第三实施方式，在第一方面第四实施方式中，通过以下公式对所述第二样本数据集进行归一化处理：其中，表示所述第二样本数据集中每个样本的第j列第t时刻的特征值，表示所述每个样本的第j列第t时刻的特征值进行归一化后的第三特征值，表示第二样本数据集中每个样本的第j列所有特征值的均值；表示所述第二样本数据集中每个样本的第j列所有特征值的标准差。