[发明专利]一种基于生成对抗网络的电力系统动态安全评估方法

说明书

一种基于生成对抗网络的电力系统动态安全评估方法，包括以下步骤：步骤1：构建一个包含大量运行变量和暂态稳定裕度安全指标的初始样本集；步骤2：构建一个包含关键特征数据及TSMs标签的高效样本集；步骤3：得到能够准确填补缺失数据的GAN模型和动态安全评估模型；步骤4：通过智能系统实时检测PMUs数据的完整性，若数据完整，则将数据直接输入到DSA模型进行电力系统的DSA；若有数据缺失，则将PMUs采集的不完整数据输入到GAN模型进行缺失数据的填补，再将填补的完整数据集输入DSA模型进行电力系统的DSA。本发明提出了一种基于GAN的电力系统DSA方法，针对电力系统数据缺失的问题能够快速、准确的填补缺失数据并对系统进行DSA，有利于电力操作人员快速采取控制措施，避免发生故障和经济损失。

技术领域

本发明涉及电力系统动态安全评估领域，具体涉及一种基于生成对抗网络的电力系统动态安全评估方法。

背景技术

随着可再生能源的日益普及和需求侧的积极响应，电力系统引入了更多的不确定性，这对电力系统的动态安全评估(Dynamic Security Assessment，DSA)提出了极大的挑战。一般而言，传统的DSA模型输入是完整的，并且总是在线可供应用的。然而，由于同步相量测量单元(Phasor Measurement Units，PMUs)故障、通信拥塞/故障、甚至网络攻击等实际问题，会影响到电力系统的动态安全评估。虽然传统的方法都是基于完整的数据输入，但是如果缺少数据，这些方法就会失效。因此，迫切需要容错方法来在数据丢失的情况下使电力系统能保持安全稳定的性能。

目前，通常采用决策树方法、基于特征估计的方法和基于特征集成学习的方法来缓解缺失数据的不利影响。决策树方法常常使用相邻的树节点数据来替换丢失的数据，然而其性能往往不理想。基于特征估计的方法可以直接预测PMUs缺失的数据，但需要针对不同的PMUs数据缺失情况训练大量的分类器，增加训练负担。基于特征集成学习的算法通过设计特征集成模型，用于有策略地将受约束的PMUs的数据集合作为训练数据库，进一步利用该数据库训练单个DSA模型。在PMUs数据缺失的任何条件下，可用分类器的集成都可以用最少的单个分类器实现最大的系统可观测性，从而保持较高的精度和计算效率。

然而，这些方法完全依赖于PMUs的可观测性和网络拓扑，一旦它们被更改，或者智能系统不能预先判断丢失数据的详细位置，模型可能会变得无效，所以必须进行模型更新。

授权公告号为CN109144987A的专利文献公开了一种电力负荷大数据缺失值的高效精确填补法，涉及电力系统负荷大数据预处理技术领域，用于有效解决远程智能终端设备从用户侧获取海量的状态参数时含有的大量的缺失值的问题。该发明通过导入一组以矩阵形式呈现的电力负荷数据，经过基本清洗，然后运用算法，利用拉依达准则以及误差阈值判别法则，通过分层数值比较，列、横向关联性分析，再结合权值模型，合理的分配权值，最终科学的找到了较好的值用来填补缺失值,有效的实现了对电力系统负荷大数据缺失值的精确填补，为电力系统发电和调度侧对用户负荷行为的研究提供了保障。它的缺陷在于：

①使用基于数学模型的方法生成缺失数据，与基于数据驱动的方法相比，数据生成的速率相对较低；

②该填补缺失数据的方法未能直接给出生成数据的预测概率，且缺少充分的实验证明该方法在电力系统安全评估中的适用性，在可行性和可扩展性方面仍有提升的空间。

发明内容

针对上述不足，本文提出了一种在不依赖PMUs可观测性和网络拓扑下，建立了一个生成对抗网络(Generative Adversarial Nets，GAN)模型来填补缺失数据，并采用Adam算法优化GAN模型，使GAN模型具有较高的评估精度和计算效率。最后将新生成的数据输入到DSA模型进行评估，实现对电力系统的DSA。

为了实现上述发明的目的，采用了以下方案：

一种基于生成对抗网络的电力系统动态安全评估方法，包括以下步骤：