[发明专利]一种基于迁移学习的电力系统暂态稳定自适应评估方法

说明书

本发明公开了一种基于迁移学习的电力系统暂态稳定自适应评估方法，该方法将故障切除后发电机功角轨迹簇的27个几何特征的时序数据作为原始输入特征；构建基于卷积神经网络的暂稳预测模型，它由输入特征、卷积层1、池化层1、卷积层2、池化层2、全连接层、分类层和输出结果组成；并改进反向传播算法的损失函数；最后利用迁移学习策略，将一种运行方式和拓扑结构系统下得到的预训练模型的网络结构、两个卷积层、两个池化层和全连接层的参数都迁移到新模型，仅随机初始化分类层的参数，在新的运行方式和拓扑结构下，用新场景下的训练样本集对分类层进行训练，即可使新模型很快地跟踪电力系统的运行方式和拓扑结构的变化，保持较高预测准确率。

技术领域

本发明涉及电力系统领域，特别是涉及一种基于迁移学习的电力系统暂态稳定自适应评估方法。

背景技术

随着现代电力系统规模不断扩大，交直流混联输电方式的快速发展，新增设备的不断增多以及新能源技术的广泛应用，系统的运行状态越来越接近其稳定极限，再加上网络攻击、电磁攻击等人为蓄意破坏，其安全稳定问题日益严重，电网大面积停电事件时有发生。然而现代电力系统是一个高维的非线性系统，故障发生速度快，响应时间短，仅根据调度人员的经验很难在短时间内做出准确的判断，因此迫切需要一种快速准确的电网暂态稳定评估方法。

以机器学习和深度学习为工具的暂态稳定预测为电力系统暂态功角稳定预测的研究另辟蹊径。中国专利公开号CN106849069A是基于Pin-SVM的电力系统暂态稳定评估方法，采用直接法的暂态动能等指标作为人工智能方法的样本特征，采用最大相关最小冗余特征选择方法对原始特征集进行特征压缩，减少训练时长的同时具有更高的准确率。中国专利公开号CN108551167A提出了一种基于XGBoost算法的电力系统暂态稳定判别方法，该方法将故障前的特征数据作为输入，主要目的是为了起到故障预防的作用。中国专利公开号CN108964046A是一种基于故障清除后短时受扰轨迹的电力系统暂态稳定评估方法，构建卷积神经网络建立发电机电气量与系统暂态稳定性之间的映射关系，模型具有较强的鲁棒性和评估性能。中国专利公开号CN104578053A提出了一种基于受扰电压轨迹簇特征的电力系统暂态稳定性预测方法，将故障切除后发电机节点电压幅值的时域轨迹簇构成原始数据集，计算轨迹簇的27个几何特征，再采用Relief算法进行特征选择，然后构造SVM预测模型。

已有的研究和发明成果均取得了较高的预测准确率，但是仍然存在不足。首先，初始特征的选择对模型最终评估性能有很大影响，以上所提到的专利除了中国专利公开号CN104578053A以外，现有的特征选择和提取方法一般会面临当系统规模增大时，特征维数急剧上升的“维数灾难”，使得已经训练好的模型无法使用，需要重新训练模型或另外设计新的特征提取方法，因此增大了模型的使用成本。其次，现有方法更多关注预测模型的准确性，忽视了稳定场景与失稳场景的误分类成本差异，没有考虑不平衡样本训练带来的判别结果倾向性和误分类的代价问题。此外，现有方法在追求更高准确率的同时忽视了模型实时跟踪系统运行方式和拓扑结构变化的自适应能力，在遇到新的运行方式和拓扑结构时预测模型的识别准确率往往大幅度降低，或者需要对于每一种典型运行方式或拓扑结构训练各自的暂稳预测器，实际应用中得先匹配场景和预测器，才能够实现较为准确的暂态稳定预测结果，这样不仅耗时耗资源，而且难以满足在线运行的需求。

发明内容

本发明要解决的技术问题是克服电力系统故障发生速度快，响应时间短，仅根据调度人员的经验很难在短时间内做出准确的判断的缺陷，从而提供一种基于迁移学习的电力系统暂态稳定自适应评估方法。

为解决上述技术问题，本发明采用下述技术方案：

1.本发明提供一种基于迁移学习的电力系统暂态稳定自适应评估方法，包括以下内容：

步骤(1)：利用Matlab工具箱Power System Toolox 3.0仿真生成大量电力系统暂态稳定样本数据集；