[发明专利]基于LSTM双结构模型的电力系统暂态稳定预测方法

权利要求书

1.一种基于LSTM双结构模型的电力系统暂态稳定预测方法，其特征在于，包括以下步骤：

(1)、利用开源框架Keras搭建LSTM双结构模型

以循环神经网络RNN的变体长短期记忆网络LSTM为基础，基于电力系统暂态故障的故障特征，设计双向长短期记忆网络Bi-Lstm，作为LSTM双重结构模型的特征提取模块，其中，Bi-Lstm中的LSTM单元个数设置为n个；

(2)、训练LSTM双结构模型

(2.1)、采集不同故障情况下，电网中发生故障的线路在不同时刻时的电压和电流，记为U_ij、I_ij，其中，i＝1,2,…,t，j＝1,2,…l，t表示采样的总时刻，l为电网中线路的条数；

(2.2)、将采集到的电压和电流值按照采集时间顺序构成输入矩阵；

(2.3)、获取Bi-Lstm网络的输出矩阵

按照时间先后顺序，以输入矩阵的每一行作为输入，正序输入至LSTM双结构模型，那么，每个LSTM单元的输出记为h_ik，k＝1,2…,n，h_ik表示第i个时刻第k个LSTM单元的正向隐层输出；

按照时间先后顺序，以输入矩阵的每一行作为输入，反序输入至LSTM双结构模型，那么，每个LSTM单元的输出记为h_i'_k，k＝1,2…,n，h_i'_k表示第i个时刻第k个LSTM单元的反向隐层输出；

将各个LSTM单元的正向、反向隐层输出按照时间先后顺序构成Bi-Lstm网络的输出矩阵；

(2.4)、通过展平模块将Bi-Lstm网络的输出矩阵展平成一维数据，记为h_f；

h_f＝[h₁₁h₁₂…h_1nh₂₁…h_tnh₁'₁h₁'₂…h₁'_nh'₂₁…h_t'_n]

(2.5)、利用注意力机制模块关注电网中各线路发生故障前后的电压电流；

(2.5.1)、按照时间先后顺序，以Bi-Lstm网络的输出矩阵的每一行作为输入，计算各行输入数据的注意力权重α_i；

其中，变量e_i满足：

或//

其中，为待学习的参数，其初值为初始化随机值；

(2.5.2)、关注发生故障线路并输出；

将关注后的所有故障线路的电压电流通过一维数据输出为：

(2.6)、故障线路定位模块定位各线路发送故障的概率；

(2.6.1)、将展平后的维数据h_f输入至前向感知机，利用前向感知机对每条线路进行感知，得到l个感知向量e_j；

(2.6.2)、根据每条线路的感知向量e_j，利用归一化指数函数G(x)计算每条线路发生故障的概率G_j；

(2.6.3)、将每条线路发生故障的概率值构成矩阵，记为G＝[G₁,G₂,…,G_l]；

(2.7)、利用拼接模块将注意力机制模块输出的展平模块输出的h_f和故障线路定位模块输出的G拼接为矩阵h_c；

(2.8)、将拼接后的矩阵h_c输入至多层感知机，利用多层感知机计算电网中线路发生故障后，电力系统保持稳定的概率；

其中，W^*、W'、b^*、b'为待学习的参数，其初值为初始化随机值；

(2.9)、计算损失函数值；

(2.9.1)、利用多分类交叉熵的优化器计算故障线路定位模块的损失函数值loss_l；

其中，y_j表示第j条线路故障发生的真实概率值，若发生故障则为1，不发生故障则为0；

(2.9.2)、利用二分类交叉熵的优化器计算暂态稳定性判别模块的损失函数值loss_s；

loss_s＝-[ylogG(h_c)+(1-y)log(1-G(h_c))]

其中，y表示电力系统是否稳定的真实值，若系统稳定则为0，系统失稳则为1；

(2.10)、判断电力系统的稳定性；

按照步骤(2.1)-(2.9)的方法，计算下一轮迭代后故障线路定位模块的损失函数值loss_l和暂态稳定性判别模块的损失函数值loss_s，然后分别再与前一轮迭代时得到的损失函数直接进行比较，如果前后两轮迭代后的暂态稳定性判别模块的损失函数值loss_s的差值小于预设阈值，则迭代停止，LSTM双重结构模型训练完成；否则，根据损失函数值loss_l、loss_s修改上述待学习的参数，然后进行下一轮迭代，直到前后两轮迭代后的损失函数值loss_s的差值小于预设阈值，迭代停止；

(3)、将待检测的电压、电流处理成输入矩阵后输入至训练好的LSTM双结构模型，从而预测出电力系统的暂态稳定性。