[发明专利]基于LSTM-DNN模型的电力系统暂态稳定评估方法

说明书

本发明公开了一种基于LSTM‑DNN模型的电力系统暂态稳定评估方法，通过时域仿真软件或WAMS系统获得电力系统中各母线处的电压幅值与相角以及各线路上的有功功率与无功功率等潮流量；利用Z‑score函数对带有时间序列的潮流量进行归一化处理；将处理后的数据分为训练集和测试集对已搭建的LSTM‑DNN模型进行训练，获得已训练的暂态稳定评估模型；将实际采集的带有时间序列的潮流量进行归一化处理后输入到已训练的模型中，从而预测系统暂态稳定性的结果。本发明可以通过挖掘时序潮流量数据中隐含的电力系统暂态特征，给出故障后电力系统暂态稳定评估结果，该方法在准确率与泛化能力上较传统机器学习模型有显著提升。

技术领域

本发明涉及电力系统暂态稳定分析技术领域，特别是一种基于LSTM-DNN模型的电力系统暂态稳定评估方法。

背景技术

电力系统暂态稳定是指系统在大扰动下，各发电机组间能保持同步运行，并且电压和频率水平在可接受范围内。对于现代电力系统而言，这样一个高维非线性系统，一旦发生暂态失稳，其发展的速度非常快，留给调度人员进行处理的时间非常少。处理不及时，将有可能导致电网大面积停电，进而给国民经济造成十分严重的影响。

电力系统暂态稳定评估方法主要有三种，分别是时域仿真法、直接法以及基于机器学习等模式识别技术的电力系统暂态稳定评估方法。其中，时域仿真法计算精度高，结果可信度高，但其计算量大且计算时间长。直接法有着相对完备的理论基础，但在大电网中满足条件的能量函数很难构建，导致其应用并不广泛。基于机器学习等模式识别技术的电力系统暂态稳定评估方法不用搭建系统的数学模型，只需建立系统特征量与系统稳定结果之间的映射关系，但已有机器学习算法多为浅层学习算法，在学习映射关系时，模型的泛化能力不足。近几年，关于深度学习的研究已在计算机领域取得了突破性进展。同时，深度学习也逐步被应用到电力领域，为基于模式识别技术的电力系统暂态稳定评估方法引入了新的动力。

目前，已有深度学习模型被引入到电力系统暂态稳定评估当中，其表现均不错，但仍有需要改进的地方。《中国电机工程学报》2018年第38卷第3期学术论文《基于深度学习的电力系统故障后暂态稳定评估研究》将深度置信网络引入到电力系统暂态稳定评估中，并结合电力系统的特点对网络进行了约束，评估结果获得了较高的准确率。但其输入特征量为某一时刻的线路有功、无功和节点电压幅值和相角，未考虑电力系统暂态过程中这些特征量随时间变化的特性，不能对暂态稳定特征进行充分的提取，影响评估模型的准确率。《电力建设》2018年第39卷第2期学术论文《基于深度学习的电力系统暂态稳定评估方法》将变分自动编码器和卷积神经网络相结合，用于电力系统暂态稳定评估，降低了数据噪声对评估结果的影响，但其特征量为发电机的转子角、角速度等动态参数，过于复杂。

发明内容

本发明的目的在于提供一种基于LSTM-DNN模型的电力系统暂态稳定评估方法。

实现本发明目的的技术解决方案为：一种基于LSTM-DNN模型的电力系统暂态稳定评估方法，包括以下步骤：

步骤1，利用时域仿真技术或WAMS系统获得电力系统中各母线处的电压幅值与相角以及各线路上的有功功率与无功功率这些带有时间序列的潮流量作为样本特征，即模型的输入；

步骤2，对步骤1中采集的数据利用Z-score函数进行归一化处理；

步骤3，对获得的训练样本数据根据暂态稳定类别进行独热编码，训练样本数据包括样本特征以及系统的暂态稳定类别；

步骤4，根据步骤1中获得的样本特征的数量搭建LSTM-DNN评估模型，然后将样本分为训练集和测试集，分别用于模型的训练与评估；

步骤5，引入Kappa统计值、F1分数、受试者工作特性曲线下面积、准确率、电力系统中对失稳的漏判率和误判率对步骤4中的模型进行评价，选出最优的训练模型；