[发明专利]结合人工特征和残差网络的电力系统暂态稳定预测方法

说明书

本发明涉及一种结合人工特征和残差网络的电力系统暂态稳定预测方法，属于电力系统稳定分析技术领域。本发明采集故障切除后发电机的各变量，构成初始特征向量；根据人为设定从初始特征中提取人工特征，将初始特征向量排列成三维数据，利用深度残差网络中的残差单元自动提取特征，将该自动提取特征与人工特征共同作为全连接层的输入，经过两层全连接层处理后得到暂态稳定预测输出，构成暂态稳定预测模型的结构；最后，利用训练样本集和验证样本集，迭代求解得到相对优的模型参数，从而得到最终的暂态稳定预测模型，并用于暂态稳定预测。本发明通过人工特征与深度残差网络中残差单元的结合，以及模型参数的择优选择，能够提高电力系统暂态稳定的预测准确率。

技术领域

本发明涉及一种结合人工特征和残差网络的电力系统暂态稳定预测方法，属于电力系统稳定分析技术领域。

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，电力系统中采集的运行数据日益丰富和完善，使得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。

目前，用于暂态稳定预测模型的输入特征包括人工提取特征和智能方法自动提取特征。电力系统是一个高度复杂的非线性系统，人工的特征提取方法不可避免地需要做出理想假设和简化，难以反映各个变量在宏观上的关联关系，存在一定局限性。近来，深度学习在理论、算法和应用等方面迅速发展，已有部分学者对深度学习在电力系统暂态稳定分析领域的应用展开研究。中国专利公开号CN107391852A提出基于深度置信网络构建暂态稳定评估模型，提高了评估计算速度和评估精度。中国专利公开号CN107846012A提出了一种利用堆叠自动编码器对特征变量逐层进行特征提取，然后使用卷积神经网络构建稳定分类模型。申请公开号为CN108832619A的中国专利，提出了一种基于深度卷积神经网络构建暂态稳定评估模型，基于深度学习的自动特征提取可以对历史和现在的数据进行综合分析，形成高阶特征，对数据进行更加精确、客观、有效的表达，减少人为设计的不完善，然而该方法没有考虑输入数据动态轨迹的三维特点，也没有结合已有的人工经验特征。人工提取特征与深度学习自动提取特征的方法不对立、不冲突，唯有充分结合两类分析方法进行特征提取，实现优势互补，才能构建得到准确率更高的暂态稳定预测模型。

发明内容

本发明的目的是提出一种结合人工特征和残差网络的电力系统暂态稳定预测方法，针对已有技术的缺点，将人工提取特征与深度学习自动提取特征的方法相结合，以构建得到准确率更高的暂态稳定预测模型，并用于暂态稳定预测，提高暂态稳定预测精度。

本发明提出的结合人工特征和残差网络的电力系统暂态稳定预测方法，该方法包括以下步骤：

(1)对具有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，对s种运行工况在f种故障下的暂态稳定性进行时域仿真计算，得到s×f种运行场景的特征向量X^k和暂态稳定性y^k，其中，上标k表示第k种运行场景，k＝1,2,…,s×f，y^k＝(0,1)表示电力系统在故障清除后能够保持暂态稳定，y^k＝(1,0)表示电力系统在故障清除后不能保持暂态稳定，故障清除时间根据人工经验设定，第k种运行场景中故障清除后n个采样点的发电机有功功率P_Gi^k、发电机转子角度δ_i^k、发电机转子角速度ω_i^k、发电机母线的电压幅值V_Gi^k和发电机母线的电压相角θ_Gi^k构成特征向量X^k：